CN110728179A - 一种采用多路卷积神经网络的猪脸识别方法 - Google Patents
一种采用多路卷积神经网络的猪脸识别方法 Download PDFInfo
- Publication number
- CN110728179A CN110728179A CN201910830183.2A CN201910830183A CN110728179A CN 110728179 A CN110728179 A CN 110728179A CN 201910830183 A CN201910830183 A CN 201910830183A CN 110728179 A CN110728179 A CN 110728179A
- Authority
- CN
- China
- Prior art keywords
- network
- pig
- pig face
- data set
- training
- 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
- 235000005809 Carpobrotus aequilaterus Nutrition 0.000 title claims abstract description 77
- 235000004550 Disphyma australe Nutrition 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 20
- 241000200554 Disphyma crassifolium Species 0.000 title claims abstract description 13
- 244000187801 Carpobrotus edulis Species 0.000 claims abstract description 64
- 238000012549 training Methods 0.000 claims abstract description 49
- 238000012360 testing method Methods 0.000 claims abstract description 25
- 238000012706 support-vector machine Methods 0.000 claims abstract description 15
- 241000282887 Suidae Species 0.000 claims abstract description 9
- 238000005457 optimization Methods 0.000 claims abstract description 3
- 230000004927 fusion Effects 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 238000003672 processing method Methods 0.000 claims description 2
- 230000003938 response to stress Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 16
- 230000008569 process Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000001815 facial effect Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 244000144972 livestock Species 0.000 description 2
- 241000282472 Canis lupus familiaris Species 0.000 description 1
- 241000124008 Mammalia Species 0.000 description 1
- 241001494479 Pecora Species 0.000 description 1
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000009404 close breeding Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 244000144977 poultry Species 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
Images
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
