CN110083723A - 一种小熊猫个体识别方法、设备及计算机可读存储介质 - Google Patents

一种小熊猫个体识别方法、设备及计算机可读存储介质 Download PDF

Info

Publication number
CN110083723A
CN110083723A CN201910333076.9A CN201910333076A CN110083723A CN 110083723 A CN110083723 A CN 110083723A CN 201910333076 A CN201910333076 A CN 201910333076A CN 110083723 A CN110083723 A CN 110083723A
Authority
CN
China
Prior art keywords
lesser panda
lesser
panda
image
region
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.)
Granted
Application number
CN201910333076.9A
Other languages
English (en)
Other versions
CN110083723B (zh
Inventor
侯蓉
陈鹏
赵启军
冯志聪
刘宁
张志和
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.)
CHENGDU RESEARCH BASE OF GIANT PANDA BREEDING
Sichuan University
Original Assignee
CHENGDU RESEARCH BASE OF GIANT PANDA BREEDING
Sichuan University
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 CHENGDU RESEARCH BASE OF GIANT PANDA BREEDING, Sichuan University filed Critical CHENGDU RESEARCH BASE OF GIANT PANDA BREEDING
Priority to CN201910333076.9A priority Critical patent/CN110083723B/zh
Publication of CN110083723A publication Critical patent/CN110083723A/zh
Application granted granted Critical
Publication of CN110083723B publication Critical patent/CN110083723B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • G06F16/532—Query formulation, e.g. graphical querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Library & Information Science (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Multimedia (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种小熊猫个体识别方法，包括以下步骤：输入原始图像，提取原始图像中小熊猫的图像区域；对小熊猫的图像区域进行躯体特征分割，得到用于表征小熊猫各个躯体部位的分割结果；基于小熊猫各个躯体部位的分割结果获取小熊猫的姿态特征；基于小熊猫各个躯体部位的分割结果获取小熊猫的视觉特征；基于姿态特征和视觉特征在已知数据的样本库中进行比对，基于比对结果确认小熊猫的个体身份信息。本发明还同时公开了一种小熊猫个体识别设备及计算机可读存储介质。

