《基于计算机视觉的动物多样性监测方法.pdf》由会员分享，可在线阅读，更多相关《基于计算机视觉的动物多样性监测方法.pdf（11页完整版）》请在专利查询网上搜索。
1、(10)申请公布号 CN 102436656 A (43)申请公布日 2012.05.02 CN 102436656 A *CN102436656A* (21)申请号 201110259617.1 (22)申请日 2011.09.05 G06T 7/00(2006.01) G06T 7/20(2006.01) (71)申请人 同济大学 地址 200092 上海市杨浦区上海市四平路 1239 号 (72)发明人 林开颜 杨学军 (74)专利代理机构 上海正旦专利代理有限公司 31200 代理人 张磊 (54) 发明名称 基于计算机视觉的动物多样性监测方法 (57) 摘要 本发明涉及一种基于计算机。
2、视觉的动物多样 性监测方法， 用于城市绿地的动物多样性测量领 域。针对城市绿地的动物多样性人工测量费时费 力， 而且无法做到常年全天候监测的问题， 本发明 将计算机视觉技术应用于城市绿地的动物多样 性监测， 通过构建计算机视觉监控系统， 对绿地 出现的动物先又用运动检测算法获取动物图像， 再利用模糊 C 均值聚类进行图像分割， 然后对分 割后的图像利用数学形态学运算去除噪声， 并利 用 BLOB 分析过滤掉形态学算子不能去除的块以 及获取动物的形状及图像， 然后统计动物大小、 颜 色、 形状、 纹理等识别特征， 计算其出现的时间、 种 类、 数量、 频次， 实现全天候、 无人值守的监测， 为 。
3、城市的动物多样性测量提供技术手段， 具有广阔 的应用前景。 (51)Int.Cl. (19)中华人民共和国国家知识产权局 (12)发明专利申请 权利要求书 2 页 说明书 6 页 附图 2 页 CN 102436663 A1/2 页 2 1. 一种基于计算机视觉的动物多样性监测方法， 其特征在于具体步骤如下 ： (1) 当视觉系统利用运动检测算法检测到有动物时， 获取动物图像， 对获取的动物图像 进行图像预处理 ； (2) 确定图像分割数目， 利用模糊 C 均值聚类算法进行图像分割 ； (3) 分割后的二值图像存在大量噪声， 利用数学形态学运算去除噪声 ； (4) 利用 BLOB 分析抽取动物。
4、图像， 对抽取的动物图像进行存储， 计算其纹理、 形状、 尺 寸和颜色特征， 利用得到的这些特征进行识别， 并统计出现的时间、 频率、 数量、 种类的等相 关信息， 建立特征库， 实现动物多样性监测。 2.根据权利要求1所述的监测方法， 其特征在于步骤(1)中所述运动检测算法具体为， 计算机视觉系统连续的对场景进行监控， 当监测到有动物出现时， 就拍下其照片以获取图 像进行处理 ； 运动检测利用背景减除方法判断动物是否出现 ； 背景减除的方法是， 对于当 前帧图像和背景图像在坐标处 （x,y） 的灰度值之差大于给定阈值 T， 就认 为该点是运动的点， 即， 对一帧图像， 统计上式中非零像素点的。
5、个数， 当其值超过一定数值时就认为目标出现， 即检测到运动物体， 此时获取图像进行处理。 3. 根据权利要求 1 所述的监测方法， 其特征在于步骤 (2) 中所述确定图像分割数目是 利用主分量变换将图像 RGB 数据进行变换， 利用尺度空间滤波器对主分量直方图进行分析 以确定其直方图峰的个数， 据此得出图像的区域分割数。 4. 根据权利要求 1 所述的监测方法， 其特征在于图像分割主要是对彩色图像进行分 割， 步骤 (2) 中图像分割是指利用 FCM 算法实现彩色图像的分割， 直接利用图像像素点的 RGB数值进行聚类， 距离的计算则采用CIE空间中的欧式距离得出的， 通过利用英伟达CUDA 的。
6、图像处理单元来提高 FCM 算法的运算速度。 5. 根据权利要求 1 所述的监测方法， 其特征在于步骤 (3) 中所述分割后去除噪声， 图 像经过 FCM 算法后得到一个二值图像， 背景可能出现与动物颜色接近的像素点， 采用数学 形态学来滤波和提取动物边缘轮廓， 数学形态学的基本运算包含腐蚀、 膨胀、 开运算和闭运 算 ； 开运算作为数学形态学算子可以用于平滑目标边界和去除小的目标， 即噪声， 图像 X 利用结构元素 B 进行开运算表示为， 其中 ： X 为分割后的二值图像， B 为结构元素， 开运算其实是先利用结构元素对图像进 行腐蚀运算后在进行膨胀运算， 腐蚀和膨胀都是数学形态学算子 ； 。