- G06F18/24—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
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Abstract
本发明涉及一种采用多路卷积神经网络的猪脸识别方法，其技术特点是：采集猪脸数据图像并构建用于多路卷积网络训练的猪脸数据集；构建多路卷积网络模型：使用两路浅层网络提取眼部特征并进行融合，再使用深层网络对猪脸整体图像特征提取，并将最后三路网络的融合结果输入标准支持向量机中；训练多路卷积网络模型及调参优化；测试网络模型的识别性能，得到训练好的网络模型；对脸部图像已存入数据库的猪个体进行拍摄并编号，将拍摄的图像数据输入到训练好的网络模型得到猪脸的识别结果。本发明在端对端的基础上加入个体相差较大的图像特征，具有较强的鲁棒性，实现非接触式猪脸的个体识别，减少猪只的应激反应，提高猪场的自动化管理水平。
Description
技术领域
本发明属于计算机视觉技术领域，尤其是一种采用多路卷积神经网络的猪脸识别方法。
背景技术
计算机视觉技术已经深入到畜禽养殖的众多领域，其中利用图像处理与分析的方法实现猪个体识别成为近年来的研究热点。猪作为一种杂食性哺乳动物，与人脸识别类似，不同个体之间脸部特征差异较为明显，理论上可以将人脸识别领域的相关技术迁移至动物的身份识别，在羊和犬的身份识别上也取得了非常好的效果。但是猪脸识别又有其特殊性，猪的近亲繁殖特性导致其个体相似度很高，同时，长期不清洗的猪脸也会掩盖其面部特征，给猪脸识别带来很大的困难。
目前传统的猪个体识别技术的方法之一是在猪身体背部喷涂彩色图案，利用图像对比技术和尺度不变特征变换匹配(scale invariant feature transform,SIFT)等算法识别猪个体。方法之二是使用支持向量机(SVM)、等度量映射(Isomap)融合以及Fisherface等算法通过识别脸部确定猪只身份。但实际畜牧养殖中的猪个体数量较多，环境较差，传统的猪个体识别算法的准确率并不理想，对环境要求诸多限制，无法满足实际需求。
随着深度学习的日益发展，将卷积神经网络应用于动物的个体识别中取得了较好的识别效果。深度学习中的卷积神经网络对图像具有强大的特征提取能力，可以从像素级的原始数据中抽象出语义概念并逐层提取，筛选掉冗余信息，这使得它在提取图像更详尽的全局特征方面有着突出的优势。但是普通的分类网络只能实现端对端识别，无法对识别对象的特殊区域重点提取特征。
发明内容
本发明的目的在于克服现有技术的不足，提出一种采用多路卷积神经网络的猪脸识别方法，解决了传统方法的局限性以及普通端对端的识别网络无法针对猪脸细节加强学习的问题。
本发明解决其技术问题是采取以下技术方案实现的：
一种采用多路卷积神经网络的猪脸识别方法，包括以下步骤：
步骤1：采集猪脸数据图像并构建用于多路卷积网络训练的猪脸数据集，该猪脸数据集包括训练数据集和测试数据集；
步骤2：构建多路卷积网络模型：使用两路浅层网络提取眼部特征并进行融合，再使用深层网络对猪脸整体图像特征提取，并将最后三路网络的融合结果输入标准支持向量机中，识别猪脸编号；
步骤3：使用训练数据集并采用梯度下降法训练多路卷积网络模型及调参优化；
步骤4：使用测试数据集测试网络模型的识别性能，将加入噪声的图像输入网络模型中继续进行测试、训练，得到训练好的网络模型；
步骤5：对脸部图像已存入数据库的猪个体进行拍摄并编号，将拍摄的图像数据输入到训练好的网络模型，最终在网络模型的输出端得到猪脸的识别结果。
进一步，所述步骤1的具体处理方法为：对采集到的猪脸图像数据编号，利用数据集增强算法对猪脸图像进行旋转、遮挡、亮度、色度和饱和度的改变增强数据集，对于不同大小的猪脸图像利用双线性内插值算法进行缩放；将每头猪的眼睛部分剪裁出来分类保存得到猪脸数据集，并将猪脸数据集划分为训练数据集和测试数据集。
进一步，所述猪脸数据集按8:2比例随机划分为两部分，其中，0.8部分作为训练数据集用于训练模型，0.2部分作为测试数据集用于评估模型。
进一步，所述多路卷积网络为三路卷积网络，该三路卷积网络的主体结构由卷积层、池化层、激活层、全连接层以及分类层组成。
进一步，所述步骤2的具体实现方法为：使用两路浅层网络提取眼部特征并进行融合得到一阶融合矩阵A(i)，使用深层网络对猪脸整体图像特征提取得到特征矩阵B(i)，对每个位置i的特征点按下式做外积操作，得到多线性特征X(i)：
X(i)＝A(i)TB(i)
其中X(i)大小为n×n矩阵，接下来采用求和池化方式，将所有位置得到的多线性特征进行求和得到猪脸图像的所有特征Xsum：
Xsum大小和X(i)相同，对该多线性特征进行如下计算得到多线性特征带符平方根：
再进行正则化处理：
最后将正则化后的数据作为三路网络的融合结果输入标准支持向量机中。
