基于面向對象分類的大型野生食草動物識別方法
——以青海三江源地區為例

羅 巍邵全琴* 王東亮汪陽春

(1.中國科學院地理科學與資源研究所陸地表層格局與模擬院重點實驗室，北京，100101；2.中國科學院成都山地災害與環境研究所，成都，610041)

基于面向對象分類的大型野生食草動物識別方法
——以青海三江源地區為例

羅 巍1邵全琴1*王東亮1汪陽春2

(1.中國科學院地理科學與資源研究所陸地表層格局與模擬院重點實驗室，北京，100101；2.中國科學院成都山地災害與環境研究所，成都，610041)

大型野生食草動物；無人機影像；多尺度分割；模板匹配；模糊邏輯分類

青海三江源地區位于中國西部，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，傳統的基于地面觀測的野生動物調查方法耗時費力，難以長期開展。本文提出了一種基于無人機航拍影像的大型野生食草動物調查方法，使用2016年7月在三江源地區獲取的無人機影像，采用面向對象的影像分析方法，對大型野生食草動物進行了自動識別和數量統計。首先，利用多尺度分割技術將影像中的動物輪廓從背景中大致分割出來；接著，選擇目標動物的典型樣本生成匹配模板對分割結果進行分類檢測，初步找出一些疑似目標對象；然后深入挖掘影像中目標動物對象的光譜特征、形狀特征，構建特征知識庫，對檢測結果進行篩選；最后，利用目視解譯結果對統計提取出來的動物數量進行了精度評價。實驗表明，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物地面調查工作，提升野生動物調查的效率和精度。

青海三江源地區是世界高寒地區生物多樣性集中區，據統計，區內有國家重點保護動物69種。其中國家Ⅰ級重點保護動物16種，國家Ⅱ級重點保護動物53種[1]。自從三江源國家自然保護區建立以來，該地區的生態環境明顯改善，大型野生食草動物種群數量逐年增加。如何系統全面地掌握該地區大型野生食草動物的種群數量成為對其進行科學合理保護的關鍵所在。

現階段各國對野生動物種群數量監測的方法主要有樣線法[2]、抽樣調查法[3]、足跡遇見法[4]、有人機計數法[5]以及衛星遙感監測法[6]等等。由于野生動物個體相對較小，其皮毛顏色易與地面混淆，使用衛星遙感監測手段很難分辨清楚。再者，三江源地區海拔較高、氣候惡劣，傳統的人工地面調查難以開展。

隨著無人機技術及航拍技術的迅速發展，越來越多的學者開始借助無人機航拍的方式監測野生動物，如趙忠琴等[7]采用無人機遙感技術對丹頂鶴(Grusjaponensis)進行了相關研究。但其僅僅局限于遙感影像的低層次應用，對目標體的識別仍采用傳統的目視解譯方法。隨著近年來模式識別、人工智能領域新技術新方法的不斷出現[8-9]，借助計算機算法實現海量數據的自動解譯變得不再遙不可及。

eCognition是世界上第一個面向對象的智能化影像分析軟件，它模仿人類思維進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、復雜語意分析及整合多源數據等功能。通過人機交互定義的分割尺度、顏色、形狀等參數進行影像對象分割，以影像對象為基本空間單元進行地物目標提取，可應用于各種專題研究[10]。本文基于在三江源地區實地獲取的大量無人機航拍數據，將eCognition先進的影像分析技術、基于對象探測的計算機視覺技術及自動化解譯技術三位一體地應用于大型野生食草動物的自動識別和統計，最終取得了良好效果。

1 面向對象的大型野生食草動物識別統計方法

面向對象方法類似于人類大腦的認知過程，首先將圖像分割為不同的對象，即同質像素的集合。通過分割能夠將噪聲融合進對象之中，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樣本，通過eCognition的模板匹配功能構建針對特定目標的識別模板，初步檢測出一些疑似目標對象。然后，充分利用動物對象的光譜特征、形狀特征、空間紋理特征等構建特征知識庫，剔除非目標對象。最后，結合目視解譯的結果對統計出來的各類動物數量進行精度評價。本文技術路線圖如圖1所示。

圖1 本文技術路線Fig.1 Technology roadmap of this paper

1.1 影像預處理

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對象，從而造成錯提、漏提。為此，需對原始影像進行預處理，增大提取目標與背景的反差，以取得更好的分割效果。一種有效的處理方法是對影像進行分段拉伸，增大像元之間灰度值的差距。

1.2 影像分割

面向對象提取的關鍵是影像分割，許多影像分割算法都是針對影像的灰度特征的，但是僅僅依靠灰度特征將會造成有破碎邊界的影像目標。因此，在分割時有必要加入形狀因子使對象更加完整，從而提高分割質量。本文采用光譜特征與形狀特征相結合的多尺度分割方法。先將單個像元合并為較小的影像對象，然后再將較小的影像對象逐漸合并為較大的多邊形對象。分割時要遵循兩個原則：一是盡可能地設置較大的光譜權值；二是對于那些邊界不很光滑但聚集度較高的影像應盡可能使用必要的形狀因子。

