本技術(shù)涉及圖像處理，具體而言，涉及一種動(dòng)物識(shí)別方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、野生動(dòng)物種類繁多，很多野生動(dòng)物的外形、顏色非常相似，并且由于野外環(huán)境復(fù)雜，野生動(dòng)物運(yùn)動(dòng)軌跡隨機(jī)等因素影響，從攝像頭拍攝到的野生動(dòng)物圖片中準(zhǔn)確識(shí)別出野生動(dòng)物存在一定的難度。

2、現(xiàn)有技術(shù)中采用的方式是基于深度學(xué)習(xí)進(jìn)行野生動(dòng)物識(shí)別，具體是通過(guò)大量的樣本圖像預(yù)先訓(xùn)練得到神經(jīng)網(wǎng)絡(luò)模型，然后基于神經(jīng)網(wǎng)絡(luò)模型對(duì)包含動(dòng)物的圖像進(jìn)行識(shí)別，從而得到圖像中包含的動(dòng)物名稱。

3、但是，采用目前的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行圖像識(shí)別時(shí)，對(duì)于一些相似度較高的不同科類的動(dòng)物以及同一科類下的不同屬種的動(dòng)物存在誤識(shí)別率較高的問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、本技術(shù)的目的在于，針對(duì)上述現(xiàn)有技術(shù)中的不足，提供一種動(dòng)物識(shí)別方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)，以解決現(xiàn)有技術(shù)中對(duì)于一些相似度較高的不同科類的動(dòng)物以及同一科類下的不同屬種的動(dòng)物存在誤識(shí)別率較高的問(wèn)題。

2、為實(shí)現(xiàn)上述目的，本技術(shù)采用的技術(shù)方案如下：

3、第一方面，本技術(shù)提供了一種動(dòng)物識(shí)別方法，所述方法包括：

4、獲取多個(gè)樣本數(shù)據(jù)，所述樣本數(shù)據(jù)中包括：樣本圖像、位置標(biāo)注信息、第一標(biāo)注信息和第二標(biāo)注信息，所述第一標(biāo)注信息用于指示所述樣本圖像中動(dòng)物的科類信息，所述第二標(biāo)注信息用于指示所述樣本圖像中動(dòng)物的名稱，所述位置標(biāo)注信息用于表征動(dòng)物在所述樣本圖像中的位置；

5、將各所述樣本圖像輸入第一初始分類模型中，基于各所述樣本圖像的第一標(biāo)注信息以及位置標(biāo)注信息對(duì)所述第一初始分類模型進(jìn)行訓(xùn)練，得到第一分類模型；

6、將各所述樣本圖像輸入對(duì)應(yīng)的第二初始分類模型中，分別基于各所述樣本圖像的第二標(biāo)注信息對(duì)所述第二初始分類模型進(jìn)行訓(xùn)練，得到多個(gè)第二分類模型；

7、將包含待識(shí)別動(dòng)物的待識(shí)別圖像輸入所述第一分類模型，由所述第一分類模型識(shí)別得到所述待識(shí)別圖像中所述待識(shí)別動(dòng)物的目標(biāo)科類以及位置信息；

8、根據(jù)所述待識(shí)別動(dòng)物的目標(biāo)科類以及位置信息，將所述待識(shí)別圖像輸入所述目標(biāo)科類對(duì)應(yīng)的目標(biāo)第二分類模型，得到所述待識(shí)別動(dòng)物的動(dòng)物名稱，其中，所述目標(biāo)第二分類模型為多個(gè)第二分類模型中的一個(gè)，各所述第二分類模型分別對(duì)應(yīng)一種科類，且各所述第二分類模型且用于識(shí)別對(duì)應(yīng)的科類內(nèi)的動(dòng)物的名稱。

9、可選地，所述將各所述樣本圖像輸入第一初始分類模型中，基于各所述樣本圖像的第一標(biāo)注信息以及位置標(biāo)注信息對(duì)所述第一初始分類模型進(jìn)行訓(xùn)練，得到第一分類模型，包括：

