基于目标检测的东北虎个体自动识别

基于目标检测的东北虎个体自动识别

东北虎个体的自动识别是种群数量评估和制定有效保护策略的重要基础.以东北虎林园和怪坡虎园38只虎为研究对象,将目标检测方法首次应用到东北虎个体识别研究中,采用多种深度卷积神经网络模型,以实现虎个体的自动识别.首先通过相机在不同角度对38只东北虎进行拍摄取样,建立包含13579张图像的虎样本数据集.由于虎的体侧条纹信息不具有对称性,所以运用单次多盒目标检测(Single Shot MultiBox Detector,SSD)方法,对虎的躯干左侧条纹、右侧条纹以及脸部等不同部位图像,进行自动检测并分割提取,极大节省手工截取时间.在检测分割出的左右侧及脸部不同部位图片基础上,运用上、下、左、右平移变换...

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
Veröffentlicht in:生态学报 2021, Vol.41 (12), p.4685-4693
Hauptverfasser: 史春妹, 谢佳君, 顾佳音, 刘丹, 姜广顺
Format: Artikel
Sprache:chi
Online-Zugang:Volltext
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
container_end_page 4693
container_issue 12
container_start_page 4685
container_title 生态学报
container_volume 41
creator 史春妹
谢佳君
顾佳音
刘丹
姜广顺
description 东北虎个体的自动识别是种群数量评估和制定有效保护策略的重要基础.以东北虎林园和怪坡虎园38只虎为研究对象,将目标检测方法首次应用到东北虎个体识别研究中,采用多种深度卷积神经网络模型,以实现虎个体的自动识别.首先通过相机在不同角度对38只东北虎进行拍摄取样,建立包含13579张图像的虎样本数据集.由于虎的体侧条纹信息不具有对称性,所以运用单次多盒目标检测(Single Shot MultiBox Detector,SSD)方法,对虎的躯干左侧条纹、右侧条纹以及脸部等不同部位图像,进行自动检测并分割提取,极大节省手工截取时间.在检测分割出的左右侧及脸部不同部位图片基础上,运用上、下、左、右平移变换进行数据增强,使图片数目扩大为原来的5倍.采用LeNet、AlexNet、ZFNet、VGG16、ResNet34共5种卷积神经网络模型进行个体自动识别.为了提高识别准确率,运用平均值和最大值不同组合方式来优化池化操作,并在全连接层引入概率分别为0.1、0.2、0.3、0.4的丢弃(Dropout)操作防止过拟合.实验表明,目标检测模型耗时较少,截取分割老虎不同部位条纹能达到0.6 s/张,远快于人工截取速度,并且在测试集上准确率能达到97.4％.不同姿态下的目标部位都能正确识别并分割.ResNet34模型的准确率优于其他网络模型,左右侧条纹以及脸部图像识别准确率分别为93.75％、97.01％和86.28％,右侧条纹识别准确率优于左侧条纹和脸部图像.研究为野生虎自动相机影像的识别提供技术参考.在未来研究中,对东北虎个体影响数据进行扩充,选取更多影像数据进行训练,使网络具有更强的适应性,从而实现更准确的个体识别.
