CN111079526A - 一种信鸽亲缘关系分析方法、装置及存储介质 - Google Patents
一种信鸽亲缘关系分析方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111079526A CN111079526A CN201911080418.7A CN201911080418A CN111079526A CN 111079526 A CN111079526 A CN 111079526A CN 201911080418 A CN201911080418 A CN 201911080418A CN 111079526 A CN111079526 A CN 111079526A
- Authority
- CN
- China
- Prior art keywords
- pigeon
- iris image
- iris
- carrier
- carrier pigeon
- 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
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
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/193—Preprocessing; Feature extraction
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/197—Matching; Classification
Abstract
本申请提供一种信鸽亲缘关系分析方法、装置及存储介质,该方法包括:获取多个信鸽虹膜图像样本组及其对应的标签,所述信鸽虹膜图像样本组包括多张信鸽虹膜图像,所述标签用于指示所述多张信鸽虹膜图像各自对应的信鸽之间的亲缘关系;根据所述信鸽虹膜图像样本组及其对应的标签对预设的孪生神经网络进行训练,得到训练后的信鸽虹膜神经网络模型;根据所述信鸽虹膜神经网络模型对待分析信鸽虹膜图像进行亲缘关系分析。
Description
技术领域
本申请涉及生物特征分析技术领域,具体而言,涉及一种信鸽亲缘关系分析方法、装置及存储介质。
背景技术
目前,信鸽亲缘关系一般是通过经验识别法来进行识别,即通常依赖于专家经验,重点分析信鸽的虹膜图像,并辅以观察信鸽的身形、羽毛颜色等来识别信鸽的亲缘关系,但这种方法存在着识别效率低、准确率低的问题。
发明内容
本申请实施例的目的在于提供一种信鸽亲缘关系分析方法、装置及存储介质,用以解决经验识别法存在的识别效率低、准确率低的问题。
为了实现上述目的,本申请提供了以下技术方案如下:
第一方面:本申请提供一种信鸽亲缘关系分析方法,所述方法包括:获取多个信鸽虹膜图像样本组及其对应的标签,所述信鸽虹膜图像样本组包括多张信鸽虹膜图像,所述标签用于指示所述多张信鸽虹膜图像各自对应的信鸽之间的亲缘关系;根据所述信鸽虹膜图像样本组及其对应的标签对预设的孪生神经网络进行训练,得到训练后的信鸽虹膜神经网络模型;根据所述信鸽虹膜神经网络模型对待分析信鸽虹膜图像进行亲缘关系分析。
在上述设计的方案中,通过大量的具有亲缘关系的信鸽虹膜图像数据训练能够辨别信鸽亲缘关系的信鸽虹膜神经网络模型,进而通过训练得到的信鸽虹膜神经网络模型对待分析的信鸽虹膜图像进行分析,达到根据信鸽虹膜图像自动识别信鸽亲缘关系的目的,上述相比于经验分析法,分析结果更加稳定、可靠,相比于通过DNA来鉴别信鸽的亲缘关系的方法,本申请对设备和实验条件的依赖相对简单,并且提高了识别效率,降低了成本。
在第一方面的可选实施方式中,所述获取多个信鸽虹膜图像样本组及其对应的标签之前,还包括:采集所述信鸽虹膜图像,对所述信鸽虹膜图像按其亲缘关系进行分类和标注,得到对应的多个信鸽虹膜图像样本组及每个信鸽虹膜图像样本组对应的标签,并将所述多个信鸽虹膜图像样本组及其对应的标签关联存储到数据库中。
在第一方面的可选实施方式中,所述信鸽虹膜图像样本组包括第一信鸽虹膜图像和第二信鸽虹膜图像;所述根据所述信鸽虹膜图像样本组及其对应的标签对预设的孪生神经网络进行训练,得到训练后的信鸽虹膜神经网络模型,包括:从多个信鸽虹膜图像样本组中选择一个信鸽虹膜图像样本组作为当前信鸽虹膜图像样本组;将当前信鸽虹膜图像样本组的第一信鸽虹膜图像、第二信鸽虹膜图像及对应的标签输入孪生神经网络,以分别提取所述当前信鸽虹膜图像样本组的第一信鸽虹膜图像和第二信鸽虹膜图像各自对应的特征向量;根据所述第一信鸽虹膜图像的特征向量、第二信鸽虹膜图像的特征向量及对应的标签,通过对比损失函数计算所述当前信鸽虹膜图像样本组对应的训练损失;根据所述多个信鸽虹膜图像样本组中每个信鸽虹膜图像样本组对应的训练损失计算所述多个信鸽虹膜图像样本组的训练损失平均值;根据所述训练损失平均值、反向传播算法及优化算法更新迭代所述信鸽虹膜神经网络模型的各个参数;判断当前迭代累计次数是否超过预设的迭代次数,或所述信鸽虹膜神经网络模型的各个参数是否收敛;若当前迭代累计次数超过预设的迭代次数或所述信鸽虹膜神经网络模型的各个参数收敛,则得到训练后的信鸽虹膜神经网络模型;若当前迭代累计次数没有超过预设的迭代次数且所述信鸽虹膜神经网络模型的各个参数不收敛,则返回执行所述从多个信鸽虹膜图像样本组中选择一个信鸽虹膜图像样本组作为当前信鸽虹膜图像样本组的步骤。
