[发明专利]一种基于递归多特征融合的野生动物出没检测方法

说明书

本发明公开一种基于递归多特征融合的野生动物出没检测方法，利用自然保护区内设置的摄像头采集视频并对视频进行抽帧处理获取到大量图片，将图片作为样本数据集，对样本数据集中样本图片的每个动物进行类别标注；建立融合递归Re‑BiFPN结构的Cascade R‑CNN目标检测模型；利用样本数据集对所建立的目标检测模型进行训练，获得野生动物出没检测模型；将自然保护区摄像头采集到的视频图片输入野生动物出没检测模型进行野生动物检测。本发明能够有效提升网络的特征提取能力，提高野生动物目标检测的准确率，可以在动物被遮挡、光线条件不好等不良视频采集情况下有效识别出野生动物。

技术领域

本发明属于野生动物检测技术领域，特别是涉及一种基于递归多特征融合的野生动物出没检测方法。

背景技术

野生动物在生态系统的物种组成中占据着重要地位，自然保护区中对野生动物资源的保护是保护生态平衡的重要一环。对野生动物而言，保护其个体，能有效控制野生动物的数量，可以彰显野生动物保护成效，并警示野生动物保护的现状。因此，野生动物信息的采集与分析是掌握野生动物生存状态的重要手段。当下对野生动物的检测保护是通过在自然保护区内部署大量的摄像头设备进行定点录像并将录像保存下来。然而，由于摄像设备的特性和环境因素的影响，比如落叶、下雨、风等因素都会触发摄像头的录像功能，大量没有野生动物出没的视频也会保存下来。这就需要大量的人工进行视频筛选，挑选出视频中有动物的片段。视频筛选人员是一个压力密集型的工作，长期处于高压高强度的工作环境会出现野生动物出没的误检、漏检，而频繁换班雇佣大量的人员进行视频筛选需要消耗大量的人力资源。因此，利用深度学习技术帮助研究人员检测视频中野生动物的出没情况，提高工作效率具有重要意义。

近年来，国内外研究学者在野生动物领域做了一系列的分类与检测识别研究工作。随着计算机视觉和深度学习算法的进一步发展，目标检测算法凭借较高的准确率和较快的检测速度，开始应用于各行各业。基于深度学习的目标检测网络包括两种类型：一类是two-stage检测算法，典型的方法包括R-CNN系列算法以及基于R-CNN算法的各种改进算法；另一类是one-stage检测算法，比如SSD及其衍生网络、YOLO系列算法。相比YOLO等一阶段算法，二阶段算法的检测准确率更高。而Cascade R-CNN是通过级联三个检测网络达到不断优化预测结果的目的，与普通级联不同的是，Cascade R-CNN的三个检测网络是基于不同IOU阈值确定的正负样本上训练得到的。

然而在自然保护区的实际应用场景下，存在野生动物被遮挡的情况，动物毛发的颜色和树木等背景颜色比较相近，除此之外部分动物喜欢在夜晚出没，这些都不利于Cascade R-CNN网络提取动物的特征从而影响模型检测的准确率。因此，如何提高野生动物目标检测的准确率，成为本领域技术人员继续解决的问题。

发明内容

为了解决上述问题，本发明提出了一种基于递归多特征融合的野生动物出没检测方法，能够有效提升网络的特征提取能力，提高野生动物目标检测的准确率，可以在动物被遮挡、光线条件不好等不良视频采集情况下有效识别出野生动物。

为达到上述目的，本发明采用的技术方案是：一种基于递归多特征融合的野生动物出没检测方法，包括步骤：

步骤1：利用自然保护区内设置的摄像头采集视频并对视频进行抽帧处理获取到大量图片，将图片作为样本数据集，对样本数据集中样本图片的每个动物进行类别标注；

步骤2：建立融合递归Re-BiFPN结构的Cascade R-CNN目标检测模型；

步骤3：利用样本数据集对所建立的目标检测模型进行训练， 获得野生动物出没检测模型；

步骤4：将自然保护区摄像头采集到的视频图片输入野生动物出没检测模型进行野生动物检测。