CN108764159A - 小样本条件下的动物面部识别方法和系统 - Google Patents
小样本条件下的动物面部识别方法和系统 Download PDFInfo
- Publication number
- CN108764159A CN108764159A CN201810539706.3A CN201810539706A CN108764159A CN 108764159 A CN108764159 A CN 108764159A CN 201810539706 A CN201810539706 A CN 201810539706A CN 108764159 A CN108764159 A CN 108764159A
- Authority
- CN
- China
- Prior art keywords
- feature
- animal
- animal face
- feature vector
- preset
- 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
Links
- 241001465754 Metazoa Species 0.000 title claims abstract description 191
- 238000000034 method Methods 0.000 title claims abstract description 73
- 239000013598 vector Substances 0.000 claims abstract description 137
- 238000010606 normalization Methods 0.000 claims description 10
- 230000001815 facial effect Effects 0.000 claims description 7
- 230000001052 transient effect Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 abstract description 20
- 238000005070 sampling Methods 0.000 abstract description 16
- 230000000694 effects Effects 0.000 abstract description 9
- 239000000284 extract Substances 0.000 abstract description 5
- 241000283690 Bos taurus Species 0.000 description 42
- 210000003128 head Anatomy 0.000 description 31
- 239000008267 milk Substances 0.000 description 30
- 235000013336 milk Nutrition 0.000 description 30
- 210000004080 milk Anatomy 0.000 description 30
- 238000005516 engineering process Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 241000283073 Equus caballus Species 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 241000283086 Equidae Species 0.000 description 2
- 241001494479 Pecora Species 0.000 description 2
- 238000003975 animal breeding Methods 0.000 description 2
- 235000013365 dairy product Nutrition 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000283707 Capra Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 241000009328 Perro Species 0.000 description 1
- 241000232136 Primulina Species 0.000 description 1
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000009360 aquaculture Methods 0.000 description 1
- 244000144974 aquaculture Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 235000015278 beef Nutrition 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供小样本条件下的动物面部识别方法和系统。其中，方法包括：提取待识别动物面部图像中每一预设的坐标对应的像素的特征，并根据每一预设的坐标对应的像素的特征，获取待识别动物面部图像的特征向量；将待识别动物面部图像的特征向量，输入至预设的分类器，根据预设的分类器的输出结果，获得待识别动物面部图像中动物面部的识别结果。本发明实施例提供的小样本条件下的动物面部识别方法和系统，对原始特征向量进行扩充，获得数量更多的样本特征向量对分类器进行训练，使通过训练获得的预设的分类器的训练效果更好，能在样本数量较小的情况下，提高根据预设的分类器对待识别动物面部图像中的动物个体进行识别的准确性。
