CN110610125A - 基于神经网络的牛脸识别方法、装置、设备及存储介质 - Google Patents

Abstract

本申请实施例公开了一种基于神经网络的牛脸识别方法、装置、设备及介质，涉及人工智能图像识别技术领域。该方法包括：接收输入的数据源，解析数据源以获取其中包含牛脸图像的待识别图片；将所述待识别图片输入到预先训练的神经网络模型，执行关于牛脸的特征提取，生成图像特征；读取特征数据库，将所述图像特征与特征数据库中的牛脸图片特征进行比对；根据比对的结果输出相似度最高的牛脸图片作为识别结果。本申请支持单幅图片、多幅图片以及直接利用视频进行牛脸识别，兼容性强、使用灵活，无需对神经网络的特征提取进行大规模的牛脸数据训练，减低了对牛脸数据的依赖，能够有效地快速识别和追踪不同的牛，有效减低骗保和欺诈的可能性。

Description

基于神经网络的牛脸识别方法、装置、设备及存储介质

技术领域

本申请实施例涉及人工智能图像识别技术领域，特别是一种基于神经网络的牛脸识别方法、装置、设备及存储介质。

背景技术

随着规模化养殖的逐渐普及，和科技的进步、社会的发展，大型农场对家畜保险的情况越来越普及，而对农业保险的需求也越来越大。当农场中参保的牛的数量逐渐增加时，依靠传统的人工处理保单效果低下，会严重影响保单的处理效率，而且随着农业保险的推行，会给保险公司带来保险欺诈的风险。

这时需要利用到牛脸识别技术进行牛个体身份的判别，相比传统手工方式获取图像特征，牛脸识别时利用深度学习的方法能够提取图像中具有高判别性的深层特征，同时避免传统手工方式获取图像特征需要花费大量时间进行人工设计和调参的缺点。深度学习在计算机领域的研究和应用已经取得了巨大的成就，但深度学习方法在牛/猪等畜牧业领域的应用较少，而基于深度学习的人脸识别算法，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，牛脸识别时若直接采集牛脸数据对神经网络进行训练，所花费的代价太高。

发明内容

本申请实施例所要解决的技术问题是，提供一种基于神经网络的牛脸识别方法、装置、设备及介质，能减小训练时对牛脸数据的依赖，并支持多种数据来源下对牛脸的有效识别。

为了解决上述技术问题，本申请实施例所述的一种基于神经网络的牛脸识别方法，采用了如下所述的技术方案：

一种基于神经网络的牛脸识别方法，包括：

接收输入的数据源，解析所述数据源以获取其中包含牛脸图像的待识别图片；

将所述待识别图片输入到预先训练的神经网络模型，执行关于牛脸的特征提取，生成图像特征；其中，所述神经网络模型依次采用人脸数据和牛脸数据进行特征提取的训练；

读取特征数据库，将所述图像特征与特征数据库中的牛脸图片特征进行比对；

根据比对的结果输出相似度最高的牛脸图片作为识别结果。

本申请实施例所述的基于神经网络的牛脸识别方法，支持单幅图片、多幅图片以及直接利用视频进行牛脸识别，兼容性强、使用灵活，无需对神经网络的特征提取进行大规模的牛脸数据训练，减低了对牛脸数据的依赖，能够有效地快速识别和追踪不同的牛，从而可以对相似牛进行有效区分，降低保单的处理成本并提升处理效率，有效减低骗保和欺诈的可能性，支持在复杂情况下稳定工作从而实现投保、索赔的自动化，使大规模自动化处理农险理赔工作成为可能。

