CN108830138B - 牲畜识别方法、装置及存储介质 - Google Patents

Abstract

本发明提供了一种牲畜识别方法、装置及计算机可读存储介质，该方法包括以下步骤：接收待识别牲畜的面部照片和相应的待验证的身份标识；按照预先确定的特征向量提取算法，提取出所述面部照片的预设类型的特征向量；根据所述待验证的身份标识与第一预设类型识别模型的映射关系，确定该身份标识对应的第一预设类型识别模型；将所述面部照片的预设类型的特征向量输入确定的第一预设类型识别模型，输出识别结果。本发明通过接收的身份标识确定对应的识别模型，利用确定的识别模型和特征向量提取算法对待识别牲畜的面部照片进行识别，可以实现对牲畜的远程批量识别。

Description

牲畜识别方法、装置及存储介质

技术领域

本发明涉及图像识别技术领域，尤其涉及一种牲畜识别方法、装置及存储介质。

背景技术

目前，畜牧业是人类获取食物的重要来源之一。在牲畜养殖过程中，牲畜生病死亡是一个经常发生的事件，对大多数养殖户而言，若发生牲畜生病死亡事件，则通常会造成这些养殖户巨大的经济损失，这种风险一方面或多或少抑制了潜在养殖户投身畜牧业的积极性，给畜牧业的发展造成潜在的阻碍；另一方面增加了养殖户通过非正常途径(例如，药物控制)降低牲畜生病的概率从而提供牲畜的存活率的可能性，从而该食品安全构成极大的现实威胁。

为了最大程度降低这种风险带来的影响，很多保险公司推出了牲畜险，以保险的方式为养殖户规避这种风险。为了配合牲畜险的开展，目前出现了许多识别被保牲畜身份的现有识别方案，例如，为被投保的猪植入芯片、DNA识别、打耳标等方式对被保的猪进行身份识别，但这类现有识别方案成本较高、效率低下、无法远程批量识别。

发明内容

鉴于以上原因，本发明提供一种牲畜识别方法、装置及存储介质，其主要目的在于对牲畜进行远程批量识别，并降低识别成本，提高识别效率。

为实现上述目的，本发明提供一种牲畜识别方法，该方法包括：

接收步骤：接收待识别牲畜的面部照片和相应的待验证的身份标识；

提取步骤：利用预先确定的特征向量提取算法，提取出该面部照片的预设类型的特征向量，包括：

根据所述待识别牲畜的种类与第二预设类型识别模型的映射关系，确定该种类牲畜对应的第二预设类型识别模型；

利用训练好的对应的第二预设类型识别模型识别所述面部照片中牲畜面部所在的面部图像区域；

对所述面部图像区域进行归一化处理后，利用梯度公式计算每个面部图像区域的梯度值；

将每个面部图像区域切分为多个图像单元，计算每个图像单元的梯度直方图；

将所述图像单元按照在面部图像区域的位置组合成多个图像区间，对所有图像区间进行对比度归一化；

将各梯度直方图中的梯度模最大值按照对应图像单元在面部图像区域的位置组成每张面部照片的预设类型的特征向量；

确定步骤：根据所述待验证的身份标识与第一预设类型识别模型的映射关系，确定该身份标识对应的第一预设类型识别模型；及

识别步骤：将所述待识别牲畜的面部照片的预设类型的特征向量输入确定的第一预设类型识别模型，输出识别结果。

优选地，所述第一预设类型识别模型的训练过程包括如下步骤：

A1、获取第一预设数量的某种牲畜的面部照片集合，为每头牲畜分配一个唯一的身份标识，其中，该种牲畜与所述待识别牲畜的种类相同，每头牲畜的面部照片集合包括第二预设数量的不同拍摄角度的面部照片，分配的身份标识中包括所述待验证的身份标识；

A2、从所述第一预设数量的该种牲畜中选择一头牲畜的面部照片集合为正样本，以所述第一预设数量的该种牲畜中的其他牲畜的面部照片集合为负样本，将该正、负样本面部照片集合分别分为第一预设比例的训练集和第二预设比例的验证集；

A3、利用所述特征向量提取算法，提取出所述训练集和验证集中每张面部照片的预设类型的特征向量；

A4、利用所述正、负样本训练集中各张面部照片的预设类型的特征向量和对应的身份标识对所述第一预设类型识别模型进行训练，得到所述选择的牲畜的第一预设类型识别模型，利用验证集中各张面部照片的预设类型的特征向量和对应的身份标识对该第一预设类型识别模型的准确率进行验证；及

