CN108921026A - 动物身份的识别方法、装置、计算机设备和存储介质 - Google Patents
动物身份的识别方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN108921026A CN108921026A CN201810556050.6A CN201810556050A CN108921026A CN 108921026 A CN108921026 A CN 108921026A CN 201810556050 A CN201810556050 A CN 201810556050A CN 108921026 A CN108921026 A CN 108921026A
- Authority
- CN
- China
- Prior art keywords
- animal
- identification
- face
- feature
- face feature
- 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
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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本申请中提供了一种动物身份的识别方法、装置、计算机设备和存储介质,包括:获取待识别的第一动物的脸部图像,通过基于FaceNet网络模型训练得到的动物身份识别模型提取所述第一动物脸部图像的脸部特征;在特征库中匹配与所述第一动物脸部图像的脸部特征相对应的动物脸部特征;若匹配成功,获取匹配出的所述动物脸部特征所对应的身份信息,以识别所述第一动物的身份。本申请中提供的动物身份的识别方法、装置、计算机设备和存储介质,克服了目前无法简单有效进行动物身份识别的缺陷,便于对动物进行管理。
Description
技术领域
本申请涉及计算机技术领域,特别涉及一种动物身份的识别方法、装置、计算机设备和存储介质。
背景技术
当前,身份识别通常是对人脸进行识别,从而识别人物身份。对动物进行身份识别却很少见。而目前,智能农场等行业中,需要对牛、马等动物进行身份识别,以便对动物进行管理;在保险行业,需要对牛、马等动物进行身份识别,以便对动物进行投保等。
目前还无法简单有效地进行牛、马等动物身份的识别,不便于对牛、马等动物进行管理。
发明内容
本申请的主要目的为提供一种动物身份的识别方法、装置、计算机设备和存储介质,克服目前无法简单有效进行动物身份识别的缺陷。
为实现上述目的,本申请提供了一种动物身份的识别方法,包括以下步骤:
获取待识别的第一动物的脸部图像;
通过基于FaceNet网络模型训练得到的动物身份识别模型提取所述第一动物脸部图像的脸部特征;
在特征库中匹配与所述第一动物脸部图像的脸部特征相对应的动物脸部特征;所述特征库中预先存储有预设动物的动物脸部特征及其对应的身份信息;
若匹配成功,获取匹配出的所述动物脸部特征所对应的身份信息,以识别所述第一动物的身份。
进一步地,所述在特征库中匹配与所述第一动物脸部图像的脸部特征相对应的动物脸部特征的步骤,包括:
通过所述动物身份识别模型计算所述特征库中的动物脸部特征与所述第一动物脸部图像的脸部特征之间的欧式距离;
选择出与所述第一动物的脸部特征之间的欧式距离最小且小于预设值的动物脸部特征,作为与所述第一动物的脸部特征相对应的所述动物脸部特征。
进一步地,所述获取待识别的第一动物的脸部图像的步骤之前,包括:
通过基于FaceNet网络模型训练得到的动物身份识别模型提取预设动物的动物脸部特征;
将所述预设动物的动物脸部特征及其对应的身份信息存储于所述特征库中。
进一步地,所述通过基于FaceNet网络模型训练得到的动物身份识别模型提取预设动物的动物脸部特征的步骤之前,包括:
将训练集中的样本图片输入至FaceNet网络模型中进行训练,以得到所述动物身份识别模型;其中,所述FaceNet网络模型为基于人脸识别公开测试集训练完成的人脸识别网络模型。
进一步地,所述将训练集中的样本图片输入至FaceNet网络模型中进行训练,以得到所述动物身份识别模型的步骤之后,包括:
将测试集中的样本图片输入至所述动物身份识别模型中进行验证。
进一步地,所述获取匹配出的所述动物脸部特征所对应的身份信息,以识别所述第一动物的身份的步骤之后,包括:
根据所述第一动物的身份信息,在保单数据库匹配与所述第一动物的身份相对应的保单。
进一步地,所述获取匹配出的所述动物脸部特征所对应的身份信息,以识别所述第一动物的身份的步骤之后,包括:
根据所述第一动物的身份信息,在农场养殖数据库中查询出与所述第一动物的身份信息相对应的养殖信息。
本申请还提供了一种动物身份的识别装置,包括:
第一获取单元,用于获取待识别的第一动物的脸部图像;
第一提取单元,用于通过基于FaceNet网络模型训练得到的动物身份识别模型提取所述第一动物脸部图像的脸部特征;
匹配单元,用于在特征库中匹配与所述第一动物脸部图像的脸部特征相对应的动物脸部特征;所述特征库中预先存储有预设动物的动物脸部特征及其对应的身份信息;
第二获取单元,用于若匹配成功,获取匹配出的所述动物脸部特征所对应的身份信息,以识别所述第一动物的身份。
本申请还提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本申请还提供一种计算机存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本申请中提供的动物身份的识别方法、装置、计算机设备和存储介质,具有以下有益效果:
本申请中提供的动物身份的识别方法、装置、计算机设备和存储介质,获取待识别的第一动物的脸部图像,通过基于FaceNet网络模型训练得到的动物身份识别模型提取所述第一动物脸部图像的脸部特征;在特征库中匹配与所述第一动物脸部图像的脸部特征相对应的动物脸部特征;若匹配成功,获取匹配出的所述动物脸部特征所对应的身份信息,以识别所述第一动物的身份。克服了目前无法简单有效进行动物身份识别的缺陷,便于对动物进行管理。
附图说明
图1是本申请一实施例中动物身份的识别方法步骤示意图;
图2是本申请另一实施例中动物身份的识别方法步骤示意图;
图3是本申请一实施例中动物身份的识别装置结构框图;
图4是本申请另一实施例中动物身份的识别装置结构框图;
图5是本申请又一实施例中动物身份的识别装置结构框图;
图6为本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、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
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
参照图1,本申请实施例中提供了一种动物身份的识别方法,包括以下步骤:
步骤S1,获取待识别的第一动物的脸部图像。
在本实施例中,在保险行业、智能农场行业,通常需要对动物进行身份识别。上述第一动物为需要识别身份的动物,该动物包括牛、马等,本实施例中主要以牛为例进行阐述。在对第一动物进行身份识别时,首先获取该第一动物的脸部图像,本实施例中是以动物的脸部图像特征来识别动物。
上述步骤S1具体包括:获取第一动物的图像,并通过图像检测算法从所述第一动物的图像中检测出所述第一动物的脸部图像。在一具体实施例中,上述第一动物为待识别身份的牛,则上述步骤S1具体为:获取待识别的牛的图像,并通过牛脸检测算法对所述图像进行牛脸检测,以检测出牛的脸部图像。上述牛脸检测算法为一种检测牛脸轮廓信息的算法,其包括监督式梯度下降算法(SDM)、局部二值算法(LBF)等。
步骤S2,通过基于FaceNet网络模型训练得到的动物身份识别模型提取所述第一动物脸部图像的脸部特征。
本实施例中,上述动物身份识别模型是基于FaceNet网络模型训练得到的动物身份识别模型,FaceNet网络模型通常用于人脸识别。本实施例中,将用于人脸识别的FaceNet网络模型迁移到动物脸部识别中。具体地,在LFW(Labeled Faces in the Wild,人脸识别公开测试集)数据集上预先训练FaceNet网络模型,然后将训练完成得到的网络模型的参数作为动物身份识别模型的初始化参数,其中,初始化的动物身份识别模型中的网络以及损失函数均与上述在人脸识别公开测试集上预先训练过的FaceNet网络模型相同。
本实施例中,将上述FaceNet网络模型迁移到初始化的动物身份识别模型中之后,再使用动物的训练集训练上述初始化的动物身份识别模型,则可以得到本步骤S2中的动物身份识别模型。
本实施例中,上述脸部特征为一特征向量,通过上述动物身份识别模型去提取第一动物脸部图像的脸部特征。具体地,将上述第一动物的脸部图像输入至上述动物身份识别模型中。上述动物身份识别模型的最后一层为损失函数层,该损失函数层的输入数据即为上述脸部特征,其输出结果为不同的脸部特征之间的欧式距离。因此,只需要提取出上述损失函数层之前一层的输出向量,则可以得到上述第一动物脸部图像的脸部特征。
步骤S3,在特征库中匹配与所述第一动物脸部图像的脸部特征相对应的动物脸部特征。
本实施例中,在特征库中预存有多个预设动物的动物脸部特征(也是一个特征向量)以及与每个动物脸部特征一一所对应的身份信息。例如,在某个智能农场中,饲养了100头牛,则可以在该特征库中预存有上述100头牛对应的身份信息以及每一头牛的脸部特征。
在识别第一动物的身份时,得到上述第一动物脸部图像的脸部特征,将其与特征库中存储的动物脸部特征进行匹配,若匹配到一致的动物脸部特征,则表明该第一动物即为该匹配出的动物脸部特征对应的动物的身份。若匹配不到一致的动物脸部特征,则无法识别出第一动物。在智能农场的场景中,则表明该第一动物不是该农场中饲养的动物。
步骤S4,若匹配成功,获取匹配出的所述动物脸部特征所对应的身份信息,以识别所述第一动物的身份。
本实施例中,上述特征库中存储有与每个动物脸部特征一一所对应的身份信息。当匹配到与第一动物脸部图像的脸部特征一致的动物脸部特征,则可以获取到该动物脸部特征所对应的身份信息,而该身份信息即为上述第一动物的身份信息。综上,则简单有效地识别出上述第一动物的身份,且其是通过脸部特征进行匹配识别,准确率高。
在上述步骤S3的匹配过程中,其匹配的是两个特征向量之间的相似性。具体地,在一个实施例中,上述在特征库中匹配与所述第一动物脸部图像的脸部特征相对应的动物脸部特征的步骤S3,包括:
步骤S31,通过所述动物身份识别模型计算所述特征库中的动物脸部特征与所述第一动物脸部图像的脸部特征之间的欧式距离;
步骤S32,选择出与所述第一动物的脸部特征之间的欧式距离最小且小于预设值的动物脸部特征,作为与所述第一动物的脸部特征相对应的所述动物脸部特征。
在本实施例中,将上述第一动物脸部图像的脸部特征输入至上述动物身份识别模型中,同时,依次输入上述特征库中的动物脸部特征,并依次通过上述动物身份识别模型的损失函数层计算第一动物脸部图像的脸部特征与特征库中的动物脸部特征之间的欧式距离,在该动物身份识别模型中,欧式距离越小,则说明两个脸部特征之间越相似。选择出一个与所述第一动物的脸部特征之间的欧式距离最小的动物脸部特征,且当该欧式距离小于预设值时,则可以认为该动物脸部特征与第一动物的脸部特征为同一个特征,则可以将该动物脸部特征所对应的身份信息作为上述第一动物的身份信息。
为了便于对上述动物身份识别模型计算欧式距离判断两个特征是否相似的过程进行理解,现对FaceNet网络模型进行阐述。
FaceNet网络模型为对人脸进行识别的网络模型,其在训练时对图像进行特征提取,让同一个人脸图片之间的欧式距离更近,不同人脸图片之间的欧式距离更远。具体地,在训练FaceNet网络模型时,每次都同时输入三张图片,一张为有标签的需要预测的人脸的图片A,另外两张为辅助图片B0,B1。其中B0是不同于图片A中的人脸的图片,B1是与图片A中同一个人的不同图片。提取上述三张图片的特征向量,并计算A与B0、B1之间的欧式距离,同时使得A与B0之间的欧式距离变大,而A与B1之间的欧式距离减少,以训练上述FaceNet网络模型。使用人脸识别公开测试集中的数据集训练上述FaceNet网络模型之后,将训练完成得到的FaceNet网络模型的参数作为动物身份识别模型的初始化参数,其中,初始化的动物身份识别模型中的网络以及损失函数均与上述在人脸识别公开测试集上预先训练过的FaceNet网络模型相同。最后,使用动物的训练集训练上述初始化的动物身份识别模型,则可以得到上述步骤S2中的动物身份识别模型。
参照图2,在一实施例中,上述获取待识别的第一动物的脸部图像的步骤S1之前,包括:
步骤S11,通过基于FaceNet网络模型训练得到的动物身份识别模型提取预设动物的动物脸部特征;
步骤S12,将所述预设动物的动物脸部特征及其对应的身份信息存储于所述特征库中。
在保险行业、智能农场等行业,若要对某一只动物进行准确识别,以识别出其身份信息,则需要预先在特征库中存储有该动物所对应动物脸部特征以及其对应的身份信息。本实施例中的预设动物为所有可能需要用到身份识别的动物,例如用户投保的所有动物,智能农场中饲养的所有动物。
具体一实施例中,如上述步骤S11所述,提取智能农场内所有需要管理的牛的牛脸特征,每一只牛具有其相应的牛身份,每一只牛的牛身份与其对应的牛脸特征存储在特征库中,形成牛脸特征库。上述步骤S11中提取动物脸部特征的过程与上述步骤S2中提取第一动物脸部图像的脸部特征的过程相同,区别仅在于针对的脸部图像不同,在此不再进行赘述。当需要识别智能农场中牛身份的时候,则提取牛的牛脸特征与上述牛脸特征库中预存的牛脸特征进行匹配,便可以获取出需要识别的牛的身份。
在一实施例中,上述通过基于FaceNet网络模型训练得到的动物身份识别模型提取预设动物的动物脸部特征的步骤S11之前,包括:
步骤S101,将训练集中的样本图片输入至FaceNet网络模型中进行训练,以得到所述动物身份识别模型;其中,所述FaceNet网络模型为基于人脸识别公开测试集训练完成的人脸识别网络模型。
在本实施例中,以牛图片作为训练集进行训练为例,每次将训练集中的16组图片迭代输入至FaceNet网络模型中进行训练,其中每组图片包含三张牛脸图片,其中两张来于同一种牛,另一张为不同的牛,若两张图片来自同一头牛,标签为1,代表相似;若来自不同的牛,标签为0,代表不相似。上述FaceNet网络模型的学习率设置为0.01,损失函数为triplet loss。具体地,将训练集中图片输入至FaceNet网络模型中进行训练时,提取该组图片中的三张图片的特征向量,经过损失函数层计算之后,使得标签为1的两张图片对应的两个特征向量之间的欧式距离减小(减小到小于预设值),同时标签为0的两张图片对应的两个特征向量之间的欧式距离变大(变大到大于预设值),直到欧式距离不再变化之后,则训练完成,得到训练参数,将得到训练参数的FaceNet网络模型作为上述实施例中进行动物身份识别的动物身份识别模型。
在一实施例中,上述将训练集中的样本图片输入至FaceNet网络模型中进行训练,以得到所述动物身份识别模型的步骤S101之后,包括:
步骤S102,将测试集中的样本图片输入至所述动物身份识别模型中进行验证。
为了验证上述训练的动物身份识别模型的检测准确率,每次将测试集中的样本图片输入至所述动物身份识别模型中计算,判断标签为1的两张图片对应的两个特征向量之间的欧式距离是否小于预设值;同时,判断标签为0的两张图片对应的两个特征向量之间的欧式距离大于另一个预设值。
在一实施例中,上述训练集与测试集中的样本图片数量比例为4:1。在一个具体实施例中,应用于智能农场中以大量牛图片制作训练集以及测试集的过程包括:
将120头牛的图片数据分为120类,每一类有约100张图片,使用牛脸检测算法检测所有图片的牛脸,生成120头牛的牛脸数据库。从同一只牛中随机选出两张图片,另一只牛中选择一张图片,三张图片组成训练集中和测试集中的一组照片,随机选取图片为10000组。其中,若两张图片来自同一头牛,标签为1,代表相似。若来自不同的牛,标签为0,代表不相似。最后,按照4:1的比例将上述10000组图片分为训练集和测试集,即训练集中有8000组照片,测试集中有2000组图片。
在一实施例中,上述获取匹配出的所述动物脸部特征所对应的身份信息,以识别所述第一动物的身份的步骤S4之后,包括:
步骤S5a,根据所述第一动物的身份信息,在保单数据库匹配与所述第一动物的身份相对应的保单。
具体地,在保险理赔场景中,上述第一动物为牛,用户需要对其投保的牛进行理赔时,上传牛的图像,理赔方采用上述动物身份的识别方法进行牛的身份识别;然后如步骤S5a所述,在保单数据库中匹配与所述第一动物的身份相对应的保单,并从上述保单中获取到对应于该牛身份的理赔金额等信息,方便进行理赔。
在另一实施例中,上述获取匹配出的所述动物脸部特征所对应的身份信息,以识别所述第一动物的身份的步骤S4之后,包括:
步骤S5b,根据所述第一动物的身份信息,在农场养殖数据库中查询出与所述第一动物的身份信息相对应的养殖信息。
具体地,在智能农场应用场景中,上述第一动物为智能农场中饲养的牛,为了对每一只牛进行管理,在对牛进行状态跟踪时,需要识别牛的身份;如采集牛的图像,并使用上述方法识别牛的身份,在农场养殖数据库中查询与该牛身份对应的养殖信息,如:养殖开始时间、养殖天数、体重变化等(可以在采集牛图像时采集牛的体重,根据体重差确定体重变化);或者还可以在农场养殖数据库中查询到该牛的历史照片,便于管理人员查看变化等。
综上所述,为本申请实施例中提供的动物身份的识别方法,获取待识别的第一动物的脸部图像,通过基于FaceNet网络模型训练得到的动物身份识别模型提取所述第一动物脸部图像的脸部特征;在特征库中匹配与所述第一动物脸部图像的脸部特征相对应的动物脸部特征;获取匹配出的所述动物脸部特征所对应的身份信息,以识别所述第一动物的身份。克服了目前无法简单有效进行动物身份识别的缺陷,便于对动物进行管理。
参照图3,本申请一实施例中还提供了一种动物身份的识别装置,包括:
第一获取单元10,用于获取待识别的第一动物的脸部图像。
在本实施例中,在保险行业、智能农场行业,通常需要对动物进行身份识别。上述第一动物为需要识别身份的动物,该动物包括牛、马等,本实施例中主要以牛为例进行阐述。在对第一动物进行身份识别时,首先获取该第一动物的脸部图像,本实施例中是以动物的脸部图像特征来识别动物。
上述第一获取单元10具体用于获取第一动物的图像,并通过图像检测算法从所述第一动物的图像中检测出所述第一动物的脸部图像。在一具体实施例中,上述第一动物为待识别身份的牛,则上述步骤S1具体为:获取待识别的牛的图像,并通过牛脸检测算法对所述图像进行牛脸检测,以检测出牛的脸部图像。上述牛脸检测算法为一种检测牛脸轮廓信息的算法,其包括监督式梯度下降算法(SDM)、局部二值算法(LBF)等。
第一提取单元20,用于通过基于FaceNet网络模型训练得到的动物身份识别模型提取所述第一动物脸部图像的脸部特征。
本实施例中,上述动物身份识别模型是基于FaceNet网络模型训练得到的动物身份识别模型,FaceNet网络模型通常用于人脸识别。本实施例中,将用于人脸识别的FaceNet网络模型迁移到动物脸部识别中。具体地,在LFW(Labeled Faces in the Wild,人脸识别公开测试集)数据集上预先训练FaceNet网络模型,然后将训练完成得到的网络模型的参数作为动物身份识别模型的初始化参数,其中,初始化的动物身份识别模型中的网络以及损失函数均与上述在人脸识别公开测试集上预先训练过的FaceNet网络模型相同。
本实施例中,将上述FaceNet网络模型迁移到初始化的动物身份识别模型中之后,再使用动物的训练集训练上述初始化的动物身份识别模型,则可以得到第一提取单元20中使用的动物身份识别模型。
本实施例中,上述脸部特征为一特征向量,第一提取单元20通过上述动物身份识别模型去提取第一动物脸部图像的脸部特征。具体地,将上述第一动物的脸部图像输入至上述动物身份识别模型中。上述动物身份识别模型的最后一层为损失函数层,该损失函数层的输入数据即为上述脸部特征,其输出结果为不同的脸部特征之间的欧式距离。因此,只需要提取出上述损失函数层之前一层的输出向量,则可以得到上述第一动物脸部图像的脸部特征。
匹配单元30,用于在特征库中匹配与所述第一动物脸部图像的脸部特征相对应的动物脸部特征。所述特征库中预先存储有预设动物的动物脸部特征及其对应的身份信息。
本实施例中,在特征库中预存有多个预设动物的动物脸部特征(也是一个特征向量)以及与每个动物脸部特征一一所对应的身份信息。例如,在某个智能农场中,饲养了100头牛,则可以在该特征库中预存有上述100头牛对应的身份信息以及每一头牛的脸部特征。