进一步的，所述的基于神经网络的牛脸识别方法，所述解析所述数据源以获取其中包含牛脸图像的待识别图片的步骤包括：

识别所述数据源中数据的格式；

若数据的格式为视频格式，则采集所述数据源中的每一帧图片或以设置的采样间隔从所述数据源中采集图片，以获取包含牛脸图像的待识别图片的图片集。

进一步的，所述的基于神经网络的牛脸识别方法，所述将所述待识别图片输入到预先训练的神经网络模型，执行关于牛脸的特征提取，生成图像特征的步骤包括：

通过神经网络模型对所述图片集执行关于牛脸的特征提取，生成m个次级特征；

将所述m个次级特征聚合生成n个中心特征，以所述n个中心特征作为所述图像特征，其中m>n。

进一步的，所述的基于神经网络的牛脸识别方法，所述将所述m个次级特征聚合生成n个中心特征作为所述图像特征的步骤包括：

对所述m个次级特征执行max pooling的汇集操作，通过对每m/n个次级特征保留各维度下的最大维度值，生成n个中心特征；

或对所述m个次级特征执行sum pooling的汇集操作，通过对每m/n个次级特征的各维度下的维度值分别求和，生成n个中心特征；

或对所述m个次级特征执行average pooling的汇集操作，通过计算每m/n个次级特征的各维度下维度值的平均值，生成n个中心特征。

通过特征提取后在多层次下进行汇集，可以有效提高该识别方法的鲁棒性，即可在复杂情况下稳定识别，使对牛脸的识别率高且稳定。

进一步的，所述的基于神经网络的牛脸识别方法，在所述读取特征数据库的步骤之前，所述方法还包括步骤：

监控特征数据库中牛脸数据的时间状态；

每当一头牛的牛脸数据在所述特征数据库中已录入的时间大于预设的成长时间时，重新采集该头牛的牛脸数据后录入所述特征数据库替换该头牛的牛脸数据。

防止牛在生长的过程中因正常生长或疾病等异常原因导致脸部发生过大变化，通过定期对特征数据库中牛的牛脸数据进行更新，以保持所述特征数据库中牛脸数据的准确性。

进一步的，所述的基于神经网络的牛脸识别方法，所述待识别图片的数量为I，由I张待识别图片生成的图像特征的组数为I，若I的值大于1，所述读取特征数据库，将所述图像特征与特征数据库中的牛脸图片特征进行比对；根据比对的结果输出相似度最高的牛脸图片作为识别结果的步骤包括：

为生成的I组图像特征中的每组图像特征分别与所述特征数据库中记录的牛脸图片特征进行比对；

根据比对的结果生成I张牛脸图片作为I组所述图像特征的第一识别结果；

识别所述第一识别结果中每张牛脸图片出现的次数，为所述I张牛脸图片进行相同图片的，以其中得票数最高的牛脸图片作为第二识别结果进行输出。

增加输出的识别结果的准确性。

进一步的，所述的基于神经网络的牛脸识别方法，在所述识别所述第一识别结果中每张牛脸图片出现的次数，为所述I张牛脸图片进行相同图片的投票，以其中得票数最高的牛脸图片作为第二识别结果进行输出的步骤之后，所述基于神经网络的牛脸识别方法还包括步骤：

判断所述第二识别结果中得票数最高的牛脸图片的数量是否大于一张；

若是，则将所述第二识别结果作为中间结果，发送到目标用户端进行确认；

获取目标用户端反馈的确认结果作为最终的识别结果进行输出。

为了解决上述技术问题，本申请实施例还提供一种基于神经网络的牛脸识别装置，采用了如下所述的技术方案：

一种基于神经网络的牛脸识别装置，包括：

解析模块，用于接收输入的数据源，解析所述数据源以获取其中包含牛脸图像的待识别图片；

特征提取模块，用于将所述待识别图片输入到预先训练的神经网络模型，执行关于牛脸的特征提取，生成图像特征；其中，所述神经网络模型依次采用人脸数据和牛脸数据进行特征提取的训练；

特征比对模块，用于读取特征数据库，将所述图像特征与特征数据库中的牛脸图片特征进行比对；

结果输出模块，用于根据比对的结果输出相似度最高的牛脸图片作为识别结果。

本申请实施例所述的基于神经网络的牛脸识别装置，支持单幅图片、多幅图片以及直接利用视频进行牛脸识别，兼容性强、使用灵活，无需对神经网络的特征提取进行大规模的牛脸数据训练，减低了对牛脸数据的依赖，能够有效地快速识别和追踪不同的牛，从而可以对相似牛进行有效区分，降低保单的处理成本并提升处理效率，有效减低骗保和欺诈的可能性，支持在复杂情况下稳定工作从而实现投保、索赔的自动化，使大规模自动化处理农险理赔工作成为可能。

为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：

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，所述处理器执行所述计算机程序时实现如上述任意一项技术方案所述的基于神经网络的牛脸识别方法的步骤。

