基于GBDNet算法的生态生物识别方法与流程

基于gbdnet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gbdnet算法的生态生物识别方法。


背景技术：

2.生物特征识别是身份认证的传统技术手段，人脸检测、虹膜识别是其中常用的技术手段。不管是使用手机还是专门的生物检测设备，生物检测都是必须的步骤，检测设备需要确认检测对象是人类活体，而不是照片、录像、模型等。然而，现有的检测的准确率和安全性较低。


技术实现要素：

3.基于背景技术存在的技术问题，本发明提出了基于gbdnet算法的生态生物识别方法。
4.本发明提出的基于gbdnet算法的生态生物识别方法，包括如下步骤
5.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；
6.s2对采集的生物图像数据进行分析，得到分析后的生物图像数据，并进行存储；
7.s3通过gbdnet算法对处理后的生物图像数据进行目标检测；
8.s31运用了carft进行region-proposal的提取；
9.s32在pretrain的时候，分成两类：一是以图片中心分类进行预训练，一是以对象为中心进行预训练；
10.s33 gbd-net的提出we need not must go deeper,we can use context,不同上下文区域的特征相互验证control the flow of message passing；
11.s34在video领域，直接利用gbd net，进行优化；
12.s4将检测后的生物图像数据进行生态生物识别。
13.优选的，所述步骤s34中加入still-image detection、muld-context suppression、motion-guided propagation。
14.优选的，所述步骤s1采集生物图像数据时，获取待识别对象的眼球图像，以及待识别对象朝向的当前环境的环境图像，判断眼球图像中所述待识别对象针对当前环境的反射明暗信息，与环境图像中的实际明暗信息是否匹配，如果是，则确定所述待识别对象为生物体。
15.优选的，所述步骤s1采集采用识别设备进行采集，识别设备为带有前置摄像头和后置摄像头的智能设备，前置摄像头拍摄的信息中获取待识别对象的眼球图像，后置摄像头拍摄的信息中获取待识别对象朝向的环境图像。
16.优选的，所述步骤s2采集的生物图像数据进行分析：基于卷积神经网络将:待识别的生物图像转换为第一目标图像，第一目标图像由卷积神经网络基于单通道处理为灰度图像。
17.优选的，所述第一目标图像归一化处理为预设大小的第二目标图像，第二目标图
像进行特征提取以获取用于进行生物识别的特征图像。
18.优选的，所述卷积神经网络包括依次连接的第一卷积层、池化层、第一非线性函数层、第二卷积层、第二非线性函数、第三卷积层以及全连接层。
19.优选的，所述步骤s1之前还建立历史数据库，历史数据库收集生态生物的特征数据，将检测后的生物图像数据与历史数据库中的生态生物特征数据进行对比识别。
20.本发明中，所述基于gbdnet算法的生态生物识别方法，通过设置有gbdnet算法，进行不同上下文区域的特征相互验证，提高了生物识别的精度，同时，实现了准确的生物体识别，提高了生物体识别的效率。
附图说明
21.图1为本发明提出的基于gbdnet算法的生态生物识别方法的流程图；
22.图2为本发明提出的基于gbdnet算法的生态生物识别方法的gbdnet算法目标检测流程图。
具体实施方式
23.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。
24.参照图1-2，基于gbdnet算法的生态生物识别方法，包括如下步骤
25.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；
26.s2对采集的生物图像数据进行分析，得到分析后的生物图像数据，并进行存储；
27.s3通过gbdnet算法对处理后的生物图像数据进行目标检测；
28.s31运用了carft进行region-proposal的提取；
29.s32在pretrain的时候，分成两类：一是以图片中心分类进行预训练，一是以对象为中心进行预训练；
30.s33 gbd-net的提出we need not must go deeper,we can use context,不同上下文区域的特征相互验证control the flow of message passing；
31.s34在video领域，直接利用gbd net，进行优化；
32.s4将检测后的生物图像数据进行生态生物识别。
33.本发明中，步骤s34中加入still-image detection、muld-context suppression、motion-guided propagation。
34.本发明中，步骤s1采集生物图像数据时，获取待识别对象的眼球图像，以及待识别对象朝向的当前环境的环境图像，判断眼球图像中待识别对象针对当前环境的反射明暗信息，与环境图像中的实际明暗信息是否匹配，如果是，则确定待识别对象为生物体。
35.本发明中，步骤s1采集采用识别设备进行采集，识别设备为带有前置摄像头和后置摄像头的智能设备，前置摄像头拍摄的信息中获取待识别对象的眼球图像，后置摄像头拍摄的信息中获取待识别对象朝向的环境图像。
36.本发明中，步骤s2采集的生物图像数据进行分析：基于卷积神经网络将:待识别的生物图像转换为第一目标图像，第一目标图像由卷积神经网络基于单通道处理为灰度图像。
37.本发明中，第一目标图像归一化处理为预设大小的第二目标图像，第二目标图像进行特征提取以获取用于进行生物识别的特征图像。
38.本发明中，卷积神经网络包括依次连接的第一卷积层、池化层、第一非线性函数层、第二卷积层、第二非线性函数、第三卷积层以及全连接层。
39.本发明中，步骤s1之前还建立历史数据库，历史数据库收集生态生物的特征数据，将检测后的生物图像数据与历史数据库中的生态生物特征数据进行对比识别。
40.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；对采集的生物图像数据进行分析，得到分析后的生物图像数据，并进行存储；通过gbdnet算法对处理后的生物图像数据进行目标检测；运用了carft进行region-proposal的提取；在pretrain的时候，分成两类：一是以图片中心分类进行预训练，一是以对象为中心进行预训练；gbd-net的提出we need not must go deeper,we can use context,不同上下文区域的特征相互验证control the flow of message passing；在video领域，直接利用gbd net，进行优化；将检测后的生物图像数据进行生态生物识别。
41.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。