[发明专利]基于轮廓关键点和注意力机制的鱼类种类识别方法及系统

说明书

本发明公开了一种基于轮廓关键点和注意力机制的鱼类种类识别方法及系统，涉及鱼类种类识别领域，所述方法包括：获取目标鱼体的目标图像；将目标图像输入精准轮廓关键点模型中，得到目标图像的轮廓点和轮廓关键点；采用稀疏采样的方法，根据目标图像的轮廓点计算目标鱼体的距离特征数据，根据目标图像的轮廓关键点计算目标鱼体的角度特征数据；将目标鱼体的距离特征数据和目标鱼体的角度特征数据融合，得到目标融合特征；将目标融合特征输入鱼类种类识别模型中，得到目标鱼体的种类。本发明能提高鱼类种类识别的精度。

技术领域

本发明涉及鱼类种类识别领域，特别是涉及一种基于轮廓关键点和注意力机制的鱼类种类识别方法及系统。

背景技术

为了分析研究鱼类多样性问题，其中最关键问题是对鱼类种类进行识别。针对该需求，大量科研技术人员做了较多的研究工作，并取得了一定的效果。但是针对待识别的图像或者视频数据，由于是水下环境，图像质量会受到影响，而且存在噪声、失真、目标遮挡严重等问题，同时鱼类存在多姿态问题，因此，基于图像的鱼类种类识别算法具有较大的难度。

传统的鱼类种类识别方案依靠手工提取目标的特征，具有一定的效果，但是受图像质量影响比较严重，同时算法只适用了特定场景，缺乏通用性，另外算法不易改进，稳定性不好。

近些年随着人工智能的发展，尤其是深度学习在图像目标识别方面的落地应用，基于深度学习的鱼类识别算法，为解决鱼类识别问题提供了新的方案。但是如果直接使用开源的数据、算法和程序，不结合实际场景的具体问题，实际效果也无法满足需求。具体问题及存在的难点主要包括：算法通用性问题、算法适用性问题、目标遮挡问题、目标多尺度变化问题、目标形变问题、细粒度目标分类问题以及检出率低问题。

为了解决上述问题，目前，常用的深度学习种类识别算法方案是将目标定位问题和鱼类分类任务统一成一个任务，在设计深度学习网络的时候，采用one-stage的方式，将任务设计为端到端的处理方式，提高了算法效率，但是同时也存在一定的问题，由于目标定位采用目标检测方法，该方法在目标定位的时候会有较多的背景区域，背景区域会对目标识别造成干扰，从而影响识别精度；另外如果采用目标分割算法，能够在一定程度上减少背景干扰，但是通常存在分割不精准，导致轮廓提取不精准问题，而且由于定位和分类设计成一个任务，两个任务的权重无法精准设计，会出现其中某一项任务识别精度较低的情况。因此，鱼类种类识别的精度仍有待提高。

发明内容

基于此，本发明实施例提供一种基于轮廓关键点和注意力机制的鱼类种类识别方法及系统，以提高鱼类种类识别的精度。

为实现上述目的，本发明提供了如下方案：

基于轮廓关键点和注意力机制的鱼类种类识别方法，包括：

获取目标鱼体的目标图像；

将所述目标图像输入精准轮廓关键点模型中，得到所述目标图像的轮廓点和轮廓关键点；

采用稀疏采样的方法，根据所述目标图像的轮廓点计算所述目标鱼体的距离特征数据，根据所述目标图像的轮廓关键点计算所述目标鱼体的角度特征数据；

将所述目标鱼体的距离特征数据和所述目标鱼体的角度特征数据融合，得到目标融合特征；

将所述目标融合特征输入鱼类种类识别模型中，得到所述目标鱼体的种类；

其中，所述精准轮廓关键点模型的确定方法为：

获取已标注种类的训练鱼体的训练图像；

提取所述训练图像中鱼的轮廓区域进行提取，得到所述训练图像的轮廓点；

将所述轮廓点中满足设定条件的点确定为轮廓关键点；所述设定条件包括轮廓点曲率大于设定曲率值、所述轮廓点与质心的距离大于相邻轮廓点与质心的距离或者所述轮廓点与质心的距离小于相邻轮廓点与质心的距离；