專利名稱：一種生物檢測方法、裝置及生物檢測器的制作方法
技術領域：
本申請涉及模式識別技術領域，更具體的說，是涉及一種生物檢測方法、裝置及生物檢測器。
背景技術：
目前，國內(nèi)外對于生物尤其是野生動物的識別檢測主要以動物的斑紋為特征進行識別為主要識別方案，例如斑馬、長頸鹿等 ，即對待識別圖像中的生物的斑紋進行識別該待識別圖像中的生物是否為斑馬或長頸鹿等。但現(xiàn)有的上述方案無法廣泛應用于其他動物的準確識別，尤其是對大熊貓為代表的沒有明顯紋路特征的生物。

發(fā)明內(nèi)容
有鑒于此，本申請?zhí)峁┝艘环N生物檢測方法、裝置及生物檢測器，用以解決現(xiàn)有的生物識別方案中無法廣泛應用于除斑馬或長頸鹿之外的生物的準確識別，尤其是大熊貓等生物的技術問題。為實現(xiàn)上述目的，本申請?zhí)峁┤缦录夹g方案一種生物檢測方法，包括提取待識別圖像中未知生物的顏色特征數(shù)據(jù)及形狀特征數(shù)據(jù)；計算所述顏色特征數(shù)據(jù)與所述形狀特征數(shù)據(jù)的高斯混合概率；判斷所述高斯混合概率在預設的概率范圍適應規(guī)則中所屬的概率范圍值，并確定與所述概率范圍值相對應的生物類別作為所述未知生物隸屬的類別。上述方法，優(yōu)選的，所述顏色特征數(shù)據(jù)包括與所述待識別圖像中未知生物相對應的一維特征矢量值；所述提取待識別圖像中未知生物的顏色特征數(shù)據(jù)包括提取待識別圖像中未知生物的圖像數(shù)據(jù)；獲取所述未知生物的圖像數(shù)據(jù)的顏色空間矢量；其中，所述顏色空間矢量包括色調(diào)空間矢量、飽和度空間矢量和亮度空間矢量；將所述色調(diào)空間矢量、飽和度空間矢量和亮度空間矢量進行降維；依據(jù)降維的色調(diào)空間矢量、飽和度空間矢量和亮度空間矢量及各自的量化級值，生成與所述未知生物相對應的一維特征矢量值。上述方法，優(yōu)選的，所述形狀特征數(shù)據(jù)包括與所述待識別圖像中未知生物相對應的不變矩值。上述方法，優(yōu)選的，所述提取待識別圖像中未知生物的形狀特征數(shù)據(jù)包括提取待識別圖像中未知生物的圖像數(shù)據(jù)；將所述未知生物的圖像數(shù)據(jù)轉(zhuǎn)換為灰度圖像數(shù)據(jù)；提取所述灰度圖像數(shù)據(jù)中每個像素點的灰度值；依據(jù)所述每個像素點的灰度值確定所述待識別圖像中未知生物的形狀特征數(shù)據(jù)。
上述方法，優(yōu)選的，所述計算所述顏色特征數(shù)據(jù)與所述形狀特征數(shù)據(jù)的高斯混合概率包括獲取預設的生物顏色特征及形狀特征的高斯混合模型，所述高斯混合模型包括三個參數(shù)值，所述三個參數(shù)值分別為混合加權值、均值向量值和協(xié)方差矩陣；將所述顏色特征數(shù)據(jù)與所述形狀特征數(shù)據(jù)置入所述高斯混合模型，生成高斯混合概率值。上述方法，優(yōu)選的，所述判斷所述高斯混合概率在預設的概率范圍適應規(guī)則中所屬概率范圍值，并確定與所述概率范圍值相對應的生物類別作為所述未知生物隸屬的類別包括預先設置概率范圍適應規(guī)則，所述概率范圍適應規(guī)則包括生物的顏色特征與形狀特征數(shù)據(jù)的高斯混合概率所屬的概率范圍值；
