斑纹物种中个体的自动检测与识别

视觉动物生物识别正迅速普及，因其为野生动物监测应用提供了非侵入且经济高效的方法。相机陷阱的广泛使用导致大量图像采集，使视觉内容的人工处理难以管理。本工作中，我们开发了用于虎、斑马与美洲豹等不同斑纹物种中个体自动检测与识别的框架。多数现有系统主要依赖人工输入来定位动物，难以扩展到大型数据集。为使检测过程自动化同时保持对模糊、部分遮挡、光照与姿态变化的鲁棒性，我们使用近期提出的 Faster-RCNN 目标检测框架来高效检测图像中的动物。我们进一步从动物体侧提取 AlexNet 特征，并训练逻辑回归（或线性 SVM）分类器以识别个体。我们主要在一个相机陷阱虎图像数据集上测试并评估框架，该数据集含图像质量、动物姿态、尺度与光照各异的图像。我们还在斑马与美洲豹图像上评估识别系统，以展示对其他斑纹物种的泛化能力。我们的框架在相机陷阱虎图像上给出完美检测结果，且与最先进识别技术相比具有相似或更好的个体识别性能。