为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：

一种计算机可读存储介质，所述计算机可读存储介质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如上述任意一项技术方案所述的基于神经网络的牛脸识别方法的步骤。

与现有技术相比，本申请实施例主要有以下有益效果：

本申请实施例公开了一种基于神经网络的牛脸识别方法、装置、设备及介质，本申请实施例所述的基于神经网络的牛脸识别方法，接收输入的数据源，解析数据源以获取其中包含牛脸图像的待识别图片后；将所述待识别图片输入到预先训练的神经网络模型，执行关于牛脸的特征提取，生成图像特征；再读取特征数据库，将所述图像特征与特征数据库中的牛脸图片特征进行比对；最终根据比对的结果输出相似度最高的牛脸图片作为识别结果。所述方法支持单幅图片、多幅图片以及直接利用视频进行牛脸识别，兼容性强、使用灵活，无需对神经网络的特征提取进行大规模的牛脸数据训练，减低了对牛脸数据的依赖，能够有效地快速识别和追踪不同的牛，有效减低骗保和欺诈的可能性。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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为本申请实施例可以应用于其中的示例性系统架构图；

图2为本申请实施例中所述基于神经网络的牛脸识别方法的一个实施例的流程图；

图3为本申请实施例中所述基于神经网络的牛脸识别装置的一个实施例的结构示意图；

图4为本申请实施例中计算机设备的一个实施例的结构示意图。

具体实施方式

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“包括”、“包含”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。在本申请的权利要求书、说明书以及说明书附图中的术语，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体/操作/对象与另一个实体/操作/对象区分开来，而不一定要求或者暗示这些实体/操作/对象之间存在任何这种实际的关系或者顺序。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

为了使本技术领域的人员更好地理解本申请的方案，下面将结合本申请实施例中的相关附图，对本申请实施例中的技术方案进行清楚、完整地描述。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。

需要说明的是，本申请实施例所提供的基于神经网络的牛脸识别方法一般由服务器/终端设备执行，相应地，基于神经网络的牛脸识别装置一般设置于服务器/终端设备中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了本申请实施例中所述基于神经网络的牛脸识别方法的一个实施例的流程图。所述基于神经网络的牛脸识别方法，包括以下步骤：

步骤201：接收输入的数据源，解析所述数据源以获取其中包含牛脸图像的待识别图片。

本申请实施例中所述基于神经网络的牛脸识别方法一个完整步骤的实施是针对一头待识别的牛进行的牛脸识别，其中接收的输入数据源的形式包括图片或视频等格式的数据。所述图片或视频等格式的数据中包括对待识别的牛的脸部所拍的照片或视频，而为了防止其中未包含牛脸图像的无用数据的干扰，我们首先需要进一步解析所述数据源，排除其中的无用数据，从中获取到包含了牛脸图像的图片以供识别。排除无用数据时，可以通过人工筛选的方式，将未包含牛脸或未包含完整的牛脸图像的图片从数据源中剔除。

在本申请的一些实施例的步骤201中，所述解析所述数据源以获取其中包含牛脸图像的待识别图片的步骤包括：识别所述数据源中数据的格式；若数据的格式为视频格式，则采集所述数据源中的每一帧图片或以设置的采样间隔从所述数据源中采集图片，以获取包含牛脸图像的待识别图片的图片集。

对待识别的牛的脸部所拍的视频，一般包含了牛脸的若干个角度下的图像信息。若视频的长度较短，我们可以以视频帧的方式对视频中包含的所有图片进行采集，形成包含牛脸图像的图片集；若视频的长度较长，我们则可以预先或在采集前设置采样间隔后，再基于所述采样间隔从所述视频中间隔地采集图片，形成包含牛脸图像的图片集。

在本申请实施例中，所述基于神经网络的牛脸识别方法运行于其上的电子设备(例如图1所示的服务器/终端设备)可以通过有线连接方式或者无线连接方式接收输入的数据源的请求。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。

步骤202：将所述待识别图片输入到预先训练的神经网络模型，执行关于牛脸的特征提取，生成图像特征；其中，所述神经网络模型依次采用人脸数据和牛脸数据进行特征提取的训练。

