一种基于多旋翼无人机的图像识别方法及装置与流程

1.本发明涉及图像识别技术领域，尤其涉及一种基于多旋翼无人机的图像识别方法及装置。


背景技术：

2.作为生态链中不可或缺的一环，野生动物在生物多样性中扮演着重要的角色，保护野生动物不仅对维持生态系统的平衡与稳定有着重要作用，也对人类的生存和发展有着重要的意义。科学有效的野生动物监测是保护野生动物资源的首要前提，这就要求在野生动物监测时，实时地获取野生动物的图片信息、地理位置信息，并通过这些信息得到该区域野生动物的种类信息、数量信息和栖息地状况，以便研究人员及时地掌握野生动物资源现状及动态变化，为有效保护、持续利用、科学管理野生动物资源提供必要保证。
3.在监测和管理野生动物的过程中，需要针对不同种类的野生物详细观察并记录每个个体的生存状况，因此需要借助设备对动物个体进行识别和跟踪记录。而在目前的实践中，针对野生动物个体的身份信息进行识别的方法或设备相对较少且多为模糊识别，无法满足精确识别动物个体的身份信息的要求。


技术实现要素：

4.本发明提供一种基于多旋翼无人机的图像识别方法及装置，实现了利用多旋翼无人机，对野外的动物个体的身份信息进行精确识别。
5.本发明一实施例提供一种基于多旋翼无人机的图像识别方法，包括以下步骤：
6.实时获取由多旋翼无人机拍摄的待识别动物的视频图像，逐帧提取所述视频图像中的有效图像，将所述有效图像逐帧输入至特征识别神经网络模型；
7.所述特征识别神经网络模型逐帧判断所述有效图像的类型为面部图像、虹膜图像中的一种或两种；
8.当所述面部图像采集到预设的第一帧数时，针对采集到的每帧所述面部图像建立面部空间坐标系，计算所述面部图像上的消失点坐标，根据所述消失点坐标校正所述面部图像，并将校正后的所述面部图像输入至面部识别神经网络模型得到第一高维向量，根据所述第一高维向量查询动物面部数据库，得到第一识别结果；
9.当所述虹膜图像采集到预设的第二帧数时，针对采集到的每帧所述虹膜图像建立虹膜空间坐标系，计算所述虹膜图像上的消失点坐标，根据所述消失点坐标校正所述虹膜图像，并将校正后的所述虹膜图像输入至虹膜识别神经网络模型得到第二高维向量，根据所述第二高维向量查询动物虹膜数据库，得到第二识别结果；
10.根据所述第一识别结果和第二识别结果的可信度确定被识别动物的身份信息。
11.进一步地，当所述面部图像采集到预设的第一帧数，且所述虹膜图像未采集到预设的第二帧数时，将所述多旋翼无人机的对焦点调至被识别动物的两眼中心；
12.当所述虹膜图像采集到预设的第二帧数，且所述面部图像未采集到预设的第一帧
数时，将所述多旋翼无人机的对焦点调至被识别动物的面部中心。
13.进一步的，针对采集到的每帧所述面部图像建立面部空间坐标系，计算所述面部图像上的消失点坐标，具体包括:
14.以所述面部图像的两眼所在直线为x轴，以所述面部图像的鼻梁所在直线为y轴，建立面部空间坐标系；
15.在所述面部图像上提取多条平行x轴的目标线段和多条平行y轴的目标线段；根据所述多条平行x轴的目标线段提取所述x轴对应平面的消失点，根据所述多条平行y轴的横向目标线段提取所述y轴对应平面的消失点；
16.获取所述x轴对应平面的消失点的坐标和y轴对应平面的消失点的坐标。
17.进一步的，根据所述消失点坐标校正所述面部图像，具体包括：
18.根据所述x轴对应平面的消失点的坐标计算pitch的旋转矩阵，根据所述y轴对应平面的消失点的坐标计算yaw的旋转矩阵；
19.根据所述x轴对应平面的消失点的坐标和y轴对应平面的消失点的坐标计算roll的旋转矩阵；
20.根据所述pitch、yaw和roll的旋转矩阵得到所述面部图像的3个自由度旋转矩阵，并根据所述面部图像的3个自由度旋转矩阵校正所述面部图像。