7、腐蚀运算表示为， 膨胀运算表示为，。 6.根据权利要求1所述的监测方法， 其特征在于步骤(4)中所述BLOB分析利用两次扫 描法对数学形态学滤波后的图像进行标记， 对标记后的图像， 滤掉比较大的噪音区块和获 取各个目标的图像用于特征提取。 7. 根据权利要求 1 所述的监测方法， 其特征在于步骤特征提取综合动物的形状、 大小、 权 利 要 求 书 CN 102436656 A CN 102436663 A2/2 页 3 颜色和纹理特征， 设计特征向量进行识别， 颜色特征利用平均颜色反映其基本颜色、 颜色方 差反映其颜色变化 ； 利用矩形度、 细长度和紧致度反映其形态特征 ； 矩形度定义如下， 。
8、A 为目标面积， a,b 分别为外界矩形的长和宽 ； 紧致度定义为 紧致度 =， L 为周长， A 为面积 ； 细长度用目标区域外键矩形的长宽比来表示。 权 利 要 求 书 CN 102436656 A CN 102436663 A1/6 页 4 基于计算机视觉的动物多样性监测方法 技术领域 0001 本发明属于动物多样性监测领域， 具体涉及一种基于计算机视觉的动物多性样监 测方法。 背景技术 0002 随着城市建设的不断推进， 作为生物多样性载体的绿地系统遭到破坏， 人类赖以 生存的生物多样性受到了严重的威胁， 一些国际公约， 如 生物多样性公约 和 二十一世纪 议程 等， 要求缔约国对其生。
9、物多样性进行监测和保护。保护生物多样性， 是一项事关城市 可持续发展的重要任务， 而生物多样性监测是生物多样性保护和资源管理的首要任务 生物多样性监测是生物多样性保护和资源管理的基本步骤， 生物多样性评价是一种最 普通的生态系统监测， 物种丰富及均匀性测度 ( 香农多样性指数 ) 是最能反映某一地方环 境整体健康程度的指标 1。动物多样性测量通常是依赖于重复的、 高强度的地面调查来 完成， 例如利用计点数法来监测鸟类。由于大范围的野外调查受成本等因素限制， 人工测 量方法在空间范围和采样频率方面都是比较有限的。利用声学技术可以实现对动物的无 侵犯监控， 在动物有规律发出声音的地方， 声学传感器。
10、可大规模安置于测量点， 并通过程序 设定一天中的特定时刻来记录动物叫声， 对获取的声音再进一步处理以实现监控识别， 如 动物移动跟踪 2,3， 自动物种识别 4 等 ； 尽管这种声学传感器网络可极大提高数据获 取效率， 但对于采集的数据还需进一步通过训练有素的生态研究人员或物种声音识别软件 来鉴别。已研究的软件仅适合几类物种 5， 如果要扩展到所有物种， 对每个地方的每个生 态系统都要重新开发声音识别软件， 并且需要大量该区域该物种的声音资料。除了生学传 感器技术之外， 遥感技术也是陆地动物分布及多样性研究的重要方法 6, 但利用这种方 法直接监测动物前仍存在一定的应用局限。首先， 受物种大小。
11、与传感器分辨率关系、 物种 自然属性等因素限制， 遥感直接监测的能力显得不够的 ； 其次， 大多数的研究集中在开阔的 研究区域内对大型哺乳动物或迁移鸟群等进行监测， 监测对象局限在个体较大或数量丰富 的动植物上 ； 再者， 高光谱、 高空间分辨率遥感影像的高额费用也在一定程度上阻碍了其发 展 7,8 ； 此外， 由于动物种的移动性和隐蔽性特点， 遥感很难直接研究动物物种的多样性 9， 而且不适合对特定动物的监测。 0003 综上， 声学传感器由于需要专业人士或专用识别软件来识别采集的声音 ； 而遥感 技术适合大的区域对大的或数量丰富的动物进行监测且费用昂贵， 因而这两种技术在城市 绿地的生物多。
12、样性监控应用中均受到了限制。对于城市绿地， 动物多样性监测多以人工野 外调查数据结合统计模型来估算动物多样性。城市绿地的动物多样性测量， 靠人工测量不 仅费时费力， 而且无法做到常年全天候监测。 随着图像处理技术的不断发展， 计算机视觉技 术已获得广泛应用。将计算机视觉技术应用于城市绿地的动物多样性监测， 这种方法不但 可以克服人工调查费时、 费力的缺点， 而且具有连续、 自动、 全天候监测的优点， 为城市绿地 的动物多样性监控提供技术手段， 具有广阔的应用前景。 0004 参考文献 说 明 书 CN 102436656 A CN 102436663 A2/6 页 5 1 A. Zerger,。
