基于YOLOv1算法的生态生物识别方法与流程

基于yolo v1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yolo v1算法的生态生物识别方法。


背景技术：

2.水生生物是生活在各类水体中的生物的总称。水生生物种类繁多，有各种微生物、藻类以及水生高等植物、各种无脊椎动物和脊椎动物。其生活方式也多种多样，有漂浮、浮游、游泳、固着和穴居等。有的适于淡水中生活，有的则适于海水中生活。水生生物对构建生态平衡尤为重要，因此，需要提供对水生生物的识别来确定生态平衡；生物识别技术随着计算机技术的不断发展而得到了广泛应用，其中，生物识别技术是指，通过计算机与光学、声学、生物传感器以及生物统计学原理等手段相结合，利用生物固有的生理特性和行为特征来进行生物身份验证的技术。
3.然而，现有的生物识别技术识别速度慢，准确度不高，容易把背景错认为物体，泛化能力不强。


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yolo v1算法的生态生物识别方法。
5.本发明提出的基于yolo v1算法的生态生物识别方法，包括如下步骤：
6.s1发起生态生物识别请求，根据请求在生态环境中采集生物图像数据；
7.s2采用图像归一法和图像增强法对采集的生物图像数据进行预处理，得到预处理后的生物图像数据；
8.s3通过yolo v1算法对预处理后的生物图像数据进行目标检测；
9.s31选取整张生物图像，将图像resize到s*s个网格作为神经网络的输入；
10.s32运行神经网络，得到一些bounding box坐标，box中包含物体的置信度和class probabilities；
11.s33进行非极大值抑制，筛选boxes，并进行nms处理，得到最终的检测结果；
12.s4将检测后的生物图像与图像信息匹配，进行生态生物识别。
13.优选的，所述步骤s2中如果某个object的中心落在这个网格中，则这个神经网格就负责预测这个object。
14.优选的，所述步骤s1中的每个网格要预测b个bounding box，每个bounding box除了要回归自身的位置之外，还要附带预测一个confidence值。
15.优选的，所述confidence代表了所预测的box中含有object的置信度和这个box预测的有多准两重信息，其值的计算方式为：
[0016][0017]
其中如果有object落在一个grid cell里，第一项取1，否则取0，第二项是预测的
bounding box和实际的groundtruth之间的iou值。
[0018]
优选的，所述步骤s2每个bounding box要预测(x,y,w,h)和confidence共5个值，每个网格还要预测一个类别信息，记为c类，则sxs个网格中每个网格要预测b个bounding box还要预测c个categories，输出s x s x(5*b c)的一个tensor。
[0019]
优选的，所述步骤s3中每个网格预测的class信息和bounding box预测的confidence信息相乘，就得到每个bounding box的class-specific confidence score，这个乘积即encode了预测的box属于某一类的概率，也有该box准确度的信息。
[0020]
优选的，所述步骤s33得到每个bbox的class-specific confidence score以后，设置阈值，滤掉得分低的boxes，对保留的boxes进行nms处理，得到最终的检测结果。
[0021]
优选的，所述采集生物图像数据通过分布式存储器进行存储。
[0022]
本发明中，所述基于yolo v1算法的生态生物识别方法，通过设置yolo v1算法对生态生物识别，速度快，能够达到实时的要求，在titan x的gpu上能够达到45帧每秒，使用全图作为context信息，把背景错认为物体比较少，泛化能力强。
附图说明
[0023]
图1为本发明提出的基于yolo v1算法的生态生物识别方法的流程图；
[0024]
图2为本发明提出的基于yolo v1算法的生态生物识别方法的yolo v1算法检测流程图。
具体实施方式
[0025]
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。
[0026]
参照图1-2，基于yolo v1算法的生态生物识别方法，包括如下步骤：
[0027]
s1发起生态生物识别请求，根据请求在生态环境中采集生物图像数据；
[0028]
s2采用图像归一法和图像增强法对采集的生物图像数据进行预处理，得到预处理后的生物图像数据；
[0029]
s3通过yolo v1算法对预处理后的生物图像数据进行目标检测；
[0030]
s31选取整张生物图像，将图像resize到s*s个网格作为神经网络的输入；
[0031]
s32运行神经网络，得到一些bounding box坐标，box中包含物体的置信度和class probabilities；
[0032]
s33进行非极大值抑制，筛选boxes，并进行nms处理，得到最终的检测结果；
[0033]
s4将检测后的生物图像与图像信息匹配，进行生态生物识别。
[0034]
本发明中，步骤s2中如果某个object的中心落在这个网格中，则这个神经网格就负责预测这个object。
[0035]
本发明中，步骤s1中的每个网格要预测b个bounding box，每个bounding box除了要回归自身的位置之外，还要附带预测一个confidence值。
[0036]
本发明中，confidence代表了所预测的box中含有object的置信度和这个box预测的有多准两重信息，其值的计算方式为：
[0037][0038]
其中如果有object落在一个grid cell里，第一项取1，否则取0，第二项是预测的bounding box和实际的groundtruth之间的iou值。
[0039]
本发明中，步骤s2每个bounding box要预测(x,y,w,h)和confidence共5个值，每个网格还要预测一个类别信息，记为c类，则sxs个网格中每个网格要预测b个bounding box还要预测c个categories，输出s x s x(5*b c)的一个tensor。
[0040]
本发明中，步骤s3中每个网格预测的class信息和bounding box预测的confidence信息相乘，就得到每个bounding box的class-specific confidence score，这个乘积即encode了预测的box属于某一类的概率，也有该box准确度的信息。
[0041]
本发明中，步骤s33得到每个bbox的class-specific confidence score以后，设置阈值，滤掉得分低的boxes，对保留的boxes进行nms处理，得到最终的检测结果。
[0042]
本发明中，采集生物图像数据通过分布式存储器进行存储。
[0043]
本发明：发起生态生物识别请求，根据请求在生态环境中采集生物图像数据；采用图像归一法和图像增强法对采集的生物图像数据进行预处理，得到预处理后的生物图像数据；通过yolo v1算法对预处理后的生物图像数据进行目标检测；选取整张生物图像，将图像resize到s*s个网格作为神经网络的输入；运行神经网络，得到一些bounding box坐标，box中包含物体的置信度和class probabilities；进行非极大值抑制，筛选boxes，并进行nms处理，得到最终的检测结果；将检测后的生物图像与图像信息匹配，进行生态生物识别。
[0044]
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。