21.进一步的，针对采集到的每帧所述面部图像建立面部空间坐标系，计算所述虹膜图像上的消失点坐标，具体包括:
22.以经过所述眼球中心的最长直径所在直线为x轴，以经过所述眼球中心的最短直径所在直线为y轴，建立虹膜空间坐标系；
23.在所述虹膜图像上提取多条平行x轴的目标线段和多条平行y轴的目标线段；根据所述多条平行x轴的目标线段提取所述x轴对应平面的消失点，根据所述多条平行y轴的横向目标线段提取所述y轴对应平面的消失点；
24.获取所述x轴对应平面的消失点的坐标和y轴对应平面的消失点的坐标。
25.进一步的，根据所述消失点坐标校正所述虹膜图像，具体包括：
26.根据所述x轴对应平面的消失点的坐标计算pitch的旋转矩阵，根据所述y轴对应平面的消失点的坐标计算yaw的旋转矩阵；
27.根据所述x轴对应平面的消失点的坐标和y轴对应平面的消失点的坐标计算roll的旋转矩阵；
28.根据所述pitch、yaw和roll的旋转矩阵得到所述虹膜图像的3个自由度旋转矩阵，并根据所述虹膜图像的3个自由度旋转矩阵校正所述虹膜图像。
29.进一步的，根据所述第一高维向量查询动物面部数据库之前，根据所述面部图像确定被识别动物所属种群，再根据所述第一高维向量查询被识别动物所属种群的动物面部数据库；
30.根据所述第二高维向量查询动物虹膜数据库之前，根据所述虹膜图像确定被识别动物所属种群，再根据所述第一高维向量查询被识别动物所属种群的动物虹膜数据库。
31.进一步地，所述多旋翼无人机上装载有发声装置，当所述第一识别结果和第二识别结果为空时，启动所述发声装置，以诱导被识别动物发声，并根据收集的被识别动物的音频数据查询被识别动物所属种群的动物音源数据库，得到被识别动物的身份信息。
32.在本发明上述方法项实施例的基础上，对应提供了装置项实施例；
33.本发明另一实施例提供了一种基于多旋翼无人机的动物识别装置，包括视频图像获取模块、特征识别模块和身份识别模块；
34.其中，所述视频图像获取模块用于实时获取由多旋翼无人机拍摄的待识别动物的视频图像，逐帧提取所述视频图像中的有效图像，将所述有效图像逐帧输入至特征识别神经网络模型；
35.所述特征识别模块用于通过所述特征识别神经网络模型逐帧判断所述有效图像的类型为面部图像、虹膜图像中的一种或两种；
36.所述身份识别模块用于当所述面部图像采集到预设的第一帧数时，针对采集到的每帧所述面部图像建立面部空间坐标系，计算所述面部图像上的消失点坐标，根据所述消失点坐标校正所述面部图像，并将校正后的所述面部图像输入至面部识别神经网络模型得到第一高维向量，根据所述第一高维向量查询动物面部数据库，得到第一识别结果；
37.当所述虹膜图像采集到预设的第二帧数时，针对采集到的每帧所述虹膜图像建立虹膜空间坐标系，计算所述虹膜图像上的消失点坐标，根据所述消失点坐标校正所述虹膜图像，并将校正后的所述虹膜图像输入至虹膜识别神经网络模型得到第二高维向量，根据所述第二高维向量查询动物虹膜数据库，得到第二识别结果；根据所述第一识别结果和第二识别结果的可信度确定被识别动物的身份信息。
38.本发明的实施例，具有如下有益效果：
39.本发明提供了一种基于多旋翼无人机的图像识别方法及装置，该方法通过实时获取待识别动物的视频图像，对获取的视频图像进行逐帧分类，以确定获取的每帧视频图像的类别；并对获取的每帧视频图像进行校正处理得到矫正后的包含有动物面部或虹膜的图像，再将校正的图像输入至对应的神经网络模型以得到相应的高维向量，再根据各自的高维向量查询相应的数据库以获得被识别动物的身份信息；最后，再选择可信度较高的身份信息作为动物身份识别的最终结果；可见，在本技术通过对每帧视频图像进行校正，得到更为精确的图像信息，再根据矫正后的图像信息查询动物面部数据库和动物虹膜数据库，得到第一识别结果和第二识别结果，即本技术通过结合两种以上的生物识别方法来确保动物识别结果的准确性。