doi_str_mv 10.5846/stxb201912232768
format Article
fullrecord <record><control><sourceid>wanfang_jour</sourceid><recordid>TN_cdi_wanfang_journals_stxb202112004</recordid><sourceformat>XML</sourceformat><sourcesystem>PC</sourcesystem><wanfj_id>stxb202112004</wanfj_id><sourcerecordid>stxb202112004</sourcerecordid><originalsourceid>FETCH-wanfang_journals_stxb2021120043</originalsourceid><addsrcrecordid>eNpjYJAwNNAztTAx0y8uqUgyMjC0NDQyMjYyN7NgYeA0NDAw0DWwNDbmYOAqLs4yMDA2MDS25GQweDp_15Ndfc9nr3u2oP3Z4oZnW7ufz2p5smPO057pL2b2Pdmx6sneyS_aVz3tWvFifdvTjtU8DKxpiTnFqbxQmptB1c01xNlDtzwxLy0xLz0-K7-0KA8oEw9xhZGhoZGBgYkxseoAnuhJ6w</addsrcrecordid><sourcetype>Aggregation Database</sourcetype><iscdi>true</iscdi><recordtype>article</recordtype></control><display><type>article</type><title>基于目标检测的东北虎个体自动识别</title><source>EZB-FREE-00999 freely available EZB journals</source><creator>史春妹 ; 谢佳君 ; 顾佳音 ; 刘丹 ; 姜广顺</creator><creatorcontrib>史春妹 ; 谢佳君 ; 顾佳音 ; 刘丹 ; 姜广顺</creatorcontrib><description>东北虎个体的自动识别是种群数量评估和制定有效保护策略的重要基础.以东北虎林园和怪坡虎园38只虎为研究对象,将目标检测方法首次应用到东北虎个体识别研究中,采用多种深度卷积神经网络模型,以实现虎个体的自动识别.首先通过相机在不同角度对38只东北虎进行拍摄取样,建立包含13579张图像的虎样本数据集.由于虎的体侧条纹信息不具有对称性,所以运用单次多盒目标检测(Single Shot MultiBox Detector,SSD)方法,对虎的躯干左侧条纹、右侧条纹以及脸部等不同部位图像,进行自动检测并分割提取,极大节省手工截取时间.在检测分割出的左右侧及脸部不同部位图片基础上,运用上、下、左、右平移变换进行数据增强,使图片数目扩大为原来的5倍.采用LeNet、AlexNet、ZFNet、VGG16、ResNet34共5种卷积神经网络模型进行个体自动识别.为了提高识别准确率,运用平均值和最大值不同组合方式来优化池化操作,并在全连接层引入概率分别为0.1、0.2、0.3、0.4的丢弃(Dropout)操作防止过拟合.实验表明,目标检测模型耗时较少,截取分割老虎不同部位条纹能达到0.6 s/张,远快于人工截取速度,并且在测试集上准确率能达到97.4％.不同姿态下的目标部位都能正确识别并分割.ResNet34模型的准确率优于其他网络模型,左右侧条纹以及脸部图像识别准确率分别为93.75％、97.01％和86.28％,右侧条纹识别准确率优于左侧条纹和脸部图像.研究为野生虎自动相机影像的识别提供技术参考.在未来研究中,对东北虎个体影响数据进行扩充,选取更多影像数据进行训练,使网络具有更强的适应性,从而实现更准确的个体识别.</description><identifier>ISSN: 1000-0933</identifier><identifier>DOI: 10.5846/stxb201912232768</identifier><language>chi</language><publisher>东北林业大学理学院,哈尔滨150040</publisher><ispartof>生态学报, 2021, Vol.41 (12), p.4685-4693</ispartof><rights>Copyright © Wanfang Data Co. Ltd. All Rights Reserved.</rights><lds50>peer_reviewed</lds50><woscitedreferencessubscribed>false</woscitedreferencessubscribed></display><links><openurl>$$Topenurl_article</openurl><openurlfulltext>$$Topenurlfull_article</openurlfulltext><thumbnail>$$Uhttp://www.wanfangdata.com.cn/images/PeriodicalImages/stxb/stxb.jpg</thumbnail><link.rule.ids>314,780,784,4024,27923,27924,27925</link.rule.ids></links><search><creatorcontrib>史春妹</creatorcontrib><creatorcontrib>谢佳君</creatorcontrib><creatorcontrib>顾佳音</creatorcontrib><creatorcontrib>刘丹</creatorcontrib><creatorcontrib>姜广顺</creatorcontrib><title>基于目标检测的东北虎个体自动识别</title><title>生态学报</title><description>东北虎个体的自动识别是种群数量评估和制定有效保护策略的重要基础.