羅 巍邵全琴* 王東亮汪陽春

(1.中國科學(xué)院地理科學(xué)與資源研究所陸地表層格局與模擬院重點(diǎn)實(shí)驗(yàn)室，北京，100101；2.中國科學(xué)院成都山地災(zāi)害與環(huán)境研究所，成都，610041)

基于面向?qū)ο蠓诸惖拇笮鸵吧巢輨?dòng)物識(shí)別方法
——以青海三江源地區(qū)為例

羅 巍1邵全琴1*王東亮1汪陽春2

(1.中國科學(xué)院地理科學(xué)與資源研究所陸地表層格局與模擬院重點(diǎn)實(shí)驗(yàn)室，北京，100101；2.中國科學(xué)院成都山地災(zāi)害與環(huán)境研究所，成都，610041)

大型野生食草動(dòng)物；無人機(jī)影像；多尺度分割；模板匹配；模糊邏輯分類

青海三江源地區(qū)位于中國西部，世界屋脊—青藏高原的腹地，青海省南部，平均海拔3 500～4 800 m，氣候條件極為惡劣，傳統(tǒng)的基于地面觀測(cè)的野生動(dòng)物調(diào)查方法耗時(shí)費(fèi)力，難以長期開展。本文提出了一種基于無人機(jī)航拍影像的大型野生食草動(dòng)物調(diào)查方法，使用2016年7月在三江源地區(qū)獲取的無人機(jī)影像，采用面向?qū)ο蟮挠跋穹治龇椒?，?duì)大型野生食草動(dòng)物進(jìn)行了自動(dòng)識(shí)別和數(shù)量統(tǒng)計(jì)。首先，利用多尺度分割技術(shù)將影像中的動(dòng)物輪廓從背景中大致分割出來；接著，選擇目標(biāo)動(dòng)物的典型樣本生成匹配模板對(duì)分割結(jié)果進(jìn)行分類檢測(cè)，初步找出一些疑似目標(biāo)對(duì)象；然后深入挖掘影像中目標(biāo)動(dòng)物對(duì)象的光譜特征、形狀特征，構(gòu)建特征知識(shí)庫，對(duì)檢測(cè)結(jié)果進(jìn)行篩選；最后，利用目視解譯結(jié)果對(duì)統(tǒng)計(jì)提取出來的動(dòng)物數(shù)量進(jìn)行了精度評(píng)價(jià)。實(shí)驗(yàn)表明，該方法不僅提取速度快，而且精度較高。該方法將有望顯著減少甚至取代部分野生動(dòng)物地面調(diào)查工作，提升野生動(dòng)物調(diào)查的效率和精度。

青海三江源地區(qū)是世界高寒地區(qū)生物多樣性集中區(qū)，據(jù)統(tǒng)計(jì)，區(qū)內(nèi)有國家重點(diǎn)保護(hù)動(dòng)物69種。其中國家Ⅰ級(jí)重點(diǎn)保護(hù)動(dòng)物16種，國家Ⅱ級(jí)重點(diǎn)保護(hù)動(dòng)物53種[1]。自從三江源國家自然保護(hù)區(qū)建立以來，該地區(qū)的生態(tài)環(huán)境明顯改善，大型野生食草動(dòng)物種群數(shù)量逐年增加。如何系統(tǒng)全面地掌握該地區(qū)大型野生食草動(dòng)物的種群數(shù)量成為對(duì)其進(jìn)行科學(xué)合理保護(hù)的關(guān)鍵所在。

現(xiàn)階段各國對(duì)野生動(dòng)物種群數(shù)量監(jiān)測(cè)的方法主要有樣線法[2]、抽樣調(diào)查法[3]、足跡遇見法[4]、有人機(jī)計(jì)數(shù)法[5]以及衛(wèi)星遙感監(jiān)測(cè)法[6]等等。由于野生動(dòng)物個(gè)體相對(duì)較小，其皮毛顏色易與地面混淆，使用衛(wèi)星遙感監(jiān)測(cè)手段很難分辨清楚。再者，三江源地區(qū)海拔較高、氣候惡劣，傳統(tǒng)的人工地面調(diào)查難以開展。