Description

一种小熊猫个体识别方法、设备及计算机可读存储介质
技术领域
本发明涉及计算机识别技术领域，尤其涉及一种小熊猫个体识别方法、设备及计算机可读存储介质。
背景技术
小熊猫于1988年被我国《国家重点保护野生动物名录》列为国家二级保护动物，2008年被《世界自然保护联盟濒危物种红色名录》评估为濒危物种。由于栖息地丧失、人类活动、捕猎，在过去的五十多年里，我国野生小熊猫的数量降低约40％。一方面，对于处于保护和圈养状态的小熊猫，个体识别既是对其研究和保护管理的基本前提，也是对其进行日常管理和档案谱系资料备份的基础；另一方面，对于野生的小熊猫，个体识别有助于研究人员更好地研究小熊猫种群的亲缘关系和进化过程，能够更准确地进行种群分布统计。
目前小熊猫的个体识别主要采用微电子芯片皮下掩埋法，即在小熊猫皮下植入微型芯片，当专业人员用扫描仪对芯片位置进行扫描后，就可以获取实现为小熊猫分配的身份编号。这种方法有以下几点缺陷：1、在小熊猫身体中植入芯片会造成一定伤害。2、植入小熊猫体内的芯片可能会因为小熊猫活动、电量耗尽或者故障而失效，从而造成小熊猫身份信息丢失。3、采集信息难度大，当专业人员靠近小熊猫进行扫描时，由于小熊猫胆怯容易逃走甚至向专业人员发起攻击，大大增加信息的获取难度。4、对于野外小熊猫的个体识别，由于小熊猫领地范围较广，使该方法实施难度加大。
发明内容
针对现有小熊猫个体识别方法的不足，本发明提出一种基于图像视觉特征的小熊猫个体识别方法。在建立小熊猫特征样本库之后，只需要输入一张小熊猫图像(每张图像中可以包含多只小熊猫)，就可以基于小熊猫体态视觉特征识别它们是样本库里的哪一只或者是新个体。
本发明为了实现上述目的具体采用以下技术方案：
第一方面，本发明公开一种检测方法，包括以下步骤：
输入原始图像，提取原始图像中小熊猫的图像区域；
对小熊猫的图像区域进行躯体特征分割，得到用于表征小熊猫各个躯体部位的分割结果；
基于小熊猫各个躯体部位的分割结果获取小熊猫的姿态特征；
基于小熊猫各个躯体部位的分割结果获取小熊猫的视觉特征；
基于姿态特征和视觉特征在已知数据的样本库中进行比对，基于比对结果确认小熊猫的个体身份信息。
进一步地，输入原始图像，提取原始图像中小熊猫的图像区域，具体包括：
建立获取小熊猫图像的第一神经网络模型；
基于损失函数的计算设定第一神经网络模型中用于检测小熊猫图像的向量标签，并基于已知数据训练第一神经网络模型；
将原始图像划分为i个相同的图像区域，其中，i≥4；
基于第一神经网络模型计算每一图像区域为小熊猫图像的概率Pi；其中，Pi的取值范围为0≤Pi≤1；
提取Pi大于预设阈值t的图像区域为目标区域，对目标区域作非极大值抑制处理，得到小熊猫的图像区域；其中，阈值t的取值范围为0.5≤t≤1。
进一步地，基于损失函数的计算设定所述第一神经网络模型中用于检测小熊猫图像的向量标签，并基于已知数据训练所述第一神经网络模型，具体包括：
向量标签为Di＝(Xi，Yi，Wi，Hi，Pi)；其中，Di用于表征输入图像中的第i个图像区域，Xi和Yi用于表征Di图像区域与小熊猫图像中心坐标的相对X轴坐标位置和Y轴坐标位置，Wi和Hi用于表征Di图像区域中小熊猫图像的宽值和高值，Pi用于表征Di图像区域为小熊猫图像的概率；
基于Xi，Yi，Wi和Hi的损失函数获取第一误差Lloc，基于Pi的损失函数获取第二误差Llcs；
基于第一误差Lloc和第二误差Llcs训练第一神经网络模型。
进一步地，对小熊猫的图像区域进行躯体特征分割，得到用于表征小熊猫各个躯体部位的分割结果，具体包括：
建立获取小熊猫躯体分类的第二神经网络模型；
设定对小熊猫躯体部位分类的分类标签，基于已知数据训练所述第二神经网络模型；
基于所述第二神经网络模型对所述小熊猫的图像区域进行分割，得到用于表征小熊猫各个躯体部位的分割结果。
进一步地，基于小熊猫各个躯体部位的分割结果获取小熊猫的姿态特征，具体包括：
小熊猫的躯体部位的分类标签包括：头部、躯干、尾巴和四肢；
基于头部面积与除头部以外的其他部位面积之间的比值获取小熊猫的姿态特征；
或，基于头部中心点与躯干中心点连线的向量值获取小熊猫的姿态特征。
进一步地，基于小熊猫各个躯体部位的分割结果获取小熊猫的视觉特征，具体包括：
采用LBP算法提取小熊猫各个躯体部位的视觉特征。
进一步地，基于姿态特征和视觉特征在已知数据的样本库中进行比对，基于比对结果确认小熊猫的个体身份信息，具体包括：
使用欧氏距离公式和余弦距离公式计算所述姿态特征和视觉特征的测量值与样本库中样本值之间的相似度，基于相似度最高的样本值确定小熊猫的个体身份信息。
进一步地，基于姿态特征和视觉特征在已知数据的样本库中进行比对，基于比对结果确认小熊猫的个体身份信息，还包括：
当相似度的最大值小于阈值ε时，判定姿态特征和视觉特征的测量值为新个体数据；其中，阈值ε的取值范围为0.35≤ε≤0.65。
第二方面，本发明公开一种检测设备，包括：
处理器、存储器和通信总线；
其中，通信总线，用于实现处理器和存储器之间的通信连接；
存储器，用于存储能够在处理器上运行的小熊猫个体识别程序；
处理器，用于：
输入原始图像，提取原始图像中小熊猫的图像区域；
对小熊猫的图像区域进行躯体特征分割，得到用于表征小熊猫各个躯体部位的分割结果；
基于小熊猫各个躯体部位的分割结果获取小熊猫的姿态特征；
基于小熊猫各个躯体部位的分割结果获取小熊猫的视觉特征；
基于姿态特征和视觉特征在已知数据的样本库中进行比对，基于比对结果确认小熊猫的个体身份信息。
第三方面，本发明公开一种计算机可读存储介质，所述可读存储介质中存储有一个或者多个程序，所述一个或多个程序可被一个或者多个处理器执行，以实现第一方面中任意一项小熊猫个体识别方法的步骤。
采用上述方案后，本发明的有益效果如下：1、与现有在小熊猫身上做标记的方案相比，不会因设置标签而对小熊猫的身体造成伤害，也能节约标签芯片的成本。2、信息采集难度低，仅需获取小熊猫的清晰图像即可确认小熊猫的身份信息。3、本发明的方案基于小熊猫的姿态特征和身体各部位的视觉特征相结合的方式确定小熊猫的身份信息，与现有技术仅通过图像数据进行识别的方案相比，该方案可以显著提高信息甄选和比对的准确率。经实验，以基于LBP提取特征的方法为例，相对于直接对全图特征进行识别，本新型的方法在识别率上具有20％以上的提升。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明实施例1提供的一种小熊猫个体识别方法流程示意图；
图2为本发明实施例2提供的提取小熊猫图像区域方法流程示意图；
图3为本发明实施例2中的对小熊猫图像划分区域示意图；
图4为本发明实施例2中训练第一神经网络模型示意图；
图5为本发明实施例2中提取小熊猫图像区域示意图；
图6为本发明实施例3提供的小熊猫躯体部位分割方法流程示意图；
图7为本发明实施例3中的提取小熊猫躯体分割区域示意图；
图8为本发明实施例4中基于面积法估计姿态特征示意图；
