Животные с фотоаппаратом: Животные и фотоаппарат (16 фото) 🔥 Прикольные картинки и юмор

Выбор фототехники для съёмки животных

Для портретной или пейзажной фотографии не нужно, чтобы камера обладала какими-то специальными характеристиками, но для съемки животных не всякая фототехника подойдет. Если для вас интересен этот вопрос, в нем стоит разобраться.

Однозначно у каждого фотографа есть снимки домашних животных, птиц или даже лесных жителей. Для кого-то это просто память о событиях и определенных моментах, а для многих фотографов это сильное увлечение. В фотографии для съемки животных есть отдельное направление. Раньше этот тип фотографии назывался фотоохотой, а сейчас его принято называть фотоанималистика.

Объекты съемки

Самое первое, что нужно сделать — это определиться с условиями работы и познакомиться с особенностями объектов съемки.

Любые животные редко сидят на месте, только если они не спят. Они очень подвижны и очень трудно предугадать траекторию их движения.

Многие животные, увидив человека начинают уделять ему внимание, что негативно сказывается на естественности снимков, а при съемке диких животных вовсе необходимо оставаться незамеченным.

Общие характеристики необходимой техники

съемку животных нужно вести очень быстро. Если хоть немного замешкаться, можно упустить момент. Животное или убежит, или больше не примет подходящую позу. Камера должна очень быстро срабатывать. Автофокус должен быть очень быстрым и затвор должен мгновенно отвечать на нажатие спусковой кнопки. Также желательно делать большое количество снимков, чтобы получить шанс на то, что хоть один из серии окажется удачным. Для этого фотоаппарат должен обладать большой «скорострельностью».

Чтобы сфотографировать животное крупным планом, необходимо использовать телеобъектив. Он позволит с большого расстояния получить хороший кадр. Лучше всего использовать светосильные объективы. Это даст возможность уменьшить выдержку при съемке, а малая глубина резкости отделит животное от фона.

Кроме того, светосильными объективами можно делать более качественные фотографии в темное время суток.

Что должен уметь объектив?

Объектив должен иметь фокусное расстояние не меньше 200-300 мм. Это даст возможность снимать мелких животных и птиц крупным планом с большого расстояния. Объективы с меньшим фокусным расстоянием подойдут для съемки домашних животных. Желательно использовать объективы с механической настройкой фокусного расстояния. Это позволит одной рукой производить кадрирование кадра, а второй нажимать на кнопку спуска затвора. В случае электронного регулирования ФР — все действия придется выполнять последовательно, а это потеря времени и, соответственно, возможность упустить момент.

Существует правило, которое гласит, что для получения резкого снимка, выдержка должна равняться величине, обратной фокусному расстоянию объектива. Это значит, что при съемке на фокусном расстоянии 300 мм для получения резкого кадра выдержка должна составлять 1/300 секунды или меньше. Если в объективе имеется стабилизатор, то выдержку можно использовать в 2 или 3 раза длиннее. Если стабилизатора нет, то желательно пользоваться штативом.

Для успешного фотографирования в камере необходима система следящей автофокусировки. Это позволит камере навестись на объект съемки и не выпускать его из фокуса до тех пор, пока не будет сделан кадр. Также полезной будет функция выбора зоны фокусировки и точечная фокусировка, которая позволит навести резкость только на объект съемки, а не на его окружение.

В итоге, устройство для съемки животных должно отвечать следующим требованиям:

• Иметь длиннофокусный объектив;
• Создавать мало шума на снимках при высоких значениях ISO;
• Быстро реагировать на действия фотографа;
• Работать с точной и быстрой системой автофокусировки;
• Иметь высокую скорость серийной съемки;

Лучше всего для описанных в статье целей подойдут репортажные зеркалки, беззеркалки с телеобъективами и шустрые компактные ультразумы.  

Зеркалка для съемки животных

Если стоимость оборудования не является преградой, то зеркальная камера будет отличным выбором. Соответственно, для такой камеры нужен хороший телезум.

Хороший телеобъектив может стоить больше фотоаппарата, поэтому этот нюанс стоит учесть заранее. Можно сэкономить и использовать объективы с фиксированным фокусным расстоянием, но это ограничит возможности при съемке.

Используя объективы на кропнутых камерах, фокусное расстояние оптики увеличивается за счет кроп-фактора. Это тоже следует брать во внимание. Телеконвертор станет отличным не дорогим дополнением к объективу. С ним 300мм объектив может стать 672мм. Фотоаппарат стоит брать с учетом того, чтобы на нем можно было использовать современную оптику. Это позволит осуществлять профессиональный рост без необходимости покупать новый фотоаппарат. Недостатком зеркальных камер является высокая стоимость, большой вес и размер. Необходимо использовать специальные сумки для переноса оборудования.

Беззеркалка в фотоанималистике

Характеристики беззеркальных камер близки к зеркалкам. Беззеркалки компактные и легкие. Качество снимков не уступает бюджетным зеркальным фотоаппаратам, но с дорогими зеркалками они тягаться не могут.

Беззеркали достаточно быстро могут вести съемку за счет отсутствия подвижного зеркала. Съемные объективы позволяют использовать такие камеры в различных условиях. Выбирать беззеркалку стоит внимательно, так как на некоторые модели нет достаточного количества подходящих для съемки животных телеобъективов. Многие беззеркалки ввиду своей компактности получили маленькие сенсоры, что сказывается на качестве фотографий, но есть и полнокадровые беззеркалки.

Суперзум в съемке животных и птиц

Компактные суперзумы не могут претендовать на звание камер для профессиональной фотосъемки, но они являются хорошими устройствами для начала большого увлечения.

Компактные камеры подойдут тем, кто не планирует публиковать свои снимки в печатных изданиях или распечатывать на больших постерах. Не самое лучшее качество снимков компенсируется стоимостью камеры, легкостью, удобством и мощным зум-объективом.

Как фотографировать домашнего питомца в движении?

Дата публикации: 26.11.2014

Как фотографировать домашнего питомца — собаку или кошку — в движении? Это задача не из легких. Все, кто сталкивался с подобным видом съемок, это подтвердят. Братья наши меньшие очень шустрые, позировать их заставить сложно. Поймать в кадр их тоже не легко: они постоянно убегают из фокуса, фотографии получаются не резкими и неудачно скомпонованными.

NIKON D810 / 85.0 mm f/1.4 УСТАНОВКИ: ISO 100, F2, 1/125 с, 85.0 мм экв.

Но при этом в движении животные смотрятся интересно, динамично, весело. В этой публикации я дам несколько практических советов по такой весьма непростой съемке.

Помогут мне в этом несколько симпатичных собак породы хаски.

• Главный совет: снимайте на улице, при хорошем освещении. Это позволит получить резкие и качественные снимки. Чтобы животное на снимке получилось четким и не смазывалось, нужно использовать достаточно короткую выдержку. Например, собака на фото снята на выдержке в 1/125 с. Чем быстрее двигается наш объект съемки, тем короче необходима выдержка. Лучше всего оперировать выдержками в районе 1/250-1/1000 с.

• Лучшее освещение на улице для фото — утром или вечером. Полуденное солнце может создать излишний контраст в кадре, сделает тени слишком черными. В пасмурную погоду, зимой и поздней осенью освещение подходит для съемки в течение всего дня.