隨著無人機(jī)技術(shù)及航拍技術(shù)的迅速發(fā)展，越來越多的學(xué)者開始借助無人機(jī)航拍的方式監(jiān)測(cè)野生動(dòng)物，如趙忠琴等[7]采用無人機(jī)遙感技術(shù)對(duì)丹頂鶴(Grusjaponensis)進(jìn)行了相關(guān)研究。但其僅僅局限于遙感影像的低層次應(yīng)用，對(duì)目標(biāo)體的識(shí)別仍采用傳統(tǒng)的目視解譯方法。隨著近年來模式識(shí)別、人工智能領(lǐng)域新技術(shù)新方法的不斷出現(xiàn)[8-9]，借助計(jì)算機(jī)算法實(shí)現(xiàn)海量數(shù)據(jù)的自動(dòng)解譯變得不再遙不可及。

eCognition是世界上第一個(gè)面向?qū)ο蟮闹悄芑跋穹治鲕浖?，它模仿人類思維進(jìn)行影像綜合智能分析和信息提取，具有模糊邏輯分類、模型化、復(fù)雜語意分析及整合多源數(shù)據(jù)等功能。通過人機(jī)交互定義的分割尺度、顏色、形狀等參數(shù)進(jìn)行影像對(duì)象分割，以影像對(duì)象為基本空間單元進(jìn)行地物目標(biāo)提取，可應(yīng)用于各種專題研究[10]。本文基于在三江源地區(qū)實(shí)地獲取的大量無人機(jī)航拍數(shù)據(jù)，將eCognition先進(jìn)的影像分析技術(shù)、基于對(duì)象探測(cè)的計(jì)算機(jī)視覺技術(shù)及自動(dòng)化解譯技術(shù)三位一體地應(yīng)用于大型野生食草動(dòng)物的自動(dòng)識(shí)別和統(tǒng)計(jì)，最終取得了良好效果。

1 面向?qū)ο蟮拇笮鸵吧巢輨?dòng)物識(shí)別統(tǒng)計(jì)方法

面向?qū)ο蠓椒愃朴谌祟惔竽X的認(rèn)知過程，首先將圖像分割為不同的對(duì)象，即同質(zhì)像素的集合。通過分割能夠?qū)⒃肼暼诤线M(jìn)對(duì)象之中，從而較好地解決了噪聲干擾問題。接著，選擇具有典型性的目標(biāo)樣本，通過eCognition的模板匹配功能構(gòu)建針對(duì)特定目標(biāo)的識(shí)別模板，初步檢測(cè)出一些疑似目標(biāo)對(duì)象。然后，充分利用動(dòng)物對(duì)象的光譜特征、形狀特征、空間紋理特征等構(gòu)建特征知識(shí)庫，剔除非目標(biāo)對(duì)象。最后，結(jié)合目視解譯的結(jié)果對(duì)統(tǒng)計(jì)出來的各類動(dòng)物數(shù)量進(jìn)行精度評(píng)價(jià)。本文技術(shù)路線圖如圖1所示。

圖1 本文技術(shù)路線Fig.1 Technology roadmap of this paper

1.1 影像預(yù)處理

影像分割過程中，灰度差異較小但分屬不同地物類型的相鄰像元，分割后容易被合并為一個(gè)對(duì)象，從而造成錯(cuò)提、漏提。為此，需對(duì)原始影像進(jìn)行預(yù)處理，增大提取目標(biāo)與背景的反差，以取得更好的分割效果。一種有效的處理方法是對(duì)影像進(jìn)行分段拉伸，增大像元之間灰度值的差距。