在第一方面的可选实施方式中,所述对比损失函数L为:
其中,y为标签,当y为0时代表所述当前信鸽虹膜图像样本组具有亲缘关系,当y为1时,代表所述当前信鸽虹膜图像样本组不具有亲缘关系;Dw表示孪生神经网络的两个输出之间的欧式距离,Gw(x1)代表所述第一信鸽虹膜图像x1的特征向量,Gw(x2)代表所述第二信鸽虹膜图像x2的特征向量;m是设定的阈值。
在第一方面的可选实施方式中,所述根据所述信鸽虹膜神经网络模型对待分析信鸽虹膜图像进行亲缘关系分析,包括:获取第一待分析信鸽虹膜图像和第二待分析信鸽虹膜图像;根据所述信鸽虹膜神经网络模型分别对所述第一待分析信鸽虹膜图像和所述第二待分析信鸽虹膜图像进行特征提取,得到各自对应的特征向量并计算对应的距离;根据所述距离判断所述第一待分析信鸽虹膜图像和所述第二待分析信鸽虹膜图像的亲缘关系。
在第一方面的可选实施方式中,所述根据所述距离判断所述第一待分析信鸽虹膜图像和所述第二待分析信鸽虹膜图像的亲缘关系,包括:根据所述距离确定所述第一待分析信鸽虹膜图像和所述第二待分析信鸽虹膜图像的相似度,判断所述相似度是否大于预设的阈值;若是,则确定所述第一待分析信鸽虹膜图像和第二待分析信鸽虹膜图像各自对应的信鸽之间具有亲缘关系。
在上述设计的两个实施方式中,通过训练完成的信鸽虹膜神经网络模型提取第一待分析信鸽虹膜图和第二待分析信鸽虹膜图像的特征向量,进而根据提取的特征向量分析其是否具有亲缘关系,实现了基于信鸽的虹膜图像来分析信鸽的亲缘关系,并且具有分析效率高,结果可靠,成本低的优点。
第二方面:本申请提供一种信鸽亲缘关系分析装置,所述装置包括:获取模块,用于获取多个信鸽虹膜图像样本组及其对应的标签,所述信鸽虹膜图像样本组包括多张信鸽虹膜图像,所述标签用于指示所述多张信鸽虹膜图像各自对应的信鸽之间的亲缘关系;训练模块,用于根据所述信鸽虹膜图像样本组及其对应的标签对预设的孪生神经网络进行训练,得到训练后的信鸽虹膜神经网络模型;分析模块,用于根据所述信鸽虹膜神经网络模型对待分析信鸽虹膜图像进行亲缘关系分析。
在上述设计的装置中,通过大量的具有亲缘关系的信鸽虹膜图像数据训练能够辨别信鸽亲缘关系的信鸽虹膜神经网络模型,进而通过训练得到的信鸽虹膜神经网络模型对待分析的信鸽虹膜图像进行分析,达到根据信鸽虹膜图像自动识别信鸽亲缘关系的目的,上述相比于经验分析法,分析结果更加稳定、可靠,相比于通过DNA来鉴别信鸽的亲缘关系的方法,本申请对设备和实验条件的依赖相对简单,并且提高了识别效率,降低了成本。
在第二方面的可选实施方式中,采集模块,还用于在所述获取模块获取多个信鸽虹膜图像样本组及其对应的标签之前,采集所述信鸽虹膜图像,处理模块,用于对所述信鸽虹膜图像按其亲缘关系进行分类和标注,得到对应的多个信鸽虹膜图像样本组及每个信鸽虹膜图像样本组对应的标签;存储模块,用于将所述多个信鸽虹膜图像样本组及其对应的标签关联存储到数据库中。
在第二方面的可选实施方式中,所述信鸽虹膜图像样本组包括第一信鸽虹膜图像和第二信鸽虹膜图像;所述训练模块具体用于:从多个信鸽虹膜图像样本组中选择一个信鸽虹膜图像样本组作为当前信鸽虹膜图像样本组;
将当前信鸽虹膜图像样本组的第一信鸽虹膜图像、第二信鸽虹膜图像及对应的标签输入孪生神经网络,以分别提取所述当前信鸽虹膜图像样本组的第一信鸽虹膜图像和第二信鸽虹膜图像各自对应的特征向量;根据所述第一信鸽虹膜图像的特征向量、第二信鸽虹膜图像的特征向量及对应的标签,通过对比损失函数计算所述当前信鸽虹膜图像样本组对应的训练损失;根据所述多个信鸽虹膜图像样本组中每个信鸽虹膜图像样本组对应的训练损失计算所述多个信鸽虹膜图像样本组的训练损失平均值;根据所述训练损失平均值、反向传播算法及优化算法更新迭代所述信鸽虹膜神经网络模型的各个参数;判断当前迭代累计次数是否超过预设的迭代次数,或所述信鸽虹膜神经网络模型的各个参数是否收敛;若当前迭代累计次数超过预设的迭代次数或所述信鸽虹膜神经网络模型的各个参数收敛,则得到训练后的信鸽虹膜神经网络模型;若当前迭代累计次数没有超过预设的迭代次数且所述信鸽虹膜神经网络模型的各个参数不收敛,则返回执行从多个信鸽虹膜图像样本组中选择一个信鸽虹膜图像样本组作为当前信鸽虹膜图像样本组的步骤。
在第二方面的可选实施方式中,所述分析模块,具体用于获取第一待分析信鸽虹膜图像和第二待分析信鸽虹膜图像;根据所述信鸽虹膜神经网络模型分别对所述第一待分析信鸽虹膜图像和所述第二待分析信鸽虹膜图像进行特征提取,得到各自对应的特征向量并计算对应的距离;根据所述距离判断所述第一待分析信鸽虹膜图像和所述第二待分析信鸽虹膜图像的亲缘关系。
第三方面:本申请还提供了一种电子设备,包括:处理器、与处理器连接的存储器,所述存储器存储有计算机程序,当所述计算设备运行时,处理器执行该计算机程序,以执行时执行第一方面、第一方面的任一可选的实现方式中的所述方法。
第四方面:本申请提供了一种非暂态计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行第一方面、第一方面的任一可选的实现方式中的所述方法。
第五方面:本申请提供了一种计算机程序产品,所述计算机程序产品在计算机上运行时,使得计算机执行第一方面、第一方面的任一可选的实现方式中的所述方法。