在本申请实施例中，所述神经网络模型可以为Deepface、Deepid、FaceIet等人脸识别网络模型，上述神经网络模型均具有特征提取的功能，可以对牛脸图像进行特征提取。

而所述神经网络模型均需要通过训练进行深度学习，本提案中所应用的神经网络模型在训练阶段，可以仅需要对特征提取的功能进行训练。而在进行特征提取的训练时，由于牛脸数据采集成本极高，我们首先利用其他数据进行训练，如利用超大规模的人脸数据进行训练，再利用牛脸数据进行特征提取的训练，以完成对神经网络模型的特征提取功能的校准。使用人脸数据和牛脸数据依次训练后的神经网络模型实现对牛脸图像的特征提取，可以极大地减少对牛脸数据的需求，减少训练成本。

在本申请的一些实施例中，所述步骤202包括：通过神经网络模型对所述图片集执行关于牛脸的特征提取，生成m个次级特征；将所述m个次级特征聚合生成n个中心特征，以所述n个中心特征作为所述图像特征，其中m>n。

在一段视频中，不论是人为的改变拍摄角度和拍摄姿势，还是牛头在拍摄过程中不停的扭动，最终都会造成视频中包含牛脸的不同姿态，对于同一个姿态(角度是姿态中最为重要的一个变量)他们的特征是十分相似的，它们应当被归并在一起进行识别。

进一步理解，由于视频一般包含了牛脸在各个角度下的视觉信息，因此对从视频中获取的图片集应用神经网络进行特征提取时，视频中每一个或每一段视频帧都可以获得一部分特征，总共可以获得m个特征，即首先得到的是m个表示视频中层级较低的各个角度下的次级特征。因其数量过多或大多比较相似不适合直接进行比对操作，我们预先定义期望在n个中心特征下进行牛脸识别时的特征比对，这n个中心特征表示在n个主要角度下牛脸的姿态。因此通过将m个层次较低的次级特征聚合形成n个表示更高层次的中心特征，与此对应，预先在特征数据库中记录的特征也只需记录n个相应的中心特征。在一般的实施场景中，m个次级特征在牛脸上的分布较均匀，可认为n个中心特征每个都由m/n个次级特征聚合形成。

在本申请一些实施例的具体实施方式中，所述将所述m个次级特征聚合生成n个中心特征作为所述图像特征的步骤包括：对所述m个次级特征执行max pooling的汇集操作，通过对每m/n个次级特征保留各维度下的最大维度值，生成n个中心特征；

或对所述m个次级特征执行sum pooling的汇集操作，通过对每m/n个次级特征的各维度下的维度值分别求和，生成n个中心特征；

或对所述m个次级特征执行average pooling的汇集操作，通过计算每m/n个次级特征的各维度下维度值的平均值，生成n个中心特征。

通过max pooling或sum pooling或average pooling等其他pooling(汇集)方式对m个次级特征进行汇集操作，以此进行聚合形成n个表示更高层次的中心特征。通过特征提取后在多层次下进行汇集，可以有效提高该识别方法的鲁棒性，即可在复杂情况下稳定识别，使对牛脸的识别率高且稳定。

其中，max pooling的含义是对由特征提取得到的若干特征(即次级特征)在其若干个维度下，每一个维度只取该维度下的最大值作为保留值，其他维度值全部抛弃，即只保留这些特征中最强的维度值，抛弃其他较弱的维度值。sum pooling则指对若干特征，在其若干个维度下，每一个维度下的维度值进行求和后作为保留的维度值，以获取到更强的特征。average pooling则指对若干特征，在其若干个维度下，每一个维度下的维度值取平均值作为保留的维度值。

进一步理解汇集操作，每一个图像特征，不论是次级特征或是中心特征，其实质都是一个向量，且两者的维度相同。如向量x＝[7,2,5,9,10,6]，该向量的维度是6，其中第一个维度值为7，第二个维度值为2，当进行汇集操作时，是在一个一个维度下进行的，不同维度之间的计算是不相干的。而对于特征向量x＝[3,6,9],y＝[10,4,76]，进行max pooling处理后，得到的向量为[10,6,76]，同样是三个维度。