1.2 影像分割

面向?qū)ο筇崛〉年P(guān)鍵是影像分割，許多影像分割算法都是針對(duì)影像的灰度特征的，但是僅僅依靠灰度特征將會(huì)造成有破碎邊界的影像目標(biāo)。因此，在分割時(shí)有必要加入形狀因子使對(duì)象更加完整，從而提高分割質(zhì)量。本文采用光譜特征與形狀特征相結(jié)合的多尺度分割方法。先將單個(gè)像元合并為較小的影像對(duì)象，然后再將較小的影像對(duì)象逐漸合并為較大的多邊形對(duì)象。分割時(shí)要遵循兩個(gè)原則：一是盡可能地設(shè)置較大的光譜權(quán)值；二是對(duì)于那些邊界不很光滑但聚集度較高的影像應(yīng)盡可能使用必要的形狀因子。

1.3 模板匹配檢測(cè)

模板匹配以“對(duì)號(hào)入座”的方式選擇一些目標(biāo)的典型樣本生成匹配模板，然后用生成的模板對(duì)分割出來的對(duì)象進(jìn)行分類檢測(cè)。該過程包含兩個(gè)步驟，通過使用模版編輯進(jìn)行模板生成，然后通過使用模板匹配算法進(jìn)行模板應(yīng)用。

1.4 特征知識(shí)庫構(gòu)建

模板匹配檢測(cè)結(jié)果通常存在一定誤差，往往會(huì)把一些不相關(guān)的地物誤分為動(dòng)物。因此，必須結(jié)合影像中動(dòng)物對(duì)象自身的特征構(gòu)建知識(shí)庫，利用知識(shí)庫中的規(guī)則對(duì)檢測(cè)結(jié)果進(jìn)行篩選，從而提高提取精度。本文以三江源地區(qū)具有代表性的大型野生食草動(dòng)物藏野驢(Equuskiang)為例，選取以下幾個(gè)特征構(gòu)建知識(shí)庫。

(1)像元灰度值。藏野驢的皮毛呈棕黑色，與地物背景有較大差異，是較為明顯的特征。

(2)對(duì)象面積。影像中藏野驢對(duì)象的大小一般不超過50個(gè)像元，因此模板匹配檢測(cè)出來的大于50個(gè)像元的對(duì)象應(yīng)予剔除。

(3)最大光譜差異。最大光譜差異值<灰度均值<像元層灰度<對(duì)象特征值。

1.5 對(duì)象分類統(tǒng)計(jì)

分類的結(jié)果是將所有的藏野驢對(duì)象用相同顏色的多邊形標(biāo)記，通過eCognition自帶的函數(shù)對(duì)這些多邊形的個(gè)數(shù)進(jìn)行統(tǒng)計(jì)，從而得到最終結(jié)果。

2 實(shí)驗(yàn)過程

本實(shí)驗(yàn)以青海省果洛藏族自治州瑪多縣作為研究區(qū)，選取2016年7月獲取的無人機(jī)航拍影像作為實(shí)驗(yàn)數(shù)據(jù)。圖2為一幅瑪多縣扎陵湖附近獲取的原始無人機(jī)影像，該影像包括藍(lán)、綠、紅3個(gè)波段，尺寸6 000×4 000像素，空間分辨率為0.15 m。

如圖2中局部放大部分所示，影像中包含大量藏野驢。本實(shí)驗(yàn)即以藏野驢作為目標(biāo)，開展提取實(shí)驗(yàn)。實(shí)驗(yàn)采用Definiens Developer Trial 9.2進(jìn)行。為了增大提取目標(biāo)與背景的反差，以取得更好的分割效果，對(duì)原始影像進(jìn)行了分段拉伸。

接著，對(duì)預(yù)處理后的影像進(jìn)行多尺度分割。為了把藏野驢的輪廓從背景中分割出來，本實(shí)驗(yàn)對(duì)尺度參數(shù)進(jìn)行了多次嘗試，最終確定分割尺度為20，形狀差異性權(quán)值為0.1，緊致度權(quán)值為0.5。

為了從分割結(jié)果中檢測(cè)出藏野驢對(duì)象，本實(shí)驗(yàn)從原始影像中選擇一些典型的藏野驢樣本生成檢測(cè)模板，并不斷對(duì)樣本進(jìn)行測(cè)試，直到檢測(cè)模板的匹配度達(dá)標(biāo)為止，最終設(shè)置的匹配度參數(shù)為80%。