• Старайтесь не использовать вспышку. Она может причинить дискомфорт животному. Кроме того, вспышка “в лоб” портит естественный характер освещения.

• С художественной точки зрения снимать на улице стоит потому, что природа (даже обычный городской парк) лучше будет смотреться на фотографии с животным, чем бытовая обстановка квартиры. На улице питомцы проявляют активность: играют, резвятся, изучают окрестности, общаются — ведут себя естественно и непринужденно.

• Чтобы объект съемки не убегал из фокуса, стоит включить режим следящей фокусировки. Это позволит держать его в резкости. В зеркальных камерах Nikon для этого предусмотрен режим 3D-трекинга, когда автоматика сама отслеживает перемещения объекта съемки в кадре и соответственно меняет точки фокусировки.

• При этом не надо забывать и о серийной съемке. В интересные моменты делайте сразу серию снимков, чтобы потом выбрать самый удачный.

• Фотографируйте на уровне глаз животного. Не ленитесь приседать! Такие кадры смотрятся интереснее, нежели классический вид сверху. При съемке на уровне глаз создается ощущение общения с нашим героем.

• Оставляйте больше пустого места в кадре, чтобы движущемуся животному не было тесно. В противном случае вы рискуете обнаружить, что на плотно скадрированных снимках то хвост отрезан, то лапа, то часть головы. Добиваться идеальной компоновки удобнее при обработке снимка.

Пример слишком тесно скомпонованного кадра.

NIKON D810 / 85.0 mm f/1.4 УСТАНОВКИ: ISO 100, F1.4, 1/2000 с, 85.0 мм экв.

• Старайтесь акцентировать внимание на животном. Если от питомца в кадре останется лишь маленькое пятнышко, снимок не будет интересным. Для того, чтобы снимать было удобно, и животное на снимке можно было выделить резкостью, а фон — размыть, лучше всего использовать объективы умеренного теледиапазона с фокусными расстояниями 50-135 мм. Например, Nikon 70-200mm f/4G ED AF-S VR Nikkor. Разумеется, для такой активной съемки будут удобнее зум-объективы типа. Однако, вполне можно справиться и фиксом. Моим основным объективом при съемке стал Nikon 85mm f/1.4D AF Nikkor.

Собака “потерялась” в кадре, среди пестроты деревьев. Стоило показать ее крупнее.

NIKON D810 / 18.0-35.0 mm f/3.5-4.5 УСТАНОВКИ: ISO 250, F3. 5, 1/125 с, 18.0 мм экв.

• Возьмите на съемку лакомство или какие-то игрушки, чтобы заинтересовать четвероногую модель. Кстати, сам процесс раздачи лакомства может стать сюжетом для фото.

• Ищите забавные ракурсы. Например, весело смотрятся кадры, когда наш герой лезет носом в объектив. Использование короткого фокусного расстояния (18 мм в моем случае), визуально увеличило нос собаки. Так получится забавный кадр:

Чем короче фокусное расстояние, тем длиннее нос!

Кадр сделан объективом Nikon AF-S 18-35mm f/3.5-4.5G ED Nikkor

NIKON D810 / 18.0-35.0 mm f/3.5-4.5 УСТАНОВКИ: ISO 100, F3.5, 1/160 с, 18.0 мм экв.

• Какую фототехнику выбрать для съемки животных? Стоит обратить внимание на быстрые “репортажные” фотокамеры и объективы. Отлично подойдут фотоаппараты Nikon D7100, Nikon D610, Nikon D750, Nikon D810. Они имеют возможность быстрой серийной съемки и обладают очень мощными системами автофокуса, который позволит всегда держать наших героев в резкости. Впрочем, если отказаться от съемки в RAW, то с задачей отлично справится и последнее поколение любительских зеркалок, например Nikon D5300. Автофокус этой камеры почти не уступает более дорогим моделям. В качестве оптики отлично подойдут объективы Nikon AF-S 24-70mm f/2.8G ED , Nikon AF-S 70-200MM F/2.8G ED VR II Nikkor , а для неполнокадровых камер — Nikon 17-55mm f/2.8G ED-IF AF-S DX Zoom-Nikkor. Среди бюджетных объективов можно отметить Nikon AF-S 18-140mm F/3.5-5.6G ED VR DX Nikkor и Nikon AF-S 50mm f/1.8G Nikkor, имеющий прекрасное соотношение цена/качество.

Дата публикации: 26.11.2014

Константин Воронов

Профессиональный фотограф с десятилетним опытом работы. Шесть лет занимается преподавательской деятельностью. По образованию журналист, автор курсов и обучающих статей по фотографии. Сфера интересов — пейзажная, предметная, портретная фотография.

Фотосъемка животных в дикой природе

Фотосъемка животных в дикой природе вызывает неподдельный интерес, как у самих фотографов-натуралистов, так и у простых обывателей, с восторгом рассматривающих многообразие форм жизни.

Первозданная красота мира, не тронутая вездесущим техническим прогрессом и глобализацией, — хрупка, уязвима и непостоянна. Поэтому, фотосъемка животных в дикой природе вызывает неподдельный интерес, как у самих фотографов-натуралистов, так и у простых обывателей, с восторгом рассматривающих многообразие форм жизни.

Процесс фотосъемки животных в дикой природе сам по себе не вызывает вопросов. Здесь действуют те же каноны и принципы, как и в обычной фотографии. А вот работа с моделью сопряжена со многими трудностями. Ведь ты не скажешь животному: «Внимание! Сейчас вылетит птичка!». Животные в естественной среде не станут ждать часами, пока вы выберете идеальный ракурс. Фотографировать приходится в естественных для них условиях.

Фотоанималистика является наиболее сложным на сегодняшний день направлением фотосъемки, но в то же время и самым увлекательным. Чтобы фотографировать животных в дикой природе нужно иметь огромное желание, обладать безграничным терпением. А главным учителем для вас станет сама природа.

Существует три способа фотографирования животных в дикой природе. Давайте остановимся на каждом из них подробнее:

Фотосъемка с подхода. Преимущества данного способа — скорость исполнения, быстрая и легкая смена ракурса, свободная работа с техникой, широкий простор для творчества. При фотосъемке с подхода не нужно длительно готовить фотоаппаратуру. Но стоит учитывать, что дикие животные в большинстве своем пугливы. И чтобы получился снимок идеального качества, придется научиться мгновенно: оценивать ситуацию, фокусироваться на лету, компоновать кадр, устанавливать диафрагму и выдержку.

Одновременное изменение параметров фотоаппарата и удержания фокуса в объективе — залог удачных кадров при работе с дикими животными. Фотографировать испуганное животное или улетающую птицу не интересно. Гораздо увлекательнее снимать естественное поведение животных. А для этого нужно оперативно реагировать на происходящее вокруг. Метод с подхода незаменим для «репортажной» съемки жанровых сцен из жизни зверей.

Совет: фотосъемку с подхода можно проводить из автомобиля. Многие виды фауны не воспринимают машину как опасность, поэтому ведут себя естественно.

Фотосъемка с использованием дистанционных устройств. Такая техника съемки позволяет поймать в кадр самых пугливых представителей животного мира в дикой природе. Результатом использования длиннофокусной оптики, широкоугольных объективов становится ярко выраженная перспектива и хорошая проработка не только самого животного, а и природного ландшафта.

