野生动物监测图像误触发图像筛选方法及存储介质技术

本发明专利技术实施例公开了一种野生动物监测图像误触发图像筛选方法及存储介质，方法包括：获取相机拍摄的监测图像，构建训练集；使用所述训练集对网络模型进行训练，得到图像筛选模型；从待筛选相机拍摄的所有图像中获取一张空拍图像作为参考图像，剩余的图像作为待筛选图像；将所述参考图像和待筛选图像输入到所述图像筛选模型中，得到筛选结果。本发明专利技术以基于三元组损失度量学习的误触发图像判别技术为主体，可以判别红外触发相机的误触发图像进而将其过滤，最终实现红外触发相机野生动物监测图像原始数据中无效数据过滤的自动化，避免了海量监测数据的人工筛选，有助于促进野生动物保护工作的智能化和信息化。护工作的智能化和信息化。护工作的智能化和信息化。

【技术实现步骤摘要】
野生动物监测图像误触发图像筛选方法及存储介质


[0001]本专利技术涉及计算机软件
，具体涉及一种野生动物监测图像误触发图像筛选方法及存储介质。

技术介绍

[0002]野生动物监测工作对野生动物保护及生物多样性保护具有重要意义。目前，红外触发相机是获取野生动物监测图像的主要工具之一，当野生动物在红外相机感应范围内活动时，相机会自动拍下野生动物图像。采集到数据后，部分相机可通过WSN等方式通过网关节点接入互联网，将图像数据传输到服务器端。或相机仅将图像存入SD卡，等待工作人员回收数据。红外触发相机通常呈网格部署，规模由几十台到几百台不等，按若干个月为时间单位回收数据。
[0003]受限于红外触发相机效果与野外环境等自然条件，红外触发相机普遍具有较高的误触发(空拍)率，即相机拍到的许多图像不包含野生动物。另一方面红外相机采集到的数据量是极其庞大的，如塞伦盖蒂野生动物数据集约有120万张图像，只有约30万张是包含动物的有效图像，误触发率高达75％。在海量图像中人工筛选出有效图像将耗费巨大的人力物力。
[0004]现有一些传统图像处理算法如ViBe算法可在一定程度上实现误触发图像的筛选，但效果有限。ViBe算法通过对背景进行建模来检测前景，将前景即运动的目标视为野生动物，藉此进行误触发图像的判别。而在野生动物监测场景中，由于时间跨度大，昼夜交替、天气变换以及植被生长等因素使图像背景本身就具有较为复杂的变化，因此ViBe算法通过对比多张图像相同位置及相邻点位的像素值建立背景模型，以及较为缓慢的背景更新策略难以适应监测场景，效果不佳。
[0005]此外，也有一些基于深度学习及机器学习的图像分类或目标检测算法应用于误触发图像筛选问题，但当前基于图像分类的误触发图像筛选方法通常是在物种类别中添加一个“无动物”类别，但红外触发相机布设地点的多样性导致背景变化明显复杂于野生动物物种类别的变化，因此复杂程度并不相同的背景图像作为一个类别与物种类别同等对待易使模型难以泛化到多种多样的监测场景中。基于目标检测的误触发筛选方法虽然精度高于基于分类的方法，但其标签制作成本也更大。究其原因是由于红外触发相机易受到光照变化、复杂背景信息等噪声干扰，监测图像存在类内差异大，类间相似度高的特点。若采用传统深度学习方法对图像直接分类或检测，模型难以从大量误触发图像中学习到有效特征，准确率无法达到实用标准，而近些年取得进展的度量学习方法可以有效处理类内多样性和类间相似性场景下的判别问题。