Description
技术领域
本发明实施例涉及计算机视觉技术领域，尤其涉及小样本条件下的动物面部识别方法和系统。
背景技术
计算机视觉及智能监控已逐步深入到养殖业的各个领域。例如，奶牛精细化养殖中，其中个体档案建立、信息采集及奶产品溯源等，均需要对奶牛进行快速准确的个体识别。传统的奶牛身份识别方法将奶牛编号书写或者打印在耳标上，然后通过穿刺将耳标安装于奶牛耳部。传统耳标需要人工肉眼读取，简易受限于光照及距离的限制，易因损坏、沾染污渍而失效。随着智能感知技术的发展，RFID电子耳标配合手持或者固定读取器被用于规模化奶牛养殖场，利用这种技术能够自动、快捷地读取奶牛个体身份信息，提高了奶牛信息采集的效率。但单个耳标价格较高，大型养殖场投资成本过高，且穿刺型耳标需要终身安装于奶牛耳部，对奶牛身体产生物理上的损伤，安装不当甚至会导致奶牛耳朵撕裂；耳标有一定的概率脱落和丢失，电子耳标的丢失不仅会增加重新安装的成本，而且需要大量额外费用去购买新的电子耳标。因此迫切需要一种可重复、成本低、非接触的基于计算机视觉的奶牛个体身份识别方法，以提高奶牛个体识别自动化程度并降低成本，进一步提高计算机视觉算法在奶牛个体识别分析领域的实用性。
现有技术采用计算机视觉算法进行动物面部识别大多复制人脸识别技术。例如，进行奶牛个体识别的现有技术包括：对采用深度学习当中卷积神经网络提取特征，结合分类器模型，通过对牛脸的识别，实现对牛只个体的身份识别；在人脸轮廓算法的基础上，根据牛脸图像的特征，定义牛脸轮廓模型，用牛脸图像训练并测试轮廓提取算法的精度和效率，实现肉牛实际养殖环境下面部轮廓的自动提取；在人脸识别方法的基础上对LBP(局部二值模式，Local Binary Patterns)进行改进，提出了基于LBP改进后的牛脸模型，并使用稀疏和低秩分解对牛脸测试图像进行校准，克服了光照变化、图像尺寸偏差以及局部遮挡的影响。由于利用无监督形状匹配的方法对动物的脸部特征点进行变形使其更符合人脸的特点，有人采用对数据集且利用迁移学习的方法，实现马和羊的面部关键特征点检测。
目前常用的动物面部识别技术，首先对采集到的动物面部数据集进行特征点标注，然后运用机器学习的方法对标注后的特征进行训练与深度学习，得到数据集所需要的模型或是预测函数，然后对未知的(未标记的)样本进行预测分析，这种方法的必要条件是样本数目充足，只有样本数趋向无限大，才能保证方法的准确率。而动物养殖过程中，会因为同伴遮挡、舔舌、进食等动作遮挡住脸部，而不利于动物面部数据的采集，且受视频质量、距离和拍摄角度的限制，也会导致采集到的动物面部图像不清晰；此外受光照、地面状况、天气情况等外界因素干扰，造成从数据集中提取出来的动物面部局部特征差异较大，而不得不大幅度的丢弃样本，无法确保大样本训练数据集，获得的样本的数量较少(小样本)，因此简单的人脸识别技术的复制并不能保证小样本条件下的动物面部识别的准确性。
发明内容
针对现有技术存在的在小样本条件下进行动物面部识别的准确性不足的问题，本发明实施例提供小样本条件下的动物面部识别方法和系统。
根据本发明的第一方面，本发明实施例提供一种小样本条件下的动物面部识别方法，包括：
提取待识别动物面部图像中每一预设的坐标对应的像素的特征，并根据每一所述预设的坐标对应的像素的特征，获取待识别动物面部图像的特征向量；
将所述待识别动物面部图像的特征向量，输入至预设的分类器，根据所述预设的分类器的输出结果，获得待识别动物面部图像的识别结果；
其中，所述预设的分类器是根据样本图像的特征向量进行训练后获得的；所述样本图像的特征向量包括样本图像的原始特征向量和根据所述原始特征向量获得的扩充的特征向量。
根据本发明的第二方面，本发明实施例提供一种小样本条件下的动物面部识别系统，包括：
特征提取模块，用于提取待识别动物面部图像中每一预设的坐标对应的像素的特征，并根据每一所述预设的坐标对应的像素的特征，获取待识别动物面部图像的特征向量；
面部识别模块，用于将所述待识别动物面部图像的特征向量，输入至预设的分类器，根据所述预设的分类器的输出结果，获得待识别动物面部图像的识别结果；
其中，所述预设的分类器是根据样本图像的特征向量进行训练后获得的；所述样本图像的特征向量包括样本图像的原始特征向量和根据所述原始特征向量获得的扩充的特征向量。
根据本发明的第三方面，本发明实施例提供一种小样本条件下的动物面部识别设备，包括：
至少一个处理器；以及
与所述处理器通信连接的至少一个存储器，其中：
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行本发明实施例动物面部识别方法及其所有可选实施例的动物面部识别方法。
根据本发明的第四方面，本发明实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行本发明实施例动物面部识别方法及其所有可选实施例的动物面部识别方法。
本发明实施例提供的小样本条件下的动物面部识别方法和系统，通过对原始特征向量进行扩充，获得数量更多的样本特征向量对分类器进行训练，使通过训练获得的预设的分类器的训练效果更好，能在样本数量较小的情况下，提高根据预设的分类器对待识别动物面部图像中的动物个体进行识别的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例小样本条件下的动物面部识别方法的流程图；
图2为本发明实施例小样本条件下的动物面部识别系统的功能框图；
图3为本发明实施例小样本条件下的动物面部识别设备的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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作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。