判斷所述未知生物的高斯混合概率在所述概率范圍適應規(guī)則中所屬的概率范圍值；依據(jù)預設的概率類別對應規(guī)則，確定與所述未知生物的高斯混合概率所屬的概率范圍值相對應的生物類別；將確定的生物類別作為所述未知生物隸屬的類別。本申請還提供了一種生物檢測裝置，包括特征數(shù)據(jù)提取單元，用于提取待識別圖像中未知生物的顏色特征數(shù)據(jù)及形狀特征數(shù)據(jù)；混合概率計算單元，用于計算所述顏色特征數(shù)據(jù)與所述形狀特征數(shù)據(jù)的高斯混合概率；生物類別判斷單元，用于判斷所述高斯混合概率在預設的概率范圍適應規(guī)則中所屬的概率范圍值，并確定與所述概率范圍值相對應的生物類別作為所述未知生物隸屬的類別。上述裝置，優(yōu)選的，所述顏色特征數(shù)據(jù)包括與所述待識別圖形中未知生物相對應的一維特征矢量值；所述特征數(shù)據(jù)提取單元包括第一特征提取子單元，用于提取待識別圖像中未知生物的圖像數(shù)據(jù)，獲取所述未知生物的圖像數(shù)據(jù)的顏色空間矢量，將所述色調(diào)空間矢量、飽和度空間矢量和亮度空間矢量進行降維，并依據(jù)降維的色調(diào)空間矢量、飽和度空間矢量和亮度空間矢量及各自的量化級值，生成與所述未知生物相對應的一維特征矢量值；其中，所述顏色空間矢量包括色調(diào)空間矢量、飽和度空間矢量和亮度空間矢量。上述裝置，優(yōu)選的，所述形狀特征數(shù)據(jù)包括與所述待識別圖像中未知生物相對應的不變矩值。上述裝置，優(yōu)選的，所述特征數(shù)據(jù)提取單元包括第二特征提取子單元，用于提取待識別圖像中未知生物的圖像數(shù)據(jù)，將所述未知生物的圖像數(shù)據(jù)轉(zhuǎn)換為灰度圖像數(shù)據(jù)，提取所述灰度圖像數(shù)據(jù)中每個像素點的灰度值，并依據(jù)所述每個像素點的灰度值確定所述待識別圖像中未知生物的形狀特征數(shù)據(jù)。上述裝置，優(yōu)選的，所述混合概率計算單元包括
模型建立子單元，用于獲取預設的生物顏色特征及形狀特征的高斯混合模型，所述高斯混合模型包括三個參數(shù)值，所述三個參數(shù)值分別為混合加權值、均值向量值和協(xié)方差矩陣；數(shù)據(jù)計算子單元，用于將所述顏色特征數(shù)據(jù)與所述形狀特征數(shù)據(jù)置入所述高斯混合模型，生成高斯混合概率值。上述裝置，優(yōu)選的，所述生物類別判定單元包括規(guī)則設定子單元，用于預先設置概率范圍適應規(guī)則，所述概率范圍適應規(guī)則包括生物的顏色特征與形狀特征數(shù)據(jù)的高斯混合概率所屬的概率范圍值；范圍確定子單元，用于判斷所述未知生物的高斯混合概率在所述概率范圍適應規(guī)則中所屬的概率范圍值；類別確定子單元，用于依據(jù)預設的概率類別對應規(guī)則，確定與所述未知生物的高斯混合概率所屬的概率范圍值相對應的生物類別，將確定的生物類別作為所述未知生物隸 屬的類別。本申請還提供了一種生物檢測器，包括如上述任意一項所述的生物檢測裝置。由上述方案可知，本申請?zhí)峁┑囊环N生物檢測方法、裝置及生物檢測器，通過提取未知生物的顏色特征數(shù)據(jù)和形狀特征數(shù)據(jù)，對該特征數(shù)據(jù)進行高斯混合概率計算，從而依據(jù)該未知生物的高斯混合概率值判定其在預設的概率范圍適應規(guī)則中所屬的概率范圍值，由此確定與該概率范圍值相對應的生物類別作為待識別的未知生物隸屬的類別，相對于現(xiàn)有技術中只能依據(jù)生物的斑紋識別斑馬或長頸鹿的方案，本申請能夠廣泛應用于多種生物的準確識別，尤其是對大熊貓等生物的準確識別。


