一种基于云平台的动物管理方法及系统

技术领域

本发明涉及动物管理技术领域，尤其涉及一种基于云平台的动物管理方法及系统。

背景技术

动物管理学是一门应用技术学科。它以野生动物生态学作为自己的理论基础，并侧重于管理实践的研究。它是应用各学科的理论与技术，是指导野生动物管理实践的一门综合性技术学科，过去的动物管理，一直延用传统的“喂养”模式。而对动物的生命体征信息、动物的健康信息以及动物的运动与健康、动物的饮食与健康、动物的繁育与健康等信息的采集与处理一直是亟需解决的问题，随着科技的不断发展，我国野生动物保护事业成效显著，已形成了自然保护区为主的野外保护、救护繁育、科技支撑、执法监管和陆生野生动物疫源疫病监测防控五大管理体系；

经检索，中国专利号CN113671892A公开了一种基于云平台的动物管理方法和动物管理系统，该发明虽然为动物的健康管理、病理解释和医疗方案提供数据，对动物的喂养起到帮助和指导的作用，但是对动物的跟踪精度低，无法进行充分的跨监控匹配；此外，现有的基于云平台的动物管理方法及系统的服务器使用时间过长会导致端口响应速度变慢，同时服务器内存压缩效率低；为此，我们提出一种基于云平台的动物管理方法及系统。

发明内容

本发明的目的是为了解决现有技术中存在的缺陷，而提出的一种基于云平台的动物管理方法及系统。

为了实现上述目的，本发明采用了如下技术方案：

一种基于云平台的动物管理方法，该管理方法具体步骤如下：

(1)录入各动物信息并对录入信息分类标记；

(2)对各区域动物进行级联检测并进行异常分析；

(3)反馈异常动物信息并将该动物移动至管控区；

(4)轮播白板显示服务器运行信息定期进行性能优化。

作为本发明的进一步方案，步骤(1)所述分类标记具体步骤如下：

步骤一：服务器接收工作人员上传的动物信息，并按照动物种类对其进行分类处理以生成相对应的动物类型集，并对分类完成的动物类型集中的各组动物信息进行编号标记，且每组动物编号信息唯一；

步骤二：实时采集区域动物增加以及减少信息，并对相关动物类型集中存储的信息进行相应的调整，若存在需减少的动物信息，则将该动物信息多对应的编号进行保留，并等待下一次增加对应动物信息时，将该编号赋予该动物信息。

作为本发明的进一步方案，步骤(2)所述级联检测具体步骤如下：

步骤Ⅰ：服务器接收各监控采集的各组影像信息后，处理固定帧率的单监控视频或图像序列帧，并对实际视频帧的间隔时间进行计算，并记录计算出的实际视频帧的间隔时间；

步骤Ⅱ：通过卡尔曼滤波理论建立运动模型，同时通过构建的运动模型实时获取跟踪目标的运动状态，对所有跟踪目标分配一个的ID，分配完成后，将所有已经分配了ID的跟踪目标记为目标集合，并采集所有跟踪目标的外观特征向量，将采集到的各组特征向量整合归纳为目标特征集合；

步骤Ⅲ：运动模型依据对跟踪目标的线性运动假设，对其在视频帧中的运动状态进行定义，收集跟踪目标在当前视频帧中的运动状态，并构建预测方程对各跟踪目标在下一视频帧中的运动状态进行估计，再将各组跟踪目标在第i个监控的当前视频帧运动状态记为表征位置集合以及表征协方差矩阵集合；

步骤Ⅳ：之后收集多目标实时检测算法计算出的第i个监控当前视频帧中所有目标的检测结果以生成检测集合，将其在当前视频帧中的位置记为检测位置集合，并对其逐一提取外观特征向量以得到检测结果的外观特征向量集合；

步骤Ⅴ：计算检测结果与跟踪目标之间的余弦距离，并使用阈值进行过滤以得到余弦距离表征的代价矩阵，再根据马氏距离矩阵和相关约束条件对余弦距离表征的代价矩阵再次进行过滤，采用匈牙利算法进行二分匹配进行匹配；

步骤Ⅵ：匹配完成后，服务器依次并行处理每一路视频流的视频帧数据，并对每一路视频流中下采样后得到的视频帧依次执行目标标记、估计跟踪目标的运动状态、匹配关联以及跨监控多目标实时跟踪。