需要说明的是，本发明提供的小样本条件下的动物面部识别方法和系统，是在小样本条件下，进行动物面部识别。小样本条件，指用于训练的训练样本的数量很少，例如低于10或50个。
图1为本发明实施例小样本条件下的动物面部识别方法的流程图。如图1所示，一种小样本条件下的动物面部识别方法包括：步骤S101、提取待识别动物面部图像中每一预设的坐标对应的像素的特征，并根据每一预设的坐标对应的像素的特征，获取待识别动物面部图像的特征向量。
需要说明的是，发明实施例提供的动物面部识别方法适用于对大量同一种类的动物中的个体进行面部识别，识别动物个体。同一种类的动物，可以是牛、羊、马、犬、猫等面部的正面具有一定规律特征的动物，但不限于此。
对于采集的待识别动物面部图像，获取预设的坐标对应的像素的特征。
常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。
预设的坐标为多个。
预设的坐标可以随机选取，也可以通过合适的算法进行选取。
获取每一预设的坐标对应的像素的特征后，可以通过预设的方法对预设的坐标对应的像素的特征进行处理，根据处理的结果，获取待识别动物面部图像的特征向量。
由于待识别动物面部图像中每一像素具有一定的特征，将预设的坐标对应的像素作为特征点，通过多个特征点的特征表征识别动物面部的特征，从而可以获得待识别动物面部图像的特征向量。
步骤S102、将待识别动物面部图像的特征向量，输入至预设的分类器，根据预设的分类器的输出结果，获得待识别动物面部图像中动物面部的识别结果；其中，预设的分类器是根据样本图像的特征向量进行训练后获得的；样本图像的特征向量包括样本图像的原始特征向量和根据原始特征向量获得的扩充的特征向量。
获得待识别动物面部图像的特征向量后，将待识别动物面部图像的特征向量，输入至预设的分类器，获得预设的分类器的输出。
常用的分类器包括各种神经网络、支持向量机、决策树、最近邻分类器、随机森林、Boosting分类器等。
由于预设的分类器是根据样本图像的特征向量以及对应的动物个体的标签进行深度学习，即训练后获得的，预设的分类器的输出的动物个体的标签，为待识别动物面部图像中动物面部对应的动物个体的标签，从而识别出待识别动物面部图像中的动物个体。
例如，样本图像的特征向量对应的动物个体的标签为001至100号马，将待识别动物面部图像的特征向量输入至预设的分类器后，预设的分类器的输出为3号马，从而识别出待识别动物面部图像中的动物为3号马。
样本图像，为预先采集的各动物个体的面部图像。优选地，样本图像为动物个体的正面面部图像，即动物个体的面部正对镜头时采集的动物面部图像。
可以理解的是，获取样本图像的原始特征向量的方法，与获取待识别动物面部图像的特征向量的方法类似。即对于每一样本图像，提取样本图像中每一预设的坐标对应的像素的特征，并根据每一预设的坐标对应的像素的特征，通过预设的方法对预设的坐标对应的像素的特征进行处理，根据处理的结果，获取样本图像的特征向量。获取样本图像的特征向量时使用的预设的坐标，与获取待识别动物面部图像的特征向量时使用的预设的坐标相同。
同一动物个体头部的角度多种多样，动物个体头部的角度不同，对动物面部识别的结果会产生影响。而采集样本图像时由于背景遮挡、动物个体的运动等原因导致不可能穷尽动物个体头部的全部角度，采集样本图像的数量较少，使得分类器进行深度学习的效果受到很大影响，因而需要借助先验知识弥补样本图像数量的不足。因此，当采集的样本图像的数量较少时，除了提取样本图像的原始特征向量外，还需要根据动物头部活动的习性，如晃动或摆动，对每一样本图像的原始特征向量进行处理，获取扩充的特征向量。
扩充的特征向量，为虚拟出的特征向量，可以模拟动物个体头部的角度不同于原始样本图像中动物个体头部的角度时，所采集的样本图像的特征向量。
获得扩充的特征向量后，将原始特征向量和扩充的特征向量共同作为样本图像的特征向量，即样本特征向量，对分类器进行训练，根据分类器输出的动物个体的标签，与输入的样本图像的特征向量对应的动物个体的标签的差别，不断修正分类器的参数，直至获得满足要求的分类器，作为预设的分类器。
从而增加用于训练分类器的特征向量的数量，使通过训练获得的预设的分类器的训练效果更好，进行动物面部识别的结果更准确。
本发明实施例通过对原始特征向量进行扩充，获得数量更多的样本特征向量对分类器进行训练，使通过训练获得的预设的分类器的训练效果更好，能在样本数量较小的情况下，提高根据预设的分类器对待识别动物面部图像中的动物个体进行识别的准确性。
基于上述实施例的内容，获得扩充的特征向量的具体步骤包括：根据各预设的坐标，获得新的坐标。
需要说明的是，对于动物面部图像，图像间的差异转换到像素层面上，都可以表示为相同位置上像素的值的不同。因此，可以通过改变样本图像中像素的值得到新的图像。在实际操作中，不需要获得新的图像，只需要获得新的图像的特征向量即可。
具体地，由于对于各样本图像，预设的坐标均相同，根据预设的方法，对各预设的坐标进行处理，获取新的坐标。通过样本图像中新的坐标对应的像素点，模拟新的图像中预设的坐标对应的像素点。每一预设的坐标对应一个新的坐标。
对于每一样本图像，提取该样本图像中每一新的坐标对应的像素的特征，并根据每一新的坐标对应的像素的特征，获取扩充的特征向量。
具体地，获得新的坐标后，对于每一样本图像，提取该样本图像中每一新的坐标对应的像素的特征，通过预设的方法对每一新的坐标对应的像素的特征进行处理，根据处理的结果，获取扩充的特征向量。
基于上述实施例的内容，作为一个优选实施例，根据各预设的坐标，获得新的坐标的具体步骤包括：
对于每一预设的坐标(xj，yj)，新的坐标为(xi±Δcosα，yi±Δsinβ)
其中，Δ为动物头部的偏移量；α为横坐标轴方向的偏移角度；β为纵坐标轴方向的偏移角度。
具体地，由于动物面部特征具有对称性，且动物个体在运动过程中经常发生头部的左或右摆动，在样本图像中动物面部的基本特征保持不变的基础上，通过旋转头部角度创建虚拟样本，以实现对现有小样本的扩充。
Δ、α、β均为预设值。优选地，Δ为α与β为30度时的偏移量，α为30度，β为30度。预设的Δ、α、β可以为一组，也可以为多组。
通常情况下，动物的头部左右摇摆，Δ为动物头部的左右偏移量。
需要说明的是，由于动物面部特征具有对称性，根据一组Δ、α、β，获得的新的坐标为两组。也就是说，对于预设的坐标，Δ、α、β的组数为n时，获得的新的坐标为2n组。其中，n为不小于1的整数。
本发明实施例通过与样本图像中动物头部为中心，获得新的坐标，获得模拟动物头部向左和向右摆动相同角度时的图像的特征向量，避免扩充的特征向量仅为模拟动物头部向左或右的单一方向摆动时的的图像的特征向量，使样本特征向量具有更好的多样性，使通过训练获得的预设的分类器的训练效果更好，能提高根据预设的分类器对待识别动物面部图像中的动物个体进行识别的准确性。
基于上述实施例的内容，作为一个优选实施例，提取待识别动物面部图像中每一预设的坐标对应的像素的特征的具体步骤包括：对于每一预设的坐标，提取待识别动物面部图像中该坐标对应的像素的形状特征和纹理特征。
具体地，对于每一预设的坐标，根据该预设的坐标，确定待识别动物面部图像中该坐标对应的像素。
确定待识别动物面部图像中该坐标对应的像素后，提取该像素的形状特征和纹理特征。
纹理是一种反映图像中同质现象的视觉特征，它体现了物体表面的具有缓慢变化或者周期性变化的表面结构组织排列属性。纹理具有三大标志：某种局部序列性不断重复、非随机排列、纹理区域内大致为均匀的统一体。纹理不同于灰度、颜色等图像特征，它通过像素及其周围空间邻域的灰度分布来表现，即：局部纹理信息。
通常情况下，形状特征有两类表示方法，一类是轮廓特征，另一类是区域特征。轮廓特征主要针对形状区域的外边界，而区域特征则关系到整个形状区域。
形状特征包括：动物面部眼睛、鼻子、嘴巴等部件形状与结构关系的几何描述；纹理特征包括动物面部的空间颜色与光强分布。
根据预设的权重，获取该坐标对应的像素的形状特征和纹理特征的加权和，作为该坐标对应的像素的特征。
获得该坐标对应的像素的形状特征和纹理特征后，根据预设的权重，计算形状特征和纹理特征的加权和，将获得的加权和作为该坐标对应的像素的特征。
基于上述实施例的内容，根据每一预设的坐标对应的像素的特征，获取待识别动物面部图像的特征向量的具体步骤包括：对全部预设的坐标对应的像素的特征进行归一化，获得归一化特征。
优选地，获得每一预设的坐标对应的像素的特征后，对全部预设的坐标对应的像素的特征进行归一化，获得归一化特征。
归一化的具体步骤为：
预设的坐标的个数为p时，获取的预设的坐标对应的像素的特征为C1,C2,...,Cp，构成p维向量(C1,C2,...,Cp)；
计算(C1,C2,...,Cp)的均值
令
其中，1≤i≤p；
获取协方差矩阵U＝[U1,U2,...,Up]
计算协方差矩阵的特征值Ki与特征向量Zi，构成待识别动物面部图像的特征向量。
优选地，获取归一化特征后，对归一化特征进行主成分分析，获取归一化特征中的若干个特征，作为主分量特征；其中，主分量特征的个数小于预设的坐标的个数。
获取主分量特征后，将主分量特征构成待识别动物面部图像的特征向量。
可以理解的是，获得每一预设的坐标对应的像素的特征后，可以直接将每一预设的坐标对应的像素的特征构成待识别动物面部图像的特征向量；也可以将归一化特征构成待识别动物面部图像的特征向量；还可以对全部预设的坐标对应的像素的特征进行主成分分析，获取个数小于预设的坐标的个数的主分量特征，将主分量特征构成待识别动物面部图像的特征向量。
本发明实施例通过将预设的坐标对应的像素的特征归一化，归纳统一像素的特征的统计分布性，使特征映射到相同的固定范围中，使分类器的收敛速度更快，根据特征向量获得分类器的输出更快，能更快获得动物面部的识别结果，提高动物面部的识别的速度。进一步地，通过主成分分析，能降低特征向量的维数，降低分类器的计算量，能更快获得动物面部的识别结果，进一步提高动物面部的识别的速度。
基于上述实施例的内容，获取原始样本图像的具体步骤包括：对于每一动物个体，采集该动物个体的多张正面面部图像，作为样本图像。
优选地，对于每一动物个体，不只采集该动物个体的一张正面面部图像，而采集多张正面面部图像，作为样本图像。上述多张正面面部图像虽然都是正面面部图像，但是每张图像中，动物头部左右摆动的角度不同，但都不超过角度阈值。该角度阈值较小，例如3度、5度或10度。而预设的横坐标轴方向的偏移角度、纵坐标轴方向的偏移角度较大，从而使扩充的特征向量能模拟更多的动物头部摆动角度。
本发明实施例通过每一动物个体的多张正面面部图像作为样本图像，使扩充的特征向量能模拟更多的动物头部摆动角度，使样本特征向量具有更好的多样性，使通过训练获得的预设的分类器的训练效果更好，能提高根据预设的分类器对待识别动物面部图像中的动物个体进行识别的准确性。
基于上述实施例的内容，分类器为最近邻分类器。
优选地，采用最近邻分类器进行动物面部识别。
最近邻分类器是利用最近邻(k-Nearest Neighbor，简称kNN)算法进行分类的分类器。
kNN算法的核心思想是如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。该方法在确定分类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。kNN方法在类别决策时，只与极少量的相邻样本有关。kNN算法特别适合于多分类问题，即类别标签的数量较多时进行分类。