进一步，所述步骤3的具体实现方法为：使用训练数据集对神经网络进行训练，监测神经网络训练时的收敛情况，如果损失函数值L稳定在一个区间，则认为网络训练完成。
进一步，所述损失函数L的计算公式为：
其中，B代表批尺寸的大小，CN(xi)和Ti分别代表一个样本单元中第i个样本输入网络后的预测结果和真实结果；H和W分别代表输入图像的高和宽，||·||F表示Frobeniu范数。
进一步，所述步骤4的具体实现方法为：使用测试数据集测试网络的识别性能，利用网络的识别准确率和召回率参数评估网络模型；随机对采集到的猪脸进行遮挡或加入其它噪声，将加入噪声的图像输入网络中测试结果，若合格则完成训练，若网络未达到预期结果，则返回步骤3继续训练，直到得到训练好的网络模型。
本发明的优点和积极效果是：
1、本发明采用多路卷积神经网络分别对猪脸的全局特征和眼部特征进行提取，使用非线性网络融合技术将提取到的图像特征分两次融合，利用支持向量机对融合后的特征进行分类，实现非接触式猪脸的个体识别，减少猪只的应激反应，提高猪场的自动化管理水平。
2、本发明设计合理，能够在端对端的基础上加入个体相差较大的部分的图像特征，使得识别结果更加准确，对猪脸的细节特征保存的更加完整，具有较强的鲁棒性，对大型养猪场中利用猪脸识别技术实现无人化管理具有重要的意义。
附图说明
图1是本发明的整体处理流程图；
图2是多路卷积神经网络结构示意图。
具体实施方式
以下结合附图对本发明实施例做进一步详述。
本发明提出了一种基于深度学习的多路卷积神经网络的猪脸识别方法，其设计思想是：首先，对于猪脸而言，除了脸部全局特征外，猪的眼睛也是区分不同个体之间的重要特征，因此分别利用上、中两路浅层网络提取眼睛部位特征，利用一阶网络融合技术对左右眼睛的抽象特征建立相应的加权融合计算。然后将猪脸的整体脸部图像输入深层网络提取特征，经过卷积、池化及激活函数等运算过滤掉冗余信息，抽取猪脸的整体特征，并利用二阶网络融合技术对猪脸全局特征和眼部特征建立关系。最后采用梯度下降法训练多路网络及调参优化，将三路特征的融合结果送入SVM分类器，预测猪个体身份编号，得到识别结果。
基于上述设计思想，本发明采用多路卷积神经网络的猪脸识别方法包括以下步骤：
步骤1：采集猪脸数据图像并构建用于多路卷积网络训练的猪脸数据集D，包括训练集数据和测试集数据。
在本步骤中，对采集到的猪脸图像数据编号{1,2,3,...,m}，利用数据集增强算法对猪脸图像进行旋转、遮挡、亮度、色度和饱和度的改变增强数据集，对于不同大小的猪脸图像利用双线性内插值算法进行缩放，如公式(1)和公式(2)所示得到P(x,y)的值。将每头猪的眼睛部分剪裁出来分类保存，数据集按8:2比例随机划分为两部分，其中0.8部分作为训练集进行训练，0.2部分作为图像的测试集，用于模型评估。
为得到未知函数f在点P＝(x,y)的值，假设已知函数f在Q11＝(x1,y1),Q12＝(x1,y2),Q21＝(x2,y1)，及Q22＝(x2,y2)四个点的值。首先在x方向进行线性插值：
在y方向进行线性插值，得到插值结果：
步骤2：构建多路卷积网络模型。
本实施例采用三路卷积网络，该三路卷积网络的主体结构由卷积层、池化层、激活层、全连接层以及分类层组成。如图2所示，使用两路浅层网络提取眼部特征并进行融合，再使用深层网络对猪脸整体图像特征提取，并将最后三路网络的融合结果输入标准支持向量机(SVM)中，识别猪脸编号。图像进入网络后经过卷积运算处理如公式(3)所示，为了降低图像维度，过滤特征图中的冗余信息，利用最大池化函数选取池化过程中滑动窗口的最大值的方法，对卷积层输出的特征图进行降维运算。
其中，设输入图像为I，I中每个像素点坐标为(m,n)，卷积核对应的二维权重参数为K，得到的特征映射为二维网格数据S，像素点坐标为(i,j)。网络每一卷积层的输出结果都需要经过激活函数，提高网络的非线性表达能力并加快收敛速度，每一层的输入和经过激活函数输出之间的关系可以表示如下：
Cn(x)＝ReLU(Wn*Cn-1(x)+bn),n＝1,2,...,N-1 (4)
训练过程中，每一层节点的权重都会不断被更新，使损失函数最小化：
其中，B代表批尺寸(Batch Size)的大小，CN(xi)和Ti分别代表一个样本单元中第i个样本输入网络后的预测结果和真实结果；H和W分别代表输入图像的高和宽，||·||F表示Frobeniu范数(F范数)。借此计算网络对猪个体编号的预测结果和实际猪个体编号之间的差距，差距越小时，网络的预测结果越好。
两路浅层网络的融合方式选用加权平均得到一阶融合结果A(i)，和深层网络的特征提取结果B(i)，对每个位置i的特征点做外积操作如公式(5)：
X(i)＝A(i)TB(i) (5)
其中X(i)大小为n×n矩阵，得到多线性特征X(i)，接下来采用求和池化方式，将所有位置得到的多线性特征进行求和得到猪脸图像的所有特征Xsum：
Xsum大小和X(i)相同，对该多线性特征进行如下计算：