為了更清楚地說明本申請實施例或現(xiàn)有技術中的技術方案，下面將對實施例或現(xiàn)有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本申請的實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)提供的附圖獲得其他的附圖。圖I為本申請實施例一提供的一種生物檢測方法流程圖；圖2為本申請實施例二提供的一種生物檢測方法的部分流程圖；圖3為本申請實施例二提供的一種生物檢測方法獲取的某一未知生物的顏色的一維特征矢量值；圖4為本申請實施例三提供的一種生物檢測方法的部分流程圖；圖5為本申請實施例四提供的一種生物檢測方法的部分流程圖；圖6為本申請實施例五提供的一種生物檢測方法的部分流程圖；圖7為本申請實施例六提供的一種生物檢測裝置的結(jié)構(gòu)示意圖；圖8為本申請實施例七提供的一種生物檢測裝置的結(jié)構(gòu)示意圖；圖9為本申請實施例八提供的一種生物檢測裝置的結(jié)構(gòu)示意圖；圖10為本申請實施例八提供的一種生物檢測裝置的另一結(jié)構(gòu)示意圖；圖11為本申請實施例九提供的一種生物檢測裝置的結(jié)構(gòu)示意圖；圖12為本申請實施例九提供的一種生物檢測裝置的另一結(jié)構(gòu)示意圖13為本申請實施例十提供的一種生物檢測裝置的結(jié)構(gòu)示意圖；圖14為本申請實施例十提供的一種生物檢測裝置的另一結(jié)構(gòu)示意圖；圖15為本申請實施例十提供的一種生物檢測裝置的另一結(jié)構(gòu)示意圖；圖16為本申請實施例十提供的一種生物檢測裝置的另一結(jié)構(gòu)示意圖；圖17為應用本申請實施例十中提取的小熊貓的顏色直方圖；圖18為應用本申請實施例十中提取的北極熊的顏色直方圖；圖19為應用本申請實施例十中提取的大熊貓的顏色直方圖；圖20為應用本申請實施例十對多個未知生物的形狀特征數(shù)據(jù)進行提取之后得到 多個未知生物各自的不變矩值。
具體實施例方式下面將結(jié)合本申請實施例中的附圖，對本申請實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本申請一部分實施例，而不是全部的實施例?；诒旧暾堉械膶嵤├绢I域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本申請保護的范圍。實施例一參考圖1，其示出了本申請實施例一提供的一種生物檢測方法的流程圖，所述方法包括步驟101 :提取待識別圖像中未知生物的顏色特征數(shù)據(jù)及形狀特征數(shù)據(jù)。其中，所述步驟101提取的顏色特征數(shù)據(jù)及形狀特征數(shù)據(jù)是指在所述待識別圖像中提取所述未知生物的圖像，并在所述未知生物的圖像中提取顏色特征數(shù)據(jù)及形狀特征數(shù)據(jù)。步驟102 :計算所述顏色特征數(shù)據(jù)與所述形狀特征數(shù)據(jù)的高斯混合概率。其中，所述步驟102是指計算所述顏色特征數(shù)據(jù)及所述形狀特征數(shù)據(jù)兩者的高斯混合概率。步驟103 :判斷所述高斯混合概率在預設的概率范圍適應規(guī)則中所屬的概率范圍值。