在识别第一动物的身份时,得到上述第一动物脸部图像的脸部特征,匹配单元30将其与特征库中存储的动物脸部特征进行匹配,若匹配到一致的动物脸部特征,则表明该第一动物即为该匹配出的动物脸部特征对应的动物的身份。若匹配不到一致的动物脸部特征,则无法识别出第一动物。在智能农场的场景中,则表明该第一动物不是该农场中饲养的动物。
第二获取单元40,用于若匹配成功,获取匹配出的所述动物脸部特征所对应的身份信息,以识别所述第一动物的身份。
本实施例中,上述特征库中存储有与每个动物脸部特征一一所对应的身份信息。当匹配到与第一动物脸部图像的脸部特征一致的动物脸部特征,第二获取单元40则可以获取到该动物脸部特征所对应的身份信息,而该身份信息即为上述第一动物的身份信息。综上,则简单有效地识别出上述第一动物的身份,且其是通过脸部特征进行匹配识别,准确率高。
在一实施例中,上述匹配单元30包括:
计算模块,用于通过所述动物身份识别模型计算所述特征库中的动物脸部特征与所述第一动物脸部图像的脸部特征之间的欧式距离;
选择模块,用于选择出与所述第一动物的脸部特征之间的欧式距离最小且小于预设值的动物脸部特征,作为与所述第一动物的脸部特征相对应的所述动物脸部特征。
在本实施例中,计算模块将上述第一动物脸部图像的脸部特征输入至上述动物身份识别模型中,同时,依次输入上述特征库中的动物脸部特征,并依次通过上述动物身份识别模型的损失函数层计算第一动物脸部图像的脸部特征与特征库中的动物脸部特征之间的欧式距离,在该动物身份识别模型中,欧式距离越小,则说明两个脸部特征之间越相似。选择模块选择出一个与所述第一动物的脸部特征之间的欧式距离最小的动物脸部特征,且当该欧式距离小于预设值时,则可以认为该动物脸部特征与第一动物的脸部特征为同一个特征,则可以将该动物脸部特征所对应的身份信息作为上述第一动物的身份信息。
为了便于对上述动物身份识别模型计算欧式距离判断两个特征是否相似的过程进行理解,现对FaceNet网络模型进行阐述。
FaceNet网络模型为对人脸进行识别的网络模型,其在训练时对图像进行特征提取,让同一个人脸图片之间的欧式距离更近,不同人脸图片之间的欧式距离更远。具体地,在训练FaceNet网络模型时,每次都同时输入三张图片,一张为有标签的需要预测的人脸的图片A,另外两张为辅助图片B0,B1。其中B0是不同于图片A中的人脸的图片,B1是与图片A中同一个人的不同图片。提取上述三张图片的特征向量,并计算A与B0、B1之间的欧式距离,同时使得A与B0之间的欧式距离变大,而A与B1之间的欧式距离减少,以训练上述FaceNet网络模型。使用人脸识别公开测试集中的数据集训练上述FaceNet网络模型之后,将训练完成得到的FaceNet网络模型的参数作为动物身份识别模型的初始化参数,其中,初始化的动物身份识别模型中的网络以及损失函数均与上述在人脸识别公开测试集上预先训练过的FaceNet网络模型相同。最后,使用动物的训练集训练上述初始化的动物身份识别模型,则可以得到上述第一提取单元20中使用的动物身份识别模型。
参照图4,在一实施例中,上述动物身份的识别装置还包括:
第二提取单元11,用于通过基于FaceNet网络模型训练得到的动物身份识别模型提取预设动物的动物脸部特征;
存储单元12,用于将所述预设动物的动物脸部特征及其对应的身份信息存储于所述特征库中。
在保险行业、智能农场等行业,若要对某一只动物进行准确识别,以识别出其身份信息,则需要预先在特征库中存储有该动物所对应动物脸部特征以及其对应的身份信息。本实施例中的预设动物为所有可能需要用到身份识别的动物,例如用户投保的所有动物,智能农场中饲养的所有动物。
具体一实施例中,如上述第二提取单元11,提取智能农场内所有需要管理的牛的牛脸特征,每一只牛具有其相应的牛身份。存储单元12将每一只牛的牛身份与其对应的牛脸特征存储在特征库中,形成牛脸特征库。上述第二提取单元11提取动物脸部特征的过程与上述第一提取单元20提取第一动物脸部图像的脸部特征的过程相同,区别仅在于针对的脸部图像不同,在此不再进行赘述。当需要识别智能农场中牛身份的时候,则提取牛的牛脸特征与上述牛脸特征库中预存的牛脸特征进行匹配,便可以获取出需要识别的牛的身份。
参照图5,在一实施例中,上述动物身份的识别装置还包括:
训练单元101,用于将训练集中的样本图片输入至FaceNet网络模型中进行训练,以得到所述动物身份识别模型;其中,所述FaceNet网络模型为基于人脸识别公开测试集训练完成的人脸识别网络模型。
在本实施例中,以牛图片作为训练集进行训练为例,训练单元101每次将训练集中的16组图片迭代输入至FaceNet网络模型中进行训练,其中每组图片包含三张牛脸图片,其中两张来于同一种牛,另一张为不同的牛,若两张图片来自同一头牛,标签为1,代表相似;若来自不同的牛,标签为0,代表不相似。上述FaceNet网络模型的学习率设置为0.01,损失函数为triplet loss。具体地,将训练集中图片输入至FaceNet网络模型中进行训练时,提取该组图片中的三张图片的特征向量,经过损失函数层计算之后,使得标签为1的两张图片对应的两个特征向量之间的欧式距离减小(减小到小于预设值),同时标签为0的两张图片对应的两个特征向量之间的欧式距离变大(变大到大于预设值),直到欧式距离不再变化之后,则训练完成,得到训练参数,将得到训练参数的FaceNet网络模型作为上述实施例中进行动物身份识别的动物身份识别模型。
在一实施例中,上述动物身份的识别装置还包括:
测试单元102,用于将测试集中的样本图片输入至所述动物身份识别模型中进行验证。
为了验证上述训练的动物身份识别模型的检测准确率,测试单元102每次将测试集中的样本图片输入至所述动物身份识别模型中计算,判断标签为1的两张图片对应的两个特征向量之间的欧式距离是否小于预设值;同时,判断标签为0的两张图片对应的两个特征向量之间的欧式距离大于另一个预设值。
在一实施例中,上述训练集与测试集中的样本图片数量比例为4:1。在一个具体实施例中,应用于智能农场中以大量牛图片制作训练集以及测试集的过程包括:
将120头牛的图片数据分为120类,每一类有约100张图片,使用牛脸检测算法检测所有图片的牛脸,生成120头牛的牛脸数据库。从同一只牛中随机选出两张图片,另一只牛中选择一张图片,三张图片组成训练集中和测试集中的一组照片,随机选取图片为10000组。其中,若两张图片来自同一头牛,标签为1,代表相似。若来自不同的牛,标签为0,代表不相似。最后,按照4:1的比例将上述10000组图片分为训练集和测试集,即训练集中有8000组照片,测试集中有2000组图片。
在一实施例中,上述动物身份的识别装置还包括:
理赔单元,用于根据所述第一动物的身份信息,在保单数据库匹配与所述第一动物的身份相对应的保单。
具体地,在保险理赔场景中,上述第一动物为牛,用户需要对其投保的牛进行理赔时,上传牛的图像,理赔方采用上述动物身份的识别方法进行牛的身份识别;然后如理赔单元所述,在保单数据库中匹配与所述第一动物的身份相对应的保单,并从上述保单中获取到对应于该牛身份的理赔金额等信息,方便进行理赔。
