(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 202210347670.5 (22)申请日 2022.04.01 (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 40/70(2022.01) G06V 10/75(2022.01) G06V 10/25(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) (54)发明名称 基于DSOD算法的生态生物 识别方法 (57)摘要 本发明公开了基于DSOD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 集的生态特征进行收集分类， 并建立分布式生态 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； 通过DSOD算法 对采集的生物图像数据进行目标检测； 将得到的 所需识别的生物 图像数据与分布式生态特征数 据库中的特征数据进行对比识别。 本发明在DSOD 中引入RFB_a网络模块和Atrous卷积层予以改 进， 具有更高的检测精度， 提高了对小目标的检 测能力， 同时降低了训练网络的硬件设备要求， 提高了生物 识别的精度。 权利要求书1页 说明书3页 附图2页 CN 114627564 A 2022.06.14 CN 114627564 A 1.基于DSOD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收集分类， 并建立分布式生态特征数据 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通过DSOD算法对 采集的生物图像数据进行目标检测； S31将DSOD网络的第二个转接层产生的特 征图输入到RFB_a网络模块中； S32经过RFB_a网络不同采样步长的Atrous卷积提取具有不同感受野的特征， 为后续检 测小目标步骤提供 所需特征； S33在第二个无池化转接层后加入采样步长为6的Atrous卷积层， 增加特征图的语义信 息； S34在损失函数中加入IOG惩罚项， 防止在预测密集的同类型目标时出现同类预测框重 叠， 避免在NMS后处 理时出现漏检； S4将得到的所需识别的生物图像数据与分布式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DSOD算法的生态生物识别方法， 其特征在于， 所述步骤S3 的DSOD被划分成两个部分： 用来提取特征的骨干网络和用于预测多尺度特征图的前端网 络。 3.根据权利要求2所述的基于DSOD算法的生态生物识别方法， 其特征在于， 所述骨干网 络是DenseNet的变种， 包括stem  block,， 四个密集块， 两个transitionlayers和两个池化 层， 前端网络通过精细的密集结构融合多尺度特 征图。 4.根据权利要求3所述的基于DSOD算法的生态生物识别方法， 其特征在于， 所述stem   block定义为多个3x3卷积和2x2池化的堆叠块。 5.根据权利 要求1所述的基于DSOD算法的生态生物识别方法， 其特征在于， 所述步骤S3 采用的特 征提取网络是DenseNet。 6.根据权利 要求1所述的基于DSOD算法的生态生物识别方法， 其特征在于， 所述步骤S2 还对采集生物图像数据进 行处理， 判断生物图像场景颜色是否丰富， 场景颜色丰富时， 采用 灰度世界法对图像进行白平衡处 理。 7.根据权利 要求1所述的基于DSOD算法的生态生物识别方法， 其特征在于， 所述步骤S2 采集生物图像数据后， 对生物图像数据进行加密， 并进行存 储。 8.根据权利 要求1所述的基于DSOD算法的生态生物识别方法， 其特征在于， 所述步骤S4 中设置有提示模块， 生物图像数据与分布式生态特征数据库对比识别通过提示模块进 行发 送提示信息。权　利　要　求　书 1/1 页 2 CN 114627564 A 2基于DSOD 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D SOD算法的生态生物 识别方法。 背景技术 [0002]所谓生物识别技术就是， 通过计算机与光学、 声学、 生物传感器和生物统计学原理 等高科技手段密切结合， 利用生物固有的生理特性， 和行为特征来进 行生物身份的鉴定。 然 而， 现有的生物 识别技术对小目标的检测能力差， 对硬件设备要求高。 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DSOD算法的生态生物识别方 法。 [0004]本发明提出的基于D SOD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收集分类， 并建立分布式生态特征 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通过DSOD算法对 采集的生物图像数据进行目标检测； [0008]S31将DSOD网络的第二个转接层产生的特 征图输入到RFB_a网络模块中； [0009]S32经过RFB_a网络不同采样 步长的Atrous卷积提取具有不同感受野的特征， 为后 续检测小目标步骤提供 所需特征； [0010]S33在第二个无池化转接层后加入采样 步长为6的Atrou s卷积层， 增加特征图的语 义信息； [0011]S34在损失函数中加入IOG惩罚项， 防止在预测密集的同类型目标时出现同类预测 框重叠， 避免在NMS后处 理时出现漏检； [0012]S4将得到 的所需识别的生物图像数据与分布式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S3的DSOD被划分成两个部分： 用来提取特征的骨干网络和用于 预测多尺度特 征图的前端网络 。 [0014]优选的， 所述骨干网络是DenseNet的变种， 包括stem  block,， 四个密集块， 两个 transition layers和两个池化层， 前端网络通过精细的密集结构融合多尺度特 征图。 [0015]优选的， 所述stem  block定义为多个3x3卷积和2x2池化的堆叠块。 [0016]优选的， 所述 步骤S3采用的特 征提取网络是DenseNet。 [0017]优选的， 所述步骤S2还对采集生物图像数据进行处理， 判断生物图像场景颜色是 否丰富， 场景颜色丰富时， 采用灰度世界法对图像进行白平衡处 理。 [0018]优选的， 所述步骤S2采集生物图像数据后， 对生物图像数据进行加密， 并进行存 储。 [0019]优选的， 所述步骤S4中设置有提示模块， 生物图像数据与分布式生态特征数据库说　明　书 1/3 页 3 CN 114627564 A 3