其中，所述概率范圍適應規(guī)則為預先設置，其中包括多種生物的高斯概率范圍值，在所述步驟102中計算得到所述未知生物的高斯混合概率之后，判斷該高斯混合概率在所述多種生物的高斯概率范圍值中進行匹配，得到所述高斯混合概率在所述概率范圍適應規(guī)則中所述的概率范圍值。步驟104 :確定與所述概率范圍值相對應的生物類別作為所述未知生物隸屬的類別。其中，所述步驟103中判斷得到的概率范圍值是與某一生物相對應的，由此，確定與所述概率范圍值相對應的生物類別作為所述未知生物隸屬的類別。由上述方案可知，本申請實施例一提供的一種生物檢測方法，通過提取未知生物的顏色特征數(shù)據(jù)和形狀特征數(shù)據(jù)，對該特征數(shù)據(jù)進行高斯混合概率計算，從而依據(jù)該未知生物的高斯混合概率值判定其在預設的概率范圍適應規(guī)則中所屬的概率范圍值，由此確定與該概率范圍值相對應的生物類別作為待識別的未知生物隸屬的類別，相對于現(xiàn)有技術中只能依據(jù)生物的斑紋識別斑馬或長頸鹿的方案，本申請能夠廣泛應用于多種生物的準確識別，尤其是對大熊貓等生物的準確識別。參考圖2，其示出了本申請實施例二提供的一種生物檢測方法的部分流程圖，其中，所述步驟101中，提取待識別圖形中未知生物的顏色特征數(shù)據(jù)的方法可以包括以下步驟步驟201 :提取待識別圖像中未知生物的圖像數(shù)據(jù)。優(yōu)選的，所述顏色特征數(shù)據(jù)包括與所述待識別圖像中未知生物相對應的一維特征矢量值。在獲取所述未知生物的顏色空間矢量時，需要首先在所述待識別圖像中，提取所述未知生物的圖像數(shù)據(jù)，用于后期矢量獲取。步驟202 :獲取所述未知生物的圖像數(shù)據(jù)的顏色空間矢量；其中，所述顏色空間矢量包括色調(diào)空間矢量、飽和度空間矢量和亮度空間矢量。需要說明的是，根據(jù)光學原理物體的顏色與光的波長和頻率相關，不同的色光在真空中的波長和頻率的范圍不一樣，一張彩色圖像的色調(diào)空間矢量H由第O至第316個色調(diào)等級表示，飽和度空間矢量S由O至I的等級范圍表示，亮度空間矢量由O至I的等級范圍表示。步驟203 :將所述色調(diào)空間矢量、飽和度空間矢量和亮度空間矢量進行降維；其中，由于一張彩色圖像的顏色信息非常豐富，得到的顏色特征數(shù)據(jù)的直方圖矢量的維數(shù)非常大，而人眼對顏色的分辨力有限，所以需要將顏色空間矢量進行量化將顏色空間矢量劃分成有限個子空間區(qū)域，將大致相近的顏色換分至同一個子空間區(qū)域，從而達到降維的目的。例如，在對大熊貓進行檢測識別時進行降維的具體實現(xiàn)方式如下 I、按照人眼的視覺分辨能力，把所述色調(diào)空間矢量H劃分為8份，把所述飽和度空間矢量S劃分為3份，把所述亮度空間矢量V劃分為3份。2、由上述可知，由光學原理物體的顏色與光的波長和頻率相關，不同的色光在真空中的波長和頻率的范圍不一樣，因此將上述色調(diào)空間矢量H、飽和度空間矢量S和亮度空間矢量V各自的分量進行不等間隔量化，如下述公式
0Λ G [316,20]
1He [21,40]
2Ag [41,75]
3Λ G [76，155]= ^
4/ e [156,190]
5Ae [191，270] O ve
0 ve0 0.2]
6/ e[217,295]5 = |l se
F = 11 ve
7/ e [296,315] [ 2 se