使用生成的匹配模板對(duì)分割結(jié)果進(jìn)行檢測(cè)，初步找出一些疑似藏野驢的對(duì)象，圖3中用紅色予以標(biāo)識(shí)。

圖3的檢測(cè)結(jié)果存在誤分現(xiàn)象，一些不相關(guān)地物(如巖石、塔頭墩等)被當(dāng)成了藏野驢。為了將它們剔除，需要根據(jù)藏野驢對(duì)象的特征構(gòu)建知識(shí)庫。本實(shí)驗(yàn)給出了3條規(guī)則，分別是紅波段值小于55、單個(gè)對(duì)象面積小于50以及Max.Diff值小于0.45。

執(zhí)行上述規(guī)則后圖2中局部放大部分的篩選結(jié)果如圖4右半部分所示，其中藏野驢對(duì)象被標(biāo)記為紅色多邊形。圖4左半部分為對(duì)應(yīng)的原始影像。

篩選完成后我們給出一條規(guī)則(animal at Level merge：number_animal=number)用以統(tǒng)計(jì)藏野驢對(duì)象的數(shù)量(number_animal)，最終得出圖2中的藏野驢數(shù)量為12頭。

為了評(píng)價(jià)本文方法的提取精度，我們給出了一個(gè)直觀的評(píng)價(jià)指標(biāo)，即：

其中，自動(dòng)解譯個(gè)數(shù)即使用本文面向?qū)ο蠓诸惙ǖ玫降膭?dòng)物個(gè)數(shù)，如上可知圖2中藏野驢數(shù)量為12頭。人工解譯個(gè)數(shù)即通過人工數(shù)數(shù)的方法得到的動(dòng)物個(gè)數(shù)，用此方法得出圖2中的藏野驢個(gè)數(shù)為14頭。因此，本文方法的準(zhǔn)確度為12/14×100%=85.7%。

圖2 原始無人機(jī)航拍影像Fig.2 Original UAV aerial image

圖3 匹配模板檢測(cè)結(jié)果Fig.3 Detection result of the matching template

圖4 篩選檢測(cè)結(jié)果Fig.4 The screening detection result

3 討論

本文基于面向?qū)ο蟮乃枷耄接懥艘环N從無人機(jī)航拍影像中自動(dòng)獲取大型野生食草動(dòng)物信息并統(tǒng)計(jì)數(shù)量的方法。首先，綜合應(yīng)用形狀差異性、緊致度等因子大致分割出動(dòng)物對(duì)象；接著構(gòu)建匹配模板對(duì)分割對(duì)象進(jìn)行分類檢測(cè)；然后構(gòu)建規(guī)則知識(shí)庫，利用模糊邏輯進(jìn)一步篩選檢測(cè)結(jié)果；最后對(duì)分類結(jié)果進(jìn)行統(tǒng)計(jì)。通過與人工解譯結(jié)果相比較，該方法具有較高的精度。如何挖掘出更多的動(dòng)物對(duì)象特征，從而進(jìn)一步提高提取精度并擴(kuò)大可提取動(dòng)物的范圍，成為下一步研究的重點(diǎn)。

致謝：中國科學(xué)院動(dòng)物研究所蔣志剛研究員為本次野生動(dòng)物航拍給予了方法指導(dǎo)；中國科學(xué)院西北高原生物研究所李來興副研究員為此次航拍調(diào)查給予了大量幫助；中國科學(xué)院地理科學(xué)與資源研究所樊江文研究員、李俞哲助理研究員為野生動(dòng)物識(shí)別工作提供了大量寶貴經(jīng)驗(yàn)；北京天目創(chuàng)新科技有限公司提供了免費(fèi)的Definiens Developer Trial 9.2版軟件，謹(jǐn)致謝忱！

[1] 邵全琴，樊江文.三江源區(qū)生態(tài)系統(tǒng)綜合監(jiān)測(cè)與評(píng)估[M].北京：科學(xué)出版社，2012：300-301.