例如，对于动物养殖场，养殖的山羊的数量可能达到几百甚至更多，相应地，动物个体的标签达到几百甚至更多。通过最近邻分类器进行动物面部识别，简单、方便，能在动物个体的数量较多时获得更准确的动物面部识别结果。
本发明实例中最近邻分类器的参数k＝1。
相应地，通过最近邻分类器进行动物面部识别时，不需要进行训练，只需要将样本特征向量输入最近邻分类器即可获得预设的最近邻分类器。
通过最近邻分类器进行动物面部识别的具体步骤为：
在特征空间中，计算待识别动物面部图像的特征向量与每一样本特征向量之间的距离；
获取待识别动物面部图像的特征向量与每一样本特征向量之间的距离后，将其中的最小距离对应的样本特征向量所对应的动物个体的标签，作为待识别动物面部图像中动物个体的识别结果。
需要说明的是，计算待识别动物面部图像的特征向量与样本特征向量之间的距离可以是二者之间的欧氏距离或曼哈顿距离，本发明实施例对此不作限制。
通过最近邻分类器进行动物面部识别的具体步骤还可以为：
在特征空间中，将动物个体的标签相同的任意两个样本特征向量对应的特征点之间的连线均确定为特征线；
计算待识别动物面部图像的特征向量对应的特征点到每一特征线的距离，将其中最小距离对应的特征线所对应的动物个体的标签，作为待识别动物面部图像中动物个体的识别结果。
下面通过一个实例说明本发明提供的动物面部识别方法。
例如，奶牛挤奶时原地不动是最好的面部图像数据采集时机，利用1080p宽动态摄像头采集500头奶牛面部图像，每头牛有10张脸部图像，共5000张，图片大小为112*92，构成奶牛面部图像数据库。
对于500头奶牛中的每一头奶牛，从该头奶牛的10张正面部图像中任意选择D个作为样本图像并分配标签001至500(奶牛的编号)，将为选择的面部图像作为待识别面部图像。
提取每一头奶牛的D张样本图像的原始特征向量，并对原始特征向量进行扩充，获得扩充的特征向量，并将原始特征向量和扩充的特征向量构成样本特征向量。
对于每一待识别奶牛面部图像，提取待识别图像中每一预设的坐标对应的像素的特征，并根据每一预设的坐标对应的像素的特征，获取待识别图像的特征向量；将待识别奶牛面部图像的特征向量，输入至预设的分类器，根据预设的分类器的输出结果，获得待识别图像中奶牛面部的识别结果，确定待识别图像中的奶牛的编号。
预设的分类器为最近邻分类器。
将每个样本特征向量对应为样本特征空间中的一个样本特征点，假设500头奶牛中第L头奶牛有NL个样本特征向量，分别对应样本特征空间中的NL个样本特征点。第L头奶牛的两个不同特征点与确定了一条直线用此直线描述这两个样本特征点间的奶牛头部位置移动的变化，直线上任意一点均可看做是由这两个样本特征点构造的虚拟样本特征向量对应的样本特征点。
500头奶牛中的每头奶牛为一个类，该头奶牛的编号为该头奶牛对应的样本特征向量所对应的奶牛个体的标签。
若设待识别奶牛面部图像的特征向量对应的特征点为κ，为对κ进行分类，首先计算在κ在特征线上的投影点μ为距离参数。直线与直线垂直，且有
首先计算κ到每个类所有特征线的距离其中，L＝1,2,...,500 i,j＝1,2,...,NL。则待识别奶牛面部图像的特征向量对应的特征点κ和特征线的最短距离为：将κ归为最小距离对应的特征线所属的类别L'。即将L'作为待识别奶牛面部图像的奶牛面部识别结果。
对于每一待识别图像，识别该图像中的奶牛后，计算识别结果的置信度；当置信度大于预设的置信度阈值时，将该图像添加至样本图像中，并根据该图像的特征向量获取扩充的特征向量，添加至样本图像的特征向量中；对还未进行奶牛面部识别的待识别图像实行奶牛面部识别。
图2为本发明实施例小样本条件下的动物面部识别系统的功能框图。基于上述实施例，如图2所示，一种小样本条件下的动物面部识别系统包括：特征提取模块201，用于提取待识别动物面部图像中每一预设的坐标对应的像素的特征，并根据每一预设的坐标对应的像素的特征，获取待识别动物面部图像的特征向量；面部识别模块202，用于将待识别动物面部图像的特征向量，输入至预设的分类器，根据预设的分类器的输出结果，获得待识别动物面部图像中动物面部的识别结果；其中，预设的分类器是根据样本图像的特征向量进行训练后获得的；样本图像的特征向量包括样本图像的原始特征向量和根据原始特征向量获得的扩充的特征向量。
本发明提供的小样本条件下的动物面部识别系统用于执行本发明提供的小样本条件下的动物面部识别方法，小样本条件下的动物面部识别系统包括的各模块实现相应功能的具体方法和流程详见上述小样本条件下的动物面部识别方法的实施例，此处不再赘述。
本发明实施例通过对原始特征向量进行扩充，获得数量更多的样本特征向量对分类器进行训练，使通过训练获得的预设的分类器的训练效果更好，能在样本数量较小的情况下，提高根据预设的分类器对待识别动物面部图像中的动物个体进行识别的准确性。
图3为本发明实施例小样本条件下的动物面部识别设备的结构框图。基于上述实施例，如图3所示，小样本条件下的动物面部识别设备包括：处理器(processor)301、存储器(memory)302和总线303；其中，处理器301和存储器302通过总线303完成相互间的通信；处理器301用于调用存储器302中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：小样本条件下的动物面部识别方法；根据样本图像的原始特征向量获得扩充的特征向量的方法；根据预设的坐标获得新的坐标的方法；提取每一预设的坐标对应的像素的特征的方法；根据预设的坐标对应的像素的特征，获取特征向量的方法；获取原始样本图像的方法。
本发明另一实施例公开一种计算机程序产品，计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，计算机程序包括程序指令，当程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：小样本条件下的动物面部识别方法；根据样本图像的原始特征向量获得扩充的特征向量的方法；根据预设的坐标获得新的坐标的方法；提取每一预设的坐标对应的像素的特征的方法；根据预设的坐标对应的像素的特征，获取特征向量的方法；获取原始样本图像的方法。
