在前期对金丝猴的监测和研究中，野生动物研究人员利用多种数码成像设备，已经获得了大量金丝猴的图像视频数据。但是，面对数据量如此庞大的金丝猴图像数 据，研究人员主要还是采用传统的人工处理与分析方 法，该方法需要大量的人力和较长的时间，导致这些珍 贵的图像视频数据没有得到及时的处理，严重降低了其 实际应用价值。

 

目前，面向野生动物的图像视频数据，利用图像处理与模式识别方法进行野生动物监控的研究已越来越受到动物研究人员和计算机视觉研究者的关注，并且已有较多研究成果。例如:有利用传统机器学习方法进行红腹狐 猴的面部识别，也有利用 CNN 进行大猩猩面部识别的方 法。但这些方法基本都是将现有的图像处理与模式识别 的相关方法或模型直接地(或稍加改进)应用于动物的 检测与识别中，却没有专门根据某一种野生动物的个体 特征，有针对性地分析与研究相关动物在图像视频数据 中的检测与识别。

 

本案例利用深度学习框架 ResNet，并结合金丝猴面部的 具体特征，设计了一种浅层 ResNet，并将其应用于金丝 猴面部识别中。该方法不仅提供了算法的效率，同时也 提高了金丝猴面部识别的准确率。而所有方法都基于 Tesla K40 和 Jetson TX1 开发应用。

 

 

本案例中，利用Tesla K40和Jetson TX1，将图像处理与模式 识别技术应用于金丝猴面部特征提取与识别的过程中，实现了 在复杂的野外环境下对金丝猴面部进行快速检测、追踪与识 别。相对于传统方法，本技术在效率和准确率等方面都有很大 程度的提升。

 

本案例主要的NVIDIA产品为:Tesla K40 GPU 和 Jetson TX1。