A5、若准确率大于第一预设阈值，则训练完成，若准确率小于或等于第一预设阈值，则增加所述正、负样本面部照片集合的数量，并基于增加的面部照片集合重新执行上述步骤。

优选地，所述第二预设类型识别模型的训练过程包括如下步骤：

B1、获取某种牲畜的多张样本面部照片，每张样本面部照片中标注有面部图像区域，其中，该样本面部照片中的牲畜与所述待识别牲畜的种类相同；

B2、将所述样本面部照片分为第一预设比例的训练集和第二预设比例的验证集；

B3、利用训练集中各张样本面部照片和对应的面部图像区域标注对所述第二预设类型识别模型进行训练，得到该种牲畜对应的第二预设类型识别模型，利用验证集中各张样本面部照片和对应的面部图像区域标注对该第二预设类型识别模型的准确率进行验证；

B4、若准确率大于第一预设阈值，则训练完成，若验证率小于或等于第一预设阈值，则增加所述样本面部照片的数量，并基于增加的面部照片集合重新执行上述步骤。

优选地，所述梯度公式为：

G(x，y)＝dx(i，j)+dy(i，j)

dx(i，j)＝I(i+1，j)-I(i，j)

dy(i，j)＝I(i，j+1)-I(i，j)

其中，G(x，y)代表梯度公式，I代表像素值，(i，j)为像素点的坐标，dx(i，j)、dy(i，j)分别表示像素点(i，j)沿x、y方向的梯度。

本发明还提供一种电子装置，该电子装置包括存储器和处理器，所述存储器中包括牲畜识别程序，该牲畜识别程序被所述处理器执行时实现如下步骤：

接收步骤：接收待识别牲畜的面部照片和相应的待验证的身份标识；

提取步骤：利用特征向量提取算法，提取出该面部照片的预设类型的特征向量，包括：

根据所述待识别牲畜的种类与第二预设类型识别模型的映射关系，确定该种类牲畜对应的第二预设类型识别模型；

利用训练好的对应的第二预设类型识别模型识别所述面部照片中牲畜面部所在的面部图像区域；

对所述面部图像区域进行归一化处理后，利用梯度公式计算每个面部图像区域的梯度值；

将每个面部图像区域切分为多个图像单元，计算每个图像单元的梯度直方图；

将所述图像单元按照在面部图像区域的位置组合成多个图像区间，对所有图像区间进行对比度归一化；

将各梯度直方图中的梯度模最大值按照对应图像单元在面部图像区域的位置组成每张面部照片的预设类型的特征向量。

此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中包括牲畜识别程序，该牲畜识别程序被所述处理器执行时实现如上所述的牲畜识别方法中的任意步骤。

本发明提出的牲畜识别方法、电子装置及计算机可读存储介质，通过接收待识别牲畜的面部照片和相应的待验证的身份标识，根据该身份标识确定对应的第一预设类型识别模型，将从所述面部照片中提取出的特征向量输入该第一预设类型识别模型，输出识别结果。因为无须实地采样，通过网络即可完成信息传递，所以利用本发明可以实现对牲畜低成本、高效率的远程批量识别。

附图说明

图1为本发明电子装置较佳实施例的示意图；

图2为图1中牲畜识别程序的程序模块图；

图3为本发明牲畜识别方法较佳实施例的流程图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚明白，下面将结合若干附图及实施例，对本发明进行进一步详细说明。应当理解的是，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。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的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。

本发明提供一种电子装置。参照图1所示，为本发明电子装置1较佳实施例的示意图。在该实施例中，电子装置1接收待识别牲畜的面部照片和相应的待验证的身份标识，利用预先确定的特征向量提取算法和该身份标识对应的第一预设类型识别模型生成对该待识别牲畜的面部照片的识别结果。

所述电子装置1可以是服务器、智能手机、平板电脑、便携计算机、桌上型计算机等具有存储和运算功能的终端设备。在一个实施例中，当电子装置1为服务器时，该服务器可以是机架式服务器、刀片式服务器、塔式服务器或机柜式服务器等的一种或几种。