[ 2 ve
步驟204:依據(jù)降維的色調(diào)空間矢量、飽和度空間矢量和亮度空間矢量及各自的量化級值，生成與所述未知生物相對應的一維特征矢量值。例如按照上述步驟203的第2步中的量化過程的量化級，將上述3個空間矢量進行一維化G=HQsQv+SQv+V其中，G為所述未知生物相對應的一維特征矢量值，Qs為所述飽和度空間矢量S的量化級，Qv為所述亮度空間矢量V的量化級。取Qs及Qv分別為3，此時，上述公式為G=9H+3S+V由上述步驟203中所述色調(diào)空間矢量H、飽和度空間矢量S和亮度空間矢量V各自的不等間隔量化值可知，上述公式中的一維特征矢量值的數(shù)據(jù)值取值范圍為
。所述未知生物的一維特征矢量值可以由72柄的一維直方圖進行表示，例如，如圖3，為某一未知生物的一維特征矢量值。需要說明的是，優(yōu)選的，在獲取到所述未知生物的顏色特征數(shù)據(jù)之后，所述方法還 包括將所述未知生物的顏色特征數(shù)據(jù)進行保存。由上述方案可知，本申請實施例二提供的一種生物檢測方法，通過提取未知生物的顏色空間矢量，并對該顏色空間矢量進行量化進而得到該未知生物的顏色特征數(shù)據(jù)(一維特征矢量值)，同時獲取該未知生物的形狀特征數(shù)據(jù)，對該特征數(shù)據(jù)進行高斯混合概率計算，從而依據(jù)該未知生物的高斯混合概率值判定其在預設的概率范圍適應規(guī)則中所屬的概率范圍值，由此確定與該概率范圍值相對應的生物類別作為待識別的未知生物隸屬的類另O，相對于現(xiàn)有技術中只能依據(jù)生物的斑紋識別斑馬或長頸鹿的方案，本申請能夠廣泛應用于多種生物的準確識別，尤其是對大熊貓等生物的準確識別。其中，優(yōu)選的，本申請實施例一的所述形狀特征數(shù)據(jù)包括與所述待識別圖像中未知生物相對應的不變矩值。參考圖4，其示出了本申請實施例三提供的一種生物檢驗方法的部分流程圖，其中，所述步驟101中，提取待識別圖像中未知生物的形狀特征數(shù)據(jù)的方法可以包括以下步驟步驟401 :提取待識別圖像中未知生物的圖像數(shù)據(jù)。其中，在獲取所述未知生物的形狀特征數(shù)據(jù)之前，首先在所述待識別圖像中，提取所述未知生物的圖像數(shù)據(jù)。優(yōu)選的，所述形狀特征數(shù)據(jù)包括與所述待識別圖像中未知生物相對應的不變矩值。步驟402 :將所述未知生物的圖像數(shù)據(jù)轉(zhuǎn)換為灰度圖像數(shù)據(jù)。需要說明的是，在進行提取所述未知生物的形狀特征數(shù)據(jù)時，為提高所述形狀特征數(shù)據(jù)提取的效率及準確性，需要將未知生物的圖像數(shù)據(jù)進行灰度處理，此時，由于原待識別圖像或所述未知生物的圖像數(shù)據(jù)只是在顏色特征上發(fā)生了變化，并不影響所述未知生物的形狀特征。步驟403 :提取所述灰度圖像數(shù)據(jù)中每個像素點的灰度值。步驟404 :依據(jù)所述每個像素點的灰度值確定所述待識別圖像中未知生物的形狀特征數(shù)據(jù)。其中，由上述可知，所述形狀特征數(shù)據(jù)包括圖像的不變矩值，所述不變矩值所包含的7個矩陣具有RST不變形。此時，所述步驟403及所述404的具體實現(xiàn)可以包括以下步驟；I、設f(x，y)表示所述未知生物的圖像數(shù)據(jù)中位于坐標(x，y)的像素點的灰度值，定義f(i，j)的P+q階矩表示為