Но дистанционная камера требует грамотной настройки и точного выставления фокуса. Чтобы не ограничивать свои возможности управления техникой, применяются дополнительные аксессуары, которые регулируют настройки фотокамеры и передают картинку на расстояние, либо дистанционно поворачивают камеру.

Дистанционную съемку можно вести при помощи датчиков движения. Автоматизированные датчики срабатывают на звук и движение. Получается, что животное, появившись в объективе, само себя фотографирует.

Фотосъемка из укрытия. Такой метод помогает справиться с пугливостью и настороженностью животных. При долгом ожидании фотоанималист наблюдает за зверем, выбирает удачные моменты либо делает серию снимков одного животного.

Выделить один из этих методов как самый лучший невозможно. У каждого из них есть свои поклонники и противники.

Натурная фотосъемка в дикой природе

Профессиональный фотограф, специализирующийся на портретной съемке, без знаний и подготовки не сможет сделать удачные снимки животных в дикой природе. Ведь, чтобы в снимок получился интересным, необходимо иметь представление о представителе фауны, разбираться в особенностях его поведения и естественной среде обитания. Фотосъемка животных в дикой природе — симбиоз охотничьего умения и искусства фотографирования. Если вы неправильно установить выдержку или диафрагму, вам не поможет умение распознавать кабанью тропу, чтобы найти и сфотографировать свинку с поросятами. Точно так же мастерство в фотоделе не принесет желаемого результата, если вы не знаете, как приблизиться к чуткому и осторожному животному.

Помните, что зверь не станет позировать специально для вас. Драгоценный момент может быть упущен раз и навсегда. Не забывайте об этом. Вы должны научиться чувствовать, что животное готово пустить вас в свою личную жизнь, пусть даже на несколько минут. Поэтому цените возможности и держите свой фотоаппарат в состоянии боевой готовности, чтобы потом не жалеть о неправильных настройках.

Снимайте в RAW. Эти файлы содержат дополнительную информацию, поэтому дают возможность откорректировать при необходимости снимки. Обработка RAW предназначена для коррекции баланса белого, экспозиции, температуры, резкости, бликов, теней и много другого. Подробнее о свойствах RAW можете узнать из нашей статьи.

Не останавливайтесь на одном кадре. Понятно, что увиденное может настолько заворожить, что вы забудете о своих целях. Но снимайте много, не ограничивайте в нажатии свой указательный палец. Попробуйте делать короткие серии на максимальной скорости серийной съемки. Дома у вас будет возможность выбрать идеальный снимок. Со временем вы начнете чувствовать, удался кадр или нет.

В натурной съемке животных важно наблюдать за ними не жалея времени, подмечать повадки, предугадывать поведение. Зверь, находящийся в естественной среде обитания в необычной ситуации смотрится куда интереснее, чем стандартное фото в учебниках. Не пренебрегайте окружающей природой, разными ракурсами, крупным планом.

Высококачественная фотография незнакомого вам животного не получится. А вот снимок зверя, о котором вы знаете все, обязательно выйдет удачным и классным.

Animals with Cameras (TV Mini Series 2018–2021)

Episode guide

• Cast & crew
• User reviews

IMDbPro

• TV Mini Series
• 2018–20212018–2021
• 3h

IMDb RATING

7. 8/10

151

ВАША ОЦЕНКА

Документальный фильм

Гордон Бьюкенен возглавляет группу специалистов по камерам, которые работают с учеными, чтобы приспособить специальные камеры к диким животным, что позволит сделать новые необыкновенные открытия о ж.. , Читать всеГордон Бьюкенен возглавляет команду специалистов по камерам, которые работают с учеными, чтобы приспособить специальные камеры к диким животным, что позволит сделать новые невероятные открытия о жизни этих животных. ученым установить специальные камеры для наблюдения за дикими животными, что позволит сделать новые невероятные открытия о жизни этих животных.

IMDb RATING

7.8/10

151

YOUR RATING

• Creators
  • Giles Badger(development)
  • Doug Hope(development)
  • Ted Oakes(development)
• Stars
  • Gordon Buchanan
  • Марлис Ван Вуурен
  • Мими Свифт

• Создатели
  • Джайлз Бэджер (разработка)
  • Даг Хоуп (разработка)
  • T0004
• Stars
  • Gordon Buchanan
  • Marlice Van Vuuren
  • Mimi Swift

See production, box office & company info

See more at IMDbPro

Episodes5

Browse episodes

TopTop-rated

2 сезона

21Показать все

2 года

20212018Посмотреть все

0004

5 эпизодов5 EPS • 2018–2021

Marlice van Vuuren

• Self — Conservationist

1 Episod1 EP • 2018

MIMI Swift

• Self -Seconist

1 EPEPORE1 EP • 2018

LAURA

993 9000 9000 9000 9000 9000 10007 1 EPESIO Ученый 1 серия 1 эп. • 2018

Флавио Кинтана

• Самоучитель

1 серия 1 эп.0038

Создатели

• Giles Badger (разработка)
• Doug Hope (Development)
• Ted Oakes (Development)

All Cast & Crew

Производство, касса и многое другое по адресу Imdbpro

Подробнее. Животные с фотоаппаратами, Мини-сериал о природе

Зеленая планета

Динозавры. Последний день с Дэвидом Аттенборо

Брачная игра

Приз Earthshot: ремонт нашей планеты

Attenborough’s Wonder of Song

Primates

Frozen Planet

Serengeti

Earth from Space

Attenborough and the Mammoth Graveyard

The Age of Nature

Storyline

User reviews2

Review

Featured review

7/

10

Взгляд с высоты птичьего полета

Гордон Бьюкенен не может сделать ничего плохого в моем доме — он может буквально войти через окно и попытаться приклеить камеру к моим питомцам, и я ему это позволю. Что делает этот конкретный трюк с документами о природе удивительно эффективным (по крайней мере, по сравнению с тем, где у них есть что-то вроде… пластикового пингвина с фальшивой камерой внутри), так это довольно сильный акцент на конкретных инженерных элементах, что увлекательно и с в каждом сегменте есть четкая цель, которую они пытаются достичь, и во многих случаях наблюдения, которые они делают в результате, действительно новы для науки.

Смотреть, как ученые и специалисты наблюдают за поведением, которого они никогда раньше не видели, довольно трогательно, а некоторые кадры POV, особенно со скатами манта, по праву ошеломляют. Это, в сочетании с умным фокусом и вышеупомянутым волшебным Бьюкененом, делает его совершенно особенным документальным сериалом, который, безусловно, заслуживает внимания. Единственная проблема, которая у меня есть, — это структурная проблема — необходимость постоянно подводить итоги и повторять выводы, что является скорее «требованием» формата, чем чем-то особенно вопиющим в этой конкретной части серии.

Полезно • 1

0

• Owen-Watts
• 21 ноября, 2020

Подробная информация

• Дата выпуска
  • Февраль 1, 2018 (Соединенное Королевство).
  • США
• Официальный сайт
  • British Broadcasting Corporation (Великобритания)
• Язык
  • Английский
• Компании-производители0038
• BBC Естественная история (NHU)
• BBC Studios
• Общественная служба вещания (PBS)

См. Больше кредитов компании по адресу Imdbpro

. микс

• Стерео

Новости по теме

Внести вклад в эту страницу

Предложить отредактировать или добавить отсутствующий контент

Top Gap

Под каким названием были официально выпущены Animals with Cameras (2018) на английском языке?

