(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210392165.2 (22)申请日 2022.04.14 (71)申请人 澜途集思生态科技 集团有限公司 地址 100000 北京市海淀区蓝靛厂东路2号 院金源时代商务中心 2号楼A座6D (72)发明人 杨志峰　沈永明　张远　蔡宴朋　 (74)专利代理 机构 北京市京师律师事务所 11665 专利代理师 黄熊 (51)Int.Cl. G06V 40/00(2022.01) G06V 10/82(2022.01) G06V 10/80(2022.01) G06V 10/764(2022.01) G06V 10/40(2022.01)G06V 10/25(2022.01) G06V 10/20(2022.01) (54)发明名称 基于RefineDet算法的生态生物 识别方法 (57)摘要 本发明公开了基于RefineDet算法的生态生 物识别方法， 包括如下步骤： 收集生态生物特征， 将收集的生态特征进行分类， 并建立生态特征数 据库； 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 据进行处理， 得到处理后的生物图像数据； 通过 RefineDet算法对处理后的生物图像 数据进行目 标检测； 将生物图像特征与生态特征数据库中的 特征数据进行对比识别。 本发明通过设置 RefineDet算法， 采用启发式采样的两阶段结构 来处理类不平衡， 使用两步的级联回归， 对于不 同位置尺 寸的目标进行准确回归， 能够缓解不平 衡样本问题， 提高检测精度。 权利要求书1页 说明书3页 附图1页 CN 114898393 A 2022.08.12 CN 114898393 A 1.基于Refi neDet算法的生态生物 识别方法， 其特 征在于， 包括如下步骤： S1收集生态生物特 征， 将收集的生态特 征进行分类， 并建立 生态特征数据库； S2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； S3对采集的生物图像数据进行处 理， 得到处 理后的生物图像数据； S4通过Refi neDet算法对处 理后的生物图像数据进行目标检测； S41输入640像素 ×640像素的待检测生物图像， 在ARM中经过卷积层 特征提取后得到不 同大小的特征图， 可粗略预估生物的位置和得分， 并滤除一些无效候选区， 以减少分类器的 搜索空间 并且粗略地调整保留区域的位置和大小； S42然后， ARM 的特征图输入到ODM中， 将高层特征与底层特征进行融合， 用来增强底层 特征的语义信息， 以便检测更小的生物目标； S43最后ODM对特征融合后的人脸候选区域进行更精确的回归， 并且通过非极大值抑制 算法得到不同尺度人脸的检测结果； S5将生物图像特 征与生态特 征数据库中的特 征数据进行对比识别。 2.根据权利要求1所述的基于RefineDet算法的生态生物识别方法， 其特征在于， 所述 步骤S4的RefineDet算法使用环境为： 在Win10操作系统下进行， 计算机配置为NVIDIA   GeForce GTX 1080Ti显卡， 采用的深度学习框架为Caf fe。 3.根据权利要求1所述的基于RefineDet算法的生态生物识别方法， 其特征在于， 所述 步骤S41的特 征提取网络为ResNet101。 4.根据权利要求1所述的基于RefineDet算法的生态生物识别方法， 其特征在于， 所述 步骤S3将待识别生物图像数据数据进行拆分处理： 将待识别图像数据进行拆分， 剔除无用 数据信息， 将有用数据信息进行合并存 储。 5.根据权利要求1所述的基于RefineDet算法的生态生物识别方法， 其特征在于， 所述 ARM模块专注于二分类任务， 为后续ODM模块过滤掉大量简单的负样本， 同时进行初级的边 框校正， 为后续的ODM模块 提供更好的边框回归起 点。 6.根据权利要求1所述的基于RefineDet算法的生态生物识别方法， 其特征在于， 所述 ODM模块把ARM优化过的anc hor作为输入， 专 注于多分类任务和进一 步的边框校正。 7.根据权利要求1所述的基于RefineDet算法的生态生物识别方法， 其特征在于， 所述 ODM模块通过TCB连接， 转换ARM的特征， 并融合高层的特征， 以得到感受野丰富、 细节充足、 内容抽象的特 征。 8.根据权利要求1所述的基于RefineDet算法的生态生物识别方法， 其特征在于， 所述 步骤S5将识别成功结果进行发送， 并将生态环境的图像数据特征存储至生态特征数据库 中。权　利　要　求　书 1/1 页 2 CN 114898393 A 2基于RefineDet算法的生态生物识别方 法 技术领域 [0001]本发明涉及生物识别技术领域， 尤其涉及基于RefineDet算法的生态生物识别方 法。 背景技术 [0002]水生物是判断河 水是否受到污染的有效参照物。 河水中不同化学物质的分布和浓 度， 将决定河中水生物的类型构成。 一些水生物在某种河流条件下可以繁殖很快， 在另一环 境下则可能死亡， 这是由河水中的不同成分决定的。 因此， 只要分析河流中水生物的类型构 成， 就可对某一河段中存在什么样的化学物质做出判断。 然而， 现有的生物识别不便于对小 目标进行检测， 且不便 于对复杂背景 下生物的识别， 识别率较差 。 发明内容 [0003]基于背景技术存在的技术问题， 本发明提出了基于RefineDet算法的生态生物识 别方法。 [0004]本发明提出的基于Refi neDet算法的生态生物 识别方法， 包括如下步骤： [0005]S1收集生态生物特 征， 将收集的生态特 征进行分类， 并建立 生态特征数据库； [0006]S2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； [0007]S3对采集的生物图像数据进行处 理， 得到处 理后的生物图像数据； [0008]S4通过Refi neDet算法对处 理后的生物图像数据进行目标检测； [0009]S41输入640像素 ×640像素的待检测生物图像， 在ARM中经过卷积层特征提取后得 到不同大小的特征图， 可粗略预估生物的位置和得分， 并滤除一些无效候选区， 以减少分类 器的搜索空间 并且粗略地调整保留区域的位置和大小； [0010]S42然后， ARM的特征图输入到ODM中， 将高层特征与底层特征进行融合， 用来增强 底层特征的语义信息， 以便检测更小的生物目标； [0011]S43最后ODM对特征融合后的人脸候选区域进行更精确的回归， 并且通过非极大值 抑制算法得到不同尺度人脸的检测结果； [0012]S5将生物图像特 征与生态特 征数据库中的特 征数据进行对比识别。 [0013]优选的， 所述步骤S4的RefineDet算法使用环境为： 在Win10操作系统下进行， 计算 机配置为 NVIDIA GeForce GTX 1080Ti显卡， 采用的深度学习框架为Caf fe。 [0014]优选的， 所述 步骤S41的特 征提取网络为ResNet101。 [0015]优选的， 所述步骤S3将待识别生物图像数据数据进行拆分处理： 将待识别图像数 据进行拆分， 剔除无用数据信息， 将有用数据信息进行合并存 储。 [0016]优选的， 所述ARM模块专注于二分类任务， 为后续ODM模块过滤掉大量简单的负样 本， 同时进行初级的边框校正， 为后续的ODM模块 提供更好的边框回归起 点。 [0017]优选的， 所述ODM模块把ARM优化过 的anchor作为输入， 专注于多分类任务和进一 步的边框校正。说　明　书 1/3 页 3 CN 114898393 A 3