得到它的带符平方根，并进行正则化：
步骤3：采用梯度下降法训练多路网络及调参优化。利用标注完成的数据集对神经网络进行训练，使用交叉训练的方法，监测神经网络训练时的收敛情况，以便及时调整网络参数。根据公式(5)的计算方法，查看网络中的权重参数是否能够很好的区分不同猪脸，即损失函数的收敛能否达到稳定且处于最小值。若损失函数值L稳定在一个区间(a1,a2)，如(0，0.06)内，则认为网络训练完成。
步骤4：使用测试集测试网络的识别性能，利用网络的识别准确率和召回率等参数评估网络模型。如公式(9)所示，随机对采集到的猪脸进行遮挡或加入其它噪声，将加入噪声的图像输入网络中测试结果，若合格则完成训练，若网络未达到预期结果，则返回步骤3继续训练，直到得到较好的模型。
其中，TP为预测结果为正，实际结果亦为正，FN为预测结果为负，实际结果为正的数量，R为召回率。将测试集输入网络预测猪脸编号，计算模型的召回率，召回率越大时，网络的收敛效果越好，当召回率的值大于b时(如0.98)，则网络性能良好。
步骤5：对脸部图像已存入数据库的猪个体进行拍摄并编号，将拍摄的图像数据输入到训练好的网络模型，在输出端得到猪脸的编号数据。
本发明在具体实施过程中，由于多线路网络需要大量的数据集进行训练，所有的权重不使用迁移性学习，因此需要采集大量的数据集，建议数据集不少于100头猪，每头猪不少于200张照片，数据集图像利用双线性内插值算法缩放至同一大小。浅层网络选取LeNet网络提取局部特征，深层网络选取ResNet50提取全局特征，卷积核大小为3×3，步长为1，池化层选用最大池化函数，支持向量机(SVM)的核函数选用拉普拉斯核函数，可使得网络整体效果最好。训练过程需要按照网络顺序逐个训练，且三个网络使用相同的损失函数和下降梯度，可将网络的学习率设为0.0001，每次训练的样本数量为80，训练轮数设定为500轮，另外支持向量机(SVM)的训练方式也选用梯度下降法，迭代次数设为100。将处理好的数据集输入到网络中进行训练，得到训练好的网络模型。模型评估过程中，损失函数值K最终的稳定区间(a1，a2)为(0，0.06)，召回率计算值b为0.98时，模型性能良好。评估完成后的模型对新采集的猪脸图像进行识别，输出猪的个体编号，此时即完成了根据猪脸识别猪个体的过程，实现较高的识别率，为实现智能化养猪打下基础。
本发明未述及之处适用于现有技术。
需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。
Claims (8)
1.一种采用多路卷积神经网络的猪脸识别方法，其特征在于包括以下步骤：
步骤1：采集猪脸数据图像并构建用于多路卷积网络训练的猪脸数据集，该猪脸数据集包括训练数据集和测试数据集；
步骤2：构建多路卷积网络模型：使用两路浅层网络提取眼部特征并进行融合，再使用深层网络对猪脸整体图像特征提取，并将最后三路网络的融合结果输入标准支持向量机中，识别猪脸编号；
步骤3：使用训练数据集并采用梯度下降法训练多路卷积网络模型及调参优化；
步骤4：使用测试数据集测试网络模型的识别性能，将加入噪声的图像输入网络模型中继续进行测试、训练，得到训练好的网络模型；
步骤5：对脸部图像已存入数据库的猪个体进行拍摄并编号，将拍摄的图像数据输入到训练好的网络模型，最终在网络模型的输出端得到猪脸的识别结果。
2.根据权利要求1所述的一种采用多路卷积神经网络的猪脸识别方法，其特征在于：所述步骤1的具体处理方法为：对采集到的猪脸图像数据编号，利用数据集增强算法对猪脸图像进行旋转、遮挡、亮度、色度和饱和度的改变增强数据集，对于不同大小的猪脸图像利用双线性内插值算法进行缩放；将每头猪的眼睛部分剪裁出来分类保存得到猪脸数据集，并将猪脸数据集划分为训练数据集和测试数据集。
3.根据权利要求2所述的一种采用多路卷积神经网络的猪脸识别方法，其特征在于：所述猪脸数据集按8:2比例随机划分为两部分，其中，0.8部分作为训练数据集用于训练模型，0.2部分作为测试数据集用于评估模型。
4.根据权利要求1所述的一种采用多路卷积神经网络的猪脸识别方法，其特征在于：所述多路卷积网络为三路卷积网络，该三路卷积网络的主体结构由卷积层、池化层、激活层、全连接层以及分类层组成。
5.根据权利要求1所述的一种采用多路卷积神经网络的猪脸识别方法，其特征在于：所述步骤2的具体实现方法为：使用两路浅层网络提取眼部特征并进行融合得到一阶融合矩阵A(i)，使用深层网络对猪脸整体图像特征提取得到特征矩阵B(i)，对每个位置i的特征点按下式做外积操作，得到多线性特征X(i)：
X(i)＝A(i)TB(i)
其中X(i)大小为n×n矩阵，接下来采用求和池化方式，将所有位置得到的多线性特征进行求和得到猪脸图像的所有特征Xsum：
Xsum大小和X(i)相同，对该多线性特征进行如下计算得到多线性特征带符平方根：
再进行正则化处理：