以下结合一种具体实例方式对执行汇集操作的步骤进行说明：m取2000，n为5，m个次级特征表示牛脸在各个角度下的所有牛脸特征，然后采用sum pooling对m个次级特征进行汇集操作生成n个中心特征，n个中心特征表示牛脸在0°、45°、90°、135°和180°这5个角度下的牛脸特征。所述5个角度下的牛脸特征便作为所述图像特征加入牛脸识别的后续步骤。

其中，m的值应远大于n的值，或应至少保证m>100*n。所述数据源为视频格式的数据时，视频一般图像数据量是较大的，区别于所述数据源为图片，但是为多张图片时的情景。多图片方式下我们认为图片的数量不会太大，而且用户拍摄时已经进行了姿态的区分，我们没有必要做特征的汇集，每一张图直接进行特征提取后进行加以比对识别即可。不过若图片的数量确实较大，此时同样可以采用与视频源相同的处理方式，对多图片进行特征提取后再进行特征汇集的操作。

步骤203：读取特征数据库，将所述图像特征与特征数据库中的牛脸图片特征进行比对。

特征数据库中记录了已经投保了的牛的原始牛脸数据，以及根据该原始牛脸数据解析出的关于牛脸的各个特征信息。根据上述步骤生成了所述图像特征后，由所述图像特征与在所述特征数据库中记录的牛脸图片特征进行比对，以找出与所述图像特征最接近的特征数据。其中，所述特征数据库中记录的若干个特征，均以特征向量表示的特征值的形式进行存储，比对时即根据两者的特征值计算相似度。

在本申请的一些实施例中，在所述步骤203之前，所述基于神经网络的牛脸识别方法还包括步骤：监控特征数据库中牛脸数据的时间状态；每当一头牛的牛脸数据在所述特征数据库中已录入的时间大于预设的成长时间时，重新采集该头牛的牛脸数据后录入所述特征数据库替换该头牛的牛脸数据。

为了防止牛在生长的过程中因正常生长或疾病等异常原因导致脸部发生过大变化，因此需要定期对特征数据库中牛的牛脸数据进行更新，以保持所述特征数据库中牛脸数据的准确性。

其中，所述成长时间可以根据为牛投保的保险时间来设置，也可以根据牛的成长的生理时间科学设置。

步骤204：根据比对的结果输出相似度最高的牛脸图片作为识别结果。

通过特征值的比对，即可找到与待识别的牛脸最接近的，即相似度最高的牛脸图片，而该牛脸图片便是我们所期望的识别结果。通过该识别结果判断，能够有效地识别和追踪不同的牛，从而可以对相似奶牛进行有效区分，降低保单的处理成本并提升处理效率，有效减低骗保和欺诈的可能性。

在本申请的一些实施例中，若所述待识别图片的数量不为单张，所述待识别图片的数量为I，由I张待识别图片生成的图像特征的组数为I，若I的值大于1，所述读取特征数据库，将所述图像特征与特征数据库中的牛脸图片特征进行比对；根据比对的结果输出相似度最高的牛脸图片作为识别结果的步骤包括：

步骤2021：为生成的I组图像特征中的每组图像特征分别与所述特征数据库中记录的牛脸图片特征进行比对；

步骤2022：根据比对的结果生成I张牛脸图片作为I组所述图像特征的第一识别结果；

步骤2023：识别所述第一识别结果中每张牛脸图片出现的次数，为所述I张牛脸图片进行相同图片的投票，以其中得票数最高的牛脸图片作为第二识别结果进行输出。

每一张待识别图片会对应生成一组图像特征，该组图像特征中包括了若干个由该张待识别图片提取的表示牛脸不同位置处的特征。在输入的数据源不为单张图片，即为多张包含牛脸图像的图片或牛脸视频时，由此获取的待识别图片数量较多，因此对应生成的图像特征也会增多，使得生成的图像特征大于1组，本实施例中将其数量记为I组。

对于用于特征对比的图像特征大于1组的情况，我们为每一组特征图像分别进行特征对比，以为每一组特征图像分别生成一张牛脸图片作为相似度最高的牛脸图片的识别结果，将该包含了I张牛脸图片的识别结果视为第一识别结果。然后在第一识别结果的基础上，需要进一步判断其中哪一张牛脸图片才是最为准确的识别结果，因此我们统计第一识别结果后，通过自动识别对第一识别结果中的牛脸图片进行相同图片的投票，即为每一种图片进行计数，同一种图片有n张时，这一种图片的票数即为n，然后取其中获得的票数最高的牛脸图片作为第二识别结果进行输出，所述第二识别结果即对待识别的牛脸最终的最准确的识别结果。

