一种基于特征库的鱼群识别方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种基于特征库的鱼群识别方法、装置、设备及存储介质，属于图像识别技术领域。该方法通过构建鱼群特征的特征库，所述特征库使用多组训练数据训练出来的，所述多组中的训练数据中的每一组训练数据均包括：鱼群的照片和用来标识该鱼群的特征信息；将待识别的图片输入所述特征库中，提取图像中待识别的鱼群中的特征信息，与所述特征库进行特征匹配，输出信息，其中所述输出信息包括所述图像中待识别的鱼群的位置信息以及存在信息。将观察员的经验知识固化、能够自动完成海洋鱼群的识别，从而代替观察员长时间的海面观察，做到可靠、高效的海洋鱼群识别。

【技术实现步骤摘要】
一种基于特征库的鱼群识别方法、装置、设备及存储介质
本专利技术属于图像识别
，具体地说，涉及一种基于特征库的鱼群识别方法、装置、设备及存储介质。
技术介绍
在海洋渔业生产过程中，海上移动鱼群的搜索主要依靠船上人员通过望远镜观察，或者通过直升机上的人员俯视观察海面搜索鱼群。依靠鱼群泛起的浪花、聚集的海鸟、浮木等辨别鱼群。然而，鱼群特征不明显，完全依赖观察员的经验，可靠性及效率都很低。现有技术中，助渔仪器经常使用的是声呐技术，它通过声音传播和放射来确定物体距离和形状、探测和识别水里物体和轮廓。但通过声呐技术只能获取目标鱼群的大致轮廓，并不能得到较为准确的目标鱼群信息，且现有助渔仪器作用范围在几公里到十几公里之间，而远洋捕捞需要在50到100公里的范围去侦察鱼群，助渔仪器满足不了远洋捕捞的需求。现在人们逐渐意识到，基于深度学习网络模型的水下鱼群研究，通过智能视觉物联网来降低人工、电力成本的开销，及时反映鱼群情况。例如中国专利申请号为201510434598.X，公开了一种基于深度学习网络模型的鱼群异常行为识别方法，利用互信息提取最具代表性的图像分块改进深度学习模型，结合时空卷积，对鱼群的行为进行判断，得到鱼群所处的状态。本专利技术提供的方法可以监控水下鱼群的生长状况，根据深度学习网络输出反馈鱼群所处行为，进行针对性处理，为水产养殖的监控与预警提供重要的方法和手段。但是该方法只是用来监控水下鱼群的生长状况，对于海洋捕鱼过程并不适用，无法判断鱼群是否存在，以及鱼群的位置信息。
技术实现思路
1、要解决的问题针对现有的海上移动鱼群的搜索主要依靠观察员经验判断，不够智能的问题，本专利技术提供一种基于特征库的鱼群识别方法，该方法通过构建鱼群特征的特征库，所述特征库使用多组训练数据训练出来的，所述多组中的训练数据中的每一组训练数据均包括：鱼群的照片和用来标识该鱼群的特征信息；将待识别的图片输入所述特征库中，提取图像中待识别的鱼群中的特征信息，与所述特征库进行特征匹配，输出信息，其中所述输出信息包括所述图像中待识别的鱼群的位置信息以及存在信息。将观察员的经验知识固化、能够自动完成海洋鱼群的识别，从而代替观察员长时间的海面观察，做到可靠、高效的海洋鱼群识别，则能大大提高海面渔业的生产效率。2、技术方案为解决上述问题，本专利技术采用如下的技术方案。本专利技术第一方面提供一种基于特征库的鱼群识别方法，包括：S100：构建鱼群特征的特征库，所述特征库使用多组训练数据训练出来的，所述多组中的训练数据中的每一组训练数据均包括：鱼群的照片和用来标识该鱼群的特征信息；S200：将待识别的图片输入所述特征库中，提取图像中待识别的鱼群中的特征信息，与所述特征库进行特征匹配，输出信息，其中所述输出信息包括所述图像中待识别的鱼群的位置信息以及存在信息。优选的，所述步骤S100中包括：获取鱼群视频信息，提取所述鱼群视频中每一帧图像，对所述图像中的鱼群区域进行标注；提取所述图像以及标注的鱼群区域的图像的ORB特征；通过K最近邻算法匹配所述图像以及标注的鱼群区域的图像的ORB特征，将匹配成功后的特征作为鱼群特征存储到特征库中，并设置初始权重为0，构建初始特征库。优选的，所述步骤S100中还包括：将训练数据输入所述初始特征库中，验证所述输出结果；根据所述验证结果，调整特征库中各ORB特征权重，得到最终特征库。优选的，当验证所述输出结果错误时，将对应的ORB特征在特征库中的权重减少；当验证所述输出结果正确时，将对应的ORB特征在特征库中的权重增加。优选的，当ORB特征在特征库中的权重发生变化时，对初始特征库的每个ORB特征根据权重进行排序，在之后的每次特征匹配过程中，优先匹配权重值较高的ORB特征进行比对。优选的，所述步骤S200中还包括：当提取图像中待识别的鱼群中的特征信息与所述特征库特征匹配的特征数量大于阈值，则输出所述待测的图像中存在鱼群信息，并在图像中通过矩形线框标识出鱼群的位置。优选的，所述的特征库为关系型数据库或非关系型数据库。本专利技术第二方面提供一种基于特征库的鱼群识别装置，包括：训练模块，用于构建鱼群特征的特征库，所述特征库使用多组训练数据训练出来的，所述多组中的训练数据中的每一组训练数据均包括：鱼群的照片和用来标识该鱼群的特征信息；及识别模块，用于将待识别的图片输入所述特征库中，提取图像中待识别的鱼群中的特征信息，与所述特征库进行特征匹配，输出信息，其中所述输出信息包括所述图像中待识别的鱼群的位置信息以及存在信息。本专利技术第三方面提供一种电子设备，包括：存储器；一个或多个处理器；以及一个或多个模块，所述一个或多个模块被存储在所述存储器中并被配置成由所述一个或多个处理器控制，所述一个或多个模块用于执行上述的方法。本专利技术第四方面提供一种非暂态计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述的方法。3、有益效果相比于现有技术，本专利技术的有益效果为：(1)本专利技术提供一种基于特征库的鱼群识别方法，通过构建鱼群特征的特征库，所述特征库使用多组训练数据训练出来的，所述多组中的训练数据中的每一组训练数据均包括：鱼群的照片和用来标识该鱼群的特征信息；将待识别的图片输入所述特征库中，提取图像中待识别的鱼群中的特征信息，与所述特征库进行特征匹配，输出信息，其中所述输出信息包括所述图像中待识别的鱼群的位置信息以及存在信息。将观察员的经验知识固化、能够自动完成海洋鱼群的识别，从而代替观察员长时间的海面观察，做到可靠、高效的海洋鱼群识别，则能大大提高海面渔业的生产效率；(2)本专利技术综合运用机器学习、图像识别、数据库技术，实现了在极少样本甚至零样本的情况下，经过不断的人工介入、匹配判定，逐步迭代形成特征库，实现海洋鱼群的自动识别，从而减少人工成本，提高生产效率。附图说明通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。附图中：图1为本专利技术实施例所提供的一种基于特征库的鱼群识别方法的流程示意图A；图2为本专利技术实施例所提供的一种基于特征库的鱼群识别装置结构示意图；图3为本专利技术实施例所提供的一种基于特征库的鱼群识别方法的流程示意图B。具体实施方式下面将结合附图对本专利技术技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，因此只作为示例，而不能以此来限制本专利技术的保护范围。需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本专利技术所属领域技术人员所理解的通常意义。申请概述文本文档来自技高网...