最后将正则化后的数据作为三路网络的融合结果输入标准支持向量机中。
6.根据权利要求1所述的一种采用多路卷积神经网络的猪脸识别方法，其特征在于：所述步骤3的具体实现方法为：使用训练数据集对神经网络进行训练，监测神经网络训练时的收敛情况，如果损失函数值L稳定在一个区间，则认为网络训练完成。
7.根据权利要求6所述的一种采用多路卷积神经网络的猪脸识别方法，其特征在于：所述损失函数L的计算公式为：
其中，B代表批尺寸的大小，CN(xi)和Ti分别代表一个样本单元中第i个样本输入网络后的预测结果和真实结果；H和W分别代表输入图像的高和宽，||·||F表示Frobeniu范数。
8.根据权利要求1所述的一种采用多路卷积神经网络的猪脸识别方法，其特征在于：所述步骤4的具体实现方法为：使用测试数据集测试网络的识别性能，利用网络的识别准确率和召回率参数评估网络模型；随机对采集到的猪脸进行遮挡或加入其它噪声，将加入噪声的图像输入网络中测试结果，若合格则完成训练，若网络未达到预期结果，则返回步骤3继续训练，直到得到训练好的网络模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910830183.2A CN110728179A (zh) | 2019-09-04 | 2019-09-04 | 一种采用多路卷积神经网络的猪脸识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910830183.2A CN110728179A (zh) | 2019-09-04 | 2019-09-04 | 一种采用多路卷积神经网络的猪脸识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110728179A true CN110728179A (zh) | 2020-01-24 |
Family
ID=69217870
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910830183.2A Pending CN110728179A (zh) | 2019-09-04 | 2019-09-04 | 一种采用多路卷积神经网络的猪脸识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110728179A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111274997A (zh) * | 2020-02-17 | 2020-06-12 | 天津中科智能识别产业技术研究院有限公司 | 一种基于双眼融合的虹膜识别神经网络模型训练方法 |
| CN111310734A (zh) * | 2020-03-19 | 2020-06-19 | 支付宝(杭州)信息技术有限公司 | 保护用户隐私的人脸识别方法和装置 |
| CN111666838A (zh) * | 2020-05-22 | 2020-09-15 | 吉林大学 | 一种改进的残差网络猪脸识别方法 |
| CN112163456A (zh) * | 2020-08-28 | 2021-01-01 | 北京中科虹霸科技有限公司 | 身份识别模型训练方法、测试方法、识别方法及装置 |
| CN112215066A (zh) * | 2020-09-08 | 2021-01-12 | 北京农业信息技术研究中心 | 家畜脸部图像识别方法及装置 |
| CN113065460A (zh) * | 2021-03-31 | 2021-07-02 | 吉林农业大学 | 基于多任务级联的猪脸面部表情识别框架的建立方法 |
| CN113283378A (zh) * | 2021-06-10 | 2021-08-20 | 合肥工业大学 | 一种基于梯形区域归一化像素差异特征的猪脸检测方法 |
| CN113449674A (zh) * | 2021-07-12 | 2021-09-28 | 江苏商贸职业学院 | 一种猪脸识别方法及系统 |
| CN113780207A (zh) * | 2021-09-16 | 2021-12-10 | 中国农业科学院草原研究所 | 一种羊脸识别的系统及方法 |
| CN114821658A (zh) * | 2022-05-11 | 2022-07-29 | 平安科技（深圳）有限公司 | 牛脸识别方法、运行控制装置、电子设备及存储介质 |
| CN115909403A (zh) * | 2022-11-25 | 2023-04-04 | 天津大学四川创新研究院 | 基于深度学习的低成本高精度猪脸识别方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106485214A (zh) * | 2016-09-28 | 2017-03-08 | 天津工业大学 | 一种基于卷积神经网络的眼睛和嘴部状态识别方法 |