10、將各所述樣本圖像輸入所述第一初始分類模型中，由所述第一初始分類模型預(yù)測(cè)得到各所述樣本圖像的預(yù)測(cè)位置以及預(yù)測(cè)科類；

11、根據(jù)所述預(yù)測(cè)位置、所述預(yù)測(cè)科類、所述位置標(biāo)注信息以及所述第一標(biāo)注信息對(duì)所述第一初始分類模型進(jìn)行迭代訓(xùn)練，得到所述第一分類模型。

12、可選地，所述將各所述樣本圖像輸入第一初始分類模型中，基于各所述樣本圖像的第一標(biāo)注信息以及位置標(biāo)注信息對(duì)所述第一初始分類模型進(jìn)行訓(xùn)練，得到第一分類模型之前，還包括：

13、獲取各所述樣本圖像中動(dòng)物的科類信息，對(duì)各所述樣本圖像的動(dòng)物科類進(jìn)行格式轉(zhuǎn)換，得到各所述第一標(biāo)注信息。

14、可選地，所述將各所述樣本圖像輸入對(duì)應(yīng)的第二初始分類模型中，分別基于各所述樣本圖像的第二標(biāo)注信息對(duì)所述第二初始分類模型進(jìn)行訓(xùn)練，得到多個(gè)第二分類模型，包括：

15、基于所述第一標(biāo)注信息、第二標(biāo)注信息以及所述位置標(biāo)注信息將各所述樣本圖像分為多個(gè)目標(biāo)樣本圖像集，各所述目標(biāo)樣本圖像集分別包括一種動(dòng)物的樣本圖像；

16、將所述目標(biāo)樣本圖像集輸入對(duì)應(yīng)的第二初始分類模型中，分別基于目標(biāo)樣本圖像集中各樣本圖像的第二標(biāo)注信息對(duì)所述第二初始分類模型進(jìn)行訓(xùn)練，得到第二分類模型。

17、可選地，所述基于所述第一標(biāo)注信息、第二標(biāo)注信息以及所述位置標(biāo)注信息將各所述樣本圖像分為多個(gè)目標(biāo)樣本圖像集，包括：

18、基于各所述樣本圖像的位置標(biāo)注信息，對(duì)各所述樣本圖像進(jìn)行裁剪，得到裁剪后樣本圖像；

19、基于各所述裁剪后樣本圖像的第一標(biāo)注信息對(duì)各所述裁剪后樣本圖像進(jìn)行分類，得到多個(gè)科類樣本圖像集；

20、基于各所述裁剪后樣本圖像的第二標(biāo)注信息對(duì)各所述科類樣本圖像集中的樣本圖像進(jìn)行分類，得到多個(gè)目標(biāo)樣本圖像集。

21、可選地，所述將所述目標(biāo)樣本圖像集輸入對(duì)應(yīng)的第二初始分類模型中，分別基于目標(biāo)樣本圖像集中各樣本圖像的第二標(biāo)注信息對(duì)所述第二初始分類模型進(jìn)行訓(xùn)練，得到第二分類模型，包括：

22、將所述目標(biāo)樣本圖像集中的樣本圖像依次輸入所述第二初始分類模型，由所述第二初始分類模型預(yù)測(cè)得到各所述樣本圖像的預(yù)測(cè)名稱；

23、基于各所述樣本圖像的預(yù)測(cè)名稱以及各所述樣本圖像的第二標(biāo)注信息對(duì)所述第二初始分類模型進(jìn)行迭代訓(xùn)練，得到所述第二分類模型。

24、可選地，所述根據(jù)所述待識(shí)別動(dòng)物的目標(biāo)科類以及位置信息，將所述待識(shí)別圖像輸入所述目標(biāo)科類對(duì)應(yīng)的目標(biāo)第二分類模型，得到所述待識(shí)別動(dòng)物的動(dòng)物名稱，包括：

