[发明专利]一种用于自动驾驶的野生动物图像识别方法

说明书

本发明涉及一种用于自动驾驶的野生动物图像识别方法，包括以下步骤：采用LLE算法对采集图像进行流形学习，得到图像特征；通过图像特征对神经网络进行训练；将实时采集的图像代入神经网络进行识别，得到野生动物种类标签，并将该标签对应的野生动物种类通知驾驶员。本发明融入了流形学习的思想，通过获取数据的低维表达，从而更好的代表数据原始的特征。采用K‑means算法求取神经网络的隐层节点，并且由于设定的c类的初始中心，使K‑means算法的迭代次数大幅减少，减小算法时间消耗，运算速度快。

技术领域

本发明涉及野生动物图像识别方法，具体说是一种用于自动驾驶的野生动物图像识别方法。

背景技术

随着人类文明的高速发展，人类活动的影响范围也在加速扩张，随着公路的不断修建，越来越多的公路修建到了野生动物的活动范围内，许多野生动物面临着生存压力就是和人类争夺生存空间，我们的生活中经常会见到此种类型的冲突。比如在某条公路上，野生动物突然横穿马路，汽车的驾驶员在行驶过程中没有预料到，造成不必要的伤害。无论对于人类和地球都是一种损失。

随着汽车性能提升，汽车作为一种代步的工具已经使人类的活动范围越来越来，甚至已经威胁到动物们的日常生活了，而汽车的高速对于动物而言是相当危险的，动物无法有效的躲避告诉公路的汽车，如何对驾驶员提高警觉道路上野生动物的出现一直是一个问题。

现有的技术大多对于行人的检测，对于野生动物的检测目前还没有，而动物和人的区别在于动物的多样性，而流形学习算法对特征的提取效果很少被使用到图像处理技术。

发明内容

针对上述技术不足，本发明的目的提供一种用于自动驾驶的野生动物图像识别方法。

本发明解决其技术问题所采用的技术方案是：一种用于自动驾驶的野生动物图像识别方法，包括以下步骤：

采用LLE算法对采集图像进行流形学习，得到图像特征；

通过图像特征对神经网络进行训练；

将实时采集的图像代入神经网络进行识别，得到野生动物种类标签，并将该标签对应的野生动物种类通知驾驶员。

所述采用LLE算法对采集图像进行流形学习包括以下步骤：

以图像作为样本构造k-近邻图，并计算任意两个图像之间的相似度作为近似测地线距离：

min(d_G(i,j),d_G(i,k)+d_G(k,j))

其中，d_G为k-近邻图上任意两个图像之间的欧式距离，图像索引号i、j、k为1、2、…、N,其中N为图像张数；

构造矩阵M＝(I-W)^T(I-W),其中I为N×N单位矩阵，W为N×N近k-邻图矩阵，即k-近邻图上任意两个图像之间的近似测地线距离矩阵；

对M矩阵进行特征分解，X取M的前m个特征向量作为特征提取的结果，即图像特征X1…Xm。

所述通过图像特征对神经网络进行训练包括以下步骤：

将图像特征作为输入，车辆类型标签为输出，隐层节点为K-means算法聚类得到的中心；

对神经网络进行训练得到隐层各节点输出的权重。

所述K-means算法包括以下步骤：

1)选择c个类的初始中心：c为样本个数的若干分之一，第一个样本为数据集的中心，第c个样本为所有数据点中距离前c-1个数据点最远的点；其中数据集为X，数据点表示某张图像特征；

2)对任意一个样本，求其到c个中心的距离，将该样本归到距离最短的中心所在的类；