动物检测方法、装置、电子设备及可读存储介质制造方法及图纸

本申请提供一种动物检测方法、装置、电子设备及可读存储介质，涉及图像处理技术领域。该方法包括：获取监控区域的多张视频帧图像；识别每张视频帧图像中是否存在目标动物；在确定预设数量的连续的N张视频帧图像中均存在所述目标动物时，确定所述监控区域内存在所述目标动物。本方案通过对监控区域的每张视频帧图像进行目标动物的自动识别，而无需通过人工参与动物的识别，本方案大大提高了动物检测的效率，并且在识别到预设数量的连续N张视频帧图像中存在目标动物时才确定监控区域内存在目标动物，从而有效避免图像识别的误检，提高了对监控区域内动物的检测精度。

【技术实现步骤摘要】
动物检测方法、装置、电子设备及可读存储介质
本申请涉及图像处理
，具体而言，涉及一种动物检测方法、装置、电子设备及可读存储介质。
技术介绍
随着当前生态形势的逐步恶化，保护野生动物变得迫在眉睫。人们可根据获取的野生动物的数量和活动规律，制定相应的策略，以保护野生动物，从而实现人与自然的和谐发展。现有的方式中，可以在指定区域中安装监控摄像头，通过人工实时监测监控摄像头采集的画面，以此来检测指定区域中是否出现野生动物，这种方式需要人工实时来观察监控摄像头采集的画面，效率较低。
技术实现思路
本申请实施例的目的在于提供一种动物检测方法、装置、电子设备及可读存储介质，用以改善现有技术中动物检测的效率较低的问题。第一方面，本申请实施例提供了一种动物检测方法，所述方法包括：获取监控区域的多张视频帧图像；识别每张视频帧图像中是否存在目标动物；在确定预设数量的连续的N张视频帧图像中均存在所述目标动物时，确定所述监控区域内存在所述目标动物，其中，N为大于1的整数。在上述实现过程中，通过对监控区域的每张视频帧图像进行目标动物的自动识别，而无需通过人工参与动物的识别，本方案大大提高了动物检测的效率，并且在识别到预设数量的连续N张视频帧图像中存在目标动物时才确定监控区域内存在目标动物，从而有效避免图像识别的误检，提高了对监控区域内动物的检测精度。可选地，所述确定所述监控区域内存在所述目标动物之后，还包括：获取所述监控区域内所述目标动物的数量并输出。r>在上述实现过程中，通过获取目标动物的数量并输出可有效为后续针对目标动物的管理提供数据依据。可选地，所述获取所述监控区域内所述目标动物的数量并输出，包括：获取所述N张视频帧图像中每张视频帧图像中所述目标动物的数量；根据每张视频帧图像中所述目标动物的数量获取所述N张视频帧图像中所述目标动物的平均数量；输出所述目标动物的平均数量。在上述实现过程中，通过统计N张视频帧图像中目标动物的平均数量，从而可更加准确获得监控区域内目标动物的数量。可选地，所述识别每张视频帧图像中是否存在目标动物，包括：将每张视频帧图像输入至神经网络模型中，通过所述神经网络模型识别每张视频帧图像中是否存在目标动物，从而可更加快速且准确识别出图像中是否存在目标动物。可选地，通过以下方式对所述神经网络模型进行训练：获取各个监控区域的多张初始训练图像；对所述多张初始训练图像进行筛选，获得多张训练图像；利用所述多张训练图像对所述神经网络模型进行训练。在上述实现过程中，通过对初始训练图像进行筛选后再输入神经网络模型，从而可在减少数据处理量的同时提高神经网络模型的训练精度。可选地，所述对所述多张初始训练图像进行筛选，获得多张训练图像，包括：对所述多张初始训练图像进行跳帧去重，获得去重后的多张图像；计算获得所述多张图像中每两张图像之间的相似度；基于所述相似度从所述多张图像中筛选出相似度小于预设值的图像作为多张训练图像。在上述实现过程中，通过对初始训练图像进行跳帧去重后再进行相似度筛选，从而可有效筛选掉初始训练图像中无用的图像，以减少模型训练过程中的数据量。可选地，所述神经网络模型为ResNet18-SSD网络模型。相比于ResNet100网络、VGG16等分类网络，ResNet18-SSD网络模型拥有更少的参数但是精度相差不大，训练及推理的过程会更快，这对算法部署平台有着更少的算力要求，让模型更方便部署。第二方面，本申请实施例提供了一种动物检测装置，所述装置包括：图像获取模块，用于获取监控区域的多张视频帧图像；动物识别模块，用于识别每张视频帧图像中是否存在目标动物；动物确定模块，用于在确定预设数量的连续的N张视频帧图像中均存在所述目标动物时，确定所述监控区域内存在所述目标动物，其中，N为大于1的整数。可选地，所述装置还包括：动物数量获取模块，用于获取所述监控区域内所述目标动物的数量并输出。可选地，所述动物数量获取模块，用于获取所述N张视频帧图像中每张视频帧图像中所述目标动物的数量；根据每张视频帧图像中所述目标动物的数量获取所述N张视频帧图像中所述目标动物的平均数量；输出所述目标动物的平均数量。可选地，所述动物识别模块，用于将每张视频帧图像输入至神经网络模型中，通过所述神经网络模型识别每张视频帧图像中是否存在目标动物。可选地，所述装置还包括：训练模块，用于获取各个监控区域的多张初始训练图像；对所述多张初始训练图像进行筛选，获得多张训练图像；利用所述多张训练图像对所述神经网络模型进行训练。可选地，所述训练模块，用于对所述多张初始训练图像进行跳帧去重，获得去重后的多张图像；计算获得所述多张图像中每两张图像之间的相似度；基于所述相似度从所述多张图像中筛选出相似度小于预设值的图像作为多张训练图像。可选地，所述神经网络模型为ResNet18-SSD网络模型。第三方面，本申请实施例提供一种电子设备，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如上述第一方面提供的所述方法中的步骤。第四方面，本申请实施例提供一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时运行如上述第一方面提供的所述方法中的步骤。本申请的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。附图说明为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。图1为本申请实施例提供的一种用于执行动物检测方法的电子设备的结构示意图；图2为本申请实施例提供的一种动物检测方法的流程图；图3为本申请实施例提供的一种对图像进行跳帧去重的示意图；图4为本申请实施例提供的一种动物检测装置的结构框图。具体实施方式下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述。本申请实施例提供一种动物检测方法，通过对监控区域的每张视频帧图像进行目标动物的自动识别，而无需通过人工参与动物的识别，本方案大大提高了动物检测的效率，并且在识别到预设数量的连续N张视频帧图像中存在目标动物时才确定监控区域内存在目标动物，从而有效避免图像识别的误检，提高了对监控区域内动物的检测精度。请参照图1，图1为本申请实施例提供的一种用于执行动物检测方法的电子设备的结构示意图，所述电子设备可以包括本文档来自技高网...