图9为本发明实施例4中基于向量法估计姿态特征示意图；
图10为本发明实施例4中的基于相似度识别示意图；
图11为本发明实施例5提供的一种小熊猫个体识别设备的硬件结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域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。
需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、方法、物品或者设备不仅包括那些要素，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、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
下面结合附图和实施例对本发明实施例作详细说明。
实施例1
参照图1所示，本发明实施例提供一种检测方法，包括以下步骤：
S101、输入原始图像，提取原始图像中小熊猫的图像区域；
S102、对小熊猫的图像区域进行躯体特征分割，得到用于表征小熊猫各个躯体部位的分割结果；
S103、基于小熊猫各个躯体部位的分割结果获取小熊猫的姿态特征；
S104、基于小熊猫各个躯体部位的分割结果获取小熊猫的视觉特征；
S105、基于姿态特征和视觉特征在已知数据的样本库中进行比对，基于比对结果确认小熊猫的个体身份信息。
本发明实施例提供的小熊猫个体识别方法，通过在输入的原始图像中提取小熊猫的图像区域，再进一步地对小熊猫图像进行躯体特征分割，基于小熊猫身体各部位的分割获取原始图像中小熊猫的姿态特征和视觉特征，最后基于姿态特征和视觉特征在样本库中进行比对，确认小熊猫的个体身份信息，这种方案的优势在于，仅仅基于小熊猫的图像信心就可以进行小熊猫个体身份的比对和确认，与现有技术中通过在小熊猫体内植入芯片再进行扫描确认的方法相比，不会对作为保护动物的小熊猫造成身体伤害，也不会因为数据采集的需要干涉小熊猫的日常生活，同时能有效保护管理人员不被小熊猫抓伤，具有显著的进步。
实施例2
本发明实施例在实施例1基础上进一步优化，提供一种基于预设神经网络模型提取原始图像中的小熊猫图像的方法。具体地，如图2所示，本发明实施例中，提取小熊猫图像区域包括以下步骤：
S201、建立获取小熊猫图像的第一神经网络模型；
S202、基于损失函数的计算设定第一神经网络模型中用于检测小熊猫图像的向量标签，并基于已知数据训练第一神经网络模型；
S203、将原始图像划分为若干个相同的图像区域；
S204、基于第一神经网络模型计算每一图像区域为小熊猫图像的概率Pn；
S205、提取概率Pn大于预设阈值的图像区域为目标区域，对目标区域作非极大值抑制处理，得到小熊猫的图像区域。
可以理解地，在输入原始图像之前，需要先进行图像质量评估(Image QualityAssessment，IQA)，以确保输入的原始图像是清晰的，图像中小熊猫相关数据时清晰可辨识的。
可选地，可以通过方差法、拉普拉斯梯度法、能量梯度法或网络模型等方法对小熊猫的原始图像进行IQA，此处不再赘述。
可以理解地，在本发明实施例中，通过预设的第一神经网络模型对原始图像中的小熊猫区域进行提取，从而消除与小熊猫数据无关的其他数据干扰。为了使第一神经网络模型能够实现本发明实施例的期望效果，需要先对第一神经网络模型进行训练。
可以理解地，本发明实施例中，是基于包含有小熊猫的图像数据进行训练。在训练中，将包含有小熊猫的图像划分为若干个区域，这个区域应是具有相同面积的区域，通过对区域进行网络模型的标签定义，带入模型函数运算就可以获取需要的区域。
进一步地，通过以图像边界进行坐标轴定义，能够获取图像中含有小熊猫的区域(即，方框内区域)的准确坐标。如图3所示的对图像划分区域示意图，假设输入图像是边长为50的正方形，图像的左上端顶角的坐标位置为(0，0)，那么对图像进行5x5的划分之后，就可以获取每个区域位于图像中的坐标位置。进一步地，还可以获取仅包含小熊猫图像区域的中心坐标。
此处以图3为例，可以本领域技术人员熟知的方法获取包含小熊猫区域的矩型图像区域其左上角坐标与右下角坐标分别为(2，13)和(40，37)，那么，基于矩型边长中心的计算公式，计算(2+40)/2和(13+47)/2可以得到小熊猫区域的中心坐标为(21，25)；此处定义区域左上端顶角的坐标作为划分区域的坐标，那么由于21和25都大于20，并且分别小于30，因此小熊猫的中心坐标就对应于坐标位置为(20，20)的第13个格子上。
可以理解地，由于此处输入的图像是正方形，因此可以对图像的边都做等份的划分，比如6x6，7x7等等。若输入的图像是长方形，既可以将该长方形压缩为正方形再进行划分区域处理，也可以对图像的长边和短边按照比例进行划分，如将图像按照1x2，2x3，3x4等进行划分，无论哪种方式，其目的在于获取相同面积的划分区域，方便确定区域网格的坐标。
优选地，在本发明实施例方案中，会先将原始图像转化为正方形图像，再将正方形图像划分为49(即7x7)个相同的区域进行后续处理。
可以理解地，基于上述内容中对划分区域网格的坐标定义，本发明实施例为每一划分区域网格设定第一神经网络模型的模型标签。具体地，此处的模型标签是一个向量标签Di＝(Xi，Yi，Wi，Hi，Pi)；其中，Di用于表征输入图像中的第i个图像区域，Xi和Yi分别用于表征Di图像区域与小熊猫图像中心坐标的相对X轴坐标位置和Y轴坐标位置，Wi和Hi分别用于表征Di图像区域中小熊猫图像的长和宽，Pi用于表征Di图像区域是小熊猫图像的概率。这样，基于第一神经网络模型，就可以得到对应每一划分图像区域的神经网络模型标签Di。
进一步地，本发明实施例通过求解Di中两组标签要素的算术误差值对第一神经网络模型进行训练。可以理解地，本发明实施例中是基于Xi，Yi，Wi和Hi的损失函数获取误差Lloc，以及基于Pi的损失函数获取第二误差Llcs。
此处，误差Lloc的损失函数如下：
其中，N代表输入的原始图像数量，i代表输入原始图像中被划分的区域网格，j代表区域网格中包含小熊猫图像的区域网格，分别代表前述内容中小熊猫区域中心坐标相对区域网格坐标的真实坐标，和分别代表小熊猫图像区域的真实宽度值和真实高度值。
此处，误差Llcs的损失函数如下：
其中，N代表输入的原始图像数量，i代表输入原始图像中被划分的区域网格，代表区域网格为小熊猫图像区域的真实值，若划分的区域网格含有小熊猫图像，则的值为1，反之则为0。
如图4所示，基于上述损失函数公式(1)和公式(2)训练第一神经网络模型，即将原始图像中对应每一划分区域的Di数据带入公式(1)和公式(2)，可以获取原始图像中包含小熊猫信息的区域。
如图5所示，基于训练好的神经网络模型，输入要甄别小熊猫的原始图像，就可以计算每一图像区域为小熊猫图像的概率Pi，其中，i代表输入原始图像中被划分的区域网格；基于概率Pi，通过设定预设阈值t来提取仅包含小熊猫图像的区域范围，当一个区域网格对应的Pi值大于阈值t时，表明该区域网格对应的向量Di包含小熊猫图像，这个区域被称为目标区域；最后对所有目标区域作非极大值抑制处理，就可以得到小熊猫的图像区域。