附图说明
40.图1是本发明一实施例提供的基于多旋翼无人机的图像识别方法流程示意图；
41.图2是本发明一实施例提供的基于步态识别的多模态追踪装置结构示意图；
42.图3是本发明一实施例提供的基于步态识别的多模态追踪方法的又一流程示意图；
43.图4是本发明一实施例提供的基于步态识别的多模态追踪方法的又一流程示意图；
具体实施方式
44.下面将结合本发明中的附图，对本发明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。基于本发明中的实
施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
45.如图1所示，本发明一实施例提供的一种基于多旋翼无人机的图像识别方法，包括：
46.步骤s11：实时获取由多旋翼无人机拍摄的待识别动物的视频图像，逐帧提取所述视频图像中的有效图像，将所述有效图像逐帧输入至特征识别神经网络模型。
47.优选地，所述步骤s11的其中一种实施方式为：
48.所述多旋翼无人机根据动物的活动范围和活动路线规划飞行航线，并根据预设的飞行任务选择特定动物进行拍摄和识别；所述多旋翼无人机所携带的摄像机事前经过针孔模型的标定，存有针孔模型的内参参数和摄像机安装位置的摄像机外参参数；所述多旋翼无人机上装载有发声装置。
49.优选地，所述步骤s11的其中一种实施方式为：
50.获取由所述多旋翼无人机实时采集的视频图像后，实时判断当前帧的所述视频图像中出现被识别动物，且被识别动物的面部信息或虹膜信息大致完整时，则确定当前帧的所述视频图像为有效图像，并将所述有效图像进行预处理后输入至特征识别神经网络，所述预处理包括对所述视频图像进行归一化处理。
51.步骤s12：所述特征识别神经网络模型逐帧判断所述有效图像的类型为面部图像、虹膜图像中的一种或两种。
52.优选地，所述步骤s12的其中一种实施方式为：
53.所述特征识别神经网络实时判断当前帧的所述有效图像的面部信息完整，同时判断所述有效图像的虹膜信息不完整时，则识别出当前帧的所述有效图像的类型为面部图像；
54.所述特征识别神经网络实时判断当前帧的所述有效图像的虹膜信息完整，同时判断所述有效图像的步态信息不完整时，则区分出当前帧的所述有效图像的类型为虹膜图像；
55.所述特征识别神经网络实时判断当前帧的所有效图像的面部信息完整，同时判断所述有效图像的虹膜信息完整时，则区分出当前帧的所述有效图像的类型同时属于面部图像和虹膜图像。
56.步骤s13：对所述面部图像和虹膜图像分别进行校正处理后，分别输入至面部识别神经网络模型和虹膜识别神经网络模型，分别得到第一高维向量和第二高维向量；根据所述第一高维向量查询动物面部数据库，得到第一识别结果，根据所述第二高维向量查询动物虹膜数据库，得到第二识别结果。
57.优选地，根据所述第一高维向量查询动物面部数据库之前，根据所述面部图像确定被识别动物所属种群，再根据所述第一高维向量查询被识别动物所属种群的动物面部数据库；根据所述第二高维向量查询动物虹膜数据库之前，根据所述虹膜图像确定被识别动物所属种群，再根据所述第一高维向量查询被识别动物所属种群的动物虹膜数据库。
58.如图3所示，其中，作为示例的，步骤s13可以包括以下子步骤：
59.子步骤s131：当所述面部图像采集到预设的帧数时，对所述面部图像进行校正处理后输入至面部识别神经网络模型，得到第一高维向量；
