[发明专利]一种基于TPP-TCCNN的海洋鱼类识别方法

说明书

本发明提供一种基于TPP‑TCCNN的海洋鱼类识别方法，包括下列步骤：采集包含多种鱼类的原始视频，将所述原始视频划分为训练集以及测试集，并对所述训练集的鱼类视频信息进行预处理；对预处理后的鱼类视频信息进行特征提取，获取光流图像；建立双通道卷积神经网络，以光流图像以及RGB图像输入带有金字塔池化层的双通道卷积神经网络中进行训练，获得输出特征，所述RGB图像中所包含的鱼类信息与所述原始视频中的一致；通过softmax分类模型对所述输出特征进行分类训练；将测试集中的鱼类视频信息输入到最终的softmax分类模型中，得到鱼类分类结果。

技术领域

本发明涉及鱼类识别技术领域，尤其涉及一种基于TPP-TCCNN的海洋鱼类识别方法。

背景技术

随着计算机科学技术的迅猛发展，人工智能应用到各个研究领域中。目前科研人员出海捕鱼，采集样本数据，仍需要人工进行分拣，过程十分繁琐，场景比较复杂，且消耗时间成本十分巨大，在海洋智能监控领域，针对视频画面中的鱼的种类的识别拥有广泛的应用前景。不仅能开发利用鱼类资源，也为发展海洋渔业生产起到了非常积极的作用，具有重大的学术研究意义和经济效益。

近年来，国内外研究者对机器视觉技术在鱼类分类识别上的应用进行了大量的研究，传统的目标检测算法利用采集到的图片特征信息，然后通过特征对比，判断是否是对应类型的图片。各个类别的特征都需要进行比较，因此传统算法的操作方式效率非常低。海洋鱼类分类识别涉及到基于特征值、支持向量机、CNN等方法。在各项分类方法中，基于特征值的分类算法比较简单并且易于操作，缺点是识别准确度较低；支持向量机的操作灵活多变，分类准确度很高，但是很难实现大规模数据集的训练、还需要进行人工选择特征值；相比之下，卷积神经网络(Convolutional Neural Network，CNN)具备独立学习的能力，分类精确度更高，鲁棒性更好。缺点是卷积神经网络需要取得大量的训练数据，随着神经网络层数和训练次数epoch的增加，网络计算的复杂度会增加，训练模型的时间会加长。随着网络的深入，训练集准确度会下降，影响最终分类精确度。

目前，基本的深度学习网络模型只能实现在识别时序跨度比较短的视频进行类别判断，对持续时间长的视频存在分类识别率较低的问题。

发明内容

本发明的目的在于提供一种基于TPP-TCCNN的海洋鱼类识别方法，以解决上述背景技术中提出的问题。

本发明是通过以下技术方案实现的：本发明公开了一种基于TPP-TCCNN的海洋鱼类识别方法，包括下列步骤：

采集包含多种鱼类的原始视频，将所述原始视频划分为训练集以及测试集，并对所述训练集的鱼类视频信息进行预处理；

对预处理后的鱼类视频信息进行特征提取，获取光流图像；

建立双通道卷积神经网络，以光流图像以及RGB图像输入带有金字塔池化层的双通道卷积神经网络中进行训练，获得输出特征，所述RGB图像中所包含的鱼类信息与所述原始视频中的一致；

通过softmax分类模型对所述输出特征进行分类训练；

将测试集中的鱼类视频信息输入到最终的softmax分类模型中，得到鱼类分类结果；

所述对预处理后的鱼类视频信息进行特征提取，获取光流图像，包括：

建立约束方程：

I(x+dx,y+dy,t+dt)＝I(x,y,t)

式中，I代表每个帧画面中的灰度值信息，x、y、t代表光流方向；

将所述约束方程根据泰勒定理展开：

式中表示光流向量x方向上的分量，表示光流向量y方向上的分量,分别代表x,y,t三个方向上的微分；