在一实施例中,上述动物身份的识别装置还包括:
管理单元,用于根据所述第一动物的身份信息,在农场养殖数据库中查询出与所述第一动物的身份信息相对应的养殖信息。
具体地,在智能农场应用场景中,上述第一动物为智能农场中饲养的牛,为了对每一只牛进行管理,在对牛进行状态跟踪时,需要识别牛的身份;如采集牛的图像,并使用上述方法识别牛的身份;然后,管理单元在农场养殖数据库中查询与该牛身份对应的养殖信息,如:养殖开始时间、养殖天数、体重变化等(可以在采集牛图像时采集牛的体重,根据体重差确定体重变化);或者还可以在农场养殖数据库中查询到该牛的历史照片,便于管理人员查看变化等。
综上所述,为本申请中提供的动物身份的识别装置,获取待识别的第一动物的脸部图像,通过基于FaceNet网络模型训练得到的动物身份识别模型提取所述第一动物脸部图像的脸部特征;在特征库中匹配与所述第一动物脸部图像的脸部特征相对应的动物脸部特征;获取匹配出的所述动物脸部特征所对应的身份信息,以识别所述第一动物的身份。克服了目前无法简单有效进行动物身份识别的缺陷,便于对动物进行管理。
参照图6,本申请实施例中还提供一种计算机设备,该计算机设备可以是服务器,其内部结构可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储FaceNet网络模型等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种动物身份的识别方法。
上述处理器执行上述动物身份的识别方法的步骤:
获取待识别的第一动物的脸部图像;
通过基于FaceNet网络模型训练得到的动物身份识别模型提取所述第一动物脸部图像的脸部特征;
在特征库中匹配与所述第一动物脸部图像的脸部特征相对应的动物脸部特征;所述特征库中预先存储有预设动物的动物脸部特征及其对应的身份信息;
若匹配成功,获取匹配出的所述动物脸部特征所对应的身份信息,以识别所述第一动物的身份。
在一实施例中,上述处理器在特征库中匹配与所述第一动物脸部图像的脸部特征相对应的动物脸部特征的步骤,包括:
通过所述动物身份识别模型计算所述特征库中的动物脸部特征与所述第一动物脸部图像的脸部特征之间的欧式距离;
选择出与所述第一动物的脸部特征之间的欧式距离最小且小于预设值的动物脸部特征,作为与所述第一动物的脸部特征相对应的所述动物脸部特征。
在一实施例中,上述处理器获取待识别的第一动物的脸部图像的步骤之前,包括:
通过基于FaceNet网络模型训练得到的动物身份识别模型提取预设动物的动物脸部特征;
将所述预设动物的动物脸部特征及其对应的身份信息存储于所述特征库中。
在一实施例中,上述处理器通过基于FaceNet网络模型训练得到的动物身份识别模型提取预设动物的动物脸部特征的步骤之前,包括:
将训练集中的样本图片输入至FaceNet网络模型中进行训练,以得到所述动物身份识别模型;其中,所述FaceNet网络模型为基于人脸识别公开测试集训练完成的人脸识别网络模型。
在一实施例中,上述处理器将训练集中的样本图片输入至FaceNet网络模型中进行训练,以得到所述动物身份识别模型的步骤之后,包括:
将测试集中的样本图片输入至所述动物身份识别模型中进行验证。
在一实施例中,上述处理器获取匹配出的所述动物脸部特征所对应的身份信息,以识别所述第一动物的身份的步骤之后,包括:
根据所述第一动物的身份信息,在保单数据库匹配与所述第一动物的身份相对应的保单。
在一实施例中,上述处理器获取匹配出的所述动物脸部特征所对应的身份信息,以识别所述第一动物的身份的步骤之后,包括:
根据所述第一动物的身份信息,在农场养殖数据库中查询出与所述第一动物的身份信息相对应的养殖信息。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请一实施例还提供一种计算机存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现一种动物身份的识别方法,具体为:
获取待识别的第一动物的脸部图像;
通过基于FaceNet网络模型训练得到的动物身份识别模型提取所述第一动物脸部图像的脸部特征;
在特征库中匹配与所述第一动物脸部图像的脸部特征相对应的动物脸部特征;所述特征库中预先存储有预设动物的动物脸部特征及其对应的身份信息;
若匹配成功,获取匹配出的所述动物脸部特征所对应的身份信息,以识别所述第一动物的身份。
在一实施例中,上述处理器在特征库中匹配与所述第一动物脸部图像的脸部特征相对应的动物脸部特征的步骤,包括:
通过所述动物身份识别模型计算所述特征库中的动物脸部特征与所述第一动物脸部图像的脸部特征之间的欧式距离;
选择出与所述第一动物的脸部特征之间的欧式距离最小且小于预设值的动物脸部特征,作为与所述第一动物的脸部特征相对应的所述动物脸部特征。
在一实施例中,上述处理器获取待识别的第一动物的脸部图像的步骤之前,包括:
通过基于FaceNet网络模型训练得到的动物身份识别模型提取预设动物的动物脸部特征;
将所述预设动物的动物脸部特征及其对应的身份信息存储于所述特征库中。
在一实施例中,上述处理器通过基于FaceNet网络模型训练得到的动物身份识别模型提取预设动物的动物脸部特征的步骤之前,包括:
将训练集中的样本图片输入至FaceNet网络模型中进行训练,以得到所述动物身份识别模型;其中,所述FaceNet网络模型为基于人脸识别公开测试集训练完成的人脸识别网络模型。
在一实施例中,上述处理器将训练集中的样本图片输入至FaceNet网络模型中进行训练,以得到所述动物身份识别模型的步骤之后,包括:
将测试集中的样本图片输入至所述动物身份识别模型中进行验证。
在一实施例中,上述处理器获取匹配出的所述动物脸部特征所对应的身份信息,以识别所述第一动物的身份的步骤之后,包括:
根据所述第一动物的身份信息,在保单数据库匹配与所述第一动物的身份相对应的保单。
在一实施例中,上述处理器获取匹配出的所述动物脸部特征所对应的身份信息,以识别所述第一动物的身份的步骤之后,包括:
根据所述第一动物的身份信息,在农场养殖数据库中查询出与所述第一动物的身份信息相对应的养殖信息。
综上所述,为本申请实施例中提供的动物身份的识别方法、装置、计算机设备和存储介质,获取待识别的第一动物的脸部图像,通过基于FaceNet网络模型训练得到的动物身份识别模型提取所述第一动物脸部图像的脸部特征;在特征库中匹配与所述第一动物脸部图像的脸部特征相对应的动物脸部特征;获取匹配出的所述动物脸部特征所对应的身份信息,以识别所述第一动物的身份。克服了目前无法简单有效进行动物身份识别的缺陷,便于对动物进行管理。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储与一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM通过多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其它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它要素,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。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请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它相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种动物身份的识别方法,其特征在于,包括以下步骤:
获取待识别的第一动物的脸部图像;
通过基于FaceNet网络模型训练得到的动物身份识别模型提取所述第一动物脸部图像的脸部特征;
在特征库中匹配与所述第一动物脸部图像的脸部特征相对应的动物脸部特征;所述特征库中预先存储有预设动物的动物脸部特征及其对应的身份信息;
若匹配成功,获取匹配出的所述动物脸部特征所对应的身份信息,以识别所述第一动物的身份。
2.根据权利要求1所述的动物身份的识别方法,其特征在于,所述在特征库中匹配与所述第一动物脸部图像的脸部特征相对应的动物脸部特征的步骤,包括:
通过所述动物身份识别模型计算所述特征库中的动物脸部特征与所述第一动物脸部图像的脸部特征之间的欧式距离;
选择出与所述第一动物的脸部特征之间的欧式距离最小且小于预设值的动物脸部特征,作为与所述第一动物的脸部特征相对应的所述动物脸部特征。
3.根据权利要求1所述的动物身份的识别方法,其特征在于,所述获取待识别的第一动物的脸部图像的步骤之前,包括:
通过基于FaceNet网络模型训练得到的动物身份识别模型提取所述预设动物的动物脸部特征;
将所述预设动物的动物脸部特征及其对应的身份信息存储于所述特征库中。
4.根据权利要求3所述的动物身份的识别方法,其特征在于,所述通过基于FaceNet网络模型训练得到的动物身份识别模型提取预设动物的动物脸部特征的步骤之前,包括:
将训练集中的样本图片输入至FaceNet网络模型中进行训练,以得到所述动物身份识别模型;其中,所述FaceNet网络模型为基于人脸识别公开测试集训练完成的人脸识别网络模型。
5.根据权利要求4所述的动物身份的识别方法,其特征在于,所述将训练集中的样本图片输入至FaceNet网络模型中进行训练,以得到所述动物身份识别模型的步骤之后,包括:
将测试集中的样本图片输入至所述动物身份识别模型中进行验证。
6.根据权利要求1-5中任一项所述的动物身份的识别方法,其特征在于,所述获取匹配出的所述动物脸部特征所对应的身份信息,以识别所述第一动物的身份的步骤之后,包括:
根据所述第一动物的身份信息,在保单数据库匹配与所述第一动物的身份相对应的保单。
7.根据权利要求1-5中任一项所述的动物身份的识别方法,其特征在于,所述获取匹配出的所述动物脸部特征所对应的身份信息,以识别所述第一动物的身份的步骤之后,包括:
根据所述第一动物的身份信息,在农场养殖数据库中查询出与所述第一动物的身份信息相对应的养殖信息。
8.一种动物身份的识别装置,其特征在于,包括:
第一获取单元,用于获取待识别的第一动物的脸部图像;
第一提取单元,用于通过基于FaceNet网络模型训练得到的动物身份识别模型提取所述第一动物脸部图像的脸部特征;
匹配单元,用于在特征库中匹配与所述第一动物脸部图像的脸部特征相对应的动物脸部特征;所述特征库中预先存储有预设动物的动物脸部特征及其对应的身份信息;
第二获取单元,用于若匹配成功,获取匹配出的所述动物脸部特征所对应的身份信息,以识别所述第一动物的身份。
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810556050.6A CN108921026A (zh) | 2018-06-01 | 2018-06-01 | 动物身份的识别方法、装置、计算机设备和存储介质 |
PCT/CN2018/095667 WO2019227616A1 (zh) | 2018-06-01 | 2018-07-13 | 动物身份的识别方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810556050.6A CN108921026A (zh) | 2018-06-01 | 2018-06-01 | 动物身份的识别方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108921026A true CN108921026A (zh) | 2018-11-30 |
Family
ID=64418078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810556050.6A Pending CN108921026A (zh) | 2018-06-01 | 2018-06-01 | 动物身份的识别方法、装置、计算机设备和存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN108921026A (zh) |
WO (1) | WO2019227616A1 (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109829381A (zh) * | 2018-12-28 | 2019-05-31 | 北京旷视科技有限公司 | 一种犬只识别管理方法、装置、系统及存储介质 |
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 |
CN109948458A (zh) * | 2019-02-25 | 2019-06-28 | 广东智媒云图科技股份有限公司 | 基于鼻纹的宠物身份识别方法、装置、设备及存储介质 |
CN110222725A (zh) * | 2019-05-15 | 2019-09-10 | 广州影子科技有限公司 | 猪只核验方法、猪只核验装置与猪只核验系统 |
CN110334593A (zh) * | 2019-05-28 | 2019-10-15 | 浙江泽曦科技有限公司 | 宠物脸部识别方法及系统 |
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 |
CN110765849A (zh) * | 2019-09-09 | 2020-02-07 | 中国平安财产保险股份有限公司 | 基于微表情的身份信息采集方法、装置和计算机设备 |
CN110929099A (zh) * | 2019-11-28 | 2020-03-27 | 杭州趣维科技有限公司 | 一种基于多任务学习的短视频帧语义提取方法及系统 |