技术实现思路

[0006]针对现有技术中的技术缺陷，本专利技术实施例的目的在于提供一种野生动物监测图像误触发图像筛选方法及存储介质，利用计算机实现野生动物监测图像中误触发图像的自
动筛选，根据每张图像的判定结果即可便捷地过滤掉无效图像
[0007]为实现上述目的，第一方面，本专利技术实施例提供了一种野生动物监测图像误触发图像筛选方法，包括：
[0008]获取相机拍摄的监测图像，构建训练集；
[0009]使用所述训练集对网络模型进行训练，得到图像筛选模型；
[0010]从待筛选相机拍摄的所有图像中获取一张空拍图像作为参考图像，剩余的图像作为待筛选图像；
[0011]将所述参考图像和待筛选图像输入到所述图像筛选模型中，得到筛选结果。
[0012]进一步，所述训练集包括多个图像三元组，每个所述图像三元组包括一张基准样本、一张正样本和一张负样本，每个所述图像三元组的基准样本相同，每个所述图像三元组的正样本和负样本均不相同；其中，
[0013]从相机拍摄的空拍图像中随机选择一张作为基准样本；
[0014]从相机拍摄的监测图像数据集中随机选取一张无动物的误触发图像作为正样本；
[0015]从相机拍摄的监测图像数据集中随机选取一张包含野生动物的有效图像作为负样本。
[0016]进一步，使用所述训练集对网络模型进行训练，得到图像筛选模型，包括：
[0017]将每个图像三元组依次输入网络模型中，输出得到模型总损失；
[0018]持续进行迭代，若所述模型总损失符合预设条件，停止对所述网络模型进行训练，将当前网络模型作为图像筛选模型。
[0019]进一步，所述将每个图像三元组依次输入网络模型中，输出得到模型总损失，包括：
[0020]根据所述图像三元组的负样本计算得到物种分类损失；
[0021]对所述图像三元组的基准样本、正样本和负样本进行特征提取，得到基准样本特征向量、正样本特征向量和负样本特征向量；
[0022]基于度量学习计算正样本特征向量与基准样本特征向量之间的第一实际距离和负样本特征向量与基准样本特征向量之间的第二实际距离；
[0023]根据第一实际距离与第一理想距离之间的第一差距、第二实际距离与第二理想距离之间的第二差距计算得到三元组损失；其中，所述第一理想距离为正样本特征向量与基准样本特征向量之间的理想距离为0，所述第二理想距离为特征向量与基准样本特征向量之间的理想距离为1；
[0024]将所述三元组损失与物种分类损失进行加权计算得到模型总损失。
[0025]进一步，所述模型总损失符合预设条件，包括：
[0026]所述模型总损失趋于定值。
[0027]进一步，所述将所述参考图像和待筛选图像输入到所述图像筛选模型中，得到筛选结果，包括：
[0028]将所述参考图像和待筛选图像输入到所述图像筛选模型中，获取参考图像的特征向量与待筛选图像的特征向量；
[0029]若所述待筛选图像的特征向量与所述参考图像的特征向量之间的特征向量距离大于预设的阈值，则判定所述待筛选图像为有效图像，否则判定所述待筛选图像为误触发
图像。
[0030]进一步，所述待筛选图像的特征向量与所述参考图像的特征向量之间特征向量距离为马氏距离。
[0031]进一步，所述阈值的取值为0.4。
[0032]进一步，所述网络模型包括卷积神经网络模型、Transformer模型或MLP模型中的一种。
[0033]第二方面，本专利技术实施例还提供了一种计算机可读存储介质，所述计算机可读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如第一方面所述的方法。
[0034]本专利技术以基于三元组损失度量学习的误触发图像判别技术为主体，可以判别红外触发相机的误触发图像进而将其过滤，最终实现红外触发相机野生动物监测图像原始数据中无效数据过滤的自动化，避免了海量监测数据的人工筛选，有助于促进野生动物保护工作的智能化和信息化。
附图说明
[0035]为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。
[0036]图1是本专利技术实施例提供的一种野生动物监测图像误触发图像筛选方法的流程图。
具体实施方式
[0037]下面将结合本专利技术实施例中的附图，对本专利技术实施本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种野生动物监测图像误触发图像筛选方法，其特征在于，包括：获取相机拍摄的监测图像，构建训练集；使用所述训练集对网络模型进行训练，得到图像筛选模型；从待筛选相机拍摄的所有图像中获取一张空拍图像作为参考图像，剩余的图像作为待筛选图像；将所述参考图像和待筛选图像输入到所述图像筛选模型中，得到筛选结果。2.如权利要求1所述的一种野生动物监测图像误触发图像筛选方法，其特征在于，所述训练集包括多个图像三元组，每个所述图像三元组包括一张基准样本、一张正样本和一张负样本，每个所述图像三元组的基准样本相同，每个所述图像三元组的正样本和负样本均不相同；其中，从相机拍摄的空拍图像中随机选择一张作为基准样本；从相机拍摄的监测图像数据集中随机选取一张无动物的误触发图像作为正样本；从相机拍摄的监测图像数据集中随机选取一张包含野生动物的有效图像作为负样本。3.如权利要求2所述的一种野生动物监测图像误触发图像筛选方法，其特征在于，使用所述训练集对网络模型进行训练，得到图像筛选模型，包括：将每个图像三元组依次输入网络模型中，输出得到模型总损失；持续进行迭代，若所述模型总损失符合预设条件，停止对所述网络模型进行训练，将当前网络模型作为图像筛选模型。4.如权利要求3所述的一种野生动物监测图像误触发图像筛选方法，其特征在于，所述将每个图像三元组依次输入网络模型中，输出得到模型总损失，包括：根据所述图像三元组的负样本计算得到物种分类损失；对所述图像三元组的基准样本、正样本和负样本进行特征提取，得到基准样本特征向量、正样本特征向量和负样本特征向量；基于度量学习计算正样本特征向量与基准样本特征向量之间的第一实际距离和负样本特征向量与基准样本特征向量之间的第二实际距离；根据第一实际距离...

【专利技术属性】
技术研发人员：张军国，谢将剑，刘洋，葛永泰，
申请(专利权)人：北京林业大学，
类型：发明
国别省市：