一般来说，满足条件时的概率为1，不满足条件时的概率为0。本发明实施例中，概率Pi的取值范围为0≤Pi≤1，基于此，阈值t的优选取值范围为0.5≤t≤1。
由此可见，通过实施例2的方法步骤，可以有效提取图像中的小熊猫数据，从而降低环境信息等非小熊猫图像像素数据对于小熊猫甄别的干扰，也利于降低后续运算的运算量，提高了小熊猫身份信息的识别速度。
实施例3
本发明实施例在实施例2基础上进一步优化，提供一种基于预设神经网络模型提取小熊猫躯体分割区域的方法。具体地，如图6所示，本发明实施例中，提取小熊猫躯体部位分割区域包括以下步骤：
S301、建立获取小熊猫躯体分类的第二神经网络模型；
S302、设定对小熊猫躯体部位分类的分类标签，基于已知数据训练第二神经网络模型；
S303、基于第二神经网络模型对小熊猫的图像区域进行分割，得到用于表征小熊猫各个躯体部位的分割结果。
可以理解地，本发明实施例中的第二神经网络模型用于在获取小熊猫图像区域的基础上对小熊猫躯体进行进一步的分割，从而方便对小熊猫躯体上不同部位的特征进行提取。
具体地，本发明实施例中，将小熊猫的躯体分割为头部、躯干、尾巴和四肢四个部分。由于前述内容中，包含小熊猫的图像为一个包含多个划分区域网格的矩形图像，不仅包含小熊猫的图像像素，也可能包含非小熊猫的背景环境像素。考虑以上要素信息可以构建第二神经网络模型，将小熊猫图像中的每个像素点分为头部类、躯干类、尾巴类、四肢类和背景类五个类别中的一种，通过第二神经网络模型输出像素点属于这五个类别的概率值。
此处在训练神经网络模型时，采用误差反向传播算法作为优化算法，并基于交叉熵损失函数计算前述五个分类类别的损失函数：
此处，损失函数Lce的计算公式如下：
其中，N代表输入的图像数量；M代表图像中像素点的数量；Y代表像素的分类类别，P代表像素归属类别的概率值。
需要注意的是，本发明实施例中，对于像素分类使用了独热码(one-hot code)形式的编码，例如将头部类编码为(1，0，0，0，0)，躯干类编码为(0，1，0，0，0)，尾巴类编码为(0，0，1，0，0)，四肢类编码为(0，0，0，1，0)，环境类编码为(0，0，0，0，1)。
可选地，在程序中也可以针对分类采用其他形式的编码，此处不再赘述。
如图7所示，基于第二神经网络模型，可以将小熊猫区域的图像中的像素进行分类，并通过聚类和归类算法等方法得到各个类别像素的图割结果，并建立小熊猫的躯体分割显示图。
由此可见，通过对小熊猫的躯体特征进一步地分类并获取分类的图割结果，能够使小熊猫的姿态信息变得一目了然，并且通过分类，能够消除环境要素对于小熊猫识别的干扰，大大降低了小熊猫身份识别的图像数据计算量。
实施例4
本发明实施例在实施例3基础上进一步优化，提供基于小熊猫的躯体分割结果进行姿态估计的方法。
可以理解地，由于本发明是基于小熊猫的图像进行身份识别，而图片只提供小熊猫的平面图，因此在本实施例中，将小熊猫的姿态估计分为四种类别，包括：正面、左侧、右侧和背面。通过算法计算图像中小熊猫属于这四种姿态类别中的哪一种。以下对于具体的算法进行解释和说明。
如图8所示，其示出了基于小熊猫躯体的面积估计小熊猫姿态的方法。具体地，基于小熊猫的躯体分割图可以定义小熊猫的头部面积为a，躯干面积为b，尾巴面积为c，四肢面积为d，那么由于不同姿态下头与身的比例是不同的，所以能够基于头部面积a与除头部以外的其他躯干部位面积之间的比值R估计小熊猫的姿态。
一般来说，比例R与姿势之间的对应关系如下所示：
其中，μ和θ是可根据实验得到的系数，且0<θ<μ<1。
可以理解地，若基于R值估计小熊猫为侧面姿态，可以通过小熊猫头部区域或尾部区域在图像中的位置确认小熊猫此时处于左侧姿势还是右侧姿势，例如，当小熊猫的尾部区域位于图像左侧或头部区域位于图像右侧时，则可以估计小熊猫此时为右侧姿势；反之，则为左侧姿势。
可以理解地，本发明实施例还可以基于小熊猫头部区域与其他部位区域的中心点连线，使用向量法估计小熊猫的姿势特征。如图9所示，基于小熊猫的躯体分割图，可以求解小熊猫躯干B的中心点坐标(xB，yB)以及小熊猫头部H的中心点坐标(xH，yH)，从而可以得到头部H中心点与躯干B中心点之间连线形成的向量那么由于不同姿态下该向量的长度和方向都是不同的，因此能够基于向量的模K估计小熊猫的姿势。
一般来说，向量模K的值与姿势之间的对应关系如下所示：
其中，其中μ'和θ'是可根据实验得到的系数，且0<θ'<μ'<1。
可以理解地，若基于K值估计小熊猫为侧面姿态，需要进一步确定是左侧还是右侧；如果xH-xB<0，那么预测为左侧面；如果xH-xB>0，那么预测为右侧面。
可以理解地，在本发明实施例中是基于小熊猫躯体的区域视觉特征对小熊猫的身份信息进行识别，具体地，是预先建立小熊猫各个躯体部位的特征样本库，将要识别身份的小熊猫其各个部位的躯体特征与数据库中的样本值进行比对，最终确定小熊猫的身份信息。
优选地，在本发明实施例中，使用累加法(Local Binary Pattern，LBP)、方向梯度直方图(Histogram of Oriented Gradient，HOG)、主成分分析法(Principal ComponentAnalysis，PCA)或卷积神经网络法等方法提取小熊猫图像的视觉特征。
进一步地，既可以采用上述方法中任意一种方式提取小熊猫的所有躯体部位的视觉特征，也可以采用上述方法中的多种方式分别提取小熊猫不同躯体部位的视觉特征。
可以理解地，本发明实施例中，优选使用欧氏距离公式和余弦距离公式计算所述姿态特征和视觉特征的测量值与样本库中样本值之间的相似度，再基于相似度最高的样本值确定小熊猫的个体身份信息。
具体地，采用欧式距离公式计算相似度，公式如下：
具体地，采用余弦距离公式计算相似度，公式如下：
在上述公式(6)和公式(7)中，i＝1，2，...，n为特征样本库中的第i个样本，n为样本总数；小熊猫不同部位的提取特征为fj，其中，j＝1，2，3，4，分别与小熊猫的头部、躯干、尾部和四肢对应；为样本库中第i个样本的j部位特征；sij表示相似度，其取值范围为1≥sij≥0。
如图10所示，其示出了基于相似度识别小熊猫身份信息的示意图。可以理解地，由于小熊猫的图像包含多个躯体特征，因此是由多因素的比对结果获取待确认小熊猫的身份信息。此处，对于样本的比对相似度Si，计算公式如下：
Si＝αSi1+βSi2+γSi3+δSi4，i＝1，2，...，n……………………(8)
其中，si1、si2、si3和si4可以根据前述内容中的公式(6)和公式(7)得出；Si表示输入图像中的小熊猫与样本库中第i个样本之间的相似度，可知Si∈[0，1]；α、β、γ和δ是分别与小熊猫头部、躯干、尾部和四肢相关的权重值，且α+β+γ+δ＝1；此处，α、β、γ和δ在计算中的实际取值可以经实验得知；其目的在于，可以根据小熊猫的估计姿态在计算中进行调整；例如，当确定小熊猫的估计姿态为正面时，可知面部信息对于身份识别相对其他部位更加有利，此时α的值可以调整为远大于参数β、γ、δ，这样能获取更加准确的比对结果。