所述电子装置1包括存储器11、处理器12、网络接口13及通信总线14。

其中，存储器11包括至少一种类型的可读存储介质。所述至少一种类型的可读存储介质可为如闪存、硬盘、多媒体卡、卡型存储器等的非易失性存储介质。在一些实施例中，所述可读存储介质可以是所述电子装置1的内部存储单元，例如该电子装置1的硬盘。在另一些实施例中，所述可读存储介质也可以是所述电子装置1的外部存储器11，例如所述电子装置1上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(Flash Card)等。

在本实施例中，所述存储器11的可读存储介质通常用于存储操作系统、牲畜识别程序10、第一预设类型识别模型、第二预设类型识别模型及各种牲畜的面部照片集合和对应的身份标识等。所述存储器11还可以用于暂时地存储已经输出或者将要输出的数据。

处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)，微处理器或其他数据处理芯片，用于运行存储器11中存储的程序代码或处理数据，例如执行牲畜识别程序10等。

网络接口13可以包括标准的有线接口、无线接口(如WI-FI接口)。通常用于在该服务器1与其他电子设备或系统之间建立通信连接。

通信总线14用于实现上述组件之间的连接通信。

图1仅示出了具有组件11-14以及牲畜识别程序10的电子装置1，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。

可选地，该电子装置1还可以包括用户接口，用户接口可以包括输入单元比如键盘(Keyboard)、语音输入装置比如麦克风(microphone)等具有语音识别功能的设备、语音输出装置比如音响、耳机等。可选地，用户接口还可以包括标准的有线接口、无线接口。

可选地，该电子装置1还可以包括显示器，也可以称为显示屏或显示单元。在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(OrganicLight-Emitting Diode，OLED)显示器等。显示器用于显示在电子装置1中处理的信息以及用于显示可视化的用户界面。

可选地，该电子装置1还包括触摸传感器。所述触摸传感器所提供的供用户进行触摸操作的区域称为触控区域。此外，这里所述的触摸传感器可以为电阻式触摸传感器、电容式触摸传感器等。而且，所述触摸传感器不仅包括接触式的触摸传感器，也可包括接近式的触摸传感器等。此外，所述触摸传感器可以为单个传感器，也可以为例如阵列布置的多个传感器。用户可以通过触摸所述触控区域启动牲畜识别程序10。

此外，该电子装置1的显示器的面积可以与所述触摸传感器的面积相同，也可以不同。可选地，将显示器与所述触摸传感器层叠设置，以形成触摸显示屏。该装置基于触摸显示屏侦测用户触发的触控操作。

该电子装置1还可以包括射频(Radio Frequency，RF)电路、传感器和音频电路等等，在此不再赘述。

在上述实施例中，处理器12执行存储器11中存储的牲畜识别程序10时实现如下步骤：

接收步骤：接收待识别牲畜的面部照片和相应的待验证的身份标识；

提取步骤：利用预先确定的特征向量提取算法，提取出该面部照片的预设类型的特征向量；

确定步骤：根据所述待验证的身份标识与第一预设类型识别模型的映射关系，确定该身份标识对应的第一预设类型识别模型；及

识别步骤：将所述待识别牲畜的面部照片的预设类型的特征向量输入确定的第一预设类型识别模型，输出识别结果。

可以理解的是，所述待验证的身份标识对应的牲畜种类应该与待识别牲畜的种类相同，否则直接识别失败，无须执行牲畜识别程序10。

在一个实施例中，所述第一预设类型识别模型为分类模型，例如支持向量机(Support Vector Machine，SVM)模型。在本实施例中，为每头牲畜训练一个SVM模型，与待验证的身份标识对应的SVM模型的训练过程如下：

获取第一预设数量(例如10万个)的与待识别牲畜同种类的牲畜的面部照片集合，每头牲畜的面部照片集合包括第二预设数量(例如10张)的不同拍摄角度的面部照片，为每头牲畜分配一个唯一的身份标识，分配的身份标识中包括所述待验证的身份标识；

以该待验证的身份标识对应的牲畜的面部照片集合为正样本，以获取的其他面部照片集合为负样本，将该正、负样本面部照片集合分别分为第一预设比例(例如70％)的训练集和第二预设比例(例如30％)的验证集，可以理解的是，该第一预设比例和第二预设比例之和小于或等于100％；

