申请/专利权人：百鸟数据科技(北京)有限责任公司

申请日：2023-07-13

公开（公告）日：2024-06-18

公开（公告）号：CN116935310B

主分类号：G06V20/52

分类号：G06V20/52;G06V20/40;G06V10/26;G06V10/774;G06V10/82;G06N3/045;G06N3/0464;G06N3/09

优先权：

专利状态码：有效-授权

法律状态：2024.06.18#授权;2023.11.10#实质审查的生效;2023.10.24#公开

摘要：本发明适用于图像识别技术领域，尤其涉及基于深度学习的实时视频监控鸟类密度估计方法及系统，所述方法包括：获取场景视频，基于场景视频提取并拼接得到站点全景照片；对采集得到站点全景照片进行数据过滤，构建用于神经网络训练的数据集；对数据集进行预处理，并构建标签与数据集之间的映射关系；构建全景鸟类数量统计网络模型并进行训练，将需要统计的全景鸟类密度图输入至全景鸟类数量统计网络模型，并计算鸟类总数量。本发明可以有效地改进神经网络对图像特征的提取，解决了随着神经网络的深入而退化和难以训练和收敛的问题，生成密度图标签的自适应高斯模糊算法：可以根据鸟类总数，显示给定图像中鸟类的空间分布。

主权项：1.一种基于深度学习的实时视频监控鸟类密度估计方法，其特征在于，所述方法包括：获取场景视频，基于场景视频提取并拼接得到站点全景照片；对采集得到站点全景照片进行数据过滤，构建用于神经网络训练的数据集；对数据集进行预处理，并构建标签与数据集之间的映射关系；构建全景鸟类数量统计网络模型并进行训练，将需要统计的全景鸟类密度图输入至全景鸟类数量统计网络模型，并计算鸟类总数量，所述全景鸟类数量统计网络模型包括三部分结构，分别为图像裁剪模块、深度密度估计网络和concat操作模块，所述图像裁剪模块对数据集中站点全景照片进行缩放和裁剪，得到N个最小处理图像单元，其中最小处理图像单元的数量N通过以下公式确定： 其中，x和y为输入的站点全景照片的真实像素值，x0为第一像素数量，y0为第二像素数量，为固定像素值余数，用于调整y方向比例的大小，深度密度估计网络通过高斯模糊算法生成密度图标签，具体包括生成一个与原始图像具有精确分辨率的二维矩阵，通过输入输出分辨率比对坐标进行变换，通过delta函数将转换后的标签坐标xi设置为1，公式如下： 通过二维高斯核与delta函数进行卷积，并通过K近邻算法对透视变形进行处理，深度密度估计网络的工作过程包括前端特征提取和后端密度图生成两部分，深度密度估计网络采用深度残差网络进行前端特征提取，通过无底残差网络并进行短路连接对深度神经网络进行扩展，采用ResNet34网络作为前端的前端特征提取的部分，与后端的后端密度图的部分进行衔接，移除ResNet的连接层，后端密度图的部分中，采用孔卷积。

全文数据：

权利要求：

百度查询： 百鸟数据科技(北京)有限责任公司 基于深度学习的实时视频监控鸟类密度估计方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD