CN108549860A - 一种基于深度神经网络的牛脸识别方法 - Google Patents

一种基于深度神经网络的牛脸识别方法 Download PDF

Info

Publication number
CN108549860A
CN108549860A CN201810309065.2A CN201810309065A CN108549860A CN 108549860 A CN108549860 A CN 108549860A CN 201810309065 A CN201810309065 A CN 201810309065A CN 108549860 A CN108549860 A CN 108549860A
Authority
CN
China
Prior art keywords
face
ear tag
neural network
milk cow
deep neural
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810309065.2A
Other languages
English (en)
Inventor
赖荣凤
黄贤俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Yuan Heng Technology Co Ltd
Original Assignee
Shenzhen Yuan Heng Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Yuan Heng Technology Co Ltd filed Critical Shenzhen Yuan Heng Technology Co Ltd
Priority to CN201810309065.2A priority Critical patent/CN108549860A/zh
Publication of CN108549860A publication Critical patent/CN108549860A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度神经网络的牛脸识别方法，包括如下步骤：1.从奶牛的正面照片中检测出牛脸和耳标，获得牛脸和耳标在照片中的位置和大小信息；2.使用深度卷积网络算法提取牛脸图片的抽象特征，记为X1：一个由128个的实数组成的向量；3.使用BiLSTM和CTC构成的深度循环网络识别耳标号，将耳标图片转成文字；4.用耳标号从牛脸库中检索出相应的奶牛及其抽象特征，记为X2；5.比较两个牛脸的抽象特征的相似性，此处计算X1、X2两个向量的余弦相似性或欧式距离。本发明基于深度神经网络的方法在人脸识别中能获取极高的准确率，再使用迁移学习技术对人脸识别的算法和模型进行修改优化，使之在牛脸识别的场景也能达到超高准确率，可在大型奶牛场里使用。

Description

一种基于深度神经网络的牛脸识别方法
技术领域
本发明涉及一种识别方法，具体是一种基于深度神经网络的牛脸识别方法。
背景技术
2012年以来，深度学习在图片识别领域取得非常大的进步。相比传统的图片识别方法使用的色彩、HOG等低级视觉特征；深度神经网络能学得更多高级的、抽象的特征，这使得深度神经网络的性能远远超越传统方法。
2014年以来，深度学习开始在人脸识别领域飞速发展，涌现出DeepID，DeepFace，FaceNet等一序列方法，识别准确率已经超越了人类识别人脸的水平，并在生成环境中得到大规模使用。
深度学习在奶牛个体识别的领域进行的工作比较少，2016年左右开始有人尝试。但是受限于数据获取的难度，这个领域一直紧张比较慢，目前也还没有一个可以落地使用的系统或方法。
现有技术方案
1. 基于深度卷积神经网络的奶牛个体识别方法(CN106778902A): 是一种采用深度卷积神经网络提取特征，结合对奶牛纹理特征实现对奶牛个体的方法。该方法是使用奶牛视频做为训练识别数据，采集数据要求高，适应场景苛刻；只能在奶牛数目很少(如：不超过20头奶牛)的情况下取得较高的识别准确率，无法推广到拥有成千上万头奶牛的大型奶牛场使用。
2. 一种奶牛识别方法及系统(CN105260750A):是一种使用传统的图片特征和匹配的算法，每头奶牛建立背部，侧部，后部三个图片特征库，然后比较各头牛的特征相似性。由于该方法使用图像的传统特征，无法表达和描述高级的特征，因而准确率和泛化能力都比较低。
3. FaceNet(https://arxiv.org/abs/1503.03832）：Google发布的基于深度学习的人脸识别算法，在人脸数据集上取得极好的效果。但该方法需要海量（千万或亿级）的训练样本才能达到最优效果。且无法直接用来做牛脸识别。
4. DeepID，DeepFace等基于深度学习的人脸识别算法，它们都面向人脸识别的；可以借鉴它们的方法，但直接去识别牛脸的话，效果都不好。
现有的奶牛个体识别方法存在以下问题：
1.识别准确率低，仅能在20头奶牛的规模上实现较好的准确率，无法在大型牛场使用；
2.对奶牛照片的拍摄要求高，或要多个角度照片，导致采集奶牛图片难度大，不便大规模使用；
3.使用耳标号的奶牛识别方法容易被攻破，无法防止造假行为。
发明内容
本发明的目的在于提供一种基于深度神经网络的牛脸识别方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种基于深度神经网络的牛脸识别方法，包括如下步骤：1.从奶牛的正面照片中检测出牛脸和耳标，获得牛脸和耳标在照片中的位置和大小信息；2.使用深度卷积网络算法提取牛脸图片的抽象特征，记为X1：一个由128个的实数组成的向量；3.使用BiLSTM和CTC构成的深度循环网络识别耳标号，将耳标图片转成文字；4.用耳标号从牛脸库中检索出相应的奶牛及其抽象特征，记为X2；5.比较两个牛脸的抽象特征的相似性，此处计算X1、X2两个向量的余弦相似性或欧式距离；6.最终判断此奶牛是否在牛脸库中。
作为本发明进一步的方案：所述牛脸检测和耳标检测能够使用任何通用目标检测算法。
作为本发明再进一步的方案：所述深度卷积网络算法，能够是任意的人脸特征提取算法。
与现有技术相比，本发明的有益效果是：1. 本发明基于深度神经网络的方法在人脸识别中能获取极高的准确率，再使用迁移学习技术对人脸识别的算法和模型进行修改优化，使之在牛脸识别的场景也能达到超高准确率，可在大型奶牛场里使用；2.结合耳标号的识别和奶牛牛脸的识别，双层验证，既能提高识别准确率，又能防止耳标造假行为；3.只需采集一张奶牛正面照片，使用便捷简单，方便大规模使用。
附图说明
图1为基于深度神经网络的牛脸识别方法的流程图。
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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明实施例中，一种基于深度神经网络的牛脸识别方法，包括如下步骤：1.从奶牛的正面照片中检测出牛脸和耳标，获得牛脸和耳标在照片中的位置和大小信息；2.使用深度卷积网络算法提取牛脸图片的抽象特征，记为X1：一个由128个的实数组成的向量；3.使用BiLSTM和CTC构成的深度循环网络识别耳标号，将耳标图片转成文字；4.用耳标号从牛脸库中检索出相应的奶牛及其抽象特征，记为X2；5.比较两个牛脸的抽象特征的相似性，此处计算X1、X2两个向量的余弦相似性或欧式距离；6.最终判断此奶牛是否在牛脸库中。
所述牛脸检测和耳标检测能够使用任何通用目标检测算法，如：Faster RCNN,SSD, YOLO等，下面以Faster RCNN为例子阐述其原理：
1)深度卷积网络（conv layers）提取奶牛图片抽象特征（feature maps）；
2)使用区域候选网络推荐候选牛脸区域；
3)从候选区域回归牛脸的精准区域。
所述深度卷积网络算法，能够是任意的人脸特征提取算法，如：DeepID，FaceNet，DeepFace等。
耳标图片的文字识别算法结合了深度卷积神经网络和循环神经网络，共同实现图片到文字的转换。其算法原理如下：
1)使用卷积网络提取耳标图片特征；
2)将上述特征输入LSTM构成的双向循环神经网络；
3)使用CTC算法合并叠字和占位符，输出概率最大的文字序列。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (3)

1.一种基于深度神经网络的牛脸识别方法，其特征在于，包括如下步骤：1.从奶牛的正面照片中检测出牛脸和耳标，获得牛脸和耳标在照片中的位置和大小信息；2.使用深度卷积网络算法提取牛脸图片的抽象特征，记为X1：一个由128个的实数组成的向量；3.使用BiLSTM和CTC构成的深度循环网络识别耳标号，将耳标图片转成文字；4.用耳标号从牛脸库中检索出相应的奶牛及其抽象特征，记为X2；5.比较两个牛脸的抽象特征的相似性，此处计算X1、X2两个向量的余弦相似性或欧式距离；6.最终判断此奶牛是否在牛脸库中。
2.根据权利要求1所述的基于深度神经网络的牛脸识别方法，其特征在于，所述牛脸检测和耳标检测能够使用任何通用目标检测算法。
3.根据权利要求1所述的基于深度神经网络的牛脸识别方法，其特征在于，所述深度卷积网络算法，能够是任意的人脸特征提取算法。
CN201810309065.2A 2018-04-09 2018-04-09 一种基于深度神经网络的牛脸识别方法 Pending CN108549860A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810309065.2A CN108549860A (zh) 2018-04-09 2018-04-09 一种基于深度神经网络的牛脸识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810309065.2A CN108549860A (zh) 2018-04-09 2018-04-09 一种基于深度神经网络的牛脸识别方法

Publications (1)

Publication Number Publication Date
CN108549860A true CN108549860A (zh) 2018-09-18

Family

ID=63514400

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810309065.2A Pending CN108549860A (zh) 2018-04-09 2018-04-09 一种基于深度神经网络的牛脸识别方法

Country Status (1)