| 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 |
| CN107871105A (zh) * | 2016-09-26 | 2018-04-03 | 北京眼神科技有限公司 | 一种人脸认证方法和装置 |
| CN108710826A (zh) * | 2018-04-13 | 2018-10-26 | 燕山大学 | 一种交通标志深度学习模式识别方法 |
| WO2019010950A1 (zh) * | 2017-07-13 | 2019-01-17 | 北京大学深圳研究生院 | 用于图像或视频中行人重识别的深度判别网络模型方法 |
| CN109300121A (zh) * | 2018-09-13 | 2019-02-01 | 华南理工大学 | 一种心血管疾病诊断模型的构建方法、系统及该诊断模型 |
| CN109492529A (zh) * | 2018-10-08 | 2019-03-19 | 中国矿业大学 | 一种多尺度特征提取及全局特征融合的人脸表情识别方法 |
-
2019
- 2019-09-04 CN CN201910830183.2A patent/CN110728179A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107871105A (zh) * | 2016-09-26 | 2018-04-03 | 北京眼神科技有限公司 | 一种人脸认证方法和装置 |
| CN106485214A (zh) * | 2016-09-28 | 2017-03-08 | 天津工业大学 | 一种基于卷积神经网络的眼睛和嘴部状态识别方法 |
| WO2019010950A1 (zh) * | 2017-07-13 | 2019-01-17 | 北京大学深圳研究生院 | 用于图像或视频中行人重识别的深度判别网络模型方法 |
| 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 |
| CN108710826A (zh) * | 2018-04-13 | 2018-10-26 | 燕山大学 | 一种交通标志深度学习模式识别方法 |
| CN109300121A (zh) * | 2018-09-13 | 2019-02-01 | 华南理工大学 | 一种心血管疾病诊断模型的构建方法、系统及该诊断模型 |
| CN109492529A (zh) * | 2018-10-08 | 2019-03-19 | 中国矿业大学 | 一种多尺度特征提取及全局特征融合的人脸表情识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| NAOKI WADA: "Pig Face Recognition Using Eigenspace Method" * |
| 秦兴等: "基于双线性卷积神经网络的猪脸识别算法" * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111274997B (zh) * | 2020-02-17 | 2023-02-24 | 天津中科智能识别产业技术研究院有限公司 | 一种基于双眼融合的虹膜识别神经网络模型训练方法 |
| CN111274997A (zh) * | 2020-02-17 | 2020-06-12 | 天津中科智能识别产业技术研究院有限公司 | 一种基于双眼融合的虹膜识别神经网络模型训练方法 |
| CN111310734A (zh) * | 2020-03-19 | 2020-06-19 | 支付宝(杭州)信息技术有限公司 | 保护用户隐私的人脸识别方法和装置 |
| CN111666838A (zh) * | 2020-05-22 | 2020-09-15 | 吉林大学 | 一种改进的残差网络猪脸识别方法 |
| CN112163456A (zh) * | 2020-08-28 | 2021-01-01 | 北京中科虹霸科技有限公司 | 身份识别模型训练方法、测试方法、识别方法及装置 |
| CN112163456B (zh) * | 2020-08-28 | 2024-04-09 | 北京中科虹霸科技有限公司 | 身份识别模型训练方法、测试方法、识别方法及装置 |
| CN112215066A (zh) * | 2020-09-08 | 2021-01-12 | 北京农业信息技术研究中心 | 家畜脸部图像识别方法及装置 |
| CN113065460A (zh) * | 2021-03-31 | 2021-07-02 | 吉林农业大学 | 基于多任务级联的猪脸面部表情识别框架的建立方法 |