【技术保护点】
1.一种基于特征库的鱼群识别方法，其特征在于，包括：/nS100：构建鱼群特征的特征库，所述特征库使用多组训练数据训练出来的，所述多组中的训练数据中的每一组训练数据均包括：鱼群的照片和用来标识该鱼群的特征信息；/nS200：将待识别的图片输入所述特征库中，提取图像中待识别的鱼群中的特征信息，与所述特征库进行特征匹配，输出信息，其中所述输出信息包括所述图像中待识别的鱼群的位置信息以及存在信息。/n

【技术特征摘要】
1.一种基于特征库的鱼群识别方法，其特征在于，包括：
S100：构建鱼群特征的特征库，所述特征库使用多组训练数据训练出来的，所述多组中的训练数据中的每一组训练数据均包括：鱼群的照片和用来标识该鱼群的特征信息；
S200：将待识别的图片输入所述特征库中，提取图像中待识别的鱼群中的特征信息，与所述特征库进行特征匹配，输出信息，其中所述输出信息包括所述图像中待识别的鱼群的位置信息以及存在信息。


2.根据权利要求1所述的一种基于特征库的鱼群识别方法，其特征在于，所述步骤S100中包括：
获取鱼群视频信息，提取所述鱼群视频中每一帧图像，对所述图像中的鱼群区域进行标注；
提取所述图像以及标注的鱼群区域的图像的ORB特征；
通过K最近邻算法匹配所述图像以及标注的鱼群区域的图像的ORB特征，将匹配成功后的特征作为鱼群特征存储到特征库中，并设置初始权重为0，构建初始特征库。


3.根据权利要求2所述的一种基于特征库的鱼群识别方法，其特征在于，所述步骤S100中还包括：
将训练数据输入所述初始特征库中，验证所述输出结果；
根据所述验证结果，调整特征库中各ORB特征权重，得到最终特征库。


4.根据权利要求3所述的一种基于特征库的鱼群识别方法，其特征在于，当验证所述输出结果错误时，将对应的ORB特征在特征库中的权重减少；当验证所述输出结果正确时，将对应的ORB特征在特征库中的权重增加。


5.根据权利要求4所述的一种基于特征库的鱼群识别方法，其特征在于，当ORB特征在特征库中的权重发生变化时...

【专利技术属性】
技术研发人员：薛峰，张万友，林烽，
申请(专利权)人：江苏提米智能科技有限公司，
类型：发明
国别省市：江苏;32