首页 > 分享 > 基于图像处理的鸟种类和位置检测方法及系统与流程

基于图像处理的鸟种类和位置检测方法及系统与流程

萌宠菠菠乐园
2025-01-05 01:46

本发明涉及图像识别，尤其涉及一种基于图像处理的鸟种类和位置检测方法及系统。

背景技术：

1、在当前技术领域，图像处理技术已被广泛应用于生物多样性监测、环境保护以及野生动物研究中，特别是在鸟类监测研究中。通过高分辨率的摄像机和各种图像处理算法，研究人员能够自动化地识别和定位野生鸟类。现有的技术通常依赖于复杂的图像分析软件和算法，如边缘检测、特征提取和机器学习分类等，来处理和分析从自然环境中采集的鸟类图像。

2、然而，现有技术存在一些不足。由于自然环境的复杂性，背景噪声和光照变化常常导致鸟类图像的质量受到影响，使得传统的图像处理算法难以准确地从背景中分离鸟类图像。此外，传统方法在处理具有复杂背景的高分辨率图像时，往往计算量大、处理速度慢，难以满足实时或大规模监测的需求。这些限制减少了现有技术在野生动物监测和生物多样性研究中的应用效率和准确性。

技术实现思路

1、有鉴于此，本发明实施例提供了一种基于图像处理的鸟种类和位置检测方法及系统，用于提高基于图像处理的鸟种类和位置检测的准确率。

2、本发明提供了一种基于图像处理的鸟种类和位置检测方法，包括：对预先采集的鸟类栖息地图像集进行图像分割，得到包含鸟区区域的分割图像集；对所述分割图像集中每个分割图像进行harris角点检测，得到每个分割图像的harris角点数据；通过所述每个分割图像的harris角点数据分别对每个所述分割图像进行特征提取，得到每个所述分割图像的特征向量集，并分别对每个所述分割图像的特征向量集进行直方图相关性分析，得到每个所述分割图像的鸟类特征；将每个所述分割图像的鸟类特征输入预置的胶囊网络模型进行鸟类识别处理，得到鸟种类识别数据；基于所述鸟种类识别数据，分别对每个所述分割图像进行鸟类位置定位，得到每个所述分割图像对应的鸟类位置坐标；将所述鸟种类识别数据以及每个所述分割图像对应的鸟类位置坐标生成鸟类识别报告，并将所述鸟类识别报告传输至预置的数据展示终端。

3、在本发明中，所述对预先采集的鸟类栖息地图像集进行图像分割，得到包含鸟区区域的分割图像集步骤，包括：对预先采集的鸟类栖息地图像集进行颜色空间转换，得到颜色空间图像集；对所述颜色空间图像进行高斯模糊处理，得到平滑图像集；对所述平滑图像集进行梯度计算处理，得到梯度幅度图像集；对所述梯度幅度图像集进行双边滤波处理，得到初步去噪图像；对初步去噪图像进行多尺度分解处理，得到多尺度图像集；对所述多尺度图像集进行图像分割，得到包含鸟类区域的分割图像集。

4、在本发明中，所述对所述多尺度图像集进行图像分割，得到包含鸟类区域的分割图像集步骤，包括：对所述多尺度图像集进行像素采样处理，得到采样图像集，并对所述采样图像集进行灰度化处理，得到灰度图像集；对所述灰度图像集进行边缘检测，得到边缘图像集；对所述灰度图像集进行角点检测，得到角点图像集；对所述边缘图像集进行k-means聚类分析，得到第一聚类中心集；对所述角点图像集进行k-means聚类分析，得到第二聚类中心集；基于所述第一聚类中心集以及所述第二聚类中心集对所述多尺度图像集进行图像分割，得到初始分割图像集；对所述初始分割图像集进行背景剔除处理，得到所述包含鸟类区域的分割图像。

5、在本发明中，所述对所述分割图像集中每个分割图像进行harris角点检测，得到每个分割图像的harris角点数据步骤，包括：对所述分割图像集中每个分割图像进行x方向梯度计算，得到每个分割图像的x方向梯度数据；对所述分割图像集中每个分割图像进行y方向梯度计算，得到每个分割图像的y方向梯度数据；通过每个分割图像的x方向梯度数据以及每个分割图像的y方向梯度数据构建每个分割图像对应的梯度矩阵，其中，所述梯度矩阵的表达式如下所示：