13、 R.A.Viscarra Rossel, D.L. Swain, et al. Environmental sensor networks for vegetation, animal and soil sciences. International Journal of Applied Earth Observation and Geoinformation, 2010,12: 303316。 0005 2 Hammer, O., Barrett, N. Techniques for studying the spatio-temporal distribution of animal v。
14、ocalizations in tropical wet forests. Bioacoustics ,2001,12 ： 2135。 0006 3 Mennill, D.J., Burt, J.M., Fristrup, K.M., Vehrencamp, S.L. Accuracy of an acoustic location system for monitoring the position of duetting songbirds in tropical forest. Journal of the Acoustical Society of America , 2006,119。
15、: 28322839。 0007 4 Villanueva-Rivera, L.J. Digital recorders increase detection of Eleutherodacty-lus frogs. Herpetological Review, 2007,38:5963。 0008 5 Trifa, V.M., Kirschel, A.N.G., Taylor, C.E. Automated species recognition of antbirds in a Mexican rainforest using hidden Markov models. Journal o。
16、f the Acoustical Society of America 2008,123: 24242431。 0009 6 Euridice Leyequien， Jochem Verrelst, Martijn Slot et alCapturing the fugitive: Applying remote sensing to terrestrial animal distribution and diversityInternational Journal of Applied Earth Observation and Geoinformation,2007,9(1): 1-20。。
17、 0010 7 Strand H, Hoft R, Strittholt J, et al Sourcebook on remote sensing and biodiversity indicatorsSecretariat of the Convention on Biological Diversity， 2007:203。 0011 8 John R, Chen J, Lu N, et a1Predicting plant diversity based on remote sensing products in the semi-arid region of Inner Mongol。
18、ia.Remote Sensing of Enviroment,2008,112(5) ： 2018-2032。 0012 9 徐文婷， 吴炳芳 . 遥感应用于森林生物多样性监测的进展 . 生态学报 . 2005,25(5):1199-1204。 发明内容 0013 本发明的目的是通过构建计算机视觉监控平台， 对绿地出现的动物， 统计其出现 的时间、 种类、 数量、 频次， 实现全天候、 无人值守的基于计算机视觉的动物多样性监测方 法。 0014 本发明提出的基于计算机视觉的动物多样性监测方法， 具体步骤如下 ： (1) 当视觉系统利用运动检测算法检测到有动物时， 获取动物图像， 对获取的动物。
