基于DeepID-Net算法的生态生物识别方法与流程

基于deepid-net算法的生态生物识别方法
技术领域
1.本发明涉及生物识别技术领域，尤其涉及基于deepid-net算法的生态生物识别方法。


背景技术：

2.生物识别技术随着计算机技术的不断发展而得到了广泛应用，其中，生物识别技术是指，通过计算机与光学、声学、生物传感器以及生物统计学原理等手段相结合，利用生物固有的生理特性和行为特征来进行生物身份验证的技术。现有的生态生物在进行识别时，容易因为局部纹理而被误导，容易造成识别错误，识别精准度不高，具有局限性。


技术实现要素：

3.基于背景技术存在的技术问题，本发明提出了基于deepid-net算法的生态生物识别方法。
4.本发明提出的基于deepid-net算法的生态生物识别方法，包括如下步骤：
5.s1发起生态生物识别请求，根据请求在生态环境中采集生物图像数据；
6.s2采用图像归一法和图像增强法对采集的生物图像数据进行预处理，得到预处理后的生物图像数据；
7.s3通过deepid-net算法对预处理后的生物图像数据进行目标检测；
8.s31选择性搜索；
9.s32边界框拒绝；
10.s33使用对象级注释进行预训练；
11.s34形变约束池化层；
12.s35场景建模；
13.s36模型平均；
14.s37边界框回归；
15.s4将检测后的生物图像数据进行生态生物识别。
16.优选的，所述步骤s31首先，颜色相似性、纹理相似性、区域大小和区域填充被用作非基于对象的分割，获得许多小的分割区域，然后，使用自下而上的方法将小的分割区域合并在一起，以形成更大的分段区域，生成大约2k个区域提议。
17.优选的，所述步骤s32的边界框拒绝通过r-cnn拒绝最有可能是背景的边界框。
18.优选的，所述步骤s33预训练是在对象级注释上进行的，预训练是基于图像层次的注释。
19.优选的，所述步骤s34形变约束池化层的形变约束方程式为：
[0020][0021][0022]
对于形变约束路径，conv5的输出经过卷积层，然后经过形变约束层，然后有一个最大池化层，形变约束池层学习具有不同大小和语义含义的对象部分的变形，通过训练这个形变约束池层，如果待检测对象的对象部分靠近它们的锚点，则在形变约束池层之后将给出高的激活值，这个输出将连接到200个类别分数以改进。
[0023]
优选的，所述步骤s35场景建模用于对1000个类别对象进行分类和本地化，通过分类网络获得的1000个类分数用于细化200级分数。
[0024]
优选的，所述步骤s35使用多个模型来提高精度，并对所有模型的结果进行平均。
[0025]
优选的，所述步骤s36边界框回归用于微调已在r-cnn中使用的边界框位置。
[0026]
本发明中，所述基于deepid-net算法的生态生物识别方法，通过设置deepid-net算法，使得检测分类会更加准确，不会因为局部纹理而被误导，能够有效的提高生物识别的精度。
附图说明
[0027]
图1为本发明提出的基于deepid-net算法的生态生物识别方法的流程图；
[0028]
图2为本发明提出的基于deepid-net算法的生态生物识别方法的deepid-net算法检测流程图。
具体实施方式
[0029]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
[0030]
参照图1-2，基于deepid-net算法的生态生物识别方法，包括如下步骤：
[0031]
s1发起生态生物识别请求，根据请求在生态环境中采集生物图像数据；
[0032]
s2采用图像归一法和图像增强法对采集的生物图像数据进行预处理，得到预处理后的生物图像数据；
[0033]
s3通过deepid-net算法对预处理后的生物图像数据进行目标检测；
[0034]
s31选择性搜索；
[0035]
s32边界框拒绝；
[0036]
s33使用对象级注释进行预训练；
[0037]
s34形变约束池化层；
[0038]
s35场景建模；
[0039]
s36模型平均；
[0040]
s37边界框回归；
[0041]
s4将检测后的生物图像数据进行生态生物识别。
[0042]
本发明中，步骤s31首先，颜色相似性、纹理相似性、区域大小和区域填充被用作非基于对象的分割，获得许多小的分割区域，然后，使用自下而上的方法将小的分割区域合并在一起，以形成更大的分段区域，生成大约2k个区域提议。
[0043]
本发明中，步骤s32的边界框拒绝通过r-cnn拒绝最有可能是背景的边界框。
[0044]
本发明中，步骤s33预训练是在对象级注释上进行的，预训练是基于图像层次的注释。
[0045]
本发明中，步骤s34形变约束池化层的形变约束方程式为：
[0046][0047][0048]
对于形变约束路径，conv5的输出经过卷积层，然后经过形变约束层，然后有一个最大池化层，形变约束池层学习具有不同大小和语义含义的对象部分的变形，通过训练这个形变约束池层，如果待检测对象的对象部分靠近它们的锚点，则在形变约束池层之后将给出高的激活值，这个输出将连接到200个类别分数以改进。
[0049]
本发明中，步骤s35场景建模用于对1000个类别对象进行分类和本地化，通过分类网络获得的1000个类分数用于细化200级分数。
[0050]
本发明中，步骤s35使用多个模型来提高精度，并对所有模型的结果进行平均。
[0051]
本发明中，步骤s36边界框回归用于微调已在r-cnn中使用的边界框位置。
[0052]
本发明：发起生态生物识别请求，根据请求在生态环境中采集生物图像数据；采用图像归一法和图像增强法对采集的生物图像数据进行预处理，得到预处理后的生物图像数据；通过deepid-net算法对预处理后的生物图像数据进行目标检测；将检测后的生物图像数据进行生态生物识别。
[0053]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。


