基于R-CNN算法的生态生物识别方法与流程

基于r-cnn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r-cnn算法的生态生物识别方法。


背景技术：

2.随着工业发展、人类活动、地质地形变迁等因素的影响，水环境系统成为受到生物、化学、物理、人为等多种因素影响的动态开放复杂系统，水体污染呈现复合污染的显著趋势，多种污染共存并联合作用；多种人污染过程同时发生；多种污染效应表现出协同或拮抗作用；污染物在环境中的行为涉及多介质、多界面；同时发生物理、化学和生物过程，致使水体污染问题更加复杂化；漂浮物是依赖于浮力漂浮在水体表面的固体废弃物，包括原木、树枝、稻草、秸杆、塑料制品和人畜尸体等。漂浮物的存在，对水体水质，水面景观，供水，水产，航运等构成不利影响，不仅破坏生态环境，还会威胁饮水安全。尤其是在具有发电功能的水库区域，漂浮物顺流而下，易于聚集在河道凹岸、拦河坝前，不仅影响发电水头，减小水电枢纽的发电效益，对枢纽运行安全构成威胁。
3.当前，生物识别技术广泛应用于终端设备中，具体地，安装在终端设备上的本地应用可以基于生物识别技术来验证漂浮物，进而保证河流生态环境的安全。但是，生物识别过程中不能对图像进行解析，容易造成识别准确性不高，使得安全性不高。