Ответить

Еще для изучения

Недавно просмотренные

У вас нет недавно просмотренных страниц

Автоматическая идентификация видов животных на изображениях с фотоловушек | Журнал EURASIP по обработке изображений и видео

• Исследования
• Открытый доступ
• Опубликовано: 04 сентября 2013 г.

• Xiaoyuan Yu ^1,2 ,
• Jiangping Wang ² ,
• Roland Kays ^3,4,5 ,
• Патрик A Jansen ^3,6 ,
• A Jansen ^3,69305,
• Tianh 9043,
• ,
• ,
,
• , 9044,
,
• .
• …
• Томас Хуан ²  

Журнал EURASIP по обработке изображений и видео том 2013 , Номер статьи: 52 (2013) Процитировать эту статью

• 18 тыс. обращений

• 118 цитирований

• 18 Альтметрический

• Сведения о показателях

Abstract

Датчики изображения все чаще используются в мониторинге биоразнообразия, при этом каждое исследование генерирует многие тысячи или миллионы изображений. Эффективная идентификация видов, запечатленных на каждом изображении, является важной задачей для развития этой области. Здесь мы представляем автоматизированный метод идентификации видов для изображений дикой природы, снятых удаленными фотоловушками. Наш процесс начинается с изображений, которые вырезаются из фона. Затем мы используем улучшенное сопоставление пространственных пирамид с разреженным кодированием (ScSPM), которое извлекает плотный дескриптор SIFT и LBP с ячеистой структурой (cLBP) в качестве локальных функций, которые генерируют глобальные функции с помощью взвешенного разреженного кодирования и максимального объединения с использованием ядра многомасштабной пирамиды, и классифицирует изображения с помощью линейного алгоритма опорных векторов. Взвешенное разреженное кодирование используется для обеспечения как разреженности, так и локальности кодирования в пространстве признаков. Мы протестировали метод на наборе данных с более чем 7000 изображений с фотоловушек 18 видов из двух разных полевых источников и достигли средней точности классификации 82%. Наш анализ показывает, что комбинация SIFT и cLBP может служить полезным методом для распознавания видов животных в реальных сложных сценариях.

1 Введение

Мониторинг биоразнообразия, особенно воздействия изменения климата и землепользования на дикие популяции, является серьезной проблемой для нашего общества [1]. Сенсорные сети являются многообещающим подходом для сбора пространственно-временных данных в масштабах, необходимых для решения этой проблемы [2], особенно визуальные датчики, которые записывают изображения животных, которые перемещаются в их поле зрения (например, фотоловушки [3, 4]). Однако обработка больших объемов изображений, получаемых в ходе таких исследований, для идентификации зарегистрированных видов животных остается сложной задачей.

В настоящее время во всех исследованиях дикой природы с помощью камеры используется ручной подход, при котором исследователи изучают каждую фотографию, чтобы идентифицировать виды в кадре. Для исследований, собирающих многие десятки или сотни тысяч фотографий, это непростая задача [5].

Компьютерное распознавание видов на изображениях, сделанных фотоловушками, может сделать этот рабочий процесс более эффективным и сократить, если не исключить, объем ручной работы, связанной с этим процессом. Однако, по сравнению с обычным видео наблюдения за зданиями и улицами, фотоловушки животных среди растительности сложнее включить в процедуры анализа изображений из-за низкой частоты кадров, помех на заднем плане, плохого освещения, серьезной окклюзии и сложной позы человека. животные.

Вдохновленные недавними работами по распознаванию объектов [6, 7] в сообществе компьютерного зрения, мы улучшили метод сопоставления пространственных пирамид с разреженным кодированием (ScSPM) для распознавания видов на изображениях, собранных фотоловушками. Во время извлечения локальных признаков мы объединили плотное масштабно-инвариантное преобразование признаков (SIFT) [8] признаков с локальными бинарными шаблонами с ячеистой структурой (cLBP) [9] для представления интересующего объекта. Мы применяем взвешенное разреженное кодирование для изучения словаря и, таким образом, применяем как разреженность, так и локальность, поскольку локальность может быть более важной, чем разреженность, как это было предложено Wang et al. [7]. Затем мы использовали линейный SVM для классификации изображений видов.

Мы проверили наш метод на изображениях, собранных фотоловушками, которые были установлены в двух разных средах, тропических лесах и лесах умеренного пояса, которые отображают самые разные фоны и условия. Из этой коллекции мы выбрали последовательности и виды, чтобы сохранить сбалансированность данных. Затем мы вручную вырезали животных из всех кадров, чтобы создать набор данных из 7 196 изображений 18 различных видов позвоночных.

2 Связанные работы

Большинство связанных работ представляют собой исследования дикой природы с помощью камеры, в которых используется анализ изображений для идентификации отдельных животных избранных видов с уникальным рисунком шерсти (например, пятнами или полосами). Болгер и др. [10] применили программное обеспечение, чтобы помочь идентифицировать отдельных животных на основе рисунка шерсти для последующего фотографического анализа метки-повторной поимки. Данные, которые они использовали, были основаны на изображениях, что является экономически эффективным, неинвазивным способом изучения населения. Они использовали метод извлечения и сопоставления ключевых точек SIFT. Таким образом, они сосредоточились только на индивидуальной идентификации животных для этих видов с ярко выраженной текстурой.

Идентификация видов по изображениям с удаленных камер остается серьезной проблемой, которая до сих пор не решена. В сообществе компьютерного зрения существует множество методов распознавания общего объекта. Одной из наиболее успешных является работа Янга [6], в которой применяется ScSPM. Сопоставление пространственных пирамид (SPM) с максимальным объединением [11] может не только моделировать пространственное расположение локальных признаков изображения, но и обеспечивать трансляционную инвариантность тела животного. Будучи легким и простым в построении, ядро ​​СЗМ на практике оказывается высокоэффективным [12]. Разреженное кодирование было успешно применено для моделирования локальных объектов и для создания сверхполного словаря, который может разреженно представлять локальные объекты. Разреженное кодирование может дать лучшие результаты, чем векторное квантование и жесткое присваивание [6].

3 Материалы и методы

Наша программа извлечения и классификации паттернов основана на ScSPM [6], как показано на рисунке 1. Алгоритм сначала плотно извлекает дескриптор локального признака. Мы объединяем два вида локальных дескрипторов: SIFT и cLBP. Чтобы разреженно представлять локальные функции, словарь изучается с помощью взвешенного разреженного кодирования для каждого типа дескрипторных функций. Подобные локальные признаки могут генерировать похожие коды после разреженного кодирования в словаре, что важно для распознавания, поскольку сохраняет различительную информацию при подавлении шума. Наконец, максимальное объединение с использованием SPM используется для создания функции глобального изображения, которая преобразует изображение или ограничивающую рамку в один вектор. Затем мы применяем линейные мультиклассовые SVM для классификации глобального признака для одной категории видов, предполагая, что SVM заранее обучены с использованием обучающих данных.

Рисунок 1

Архитектура алгоритма ScSPM.   Плотно извлеченные локальные объекты объединяются в разные пространственные местоположения в разных пространственных масштабах.