本发明另一实施例提供一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行上述各方法实施例所提供的方法，例如包括：小样本条件下的动物面部识别方法；根据样本图像的原始特征向量获得扩充的特征向量的方法；根据预设的坐标获得新的坐标的方法；提取每一预设的坐标对应的像素的特征的方法；根据预设的坐标对应的像素的特征，获取特征向量的方法；获取原始样本图像的方法。
以上所描述的系统实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行上述各个实施例或者实施例的某些部分的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种小样本条件下的动物面部识别方法，其特征在于，包括：
提取待识别动物面部图像中每一预设的坐标对应的像素的特征，并根据每一所述预设的坐标对应的像素的特征，获取待识别动物面部图像的特征向量；
将所述待识别动物面部图像的特征向量，输入至预设的分类器，根据所述预设的分类器的输出结果，获得待识别动物面部图像中动物面部的识别结果；
其中，所述预设的分类器是根据样本图像的特征向量进行训练后获得的；所述样本图像的特征向量包括样本图像的原始特征向量和根据所述原始特征向量获得的扩充的特征向量。
2.根据权利要求1所述的小样本条件下的动物面部识别方法，其特征在于，获得所述扩充的特征向量的具体步骤包括：
根据各所述预设的坐标，获得新的坐标；
对于每一所述样本图像，提取该样本图像中每一新的坐标对应的像素的特征，并根据所述每一新的坐标对应的像素的特征，获取所述扩充的特征向量。
3.根据权利要求2所述的小样本条件下的动物面部识别方法，其特征在于，所述根据各所述预设的坐标，获得新的坐标的具体步骤包括：
对于每一所述预设的坐标(xj,yj)，新的坐标为(xi±Δcosα,yi±Δsinβ)
其中，Δ为动物头部的偏移量；α为横坐标轴方向的偏移角度；β为纵坐标轴方向的偏移角度。
4.根据权利要求1所述的小样本条件下的动物面部识别方法，其特征在于，所述提取待识别动物面部图像中每一预设的坐标对应的像素的特征的具体步骤包括：
对于每一预设的坐标，提取待识别动物面部图像中该坐标对应的像素的形状特征和纹理特征；
根据预设的权重，获取该坐标对应的像素的形状特征和纹理特征的加权和，作为该坐标对应的像素的特征。
5.根据权利要求1所述的小样本条件下的动物面部识别方法，其特征在于，所述根据每一所述预设的坐标对应的像素的特征，获取待识别动物面部图像的特征向量的具体步骤包括：
对全部所述预设的坐标对应的像素的特征进行归一化，获得归一化特征；
对所述归一化特征进行主成分分析，获取所述归一化特征中的若干个特征，构成所述待识别动物面部图像的特征向量。
6.根据权利要求1所述的小样本条件下的动物面部识别方法，其特征在于，获取所述原始样本图像的具体步骤包括：
对于每一动物个体，采集该动物个体的多张正面面部图像，作为所述样本图像。
7.根据权利要求1至6任一所述的小样本条件下的动物面部识别方法，其特征在于，所述分类器为最近邻分类器。
8.一种小样本条件下的动物面部识别系统，其特征在于，包括：
特征提取模块，用于提取待识别动物面部图像中每一预设的坐标对应的像素的特征，并根据每一所述预设的坐标对应的像素的特征，获取待识别动物面部图像的特征向量；
面部识别模块，用于将所述待识别动物面部图像的特征向量，输入至预设的分类器，根据所述预设的分类器的输出结果，获得待识别动物面部图像中动物面部的识别结果；
其中，所述预设的分类器是根据样本图像的特征向量进行训练后获得的；所述样本图像的特征向量包括样本图像的原始特征向量和根据所述原始特征向量获得的扩充的特征向量。
9.一种小样本条件下的动物面部识别设备，其特征在于，包括：
至少一个处理器；以及
与所述处理器通信连接的至少一个存储器，其中：
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至7任一所述的方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至7任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810539706.3A CN108764159A (zh) | 2018-05-30 | 2018-05-30 | 小样本条件下的动物面部识别方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810539706.3A CN108764159A (zh) | 2018-05-30 | 2018-05-30 | 小样本条件下的动物面部识别方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108764159A true CN108764159A (zh) | 2018-11-06 |
Family
ID=64004219
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810539706.3A Pending CN108764159A (zh) | 2018-05-30 | 2018-05-30 | 小样本条件下的动物面部识别方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108764159A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109492420A (zh) * | 2018-12-28 | 2019-03-19 | 深圳前海微众银行股份有限公司 | 基于联邦学习的模型参数训练方法、终端、系统及介质 |