CN110956149A (zh) * | 2019-12-06 | 2020-04-03 | 中国平安财产保险股份有限公司 | 宠物身份核验方法、装置、设备及计算机可读存储介质 |
CN111325059A (zh) * | 2018-12-14 | 2020-06-23 | 技嘉科技股份有限公司 | 脸部识别方法、装置及计算机可读取媒体 |
CN111523479A (zh) * | 2020-04-24 | 2020-08-11 | 中国农业科学院农业信息研究所 | 动物的生物特征识别方法、装置、计算机设备及存储介质 |
CN111985477A (zh) * | 2020-08-27 | 2020-11-24 | 平安科技(深圳)有限公司 | 基于单目摄像头的动物体在线核赔方法、装置及存储介质 |
CN112132026A (zh) * | 2020-09-22 | 2020-12-25 | 平安国际智慧城市科技股份有限公司 | 动物识别方法及装置 |
CN113962336A (zh) * | 2021-08-06 | 2022-01-21 | 杨*甦 | 可实时的牛只正脸id编码方法 |
CN114399787A (zh) * | 2021-12-09 | 2022-04-26 | 慧之安信息技术股份有限公司 | 一种基于ai的牛脸识别方法 |
CN115457593A (zh) * | 2022-07-26 | 2022-12-09 | 南京清湛人工智能研究院有限公司 | 一种牛脸识别方法、系统、存储介质和电子设备 |
CN116704264A (zh) * | 2023-07-12 | 2023-09-05 | 北京万里红科技有限公司 | 动物分类方法、分类模型训练方法、存储介质及电子设备 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310703B (zh) * | 2020-02-26 | 2022-06-03 | 深圳市巨星网络技术有限公司 | 基于卷积神经网络的身份识别方法、装置、设备及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101751551A (zh) * | 2008-12-05 | 2010-06-23 | 比亚迪股份有限公司 | 一种基于图像的人脸识别方法、装置、系统及设备 |
CN106056064A (zh) * | 2016-05-26 | 2016-10-26 | 汉王科技股份有限公司 | 一种人脸识别方法及人脸识别装置 |
CN106203533A (zh) * | 2016-07-26 | 2016-12-07 | 厦门大学 | 基于混合训练的深度学习人脸验证方法 |
CN107229947A (zh) * | 2017-05-15 | 2017-10-03 | 邓昌顺 | 一种基于动物识别的金融保险方法及系统 |
CN107292298A (zh) * | 2017-08-09 | 2017-10-24 | 北方民族大学 | 基于卷积神经网络和分类器模型的牛脸识别方法 |
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 |
CN107895160A (zh) * | 2017-12-21 | 2018-04-10 | 曙光信息产业(北京)有限公司 | 人脸检测与识别装置及方法 |
CN108090433A (zh) * | 2017-12-12 | 2018-05-29 | 厦门集微科技有限公司 | 人脸识别方法及装置、存储介质、处理器 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5099488B2 (ja) * | 2007-08-31 | 2012-12-19 | カシオ計算機株式会社 | 撮像装置、顔認識方法およびそのプログラム |
WO2013058128A1 (ja) * | 2011-10-18 | 2013-04-25 | 本田技研工業株式会社 | 車両周辺監視装置 |
CN103218610B (zh) * | 2013-04-28 | 2016-06-08 | 宁波江丰生物信息技术有限公司 | 狗脸检测器的形成方法和狗脸检测方法 |
-
2018
- 2018-06-01 CN CN201810556050.6A patent/CN108921026A/zh active Pending
- 2018-07-13 WO PCT/CN2018/095667 patent/WO2019227616A1/zh active Application Filing
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101751551A (zh) * | 2008-12-05 | 2010-06-23 | 比亚迪股份有限公司 | 一种基于图像的人脸识别方法、装置、系统及设备 |
CN106056064A (zh) * | 2016-05-26 | 2016-10-26 | 汉王科技股份有限公司 | 一种人脸识别方法及人脸识别装置 |
CN106203533A (zh) * | 2016-07-26 | 2016-12-07 | 厦门大学 | 基于混合训练的深度学习人脸验证方法 |
CN107229947A (zh) * | 2017-05-15 | 2017-10-03 | 邓昌顺 | 一种基于动物识别的金融保险方法及系统 |
CN107292298A (zh) * | 2017-08-09 | 2017-10-24 | 北方民族大学 | 基于卷积神经网络和分类器模型的牛脸识别方法 |
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 |
CN108090433A (zh) * | 2017-12-12 | 2018-05-29 | 厦门集微科技有限公司 | 人脸识别方法及装置、存储介质、处理器 |
CN107895160A (zh) * | 2017-12-21 | 2018-04-10 | 曙光信息产业(北京)有限公司 | 人脸检测与识别装置及方法 |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111325059A (zh) * | 2018-12-14 | 2020-06-23 | 技嘉科技股份有限公司 | 脸部识别方法、装置及计算机可读取媒体 |
CN109829381A (zh) * | 2018-12-28 | 2019-05-31 | 北京旷视科技有限公司 | 一种犬只识别管理方法、装置、系统及存储介质 |
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 |