本申请的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请实施例而了解。本申请的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请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申请的某些实施例,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为本申请第一实施例提供的信鸽亲缘关系分析方法第一流程图;
图2为本申请第一实施例提供的信鸽亲缘关系分析方法第二流程图;
图3为本申请第一实施例提供的信鸽亲缘关系分析方法第三流程图;
图4为本申请第一实施例提供的信鸽亲缘关系分析方法第四流程图;
图5为本申请第二实施例提供的信鸽亲缘关系分析装置结构示意图;
图6为本申请第三实施例提供的电子设备结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
第一实施例
如图1所示,本申请提供一种信鸽亲缘关系分析方法,具体包括如下步骤:
步骤S100:获取多个信鸽虹膜图像样本组及其对应的标签,该信鸽虹膜图像样本组包括多张信鸽虹膜图像,该标签用于指示多张信鸽虹膜图像各自对应的信鸽之间的亲缘关系。
步骤S102:根据信鸽虹膜图像样本组及其对应的标签对预设的孪生神经网络进行训练,得到训练后的信鸽虹膜神经网络模型。
步骤S104:根据信鸽虹膜神经网络模型对待分析信鸽虹膜图像进行亲缘关系分析。
在步骤S100中,获取多个信鸽虹膜图像样本组的方式可通过提取预存在数据库中的信鸽虹膜图像的方式,也可以通过用户录入的方式;其中,多张信鸽虹膜图像可以是两张信鸽虹膜图像,也可以是两张以上的信鸽虹膜图像。标签用于表示这些信鸽虹膜图像之间是否具有亲缘关系,例如,当信鸽虹膜图像样本组中有两张信鸽虹膜图像时,该标签表示该两张信鸽虹膜图像中的信鸽是否有亲缘关系,其中,亲缘关系表示为信鸽之间是否属于一个家族,或是说信鸽之间是否具有血缘关系。
在步骤S102中,预设的孪生神经网络可为双网络的孪生神经网络也可以为三网络的孪生神经网络,该预设的孪生神经网络中的每路网络结构共享同一组网络参数。其中,预设孪生神经网络的网络路数与训练过程中样本组中包含的图像实例个数相适应,以双网络的孪生神经网络为例,那么训练过程中每个训练样本组包含两张信鸽虹膜图像,这两张图像或者是具有亲缘关系,或者不具有亲缘关系。如果是三路孪生网络,则每个训练样本组包含三张虹膜图像,其中两张具有亲缘关系,第三张和其他两张不具有亲缘关系。步骤S102中的根据信鸽虹膜图像样本组及其对应的标签对预设的孪生神经网络进行训练,此时就是将多个两张信鸽虹膜图像和其对应的标签输入该双网络的孪生神经网络对其进行训练,最终得到训练完成的信鸽虹膜神经网络模型。三网络的孪生神经网络与双网络的孪生神经网络的训练过程基本一致。
在根据步骤S102训练得到信鸽虹膜神经网络模型之后,执行步骤S104,通过该训练得到的信鸽虹膜神经网络模型对待分析信鸽虹膜图像进行亲缘关系分析。
上述步骤设计的方案,通过大量的具有亲缘关系的信鸽虹膜图像数据训练能够辨别信鸽亲缘关系的信鸽虹膜神经网络模型,进而通过训练得到的信鸽虹膜神经网络模型对待分析的信鸽虹膜图像进行分析,达到根据信鸽虹膜图像自动识别信鸽亲缘关系的目的,上述相比于经验分析法,分析结果更加稳定、可靠,相比于通过DNA来鉴别信鸽的亲缘关系的方法,本申请对设备和实验条件的依赖相对简单,并且提高了识别效率,降低了成本。
在本实施例的可选实施方式中,如图2所示,在步骤S100获取多个信鸽虹膜图像样本组及其对应的标签之前,该方法还包括:
步骤S90:采集信鸽虹膜图像。
步骤S92:对该信鸽虹膜图像按其亲缘关系进行分类和标注,得到对应的多个信鸽虹膜图像样本组及每个信鸽虹膜图像样本组对应的标签,并将多个信鸽虹膜图像样本组及其对应的标签关联存储到数据库中。
步骤S90具体可以这样理解:从信鸽专业网站上采集大量信鸽相关图片数据,该采集的信鸽图片数据可包括信鸽的图片、信鸽的种族、信鸽的眼砂、信鸽的环号、信鸽父母的环号等信息,其中,环号是信鸽的唯一标识号码,由国家,年份,地区和注册信鸽环号组成;眼砂是虹膜的颜色、形态的特征描述,如砂眼、黄眼;信鸽父母的环号一般出现在描述的图片中。
在步骤S92中对数据按其亲缘关系进行分类和标注,可通过光学字符识别算法自动将每张信鸽图片中包含父母身份信息的父母环号提取出来,以父母环号为线索从数据库中查找出相应的信鸽图片,实现亲缘关系数据样本的标注将这些具有亲缘关系的图片放置在一个样本组中,形成具有亲缘关系的信鸽虹膜图像样本组,并为具有亲缘关系的信鸽虹膜图像样本设置具有亲缘关系的标签,该样本组可与对应的标签相关联,同时也与样本组中对应的信鸽虹膜图像相关联。同理,可形成不具有亲缘关系的信鸽虹膜图像样本,并为其设置不具有亲缘关系的标签。在此之后,可通过建立数据库的应用程序建立数据库,将分类、标注以及关联后的多个信鸽虹膜图像样本组及其对应的标签存储到该数据库中。
在本实施例的可选实施方式中,在前述对步骤S102的描述中已经说明预设孪生神经网络可为双网络的孪生神经网络,此时对应的信鸽虹膜图像样本组对应两张信鸽虹膜图像,以此为例,如图3所示,对预设的孪生神经网络的具体训练过程如下:
步骤S1020:从多个信鸽虹膜图像样本组中选择一个信鸽虹膜图像样本组作为当前信鸽虹膜图像样本组。
步骤S1022:将当前信鸽虹膜图像样本组的第一信鸽虹膜图像、第二信鸽虹膜图像及对应的标签输入孪生神经网络,以分别提取该当前信鸽虹膜图像样本组的第一信鸽虹膜图像和第二信鸽虹膜图像各自对应的特征向量。
步骤S1024:根据第一信鸽虹膜图像的特征向量、第二信鸽虹膜图像的特征向量及对应的标签,通过对比损失函数计算当前信鸽虹膜图像样本组对应的训练损失。
步骤S1026:根据多个信鸽虹膜图像样本组中每个信鸽虹膜图像样本组对应的训练损失计算多个信鸽虹膜图像样本组的训练损失平均值。
步骤S1028:根据训练损失平均值、反向传播算法及优化算法更新迭代该信鸽虹膜神经网络模型的各个参数。
步骤S1030:判断当前迭代累计次数是否超过预设的迭代次数,或所述信鸽虹膜神经网络模型的各个参数是否收敛。
步骤S1032:若当前迭代累计次数超过预设的迭代次数或信鸽虹膜神经网络模型的各个参数收敛,则得到训练后的信鸽虹膜神经网络模型;若当前迭代累计次数没有超过预设的迭代次数且所述信鸽虹膜神经网络模型的各个参数不收敛,则返回执行从多个信鸽虹膜图像样本组中选择一个信鸽虹膜图像样本组作为当前信鸽虹膜图像样本组的步骤。
上述步骤S1020具体可以这样来理解,随机或依次从多个信鸽虹膜图像样本组中选取一个信鸽虹膜图像样本组作为当前信鸽虹膜图像样本组,该当前信鸽虹膜图像样本组可以是具有亲缘关系的样本组,也可以是不具有亲缘关系的样本组,其中,选取具有亲缘关系的样本组和不具有亲缘关系的样本组的概率可相同,也可以设置为一定比例。
前面已经说明当前信鸽虹膜图像样本组中包括第一信鸽虹膜图像、第二信鸽虹膜图像和其对应的标签,该孪生神经网络为双网络的孪生神经网络,设该双网络的孪生神经网络包括第一卷积神经网络和第二卷积神经网络。那么,步骤S1022可以这样理解:将第一信鸽虹膜图像输入第一卷积神经网络,通过第一卷积神经网络对该第一信鸽虹膜图像进行特征提取,得到第一信鸽虹膜图像的特性向量;同理,将第二信鸽虹膜图像输入第二卷积神经网络,通过第二卷积神经网络对该第二信鸽虹膜图像进行特征提取,进而得到第二信鸽虹膜图像的特征向量。另外,也可以将第一信鸽虹膜图像输入第二卷积神经网络,第二信鸽虹膜图像输入第一卷积神经网络,与前述方案过程基本一致。
在步骤S1022提取两张信鸽虹膜图像的特征向量之后,执行步骤S1024,根据第一信鸽虹膜图像的特征向量、第二信鸽虹膜图像的特征向量及对应的标签,通过对比损失函数计算对应的训练损失。
具体的,步骤S1024可通过以下方案来计算训练损失。在孪生神经网络输出第一信鸽虹膜图像的特征向量和第二信鸽虹膜图像的特征向量之后,计算两个特征向量之间的欧式距离,其中,Gw(x1)代表所述第一信鸽虹膜图像x1的特征向量,Gw(x2)代表所述第二信鸽虹膜图像x2的特征向量。
在计算出两个特征向量之间的欧式距离Dw之后,通过对比损失函数L计算训练损失,该对比损失函数L为: 其中,y为标签,当y为0时代表所述当前信鸽虹膜图像样本组具有亲缘关系,当y为1时,代表所述当前信鸽虹膜图像样本组不具有亲缘关系;Dw表示孪生神经网络的两个输出之间的欧式距离;m是设定的阈值。
在步骤S1024计算出该当前信鸽虹膜图像样本组的训练损失之后,基于上述过程计算该多个信鸽虹膜图像样本组中每个信鸽虹膜图像样本组(也就是所有样本组)的训练损失,进而执行步骤S1026,根据该多个信鸽虹膜图像样本组中每个信鸽虹膜图像样本组的训练损失计算出训练损失平均值。在此基础上执行步骤S1028根据训练损失平均值、反向传播算法及优化算法更新迭代信鸽虹膜神经网络模型的各个参数。反向传播算法(backpropagation algorithm)是将梯度损失从输出层向后逐层向输入层传递的过程,根据监督信息判断提取的特征的好坏,并以此为依据进行更新模型的参数。其中,模型参数可通过自适应距估计(adaptive moment estimation,Adam)优化器来进行更新。Adam是一种随机优化算法,适合本申请中的信鸽虹膜神经网络模型的训练,可以加速该信鸽虹膜神经网络模型的收敛。具体的,参数更新公式为:其中,α是学习步长或初始学习率,可设置为0.001;ε=10-8,ε保证分母不为0;mt表示为t时间步的梯度;vt表示为梯度平方的指数移动平均数。
在对该信鸽虹膜神经网络模型执行步骤S1028进行模型参数更新之后,执行步骤S1030和步骤S1032。此方案可以这样理解,在完成一次模型参数更新迭代之后,会判断当前迭代累计的次数是否超过预设的迭代次数或者会判断此时更新迭代后的信鸽虹膜神经网络模型的各个参数是否收敛,如果满足上述条件中的任意一个条件,则说明该信鸽虹膜神经网络模型已经训练完成,进而可得到训练后的信鸽虹膜神经网络模型。
若步骤S1030中此时判断当前迭代的累计次数还没有超过预设的迭代次数(例如预设的迭代次数为16次,此时的迭代累计次数为10次),同时也判断出该信鸽虹膜神经网络模型的各个参数还没有达到收敛的条件(例如预设的收敛值为14,计算出的对比损失小于14则表示达到收敛的条件,此时计算出的对比损失为16),此时,则返回步骤S1020从多个信鸽虹膜图像样本组中选择一个信鸽虹膜图像样本组作为当前信鸽虹膜图像样本组,进而重新执行步骤S1020~步骤S1028再次计算所有样本组中每个样本组的训练损失,进而获得训练损失的平均值,继续执行步骤S1030判断当前迭代累计次数是否超过预设的迭代次数,或所述信鸽虹膜神经网络模型的各个参数是否收敛,若超过预设的迭代次数或参数收敛,则获得训练后的信鸽虹膜神经网络模型;若没有超过预设的迭代次数且参数没有收敛则继续重复执行步骤S1020~步骤S1032,直到超过预设的迭代次数或参数收敛为止。