權利要求
1.一種生物檢測方法，其特征在于，包括 提取待識別圖像中未知生物的顏色特征數(shù)據(jù)及形狀特征數(shù)據(jù)； 計算所述顏色特征數(shù)據(jù)與所述形狀特征數(shù)據(jù)的高斯混合概率； 判斷所述高斯混合概率在預設的概率范圍適應規(guī)則中所屬的概率范圍值，并確定與所述概率范圍值相對應的生物類別作為所述未知生物隸屬的類別。
2.根據(jù)權利要求I所述的方法，其特征在于，所述顏色特征數(shù)據(jù)包括與所述待識別圖像中未知生物相對應的一維特征矢量值； 所述提取待識別圖像中未知生物的顏色特征數(shù)據(jù)包括 提取待識別圖像中未知生物的圖像數(shù)據(jù)； 獲取所述未知生物的圖像數(shù)據(jù)的顏色空間矢量； 其中，所述顏色空間矢量包括色調(diào)空間矢量、飽和度空間矢量和亮度空間矢量； 將所述色調(diào)空間矢量、飽和度空間矢量和亮度空間矢量進行降維； 依據(jù)降維的色調(diào)空間矢量、飽和度空間矢量和亮度空間矢量及各自的量化級值，生成與所述未知生物相對應的一維特征矢量值。
3.根據(jù)權利要求I所述的方法，其特征在于，所述形狀特征數(shù)據(jù)包括與所述待識別圖像中未知生物相對應的不變矩值。
4.根據(jù)權利要求I所述的方法，其特征在于，所述提取待識別圖像中未知生物的形狀特征數(shù)據(jù)包括 提取待識別圖像中未知生物的圖像數(shù)據(jù)； 將所述未知生物的圖像數(shù)據(jù)轉(zhuǎn)換為灰度圖像數(shù)據(jù)； 提取所述灰度圖像數(shù)據(jù)中每個像素點的灰度值； 依據(jù)所述每個像素點的灰度值確定所述待識別圖像中未知生物的形狀特征數(shù)據(jù)。
5.根據(jù)權利要求I所述的方法，其特征在于，所述計算所述顏色特征數(shù)據(jù)與所述形狀特征數(shù)據(jù)的高斯混合概率包括 獲取預設的生物顏色特征及形狀特征的高斯混合模型，所述高斯混合模型包括三個參數(shù)值，所述三個參數(shù)值分別為混合加權值、均值向量值和協(xié)方差矩陣； 將所述顏色特征數(shù)據(jù)與所述形狀特征數(shù)據(jù)置入所述高斯混合模型，生成高斯混合概率值。
6.根據(jù)權利要求I所述的方法，其特征在于，所述判斷所述高斯混合概率在預設的概率范圍適應規(guī)則中所屬概率范圍值，并確定與所述概率范圍值相對應的生物類別作為所述未知生物隸屬的類別包括 預先設置概率范圍適應規(guī)則，所述概率范圍適應規(guī)則包括生物的顏色特征與形狀特征數(shù)據(jù)的高斯混合概率所屬的概率范圍值； 判斷所述未知生物的高斯混合概率在所述概率范圍適應規(guī)則中所屬的概率范圍值； 依據(jù)預設的概率類別對應規(guī)則，確定與所述未知生物的高斯混合概率所屬的概率范圍值相對應的生物類別； 將確定的生物類別作為所述未知生物隸屬的類別。
7.一種生物檢測裝置，其特征在于，包括 特征數(shù)據(jù)提取單元，用于提取待識別圖像中未知生物的顏色特征數(shù)據(jù)及形狀特征數(shù)據(jù)；混合概率計算單元，用于計算所述顏色特征數(shù)據(jù)與所述形狀特征數(shù)據(jù)的高斯混合概率；生物類別判斷單元，用于判斷所述高斯混合概率在預設的概率范圍適應規(guī)則中所屬的概率范圍值，并確定與所述概率范圍值相對應的生物類別作為所述未知生物隸屬的類別。