按照所述预先确定的特征向量提取算法，提取出所述训练集和验证集中每张面部照片的预设类型的特征向量；

利用所述正、负样本训练集中各张面部照片的预设类型的特征向量和对应的身份标识对所述SVM模型进行训练，得到该待验证的身份标识对应的牲畜的识别模型，利用所述正、负样本验证集中各张面部照片的预设类型的特征向量对得到的该识别模型的准确率进行验证；

若准确率大于第一预设阈值(例如98.5％)，则训练完成，若准确率小于或等于第一预设阈值(例如98.5％)，则增加所述正、负样本面部照片集合的数量，并基于增加的面部照片集合重新执行上述步骤。

在该实施例中，利用预先确定的特征向量提取算法，提取出该面部照片的预设类型的特征向量包括：

根据所述待识别牲畜的种类与第二预设类型识别模型(例如卷积神经网络模型)的映射关系，确定该种类牲畜对应的第二预设类型识别模型；

利用训练好的对应的第二预设类型识别模型识别所述面部照片中牲畜面部所在的面部图像区域；

对所述面部图像区域进行归一化处理，例如，将所述面部图像区域的像素值统一映射到[0，1]区间，以消除光照不均匀的影响；

利用预先确定的梯度公式计算每个面部图像区域的梯度值，梯度值的作用是描述面部图像区域的边缘情况，从而描述牲畜面部轮廓；

将每个面部图像区域切分为第三预设数量个图像单元，这些图像单元互相连通，计算每个图像单元的梯度直方图；

将所述图像单元按照在每个面部图像区域的位置组合成第四预设数量个图像区间，对所有图像区间进行对比度归一化，以提高算法性能；

将各梯度直方图中的梯度模最大值按照对应图像单元在每个面部图像区域的位置组成每张面部照片的预设类型的特征向量，例如方向梯度直方图(Histogram ofOriented Gradient，HOG)特征向量。

例如，假设将每个面部图像区域切分成M个图像单元，在每个图像单元里计算梯度直方图，把梯度直方图中梯度模最大值提取出来，得到M个所述最大值，这些值组成了每个面部图像区域的直方图向量，即每张面部照片的预设类型的特征向量。

其中，所述预先确定的梯度公式为：

G(x，y)＝dx(i，j)+dy(i，j)

dx(i，j)＝I(i+1，j)-I(i，j)

dy(i，j)＝I(i，j+1)-I(i，j)

其中，G代表梯度公式，I代表像素值(例如RGB值)，(i，j)为像素点的坐标，dx(i，j)、dy(i，j)分别表示像素点(i，j)沿x、y方向的梯度。

所述第二预设类型识别模型为面部图像区域识别模型(例如卷积神经网络模型)，本发明实施例为每种牲畜训练一个面部图像区域识别模型，针对与所述待识别牲畜同种类的牲畜，其面部图像区域识别模型的训练过程如下：

获取第五预设数量(例如10万张)的与所述待识别牲畜的种类相同的牲畜的样本面部照片，每张样本面部照片中标注有面部图像区域；

将所述样本面部照片分为第一预设比例(例如70％)的训练集和第二预设比例(例如30％)的验证集可以理解的是，该第一预设比例和第二预设比例之和小于或等于100％；

利用训练集中各张样本面部照片和对应的面部图像区域标注对所述第二预设类型识别模型进行训练，得到该种牲畜对应的第二预设类型识别模型，利用验证集中各张样本面部照片和对应的面部图像区域标注对该第二预设类型识别模型的准确率进行验证；

若准确率大于第一预设阈值(例如98.5％)，则训练完成，若验证率小于或等于第一预设阈值(例如98.5％)，则增加所述样本面部照片的数量，并基于增加的样本面部照片重新执行上述训练过程。

上述实施例提出的电子装置1，通过为每种牲畜训练的第二预设类型识别模型识别该种牲畜面部照片中牲畜面部所在的面部图像区域，通过为每头牲畜训练的第一预设类型识别模型识别从所述面部图像区域提取的特征向量，输出对牲畜的识别结果。

在其他实施例中，牲畜识别程序10可以被分割为多个模块，该多个模块被存储于存储器12中，并由处理器13执行，以完成本发明。本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段。

参照图2所示，为图1中牲畜识别程序10较佳实施例的程序模块图。在本实施例中，所述牲畜识别程序10可以被分割为：接收模块110、提取模块120、确定模块130及识别模块140，所述模块110-140所实现的功能或操作步骤均与上文类似，在此不再详述，实例性地，例如其中：

