[发明专利]一种基于自上而下深度学习架构的昆虫关键点自动标注方法及应用

权利要求书

1.一种基于自上而下深度学习架构的昆虫关键点自动标注方法，其特征在于，包括以下步骤：

(1)从原始图像中分割出交互单元的轮廓并确定其范围；

(2)从每个交互单元轮廓中分割出昆虫个体的椭圆区域，并在椭圆区域外分割出矩形区域，在该矩形区域内对椭圆区域进行处理得到中心化图像；

(3)对中心化图像中的昆虫个体进行人工标注关键点，得到昆虫个体关键点的数据集，以该数据集为训练集构建神经网络模型；

(4)对待处理原始图像进行步骤(1)和(2)处理，得到待标注中心化图像，利用上述神经网络模型对待标注中心化图像自动标注关键点；

(5)对已标注关键点的中心化图像进行处理，得到关键点在对应交互单元轮廓中的坐标。

2.根据权利要求1所述的基于自上而下深度学习架构的昆虫关键点自动标注方法，其特征在于，步骤(1)中，采用计算机图形学技术识别出原始图像中各个交互单元的轮廓并确定其范围。

3.根据权利要求1所述的基于自上而下深度学习架构的昆虫关键点自动标注方法，其特征在于，步骤(2)中，获得昆虫个体的椭圆区域时，首先采用灰度阈值分割法得到一个或多个连通区域，再对各连通区域拟合椭圆，得到所述椭圆区域。

4.根据权利要求3所述的基于自上而下深度学习架构的昆虫关键点自动标注方法，其特征在于，采用灰度阈值分割法获得连通区域时：

当得到的连通区域个数等于对应交互单元中已知昆虫的个数时，直接对每个连通区域拟合一个椭圆；

当得到的连通区域个数小于对应交互单元中已知昆虫的个数时，采用高斯混合模型进行分割，得到个数与已知昆虫个数相同的高斯分布，对所有高斯分布的协方差矩阵分解得到椭圆。

5.根据权利要求3所述的基于自上而下深度学习架构的昆虫关键点自动标注方法，其特征在于，采用灰度阈值分割法获得连通区域时，去除面积小于设定值的连通区域后再计算获得的连通区域个数。

6.根据权利要求1所述的基于自上而下深度学习架构的昆虫关键点自动标注方法，其特征在于，步骤(2)中，在矩形区域内对椭圆区域进行处理得到中心化图像的具体操作如下：

通过平移和旋转，使椭圆区域的中心点位于矩形区域的中心，使其长轴处于竖直状态，得到以昆虫个体为中心的矩形中心化图像。

7.根据权利要求1所述的基于自上而下深度学习架构的昆虫关键点自动标注方法，其特征在于，步骤(3)中，对中心化图像中的昆虫进行人工标注关键点时，若出现昆虫个体重叠的情况，只标注位于中心化图像中心的昆虫个体的关键点。

8.根据权利要求1所述的基于自上而下深度学习架构的昆虫关键点自动标注方法，其特征在于，步骤(3)中，得到数据集后，将数据集分为训练集和验证集两组，训练集用于构建神经网络模型，验证集用于对构建的神经网络模型进行验证。

9.根据权利要求1所述的基于自上而下深度学习架构的昆虫关键点自动标注方法，其特征在于，步骤(4)中，采用多进程处理流程进行关键点自动标注。

10.一种如权利要求1～9中任一项所述的基于自上而下深度学习架构的昆虫关键点标注方法在昆虫行为识别中的应用。