在上述实施方式中,在对信鸽虹膜神经网络模型的训练过程中,能够在网络映射中自动选择特征,无需人工进行参数设定。网络的向后传播方法调节功能不仅能够保证分类结果的正确性,更可以在有新数据进入系统时继续进行迭代训练,更正参数,增强算法实用性和效率。
在本实施例的可选实施方式中,步骤S104根据信鸽虹膜神经网络模型对待分析信鸽虹膜图像进行亲缘关系分析,其中,利用训练的信鸽虹膜神经网络模型分析亲缘关系的方式可有多种,以其中一种为例,如图4所示,具体方案如下:
步骤S1040:获取第一待分析信鸽虹膜图像和第二待分析信鸽虹膜图像。
步骤S1042:根据该信鸽虹膜神经网络模型分别对第一待分析信鸽虹膜图像和第二待分析信鸽虹膜图像进行特征提取,得到各自对应的特征向量并计算对应的距离。
步骤S1044:根据距离判断第一待分析信鸽虹膜图像和第二待分析信鸽虹膜图像的亲缘关系。
在步骤S1040中,获取第一待分析信鸽虹膜图像和第二待分析信鸽虹膜图像的途径可通过用户上传的方式来进行获取。例如,用户通过终端将需要分析的信鸽虹膜图像上传到附带有该训练完成的信鸽虹膜神经网络模型的服务器上。
在步骤S1042中,将该第一待分析信鸽虹膜图像和第二待分析信鸽虹膜图像输入前文中描述的已经训练完成的信鸽虹膜神经网络模型中,通过该信鸽虹膜神经网络模型分别提取第一待分析信鸽虹膜图像和第二待分析信鸽虹膜图像对应的特征向量。
在此基础上,根据得到的特征向量计算特征向量之间的距离,进而执行步骤S1044,根据距离判断第一待分析信鸽虹膜图像和第二待分析信鸽虹膜图像的亲缘关系,其中计算特征向量之间的距离的可为计算特征向量之间的余弦距离,也可以为计算特征向量之间的欧式距离,也可以使用其他度量两个向量代表的样本相似性的方法,不仅限于前述提到的两种方法。
其中,步骤S1044根据距离判断第一待分析信鸽虹膜图像和第二待分析信鸽虹膜图像的亲缘关系,具体可为:根据距离确定第一待分析信鸽虹膜图像和第二待分析信鸽虹膜图像的相似度,判断相似度是否超过预设的阈值,若超过,则确定第一待分析信鸽虹膜图像和第二待分析信鸽虹膜图像对应的信鸽之间是具有亲缘关系的。如果计算出的距离没有超过预设的阈值,则表示第一待分析信鸽虹膜图像和第二待分析信鸽虹膜图像对应的信鸽之间不具有亲缘关系。基于前述所说,如果是通过计算余弦距离来确定相似度,那么余弦距离越大相似度越接近,如果是通过计算欧式距离来确定相似度,那么欧式距离越小,则表示相似度越接近。当确定的相似度超过了预设的阈值之后,则说明第一待分析信鸽虹膜图像和第二待分析信鸽虹膜图像具有亲缘关系。
在上述实施方式中,通过训练完成的信鸽虹膜神经网络模型提取第一待分析信鸽虹膜图和第二待分析信鸽虹膜图像的特征向量,进而根据提取的特征向量分析其是否具有亲缘关系,实现了基于信鸽的虹膜图像来分析信鸽的亲缘关系,并且具有分析效率高,结果可靠,成本低的优点。
利用训练的信鸽虹膜神经网络模型分析亲缘关系的方式除了前述所说通过训练得到的模型将两张待分析的信鸽虹膜图片进行相似度对比确定其亲缘关系以外,还可以输入一张待分析的信鸽虹膜图像,进而从数据库中检索与其可能具有亲缘关系的信鸽虹膜图像。
第二实施例
图5出示了本申请提供的信鸽亲缘关系分析装置2的示意性结构框图,应理解,该装置与上述图1至图4方法实施例对应,能够执行第一实施例中的方法涉及的步骤,该装置具体的功能可以参见上文中的描述,为避免重复,此处适当省略详细描述。该装置包括至少一个能以软件或固件(firmware)的形式存储于存储器中或固化在装置的操作系统(operating system,OS)中的软件功能模块。具体地,该装置包括:获取模块200,用于获取多个信鸽虹膜图像样本组及其对应的标签,信鸽虹膜图像样本组包括多张信鸽虹膜图像,标签用于指示所述多张信鸽虹膜图像各自对应的信鸽之间的亲缘关系;训练模块202,用于根据信鸽虹膜图像样本组及其对应的标签对预设的孪生神经网络进行训练,得到训练后的信鸽虹膜神经网络模型;分析模块204,用于根据信鸽虹膜神经网络模型对待分析信鸽虹膜图像进行亲缘关系分析。
在上述设计的装置中,通过大量的具有亲缘关系的信鸽虹膜图像数据训练能够辨别信鸽亲缘关系的信鸽虹膜神经网络模型,进而通过训练得到的信鸽虹膜神经网络模型对待分析的信鸽虹膜图像进行分析,达到根据信鸽虹膜图像自动识别信鸽亲缘关系的目的,上述相比于经验分析法,分析结果更加稳定、可靠,相比于通过DNA来鉴别信鸽的亲缘关系的方法,本申请对设备和实验条件的依赖相对简单,并且提高了识别效率,降低了成本。
在本实施例的可选实施方式中,采集模块206,还用于在获取多个信鸽虹膜图像样本组及其对应的标签之前,获取信鸽虹膜图像;处理模块208,用于对信鸽虹膜图像按其亲缘关系进行分类和标注,得到对应的多个信鸽虹膜图像样本组及每个信鸽虹膜图像样本组对应的标签;存储模块210,用于将多个信鸽虹膜图像样本组及其对应的标签关联存储到数据库中。