作为本发明的进一步方案，步骤(2)所述异常分析具体步骤如下：

第一步：构建并训练一组检测神经网络，同时实时将各类动物生活状态导入检测神经网络中，之后检测神经网络接受工作人员上传的各类动物检测标准；

第二步：检测神经网络将动物检测标准以及动物生活状态分别处理生成训练集以及测试集，之后对训练集数据进行标准化处理以获取训练样本，设置模型具体参数，采用长期迭代法训练该检测神经网络，并将测试集输入到训练好的模型中，画出动物状态预测曲线，并加以分析。

作为本发明的进一步方案，步骤(4)所述性能优化具体步骤如下：

S1：性能优化模块为服务器各端口生成一个启动链表，并按照端口的LRU顺序对各组启动链表头部进行进一步链接，收集交互频率最少的端口信息，并将该端口的启动链表安排在LRU链表的首位，并依次进行排序；

S2：在端口启动之前清除所有更新页表项的访问位，性能优化模块在端口启动时间结束之前，重新检查所有页面的访问位，检查完成后对启动链表中的各组页面信息进行数据更新，再从LRU链表的头部依次选择最不活跃的端口，并从相应启动链表中选择受害页面，直到获得足够的页面；

S3：将选择的受害页面合并为一个块，并对该块进行标记，再唤醒一个压缩驱动程序以解析被标记的块，并获得属于该块的物理页，之后将物理页复制到缓冲区中，然后调用压缩算法将缓冲区中的该物理页压缩到压缩块中，并将压缩块存储至性能优化模块中。

一种基于云平台的动物管理系统，包括服务器、监控模块、活动管理模块、状态预测模块、工作平台、报警模块、管控模块、性能优化模块以及轮播白板；

所述服务器用于接收各组动物数据并进行存储；

所述监控模块用于实时采集区域内各动物活动情况；

所述活动管理模块用于接收采集到的各动物活动情况并进行级联检测；

所述状态预测模块用于收集各动物数据并进行状态预测；

所述工作平台用于接收检测信息以及预测信息以供工作人员查看；

所述报警模块用于接收异常动物信息并发出警报以提示工作人员；

所述管控模块用于对管控区内的动物进行监控；

所述性能优化模块用于对服务器运行性能进行优化；

所述轮播白板用于对区域内各动物信息以及服务器运行信息进行循环播放。

相比于现有技术，本发明的有益效果在于：

1、该基于云平台的动物管理方法通过服务器接收各监控采集的各组影像信息后，处理固定帧率的单监控视频或图像序列帧，并对实际视频帧的间隔时间进行计算，并记录计算出的实际视频帧的间隔时间，通过卡尔曼滤波理论建立运动模型，并获取跟踪目标运动状态，同时检测结果与跟踪目标之间的余弦距离，并进行过滤，采用匈牙利算法进行二分匹配进行匹配，匹配完成后，服务器依次并行处理每一路视频流的视频帧数据，并对每一路视频流中下采样后得到的视频帧依次执行目标标记、估计跟踪目标的运动状态、匹配关联以及跨监控多目标实时跟踪，能够大幅提高各动物的跟踪精度，能够确保进行充分的跨监控匹配，避免因匹配机会过少而出现漏匹配，保证工作人员能够更好的进行管理；

2、该基于云平台的动物管理方法通过性能优化模块为服务器各端口生成一个启动链表，并按照端口的LRU顺序对各组启动链表头部进行进一步链接排序，在端口启动之前清除所有更新页表项的访问位，性能优化模块在端口启动时间结束之前，重新检查所有页面的访问位，检查完成后对启动链表中的各组页面信息进行数据更新，再从LRU链表的头部依次选择最不活跃的端口，并从相应启动链表中选择受害页面，直到获得足够的页面，将选择的受害页面合并为一个块，并对该块进行标记，再唤醒一个压缩驱动程序以解析被标记的块，并获得属于该块的物理页，之后将物理页复制到缓冲区中，然后调用压缩算法将缓冲区中的该物理页压缩到压缩块中，并将压缩块存储至性能优化模块中，能够对服务器内存进行大粒度压缩，提高压缩效率，有效的提高了服务器端口响应速度，同时节省压缩内存所需的时间。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