6、

7、其中，ix为x方向梯度数据，iy为y方向梯度数据，m为梯度矩阵；

8、分别对每个分割图像对应的梯度矩阵进行harris响应计算，得到每个分割图像对应的梯度矩阵的harris响应值集，其中，所述harris响应值的表达式如下所示：

9、r＝det(m)-k*(trace(m))2；

10、其中，r为harris响应值，k为经验常数，det(m)为梯度矩阵m的行列式，trace(m)为梯度矩阵m的迹；

11、通过每个分割图像对应的梯度矩阵的harris响应值集分别对每个所述分割图像进行响应图构建，得到每个所述分割图像对应的响应图；分别对每个所述分割图像对应的响应图进行非极大值抑制处理，得到每个所述分割图像对应的初始角点图像；对每个所述分割图像对应的初始角点图像进行阈值处理，得到每个所述分割图像对应的阈值处理后的初始角点图像；分别对每个所述分割图像对应的阈值处理后的初始角点图像，得到每个分割图像的harris角点数据。

12、在本发明中，所述通过所述每个分割图像的harris角点数据分别对每个所述分割图像进行特征提取，得到每个所述分割图像的特征向量集，并分别对每个所述分割图像的特征向量集进行直方图相关性分析，得到每个所述分割图像的鸟类特征步骤，包括：通过每个分割图像的harris角点数据分别对每个所述分割图像进行角点定位，得到每个所述分割图像对应的特征点位置坐标集；基于每个所述分割图像对应的特征点位置坐标集，分别对每个所述分割图像中特征点周围的图像区域进行尺度空间构建，得到每个所述分割图像对应的图像金字塔；基于每个所述分割图像对应的特征点位置坐标集，分别对每个所述分割图像对应的图像金字塔进行特征点参数计算，得到每个所述分割图像对应的图像金字塔的特征点参数集，其中，所述特征点参数集包括：特征点梯度方向以及特征点幅度数据；分别将每个所述分割图像对应的图像金字塔的特征点参数集转换为每个所述分割图像对应的sift特征向量集；基于每个所述分割图像对应的特征点位置坐标集，分别对每个所述分割图像中特征点周围的图像区域进行hessian矩阵构建，得到每个所述分割图像对应的hessian矩阵；基于每个所述分割图像对应的hessian矩阵，分别对每个所述分割图像进行surf特征向量提取，得到每个所述分割图像对应的surf特征向量集；分别对每个所述分割图像对应的surf特征向量集以及每个所述分割图像对应的sift特征向量集进行特征融合，得到每个所述分割图像的特征向量集；分别对每个所述分割图像的特征向量集进行直方图相关性分析，得到每个所述分割图像的鸟类特征。

13、在本发明中，所述胶囊网络模型包括：初始层、卷积层、胶囊层、分类胶囊层，所述将每个所述分割图像的鸟类特征输入预置的胶囊网络模型进行鸟类识别处理，得到鸟种类识别数据步骤，包括：将每个所述分割图像的鸟类特征输入所述初始层进行特征归一化，得到每个所述分割图像的归一化鸟类特征，并分别对每个所述分割图像的归一化鸟类特征进行特征向量转换，得到每个所述分割图像的初始特征向量；将每个所述分割图像的初始特征向量输入所述卷积层进行卷积操作，得到每个所述分割图像的卷积特征向量，并分别对每个所述分割图像的卷积特征向量进行主成分分析，得到每个所述分割图像的降维特征向量；将每个所述分割图像的降维特征向量输入所述胶囊层进行胶囊单元构建，得到每个所述分割图像的胶囊单元，并对每个所述分割图像的胶囊单元进行特征提取，得到每个所述分割图像的初始胶囊特征；分别对每个所述分割图像的初始胶囊特征进行动态路由处理，得到每个所述分割图像的目标胶囊特征；将每个所述分割图像的目标胶囊特征输入所述分类胶囊层进行分类处理，得到每个所述分割图像对应的分类概率数据；通过每个所述分割图像对应的分类概率数据匹配每个所述分割图像对应的鸟种类识别标签，并根据每个所述分割图像对应的鸟种类识别标签生成所述鸟种类识别数据。