可以理解地，基于公式(8)求解集合函数y＝argmax([S1，S2，...，Sn])，可以将Si最大时的样本信息作为待确认小熊猫的身份信息，理论上当Si＝1时说明待确认小熊猫的图像特征与样本库中的第i个样本完全相同，反之当Si＝0时则说明样本库中没有与待确认小熊猫相似的任何信息。然而在实际计算中，由于图像失真等影响，待确认的小熊猫信息与样本信息无法达到完全一致，因此，此处对于Si设定一个确认小熊猫身份信息的阈值ε，当max([S1，S2，...，Sn])＞ε时判定为具有可确认身份的样本信息，经实验得知，阈值ε的优选取值范围为0.35≤ε≤0.65。
进一步地，若对于待确认的小熊猫其所有的Si都无法满足达到阈值ε，则说明待确认的小熊猫并不处于样本库中，可以通过人工方式确认身份并更新样本库，此处不再赘述。
由此可见，在本发明实施例中，是基于输入的原始图像中，是基于小熊猫的姿态特征和各个部位的视觉特征计算与样本数据的相似度获取小熊猫的身份信息，并且对于不同的部位进行了加权，明显地，与单纯通过视觉特征进行比对的方案相比，这种方案能够增加比对的准确性，也就能获取更精确的小熊猫身份信息。经实验，以基于LBP提取特征的方法为例，相对于直接对全图特征进行识别，本新型的方法在识别率上具有20％以上的提升。
实施例6
参照图11所示，本发明实施例6提供的一种小熊猫个体识别设备的具体硬件结构，该个体识别设备11可以包括：存储器112和处理器113；各个组件通过通讯总线111耦合在一起。可理解，通讯总线111用于实现这些组件之间的连接通信。通讯总线111除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图11中将各种总线都标为通讯总线111。
存储器112，用于存储能够在处理器113上运行的定位方法程序；
处理器113，用于在运行定位方法程序时，执行以下步骤：
输入原始图像，提取原始图像中小熊猫的图像区域；
对小熊猫的图像区域进行躯体特征分割，得到用于表征小熊猫各个躯体部位的分割结果；
基于小熊猫各个躯体部位的分割结果获取小熊猫的姿态特征；
基于小熊猫各个躯体部位的分割结果获取小熊猫的视觉特征；
基于姿态特征和视觉特征在已知数据的样本库中进行比对，基于比对结果确认小熊猫的个体身份信息。
进一步地，输入原始图像，提取原始图像中小熊猫的图像区域，具体包括：
建立获取小熊猫图像的第一神经网络模型；
基于损失函数的计算设定第一神经网络模型中用于检测小熊猫图像的向量标签，并基于已知数据训练第一神经网络模型；
将原始图像划分为i个相同的图像区域，其中，i≥4；
基于第一神经网络模型计算每一图像区域为小熊猫图像的概率Pi；其中，Pi的取值范围为0≤Pi≤1；
提取Pi大于预设阈值t的图像区域为目标区域，对目标区域作非极大值抑制处理，得到小熊猫的图像区域；其中，阈值t的取值范围为0.5≤t≤1。
进一步地，基于损失函数的计算设定所述第一神经网络模型中用于检测小熊猫图像的向量标签，并基于已知数据训练所述第一神经网络模型，具体包括：
向量标签为Di＝(Xi，Yi，Wi，Hi，Pi)；其中，Di用于表征输入图像中的第i个图像区域，Xi和Yi用于表征Di图像区域与小熊猫图像中心坐标的相对X轴坐标位置和Y轴坐标位置，Wi和Hi用于表征Di图像区域中小熊猫图像的宽值和高值，Pi用于表征Di图像区域为小熊猫图像的概率；
基于Xi，Yi，Wi和Hi的损失函数获取第一误差Lloc，基于Pi的损失函数获取第二误差Llcs；
基于第一误差Lloc和第二误差Llcs训练第一神经网络模型。
进一步地，对小熊猫的图像区域进行躯体特征分割，得到用于表征小熊猫各个躯体部位的分割结果，具体包括：
建立获取小熊猫躯体分类的第二神经网络模型；
设定对小熊猫躯体部位分类的分类标签，基于已知数据训练所述第二神经网络模型；
基于所述第二神经网络模型对所述小熊猫的图像区域进行分割，得到用于表征小熊猫各个躯体部位的分割结果。
进一步地，基于小熊猫各个躯体部位的分割结果获取小熊猫的姿态特征，具体包括：
小熊猫的躯体部位的分类标签包括：头部、躯干、尾巴和四肢；
基于头部面积与除头部以外的其他部位面积之间的比值获取小熊猫的姿态特征；
或，基于头部中心点与躯干中心点连线的向量值获取小熊猫的姿态特征。
进一步地，基于小熊猫各个躯体部位的分割结果获取小熊猫的视觉特征，具体包括：
采用LBP算法提取小熊猫各个躯体部位的视觉特征。
进一步地，基于姿态特征和视觉特征在已知数据的样本库中进行比对，基于比对结果确认小熊猫的个体身份信息，具体包括：
使用欧氏距离公式和余弦距离公式计算所述姿态特征和视觉特征的测量值与样本库中样本值之间的相似度，基于相似度最高的样本值确定小熊猫的个体身份信息。
进一步地，基于姿态特征和视觉特征在已知数据的样本库中进行比对，基于比对结果确认小熊猫的个体身份信息，还包括：
当相似度的最大值小于阈值ε时，判定姿态特征和视觉特征的测量值为新个体数据；其中，阈值ε的取值范围为0.35≤ε≤0.65。
可以理解，本发明实施例中的存储器112可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM，DRRAM)。本文描述的系统和方法的存储器112旨在包括但不限于这些和任意其它适合类型的存储器。
而处理器113可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器113中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器113可以是通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器112，处理器113读取存储器112中的信息，结合其硬件完成上述方法的步骤。
基于前述实施例，本发明实施例提供一种计算机可读介质，该计算机可读介质存储有小熊猫个体识别程序，小熊猫个体识别程序被至少一个处理器执行时实现上述任一实施例中定位方法的步骤。
可以理解地，以上实施例中的方法步骤，可以存储在计算机可读取存储介质中，基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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一个存储介质中，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)或processor(处理器)执行本发明实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