接收模块110，用于接收待识别牲畜的面部照片和相应的待验证的身份标识；

提取模块120，用于利用预先确定的特征向量提取算法，提取出所述面部照片的预设类型的特征向量；

确定模块130，用于根据所述待验证的身份标识与第一预设类型识别模型的映射关系，确定该身份标识对应的第一预设类型识别模型；

识别模块140，用于将所述面部照片的预设类型的特征向量输入确定的第一预设类型识别模型，输出识别结果。

此外，本发明还提供一种牲畜识别方法。参照图3所示，为本发明牲畜识别方法的较佳实施例的流程图。电子装置1的处理器12执行存储器中存储的牲畜识别程序10时实现牲畜识别方法的如下步骤：

步骤S1，接收模块110接收待识别牲畜的面部照片和相应的待验证的身份标识。需要说明的是，本实施例中为每头牲畜分配有一个唯一的身份标识，牲畜识别程序10的作用是识别接收的面部照片，验证接收的身份标识是否为该面部照片对应牲畜的身份标识。

步骤S2，提取模块120利用预先确定的特征向量提取算法，提取出所述面部照片的预设类型的特征向量。在本实施例中，步骤S2包括：

根据所述待识别牲畜的种类与第二预设类型识别模型的映射关系，确定该种类牲畜对应的第二预设类型识别模型，例如所述第二预设类型识别模型可以为卷积神经网络(Convolutional Neural Network，CNN)模型；

利用训练好的对应的第二预设类型识别模型识别所述面部照片中牲畜面部所在的面部图像区域；

对所述面部图像区域进行归一化处理，例如，将所述面部图像区域的像素值统一映射到[0，1]区间，以消除光照不均匀的影响；

利用预先确定的梯度公式计算每个面部图像区域的梯度值，梯度值的作用是描述面部图像区域的边缘情况，从而描述牲畜面部轮廓；

将每个面部图像区域切分为第三预设数量个图像单元，这些图像单元互相连通，计算每个图像单元的梯度直方图；

将所述图像单元按照在每个面部图像区域的位置组合成第四预设数量个图像区间，对所有图像区间进行对比度归一化，以提高算法性能；

将各梯度直方图中的梯度模最大值按照对应图像单元在每个面部图像区域的位置组成每张面部照片的预设类型的特征向量，例如方向梯度直方图(Histogram ofOriented Gradient，HOG)特征向量。

其中，所述预先确定的梯度公式为：

G(x，y)＝dx(i，j)+dy(i，j)

dx(i，j)＝I(i+1，j)-I(i，j)

dy(i，j)＝I(i，j+1)-I(i，j)

其中，G代表梯度公式，I代表像素值(例如RGB值)，(i，j)为像素点的坐标，dx(i，j)、dy(i，j)分别表示像素点(i，j)沿x、y方向的梯度。

本发明实施例为每种牲畜训练一个第二预设类型识别模型，其训练过程请参照上述关于电子装置1的详细介绍，在此不再赘述。

步骤S3，确定模块130根据所述待验证的身份标识与第一预设类型识别模型的映射关系，确定该身份标识对应的第一预设类型识别模型。本发明实施例为每头牲畜训练一个第一预设类型识别模型，即身份标识与第一预设类型识别模型存在一一对应的关系，确定模块130根据该一一对应的映射关系，确定所述待验证身份标识对应的第一预设类型识别模型。所述第一预设类型识别模型的训练过程请参照上述关于电子装置1的详细介绍，在此亦不做赘述。

步骤S4，识别模块140将所述待识别牲畜的面部照片的预设类型的特征向量输入确定的第一预设类型识别模型，输出识别结果。所述识别结果包括识别通过和识别失败，若识别失败，说明接收的面部照片和身份标识不匹配，若识别通过，则说明接收的身份标识为所述待识别牲畜的身份标识，接收的面部照片和身份标识对应于同一头牲畜。

本实施例提出的牲畜识别方法，通过接收待识别牲畜的面部照片和相应的待验证的身份标识，根据该身份标识确定对应的第一预设类型识别模型，将从所述待识别牲畜的面部照片中提取出的预设类型的特征向量输入该第一预设类型识别模型，输出识别通过或识别失败的识别结果。因为无须实地采样，通过网络即可完成信息传递，所以利用该牲畜识别方法可以实现对牲畜低成本、高效率的远程批量识别。

