论文部分内容阅读
红外触发相机作为非入侵监测手段,广泛的应用于野生动物的监测中。然而,这种方法无法实现对野生动物的实时监测,且需要大量时间区分误触发图像和野生动物图像。本文针对上述问题,将无线图像传感器网络与深度循环神经网络结合,为野生动物监测与分类提供一种新的解决方案。在实时传输方面,本文通过无线图像传感器网络的硬件系统,实现了对野生动物监测图像的实时采集、传输与存储;在分类方面,本文通过基于Attention-CNN-GRU的野生动物监测图像分类方法实现对误触发图像与野生动物图像的有效分类。本文主要工作如下:1.设计了基于WISN的野生动物监测平台。本文在结合自然保护区环境背景复杂、环境多变的基础上,对野生动物监测平台进行需求分析,提出了系统总体设计方案,从软件、硬件两个方面对监测系统进行设计,通过监测节点、协调节点、服务器节点配合,实现了野生动物监测图像远程、实时、自主采集与传输的功能。2.建立了野生动物监测图像数据集。本文在监测节点和红外相机的基础上,对实地采集和公开数据集中的图像进行整理归纳,建立了包含有32种、60951张野生动物图像数据集。通过计算图像间的相关系数,得出了野生动物监测图像之间的相关性规律,证明了监测节点的拍摄图片存在时空相关性,为野生动物的分类提供研究素材与理论支持。3.提出了一种基于Attention-CNN-GRU的野生动物监测图像分类方法。本文在监测节点拍摄的野生动物图像存在相关性的基础上,将循环神经网络用于图片的序列化分析,有效地提取了野生动物图片之间的时序信息,并将相关系数与注意力机制联系起来,提出了一种基于Attention-CNN-GRU的野生动物监测图像分类方法。实验结果表明,本文提出的基于Attention-CNN-GRU的野生动物监测图像分类方法,可以有效地对监测节点等产生的误触发图片与野生动物监测图像进行分类。