技术实现要素：

4.基于背景技术存在的技术问题，本发明提出了基于r-cnn算法的生态生物识别方法。
5.本发明提出的基于r-cnn算法的生态生物识别方法，包括如下步骤：
6.s1本地应用发起进行生态生物识别的请求，并根据请求采集生物特征的图像信息，获取待识别的图像；
7.s2通过p-cnn算法解析待识别的图像，得到生态环境的图像数据；
8.s21输入待识别的图像，利用selective search得到2000个 region proposal；
9.s22对所有region proposal变换到固定尺寸并作为已训练好的 cnn网络的输入，得到f7层的4096维特征，所以f7层的输出是 2000*4096；
10.s23对每个类别，采用已训练好的这个类别的svm分类器对提取到的特征打分，所以svm的weight matrix是4096*n，n是类别数，这里一共有20个svm，n＝20注意不是21，得分矩阵是2000*20，表示每个region proposal属于某一类的得分；
11.s24采用non-maximun suppression对得分矩阵中的每一列中的 region proposal进行剔除，就是去掉重复率比较高的几个region proposal，得到该列中得分最高的几个region proposal，这样最终每一列都可以得到一些region proposal；
12.s25用n＝20个回归器对第4步得到的20个类别的region proposal进行回归，要用到pool5层的特征，pool5特征的权重w是在训练阶段的结果，测试的时候直接用，最后得到每个类别的修正后的bounding box；
13.s3解析后的生态环境的图像数据与所述图像信息匹配，则判定为识别成功。
14.优选的，所述步骤s1获取待识别的图像具体为：获取待识别生态生物的角膜图像。
15.优选的，所述步骤s1获取待识别的图像时，还记录获取待识别图像的拍摄时间。
16.优选的，所述获取待识别的图像之前还获取待识别生态生物的生物信息。
17.优选的，所述图像信息包括：生物特征数据、2d/3d图像数据。
18.优选的，所述步骤s24中的non-maximun suppression的意思是：对于2000*20中的某一列得分，找到分数最高的一个regionproposal，然后只要该列中其他region proposal和分数最高的iou 超过某一个阈值，则剔除该region proposal，这一轮剔除完后，再从剩下的region proposal找到分数最高的，然后计算别的regionproposal和该分数最高的iou是否超过阈值，超过的继续剔除，直到没有剩下region proposal，对每一列都这样操作。
19.优选的，所述采集生物特征的图像信息后对图像信息进行加密处理，并通过数据库进行存储。
20.优选的，所述本地应用根据识别结果发送提示信息，提示信息用于表示所请求的生物识别是否成功。
21.本发明中，所述基于r-cnn算法的生态生物识别方法，通过r-cnn 算法对待识别的图像进行解析，提高生态生物识别的准确性和安全性，提高生物识别安全等级，从而提高生态环境的安全。
附图说明
22.图1为本发明提出的基于r-cnn算法的生态生物识别方法的流程示意图；
23.图2为本发明提出的基于r-cnn算法的生态生物识别方法的 r-cnn算法流程图。
具体实施方式
24.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。
25.参照图1-2，基于r-cnn算法的生态生物识别方法，包括如下步骤：
26.s1本地应用发起进行生态生物识别的请求，并根据请求采集生物特征的图像信息，获取待识别的图像；
27.s2通过p-cnn算法解析待识别的图像，得到生态环境的图像数据；
28.s21输入待识别的图像，利用selective search得到2000个 region proposal；
29.s22对所有region proposal变换到固定尺寸并作为已训练好的cnn网络的输入，得到f7层的4096维特征，所以f7层的输出是 2000*4096；
30.s23对每个类别，采用已训练好的这个类别的svm分类器对提取到的特征打分，所以svm的weight matrix是4096*n，n是类别数，这里一共有20个svm，n＝20注意不是21，得分矩阵是2000*20，表示每个region proposal属于某一类的得分；
31.s24采用non-maximun suppression对得分矩阵中的每一列中的 region proposal进行剔除，就是去掉重复率比较高的几个region proposal，得到该列中得分最高的几个region proposal，这样最终每一列都可以得到一些region proposal；
32.s25用n＝20个回归器对第4步得到的20个类别的region proposal进行回归，要用到pool5层的特征，pool5特征的权重w是在训练阶段的结果，测试的时候直接用，最后得到每个类别的修正后的bounding box；
33.s3解析后的生态环境的图像数据与图像信息匹配，则判定为识别成功。
34.本发明中，步骤s1获取待识别的图像具体为：获取待识别生态生物的角膜图像。
35.本发明中，步骤s1获取待识别的图像时，还记录获取待识别图像的拍摄时间。
36.本发明中，获取待识别的图像之前还获取待识别生态生物的生物信息。
37.本发明中，图像信息包括：生物特征数据、2d/3d图像数据。
38.本发明中，步骤s24中的non-maximun suppression的意思是：对于2000*20中的某一列得分，找到分数最高的一个regionproposal，然后只要该列中其他region proposal和分数最高的iou 超过某一个阈值，则剔除该region proposal，这一轮剔除完后，再从剩下的region proposal找到分数最高的，然后计算别的regionproposal和该分数最高的iou是否超过阈值，超过的继续剔除，直到没有剩下region proposal，对每一列都这样操作。
39.本发明中，采集生物特征的图像信息后对图像信息进行加密处理，并通过数据库进行存储。
40.本发明中，本地应用根据识别结果发送提示信息，提示信息用于表示所请求的生物识别是否成功。
41.本发明：本地应用发起进行生态生物识别的请求，并根据请求采集生物特征的图像信息，获取待识别的图像；通过p-cnn算法解析待识别的图像，得到生态环境的图像数据；输入待识别的图像，利用 selective search得到2000个region proposal；对所有regionproposal变换到固定尺寸并作为已训练好的cnn网络的输入，得到 f7层的4096维特征，所以f7层的输出是2000*4096；对每个类别，采用已训练好的这个类别的svm分类器对提取到的特征打分，所以 svm的weight matrix是4096*n，n是类别数，这里一共有20个svm， n＝20注意不是21，得分矩阵是2000*20，表示每个region proposal 属于某一类的得分；采用non-maximun suppression对得分矩阵中的每一列中的region proposal进行剔除，就是去掉重复率比较高的几个region proposal，得到该列中得分最高的几个region proposal，这样最终每一列都可以得到一些region proposal；用n＝20个回归器对第4步得到的20个类别的region proposal进行回归，要用到 pool5层的特征，pool5特征的权重w是在训练阶段的结果，测试的时候直接用，最后得到每个类别的修正后的bounding box；解析后的生态环境的图像数据与图像信息匹配，则判定为识别成功。
42.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。