可以理解的是，本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现，处理单元可以实现在一个或多个专用集成电路(ApplicationSpecific Integrated Circuits，ASIC)、数字信号处理器(Digital Signal Processing，DSP)、数字信号处理设备(DSP Device，DSPD)、可编程逻辑设备(Programmable LogicDevice，PLD)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请功能的其它电子单元或其组合中。
对于软件实现，可通过执行本文功能的模块(例如过程、函数等)来实现本文的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
具体来说，用户终端中的处理器113还配置为运行计算机程序时，执行前述实施例中的方法步骤，这里不再进行赘述。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
需要说明的是：本发明实施例所记载的技术方案之间，在不冲突的情况下，可以任意组合。
以上实施例，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种小熊猫个体识别方法，其特征在于，包括以下步骤：
输入原始图像，提取原始图像中小熊猫的图像区域；
对小熊猫的图像区域进行躯体特征分割，得到用于表征小熊猫各个躯体部位的分割结果；
基于小熊猫各个躯体部位的分割结果获取小熊猫的姿态特征；
基于小熊猫各个躯体部位的分割结果获取小熊猫的视觉特征；
基于姿态特征和视觉特征在已知数据的样本库中进行比对，基于比对结果确认小熊猫的个体身份信息。
2.根据权利要求1所述的小熊猫个体识别方法，其特征在于，所述输入原始图像，提取原始图像中小熊猫的图像区域，具体包括：
建立获取小熊猫图像的第一神经网络模型；
基于损失函数的计算设定所述第一神经网络模型中用于检测小熊猫图像的向量标签，并基于已知数据训练所述第一神经网络模型；
将所述原始图像划分为i个相同的图像区域，其中，i≥4；
基于所述第一神经网络模型计算每一图像区域为小熊猫图像的概率Pi；其中，所述Pi的取值范围为0≤Pi≤1；
提取所述Pi大于预设阈值t的图像区域为目标区域，对所述目标区域作非极大值抑制处理，得到小熊猫的图像区域；其中，所述阈值t的取值范围为0.5≤t≤1。
3.根据权利要求2所述的小熊猫个体识别方法，其特征在于，所述基于损失函数的计算设定所述第一神经网络模型中用于检测小熊猫图像的向量标签，并基于已知数据训练所述第一神经网络模型，具体包括：
所述向量标签为Di＝(Xi，Yi，Wi，Hi，Pi)；其中，Di用于表征输入图像中的第i个图像区域，Xi和Yi用于表征Di图像区域与小熊猫图像中心坐标的相对X轴坐标位置和Y轴坐标位置，Wi和Hi用于表征Di图像区域中小熊猫图像的宽值和高值，Pi用于表征Di图像区域为小熊猫图像的概率；
基于所述Xi，Yi，Wi和Hi的损失函数获取第一误差Lloc，基于所述Pi的损失函数获取第二误差Llcs；
基于所述第一误差Lloc和所述第二误差Llcs训练所述第一神经网络模型。
4.根据权利要求1所述的小熊猫个体识别方法，其特征在于，所述对小熊猫的图像区域进行躯体特征分割，得到用于表征小熊猫各个躯体部位的分割结果，具体包括：
建立获取小熊猫躯体分类的第二神经网络模型；
设定对小熊猫躯体部位分类的分类标签，基于已知数据训练所述第二神经网络模型；
基于所述第二神经网络模型对所述小熊猫的图像区域进行分割，得到用于表征小熊猫各个躯体部位的分割结果。
5.根据权利要求1所述的小熊猫个体识别方法，其特征在于，所述基于小熊猫各个躯体部位的分割结果获取小熊猫的姿态特征，具体包括：
所述小熊猫的躯体部位的分类标签包括：头部、躯干、尾巴和四肢；
基于所述头部面积与除头部以外的其他部位面积之间的比值获取小熊猫的姿态特征；
或，基于所述头部中心点与所述躯干中心点连线的向量值获取小熊猫的姿态特征。
6.根据权利要求1所述的小熊猫个体识别方法，其特征在于，所述基于小熊猫各个躯体部位的分割结果获取小熊猫的视觉特征，具体包括：
采用LBP算法提取小熊猫各个躯体部位的视觉特征。
7.根据权利要求1所述的小熊猫个体识别方法，其特征在于，所述基于姿态特征和视觉特征在已知数据的样本库中进行比对，基于比对结果确认小熊猫的个体身份信息，具体包括：
使用欧氏距离公式和余弦距离公式计算所述姿态特征和视觉特征的测量值与样本库中样本值之间的相似度，基于相似度最高的样本值确定小熊猫的个体身份信息。
8.根据权利要求7所述的小熊猫个体识别方法，其特征在于，所述基于姿态特征和视觉特征在已知数据的样本库中进行比对，基于比对结果确认小熊猫的个体身份信息，还包括：
当所述相似度的最大值小于阈值ε时，判定所述姿态特征和视觉特征的测量值为新个体数据；其中，所述阈值ε的取值范围为0.35≤ε≤0.65。
9.一种小熊猫个体识别设备，其特征在于，包括：
处理器、存储器和通信总线；
其中，所述通信总线，用于实现所述处理器和所述存储器之间的通信连接；
所述存储器，用于存储能够在所述处理器上运行的小熊猫个体识别程序；
所述处理器，用于：
输入原始图像，提取原始图像中小熊猫的图像区域；
对小熊猫的图像区域进行躯体特征分割，得到用于表征小熊猫各个躯体部位的分割结果；
基于小熊猫各个躯体部位的分割结果获取小熊猫的姿态特征；
基于小熊猫各个躯体部位的分割结果获取小熊猫的视觉特征；
基于姿态特征和视觉特征在已知数据的样本库中进行比对，基于比对结果确认小熊猫的个体身份信息。
10.一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存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现权利要求1至8中任一项所述小熊猫个体识别方法的步骤。
CN201910333076.9A 2019-04-24 2019-04-24 一种小熊猫个体识别方法、设备及计算机可读存储介质 Active CN110083723B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910333076.9A CN110083723B (zh) 2019-04-24 2019-04-24 一种小熊猫个体识别方法、设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910333076.9A CN110083723B (zh) 2019-04-24 2019-04-24 一种小熊猫个体识别方法、设备及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN110083723A true CN110083723A (zh) 2019-08-02
CN110083723B CN110083723B (zh) 2021-07-13