25、根據(jù)所述位置信息對(duì)所述待識(shí)別圖像進(jìn)行裁剪，得到裁剪后圖像；

26、根據(jù)所述待識(shí)別動(dòng)物的目標(biāo)科類確定所述目標(biāo)科類對(duì)應(yīng)的所述目標(biāo)第二分類模型；

27、將所述裁剪后圖像輸入所述目標(biāo)第二分類模型，由所述第二分類模型識(shí)別得到所述待識(shí)別動(dòng)物的動(dòng)物名稱。

28、第二方面，本技術(shù)提供了一種動(dòng)物識(shí)別裝置，所述裝置包括：

29、獲取模塊，用于獲取多個(gè)樣本數(shù)據(jù)，所述樣本數(shù)據(jù)中包括：樣本圖像、位置標(biāo)注信息、第一標(biāo)注信息和第二標(biāo)注信息，所述第一標(biāo)注信息用于指示所述樣本圖像中動(dòng)物的科類信息，所述第二標(biāo)注信息用于指示所述樣本圖像中動(dòng)物的名稱，所述位置標(biāo)注信息用于表征動(dòng)物在所述樣本圖像中的位置；

30、第一訓(xùn)練模塊，用于將各所述樣本圖像輸入第一初始分類模型中，基于各所述樣本圖像的第一標(biāo)注信息以及位置標(biāo)注信息對(duì)所述第一初始分類模型進(jìn)行訓(xùn)練，得到第一分類模型；

31、第二訓(xùn)練模塊，用于將各所述樣本圖像輸入對(duì)應(yīng)的第二初始分類模型中，分別基于各所述樣本圖像的第二標(biāo)注信息對(duì)所述第二初始分類模型進(jìn)行訓(xùn)練，得到多個(gè)第二分類模型；

32、第一識(shí)別模塊，用于將包含待識(shí)別動(dòng)物的待識(shí)別圖像輸入所述第一分類模型，由所述第一分類模型識(shí)別得到所述待識(shí)別圖像中所述待識(shí)別動(dòng)物的目標(biāo)科類以及位置信息；

33、第二識(shí)別模塊，用于根據(jù)所述待識(shí)別動(dòng)物的目標(biāo)科類以及位置信息，將所述待識(shí)別圖像輸入所述目標(biāo)科類對(duì)應(yīng)的目標(biāo)第二分類模型，得到所述待識(shí)別動(dòng)物的動(dòng)物名稱，其中，所述目標(biāo)第二分類模型為多個(gè)第二分類模型中的一個(gè)，各所述第二分類模型分別對(duì)應(yīng)一種科類，且各所述第二分類模型且用于識(shí)別對(duì)應(yīng)的科類內(nèi)的動(dòng)物的名稱。

34、可選地，所述第一訓(xùn)練模塊具體用于：

35、將各所述樣本圖像輸入所述第一初始分類模型中，由所述第一初始分類模型預(yù)測(cè)得到各所述樣本圖像的預(yù)測(cè)位置以及預(yù)測(cè)科類；

36、根據(jù)所述預(yù)測(cè)位置、所述預(yù)測(cè)科類、所述位置標(biāo)注信息以及所述第一標(biāo)注信息對(duì)所述第一初始分類模型進(jìn)行迭代訓(xùn)練，得到所述第一分類模型。

37、可選地，所述第一訓(xùn)練模塊還具體用于：

38、獲取各所述樣本圖像中動(dòng)物的科類信息，對(duì)各所述樣本圖像的動(dòng)物科類進(jìn)行格式轉(zhuǎn)換，得到各所述第一標(biāo)注信息。

39、可選地，所述第二訓(xùn)練模塊具體用于：

40、基于所述第一標(biāo)注信息、第二標(biāo)注信息以及所述位置標(biāo)注信息將各所述樣本圖像分為多個(gè)目標(biāo)樣本圖像集，各所述目標(biāo)樣本圖像集分別包括一種動(dòng)物的樣本圖像；

41、將所述目標(biāo)樣本圖像集輸入對(duì)應(yīng)的第二初始分類模型中，分別基于目標(biāo)樣本圖像集中各樣本圖像的第二標(biāo)注信息對(duì)所述第二初始分類模型進(jìn)行訓(xùn)練，得到第二分類模型。