进一步理解投票方式，若第一识别结果中存在两张或多张牛脸图片均为同一张牛脸图片，这些牛脸图片即为相同图片。投票时，若某一张牛脸图片在第一识别结果中出现的次数为n，则该张牛脸图片的票数便记为n。

在本申请的一些实施例的一种具体实施方式中，在所述步骤2023之后所述基于神经网络的牛脸识别方法还包括：

步骤2023a：判断所述第二识别结果中得票数最高的牛脸图片的数量是否大于一张；

步骤2023b：若是，则将所述第二识别结果作为中间结果，发送到目标用户端进行确认；

步骤2023c：获取目标用户端反馈的确认结果作为最终的识别结果进行输出。

由于票数最高的牛脸图片为多张，机器暂时无法判断最准确的识别结果是哪张，因此需要将大于一张的所述票数最高的牛脸图片的识别结果先发送给用户端的查看者，既用于提示该异常的识别结果，又用于供查看者对该识别结果中的多张牛脸图片进行人工判断或作进一步处理，用户端的查看者反馈其确认结果，在所述确认结果中认定输出的应为哪一张牛脸图片后，便将该牛脸图片作为最终的识别结果输出。

本申请实施例所述的基于神经网络的牛脸识别方法，支持单幅图片、多幅图片以及直接利用视频进行牛脸识别，兼容性强、使用灵活，无需对神经网络的特征提取进行大规模的牛脸数据训练，减低了对牛脸数据的依赖，能够有效地快速识别和追踪不同的牛，从而可以对相似牛进行有效区分，降低保单的处理成本并提升处理效率，有效减低骗保和欺诈的可能性，支持在复杂情况下稳定工作从而实现投保、索赔的自动化，使大规模自动化处理农险理赔工作成为可能。

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，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。

应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

进一步参考图3，图3示出了为本申请实施例中所述基于神经网络的牛脸识别装置的一个实施例的结构示意图。作为对上述图2所示方法的实现，本申请提供了一种基于神经网络的牛脸识别装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图3所示，本实施例所述的基于神经网络的牛脸识别装置包括：

解析模块301；用于接收输入的数据源，解析所述数据源以获取其中包含牛脸图像的待识别图片。

特征提取模块302；用于将所述待识别图片输入到预先训练的神经网络模型，执行关于牛脸的特征提取，生成图像特征；其中，所述神经网络模型依次采用人脸数据和牛脸数据进行特征提取的训练。

特征比对模块303；用于读取特征数据库，将所述图像特征与特征数据库中的牛脸图片特征进行比对。

结果输出模块304；用于比对的结果输出相似度最高的牛脸图片作为识别结果。

在本申请的一些实施例中，所述解析模块301还用于识别所述数据源中数据的格式；若数据的格式为视频格式，则采集所述数据源中的每一帧图片或以设置的采样间隔从所述数据源中采集图片，以获取包含牛脸图像的待识别图片的图片集。

在本申请的一些实施例中，所述特征提取模块302还包括：特征聚合子模块。所述特征聚合子模块用于通过神经网络模型对所述图片集执行关于牛脸的特征提取，生成m个次级特征；将所述m个次级特征聚合生成n个中心特征，以所述n个中心特征作为所述图像特征，其中m>n。

在本申请的一些实施例的一种具体实施方式中，所述特征聚合子模块还用于对所述m个次级特征执行max pooling的汇集操作，通过对每m/n个次级特征保留各维度下的最大维度值，生成n个中心特征；或对所述m个次级特征执行sum pooling的汇集操作，通过对每m/n个次级特征的各维度下的维度值分别求和，生成n个中心特征；或对所述m个次级特征执行average pooling的汇集操作，通过计算每m/n个次级特征的各维度下维度值的平均值，生成n个中心特征。

在本申请的一些实施例中，所述基于神经网络的牛脸识别装置还包括：牛脸数据更新模块。所述牛脸数据更新模块用于监控特征数据库中牛脸数据的时间状态，每当一头牛的牛脸数据在所述特征数据库中已录入的时间大于预设的成长时间时，重新采集该头牛的牛脸数据后录入所述特征数据库替换该头牛的牛脸数据。

在本申请的一些实施例中，所述的一种具体实施方式中，所述待识别图片的数量为I，由I张待识别图片生成的图像特征的组数为I，若I的值大于1，所述特征比对模块303还用于为生成的I组图像特征中的每组图像特征分别与所述特征数据库中记录的牛脸图片特征进行比对；所述结果输出模块304还用于根据比对的结果生成I张牛脸图片作为I组所述图像特征的第一识别结果；识别所述第一识别结果中每张牛脸图片出现的次数，为所述I张牛脸图片进行相同图片的投票，以其中得票数最高的牛脸图片作为第二识别结果进行输出。

在本申请的实施例的一种具体实施方式中，所述结果输出模块304还包括：中间结果提示子模块。所述中间结果提示子模块用于判断所述第二识别结果中得票数最高的牛脸图片的数量是否大于一张；若是，则将所述第二识别结果作为中间结果，发送到目标用户端进行确认；然后所述结果输出模块304获取目标用户端反馈的确认结果作为最终的识别结果进行输出。

本申请实施例所述的基于神经网络的牛脸识别装置，支持单幅图片、多幅图片以及直接利用视频进行牛脸识别，兼容性强、使用灵活，无需对神经网络的特征提取进行大规模的牛脸数据训练，减低了对牛脸数据的依赖，能够有效地快速识别和追踪不同的牛，从而可以对相似牛进行有效区分，降低保单的处理成本并提升处理效率，有效减低骗保和欺诈的可能性，支持在复杂情况下稳定工作从而实现投保、索赔的自动化，使大规模自动化处理农险理赔工作成为可能。

为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。

所述计算机设备6包括通过系统总线相互通信连接存储器61、处理器62、网络接口63。需要指出的是，图中仅示出了具有组件61-63的计算机设备6，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。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。

所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。

所述存储器61至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器61可以是所述计算机设备6的内部存储单元，例如该计算机设备6的硬盘或内存。在另一些实施例中，所述存储器61也可以是所述计算机设备6的外部存储设备，例如该计算机设备6上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。当然，所述存储器61还可以既包括所述计算机设备6的内部存储单元也包括其外部存储设备。本实施例中，所述存储器61通常用于存储安装于所述计算机设备6的操作系统和各类应用软件，例如基于神经网络的牛脸识别方法的程序代码等。此外，所述存储器61还可以用于暂时地存储已经输出或者将要输出的各类数据。

所述处理器62在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器62通常用于控制所述计算机设备6的总体操作。本实施例中，所述处理器62用于运行所述存储器61中存储的程序代码或者处理数据，例如运行所述基于神经网络的牛脸识别方法的程序代码。

所述网络接口63可包括无线网络接口或有线网络接口，该网络接口63通常用于在所述计算机设备6与其他电子设备之间建立通信连接。

本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有基于神经网络的牛脸识别程序，所述基于神经网络的牛脸识别程序可被至少一个处理器执行，以使所述至少一个处理器执行如上述的基于神经网络的牛脸识别方法的步骤。

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，本申请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一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。

在本申请所提供的上述实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。

所述模块或组件可以是或者也可以不是物理上分开的，作为模块或组件显示的部件可以是或者也可以不是物理模块，既可以位于一个地方，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或组件来实现本实施例方案的目的。

本申请不限于上述实施方式，以上所述是本申请的优选实施方式，该实施例仅用于说明本申请而不用于限制本申请的范围，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，其依然可以对前述各具体实施方式所记载的技术方案进行若干改进和修饰，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理应视为包括在本申请的保护范围之内。

显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式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效替换。基于本申请中的实施例，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，以及凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种基于神经网络的牛脸识别方法，其特征在于，包括：

