[发明专利]一种滨海湿地鸟类检测方法

摘要

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。

主权项

1.一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图；具体执行如下操作：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，得到每一阶段的特征图；A2.选取步骤A1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图；B.采用感兴趣区域生成网络提取多个感兴趣区域，具体执行操作B1～B4：B1.步骤A中得到的高分辨率特征图大小与原图大小比例设为1/n，在原图中每隔n个像素点生成多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进行计算，得到各个位置候选框的预测为前景的得分与候选框平移缩放参数；所述前景指含有鸟类目标；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；B4.采用机器学习中的监督学习方法进行训练，在训练时，采用交叉熵损失函数和SmoothL1损失函数评估各个位置候选框分类结果和候选框平移缩放结果；C.采用区域对象网络选取得到多个存在目标鸟类的前景区域，具体执行如下操作：C1.根据步骤A中得到的高分辨率特征图，通过区域对象网络的计算得到对象图；对象图中每个像素的像素值表示对象区域是否含有鸟类目标的预测概率值；若含有鸟类目标为前景目标，反之为背景；C2.确定对象区域的大小：具体根据步骤A中得到的高分辨率特征图与原图大小比例1/n，每隔n个像素点，将原图划分为多个对象区域，建立高分辨率特征图与对象区域的映射；C3.在训练时，设定面积比值，若对象区域与前景目标重叠区域的面积与对象区域面积的比值超过所设定的面积比值，则认为此对象区域为前景区域；否则为背景区域；D.结合步骤B3得到前景感兴趣区域与步骤C1得到的前景对象区域，保留在前景区域位置的感兴趣区域；E.根据输入的滨海湿地鸟类图片中步骤D得到的前景区域位置的感兴趣区域到步骤A得到的高分辨率特征图的映射关系，在高分辨率特征图中找到感兴趣区域对应的特征框，并将这些特征框统一到固定大小；F.将特征框经过卷积神经网络多个卷积层的卷积操作和池化层的池化操作，得到固定大小的特征向量，利用所述特征向量通过计算得到预测为鸟类的得分和感兴趣区域平移缩放参数，进一步地，通过感兴趣区域平移缩放参数得到最终的识别框；G.将步骤F中得到的分类得分和识别框进行非极大值抑制处理，获得滨海湿地鸟类目标检测和识别结果，由此识别滨海湿地鸟类目标。