[发明专利]一种滨海湿地鸟类检测方法

说明书

本发明公布了一种滨海湿地鸟类检测方法，利用卷积神经网络，通过特征融合，将有利于小尺寸目标定位的细节信息与有利于识别的高层语义信息融合到高分辨率的特征图中；通过感兴趣区域生成网络得到感兴趣区域；并通过区域对象网络得到前景区域；进一步筛选出在前景区域的感兴趣区域，由此实现滨海湿地鸟类检测与识别。本发明能够解决现有技术在滨海湿地鸟类检测中，对于远景处的大量小尺寸鸟类检测性能较差的问题，能够大大提高滨海湿地鸟类检测中小尺寸目标的检测成功率和准确率。

技术领域

本发明涉及计算机视觉中的目标检测技术和滨海湿地鸟类保护技术，尤其涉及一种滨海湿地鸟类的检测方法。

背景技术

滨海湿地是鸟类的聚居地，鸟类的分布、数量、生物多样性等特征不仅与湿地生态系统内海拔、土壤湿度、氮梯度、景观指数等无机环境因子相关，而且与生态系统生物完整性相关。因此，鸟类的生态参数常被用作保护区选址、生态系统完整性、生态系统健康的评价指标。所以，寻求一种行之有效且简单易行的鸟类多样性评价方法，对于及时了解湿地生态环境质量及变化信息至关重要。但是，现在滨海湿地鸟类监测仍然沿用“长期蹲点、隐蔽观察、定期查巢”的传统工作方式，获得的鸟类信息资料的连续性、可信度和时效性较差。因此，借助计算机视觉中的目标检测技术，对鸟类的进行自动检测，对鸟类的数量和种类进行长时间的统计，实现鸟类活动记录的自动化和数字化，不仅可大大降低劳力成本，且为滨海湿地保护与恢复提供科学方法，具有重要的应用价值。

随着深度学习的发展，基于深度学习的目标检测算法在许多应用上取得了很好的效果。这些算法中，利用卷积神经网络对原始图像提取能够反映图像本质的深层语义信息，然后对这些信息进行分类，由此取得最后的检测结果。在滨海湿地鸟类检测任务中，出于对鸟类的保护，采集数据的设备往往安放在离鸟类聚居地较远的地方，导致采集到的视频或图片中，在远景处存在大量的小尺寸鸟类目标。而由于现有目标检测技术对小目标的检测性能较差，容易漏检，对远景处的小尺寸鸟类检测的效果不佳，现有方法很难应用到滨海湿地鸟类检测任务中。

发明内容

为了克服上述现有技术的不足，本发明提供一种滨海湿地鸟类检测方法，能够解决现有技术在滨海湿地鸟类检测中，对于远景处的大量小尺寸鸟类检测性能较差的问题，能够大大提高滨海湿地鸟类检测中小尺寸目标的检测成功率和准确率。

本发明的方法采用的技术方案如下：

一种滨海湿地鸟类检测方法，利用卷积神经网络，通过特征融合，将有利于小尺寸目标定位的细节信息与有利于识别的高层语义信息融合到高分辨率的特征图中；通过感兴趣区域生成网络得到感兴趣区域；并通过区域对象网络得到前景区域，进一步筛选出在前景区域的感兴趣区域；由此提高滨海湿地鸟类检测中小尺寸目标的检测成功率和准确率；包括如下步骤：

A.通过特征融合，获取含有高层语义信息与细节信息的整张图片的高分辨率的特征表达(特征图)，实现方法为：

A1.将滨海湿地鸟类图片输入到卷积神经网络，经过四个阶段的卷积操作，可得到每一阶段的特征图(特征表达)；

A2.选取A1步骤中第三阶段的特征图和第四阶段的特征图进行特征融合，得到含有高层语义信息与细节信息的整张图片的高分辨率的特征表达(特征图)；

B.采用感兴趣区域生成网络，提取多个感兴趣区域，实现方法为：

B1.根据步骤A中得到的高分辨率特征图大小与原图大小比例1/n，在原图中每隔n个像素点生成若干个大小与长宽比不一的候选框；建立高分辨率特征图与候选框的映射；

B2.根据步骤A中得到的高分辨率特征图，通过感兴趣区域生成网络(网络结构图如图3所示)的计算，得到各个位置候选框的预测为前景(含有鸟类目标)的得分与候选框平移缩放参数。

B3.根据平移缩放参数，将各个候选框进行平移缩放，得到图片中含有鸟类目标的感兴趣区域。