8.根據(jù)權利要求7所述的裝置，其特征在于，所述顏色特征數(shù)據(jù)包括與所述待識別圖形中未知生物相對應的一維特征矢量值； 所述特征數(shù)據(jù)提取單元包括 第一特征提取子單元，用于提取待識別圖像中未知生物的圖像數(shù)據(jù)，獲取所述未知生物的圖像數(shù)據(jù)的顏色空間矢量，將所述色調(diào)空間矢量、飽和度空間矢量和亮度空間矢量進行降維，并依據(jù)降維的色調(diào)空間矢量、飽和度空間矢量和亮度空間矢量及各自的量化級值，生成與所述未知生物相對應的一維特征矢量值； 其中，所述顏色空間矢量包括色調(diào)空間矢量、飽和度空間矢量和亮度空間矢量。
9.根據(jù)權利要求7所述的裝置，其特征在于，所述形狀特征數(shù)據(jù)包括與所述待識別圖像中未知生物相對應的不變矩值。
10.根據(jù)權利要求7所述的裝置，其特征在于，所述特征數(shù)據(jù)提取單元包括 第二特征提取子單元，用于提取待識別圖像中未知生物的圖像數(shù)據(jù)，將所述未知生物的圖像數(shù)據(jù)轉(zhuǎn)換為灰度圖像數(shù)據(jù)，提取所述灰度圖像數(shù)據(jù)中每個像素點的灰度值，并依據(jù)所述每個像素點的灰度值確定所述待識別圖像中未知生物的形狀特征數(shù)據(jù)。
11.根據(jù)權利要求7所述的裝置，其特征在于，所述混合概率計算單元包括 模型建立子單元，用于獲取預設的生物顏色特征及形狀特征的高斯混合模型，所述高斯混合模型包括三個參數(shù)值，所述三個參數(shù)值分別為混合加權值、均值向量值和協(xié)方差矩陣； 數(shù)據(jù)計算子單元，用于將所述顏色特征數(shù)據(jù)與所述形狀特征數(shù)據(jù)置入所述高斯混合模型，生成高斯混合概率值。
12.根據(jù)權利要求7所述的裝置，其特征在于，所述生物類別判定單元包括 規(guī)則設定子單元，用于預先設置概率范圍適應規(guī)則，所述概率范圍適應規(guī)則包括生物的顏色特征與形狀特征數(shù)據(jù)的高斯混合概率所屬的概率范圍值； 范圍確定子單元，用于判斷所述未知生物的高斯混合概率在所述概率范圍適應規(guī)則中所屬的概率范圍值； 類別確定子單元，用于依據(jù)預設的概率類別對應規(guī)則，確定與所述未知生物的高斯混合概率所屬的概率范圍值相對應的生物類別，將確定的生物類別作為所述未知生物隸屬的類別。
13.一種生物檢測器，其特征在于，包括如權利要求7至12任意一項所述的生物檢測裝置。
全文摘要
本申請?zhí)峁┝艘环N生物檢測方法、裝置及生物檢測器，所述方法包括提取待識別圖像中未知生物的顏色特征數(shù)據(jù)及形狀特征數(shù)據(jù)；計算所述顏色特征數(shù)據(jù)與所述形狀特征數(shù)據(jù)的高斯混合概率；判斷所述高斯混合概率在預設的概率范圍適應規(guī)則中所屬的概率范圍值，并確定與所述概率范圍值相對應的生物類別作為所述未知生物隸屬的類別。通過本申請實施例能夠廣泛應用于多種生物的準確識別，尤其是對大熊貓等生物的準確識別。
文檔編號G06K9/62GK102867193SQ20121034175
公開日2013年1月9日 申請日期2012年9月14日 優(yōu)先權日2012年9月14日
發(fā)明者陳鵬, 武德安, 吳磊, 劉杰, 馮江遠, 吳華明 申請人:成都國科海博計算機系統(tǒng)有限公司