60.子步骤s132：当所述虹膜图像采集到预设的帧数时，对所述虹膜图像进行校正处理后输入至虹膜识别神经网络模型，得到第二高维向量；
61.子步骤s133：根据所述第一高维向量查询动物面部数据库，得到第一识别结果；根据所述第二高维向量查询动物虹膜数据库，得到第二识别结果。
62.所述面部识别神经网络模型和虹膜识别神经网络模型均为已经采用大量数据集训练好的模型，即将提前采集的动物面部图像输入至所述面部识别神经网络模型得到所述第三高维向量，将提前采集的动物虹膜图像输入至所述虹膜识别神经网络模型得到所述第四高维向量，并将所述第三高维向量及其对应的动物身份信息保存至所述动物面部数据库，将所述第四高维向量及其对应的动物身份信息保存至所述动物虹膜数据库。
63.如图4所示，其中，作为示例的，步骤s131可以包括以下子步骤：
64.子步骤s1311：当所述面部图像采集到预设的帧数时，以所述面部图像的两眼所在直线为x轴，以所述面部图像的鼻梁所在直线为y轴，建立面部空间坐标系；
65.优选地，所述子步骤s1311的其中一种实施方式为：
66.由于采集的所述面部图像通常含有非感兴趣区域，即动物面部像素区域以外的环境背景像素，因此需要对所述面部图像进行一系列的预处理以去除环境背景；所述预处理包括利用opencv自带的库函数对所述面部图像整体进行高斯模糊、canny边缘检测、二值化、形态学处理和顶帽变换处理，以及去除明显的离群点噪声和明显的环境背景区域；
67.检测所述面部图像中的动物脸，使用对齐方法将所述动物脸进行对齐处理，将对齐后的所述面部图像裁剪成指定的尺寸，再进行归一化处理；
68.再对经过上述处理后的所述面部图像进行轮廓提取；根据预设的最大连通域的阈值和最小轮廓外接矩形的大小，最大限度保留所述面部图像的有效区域，以获得含有动物面部图像像素的区域。
69.子步骤s1312：在所述面部图像上提取多条平行x轴的目标线段和多条平行y轴的目标线段；根据所述多条平行x轴的目标线段提取所述x轴对应平面的消失点，根据所述多条平行y轴的横向目标线段提取所述y轴对应平面的消失点；
70.优选地，根据霍夫直线检测方法检测出所述目标线段的候选线段。
71.子步骤s1313：获取所述x轴对应平面的消失点的坐标和y轴对应平面的消失点的坐标，并根据所述x轴对应平面的消失点的坐标计算pitch的旋转矩阵，根据所述y轴对应平面的消失点的坐标计算yaw的旋转矩阵；
72.子步骤s1314：根据所述x轴对应平面的消失点的坐标和y轴对应平面的消失点的坐标计算roll的旋转矩阵；
73.子步骤s1315：根据所述pitch、yaw和roll的旋转矩阵得到所述面部图像的3个自由度旋转矩阵，并根据所述面部图像的3个自由度旋转矩阵校正所述面部图像；
74.优选地，所述子步骤s1313
‑
s1315的其中一种实施方式为：
75.获取所述x轴对应平面的消失点的x轴坐标v
x
，获取所述y轴对应平面的消失点的y轴坐标v
y
，计算3个自由度姿态r1，r2，r3，所述r1，r2，r3的计算公式为：
76.r1＝k
‑1v
x
/‖k
‑1v
x
‖，其中k为摄像机内参矩阵，v
x
为所述x轴对应平面的消失点的x轴坐标；
77.r2＝k
‑1v
y
/k
‑1v
y
||，其中k为摄像机内参矩阵，v
y
为所述y轴对应平面的消失点的y轴
坐标；
78.r3＝r1*r2；
79.根据所述r1，r2，r3得到3个自由度旋转矩阵r＝[r1，r2，r3]，根据所述到3个自由度旋转矩阵r逆旋转校正所述面部图像。
[0080]
所述旋转矩阵为刚体变换矩阵，所述刚体变换矩阵自带了空间相互正交的约束，使用刚体变换矩阵的具有如下优点：
[0081]