Family

ID=67416427

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910333076.9A Active CN110083723B (zh) 2019-04-24 2019-04-24 一种小熊猫个体识别方法、设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN110083723B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110533017A (zh) * 2019-09-04 2019-12-03 程烨 鉴伪方法、装置、终端及存储介质
CN110647833A (zh) * 2019-09-18 2020-01-03 上海合合信息科技发展有限公司 一种垃圾分类判断装置及其方法
CN110705512A (zh) * 2019-10-16 2020-01-17 支付宝(杭州)信息技术有限公司 豢养物身份特征检测方法以及装置
CN110781866A (zh) * 2019-11-08 2020-02-11 成都大熊猫繁育研究基地 基于深度学习的大熊猫脸部图像性别识别方法及装置
CN110837818A (zh) * 2019-11-18 2020-02-25 汕头大学 一种基于卷积神经网路的中华白海豚背鳍识别方法
CN111144378A (zh) * 2019-12-30 2020-05-12 众安在线财产保险股份有限公司 一种目标对象的识别方法及装置
CN111666897A (zh) * 2020-06-08 2020-09-15 鲁东大学 基于卷积神经网络的斑石鲷个体识别方法
CN112016527B (zh) * 2020-10-19 2022-02-01 成都大熊猫繁育研究基地 基于深度学习的大熊猫行为识别方法、系统、终端及介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016087622A1 (en) * 2014-12-05 2016-06-09 Termisk Systemteknik I Sverige Ab Method and system for identifying an individual with increased body temperature
CN106529455A (zh) * 2016-11-04 2017-03-22 哈尔滨工业大学 一种基于SoC FPGA的快速人体姿态识别方法
CN106778902A (zh) * 2017-01-03 2017-05-31 河北工业大学 基于深度卷积神经网络的奶牛个体识别方法
CN107315984A (zh) * 2016-04-26 2017-11-03 杭州华为企业通信技术有限公司 一种行人检索的方法及装置
US20170330056A1 (en) * 2016-05-13 2017-11-16 Linkedin Corporation Cold start machine learning algorithm
CN108427871A (zh) * 2018-01-30 2018-08-21 深圳奥比中光科技有限公司 3d人脸快速身份认证方法与装置
CN108960093A (zh) * 2018-06-21 2018-12-07 阿里体育有限公司 脸部转动角度的识别方法及设备
CN109101866A (zh) * 2018-06-05 2018-12-28 中国科学院自动化研究所 基于分割剪影的行人再识别方法及系统
CN109389076A (zh) * 2018-09-29 2019-02-26 深圳市商汤科技有限公司 图像分割方法及装置
CN109547476A (zh) * 2018-12-26 2019-03-29 浙江大学常州工业技术研究院 一种自发电户外移动身份识别系统
CN109558810A (zh) * 2018-11-12 2019-04-02 北京工业大学 基于部位分割与融合目标人物识别方法
CN109657631A (zh) * 2018-12-25 2019-04-19 上海智臻智能网络科技股份有限公司 人体姿态识别方法及装置