Полноразмерное изображение

3.1 Извлечение локальных признаков

Изображения с фотоловушек содержат сильный шум и помехи. Это требует от нас разработки как дискриминантного, так и инвариантного локального признака для описания локальных участков изображения. Функция Dense SIFT, также известная как плотная гистограмма ориентированных градиентов, успешно используется в некоторых работах по распознаванию. Дескриптор SIFT инвариантен к умеренному масштабированию и смещению краев, а также линейному изменению освещенности участка изображения; однако он не работает, когда происходит нелинейное изменение освещенности. cLBP, напротив, является идеальным дескриптором локальной текстуры, инвариантным к умеренным нелинейным изменениям освещенности. В области компьютерного зрения для обнаружения человека [13] функции HOG и cLBP объединяются для получения окончательной функции. Но простая конкатенация потенциально может вызвать следующую проблему: пространство признаков становится более сложным и его труднее классифицировать. Таким образом, мы использовали процедуру Zhang et al. [14] для извлечения HOG и cLBP и объединения ответов только после их раздельного кодирования.

Дескриптор SIFT аналогичен HOG. Оба являются гистограммами ориентированных градиентов. Дескриптор SIFT показан на рисунке 2. После расчета карты градиента для каждого изображения SIFT создает ориентированные гистограммы градиента для 4 × 4 областей сетки вместо 2 × 2, как в HOG. Полный 128-мерный дескриптор SIFT создается путем объединения 16 гистограмм в фрагмент изображения размером 16 × 16.

Рисунок 2

Процедура выделения локальных признаков.  Сначала рассчитайте градиенты и шаблоны LBP на фрагменте необработанных пикселей. Во-вторых, создайте гистограммы для SIFT и LBP соответственно.

Полноразмерное изображение

cLBP — это очень хороший дескриптор текстуры, который извлекает гистограмму шаблонов LBP из локальных ячеек, как показано на рисунке 2. Чтобы отфильтровать шумы, LBP преобразуется в однородный шаблон LBP [15]. Мы используем обозначение LBPnu,r для обозначения функции LBP, которая принимает n  точка выборки с радиусом r , а число переходов от 0 к 1 не превышает u . Паттерн, удовлетворяющий этому ограничению, называется равномерным паттерном [15]. Например, шаблон 0010010 является неоднородным шаблоном для LBP ² и является единым шаблоном для LBP ⁴  , поскольку LBP ⁴   допускает четыре перехода от 0 к 1. В нашем подходе мы устанавливаем u  = 2, n  = 8 и r  = 1. В этом параметре размерность LBP равна 59. На уровне ориентированный градиент был назначен 8 бинам в SIFT, в то время как в унифицированном LBP82,1 количество бинов равно 59. На уровне ячеек в SIFT используется 16 ячеек, а в cLBP используется только 1 ячейка. Таким образом, SIFT очень точен на уровне ячеек, но инвариантен на уровне пикселей, в то время как для cLBP все наоборот. Комбинация этих двух решений позволяет найти компромисс между дискриминацией и инвариантностью как на уровне пикселей, так и на уровне ячеек.

3.2 Изучение словаря и взвешенное разреженное кодирование

Целью изучения словаря является сбор информации высокого уровня, то есть выбор некоторых элементов для описания распределения входного пространства. Мы получаем локальный набор признаков изображения X путем случайной выборки в пространстве признаков. Тогда X аппроксимирует распределение входного пространства. Но X содержит огромное количество сигналов, что делает невозможным использование X непосредственно в кодировке. Изучение словаря направлено на создание компактного словаря, который может разреженно представлять входящий сигнал с минимальной ошибкой.

Пусть X находится в D-мерном пространстве признаков, т. е. X = [x1,⋯,xN]∈RD×N. Словарь V = [ v ₁ ,⋯, v _К ]∈RD×K с К  атомов. Традиционный метод опоры на словарь и метод разреженного кодирования формулируют проблему следующим образом:

минВ,U∥X-VU∥2+λ∥U∥1с.т.∥vk∥≤1,∀k=1,2,⋯,K,

(1)

где U=[u1, ⋯,uN]∈RK×N — матрица разреженных кодов.

Вдохновленный работой Wang et al. [7] в котором кодирование признаков основано на локальности в пространстве признаков, мы адаптируем исходное разреженное кодирование к взвешенному разреженному кодированию следующим образом, чтобы обеспечить как разреженность, так и локальность:

минВ,U∥X-VU∥2+λ∥WU∥1s. t.∥vk∥≤1,∀k=1,2,⋯,K,

(2)

где диагональная весовая матрица, элементы которой вычисляются как

Wi(k,k)=∥Xi-Vk∥2,k=1,2,⋯,K.

(3)

Для решения этой задачи изучения словаря было предложено множество алгоритмов, например, [16]. V хорошо известен как кодовая книга, и его можно обучить и исправить на этапе тестирования. В последнее время было проведено много работ по изучению словаря с учителем (например, [17, 18]), чтобы адаптировать словарь для целей классификации, но это часто требует больших вычислительных ресурсов и не может хорошо справиться с большой задачей с несколькими классами. Таким образом, в нашей работе используется неконтролируемое изучение словаря с использованием взвешенного разреженного кодирования, как в уравнении 2.9.0009

3.3 Линейное SPM и многомасштабное максимальное объединение

Сопоставление пространственных пирамид является расширением метода Bag of Words (BoW) и моделирует пространственное расположение локальных элементов изображения в нескольких масштабах. На рисунке 1 показана вся структура ScSPM. Пусть U будет матрицей разреженных кодов применения уравнения 2 к набору дескрипторов X , предполагая, что кодовая книга V предварительно вычислена. Затем объединенные объекты из разных местоположений и масштабов объединяются для формирования представления изображения в виде пространственной пирамиды. В каждой пирамиде функция максимального объединения применяется к абсолютным разреженным кодам:

zj=max{|uj1|,|uj2|,⋯,|ujM|}

(4)

, где z _и является j -м элементом z , u _джи — элемент матрицы в j -й строке и i -м столбце U . Максимальное объединение полезно для неизменности перевода, поскольку максимальный ответ будет отфильтрован, если это небольшой перевод.

Пусть изображение I _и должен быть представлен z _и , простое линейное ядро ​​СЗМ определяется [6]

κ(zi,zj)=ziTzj

(5)

С линейным ядром SPM мы можем напрямую использовать линейный SVM, для которого стоимость обучения составляет O ( n ) в вычислениях, а стоимость тестирования для каждого изображения зависит от размера функции.

3.4 Многоклассовый линейный SVM

Пусть {(zi,yi)}i=1n,yi∈Y={1,2,⋯,L} — обучающие данные. Мы придерживаемся реализации в Yang et al. [6] и использовать стратегию «один против всех» для обучения L  бинарных линейных SVM, каждая из которых решает следующую задачу неограниченной выпуклой оптимизации:

minwcJ(wc)=∥wc∥2+C∑i=1nl(wc;yic,zi),

(6)

где yic=1, если y _и = c , иначе yic=-1, а l(wc;yic,zi) — функция потерь шарнира. Стандартная функция потерь шарнира не везде дифференцируема, но здесь мы можем использовать квадратичные потери шарнира, как показано ниже, вместо того, чтобы использовать методы оптимизации на основе градиента, например, LBFGS [6].

l(wc;yic,zi)=[max(0,1-wcTz·yic)]2

4 Экспериментальные результаты

4.1 Набор данных RC55, PC800 и HC500, Холмен, Висконсин, США), которые генерируют последовательности 3,1-мегапиксельных изображений в формате JPEG со скоростью примерно 1 кадр/с при срабатывании инфракрасного датчика движения.