19、图像 进行图像预处理 ； (2) 确定图像分割数目， 利用模糊 C 均值聚类算法进行图像分割 ； (3) 分割后的二值图像存在大量噪声， 利用数学形态学运算去除噪声 ； (4) 利用 BLOB 分析抽取动物图像， 对抽取的动物图像进行存储， 计算其纹理、 形状、 尺 寸和颜色等特征， 利用得到的这些特征进行识别， 并统计出现的时间、 频率、 数量、 种类的等 说 明 书 CN 102436656 A CN 102436663 A3/6 页 6 相关信息， 建立特征库， 实现动物多样性监测。 0015 本发明中， 步骤 (1) 中所述运动检测算法具体为， 计算机视觉系统连续的对场景 进行监控， 。
20、当监测到有动物出现时， 就拍下其照片以获取图像进行处理 ； 运动检测是计算机 视觉信息提取的一个关键步骤， 利用背景减除方法判断动物是否出现。 背景减除的方法是， 对于当前帧图像 和背景图 像在坐标处 （x,y） 的灰度值之差大于给定阈值 T， 就认为该点是运动的点， 即， 对一帧图像， 统计上式中非零像素点的个数， 当其值超过一定数值时就认为目标出现， 即检测到运动物体， 此时获取图像进行处理。 0016 本发明中， 步骤 (2) 中所述确定图像分割数目是利用主分量变换将图像 RGB 数据 进行变换， 利用尺度空间滤波器对主分量直方图进行分析以确定其直方图峰的个数， 据此 得出图像的区域分割。
21、数。 图像分割本质是数据分类， 不论是无监督的数据聚类方法， 还是有 监督的神经元网络方法， 都需要事先确定分类数目。 监控场景中可能会同时出现不同动物， 而且一个动物身上颜色可能变化比较大， 因此确定分类数是一个首要问题。 0017 本发明中， 图像分割主要是对彩色图像进行分割， 图像分割是图像分析和模式识 别的首要问题， 也是图像处理的经典难题之一， 它是图像分析和模式识别系统的重要组 成部分， 并决定图像的最终分析质量和模式识别的判别结果。利用模糊 C 均值聚类算法 (Fuzzy C-Means clustering ， FCM)方法对彩色图像进行分割具有直观、 易于实现的特点, 并且能。
22、够把三个彩色分量作为一个整体进行考虑， 分割效果较好。 0018 本发明中， 步骤(2)中图像分割是指利用FCM算法实现彩色图像的分割， 直接利用 图像像素点的 RGB 数值进行聚类， 但是距离的计算则采用 CIE(Luv) 空间中的欧式距离得 出的， 因为 CIE 是一中均匀彩色空间， 能够直接用彩色空间几何距离比较不同色彩 , 有效 地用于测量小的色差。针对 FCM 算法存在计算量大的问题， 利用 CUDA（Compute Unified Device Architecture， 统一计算设备架构） 进行 FCM 算法的运算， 以提高运算速度。CUDA 是由 NVIDIA（英伟达） 推出的。
23、旨在提高显卡图像处理能力且适合于并行计算的软硬件解决 方案， 通过利用 GPU（图像处理单元） 的处理能力， 可大幅提升计算性能。基于英伟达 CUDA 的 GPU( 显卡 ) 销量已达数以百万计， 软件开发商、 科学家以及研究人员正在各个领域中运 用英伟达 CUDA， 包括图像与视频处理、 计算生物学和化学、 流体力学模拟等。因此利用 CUDA 来提高 FCM 算法的运算速度， 成本低廉容易推广。 0019 本发明中， 步骤(3)中所述分割后去除噪声， 图像经过FCM算法后可得到一个二值 图像， 由于监控的是绿地， 背景可能出现与动物颜色接近的像素点， 为此必需进行滤波， 消 除不必要的噪声。。
24、本发明采用数学形态学来滤波和提取动物边缘轮廓。数学形态学的基本 思想是用具有一定形态的结构元素去度量和提取图像中的对应形状以达到对图像分析和 识别的目的， 基本运算包含腐蚀、 膨胀、 开、 闭运算。 0020 开运算作为数学形态学算子可以用于平滑目标边界和去除小的目标 （即噪声） 。图 像 X 利用结构元素 B 进行开运算可表示为， 说 明 书 CN 102436656 A CN 102436663 A4/6 页 7 其中 ： X 为分割后的二值图像， B 为结构元素， 开运算其实是先利用结构元素对图像进 行腐蚀运算后在进行膨胀运算， 腐蚀和膨胀都是数学形态学算子。 0021 腐蚀运算表示为，。
25、 膨胀运算表示为， 本发明中， 步骤 (4) 中所述 BLOB 分析， 在计算机视觉与图像处理中， BLOB 的概念是指 具有相似图像特征 ( 如颜色、 纹理等 )， 而且在空间上是连通的像素组成的块。分割出目标 图像后， 可能含有一个或多个动物， 且种类可能不一样。 本发明利用两次扫描法对数学形态 学滤波后的图像进行标记， 对标记后的图像， 一方面可过滤掉比较大的噪音区块 ； 另一方面 可获取各个目标的图像用于特征提取。 0022 本发明中， 步骤 （4） 特征提取。不同动物特征差异很大， 设计合理的特征进行识别 和分类显得尤为重要。 本发明综合动物的形状、 大小、 颜色、 纹理等特征， 设。