| CN109886145A (zh) * | 2019-01-29 | 2019-06-14 | 浙江泽曦科技有限公司 | 宠物脸部识别方法及系统 |
| CN111028325A (zh) * | 2019-12-12 | 2020-04-17 | 广东智媒云图科技股份有限公司 | 一种肢体特征点连线的动物动画制作方法及装置 |
| CN111104945A (zh) * | 2019-12-17 | 2020-05-05 | 上海博泰悦臻电子设备制造有限公司 | 物体识别方法及相关产品 |
| WO2020119184A1 (zh) * | 2018-12-12 | 2020-06-18 | 京东数字科技控股有限公司 | 一种家畜的智能投喂系统和方法 |
| CN111435424A (zh) * | 2019-01-14 | 2020-07-21 | 北京京东尚科信息技术有限公司 | 一种图像处理方法和设备 |
| CN111753697A (zh) * | 2020-06-17 | 2020-10-09 | 新疆爱华盈通信息技术有限公司 | 智能宠物管理系统及其管理方法 |
| TWI761194B (zh) * | 2021-04-28 | 2022-04-11 | 國立高雄科技大學 | 基於深度學習以局部面部特徵的家畜身分識別系統及其方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101615245A (zh) * | 2009-07-30 | 2009-12-30 | 上海交通大学 | 基于avr和增强lbp的表情识别方法 |
| CN102663417A (zh) * | 2012-03-19 | 2012-09-12 | 河南工业大学 | 一种小样本数据模式识别的特征选择方法 |
| CN102982322A (zh) * | 2012-12-07 | 2013-03-20 | 大连大学 | 基于pca图像重构和lda的人脸识别方法 |
| CN104268593A (zh) * | 2014-09-22 | 2015-01-07 | 华东交通大学 | 一种小样本情况下多稀疏表示的人脸识别方法 |
| CN106874971A (zh) * | 2017-01-20 | 2017-06-20 | 兰州大学 | 一种基于rfid的奶牛信息识别管理系统及其方法 |
-
2018
- 2018-05-30 CN CN201810539706.3A patent/CN108764159A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101615245A (zh) * | 2009-07-30 | 2009-12-30 | 上海交通大学 | 基于avr和增强lbp的表情识别方法 |
| CN102663417A (zh) * | 2012-03-19 | 2012-09-12 | 河南工业大学 | 一种小样本数据模式识别的特征选择方法 |
| CN102982322A (zh) * | 2012-12-07 | 2013-03-20 | 大连大学 | 基于pca图像重构和lda的人脸识别方法 |
| CN104268593A (zh) * | 2014-09-22 | 2015-01-07 | 华东交通大学 | 一种小样本情况下多稀疏表示的人脸识别方法 |
| CN106874971A (zh) * | 2017-01-20 | 2017-06-20 | 兰州大学 | 一种基于rfid的奶牛信息识别管理系统及其方法 |
Non-Patent Citations (4)
| Title |
|---|
| L. GUI: "Few-Shot Hash Learning for Image Retrieval", 《2017 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION WORKSHOPS (ICCVW)》 * |
| 张浩: "小样本人脸识别中基于虚拟样本和L1范数改进的核主成分技术", 《中国优秀硕士学位论文 信息科技辑》 * |
| 金伟: "基于融合颜色特征与形状特征的图像检索", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 闫伟红: "基于LBP特征的人脸图像识别", 《计算机工程与应用》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020119184A1 (zh) * | 2018-12-12 | 2020-06-18 | 京东数字科技控股有限公司 | 一种家畜的智能投喂系统和方法 |
| CN109492420A (zh) * | 2018-12-28 | 2019-03-19 | 深圳前海微众银行股份有限公司 | 基于联邦学习的模型参数训练方法、终端、系统及介质 |
| CN109492420B (zh) * | 2018-12-28 | 2021-07-20 | 深圳前海微众银行股份有限公司 | 基于联邦学习的模型参数训练方法、终端、系统及介质 |
| US11947680B2 (en) | 2018-12-28 | 2024-04-02 | Webank Co., Ltd | Model parameter training method, terminal, and system based on federation learning, and medium |