在本实施例的可选实施方式中,信鸽虹膜图像样本组包括第一信鸽虹膜图像和第二信鸽虹膜图像;训练模块202具体用于:从多个信鸽虹膜图像样本组中选择一个信鸽虹膜图像样本组作为当前信鸽虹膜图像样本组;将当前信鸽虹膜图像样本组的第一信鸽虹膜图像、第二信鸽虹膜图像及对应的标签输入孪生神经网络,以分别提取当前信鸽虹膜图像样本组的第一信鸽虹膜图像和第二信鸽虹膜图像各自对应的特征向量;根据第一信鸽虹膜图像的特征向量、第二信鸽虹膜图像的特征向量及对应的标签,通过对比损失函数计算当前信鸽虹膜图像样本组对应的训练损失;根据多个信鸽虹膜图像样本组中每个信鸽虹膜图像样本组对应的训练损失计算多个信鸽虹膜图像样本组的训练损失平均值;根据训练损失平均值、反向传播算法及优化算法更新迭代所述信鸽虹膜神经网络模型的各个参数;判断当前迭代累计次数是否超过预设的迭代次数,或信鸽虹膜神经网络模型的各个参数是否收敛;若当前迭代累计次数超过预设的迭代次数或信鸽虹膜神经网络模型的各个参数收敛,则得到训练后的信鸽虹膜神经网络模型;若当前迭代累计次数没有超过预设的迭代次数且信鸽虹膜神经网络模型的各个参数不收敛,则返回执行从多个信鸽虹膜图像样本组中选择一个信鸽虹膜图像样本组作为当前信鸽虹膜图像样本组的步骤。
在本实施例的可选实施方式中,分析模块204,具体用于获取第一待分析信鸽虹膜图像和第二待分析信鸽虹膜图像;根据信鸽虹膜神经网络模型分别对第一待分析信鸽虹膜图像和第二待分析信鸽虹膜图像进行特征提取,得到各自对应的特征向量并计算对应的距离;根据距离判断第一待分析信鸽虹膜图像和第二待分析信鸽虹膜图像的亲缘关系。
第三实施例
如图6所示,本申请提供一种电子设备3,包括:处理器301和存储器302,处理器301和存储器302通过通信总线303和/或其他形式的连接机构(未标出)互连并相互通讯,存储器302存储有处理器301可执行的计算机程序,当计算设备运行时,处理器301执行该计算机程序,以执行时执行第一实施例、第一实施例的任一可选的实现方式中的方法。
本申请提供一种存储介质,该存储介质上存储有计算机程序,该计算机程序被处理器运行时执行第一实施例、第一实施例的任一可选的实现方式中的方法。
其中,存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read Only Memory,简称EPROM),可编程只读存储器(Programmable Red-Only Memory,简称PROM),只读存储器(Read-OnlyMemory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。
本申请提供一种计算机程序产品,该计算机程序产品在计算机上运行时,使得计算机执行第一实施例、第一实施例的任一可选的实现方式中的所述方法。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。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,又例如,多个单元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。
再者,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
在本文中,诸如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。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种信鸽亲缘关系分析方法,其特征在于,包括:
获取多个信鸽虹膜图像样本组及其对应的标签,所述信鸽虹膜图像样本组包括多张信鸽虹膜图像,所述标签用于指示所述多张信鸽虹膜图像各自对应的信鸽之间的亲缘关系;
根据所述信鸽虹膜图像样本组及其对应的标签对预设的孪生神经网络进行训练,得到训练后的信鸽虹膜神经网络模型;
根据所述信鸽虹膜神经网络模型对待分析信鸽虹膜图像进行亲缘关系分析。
2.根据权利要求1所述的方法,其特征在于,所述获取多个信鸽虹膜图像样本组及其对应的标签之前,还包括:
采集所述信鸽虹膜图像,对所述信鸽虹膜图像按其亲缘关系进行分类和标注,得到对应的多个信鸽虹膜图像样本组及每个信鸽虹膜图像样本组对应的标签,并将所述多个信鸽虹膜图像样本组及其对应的标签关联存储到数据库中。
3.根据权利要求1所述的方法,其特征在于,所述信鸽虹膜图像样本组包括第一信鸽虹膜图像和第二信鸽虹膜图像;所述根据所述信鸽虹膜图像样本组及其对应的标签对预设的孪生神经网络进行训练,得到训练后的信鸽虹膜神经网络模型,包括:
从多个信鸽虹膜图像样本组中选择一个信鸽虹膜图像样本组作为当前信鸽虹膜图像样本组;
将当前信鸽虹膜图像样本组的第一信鸽虹膜图像、第二信鸽虹膜图像及对应的标签输入孪生神经网络,以分别提取所述当前信鸽虹膜图像样本组的第一信鸽虹膜图像和第二信鸽虹膜图像各自对应的特征向量;
根据所述第一信鸽虹膜图像的特征向量、第二信鸽虹膜图像的特征向量及对应的标签,通过对比损失函数计算所述当前信鸽虹膜图像样本组对应的训练损失;
根据所述多个信鸽虹膜图像样本组中每个信鸽虹膜图像样本组对应的训练损失计算所述多个信鸽虹膜图像样本组的训练损失平均值;
根据所述训练损失平均值、反向传播算法及优化算法更新迭代所述信鸽虹膜神经网络模型的各个参数;