Цветные изображения снимаются днем, а изображения в оттенках серого — ночью с использованием инфракрасной вспышки, невидимой для большинства животных. Мы использовали изображения тропических лесов (остров Барро-Колорадо, Панама) и умеренных лесов и вересковых пустошей (национальный парк Хоге-Велюве, Нидерланды). Эксперты-зоологи идентифицировали животных на изображениях. Мы не редактировали набор данных для простоты идентификации, поэтому он включает в себя многие из типичных проблем, с которыми сталкиваются данные фотоловушек, в том числе случаи, когда животное слишком маленькое или закрыто растительностью.

Всего мы получили 10 598 последовательностей по 57 видам. Количество последовательностей каждого вида было несбалансированным. Как показано в таблице 1, 40 из 57 видов имеют менее 50 последовательностей. мы исключаем эти виды и остаемся в топ-18 видов. Чтобы построить сбалансированный набор тестовых данных, мы выбрали до 100 последовательностей от каждого вида. Если доступное количество последовательностей для вида было меньше 100, мы выбираем все последовательности для этого вида. После такой операции осталось 1739 последовательностей для 18 видов. В таблице 1 указано количество оставшихся последовательностей и кадров для каждого вида.

Таблица 1 Количество последовательностей для каждого вида

Полноразмерная таблица

Последовательности, захваченные камерой, имеют низкую частоту кадров (1 кадр/с) и короткую длину (около 10 кадров/последовательность). Две типичные последовательности изображений показаны на рис. 3. В первых двух рядах показаны последовательные кадры агути, на которых листья качаются на ветру. Вторые два ряда представляют собой непрерывные рамки пекари с воротником. Если пекари внезапно приблизится к камере, освещение сильно изменится, потому что он отсек большую часть света. Обычный метод обнаружения движения не может хорошо справиться с этим случаем. Чтобы получить четкие данные, мы вручную вырезали всех животных из последовательностей. Так как большинство из них пустые кадры, в которых камеры активируются движением из фона, только 7,19Сохранено 6 изображений животных. В таблице 2 перечислены сведения о предлагаемом наборе данных. Во время обрезки мы сохранили исходный размер, цвет и соотношение сторон животного. На рис. 4 показаны собранные образцы для семи видов.

Рисунок 3

Две группы агути и ошейникового пекари, пойманные днем ​​и ночью.

Полноразмерное изображение

Таблица 2 18 наземных видов, запечатленных фотоловушками в Панаме и Нидерландах

Полноразмерный стол

Рисунок 4

Обрезанные примеры изображений.  Каждая строка содержит вид. Сверху вниз это агути, пекари с ошейником, пака, благородный олень, белоносый коати, колючая крыса и оцелот. Каждое изображение-образец имеет собственный масштаб, соотношение сторон и позу.

Изображение в натуральную величину

4.

2 Реализация и результат

Мы разработали алгоритм распознавания видов на основе ScSPM, реализованный следующим образом. Все изображения были преобразованы в оттенки серого, а дескриптор SIFT и дескриптор cLBP затем были извлечены из фрагментов размером 16 × 16 пикселей. Все участки каждого изображения были плотно сэмплированы на сетке с шагом 4 пикселя. И SIFT, и cLBP были нормализованы до единичной нормы с размерностями 128 и 59., соответственно. Для процесса изучения словаря мы извлекли SIFT и cLBP из 20 000 патчей, которые были выбраны случайным образом в обучающей выборке. Словари обучались для SIFT и cLBP отдельно, с одинаковым размером словаря K  = 1024.

Следуя стандартным процедурам тестирования, мы повторили экспериментальный процесс в 10 прогонах, чтобы получить надежные результаты. В каждом прогоне мы случайным образом отбирали 70% изображений каждого вида для обучения и оставляли оставшиеся 30% для тестирования. Мы сообщаем о наших окончательных результатах в виде матрицы путаницы.

Сначала мы тестируем наш подход на всех 18 видах, и результат классификации показан в таблице 3. В реальных сценариях нет необходимости различать виды в наборах данных, состоящих из двух мест. Таким образом, мы также тестируем наш метод на двух наборах данных (Панама и Нидерланды) по отдельности. Результаты классификации представлены в таблицах 4 и 5.

Таблица 3 Матрица путаницы распознавания видов, полученная путем усреднения матриц, полученных в результате 10 прогонов

Полноразмерный стол

Стол 4 Матрица путаницы распознавания видов по данным Панамы

Полноразмерный стол

Стол 5 Матрица путаницы распознавания видов по данным Голландии

Полноразмерная таблица

Поскольку SIFT и cLBP могут описывать текстуру на разных уровнях, мы провели эксперимент с использованием SIFT, cLBP и комбинации SIFT и cLBP соответственно, чтобы показать, как комбинация улучшила производительность. Функция SIFT хороша для извлечения силуэта животного, а cLBP — для описания текстуры кожи животных. Таким образом, целесообразно комбинировать SIFT и cLBP. Как видно из Таблицы  6, функция SIFT более избирательна, чем cLBP, и их комбинация значительно повышает производительность.

Таблица 6 Выполнение различных процедур для распознавания локальных особенностей изображения

Полноразмерная таблица

В таблице 3 мы видим, что общая точность составляет около 82%. Деревянная мышь правильно распознается на 100%, что удивительно, учитывая, что никакие биометрические признаки не используются. Для более чем одной трети из 18 видов, таких как пака, оцелот, благородный олень и кабан, в этом эксперименте была получена точность классификации более 90%. Как и ожидалось, красных оленей легко ошибочно классифицировать как белохвостых оленей, потому что они принадлежат к одной онтологии и имеют схожий внешний вид. Чтобы лучше классифицировать два подобных вида, биометрические признаки, такие как пятна на меху и форма рогов, играют ключевую роль в распознавании видов. Однако, насколько нам известно, автоматическая идентификация биометрических характеристик является сложной задачей.

5 Заключение

Мы показали, что методы распознавания объектов из области компьютерного зрения могут быть эффективно использованы для распознавания и идентификации диких млекопитающих на последовательности фотографий, сделанных фотоловушками в природе, которые известны высоким уровнем шума и беспорядка. Хотя некоторые виды имеют одинаковую онтологию, предлагаемый метод позволяет обнаружить между ними незаметные различия. Комбинация SIFT и cLBP в качестве дескрипторов локальных особенностей изображений значительно улучшила производительность распознавания, которой много при описании текстуры в нескольких масштабах.

В дальнейшей работе в локальные признаки будут включены некоторые важные для видового анализа биометрические признаки, такие как цвет, пятна и размер тела. Поскольку исходные последовательности, снятые с помощью чувствительных к движению камер-ловушек, содержат информацию о движении, в будущем мы разработаем алгоритм автоматической сегментации животных.

Ссылки

1. Комитет по большим проблемам наук об окружающей среде NRCUC: Большие проблемы наук об окружающей среде . Издательство национальных академий, Вашингтон, округ Колумбия; 2001.