| CN111435424A (zh) * | 2019-01-14 | 2020-07-21 | 北京京东尚科信息技术有限公司 | 一种图像处理方法和设备 |
| CN109886145A (zh) * | 2019-01-29 | 2019-06-14 | 浙江泽曦科技有限公司 | 宠物脸部识别方法及系统 |
| CN109886145B (zh) * | 2019-01-29 | 2021-09-03 | 浙江泽曦科技有限公司 | 宠物脸部识别方法及系统 |
| CN111028325A (zh) * | 2019-12-12 | 2020-04-17 | 广东智媒云图科技股份有限公司 | 一种肢体特征点连线的动物动画制作方法及装置 |
| CN111028325B (zh) * | 2019-12-12 | 2023-08-11 | 广东智媒云图科技股份有限公司 | 一种肢体特征点连线的动物动画制作方法及装置 |
| CN111104945A (zh) * | 2019-12-17 | 2020-05-05 | 上海博泰悦臻电子设备制造有限公司 | 物体识别方法及相关产品 |
| CN111753697A (zh) * | 2020-06-17 | 2020-10-09 | 新疆爱华盈通信息技术有限公司 | 智能宠物管理系统及其管理方法 |
| TWI761194B (zh) * | 2021-04-28 | 2022-04-11 | 國立高雄科技大學 | 基於深度學習以局部面部特徵的家畜身分識別系統及其方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108764159A (zh) | 小样本条件下的动物面部识别方法和系统 | |
| Ahmed et al. | Salient segmentation based object detection and recognition using hybrid genetic transform | |
| Angelova et al. | Efficient object detection and segmentation for fine-grained recognition | |
| CN105488536B (zh) | 一种基于多特征深度学习技术的农田害虫图像识别方法 | |
| Cheng et al. | Exploiting effective facial patches for robust gender recognition | |
| CN108520226B (zh) | 一种基于躯体分解和显著性检测的行人重识别方法 | |
| CN108629336B (zh) | 基于人脸特征点识别的颜值计算方法 | |
| CN108090406B (zh) | 人脸识别方法及系统 | |
| CN110909618B (zh) | 一种宠物身份的识别方法及装置 | |
| Guo et al. | Aligned to the object, not to the image: A unified pose-aligned representation for fine-grained recognition | |
| CN109002755B (zh) | 基于人脸图像的年龄估计模型构建方法及估计方法 | |
| CN110046574A (zh) | 基于深度学习的安全帽佩戴识别方法及设备 | |
| Wang et al. | Head pose estimation with combined 2D SIFT and 3D HOG features | |
| CN104021384B (zh) | 一种人脸识别方法及装置 | |
| CN106408037A (zh) | 图像识别方法及装置 | |
| CN114332956A (zh) | 一种基于卷积神经网络的牛脸检测和牛脸关键点定位方法 | |
| Li et al. | Fast recognition of pig faces based on improved Yolov3 | |
| CN105956592B (zh) | 一种基于图像显著性与svm的飞机目标检测方法 | |
| Wang et al. | Pig face recognition model based on a cascaded network | |
| Naseer et al. | Multimodal Objects Categorization by Fusing GMM and Multi-layer Perceptron | |
| Ahmed et al. | Robust Object Recognition with Genetic Algorithm and Composite Saliency Map | |
| CN117437691A (zh) | 一种基于轻量化网络的实时多人异常行为识别方法及系统 | |
| CN112215066A (zh) | 家畜脸部图像识别方法及装置 | |
| Mathisen et al. | FishNet: A unified embedding for Salmon recognition | |
| CN111738062A (zh) | 一种基于嵌入式平台的自动再识别方法及系统 |
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: 20181106 |
|
| RJ01 | Rejection of invention patent application after publication |