【技术实现步骤摘要】
基于深度学习的金钱豹个体识别方法
[0001]本专利技术涉及图像处理方法
，尤其涉及一种基于深度学习的金钱豹个体识别方法。
技术介绍
[0002]金钱豹是濒危野生动物，作为生态系统的顶级掠食者，其对整个生态系统具有举足轻重的作用。金钱豹一旦消失，便会影响整个生物链，最终导致整个生态系统的崩解。金钱豹的个体识别可以度量金钱豹的种群情况，从而估计各种生态指标，如多样性、均衡性、丰富性、相对丰度和环境承载能力。
[0003]当前，对金钱豹的个体识别方法主要包括标记、伤疤、条纹、DNA分析以及粪便分析等，这些方法虽然准确，但是对于研究人员来说却是十分费时费力的，并且上述方法都需要在野外收集材料，对金钱豹的生存环境有一定的干扰性。文献“基于深度学习模型的金钱豹个体识别研究与实现”搭建cifar10网络模型对金钱豹进行了识别，但由于其使用金钱豹数据为金钱豹体侧中部图片数据，在实际应用中难以进行推广，在实验中的准确率虽然达到了93％，但其对17只金钱豹数据进行训练，随着金钱豹个体数量的增加，其搭建的cifar10网络结构以及...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的金钱豹个体识别方法，其特征在于包括如下步骤：S1：利用野外布置的相机采集金钱豹影像数据，对数据进行预处理后将数据分为训练集，测试集和查询集；S2：对训练集进行数据增强，包括水平翻转以及随机擦除；S3：使用pytorch搭建卷积神经网络，将训练集输入到卷积神经网络中，使用交叉熵损失函数与三元组损失函数进行迭代训练，迭代多次后得到权重文件；S4：将查询集图像输入训练好的卷积神经网络，卷积神经网络将对金钱豹的个体进行预测。2.如权利要求1所述的基于深度学习的金钱豹个体识别方法，其特征在于所述步骤S1包括如下步骤：使用python编写由视频到图像转换代码，从视频中每50帧抽取一张图像，使用labelImg工具对图像中每只金钱豹进行标注，生成xml文件，根据xml中坐标信息将金钱豹图像完整的裁剪出来，并对裁剪后的图像进行命名，按照训练集：测试集为3:1的比例将金钱豹数据进行划分，同时从测试集中每一只金钱豹数据抽取2
‑
5张图像数据构成查询集。3.如权利要求2所述的基于深度学习的金钱豹个体识别方法，其特征在于：数据中图像命名共16位数字，其中第1
‑
4位代表第几只金钱豹，第5
‑
8位代表第几个摄像头拍摄到的金钱豹数据，第9
‑
14位代表视频数据的第几帧图片，第15
‑
16位留为后期预选意义。4.如权利要求1所述的基于深度学习的金钱豹个体识别方法，其特征在于，所述步骤S2中：水平翻转为将图片从左向右180度翻转，随机擦除具体做法为对于输入图像，随机选择图像中一块矩形区域并用随机值填充这部分矩形区域，相当于图像在这部分区域发生遮挡。5.如权利要求1所述的基于深度学习的金钱豹个体识别方法，其特征在于，所述步骤S3中卷积神经网络结构具体为，网路的主干部分采用ResNet50网络结构，每个阶段之后都加入RGA(Relation
‑
Aware Global Attention
‑
关系感知全局注意力)模块，在第五个阶段之后，网络分为两个分支，第一个分支采用全局平均池化获得2048维特征向量，该特征向量经过1*1卷积层，批量归一化层和ReLU激活函数层进一步减小到512；在第二个分支中，将同一批次中提取到的特征图相同的矩形部分清零，使用全局最大池化得到2048维特征向量，使用1*1卷积层，批量归一化层和ReLU激活函数层进一步减小到1024；两个分支的特征向量均使用三元组损失和交叉熵损失来训练网络。6.如权利要求5所述的基于深度学习的金钱豹个体识别方法，其特征在于，空间域RGA模块的计算过程为：将特征矩阵每个空间位置的向量当做特征向量，每个特征向量都有C个维度，一共有N＝H
×
W个特征向量，将特征向量称之为x，第i个特征向量x
i
与第j个特征向量x
j
的相关性r
i，j
可以表示为：r
i，j
＝f
s
(x
i
，x
j
)＝θ
s
(x
i
)
T
φ
s
Q...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。