   Google ученый

2. Porter J, Arzberger P, Braun H, Bryant P, Gage S, Hansen T, Hanson P, Lin C, Lin F, Kratz T, Williams T, Shapiro S, King H, Michener W: Сети беспроводных датчиков для экология. BioScience 2005, 55(7):561-572. 10.1641/0006-3568(2005)055[0561:WSNFE]2.0.CO;2

   Статья Google ученый

3. Кейс Р., Тилак С., Кранштаубер Б., Янсен П., Карбон С. , Роуклифф М., Фонтейн Т., Эггерт Дж., Хе З.: Мониторинг сообществ диких животных с помощью множества камер-ловушек, чувствительных к движению. Int J Res Rev Wireless Sensor Netw 2011, 1: 19-29.

   Google ученый

4. Aguzzi J, Costa C, Fujiwara Y, Iwase R, Menesatti P, Ramirez-E Llorda: Новый основанный на морфометрии протокол автоматического анализа видеоизображений для распознавания видов и мониторинга ритмов активности глубоководной фауны. Датчики 2009, 9(11):8438-8455. 10.3390/s91108438

   Артикул Google ученый

5. Fegraus E, Lin K, Ahumada J, Baru C, Chandra S, Youn C: Программное обеспечение для сбора и управления данными фотоловушек: пример из сети TEAM. Экол. Информ 2011, 6(6):345-353. 10.1016/j.ecoinf.2011.06.003

   Статья Google ученый

6. «>

   Yang J, Yu K, Gong Y, Huang T: сопоставление линейных пространственных пирамид с использованием разреженного кодирования для классификации изображений. В конференции IEEE по компьютерному зрению и распознаванию образов . Майами; 20–25 июня 2009 г .: 1794–1801.

   Google ученый

7. Wang J, Yang J, Yu K, Lv F, Huang T, Gong Y: Линейное кодирование с ограничениями по местности для классификации изображений. В 2010 Конференция IEEE по компьютерному зрению и распознаванию образов (CVPR) . Сан-Франциско, Калифорния; 13–18 июня 2010 г.: 3360–3367.

   Глава Google ученый

8. Lowe D: Отличительные особенности изображения из ключевых точек, не зависящих от масштаба. Междунар. Дж. Вычисл. Вис 2004, 60(2):91-110.

   Артикул Google ученый

9. «>

   Ахонен Т., Хадид А., Пиетикайнен М.: Описание лица с помощью локальных бинарных шаблонов: приложение к распознаванию лиц. Анальный узор. Мах. Intel, IEEE Trans 2006, 28(12):2037-2041.

   Артикул Google ученый

10. Болджер Б., Моррисон Д.Т., Вэнс Т.А., Ли Д., Фарид Х.: Компьютеризированная система для анализа фотографических меток и повторного захвата. Методы Экол. Evol 2012, 3(5):813-822. 10.1111/j.2041-210X.2012.00212.x

    Артикул Google ученый

11. Serre T, Wolf L, Poggio T: Распознавание объектов с функциями, вдохновленными зрительной корой. В Конференция компьютерного общества IEEE 2005 г. по компьютерному зрению и распознаванию образов . Сан-Диего, Калифорния; 20–26 июня 2005 г.: 994–1000.

    Google ученый

12. Лазебник С. , Шмид С., Понсе Дж.: Помимо множества функций: сопоставление пространственных пирамид для распознавания категорий естественных сцен. В Конференция компьютерного общества IEEE 2006 г. по компьютерному зрению и распознаванию образов . Нью-Йорк; 17–22 июня 2006 г.: 2169–2178.

    Google ученый

13. Wang X, Han T, Yan S: Детектор человека HOG-LBP с обработкой частичной окклюзии. В 2009 IEEE 12-я Международная конференция по компьютерному зрению . Киото, Япония; 27 сентября — 4 октября 2009 г.: 32-39.

    Глава Google ученый

14. Zhang J, Huang K, Yu Y, Tan T: Расширенная локальная структурированная HOG-LBP для локализации объектов. В 2011 Конференция IEEE по компьютерному зрению и распознаванию образов (CVPR), . Колорадо-Спрингс, Колорадо; 20–25 июня 2011 г.: 13:93–14:00.

    Google ученый

15. «>

    Ойала Т., Пиетикайнен М., Харвуд Д.: Сравнительное исследование мер текстуры с классификацией на основе типовых распределений. Распознавание образов 1996, 29: 51-59. 10.1016/0031-3203(95)00067-4

    Артикул Google ученый

16. Lee H, Battle A, Raina R, Ng A: Эффективные алгоритмы разреженного кодирования. Доп. Нейронная инф. Процесс. Сист 2007, 19: 801.

    Google ученый

17. Майрал Дж., Бах Ф., Понсе Дж.: Изучение словаря на основе задач. Анальный узор. Мах. Intel, IEEE Trans 2012, 34(4):791-804.

    Артикул Google ученый

18. Ян Дж., Ван Дж., Хуан Т.: Изучение разреженного представления для классификации. В 2011 Международная конференция IEEE по мультимедиа и выставкам (ICME) . Барселона; 11–15 июля 2011 г.: 1–6.

    Google ученый

Ссылки на скачивание

Благодарности

Эта работа была частично поддержана грантом Национального научного фонда DBI 10-62351. Полевые данные были собраны при поддержке Национального научного фонда (NSF-DEB 0717071 для R.W.K.) и Нидерландской организации научных исследований (863-07-008 для P.A.J.). XY и TW выражают благодарность Национальному фонду естественных наук Китая за грант 6107309.4.

Информация об авторе

Авторы и организации

1. Факультет компьютерных наук Хуачжунского университета науки и технологий, Ухань, провинция Хубэй, Китай

   Сяоюань Ю и Тяньцзян Ван

2. , Институт им. Урбана-Шампейн, Урбана, Иллинойс, США

   Сяоюань Юй, Цзянпин Ван и Томас Хуанг

3. Смитсоновский институт тропических исследований (STRI), Бальбоа, Анкон Панама, Республика Панама

   Роланд Кейс и Патрик А Янсен

4. Музей естественных наук Северной Каролины, Роли, Северная Каролина, США

   Роланд Кейс

5. Программа рыболовства, дикой природы и охраны, Университет штата Северная Каролина, Роли9, 0NC

   Roland Kays

6. Факультет наук об окружающей среде, Вагенингенский университет, Вагенинген, Нидерланды

   Патрик А. Янсен

Авторы

1. Xiaoyuan Yu

   Просмотр публикаций автора

   Вы также можете искать этого автора в PubMed Google Scholar

2. Jiangping Wang

   Просмотр публикаций автора

   Вы также можете искать этого автора в PubMed Google Scholar

3. Roland Kays

   Просмотр публикаций автора

   Вы также можете искать этого автора в PubMed Google Scholar

4. Патрик А. Янсен

   Посмотреть публикации автора

   Вы также можете искать этого автора в PubMed Google Scholar

5. Tianjiang Wang

   Просмотр публикаций автора

   Вы также можете искать этого автора в PubMed Google Scholar

6. Thomas Huang

   Посмотреть публикации автора

   Вы также можете искать этого автора в PubMed Google Scholar

Автор, ответственный за переписку

Связь с Цзянпин Ван.

Дополнительная информация

Конкурирующие интересы

Авторы заявляют об отсутствии конкурирующих интересов.

Оригинальные файлы изображений, представленные авторами

Ниже приведены ссылки на оригинальные файлы изображений, представленные авторами.