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016087622A1 (en) * 2014-12-05 2016-06-09 Termisk Systemteknik I Sverige Ab Method and system for identifying an individual with increased body temperature
CN107315984A (zh) * 2016-04-26 2017-11-03 杭州华为企业通信技术有限公司 一种行人检索的方法及装置
US20170330056A1 (en) * 2016-05-13 2017-11-16 Linkedin Corporation Cold start machine learning algorithm
CN106529455A (zh) * 2016-11-04 2017-03-22 哈尔滨工业大学 一种基于SoC FPGA的快速人体姿态识别方法
CN106778902A (zh) * 2017-01-03 2017-05-31 河北工业大学 基于深度卷积神经网络的奶牛个体识别方法
CN108427871A (zh) * 2018-01-30 2018-08-21 深圳奥比中光科技有限公司 3d人脸快速身份认证方法与装置
CN109101866A (zh) * 2018-06-05 2018-12-28 中国科学院自动化研究所 基于分割剪影的行人再识别方法及系统
CN108960093A (zh) * 2018-06-21 2018-12-07 阿里体育有限公司 脸部转动角度的识别方法及设备
CN109389076A (zh) * 2018-09-29 2019-02-26 深圳市商汤科技有限公司 图像分割方法及装置
CN109558810A (zh) * 2018-11-12 2019-04-02 北京工业大学 基于部位分割与融合目标人物识别方法
CN109657631A (zh) * 2018-12-25 2019-04-19 上海智臻智能网络科技股份有限公司 人体姿态识别方法及装置
CN109547476A (zh) * 2018-12-26 2019-03-29 浙江大学常州工业技术研究院 一种自发电户外移动身份识别系统

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110533017A (zh) * 2019-09-04 2019-12-03 程烨 鉴伪方法、装置、终端及存储介质
CN110647833A (zh) * 2019-09-18 2020-01-03 上海合合信息科技发展有限公司 一种垃圾分类判断装置及其方法
CN110705512A (zh) * 2019-10-16 2020-01-17 支付宝(杭州)信息技术有限公司 豢养物身份特征检测方法以及装置
CN110781866A (zh) * 2019-11-08 2020-02-11 成都大熊猫繁育研究基地 基于深度学习的大熊猫脸部图像性别识别方法及装置
CN110837818A (zh) * 2019-11-18 2020-02-25 汕头大学 一种基于卷积神经网路的中华白海豚背鳍识别方法
CN111144378A (zh) * 2019-12-30 2020-05-12 众安在线财产保险股份有限公司 一种目标对象的识别方法及装置
CN111144378B (zh) * 2019-12-30 2023-10-31 众安在线财产保险股份有限公司 一种目标对象的识别方法及装置
CN111666897A (zh) * 2020-06-08 2020-09-15 鲁东大学 基于卷积神经网络的斑石鲷个体识别方法
CN112016527B (zh) * 2020-10-19 2022-02-01 成都大熊猫繁育研究基地 基于深度学习的大熊猫行为识别方法、系统、终端及介质

Also Published As

Publication number Publication date
CN110083723B (zh) 2021-07-13

Similar Documents

Publication Publication Date Title
CN110083723A (zh) 一种小熊猫个体识别方法、设备及计算机可读存储介质
CN112734775B (zh) 图像标注、图像语义分割、模型训练方法及装置
CN109492643A (zh) 基于ocr的证件识别方法、装置、计算机设备及存储介质
CN105981008B (zh) 学习深度人脸表示
CN107229932B (zh) 一种图像文本的识别方法和装置
CN104616316B (zh) 基于阈值矩阵和特征融合视觉单词的人物行为识别方法
CN103136533A (zh) 基于动态阈值的人脸识别方法及装置
CN110909618B (zh) 一种宠物身份的识别方法及装置
CN104933420B (zh) 一种场景图像识别方法和场景图像识别设备
CN109615014A (zh) 一种基于kl散度优化的数据分类系统与方法
CN109801260A (zh) 牲畜个数的识别方法及装置
CN110334709A (zh) 基于端到端多任务深度学习的车牌检测方法
CN112101333A (zh) 一种基于深度学习的智慧牛场的监控与识别方法及装置
CN108764361A (zh) 基于集成学习的游梁式抽油机示功图的工况识别方法
US20230215125A1 (en) Data identification method and apparatus
CN112669323A (zh) 图像处理方法及相关设备
CN110399760A (zh) 一种批量二维码定位方法、装置、电子设备及存储介质
CN111652117A (zh) 一种对多文档图像分割的方法及介质
CN110532938A (zh) 基于Faster-RCNN的纸质作业页码识别方法
CN113158084B (zh) 移动轨迹数据处理的方法、装置、计算机设备及存储介质
CN110705535A (zh) 一种试卷版面文字行自动检测的方法
EP4174769A1 (en) Method and apparatus for marking object outline in target image, and storage medium and electronic apparatus
CN112232294B (zh) 一种超参数优化、目标识别模型训练、目标识别方法及装置
CN116416626B (zh) 圆形印章数据的获取方法、装置、设备及存储介质
CN113780145A (zh) 精子形态检测方法、装置、计算机设备和存储介质

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
GR01 Patent grant
GR01 Patent grant