刚体的旋转运动可以视为两个刚体位置之间的旋转变换，即可以看成一个线性同构变换(映射)；所述一个线性同构变换，即一个映射到自身空间的线性映射，并且具有任意两点的相对距离在变换前后保持不变的特点；同时，在刚体变换中，梯度、散度和旋度都保持不变。
[0082]
子步骤s1316：将校正后的所述面部图像输入至面部识别神经网络模型，得到第一高维向量。
[0083]
其中，作为示例的，步骤s132可以包括以下子步骤：
[0084]
子步骤s1321：判断所述虹膜图像采集到预设的帧数时，以经过所述眼球中心的最长直径所在直线为x轴，以经过所述眼球中心的最短直径所在直线为y轴，建立虹膜空间坐标系；
[0085]
在数字图像领域，消失点又被称为灭点，空间上相同方向的平行线相交在图像上的点即为消失点；由于，所述面部图像和虹膜图像符合曼哈顿世界的假设，因此，可以对上述步骤得到的所述面部图像和虹膜(即目标区域图像)进行消失点的提取，进一步筛选出欧拉空间中x，y，z轴对应平面的消失点；同时，选择所述面部图像上两眼所在直线和鼻梁所在直线大致相互垂直，满足曼哈顿世界假设，即所述两眼所在直线和鼻梁所在直线都处于或近似处于空间正交状态。同理，所述虹膜图像上经过所述眼球中心的最长直径所在直线和经过所述眼球中心的最短直径所在直线大致相互垂直，满足曼哈顿世界假设，即两条直线都处于或近似处于空间正交状态。
[0086]
子步骤s1322：在所述虹膜图像上提取多条平行x轴的目标线段和多条平行y轴的目标线段；根据所述多条平行x轴的目标线段提取所述x轴对应平面的消失点，根据所述多条平行y轴的横向目标线段提取所述y轴对应平面的消失点；
[0087]
子步骤s1323：获取所述x轴对应平面的消失点的坐标和y轴对应平面的消失点的坐标，并根据所述x轴对应平面的消失点的坐标计算pitch的旋转矩阵，根据所述y轴对应平面的消失点的坐标计算yaw的旋转矩阵；
[0088]
子步骤s1324：根据所述x轴对应平面的消失点的坐标和y轴对应平面的消失点的坐标计算roll的旋转矩阵；
[0089]
子步骤s1325：根据所述pitch、yaw和roll的旋转矩阵得到所述虹膜图像的3个自由度旋转矩阵，并根据所述虹膜图像的3个自由度旋转矩阵校正所述虹膜图像；
[0090]
子步骤s1326：将校正后的所述虹膜图像输入至虹膜识别神经网络模型，得到第二高维向量。
[0091]
优选地，所述子步骤s133的其中一种实施方式为：
[0092]
计算所述第一高维向量与动物面部数据库中的若干第三高维向量之间的l2距离，得到l2距离最小的第一高维向量和第三高维向量；
[0093]
选择所述l2距离最小的第三高维向量对应所述动物面部数据库中的身份信息为被识别动物的第一身份信息；
[0094]
计算所述第二高维向量与人脸数据库中的若干第四高维向量之间的l2距离，得到l2距离最小的第二高维向量和第四高维向量；
[0095]
选择所述l2距离最小的第四高维向量对应所述动物虹膜数据库中的身份信息为被识别动物的第二身份信息。
[0096]
步骤s14：根据所述第一识别结果和第二识别结果的可信度确定被识别动物的身份信息。
[0097]
其中，作为示例的，步骤s14可以包括以下子步骤：
[0098]
子步骤s141：获取所述第一高维向量和第三高维向量之间的最小l2距离为第一距离；获取所述第二高维向量和第四高维向量之间的最小l2距离为第二距离；所述第一距离越小，对应所述第一身份信息的可信度越高；所述第二距离越小，对应所述第二身份信息的可信度越高；
[0099]