判断当前迭代累计次数是否超过预设的迭代次数,或所述信鸽虹膜神经网络模型的各个参数是否收敛;
若当前迭代累计次数超过预设的迭代次数或所述信鸽虹膜神经网络模型的各个参数收敛,则得到训练后的信鸽虹膜神经网络模型;若当前迭代累计次数没有超过预设的迭代次数且所述信鸽虹膜神经网络模型的各个参数不收敛,则返回执行所述从多个信鸽虹膜图像样本组中选择一个信鸽虹膜图像样本组作为当前信鸽虹膜图像样本组的步骤。
5.根据权利要求1所述的方法,其特征在于,所述根据所述信鸽虹膜神经网络模型对待分析信鸽虹膜图像进行亲缘关系分析,包括:
获取第一待分析信鸽虹膜图像和第二待分析信鸽虹膜图像;
根据所述信鸽虹膜神经网络模型分别对所述第一待分析信鸽虹膜图像和所述第二待分析信鸽虹膜图像进行特征提取,得到各自对应的特征向量并计算对应的距离;
根据所述距离判断所述第一待分析信鸽虹膜图像和所述第二待分析信鸽虹膜图像的亲缘关系。
6.根据权利要求5所述的方法,其特征在于,所述根据所述距离判断所述第一待分析信鸽虹膜图像和所述第二待分析信鸽虹膜图像的亲缘关系,包括:
根据所述距离确定所述第一待分析信鸽虹膜图像和所述第二待分析信鸽虹膜图像的相似度,判断所述相似度是否超过预设的阈值;
若是,则确定所述第一待分析信鸽虹膜图像和第二待分析信鸽虹膜图像各自对应的信鸽之间具有亲缘关系。
7.一种信鸽亲缘关系分析装置,其特征在于,所述装置包括:
获取模块,用于获取多个信鸽虹膜图像样本组及其对应的标签,所述信鸽虹膜图像样本组包括多张信鸽虹膜图像,所述标签用于指示所述多张信鸽虹膜图像各自对应的信鸽之间的亲缘关系;
训练模块,用于根据所述信鸽虹膜图像样本组及其对应的标签对预设的孪生神经网络进行训练,得到训练后的信鸽虹膜神经网络模型;
分析模块,用于根据所述信鸽虹膜神经网络模型对待分析信鸽虹膜图像进行亲缘关系分析。
8.根据权利要求7所述装置,其特征在于,采集模块,用于在所述获取模块获取多个信鸽虹膜图像样本组及其对应的标签之前,采集所述信鸽虹膜图像;处理模块,用于对所述信鸽虹膜图像按其亲缘关系进行分类和标注,得到对应的多个信鸽虹膜图像样本组及每个信鸽虹膜图像样本组对应的标签;存储模块,用于将所述多个信鸽虹膜图像样本组及其对应的标签关联存储到数据库中。
9.一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,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6中任一项所述的方法。
10.一种计算机可读存储介质,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6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911080418.7A CN111079526A (zh) | 2019-11-07 | 2019-11-07 | 一种信鸽亲缘关系分析方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911080418.7A CN111079526A (zh) | 2019-11-07 | 2019-11-07 | 一种信鸽亲缘关系分析方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111079526A true CN111079526A (zh) | 2020-04-28 |
Family
ID=70310954
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911080418.7A Pending CN111079526A (zh) | 2019-11-07 | 2019-11-07 | 一种信鸽亲缘关系分析方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111079526A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114219049A (zh) * | 2022-02-22 | 2022-03-22 | 天津大学 | 一种基于层级约束的细粒度笔石图像分类方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130039548A1 (en) * | 2009-11-27 | 2013-02-14 | Technical University Of Denmark | Genome-Wide Association Study Identifying Determinants Of Facial Characteristics For Facial Image Generation |
CN106980830A (zh) * | 2017-03-17 | 2017-07-25 | 中国人民解放军国防科学技术大学 | 一种基于深度卷积网络自亲缘关系识别方法与装置 |
CN106980831A (zh) * | 2017-03-17 | 2017-07-25 | 中国人民解放军国防科学技术大学 | 基于自编码器的自亲缘关系识别方法 |