14、在本发明中，所述基于所述鸟种类识别数据，分别对每个所述分割图像进行鸟类位置定位，得到每个所述分割图像对应的鸟类位置坐标步骤，包括：根据每个所述分割图像对应的鸟种类识别标签，分别对每个所述分割图像进行鸟类区域标定，得到每个所述分割图像对应的目标鸟类区域；分别对每个所述分割图像对应的目标鸟类区域进行几何中心计算，得到每个所述分割图像对应的目标鸟类区域的几何中心坐标；通过每个所述分割图像对应的目标鸟类区域的几何中心坐标，分别对每个目标鸟类区域进行最小外接矩形构建，得到每个所述目标鸟类区域对应的最小外接矩形；通过每个目标鸟类区域以及每个所述目标鸟类区域对应的最小外接矩形进行顶点坐标分析，得到每个所述分割图像对应的顶点坐标数据；通过每个所述分割图像对应的顶点坐标数据分别对每个所述分割图像进行鸟类位置定位，得到每个所述分割图像对应的鸟类位置坐标。

15、本发明还提供了一种基于图像处理的鸟种类和位置检测系统，包括：

16、分割模块，用于对预先采集的鸟类栖息地图像集进行图像分割，得到包含鸟区区域的分割图像集；

17、检测模块，用于对所述分割图像集中每个分割图像进行harris角点检测，得到每个分割图像的harris角点数据；

18、提取模块，用于通过所述每个分割图像的harris角点数据分别对每个所述分割图像进行特征提取，得到每个所述分割图像的特征向量集，并分别对每个所述分割图像的特征向量集进行直方图相关性分析，得到每个所述分割图像的鸟类特征；

19、处理模块，用于将每个所述分割图像的鸟类特征输入预置的胶囊网络模型进行鸟类识别处理，得到鸟种类识别数据；

20、定位模块，用于基于所述鸟种类识别数据，分别对每个所述分割图像进行鸟类位置定位，得到每个所述分割图像对应的鸟类位置坐标；

21、生成模块，用于将所述鸟种类识别数据以及每个所述分割图像对应的鸟类位置坐标生成鸟类识别报告，并将所述鸟类识别报告传输至预置的数据展示终端。

22、本发明提供的技术方案中，通过对预先采集的鸟类栖息地图像集进行图像分割，得到包含鸟类区域的分割图像集，能够准确分离出鸟类区域，提高了图像处理的初始精度。具体来说，采用颜色空间转换、高斯模糊处理、梯度计算、双边滤波、多尺度分解以及k-means聚类分析等技术手段，逐层细化和优化图像处理，使得最终得到的分割图像集能够更清晰地突出鸟类区域，对分割图像集中每个分割图像进行harris角点检测，得到每个分割图像的harris角点数据。这一步骤通过对每个分割图像进行x方向和y方向的梯度计算，构建梯度矩阵，进而计算harris响应值，并进行非极大值抑制和阈值处理，准确定位出每个分割图像的关键角点。这种方法能够有效捕捉图像中的重要特征点，为特征提取提供了高质量的数据输入。通过所述每个分割图像的harris角点数据分别对每个分割图像进行特征提取，得到每个分割图像的特征向量集，并分别对每个分割图像的特征向量集进行直方图相关性分析，得到每个分割图像的鸟类特征。这一过程结合了sift(尺度不变特征变换)和surf(加速鲁棒特征)算法，提取图像的局部和全局特征，并通过直方图相关性分析筛选和匹配特征，生成具有高辨识度的特征向量集，从而增强了鸟类特征的描述能力和唯一性。将每个分割图像的鸟类特征输入预置的胶囊网络模型进行鸟类识别处理，得到鸟种类识别数据。胶囊网络模型能够捕捉特征之间的空间关系，提供更鲁棒的特征表示，避免了传统卷积神经网络可能存在的信息丢失问题。通过对特征向量进行归一化、卷积处理、胶囊单元构建和动态路由处理，最终在分类胶囊层中进行精确的鸟类种类分类，从而提高了种类识别的准确性和可靠性。基于所述鸟种类识别数据，分别对每个分割图像进行鸟类位置定位，得到每个分割图像对应的鸟类位置坐标。这一过程中，通过几何中心计算和最小外接矩形构建确定鸟类的初步位置，再结合深度回归网络和图像金字塔技术进行多尺度位置检测和预测，最终得到精确的鸟类位置坐标。这种方法不仅确保了位置定位的准确性，同时也提高了处理速度，能够适应实时监测的需求。将所述鸟种类识别数据以及每个分割图像对应的鸟类位置坐标生成鸟类识别报告，并将所述鸟类识别报告传输至预置的数据展示终端。通过这种方式，用户能够直观地获取鸟类的种类和位置信息。