接收输入的数据源，解析所述数据源以获取其中包含牛脸图像的待识别图片；

将所述待识别图片输入到预先训练的神经网络模型，执行关于牛脸的特征提取，生成图像特征；其中，所述神经网络模型依次采用人脸数据和牛脸数据进行特征提取的训练；

读取特征数据库，将所述图像特征与特征数据库中的牛脸图片特征进行比对；

根据比对的结果输出相似度最高的牛脸图片作为识别结果。

2.根据权利要求1所述的基于神经网络的牛脸识别方法，其特征在于，所述解析所述数据源以获取其中包含牛脸图像的待识别图片的步骤包括：

识别所述数据源中数据的格式；

若数据的格式为视频格式，则采集所述数据源中的每一帧图片或以设置的采样间隔从所述数据源中采集图片，以获取包含牛脸图像的待识别图片的图片集。

3.根据权利要求2所述的基于神经网络的牛脸识别方法，其特征在于，所述将所述待识别图片输入到预先训练的神经网络模型，执行关于牛脸的特征提取，生成图像特征的步骤包括：

通过神经网络模型对所述图片集执行关于牛脸的特征提取，生成m个次级特征；

将所述m个次级特征聚合生成n个中心特征，以所述n个中心特征作为所述图像特征，其中m>n。

4.根据权利要求3所述的基于神经网络的牛脸识别方法，其特征在于，所述将所述m个次级特征聚合生成n个中心特征的步骤包括：

对所述m个次级特征执行max pooling的汇集操作，通过对每m/n个次级特征保留各维度下的最大维度值，生成n个中心特征；

或对所述m个次级特征执行sum pooling的汇集操作，通过对每m/n个次级特征的各维度下的维度值分别求和，生成n个中心特征；

或对所述m个次级特征执行average pooling的汇集操作，通过计算每m/n个次级特征的各维度下维度值的平均值，生成n个中心特征。

5.根据权利要求1所述的基于神经网络的牛脸识别方法，其特征在于，在所述读取特征数据库的步骤之前，所述方法还包括步骤：

监控特征数据库中牛脸数据的时间状态；

每当一头牛的牛脸数据在所述特征数据库中已录入的时间大于预设的成长时间时，重新采集该头牛的牛脸数据后录入所述特征数据库替换该头牛的牛脸数据。

6.根据权利要求1所述的基于神经网络的牛脸识别方法，其特征在于，所述待识别图片的数量为I，由I张待识别图片生成的图像特征的组数为I，若I的值大于1，所述读取特征数据库，将所述图像特征与特征数据库中的牛脸图片特征进行比对；根据比对的结果输出相似度最高的牛脸图片作为识别结果的步骤包括：

为生成的I组图像特征中的每组图像特征分别与所述特征数据库中记录的牛脸图片特征进行比对；

根据比对的结果生成I张牛脸图片作为I组所述图像特征的第一识别结果；

识别所述第一识别结果中每张牛脸图片出现的次数，为所述I张牛脸图片进行相同图片的投票，以其中得票数最高的牛脸图片作为第二识别结果进行输出。

7.根据权利要求6所述的基于神经网络的牛脸识别方法，其特征在于，在所述识别所述第一识别结果中每张牛脸图片出现的次数，为所述I张牛脸图片进行相同图片的投票，以其中得票数最高的牛脸图片作为第二识别结果进行输出的步骤之后，所述基于神经网络的牛脸识别方法还包括步骤：

判断所述第二识别结果中得票数最高的牛脸图片的数量是否大于一张；

若是，则将所述第二识别结果作为中间结果，发送到目标用户端进行确认；

获取目标用户端反馈的确认结果作为最终的识别结果进行输出。

8.一种基于神经网络的牛脸识别装置，其特征在于，包括：

解析模块，用于接收输入的数据源，解析所述数据源以获取其中包含牛脸图像的待识别图片；

特征提取模块，用于将所述待识别图片输入到预先训练的神经网络模型，执行关于牛脸的特征提取，生成图像特征；其中，所述神经网络模型依次采用人脸数据和牛脸数据进行特征提取的训练；

特征比对模块，用于读取特征数据库，将所述图像特征与特征数据库中的牛脸图片特征进行比对；

结果输出模块，用于根据比对的结果输出相似度最高的牛脸图片作为识别结果。

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，所述处理器执行所述计算机程序时实现如权利要求1-7中任意一项所述的基于神经网络的牛脸识别方法的步骤。

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如权利要求1-7中任意一项所述的基于神经网络的牛脸识别方法的步骤。