子步骤s142：判断所述第一距离小于预设阈值，且所述第二距离大于等于所述第一距离时，根据所述第二高维向量和所述第一身份信息更新动物虹膜数据库，并确定所述第一身份信息为被识别动物的身份信息；即当第一身份信息的可信度高于第二身份信息的可信度时，说明此时的第二高维向量(虹膜信息)应当对应第一身份信息，因此将所述第二高维向量和所述第一身份信息关联起来并用于更新动物虹膜数据库。
[0100]
判断所述第二距离小于预设阈值，且所述第一距离大于等于所述第二距离时，根据所述第一高维向量和所述第二身份信息更新动物面部数据库，并确定所述第二身份信息为被识别动物的身份信息；
[0101]
判断所述第一距离和第二距离均小于预设阈值，且所述第一身份信息和第二身份信息为同一动物的身份信息时，不更新数据库，并确定所述第一身份信息或所述第二身份信息为被识别动物的身份信息；
[0102]
判断所述第一距离和第二距离均大于等于预设阈值时(即认为没有查询到所述第一身份信息和第二身份信息)，启动所述发声装置，以诱导被识别动物发声，并根据收集的被识别动物的音频数据查询被识别动物所属种群的动物音源数据库，得到被识别动物的身份信息。
[0103]
本实施例通过实时获取待识别动物的视频图像，对获取的视频图像进行逐帧分类，以确定获取的每帧视频图像的类别；并对获取的每帧视频图像进行校正处理得到矫正后的包含有动物面部或虹膜的图像，再将校正的图像输入至对应的神经网络模型以得到相应的高维向量，再根据各自的高维向量查询相应的数据库以获得被识别动物的身份信息；最后，再选择可信度较高的身份信息作为动物身份识别的最终结果；可见，在本技术通过对每帧视频图像进行校正，得到更为精确的图像信息，再根据矫正后的图像信息分别查询动物面部数据库和动物虹膜数据库，得到第一识别结果和第二识别结果，即本技术通过结合多种的生物识别方法来确保动物识别结果的准确性。同时，本实施例在对动物进行身份识别后，根据识别结果的可信度实时更新相应数据库中的关联数据，以确保数据库信息的准确性。
[0104]
在上述发明实施例的基础上，本发明对应提供了装置项实施例。
[0105]
如图2所示，本发明另一实施例提供了一种基于多旋翼无人机的动物识别装置，包括视频图像获取模块、特征识别模块和身份识别模块；
[0106]
其中，所述视频图像获取模块用于实时获取由多旋翼无人机拍摄的待识别动物的视频图像，逐帧判断所述视频图像为有效图像时，将所述有效图像输入至特征识别神经网络模型；
[0107]
所述特征识别模块用于通过所述特征识别神经网络模型逐帧判断所述有效图像的类型为面部图像、虹膜图像中的一种或两种；
[0108]
所述身份识别模块用于判断所述面部图像采集到预设的帧数时，针对所述面部图像建立面部空间坐标系，计算所述面部图像上的消失点坐标，根据所述消失点坐标校正所述面部图像，并将校正后的所述面部图像输入至面部识别神经网络模型得到第一高维向量，根据所述第一高维向量查询动物面部数据库，得到第一识别结果；
[0109]
判断所述虹膜图像采集到预设的帧数时，针对所述虹膜图像建立虹膜空间坐标系，计算所述虹膜图像上的消失点坐标，根据所述消失点坐标校正所述面部图像，并将校正后的所述虹膜图像输入至虹膜识别神经网络模型得到第二高维向量，根据所述第二高维向量查询动物虹膜数据库，得到第二识别结果；根据所述第一识别结果和第二识别结果的可信度确定被识别动物的身份信息。
[0110]
进一步地，当所述面部图像采集到预设的第一帧数，且所述虹膜图像未采集到预设的第二帧数时，将所述多旋翼无人机的对焦点调至被识别动物的两眼中心；
[0111]
当所述虹膜图像采集到预设的第二帧数，且所述面部图像未采集到预设的第一帧数时，将所述多旋翼无人机的对焦点调至被识别动物的面部中心。
[0112]
进一步的，针对采集到的每帧所述面部图像建立面部空间坐标系，计算所述面部图像上的消失点坐标，具体包括:
[0113]
以所述面部图像的两眼所在直线为x轴，以所述面部图像的鼻梁所在直线为y轴，建立面部空间坐标系；
[0114]
在所述面部图像上提取多条平行x轴的目标线段和多条平行y轴的目标线段；根据所述多条平行x轴的目标线段提取所述x轴对应平面的消失点，根据所述多条平行y轴的横向目标线段提取所述y轴对应平面的消失点；
[0115]
获取所述x轴对应平面的消失点的坐标和y轴对应平面的消失点的坐标。
[0116]
进一步的，根据所述消失点坐标校正所述面部图像，具体包括：
[0117]
根据所述x轴对应平面的消失点的坐标计算pitch的旋转矩阵，根据所述y轴对应平面的消失点的坐标计算yaw的旋转矩阵；
[0118]
根据所述x轴对应平面的消失点的坐标和y轴对应平面的消失点的坐标计算roll的旋转矩阵；
[0119]
根据所述pitch、yaw和roll的旋转矩阵得到所述面部图像的3个自由度旋转矩阵，并根据所述面部图像的3个自由度旋转矩阵校正所述面部图像。
[0120]
进一步的，针对采集到的每帧所述面部图像建立面部空间坐标系，计算所述虹膜图像上的消失点坐标，具体包括:
[0121]
以经过所述眼球中心的最长直径所在直线为x轴，以经过所述眼球中心的最短直径所在直线为y轴，建立虹膜空间坐标系；
[0122]
在所述虹膜图像上提取多条平行x轴的目标线段和多条平行y轴的目标线段；根据所述多条平行x轴的目标线段提取所述x轴对应平面的消失点，根据所述多条平行y轴的横向目标线段提取所述y轴对应平面的消失点；
[0123]
获取所述x轴对应平面的消失点的坐标和y轴对应平面的消失点的坐标。
[0124]
进一步的，根据所述消失点坐标校正所述虹膜图像，具体包括：
[0125]
根据所述x轴对应平面的消失点的坐标计算pitch的旋转矩阵，根据所述y轴对应平面的消失点的坐标计算yaw的旋转矩阵；
[0126]
根据所述x轴对应平面的消失点的坐标和y轴对应平面的消失点的坐标计算roll的旋转矩阵；
[0127]
根据所述pitch、yaw和roll的旋转矩阵得到所述虹膜图像的3个自由度旋转矩阵，并根据所述虹膜图像的3个自由度旋转矩阵校正所述虹膜图像。
[0128]
进一步的，根据所述第一高维向量查询动物面部数据库之前，根据所述面部图像确定被识别动物所属种群，再根据所述第一高维向量查询被识别动物所属种群的动物面部数据库；
[0129]
根据所述第二高维向量查询动物虹膜数据库之前，根据所述虹膜图像确定被识别动物所属种群，再根据所述第一高维向量查询被识别动物所属种群的动物虹膜数据库。
[0130]
进一步地，所述多旋翼无人机上装载有发声装置，当所述第一识别结果和第二识别结果为空时，启动所述发声装置，以诱导被识别动物发声，并根据收集的被识别动物的音频数据查询被识别动物所属种群的动物音源数据库，得到被识别动物的身份信息。
[0131]
需要说明的是，本发明上述装置项实施例，是与本发明方法项实施例相对应的，其能够实现本发明任意一项发明项实施例所述的基于多旋翼无人机的图像识别方法。
[0132]
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0133]
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
[0134]
本领域普通技术人员可以理解实现上述实施例中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read
‑
only memory，rom)或随机存储记忆体(random access memory，ram)等。