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 |
CN109948458A (zh) * | 2019-02-25 | 2019-06-28 | 广东智媒云图科技股份有限公司 | 基于鼻纹的宠物身份识别方法、装置、设备及存储介质 |
CN110222725A (zh) * | 2019-05-15 | 2019-09-10 | 广州影子科技有限公司 | 猪只核验方法、猪只核验装置与猪只核验系统 |
CN110222725B (zh) * | 2019-05-15 | 2022-01-04 | 广州影子科技有限公司 | 猪只核验方法、猪只核验装置与猪只核验系统 |
CN110334593A (zh) * | 2019-05-28 | 2019-10-15 | 浙江泽曦科技有限公司 | 宠物脸部识别方法及系统 |
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 |
CN110765849A (zh) * | 2019-09-09 | 2020-02-07 | 中国平安财产保险股份有限公司 | 基于微表情的身份信息采集方法、装置和计算机设备 |
CN110765849B (zh) * | 2019-09-09 | 2024-04-09 | 中国平安财产保险股份有限公司 | 基于微表情的身份信息采集方法、装置和计算机设备 |
CN110929099A (zh) * | 2019-11-28 | 2020-03-27 | 杭州趣维科技有限公司 | 一种基于多任务学习的短视频帧语义提取方法及系统 |
CN110956149A (zh) * | 2019-12-06 | 2020-04-03 | 中国平安财产保险股份有限公司 | 宠物身份核验方法、装置、设备及计算机可读存储介质 |
CN111523479A (zh) * | 2020-04-24 | 2020-08-11 | 中国农业科学院农业信息研究所 | 动物的生物特征识别方法、装置、计算机设备及存储介质 |
CN111985477A (zh) * | 2020-08-27 | 2020-11-24 | 平安科技(深圳)有限公司 | 基于单目摄像头的动物体在线核赔方法、装置及存储介质 |
CN112132026A (zh) * | 2020-09-22 | 2020-12-25 | 平安国际智慧城市科技股份有限公司 | 动物识别方法及装置 |
CN113962336A (zh) * | 2021-08-06 | 2022-01-21 | 杨*甦 | 可实时的牛只正脸id编码方法 |
CN113962336B (zh) * | 2021-08-06 | 2023-11-24 | 杨甦 | 可实时的牛只正脸id编码方法 |
CN114399787A (zh) * | 2021-12-09 | 2022-04-26 | 慧之安信息技术股份有限公司 | 一种基于ai的牛脸识别方法 |
CN115457593A (zh) * | 2022-07-26 | 2022-12-09 | 南京清湛人工智能研究院有限公司 | 一种牛脸识别方法、系统、存储介质和电子设备 |
CN116704264A (zh) * | 2023-07-12 | 2023-09-05 | 北京万里红科技有限公司 | 动物分类方法、分类模型训练方法、存储介质及电子设备 |
CN116704264B (zh) * | 2023-07-12 | 2024-01-30 | 北京万里红科技有限公司 | 动物分类方法、分类模型训练方法、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2019227616A1 (zh) | 2019-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921026A (zh) | 动物身份的识别方法、装置、计算机设备和存储介质 | |
CN109784391A (zh) | 基于多模型的样本标注方法及装置 | |
CN111191539B (zh) | 证件真伪验证方法、装置、计算机设备和存储介质 | |
CN108875811A (zh) | 动物种类的分类方法、装置、计算机设备和存储介质 | |
CN110069994B (zh) | 基于人脸多区域的人脸属性识别系统、方法 | |
CN109816200B (zh) | 任务推送方法、装置、计算机设备和存储介质 | |
CN110674712A (zh) | 交互行为识别方法、装置、计算机设备和存储介质 | |
CN111652615B (zh) | 基于区块链大数据的安全识别方法及人工智能云服务平台 | |
CN109767261A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
CN109886554B (zh) | 违规行为判别方法、装置、计算机设备和存储介质 | |
US11436443B2 (en) | Testing machine learning (ML) models for robustness and accuracy using generative deep learning | |
CN110543823B (zh) | 基于残差网络的行人再识别方法、装置和计算机设备 | |
CN109919035A (zh) | 提高考勤识别通过的方法、装置、计算机设备和存储介质 | |
CN112597984B (zh) | 图像数据处理方法、装置、计算机设备和存储介质 | |
CN111914842A (zh) | 车牌信息的识别方法、装置、计算机设备及存储介质 | |
CN109509228A (zh) | 用于定位一个或多个候选数字图像的方法 | |
CN108875497B (zh) | 活体检测的方法、装置及计算机存储介质 | |
CN112818821A (zh) | 基于可见光和红外光的人脸采集源检测方法和装置 | |
CN113657318A (zh) | 基于人工智能的宠物分类方法、装置、设备及存储介质 | |
CN113283388B (zh) | 活体人脸检测模型的训练方法、装置、设备及存储介质 | |
CN114329022A (zh) | 一种色情分类模型的训练、图像检测方法及相关装置 | |
CN113762326A (zh) | 一种数据识别方法、装置、设备及可读存储介质 | |
CN110543891B (zh) | 数据标注方法、装置、系统及存储介质 | |
CN116612498A (zh) | 一种鸟类识别模型训练方法、鸟类识别方法、装置及设备 | |
CN114756671A (zh) | 文章推荐方法、装置、计算机设备及存储介质 |
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 |