此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质可以是硬盘、多媒体卡、SD卡、闪存卡、SMC、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器等等中的任意一种或者几种的任意组合。所述计算机可读存储介质中存储有牲畜识别程序10，该牲畜识别程序10被所述处理器13执行时实现如下操作：

接收步骤：接收待识别牲畜的面部照片和相应的待验证的身份标识；

提取步骤：利用预先确定的特征向量提取算法，提取出该面部照片的预设类型的特征向量；

确定步骤：根据所述待验证的身份标识与第一预设类型识别模型的映射关系，确定该身份标识对应的第一预设类型识别模型；及

识别步骤：将所述待识别牲畜的面部照片的预设类型的特征向量输入确定的第一预设类型识别模型，输出识别结果。

本发明之计算机可读存储介质的具体实施方式与上述牲畜识别方法和电子装置1的具体实施方式大致相同，在此不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

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上述实施例方法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，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的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，该计算机软件产品存储在如上所述的一个存储介质中，包括若干指令用以使得服务器执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (8)

1.一种牲畜识别方法，应用于电子装置，其特征在于，该方法包括：

接收步骤：接收待识别牲畜的面部照片和相应的待验证的身份标识；

提取步骤：利用特征向量提取算法，提取出该面部照片的预设类型的特征向量，包括：

根据所述待识别牲畜的种类与第二预设类型识别模型的映射关系，确定该种类牲畜对应的第二预设类型识别模型；

利用训练好的对应的第二预设类型识别模型识别所述面部照片中牲畜面部所在的面部图像区域；

对所述面部图像区域进行归一化处理后，利用梯度公式计算每个面部图像区域的梯度值；

将每个面部图像区域切分为多个图像单元，计算每个图像单元的梯度直方图；

将所述图像单元按照在面部图像区域的位置组合成多个图像区间，对所有图像区间进行对比度归一化；

将各梯度直方图中的梯度模最大值按照对应图像单元在面部图像区域的位置组成每张面部照片的预设类型的特征向量；

确定步骤：根据所述待验证的身份标识与第一预设类型识别模型的映射关系，确定该身份标识对应的第一预设类型识别模型；及

识别步骤：将所述待识别牲畜的面部照片的预设类型的特征向量输入确定的第一预设类型识别模型，输出识别结果。

2.如权利要求1所述的牲畜识别方法，其特征在于，所述第一预设类型识别模型的训练过程包括如下步骤：

A1、获取第一预设数量的某种牲畜的面部照片集合，为每头牲畜分配一个唯一的身份标识，其中，该种牲畜与所述待识别牲畜的种类相同，每头牲畜的面部照片集合包括第二预设数量的不同拍摄角度的面部照片，分配的身份标识中包括所述待验证的身份标识；

A2、从所述第一预设数量的该种牲畜中选择一头牲畜的面部照片集合为正样本，以所述第一预设数量的该种牲畜中的其他牲畜的面部照片集合为负样本，将该正、负样本面部照片集合分别分为第一预设比例的训练集和第二预设比例的验证集；

A3、利用所述特征向量提取算法，提取出所述训练集和验证集中每张面部照片的预设类型的特征向量；

A4、利用所述正、负样本训练集中各张面部照片的预设类型的特征向量和对应的身份标识对所述第一预设类型识别模型进行训练，得到所述选择的牲畜的第一预设类型识别模型，利用验证集中各张面部照片的预设类型的特征向量和对应的身份标识对该第一预设类型识别模型的准确率进行验证；及

A5、若准确率大于第一预设阈值，则训练完成，若准确率小于或等于第一预设阈值，则增加所述正、负样本面部照片集合的数量，并基于增加的面部照片集合重新执行上述步骤。

3.如权利要求1所述的牲畜识别方法，其特征在于，所述第二预设类型识别模型的训练过程如下：

B1、获取某种牲畜的多张样本面部照片，每张样本面部照片中标注有面部图像区域，其中，该样本面部照片中的牲畜与所述待识别牲畜的种类相同；

B2、将所述样本面部照片分为第一预设比例的训练集和第二预设比例的验证集；

B3、利用训练集中各张样本面部照片和对应的面部图像区域标注对所述第二预设类型识别模型进行训练，得到该种牲畜对应的第二预设类型识别模型，利用验证集中各张样本面部照片和对应的面部图像区域标注对该第二预设类型识别模型的准确率进行验证；