以东北虎林园和怪坡虎园38只虎为研究对象,将目标检测方法首次应用到东北虎个体识别研究中,采用多种深度卷积神经网络模型,以实现虎个体的自动识别.首先通过相机在不同角度对38只东北虎进行拍摄取样,建立包含13579张图像的虎样本数据集.由于虎的体侧条纹信息不具有对称性,所以运用单次多盒目标检测(Single Shot MultiBox Detector,SSD)方法,对虎的躯干左侧条纹、右侧条纹以及脸部等不同部位图像,进行自动检测并分割提取,极大节省手工截取时间.在检测分割出的左右侧及脸部不同部位图片基础上,运用上、下、左、右平移变换进行数据增强,使图片数目扩大为原来的5倍.采用LeNet、AlexNet、ZFNet、VGG16、ResNet34共5种卷积神经网络模型进行个体自动识别.为了提高识别准确率,运用平均值和最大值不同组合方式来优化池化操作,并在全连接层引入概率分别为0.1、0.2、0.3、0.4的丢弃(Dropout)操作防止过拟合.实验表明,目标检测模型耗时较少,截取分割老虎不同部位条纹能达到0.6 s/张,远快于人工截取速度,并且在测试集上准确率能达到97.4％.不同姿态下的目标部位都能正确识别并分割.ResNet34模型的准确率优于其他网络模型,左右侧条纹以及脸部图像识别准确率分别为93.75％、97.01％和86.28％,右侧条纹识别准确率优于左侧条纹和脸部图像.研究为野生虎自动相机影像的识别提供技术参考.在未来研究中,对东北虎个体影响数据进行扩充,选取更多影像数据进行训练,使网络具有更强的适应性,从而实现更准确的个体识别.</description><issn>1000-0933</issn><fulltext>true</fulltext><rsrctype>article</rsrctype><creationdate>2021</creationdate><recordtype>article</recordtype><recordid>eNpjYJAwNNAztTAx0y8uqUgyMjC0NDQyMjYyN7NgYeA0NDAw0DWwNDbmYOAqLs4yMDA2MDS25GQweDp_15Ndfc9nr3u2oP3Z4oZnW7ufz2p5smPO057pL2b2Pdmx6sneyS_aVz3tWvFifdvTjtU8DKxpiTnFqbxQmptB1c01xNlDtzwxLy0xLz0-K7-0KA8oEw9xhZGhoZGBgYkxseoAnuhJ6w</recordid><startdate>2021</startdate><enddate>2021</enddate><creator>史春妹</creator><creator>谢佳君</creator><creator>顾佳音</creator><creator>刘丹</creator><creator>姜广顺</creator><general>东北林业大学理学院,哈尔滨150040</general><general>东北林业大学野生动物与自然保护地学院,哈尔滨150040%东北林业大学理学院,哈尔滨150040%国家林业和草原局猫科动物研究中心</general><general>东北林业大学野生动物与自然保护地学院,哈尔滨150040%东北虎林园,哈尔滨150028</general><general>国家林业和草原局猫科动物研究中心</general><scope>2B.</scope><scope>4A8</scope><scope>92I</scope><scope>93N</scope><scope>PSX</scope><scope>TCJ</scope></search><sort><creationdate>2021</creationdate><title>基于目标检测的东北虎个体自动识别</title><author>史春妹 ; 谢佳君 ; 顾佳音 ; 刘丹 ; 姜广顺</author></sort><facets><frbrtype>5</frbrtype><frbrgroupid>cdi_FETCH-wanfang_journals_stxb2021120043</frbrgroupid><rsrctype>articles</rsrctype><prefilter>articles</prefilter><language>chi</language><creationdate>2021</creationdate><toplevel>peer_reviewed</toplevel><toplevel>online_resources</toplevel><creatorcontrib>史春妹</creatorcontrib><creatorcontrib>谢佳君</creatorcontrib><creatorcontrib>顾佳音</creatorcontrib><creatorcontrib>刘丹</creatorcontrib><creatorcontrib>姜广顺</creatorcontrib><collection>Wanfang Data Journals - Hong Kong</collection><collection>WANFANG Data Centre</collection><collection>Wanfang Data Journals</collection><collection>万方数据期刊 - 香港版</collection><collection>China Online Journals (COJ)</collection><collection>China Online Journals (COJ)</collection><jtitle>生态学报</jtitle></facets><delivery><delcategory>Remote Search Resource</delcategory><fulltext>fulltext</fulltext></delivery><addata><au>史春妹</au><au>谢佳君</au><au>顾佳音</au><au>刘丹</au><au>姜广顺</au><format>journal</format><genre>article</genre><ristype>JOUR</ristype><atitle>基于目标检测的东北虎个体自动识别</atitle><jtitle>生态学报</jtitle><date>2021</date><risdate>2021</risdate><volume>41</volume><issue>12</issue><spage>4685</spage><epage>4693</epage><pages>4685-4693</pages><issn>1000-0933</issn><abstract>东北虎个体的自动识别是种群数量评估和制定有效保护策略的重要基础.以东北虎林园和怪坡虎园38只虎为研究对象,将目标检测方法首次应用到东北虎个体识别研究中,采用多种深度卷积神经网络模型,以实现虎个体的自动识别.首先通过相机在不同角度对38只东北虎进行拍摄取样,建立包含13579张图像的虎样本数据集.由于虎的体侧条纹信息不具有对称性,所以运用单次多盒目标检测(Single Shot MultiBox Detector,SSD)方法,对虎的躯干左侧条纹、右侧条纹以及脸部等不同部位图像,进行自动检测并分割提取,极大节省手工截取时间.在检测分割出的左右侧及脸部不同部位图片基础上,运用上、下、左、右平移变换进行数据增强,使图片数目扩大为原来的5倍.采用LeNet、AlexNet、ZFNet、VGG16、ResNet34共5种卷积神经网络模型进行个体自动识别.为了提高识别准确率,运用平均值和最大值不同组合方式来优化池化操作,并在全连接层引入概率分别为0.1、0.2、0.3、0.4的丢弃(Dropout)操作防止过拟合.实验表明,目标检测模型耗时较少,截取分割老虎不同部位条纹能达到0.6 s/张,远快于人工截取速度,并且在测试集上准确率能达到97.4％.不同姿态下的目标部位都能正确识别并分割.ResNet34模型的准确率优于其他网络模型,左右侧条纹以及脸部图像识别准确率分别为93.75％、97.01％和86.28％,右侧条纹识别准确率优于左侧条纹和脸部图像.研究为野生虎自动相机影像的识别提供技术参考.在未来研究中,对东北虎个体影响数据进行扩充,选取更多影像数据进行训练,使网络具有更强的适应性,从而实现更准确的个体识别.</abstract><pub>东北林业大学理学院,哈尔滨150040</pub><doi>10.5846/stxb201912232768</doi></addata></record>
fulltext fulltext
identifier ISSN: 1000-0933
ispartof 生态学报, 2021, Vol.41 (12), p.4685-4693
issn 1000-0933
language chi
recordid cdi_wanfang_journals_stxb202112004
source EZB-FREE-00999 freely available EZB journals
title 基于目标检测的东北虎个体自动识别
url https://sfx.bib-bvb.de/sfx_tum?ctx_ver=Z39.88-2004&ctx_enc=info:ofi/enc:UTF-8&ctx_tim=2024-12-26T13%3A09%3A55IST&url_ver=Z39.88-2004&url_ctx_fmt=infofi/fmt:kev:mtx:ctx&rfr_id=info:sid/primo.exlibrisgroup.com:primo3-Article-wanfang_jour&rft_val_fmt=info:ofi/fmt:kev:mtx:journal&rft.genre=article&rft.atitle=%E5%9F%BA%E4%BA%8E%E7%9B%AE%E6%A0%87%E6%A3%80%E6%B5%8B%E7%9A%84%E4%B8%9C%E5%8C%97%E8%99%8E%E4%B8%AA%E4%BD%93%E8%87%AA%E5%8A%A8%E8%AF%86%E5%88%AB&rft.jtitle=%E7%94%9F%E6%80%81%E5%AD%A6%E6%8A%A5&rft.au=%E5%8F%B2%E6%98%A5%E5%A6%B9&rft.date=2021&rft.volume=41&rft.issue=12&rft.spage=4685&rft.epage=4693&rft.pages=4685-4693&rft.issn=1000-0933&rft_id=info:doi/10.5846/stxb201912232768&rft_dat=%3Cwanfang_jour%3Estxb202112004%3C/wanfang_jour%3E%3Curl%3E%3C/url%3E&disable_directlink=true&sfx.directlink=off&sfx.report_link=0&rft_id=info:oai/&rft_id=info:pmid/&rft_wanfj_id=stxb202112004&rfr_iscdi=true