技术特征：
1.基于deepid-net算法的生态生物识别方法，其特征在于，包括如下步骤：s1发起生态生物识别请求，根据请求在生态环境中采集生物图像数据；s2采用图像归一法和图像增强法对采集的生物图像数据进行预处理，得到预处理后的生物图像数据；s3通过deepid-net算法对预处理后的生物图像数据进行目标检测；s31选择性搜索；s32边界框拒绝；s33使用对象级注释进行预训练；s34形变约束池化层；s35场景建模；s36模型平均；s37边界框回归；s4将检测后的生物图像数据进行生态生物识别。2.根据权利要求1所述的基于deepid-net算法的生态生物识别方法，其特征在于，所述步骤s31首先，颜色相似性、纹理相似性、区域大小和区域填充被用作非基于对象的分割，获得许多小的分割区域，然后，使用自下而上的方法将小的分割区域合并在一起，以形成更大的分段区域，生成大约2k个区域提议。3.根据权利要求1所述的基于deepid-net算法的生态生物识别方法，其特征在于，所述步骤s32的边界框拒绝通过r-cnn拒绝最有可能是背景的边界框。4.根据权利要求1所述的基于deepid-net算法的生态生物识别方法，其特征在于，所述步骤s33预训练是在对象级注释上进行的，预训练是基于图像层次的注释。5.根据权利要求1所述的基于deepid-net算法的生态生物识别方法，其特征在于，所述步骤s34形变约束池化层的形变约束方程式为：步骤s34形变约束池化层的形变约束方程式为：对于形变约束路径，conv5的输出经过卷积层，然后经过形变约束层，然后有一个最大池化层，形变约束池层学习具有不同大小和语义含义的对象部分的变形，通过训练这个形变约束池层，如果待检测对象的对象部分靠近它们的锚点，则在形变约束池层之后将给出高的激活值，这个输出将连接到200个类别分数以改进。6.根据权利要求1所述的基于deepid-net算法的生态生物识别方法，其特征在于，所述步骤s35场景建模用于对1000个类别对象进行分类和本地化，通过分类网络获得的1000个类分数用于细化200级分数。7.根据权利要求1所述的基于deepid-net算法的生态生物识别方法，其特征在于，所述步骤s35使用多个模型来提高精度，并对所有模型的结果进行平均。8.根据权利要求1所述的基于deepid-net算法的生态生物识别方法，其特征在于，所述
步骤s36边界框回归用于微调已在r-cnn中使用的边界框位置。

技术总结
本发明公开了基于DeepID-Net算法的生态生物识别方法，包括如下步骤：发起生态生物识别请求，根据请求在生态环境中采集生物图像数据；采用图像归一法和图像增强法对采集的生物图像数据进行预处理，得到预处理后的生物图像数据；通过DeepID-Net算法对预处理后的生物图像数据进行目标检测；将检测后的生物图像数据进行生态生物识别。本发明通过设置DeepID-Net算法，使得检测分类会更加准确，不会因为局部纹理而被误导，能够有效的提高生物识别的精度。度。度。


技术研发人员：杨志峰 沈永明 张远 蔡宴朋
受保护的技术使用者：澜途集思（深圳）数字科技有限公司
技术研发日：2022.03.17
技术公布日：2022/6/4