Авторский файл рисунка 1

Авторский файл рисунка 2

Авторский файл рисунка 3

Оригинальный файл авторов для рисунка 4

Права и разрешения

Открытый доступ Эта статья распространяется на условиях международной лицензии Creative Commons Attribution 2.0 ( https://creativecommons.org/licenses/by/2.0 ), который разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии надлежащего цитирования оригинальной работы.

Перепечатки и разрешения

Об этой статье

ЖИВОТНЫЕ С КАМЕРАМИ, МИНИ-СЕРИЯ О ПРИРОДЕ

Предоставлено © Гордоном Бьюкененом

Гордон Бьюкенен и один из трех «гепардов с камерой», Намибия. Голова гепарда остается неподвижной во время бега, поэтому это самое устойчивое место для камеры. Ремни камеры изготовлены из мягкого гибкого неопрена для максимального комфорта. Они были застегнуты на липучку, чтобы гепарды могли легко их снять, но на практике они игнорировали их, как только надевали.

— Раскрыто невиданное ранее поведение животных —

Отправляйтесь туда, куда не доберется ни один оператор-человек, и станьте свидетелем нового взгляда на царство животных в мини-сериале «ЖИВОТНЫЕ С КАМЕРАМИ, ПРИРОДА». Сериал из трех частей рассказывает о путешествиях в миры животных с использованием нестандартных современных камер, которые носят сами животные. Снимая невиданное ранее поведение, эти кинематографисты-животные помогают расширить человеческое представление об их среде обитания и разгадать тайны, которые до сих пор ускользали от ученых.

Оператор дикой природы Гордон Бьюкенен (NATURE «Заснеженные: Зимние животные») и команда первопроходцев в области поведения животных объединяют усилия, чтобы исследовать истории о жизни животных, «рассказанные» самими животными.

Камеры изготовлены по индивидуальному заказу экспертом по дизайну камер Крисом Уоттсом, чтобы они ненавязчиво помещались на животных и их можно было легко снять позже.

С этого уникального наблюдательного пункта узнайте о тайной жизни девяти различных видов животных. Бегите по саванне с гепардом, ныряйте в океан с тюленем и качайтесь по деревьям с шимпанзе.

«Возможность запечатлеть ускользающие моменты, такие как привычки подводной охоты пингвинов или ритуалы сна семьи сурикатов в их подземной норе, была экстраординарным опытом, о котором я никогда не думал, что буду причастен», сказал Бьюкенен . «Благодаря специальным камерам мы смогли ответить на некоторые сложные вопросы, которыми всегда интересовались ученые: почему каждое лето мигрируют дьявольские скаты? Какая личность собаки наиболее эффективно защищает стадо овец от волков? Почему в Турции перенаселение бурых медведей, когда они находятся под угрозой исчезновения в других местах?»

Предоставлено © Gordon Buchanan

Шимпанзе-сирота Кимбанг внимательно осматривает бортовую камеру и упряжь. Привязь была сделана из автомобильной шины и застегнута на липучке, поэтому Кимбанг могла легко снять ее, если захотела.

«Никогда раньше мы не видели таких высококачественных кадров непосредственно с точки зрения животного», — сказал исполнительный продюсер NATURE Фред Кауфман . «Этот мини-сериал значительно расширяет наши представления о поведении животных, а эта технология камеры открывает новые возможности для открытия гораздо большего».

Предоставлено Эстер де Рой / © BBC

Магелланов пингвин отправляется в море со своей миниатюрной камерой в колонии Кабо-дус-Баиас в Аргентине. Пингвины проводят до трех дней в море в поисках пищи. Ученые разместили камеру на борту непосредственно перед вылетом и сняли ее сразу после возвращения.

Единственные в своем роде кадры, снятые животными, включают в себя несколько первых камер:

• Камеры впервые позволили показать новорожденных сурикатов в их норах, в отличие от детенышей сурикатов. выходят из норы, пока не достигнут трехнедельного возраста.
• В Атлантическом океане нерожденный дьявольский скат пинается в животе своей матери — явление, никогда ранее не запечатленное на пленке.

Предоставлено © Гордон Бьюкенен

Гордон Бьюкенен ждет, чтобы развернуть «Буксирную камеру» на дьявольском луче, недалеко от Азорских островов. Камера была спроектирована так, чтобы ее можно было буксировать за лучом, и была заключена в пенопластовый корпус, чтобы после отсоединения (через несколько часов) она всплывала на поверхность.

ПУТЕВОДИТЕЛЬ ПО ЭПИЗОДАМ:

Мини-сериал посещает восемь стран и показывает три разных вида в каждом эпизоде.

Эпизод 1 повторяется в среду, 22 июля, в 20:00. и воскресенье, 26 июля, в 15:00. на KPBS TV+ 26 июля в 20:00. на КПБС 2 — Станьте свидетелем тайной жизни животных, как никогда раньше, поскольку эта серия из трех частей раскрывает поистине беспрецедентное поведение. Посмотрите на ту сторону царства животных, куда не могут попасть операторы-люди, когда операторами становятся животные.

Эпизод 2 повторяется в среду, 29 июля, в 20:00. и воскресенье, 2 августа, в 15:00. на KPBS TV + 2 августа в 20:00 на KPBS 2 — Посмотрите, как камеры снимают молодых гепардов, обучающихся охоте в Намибии, покажите, как морские котики на австралийском острове уклоняются от больших белых акул у берега, и помогите разрешить конфликт между южноафриканскими фермерами и бабуинами Чакма.

Эпизод 3 выходит в эфир в среду, 5 августа, в 20:00. и воскресенье, 9 августа, в 15:00. на KPBS TV + 9 августа в 20:00 на KPBS 2 — Познакомьтесь с чилийскими дьявольскими скатами на Азорских островах, отследите рацион бурых медведей в Турции и проследите за собаками, защищающими стада овец от серых волков на юге Франции.

Смотрите по расписанию:

Премьера этой серии состоялась в 2018 году, и в настоящее время она доступна для потоковой передачи по запросу с помощью KPBS Passport, потоковой передачи видео для участников, поддерживающих KPBS за 60 долларов США или более в год, с использованием вашего компьютера, смартфона, планшета, Roku, AppleTV, Amazon Fire или Chromecast. Узнайте, как активировать свое преимущество сейчас .

Слушайте подкасты NATURE:

Подкаст InsideNATURE продолжается там, где заканчивается программа NATURE. Мы разговариваем с создателями некоторых из величайших фильмов NATURE, отслеживаем обновления персонажей животных из прошлых эпизодов и выходим за рамки заголовков, чтобы поговорить с экспертами, работающими на переднем крае исследований и сохранения дикой природы.

Послушайте: режиссер фильмов о дикой природе Гордон Бьюкенен о фильме «Животные с камерами»

Предоставлено © BBC

Гепард с камерой отправляется на охоту. Камеры имели внутреннюю стабилизацию и могли снимать в замедленном режиме, что позволяло съемочной группе запечатлеть охоту с борта в мельчайших деталях.

Присоединяйтесь к беседе:

NATURE есть на Facebook, Tumblr, и вы можете подписаться на @PBSNature в Twitter. #NaturePBS #AnimalsWithCamerasPBS

Вы можете подписаться на @gordonjbuchanan в Твиттере.