42、可選地，所述第二訓(xùn)練模塊具體用于：

43、基于各所述樣本圖像的位置標(biāo)注信息，對(duì)各所述樣本圖像進(jìn)行裁剪，得到裁剪后樣本圖像；

44、基于各所述裁剪后樣本圖像的第一標(biāo)注信息對(duì)各所述裁剪后樣本圖像進(jìn)行分類，得到多個(gè)科類樣本圖像集；

45、基于各所述裁剪后樣本圖像的第二標(biāo)注信息對(duì)各所述科類樣本圖像集中的樣本圖像進(jìn)行分類，得到多個(gè)目標(biāo)樣本圖像集。

46、可選地，所述第二訓(xùn)練模塊具體用于：

47、將所述目標(biāo)樣本圖像集中的樣本圖像依次輸入所述第二初始分類模型，由所述第二初始分類模型預(yù)測(cè)得到各所述樣本圖像的預(yù)測(cè)名稱；

48、基于各所述樣本圖像的預(yù)測(cè)名稱以及各所述樣本圖像的第二標(biāo)注信息對(duì)所述第二初始分類模型進(jìn)行迭代訓(xùn)練，得到所述第二分類模型。

49、可選地，所述第二識(shí)別模塊具體用于：

50、根據(jù)所述位置信息對(duì)所述待識(shí)別圖像進(jìn)行裁剪，得到裁剪后圖像；

51、根據(jù)所述待識(shí)別動(dòng)物的目標(biāo)科類確定所述目標(biāo)科類對(duì)應(yīng)的所述目標(biāo)第二分類模型；

52、將所述裁剪后圖像輸入所述目標(biāo)第二分類模型，由所述第二分類模型識(shí)別得到所述待識(shí)別動(dòng)物的動(dòng)物名稱。

53、第三方面，本技術(shù)實(shí)施例還提供了一種電子設(shè)備，包括：處理器、存儲(chǔ)介質(zhì)和總線，所述存儲(chǔ)介質(zhì)存儲(chǔ)有所述處理器可執(zhí)行的機(jī)器可讀指令，當(dāng)電子設(shè)備運(yùn)行時(shí)，所述處理器與所述存儲(chǔ)介質(zhì)之間通過(guò)總線通信，所述處理器執(zhí)行所述機(jī)器可讀指令，以執(zhí)行如第一方面中任一項(xiàng)所述的動(dòng)物識(shí)別方法的步驟。

54、第四方面，本技術(shù)實(shí)施例還提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)上存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器運(yùn)行時(shí)執(zhí)行如第一方面中任一項(xiàng)所述的動(dòng)物識(shí)別方法的步驟。

55、本技術(shù)的有益效果是：通過(guò)對(duì)樣本圖像添加表示科類信息的第一標(biāo)注信息以及表示動(dòng)物名稱的第二標(biāo)注信息，可以使得樣本圖像能夠滿足第一分類模型和第二分類模型的訓(xùn)練，減少了人工標(biāo)注數(shù)據(jù)集的工作量。通過(guò)第一分類模型可以提升對(duì)科間動(dòng)物識(shí)別的準(zhǔn)確性，通過(guò)第二分類模型可以提升對(duì)科內(nèi)動(dòng)物識(shí)別的準(zhǔn)確性，并且首先對(duì)科類信息進(jìn)行識(shí)別，然后基于識(shí)別到的科類將圖像輸入對(duì)應(yīng)的第二分類模型進(jìn)行細(xì)粒度分類和識(shí)別，使得識(shí)別的過(guò)程更加精細(xì)化，有效降低了科間以及科內(nèi)動(dòng)物的誤識(shí)別率。

56、為使本技術(shù)的上述目的、特征和優(yōu)點(diǎn)能更明顯易懂，下文特舉較佳實(shí)施例，并配合所附附圖，作詳細(xì)說(shuō)明如下。