1.3 模板匹配檢測

模板匹配以“對號入座”的方式選擇一些目標的典型樣本生成匹配模板，然后用生成的模板對分割出來的對象進行分類檢測。該過程包含兩個步驟，通過使用模版編輯進行模板生成，然后通過使用模板匹配算法進行模板應用。

1.4 特征知識庫構建

模板匹配檢測結果通常存在一定誤差，往往會把一些不相關的地物誤分為動物。因此，必須結合影像中動物對象自身的特征構建知識庫，利用知識庫中的規則對檢測結果進行篩選，從而提高提取精度。本文以三江源地區具有代表性的大型野生食草動物藏野驢(Equuskiang)為例，選取以下幾個特征構建知識庫。

(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)對象面積。影像中藏野驢對象的大小一般不超過50個像元，因此模板匹配檢測出來的大于50個像元的對象應予剔除。

(3)最大光譜差異。最大光譜差異值<灰度均值<像元層灰度<對象特征值。

1.5 對象分類統計

分類的結果是將所有的藏野驢對象用相同顏色的多邊形標記，通過eCognition自帶的函數對這些多邊形的個數進行統計，從而得到最終結果。

2 實驗過程

本實驗以青海省果洛藏族自治州瑪多縣作為研究區，選取2016年7月獲取的無人機航拍影像作為實驗數據。圖2為一幅瑪多縣扎陵湖附近獲取的原始無人機影像，該影像包括藍、綠、紅3個波段，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。本實驗即以藏野驢作為目標，開展提取實驗。實驗采用Definiens Developer Trial 9.2進行。為了增大提取目標與背景的反差，以取得更好的分割效果，對原始影像進行了分段拉伸。

接著，對預處理后的影像進行多尺度分割。為了把藏野驢的輪廓從背景中分割出來，本實驗對尺度參數進行了多次嘗試，最終確定分割尺度為20，形狀差異性權值為0.1，緊致度權值為0.5。

為了從分割結果中檢測出藏野驢對象，本實驗從原始影像中選擇一些典型的藏野驢樣本生成檢測模板，并不斷對樣本進行測試，直到檢測模板的匹配度達標為止，最終設置的匹配度參數為80%。

使用生成的匹配模板對分割結果進行檢測，初步找出一些疑似藏野驢的對象，圖3中用紅色予以標識。

圖3的檢測結果存在誤分現象，一些不相關地物(如巖石、塔頭墩等)被當成了藏野驢。為了將它們剔除，需要根據藏野驢對象的特征構建知識庫。本實驗給出了3條規則，分別是紅波段值小于55、單個對象面積小于50以及Max.Diff值小于0.45。

執行上述規則后圖2中局部放大部分的篩選結果如圖4右半部分所示，其中藏野驢對象被標記為紅色多邊形。圖4左半部分為對應的原始影像。

篩選完成后我們給出一條規則(animal at Level merge：number_animal=number)用以統計藏野驢對象的數量(number_animal)，最終得出圖2中的藏野驢數量為12頭。

為了評價本文方法的提取精度，我們給出了一個直觀的評價指標，即：

其中，自動解譯個數即使用本文面向對象分類法得到的動物個數，如上可知圖2中藏野驢數量為12頭。人工解譯個數即通過人工數數的方法得到的動物個數，用此方法得出圖2中的藏野驢個數為14頭。因此，本文方法的準確度為12/14×100%=85.7%。

圖2 原始無人機航拍影像Fig.2 Original UAV aerial image

圖3 匹配模板檢測結果Fig.3 Detection result of the matching template

圖4 篩選檢測結果Fig.4 The screening detection result

3 討論

本文基于面向對象的思想，探討了一種從無人機航拍影像中自動獲取大型野生食草動物信息并統計數量的方法。首先，綜合應用形狀差異性、緊致度等因子大致分割出動物對象；接著構建匹配模板對分割對象進行分類檢測；然后構建規則知識庫，利用模糊邏輯進一步篩選檢測結果；最后對分類結果進行統計。通過與人工解譯結果相比較，該方法具有較高的精度。如何挖掘出更多的動物對象特征，從而進一步提高提取精度并擴大可提取動物的范圍，成為下一步研究的重點。

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

[1] 邵全琴，樊江文.三江源區生態系統綜合監測與評估[M].北京：科學出版社，2012：300-301.

[2] 趙垚.淺析我國野生動物保護現狀與對策[J].山西林業，2007(6)：4-5.

[3] 魏輔文，婁治平.中國野生動物保護研究現狀[J].中國科學院院刊，2010，25(6)：668-673.

[4] 劉寧.野生動物數量調查方法綜述[J].云南林業科技，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.遙感技術在野生動物資源調查中的應用[J].野生動物，1991，12(4)：3-6.

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

[8] 陳自寬，孫穎.基于功率譜分析的指紋實時識別系統[J].光學學報，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.

稿件運行過程

2017-01-10

修回日期：2017-01-23

發表日期：2017-11-10

Q958.1

A

2310-1490(2017)04-561-04

國家重點研發計劃項目(2017YFC0506505；2017YFB0503005)；國家自然科學基金面上項目(41571504；41501416)；青海科技計劃項目(2015-SF-A4-1)

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

*通訊作者：邵全琴，E-mail：shaoqq@igsnrr.ac.cn