| CN113283378A (zh) * | 2021-06-10 | 2021-08-20 | 合肥工业大学 | 一种基于梯形区域归一化像素差异特征的猪脸检测方法 |
| CN113283378B (zh) * | 2021-06-10 | 2022-09-27 | 合肥工业大学 | 一种基于梯形区域归一化像素差异特征的猪脸检测方法 |
| CN113449674A (zh) * | 2021-07-12 | 2021-09-28 | 江苏商贸职业学院 | 一种猪脸识别方法及系统 |
| CN113780207A (zh) * | 2021-09-16 | 2021-12-10 | 中国农业科学院草原研究所 | 一种羊脸识别的系统及方法 |
| CN114821658A (zh) * | 2022-05-11 | 2022-07-29 | 平安科技（深圳）有限公司 | 牛脸识别方法、运行控制装置、电子设备及存储介质 |
| CN115909403A (zh) * | 2022-11-25 | 2023-04-04 | 天津大学四川创新研究院 | 基于深度学习的低成本高精度猪脸识别方法 |
| CN115909403B (zh) * | 2022-11-25 | 2023-08-22 | 天津大学四川创新研究院 | 基于深度学习的低成本高精度猪脸识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110728179A (zh) | 一种采用多路卷积神经网络的猪脸识别方法 | |
| Ale et al. | Deep learning based plant disease detection for smart agriculture | |
| CN108182441B (zh) | 平行多通道卷积神经网络、构建方法及图像特征提取方法 | |
| CN107564025B (zh) | 一种基于深度神经网络的电力设备红外图像语义分割方法 | |
| CN106096535B (zh) | 一种基于双线性联合cnn的人脸验证方法 | |
| CN108520226B (zh) | 一种基于躯体分解和显著性检测的行人重识别方法 | |
| CN109410168B (zh) | 用于确定图像中的子图块类别的卷积神经网络的建模方法 | |
| CN109543548A (zh) | 一种人脸识别方法、装置及存储介质 | |
| CN111178208A (zh) | 基于深度学习的行人检测方法、装置及介质 | |
| CN105303150B (zh) | 实现图像处理的方法和系统 | |
| Hu | Design and implementation of abnormal behavior detection based on deep intelligent analysis algorithms in massive video surveillance | |
| CN109002755B (zh) | 基于人脸图像的年龄估计模型构建方法及估计方法 | |
| CN109903339B (zh) | 一种基于多维融合特征的视频群体人物定位检测方法 | |
| CN110991349B (zh) | 一种基于度量学习的轻量级车辆属性识别方法 | |
| CN110879982A (zh) | 一种人群计数系统及方法 | |
| CN112052772A (zh) | 一种人脸遮挡检测算法 | |
| CN110046544A (zh) | 基于卷积神经网络的数字手势识别方法 | |
| CN113807176B (zh) | 一种基于多知识融合的小样本视频行为识别方法 | |
| CN110222718A (zh) | 图像处理的方法及装置 | |
| CN110827304A (zh) | 一种基于深度卷积网络与水平集方法的中医舌像定位方法和系统 | |
| CN113095370A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
| CN113221663A (zh) | 一种实时手语智能识别方法、装置及系统 | |
| CN112329784A (zh) | 一种基于时空感知及多峰响应的相关滤波跟踪方法 | |
| Gurrala et al. | A new segmentation method for plant disease diagnosis | |
| EP3588441B1 (en) | Imagification of multivariate data sequences |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200124 |