26、计特征向量进行 识别。 颜色特征可考虑利用平均颜色反映其基本颜色、 颜色方差反映其颜色变化 ； 利用矩形 度、 细长度、 紧致度等反映其形态特征。矩形度定义如下， A 为目标面积， a,b 分别为外界矩形的长和宽。 0023 紧致度定义为 紧致度 =， L 为周长， A 为面积。 0024 细长度用目标区域外键矩形的长宽比来表示。 0025 最后， 利用获取的特征进行动物分类、 频次统计及特征库建立。 0026 本发明基于计算机时间的动物多样性监测技术， 通过构建计算机视觉技术监控平 台， 对动物进行监控， 具有无人值守、 全体侯测量、 对动物无侵犯等优点， 避免人工监测费时 费力的问题， 而。
27、且成本低， 容易实现。 附图说明 0027 图 1 是本发明的动物多样性监测视觉系统结构图。 0028 图 2 是本发明的动物多样性图像处理流程图。 0029 图 3 是本发明的动物图像处理过程示例。其中 ： (a) 原图， (b) 二值图像， (c) 开运 算， (d)Blob 处理， (e) 边界， (f) 抽取动物图像。 0030 图中标号 ： 1 为摄像机， 2 为图像采集卡， 3 为带有 CUDA 功能显卡的计算机。 具体实施方式 0031 为了更好理解本发明， 下面结合附图对本发明进行详细说明 , 其中 ： 如图 1 所示， 本发明视觉系统包含摄像机 1、 图像采集卡 2、 带有 。
28、CUDA 功能显卡的计算 机 3 组成， 摄像机 1 用于获取视频信号 ； 图像采集卡 2 用于把视频信号转换成数字图像 ； 计 算机3用于图像处理和特征库建立， 部分耗时的图像处理算法可由具有CUDA功能的显卡完 成。 说 明 书 CN 102436656 A CN 102436663 A5/6 页 8 0032 下面结合图 2， 图 3 说明本发明的基于计算机视觉的动物多样性监测方法。 0033 首先， 进行运动检测， 利用前述背景减除法监测到动物时， 就获取图像进行处理 （图 3a） ； 其 次，利 用 模 糊 C 均 值 聚 类 算 法 进 行 图 像 分 割，其 方 法 为 ： 将 。
29、数 据 集 分为类， 中任意样本对 类的隶属度为， 分类结果可以用 一个模糊隶属度矩阵表示， 满足 （公式 1） 模糊 C 均值聚类是通过最小化关于隶属度矩阵和聚类中心的目标函数 来实现的， ( 公式 2) 式中，为满足条件 ( 公式 1) 的隶属度矩阵， （公式 3） 为个聚类中心点集， 定义为 （公式 4） 为加权指数， 当， 模糊聚类就退化为硬均值聚类 ； 通常为比 较理想的取值。 0034 第个样本到第 类中心的距离定义为， ( 公式 6) 为的正定矩阵， 当时，为欧氏距离， 本文聚类算法采用欧式距离。FCM 是通过反复迭代优化目标函数 ( 公式 2), 直到算法收敛。 0035 具体。
30、步骤如下， 初始化聚类中心； 根据式计算隶属度矩阵，； 根据式更新聚类中心 ； 说 明 书 CN 102436656 A CN 102436663 A6/6 页 9 重复步骤， 直至式收敛。 0036 对图 3(a) 利用模糊 C 均值聚类算法分割的图像如图 3(b) 所示， FCM 算法中距离 计算由 CUDA 硬件平台来完成， 运算速度获得很大提高 ； 如图 3(b) 所示， 图像分割后噪音比较多， 利用 3 次开运算进行形态学滤波， 去除噪声， 如图 3(c) 所示 ； 接着， 利用 BLOB 分析标记图像， 对标记后的图像去除大的区块 （噪声） 如图 3(d) 所示， 并抽取图像的轮廓如图 3(e) 所示， 获取的动物图像如图 3(f) 所示。 0037 最后， 对获取的图像， 根据形状、 大小、 颜色、 纹理等设计并计算特征向量， 根据获 得的特征量， 与已有的动物特征库比较， 如果特征不存在， 更新特征库， 并存储图像 ； 若存 在， 则更新动物出现的时间、 数量、 频次， 实现动物多样性测量。 说 明 书 CN 102436656 A CN 102436663 A1/2 页 10 图 1 图 2 说 明 书 附 图 CN 102436656 A CN 102436663 A2/2 页 11 图 3 说 明 书 附 图 CN 102436656 A 。