图1为本发明提出的一种基于云平台的动物管理方法的流程框图；

图2为本发明提出的一种基于云平台的动物管理系统的系统框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

实施例1

参照图1，本实施例公开了一种基于云平台的动物管理方法，该管理方法具体步骤如下：

录入各动物信息并对录入信息分类标记。

具体的，服务器接收工作人员上传的动物信息，并按照动物种类对其进行分类处理以生成相对应的动物类型集，并对分类完成的动物类型集中的各组动物信息进行编号标记，且每组动物编号信息唯一，实时采集区域动物增加以及减少信息，并对相关动物类型集中存储的信息进行相应的调整，若存在需减少的动物信息，则将该动物信息多对应的编号进行保留，并等待下一次增加对应动物信息时，将该编号赋予该动物信息。

对各区域动物进行级联检测并进行异常分析。

具体的，服务器接收各监控采集的各组影像信息后，处理固定帧率的单监控视频或图像序列帧，并对实际视频帧的间隔时间进行计算，并记录计算出的实际视频帧的间隔时间，通过卡尔曼滤波理论建立运动模型，同时通过构建的运动模型实时获取跟踪目标的运动状态，对所有跟踪目标分配一个的ID，分配完成后，将所有已经分配了ID的跟踪目标记为目标集合，并采集所有跟踪目标的外观特征向量，将采集到的各组特征向量整合归纳为目标特征集合，运动模型依据对跟踪目标的线性运动假设，对其在视频帧中的运动状态进行定义，收集跟踪目标在当前视频帧中的运动状态，并构建预测方程对各跟踪目标在下一视频帧中的运动状态进行估计，再将各组跟踪目标在第i个监控的当前视频帧运动状态记为表征位置集合以及表征协方差矩阵集合，之后收集多目标实时检测算法计算出的第i个监控当前视频帧中所有目标的检测结果以生成检测集合，将其在当前视频帧中的位置记为检测位置集合，并对其逐一提取外观特征向量以得到检测结果的外观特征向量集合，计算检测结果与跟踪目标之间的余弦距离，并使用阈值进行过滤以得到余弦距离表征的代价矩阵，再根据马氏距离矩阵和相关约束条件对余弦距离表征的代价矩阵再次进行过滤，采用匈牙利算法进行二分匹配进行匹配，匹配完成后，服务器依次并行处理每一路视频流的视频帧数据，并对每一路视频流中下采样后得到的视频帧依次执行目标标记、估计跟踪目标的运动状态、匹配关联以及跨监控多目标实时跟踪。

具体的，构建并训练一组检测神经网络，同时实时将各类动物生活状态导入检测神经网络中，之后检测神经网络接受工作人员上传的各类动物检测标准，检测神经网络将动物检测标准以及动物生活状态分别处理生成训练集以及测试集，之后对训练集数据进行标准化处理以获取训练样本，设置模型具体参数，采用长期迭代法训练该检测神经网络，并将测试集输入到训练好的模型中，画出动物状态预测曲线，并加以分析。

反馈异常动物信息并将该动物移动至管控区。

轮播白板显示服务器运行信息定期进行性能优化。

具体的，性能优化模块为服务器各端口生成一个启动链表，并按照端口的LRU顺序对各组启动链表头部进行进一步链接，收集交互频率最少的端口信息，并将该端口的启动链表安排在LRU链表的首位，并依次进行排序，在端口启动之前清除所有更新页表项的访问位，性能优化模块在端口启动时间结束之前，重新检查所有页面的访问位，检查完成后对启动链表中的各组页面信息进行数据更新，再从LRU链表的头部依次选择最不活跃的端口，并从相应启动链表中选择受害页面，直到获得足够的页面，将选择的受害页面合并为一个块，并对该块进行标记，再唤醒一个压缩驱动程序以解析被标记的块，并获得属于该块的物理页，之后将物理页复制到缓冲区中，然后调用压缩算法将缓冲区中的该物理页压缩到压缩块中，并将压缩块存储至性能优化模块中。

实施例2

参照图2，本实施例公开了一种基于云平台的动物管理系统，包括服务器、监控模块、活动管理模块、状态预测模块、工作平台、报警模块、管控模块、性能优化模块以及轮播白板。

服务器用于接收各组动物数据并进行存储；监控模块用于实时采集区域内各动物活动情况；活动管理模块用于接收采集到的各动物活动情况并进行级联检测；状态预测模块用于收集各动物数据并进行状态预测。

工作平台用于接收检测信息以及预测信息以供工作人员查看；报警模块用于接收异常动物信息并发出警报以提示工作人员；管控模块用于对管控区内的动物进行监控。

性能优化模块用于对服务器运行性能进行优化。

轮播白板用于对区域内各动物信息以及服务器运行信息进行循环播放。