B4、若准确率大于第一预设阈值，则训练完成，若验证率小于或等于第一预设阈值，则增加所述样本面部照片的数量，并基于增加的面部照片集合重新执行上述步骤。

4.如权利要求1所述的牲畜识别方法，其特征在于，所述梯度公式为：

G(x，y)＝dx(i，j)+dy(i，j)

dx(i，j)＝I(i+1，j)-I(i，j)

dy(i，j)＝I(i，j+1)-I(i，j)

其中，G(x，y)代表梯度公式，I代表像素值，(i，j)为像素点的坐标，dx(i，j)、dy(i，j)分别表示像素点(i，j)沿x、y方向的梯度。

5.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中包括牲畜识别程序，该牲畜识别程序被所述处理器执行时实现如下步骤：

接收步骤：接收待识别牲畜的面部照片和相应的待验证的身份标识；

提取步骤：利用特征向量提取算法，提取出该面部照片的预设类型的特征向量，包括：

根据所述待识别牲畜的种类与第二预设类型识别模型的映射关系，确定该种类牲畜对应的第二预设类型识别模型；

利用训练好的对应的第二预设类型识别模型识别所述面部照片中牲畜面部所在的面部图像区域；

对所述面部图像区域进行归一化处理后，利用梯度公式计算每个面部图像区域的梯度值；

将每个面部图像区域切分为多个图像单元，计算每个图像单元的梯度直方图；

将所述图像单元按照在面部图像区域的位置组合成多个图像区间，对所有图像区间进行对比度归一化；

将各梯度直方图中的梯度模最大值按照对应图像单元在面部图像区域的位置组成每张面部照片的预设类型的特征向量；

确定步骤：根据所述待验证的身份标识与第一预设类型识别模型的映射关系，确定该身份标识对应的第一预设类型识别模型；及

识别步骤：将所述待识别牲畜的面部照片的预设类型的特征向量输入确定的第一预设类型识别模型，输出识别结果。

6.如权利要求5所述的电子装置，其特征在于，所述第一预设类型识别模型的训练过程包括如下步骤：

A1、获取第一预设数量的某种牲畜的面部照片集合，为每头牲畜分配一个唯一的身份标识，其中，该种牲畜与所述待识别牲畜的种类相同，每头牲畜的面部照片集合包括第二预设数量的不同拍摄角度的面部照片，分配的身份标识中包括所述待验证的身份标识；

A2、从所述第一预设数量的该种牲畜中选择一头牲畜的面部照片集合为正样本，从所述第一预设数量的该种牲畜中选择一其他牲畜的面部照片集合为负样本，将该正、负样本面部照片集合分别分为第一预设比例的训练集和第二预设比例的验证集；

A3、利用所述特征向量提取算法，提取出所述训练集和验证集中每张面部照片的预设类型的特征向量；

A4、利用所述正、负样本训练集中各张面部照片的预设类型的特征向量和对应的身份标识对所述第一预设类型识别模型进行训练，得到所述选择的牲畜的第一预设类型识别模型，利用验证集中各张面部照片的预设类型的特征向量和对应的身份标识对该第一预设类型识别模型的准确率进行验证；及

A5、若准确率大于第一预设阈值，则训练完成，若准确率小于或等于第一预设阈值，则增加所述正、负样本面部照片集合的数量，并基于增加的面部照片集合重新执行上述步骤。

7.如权利要求5所述的电子装置，其特征在于，所述第二预设类型识别模型的训练过程如下：

B1、获取某种牲畜的多张样本面部照片，每张样本面部照片中标注有面部图像区域，其中，该样本面部照片中的牲畜与所述待识别牲畜的种类相同；

B2、将所述样本面部照片分为第一预设比例的训练集和第二预设比例的验证集；

B3、利用训练集中各张样本面部照片和对应的面部图像区域标注对所述第二预设类型识别模型进行训练，得到该种牲畜对应的第二预设类型识别模型，利用验证集中各张样本面部照片和对应的面部图像区域标注对该第二预设类型识别模型的准确率进行验证；

B4、若准确率大于第一预设阈值，则训练完成，若验证率小于或等于第一预设阈值，则增加所述样本面部照片的数量，并基于增加的面部照片集合重新执行上述步骤。

8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括牲畜识别程序，所述牲畜识别程序被处理器执行时，实现如权利要求1至4中任一项所述的牲畜识别方法的步骤。

Images