[2] 趙垚.淺析我國野生動(dòng)物保護(hù)現(xiàn)狀與對(duì)策[J].山西林業(yè)，2007(6)：4-5.

[3] 魏輔文，婁治平.中國野生動(dòng)物保護(hù)研究現(xiàn)狀[J].中國科學(xué)院院刊，2010，25(6)：668-673.

[4] 劉寧.野生動(dòng)物數(shù)量調(diào)查方法綜述[J].云南林業(yè)科技，1998(2)：58-60.

[5] Ottichilo W K，de Leeuw J，Prins H H T.Population trends of resident wildebeest[Connochaetestaurinushecki(Neumann)]and factors influencing them in the Masai Mara ecosystem，Kenya[J].Biological Conservation，2001，97(3)：271-282.

[6] 馬建維，高中信.遙感技術(shù)在野生動(dòng)物資源調(diào)查中的應(yīng)用[J].野生動(dòng)物，1991，12(4)：3-6.

[7] 趙忠琴，李金錄，馮科民，等.大型水禽航空調(diào)查方法[J].野生動(dòng)物，1985，6(4)：25-27.

[8] 陳自寬，孫穎.基于功率譜分析的指紋實(shí)時(shí)識(shí)別系統(tǒng)[J].光學(xué)學(xué)報(bào)，1994，14(9)：903-907.

[9] 白鵬，牟龍芳，王婕.圖像閾值分割方法的研究[J].科協(xié)論壇，2011(3)：76-77.

[10] Shi Yiqiang，Zhu Xiaoling，Lin Fang.Based on multi-factor objects of high spatial resolution remote sensing image road extraction[J].Journal of Jimei University，2010，15(4)：312-316.

Wild large herbivores；UAV image；Multi-resolution segmentation；Template matching；Fuzzy logical classification

An Object-Oriented Classification Method for Detectdion f Large Wild Herbivores：a Case Study in the Source Region of Three Rivers in Qinghai

Luo Wei1Shao Quanqin1*Wang Dongliang1Wang Yangchun2

(1.Key Laboratory of Land Surface Pattern and Simulation(IGSNRR)，Chinese Academy of Sciences(CAS)，Beijing，100101，China；2.Institute of Mountain Hazards and Environments(CAS)，Chengdu，610041，China)

The source region of the Three Rivers in Qinghai is in western China in the hinterland of the Qinghai Tibet Plateau in southern Qinghai Province.Elevation ranges from 3 500 to 4 800 meters and climate conditions are harsh.In this region，it is difficult to use traditional wildlife monitoring methods.Based on aerial images acquired by unmanned aerial vehicles(UAVs)in this region in July 2016，we used object-oriented image analysis to automatically extract information on large wild herbivores and we analyzed quantitative statistics.First，the contours of the animals in the images were roughly separated from the background using a multi-scale segmentation technique.Next，typical samples of the target animals were selected to generate matching templates to classify and detect the segmentation results and to locate suspected target objects.Then，the spectral features and shape features of the target animal objects in the images were extracted to construct a feature knowledge base and to screen the detection results.Finally，we evaluated accuracy by combining the number of animals extracted from the statistics with those extracted from the results of visual interpretation.This method had both high extraction speed and high precision.The method is expected to significantly reduce or even replace part of the ground survey for wildlife，and improve the efficiency and accuracy of wildlife survey.

稿件運(yùn)行過程

2017-01-10

修回日期：2017-01-23

發(fā)表日期：2017-11-10

Q958.1

A

2310-1490(2017)04-561-04

國家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目(2017YFC0506505；2017YFB0503005)；國家自然科學(xué)基金面上項(xiàng)目(41571504；41501416)；青?？萍加?jì)劃項(xiàng)目(2015-SF-A4-1)

羅巍，男，34歲，博士后；主要從事地圖學(xué)與地理信息系統(tǒng)方面研究。E-mail：luowei@radi.ac.dn

*通訊作者：邵全琴，E-mail：shaoqq@igsnrr.ac.cn