【技术保护点】
1.一种动物检测方法，其特征在于，所述方法包括：/n获取监控区域的多张视频帧图像；/n识别每张视频帧图像中是否存在目标动物；/n在确定预设数量的连续的N张视频帧图像中均存在所述目标动物时，确定所述监控区域内存在所述目标动物，其中，N为大于1的整数。/n

【技术特征摘要】
1.一种动物检测方法，其特征在于，所述方法包括：
获取监控区域的多张视频帧图像；
识别每张视频帧图像中是否存在目标动物；
在确定预设数量的连续的N张视频帧图像中均存在所述目标动物时，确定所述监控区域内存在所述目标动物，其中，N为大于1的整数。


2.根据权利要求1所述的方法，其特征在于，所述确定所述监控区域内存在所述目标动物之后，还包括：
获取所述监控区域内所述目标动物的数量并输出。


3.根据权利要求2所述的方法，其特征在于，所述获取所述监控区域内所述目标动物的数量并输出，包括：
获取所述N张视频帧图像中每张视频帧图像中所述目标动物的数量；
根据每张视频帧图像中所述目标动物的数量获取所述N张视频帧图像中所述目标动物的平均数量；
输出所述目标动物的平均数量。


4.根据权利要求1所述的方法，其特征在于，所述识别每张视频帧图像中是否存在目标动物，包括：
将每张视频帧图像输入至神经网络模型中，通过所述神经网络模型识别每张视频帧图像中是否存在目标动物。


5.根据权利要求4所述的方法，其特征在于，通过以下方式对所述神经网络模型进行训练：
获取各个监控区域的多张初始训练图像；
对所述多张初始训练图像进行筛选，获得多张训练图像；...

【专利技术属性】
技术研发人员：刘凯，李辰，李玮，廖强，
申请(专利权)人：成都佳华物链云科技有限公司，
类型：发明
国别省市：四川;51