Country Link
CN (1) CN108549860A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110610125A (zh) * 2019-07-31 2019-12-24 平安科技（深圳）有限公司 基于神经网络的牛脸识别方法、装置、设备及存储介质
CN111259978A (zh) * 2020-02-03 2020-06-09 东北农业大学 一种融合多区域深度特征的奶牛个体身份识别方法
CN111476067A (zh) * 2019-01-23 2020-07-31 腾讯科技（深圳）有限公司 图像的文字识别方法、装置、电子设备及可读存储介质
CN111738182A (zh) * 2020-06-28 2020-10-02 中国平安财产保险股份有限公司 基于图像识别的身份验证方法、装置、终端及存储介质
CN114283366A (zh) * 2021-12-24 2022-04-05 东北农业大学 一种奶牛个体身份识别方法和装置、存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040199785A1 (en) * 2002-08-23 2004-10-07 Pederson John C. Intelligent observation and identification database system
CN104123485A (zh) * 2014-07-18 2014-10-29 广州三星通信技术研究有限公司 实名制信息绑定的方法和装置
CN106570456A (zh) * 2016-10-13 2017-04-19 华南理工大学 基于全卷积递归网络的手写汉字文本识别方法
CN107766807A (zh) * 2017-09-30 2018-03-06 平安科技（深圳）有限公司 电子装置、投保牲畜识别方法和计算机可读存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040199785A1 (en) * 2002-08-23 2004-10-07 Pederson John C. Intelligent observation and identification database system
CN104123485A (zh) * 2014-07-18 2014-10-29 广州三星通信技术研究有限公司 实名制信息绑定的方法和装置
CN106570456A (zh) * 2016-10-13 2017-04-19 华南理工大学 基于全卷积递归网络的手写汉字文本识别方法
CN107766807A (zh) * 2017-09-30 2018-03-06 平安科技（深圳）有限公司 电子装置、投保牲畜识别方法和计算机可读存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ISLEM JARRAYA等: "A Preliminary Investigation on Horses Recognition Using Facial Texture Features", 《2015 IEEE INTERNATIONAL CONFERENCE ON SYSTEMS, MAN, AND CYBERNETICS》 *
李竹林等: "《图像立体匹配技术及其发展和应用》", 31 July 2007 *
林宇洪等: "复合型RFID动物耳标及追踪系统的设计", 《四川农业大学学报》 *
赵丽科等: "田径运动员号码牌图像的号码识别", 《华东师范大学学报(自然科学版)》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111476067A (zh) * 2019-01-23 2020-07-31 腾讯科技（深圳）有限公司 图像的文字识别方法、装置、电子设备及可读存储介质
CN111476067B (zh) * 2019-01-23 2023-04-07 腾讯科技（深圳）有限公司 图像的文字识别方法、装置、电子设备及可读存储介质
CN110610125A (zh) * 2019-07-31 2019-12-24 平安科技（深圳）有限公司 基于神经网络的牛脸识别方法、装置、设备及存储介质
CN111259978A (zh) * 2020-02-03 2020-06-09 东北农业大学 一种融合多区域深度特征的奶牛个体身份识别方法
CN111738182A (zh) * 2020-06-28 2020-10-02 中国平安财产保险股份有限公司 基于图像识别的身份验证方法、装置、终端及存储介质
CN111738182B (zh) * 2020-06-28 2023-06-02 中国平安财产保险股份有限公司 基于图像识别的身份验证方法、装置、终端及存储介质
CN114283366A (zh) * 2021-12-24 2022-04-05 东北农业大学 一种奶牛个体身份识别方法和装置、存储介质

Similar Documents

Publication Publication Date Title
CN108549860A (zh) 一种基于深度神经网络的牛脸识别方法
Tu et al. Edge-guided non-local fully convolutional network for salient object detection
Dehghan et al. Dager: Deep age, gender and emotion recognition using convolutional neural network
US11983950B2 (en) Entity identification using machine learning
CN107480178B (zh) 一种基于图像与视频跨模态比对的行人重识别方法
CN110135295A (zh) 一种基于迁移学习的无监督行人重识别方法
Liu et al. Extremely dense point correspondences using a learned feature descriptor
CN103761284B (zh) 一种视频检索方法和系统
CN108764065A (zh) 一种行人重识别特征融合辅助学习的方法
CN105469100A (zh) 基于深度学习的皮肤活检图像病理特性识别方法
WO2018196718A1 (zh) 图像消歧方法、装置、存储介质和电子设备
CN105718873A (zh) 基于双目视觉的人流分析方法
CN106408037A (zh) 图像识别方法及装置
Zhao et al. Jdnet: A joint-learning distilled network for mobile visual food recognition
Zhang et al. Joint discriminative representation learning for end-to-end person search
Li et al. Two-b-real net: Two-branch network for real-time salient object detection
CN113762009A (zh) 一种基于多尺度特征融合及双注意力机制的人群计数方法
CN111291705B (zh) 一种跨多目标域行人重识别方法
Yang et al. Combining YOLOV3-tiny model with dropblock for tiny-face detection
CN115761342A (zh) 一种肺部ct影像肺炎分类方法、装置及设备
Lin et al. Representative body points on top-view depth sequences for daily activity recognition
CN109214394A (zh) 一种基于颜色和纹理特性的风格迁移伪造图像检测方法和装置
CN115908955B (zh) 基于梯度蒸馏的少样本学习的鸟类分类系统、方法与装置
CN115410265B (zh) 模型训练方法、人脸识别方法、电子设备及存储介质
CN109299777B (zh) 一种基于人工智能的数据处理方法及其系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20180918

RJ01 Rejection of invention patent application after publication