[发明专利]基于多预置点的深度鸟类识别算法

权利要求书

1.一种基于多预置点的深度鸟类识别算法，用于鸟类识别系统，所述鸟类识别系统包括至少两个可编程的摄像头，摄像头连接有AI服务器，其特征在于，包括如下步骤：

步骤A：为每一个摄像头建立预置点；预置点设置有对应的时间点；预置点对应的视界不相交；

步骤B：处理所有摄像头的预置点以及视界，如果两个摄像头的预置点在同一时间点的视界相交，删除其中一个摄像头的相交的视界及其对应的预置点；

步骤C：根据步骤B处理后的摄像头的预置点、时间点和视界，启动摄像头运行到预置点拍摄鸟类照片；

步骤D：采用深度识别算法识别鸟类照片中鸟类的种群及其对应数量；

步骤E：对深度识别算法获取的鸟类的种群及其数量进行统计；

所述步骤A包括：

步骤A1：建立摄像头组成的摄像头集合，摄像头集合用C表示，C＝(C1,C2,…,Ci,…Cn)，i＝1～n，其中Ci表示摄像头集合C中的第i个摄像头；

建立对应的预置点总集合，预置点总集合用P表示，P＝(P_C1,P_C2,…,P_Ci,…P_Cn)；其中P_Ci表示摄像头Ci对应的预置点分集合；

建立对应的时间点总集合，时间点总集合用T₀表示，T₀＝(T_C1,T_C2,…,T_Ci,…T_Cn)，其中T_Ci表示摄像头C_i对应的时间点分集合；

建立对应的视界总集合，视界总集合用V表示，V＝(V_C1,V_C2,…,V_Ci,…V_Cn)，其中V_Ci表示摄像头Ci对应的视界分集合；

步骤A2：按如下方法为摄像头Ci设置预置点及预置点对应的视界；

为摄像头Ci设置a个预置点，用P_Citm表示其中的一个预置点，用t_m表示预置点P_Citm对应的时间点，1≤m≤a，用V_Citm表示预置点P_Citm对应的视界；摄像头Ci的所有预置点P_Citm的视界V_Citm互不相交；将预置点P_Citm存入该摄像头Ci对应的预置点分集合P_Ci中，将视界V_Citm存入该摄像头Ci对应的视界分集合V_Ci；将时间点tm存入该摄像头C_i对应的时间点分集合T_Ci中；

所述步骤B包括：

步骤B1:将时间点总集合T₀中的时间点排序，去掉重复的时间点；得到时间点新集合，时间点新集合用T表示，T＝(T₁,T₂,…,Tp,…Ts)；Tp表示时间点新集合T中的其中一个时间点；p＝1～s；Ts表示时间点新集合T中的第s个时间点；时间点新集合T中共有s个时间点；

步骤B2:按如下方法处理视界总集合V和预置点总集合P，依次从时间点新集合T中取出时间点T_p，依次获取摄像头Ci，i＝1～n；再获取摄像头Cj；摄像头Cj表示摄像头集合C中的第j个摄像头，j＝1～n且j≠i；分别查找摄像头Ci和摄像头Cj在时间点T_p的视界V_CiTp和视界V_CjTp；如果视界V_CiTp和视界V_CjTp都存在且有相交，则删除视界V_CjTp,并删除其对应的预置点P_CjTp；

所述步骤A2通过如下的方法使摄像头Ci的所有预置点P_Citm的视界V_Citm互不相交；

步骤A21：按照设定的视角为摄像头Ci设置b个预置点；

步骤A22：判断第二个预置点P_Cit2的视界V_Cit2与第一个预置点P_Cit1的视界V_Cit1是否相交；如果相交，将第二个预置点P_Cit2的视界V_Cit2向远离第一个预置点P_Cit1的视界V_Cit1的方向每次转动Z度，Z由用户设定，直到不相交为止；

按照上述方法调摄像头Ci的所有预置点P_Citm的视界V_Citm；

步骤A23：判断第b个预置点P_Citb的视界V_Citb与预置点P_Cit1的视界V_Cit1是否相交；如果不相交，则a等于b，如果相交，删除第b个预置点P_Citb及其对应的视界V_Citb；则a等于b-1；

采用机器学习算法判断摄像头Ci的第二个预置点P_Cit2的视界V_Cit2与第一个预置点P_Cit1的视界V_Cit1是否相交；

该机器学习算法包括如下步骤：

步骤A221：使用AKAZE算法对视界V_Cit2、视界V_Cit1获取的照片提取特征点，取得特征点的方向、位置和大小信息；

步骤A222：使用SVD降维算法对特征点的方向、位置和大小信息进行投影降维处理；

步骤A223：使用FLANN based Matcher算法计算视界V_Cit2、视界V_Cit1的照片的特征点降维处理后的匹配个数和不匹配个数；

步骤A224：如果不匹配个数大于等于N倍匹配个数，N由经验值确定，则认为不匹配；否则，认为匹配；旋转此视界V_Cit2；

关于视界相关的处理过程，使用了机器学习算法来实现，其步骤如下：

步骤3：输入两个相交或不相交的视界照片，输出是否相交；

步骤3.1对两张图片，我们分别使用AKAZE算法提取特征点；AKAZE算法利用非线性扩散滤波的优势获取低计算要求的特征，引入快速显示扩散数学框架FED来快速求解偏微分方程，并同时引入一个高效的改进局部差分二进制描述符M-LDB；其输出为一个六元组：

[angle,class_id,octave,pt,response,size]

其中：

angle：角度，表示关键点的方向；

class_id：当要对图片进行分类时使用；

octave：代表是从金字塔哪一层提取得到的数据；

pt：关键点的坐标；

response：响应程度，代表着该关键点是该点角点的程度；

size：该点直径的大小；

步骤3.2：取得多个特征点的方向、位置和大小信息；由于可能存在特征维度过大的问题，为加快速度，我们使用了SVD降维算法：

标准的SVD降维算法公式表示如下：

M＝UΣV^T

假设M∈R^m×n,则U∈R^m×k,Σ∈R^k×k,V∈R^n×k、M∈R^m×n,其中k＝min(m,n)，U、V^k＝min(m,n)，U、V是正交单位矩阵,Σ是对角矩阵；采用相同的特征矩阵，对它们进行投影降维；

步骤3.3：然后，使用FLANN based Matcher来进行特征点匹配算法；用下面的方式定义最近邻搜索NNS问题：在一个度量空间X给定一组点Pt＝pt1,pt2,…,ptn，这些点必须通过以下方式进行预处理，给第一个新的查询点q属于X，快速在P中找到距离q最近的点，即最近邻搜索问题；

步骤3.4：结果筛选：过滤掉0.75以下的匹配值，这个数值是对多张风景区照片对比后的合适值；并给出对应的不匹配特征点；

如果不匹配点数大于等于8倍匹配点数，则认为不匹配；否则，认为匹配，放弃或旋转此视界。