CN109190502A (zh) * | 2018-08-10 | 2019-01-11 | 北京百度网讯科技有限公司 | 用于生成位置信息的方法和装置 |
CN110414299A (zh) * | 2018-04-28 | 2019-11-05 | 中山大学 | 一种基于计算机视觉的猴脸亲缘关系分析方法 |
-
2019
- 2019-11-07 CN CN201911080418.7A patent/CN111079526A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130039548A1 (en) * | 2009-11-27 | 2013-02-14 | Technical University Of Denmark | Genome-Wide Association Study Identifying Determinants Of Facial Characteristics For Facial Image Generation |
CN106980830A (zh) * | 2017-03-17 | 2017-07-25 | 中国人民解放军国防科学技术大学 | 一种基于深度卷积网络自亲缘关系识别方法与装置 |
CN106980831A (zh) * | 2017-03-17 | 2017-07-25 | 中国人民解放军国防科学技术大学 | 基于自编码器的自亲缘关系识别方法 |
CN110414299A (zh) * | 2018-04-28 | 2019-11-05 | 中山大学 | 一种基于计算机视觉的猴脸亲缘关系分析方法 |
CN109190502A (zh) * | 2018-08-10 | 2019-01-11 | 北京百度网讯科技有限公司 | 用于生成位置信息的方法和装置 |
Non-Patent Citations (2)
Title |
---|
田启川;潘泉;程咏梅;张洪才;: "基于过零检测的虹膜特征提取算法" * |
齐霁;孙光民;: "虹膜图像处理与识别技术研究" * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114219049A (zh) * | 2022-02-22 | 2022-03-22 | 天津大学 | 一种基于层级约束的细粒度笔石图像分类方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111523621B (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
CN111444966B (zh) | 媒体信息分类方法及装置 | |
CN108288051B (zh) | 行人再识别模型训练方法及装置、电子设备和存储介质 | |
JP2019521443A (ja) | 適応型追加学習を用いた細胞のアノテーション法及びアノテーションシステム | |
CN112862093B (zh) | 一种图神经网络训练方法及装置 | |
CN110765863B (zh) | 一种基于时空约束的目标聚类方法及系统 | |
CN110728294A (zh) | 一种基于迁移学习的跨领域图像分类模型构建方法和装置 | |
CN110856037B (zh) | 一种视频封面确定方法、装置、电子设备及可读存储介质 | |
CN111898739B (zh) | 基于元学习的数据筛选模型构建方法、数据筛选方法、装置、计算机设备及存储介质 | |
CN110751191A (zh) | 一种图像的分类方法及系统 | |
CN112182269A (zh) | 图像分类模型的训练、图像分类方法、装置、设备及介质 | |
CN113223011B (zh) | 基于引导网络和全连接条件随机场的小样本图像分割方法 | |
CN113902944A (zh) | 模型的训练及场景识别方法、装置、设备及介质 | |
CN114140696A (zh) | 商品识别系统优化方法、装置、设备及存储介质 | |
CN112200862B (zh) | 目标检测模型的训练方法、目标检测方法及装置 | |
CN111079526A (zh) | 一种信鸽亲缘关系分析方法、装置及存储介质 | |
CN113159133A (zh) | 数据标注方法及装置、电子设备、存储介质 | |
CN115098732B (zh) | 数据处理方法及相关装置 | |
CN112508135B (zh) | 模型训练方法、行人属性预测方法、装置及设备 | |
CN113627464B (zh) | 图像处理方法、装置、设备和存储介质 | |
CN112989869B (zh) | 人脸质量检测模型的优化方法、装置、设备及存储介质 | |
CN113378707A (zh) | 对象识别方法及装置 | |
CN112085040A (zh) | 对象标签确定方法、装置和计算机设备 | |
CN111414966A (zh) | 分类方法、装置、电子设备及计算机存储介质 | |
CN112115996B (zh) | 图像数据的处理方法、装置、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 |