牛脸识别方法和装置
技术领域
本公开的实施例涉及图像处理技术领域,具体涉及图像识别技术领域,尤其涉及牛脸识别方法和装置。
背景技术
当前,我国已初步形成高密度、集中化的奶牛养殖体系,奶牛饲养的信息化、智能化管理变得十分重要,奶牛牛脸识别作为奶牛管理的基础,是一项不容忽视的环节。
目前奶牛牛脸识别的方法包括:一种是使用传统的图片特征和匹配的算法,每头奶牛建立背部,侧部,后部三个图片特征库,然后比较各头牛的特征相似性来进行奶牛牛脸的识别,另一种是通过识别奶牛的耳标号在牛脸图像库中进行搜索,然后用牛脸识别进行验证实现牛脸识别,还有一种是采用深度卷积神经网络提取特征,结合对奶牛纹理特征实现对奶牛进行识别,该方法是使用奶牛视频作为训练识别数据。
发明内容
本公开的实施例提出了牛脸识别方法和装置。
第一方面,本公开的实施例提供了一种牛脸识别方法,该方法包括:利用训练得到的定位模型对每个待识别牛脸图像进行牛脸定位,得到相应牛脸的外接框,其中,外接框为用于表征牛耳位置、牛眼位置和牛鼻子位置和大小的图形,待识别牛脸图像为安置于牛脸不同角度的摄像装置所采集的牛脸图像;利用训练得到的关键点检测模型对每个牛脸外接框对应的待检测牛脸图像进行检测,得到相应待检测牛脸图像的关键点坐标;对每个待检测牛脸图像对应关键点坐标进行校正,得到与待检测牛脸图像对应的校正牛脸图像;将牛脸的全部校正牛脸图像进行图像合并,得到牛脸的合并图像;利用训练得到的特征提取模型对合并图像进行特征提取,得到合并图像对应的牛脸特征向量。
在一些实施例中,对每个待检测牛脸图像对应关键点坐标进行校正,得到与待检测牛脸图像对应的校正牛脸图像,包括:利用仿射变换方法,将每个待检测牛脸图像对应关键点坐标与相应的标准关键点坐标进行比对,得到与待检测牛脸图像对应的校正牛脸图像。
在一些实施例中,将牛脸的全部校正牛脸图像进行图像合并,得到牛脸的合并图像,包括:将同一时刻的牛脸的全部校正牛脸图像进行图像堆叠,得到牛脸的合并图像,其中,所述合并图像以多维矩阵表征。
在一些实施例中,定位模型通过如下训练方式得到:获取训练样本集,其中,训练样本集中的训练样本包括标有外接框坐标的待识别牛脸图像;利用深度学习方法,将训练样本集中训练样本包括的待识别牛脸图像作为检测网络的输入,将与输入的待识别牛脸图像对应的外接框坐标作为对应的检测网络的输出,训练得到定位模型。
在一些实施例中,关键点检测模型通过如下训练方式得到:获取训练样本集,其中,训练样本集中的训练样本包括标有关键点坐标且与每个牛脸的外接框相对应的待检测牛脸图像,其中,关键点至少包括:牛左耳耳根处、牛右耳耳根处、牛左眼中心点、牛右眼中心点和牛鼻子最高点;利用深度学习方法,将训练样本集中训练样本包括的待检测牛脸图像作为关键点检测网络的输入,将与输入的待检测牛脸图像对应的关键点坐标作为对应的关键点检测网络的输出,训练得到关键点检测模型。
在一些实施例中,特征提取模型通过如下训练方式得到:获取训练样本集,其中,训练样本集中的训练样本包括牛脸对应的合并图像;利用深度学习方法,将训练样本集中的训练样本包括的合并图像作为特征提取网络的输入,将与输入的合并图像对应的牛脸特征向量作为对应的特征提取网络的输出,训练得到特征提取模型。
在一些实施例中,在利用训练得到的特征提取模型对合并图像进行特征提取,得到合并图像对应的牛脸特征向量之后,方法还包括:比较牛脸特征向量与库中相应牛脸的特征向量的相似性,确定牛脸识别是否成功。
在一些实施例中,比较牛脸特征向量与库中相应牛脸的特征向量的相似性,确定牛脸识别是否成功,包括:计算牛脸特征向量与库中相应牛脸的特征向量之间的余弦距离,若余弦距离小于预设阈值,判定牛脸识别成功,若余弦距离不小于预设阈值,判定牛脸识别失败。
在一些实施例中,在利用训练得到的特征提取模型对合并图像进行特征提取,得到合并图像对应的牛脸特征向量之后,方法还包括:将牛脸特征向量保存至库中。
第二方面,本公开的实施例提供了一种牛脸识别装置,该装置包括:定位单元,被配置成利用训练得到的定位模型对每个待识别牛脸图像进行牛脸定位,得到相应牛脸的外接框,其中,外接框为用于表征牛耳位置、牛眼位置和牛鼻子位置和大小的图形,待识别牛脸图像为安置于牛脸不同角度的摄像装置所采集的牛脸图像;检测单元,被配置成利用训练得到的关键点检测模型对每个牛脸外接框对应的待检测牛脸图像进行检测,得到相应待检测牛脸图像的关键点坐标;校正单元,被配置成对每个待检测牛脸图像对应关键点坐标进行校正,得到与待检测牛脸图像对应的校正牛脸图像;合并单元,被配置成将牛脸的全部校正牛脸图像进行图像合并,得到牛脸的合并图像;特征提取单元,被配置成利用训练得到的特征提取模型对合并图像进行特征提取,得到合并图像对应的牛脸特征向量。
在一些实施例中,校正单元进一步被配置成利用仿射变换方法,将每个待检测牛脸图像对应关键点坐标与相应的标准关键点坐标进行比对,得到与待检测牛脸图像对应的校正牛脸图像。
在一些实施例中,合并单元进一步被配置成将同一时刻的牛脸的全部校正牛脸图像进行图像堆叠,得到牛脸的合并图像,其中,所述合并图像以多维矩阵表征。
在一些实施例中,定位单元包括:定位样本获取模块,被配置成获取训练样本集,其中,训练样本集中的训练样本包括标有外接框坐标的待识别牛脸图像;定位模型训练模块,被配置成利用深度学习方法,将训练样本集中训练样本包括的待识别牛脸图像作为检测网络的输入,将与输入的待识别牛脸图像对应的外接框坐标作为对应的检测网络的输出,训练得到定位模型。
在一些实施例中,检测单元包括:检测样本获取模块,被配置成获取训练样本集,其中,训练样本集中的训练样本包括标有关键点坐标且与每个牛脸的外接框相对应的待检测牛脸图像,其中,关键点至少包括:牛左耳耳根处、牛右耳耳根处、牛左眼中心点、牛右眼中心点和牛鼻子最高点;检测模型训练模块,被配置成利用深度学习方法,将训练样本集中训练样本包括的待检测牛脸图像作为关键点检测网络的输入,将与输入的待检测牛脸图像对应的关键点坐标作为对应的关键点检测网络的输出,训练得到关键点检测模型。
在一些实施例中,特征提取单元包括:图像样本获取模块,被配置成获取训练样本集,其中,训练样本集中的训练样本包括牛脸对应的合并图像;提取模型训练模块,被配置成利用深度学习方法,将训练样本集中的训练样本包括的合并图像作为特征提取网络的输入,将与输入的合并图像对应的牛脸特征向量作为对应的特征提取网络的输出,训练得到特征提取模型。
在一些实施例中,装置还包括:比较单元,被配置成比较牛脸特征向量与库中相应牛脸的特征向量的相似性,确定牛脸识别是否成功。
在一些实施例中,比较单元进一步被配置成计算牛脸特征向量与库中相应牛脸的特征向量之间的余弦距离,若余弦距离小于预设阈值,判定牛脸识别成功,若余弦距离不小于预设阈值,判定牛脸识别失败。
在一些实施例中,装置还包括:存储单元,被配置成将牛脸特征向量保存至库中。
第三方面,本公开的实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本公开的实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本公开的实施例提供的牛脸识别方法和装置通过利用训练得到的定位模型对每个安置于牛脸不同角度的摄像装置所采集的待识别牛脸图像进行牛脸定位,得到相应牛脸的外接框,利用训练得到的关键点检测模型对每个牛脸外接框对应的待检测牛脸图像进行检测,得到相应待检测牛脸图像的关键点坐标,并对每个待检测牛脸图像对应关键点坐标进行校正,得到与待检测牛脸图像对应的校正牛脸图像,再将牛脸的全部校正牛脸图像进行图像合并,得到牛脸的合并图像,最后利用训练得到的特征提取模型对合并图像进行特征提取,得到合并图像对应的牛脸特征向量,避免了现有技术中依赖耳标号,对拍摄角度和耳标号的清晰干净程度有较高要求的问题,解决了奶牛在运动过程中很难拍摄到正脸的问题,提高了牛脸识别的实用性,避免了现有技术通过使用奶牛视频做为训练识别数据,对采集的数据要求高,适应场景苛刻,只能在奶牛数目较少的情况下取得较高的识别准确率,无法推广到拥有成千上万头奶牛的大型奶牛场使用的问题,提高了牛脸识别的易用性和鲁棒性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本公开的其它特征、目的和优点将会变得更明显:
图1是本公开的一些实施例可以应用于其中的示例性系统架构图;
图2是根据本公开的牛脸识别方法的一个实施例的流程图;
图3是根据本公开的牛脸识别方法的一个应用场景的示意图;
图4是根据本公开的牛脸识别方法的又一个实施例的流程图;
图5是根据本公开的牛脸识别装置的一个实施例的结构示意图;
图6是适于用来实现本公开的实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的实施例的牛脸识别方法或牛脸识别装置的示例性系统架构100。
如图1所示,系统架构100可以包括摄像装置101、102、103,网络104和服务器105。网络104用以在摄像装置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。
摄像装置101、102、103可以是采集静态图像的摄像头。
摄像装置101、102、103通过网络104与服务器105交互,以接收或发送消息等。
服务器105可以是提供各种服务的服务器,例如对摄像装置101、102、103采集的图像提供支持的服务器。服务器可以对接收到图像等数据进行分析等处理。
需要说明的是,本公开的实施例所提供的牛脸识别方法一般由服务器105执行,相应的牛脸识别装置一般设置于服务器105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摄像装置、网络和服务器。
继续参考图2,示出了根据本公开的牛脸识别方法的一个实施例的流程200。该牛脸识别方法,包括以下步骤:
步骤201,利用训练得到的定位模型对每个待识别牛脸图像进行牛脸定位,得到相应牛脸的外接框。
在本实施例中,本方法的执行主体(例如图1所示的服务器)利用训练得到的定位模型,对每个摄像装置所采集的待识别牛脸图像进行牛脸定位,得到相应牛脸的外接框,其中,外接框可以为用于表征牛耳位置、牛眼位置和牛鼻子位置和大小的图形,外接框可以用于指示该图形左上角的坐标值、图形宽度和图形高度,待识别牛脸图像可以为安置于牛脸不同角度的摄像装置所采集的牛脸图像。
步骤202,利用训练得到的关键点检测模型对每个牛脸外接框对应的待检测牛脸图像进行检测,得到相应待检测牛脸图像的关键点坐标。
在本实施例中,上述执行主体利用训练得到的关键点检测模型,对步骤201得到的每个牛脸外接框对应的待检测牛脸图像进行检测,得到相应待检测牛脸图像的关键点坐标,其中,关键点可以包括:牛左耳耳根处、牛右耳耳根处、牛左眼中心点、牛右眼中心点和牛鼻子最高点。
步骤203,对每个待检测牛脸图像对应关键点坐标进行校正,得到与待检测牛脸图像对应的校正牛脸图像。
在本实施例中,上述执行主体将步骤202得到的每个关键点坐标与预先设定的牛脸关键点位置信息进行校正,得到与待检测牛脸图像对应的校正牛脸图像。
步骤204,将牛脸的全部校正牛脸图像进行图像合并,得到牛脸的合并图像。
在本实施例中,上述执行主体按照预设的合并方法,将牛脸同一时间的全部校正牛脸图像进行图像合并,得到牛脸的合并图像。
步骤205,利用训练得到的特征提取模型对合并图像进行特征提取,得到合并图像对应的牛脸特征向量。
在本实施例中,上述执行主体利用训练得到的特征提取模型,对合并图像进行特征提取,得到合并图像对应的牛脸特征向量,其中,牛脸特征向量可以为一个多维的浮点型数据。
在本实施例的一些可选的实现方式中,对每个待检测牛脸图像对应关键点坐标进行校正,得到与待检测牛脸图像对应的校正牛脸图像,包括:利用仿射变换方法,将每个待检测牛脸图像对应关键点坐标与相应的标准关键点坐标进行比对,得到与待检测牛脸图像对应的校正牛脸图像,其中,标准关键点坐标根据关键点检测模型训练中相应待检测牛脸图像对应的关键点坐标计算得到。
在本实施例的一些可选的实现方式中,将牛脸的全部校正牛脸图像进行图像合并,得到牛脸的合并图像,包括:将同一时刻的牛脸的全部校正牛脸图像进行图像堆叠,得到牛脸的合并图像,其中,所述合并图像以多维矩阵表征。
在本实施例的一些可选的实现方式中,定位模型通过如下训练方式得到:获取训练样本集,其中,训练样本集中的训练样本包括标有外接框坐标的待识别牛脸图像,例如:1000张以上带有完整牛脸实际应用场景的图像;利用深度学习方法,将训练样本集中训练样本包括的待识别牛脸图像作为检测网络的输入,将与输入的待识别牛脸图像对应的外接框坐标作为对应的检测网络的输出,训练得到定位模型。
在本实施例的一些可选的实现方式中,关键点检测模型通过如下训练方式得到:获取训练样本集,其中,训练样本集中的训练样本包括标有关键点坐标且与每个牛脸的外接框相对应的待检测牛脸图像,其中,关键点至少包括:牛左耳耳根处、牛右耳耳根处、牛左眼中心点、牛右眼中心点和牛鼻子最高点;利用深度学习方法,将训练样本集中训练样本包括的待检测牛脸图像作为关键点检测网络的输入,将与输入的待检测牛脸图像对应的关键点坐标作为对应的关键点检测网络的输出,训练得到关键点检测模型。
在本实施例的一些可选的实现方式中,特征提取模型通过如下训练方式得到:获取训练样本集,其中,训练样本集中的训练样本包括牛脸对应的合并图像;利用深度学习方法,将训练样本集中的训练样本包括的合并图像作为特征提取网络的输入,将与输入的合并图像对应的牛脸特征向量作为对应的特征提取网络的输出,训练得到特征提取模型。利用深度学习技术,解决了现有技术中无法表达和描述牛脸的高级特征的问题,提高了牛脸识别的精度和准确率。
在本实施例的一些可选的实现方式中,在利用训练得到的特征提取模型对合并图像进行特征提取,得到合并图像对应的牛脸特征向量之后,方法还包括:比较牛脸特征向量与库中相应牛脸的特征向量的相似性,确定牛脸识别是否成功。
在本实施例的一些可选的实现方式中,比较牛脸特征向量与库中相应牛脸的特征向量的相似性,确定牛脸识别是否成功,包括:计算牛脸特征向量与库中相应牛脸的特征向量之间的余弦距离,若余弦距离小于预设阈值,判定牛脸识别成功,若余弦距离不小于预设阈值,判定牛脸识别失败。
继续参见图3,图3是根据本实施例的牛脸识别方法的应用场景的一个示意图300。在图3的应用场景中,摄像装置301、302、303将采集的待识别牛脸图像分别发送至上述服务器304,服务器利用训练得到的定位模型,对每个待识别牛脸图像进行牛脸定位,得到相应牛脸的外接框,服务器利用训练得到的关键点检测模型对每个牛脸外接框对应的待检测牛脸图像进行检测,得到相应待检测牛脸图像的关键点坐标,并对每个待检测牛脸图像对应关键点坐标进行校正,得到与待检测牛脸图像对应的校正牛脸图像,然后服务器将牛脸的全部校正牛脸图像进行图像合并,得到牛脸的合并图像,最后服务器利用训练得到的特征提取模型对合并图像进行特征提取,得到合并图像对应的牛脸特征向量。
本公开的上述实施例提供的牛脸识别方法通过利用训练得到的定位模型对每个安置于牛脸不同角度的摄像装置所采集的待识别牛脸图像进行牛脸定位,得到相应牛脸的外接框,利用训练得到的关键点检测模型对每个牛脸外接框对应的待检测牛脸图像进行检测,得到相应待检测牛脸图像的关键点坐标,并对每个待检测牛脸图像对应关键点坐标进行校正,得到与待检测牛脸图像对应的校正牛脸图像,再将牛脸的全部校正牛脸图像进行图像合并,得到牛脸的合并图像,最后利用训练得到的特征提取模型对合并图像进行特征提取,得到合并图像对应的牛脸特征向量,避免了现有技术中依赖耳标号,对拍摄角度和耳标号的清晰干净程度有较高要求的问题,解决了奶牛在运动过程中很难拍摄到正脸的问题,提高了牛脸识别的实用性,避免了现有技术通过使用奶牛视频做为训练识别数据,对采集的数据要求高,适应场景苛刻,只能在奶牛数目较少的情况下取得较高的识别准确率,无法推广到拥有成千上万头奶牛的大型奶牛场使用的问题,提高了牛脸识别的易用性和鲁棒性。
进一步参考图4,其示出了牛脸识别方法的又一个实施例的流程。该方法的流程400,包括以下步骤:
步骤401,利用训练得到的定位模型对每个待识别牛脸图像进行牛脸定位,得到相应牛脸的外接框。
步骤402,利用训练得到的关键点检测模型对每个牛脸外接框对应的待检测牛脸图像进行检测,得到相应待检测牛脸图像的关键点坐标。
步骤403,对每个待检测牛脸图像对应关键点坐标进行校正,得到与待检测牛脸图像对应的校正牛脸图像。
步骤404,将牛脸的全部校正牛脸图像进行图像合并,得到牛脸的合并图像。
步骤405,利用训练得到的特征提取模型对合并图像进行特征提取,得到合并图像对应的牛脸特征向量。
步骤406,将牛脸特征向量保存至库中。
在本实施例中,执行主体将得到的牛脸特征向量存储到注册库中,已完成牛脸注册。
在本实施例中,步骤401~405的具体操作与图2所示的实施例中的步骤201~205的操作基本相同,在此不再赘述。
从图4中可以看出,与图2对应的实施例相比,本实施例中的牛脸识别方法的流程400增加了步骤406,将牛脸特征向量保存至库中。由此,本实施例描述的方案将牛脸识别过程中得到的牛脸特征向量存储到注册库,完成牛脸注册。
进一步参考图5,作为对上述图2~图3所示方法的实现,本公开提供了一种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5所示,本实施例的牛脸识别装置500包括:定位单元501、检测单元502、校正单元503、合并单元504和特征提取单元505。其中,定位单元501,被配置成利用训练得到的定位模型对每个待识别牛脸图像进行牛脸定位,得到相应牛脸的外接框,其中,外接框为用于表征牛耳位置、牛眼位置和牛鼻子位置和大小的图形,待识别牛脸图像为安置于牛脸不同角度的摄像装置所采集的牛脸图像;检测单元502,被配置成利用训练得到的关键点检测模型对每个牛脸外接框对应的待检测牛脸图像进行检测,得到相应待检测牛脸图像的关键点坐标;校正单元503,被配置成对每个待检测牛脸图像对应关键点坐标进行校正,得到与待检测牛脸图像对应的校正牛脸图像;合并单元504,被配置成将牛脸的全部校正牛脸图像进行图像合并,得到牛脸的合并图像;特征提取单元505,被配置成利用训练得到的特征提取模型对合并图像进行特征提取,得到合并图像对应的牛脸特征向量。
在本实施例中,牛脸识别装置500的定位单元501、检测单元502、校正单元503、合并单元504和特征提取单元505的具体处理及其所带来的技术效果可分别参考图2对应的实施例中的步骤201到步骤205的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,校正单元进一步被配置成利用仿射变换方法,将每个待检测牛脸图像对应关键点坐标与相应的标准关键点坐标进行比对,得到与待检测牛脸图像对应的校正牛脸图像。
在本实施例的一些可选的实现方式中,合并单元进一步被配置成将同一时刻的牛脸的全部校正牛脸图像进行图像堆叠,得到牛脸的合并图像,其中,所述合并图像以多维矩阵表征。
在本实施例的一些可选的实现方式中,定位单元包括:定位样本获取模块,被配置成获取训练样本集,其中,训练样本集中的训练样本包括标有外接框坐标的待识别牛脸图像;定位模型训练模块,被配置成利用深度学习方法,将训练样本集中训练样本包括的待识别牛脸图像作为检测网络的输入,将与输入的待识别牛脸图像对应的外接框坐标作为对应的检测网络的输出,训练得到定位模型。
在本实施例的一些可选的实现方式中,检测单元包括:检测样本获取模块,被配置成获取训练样本集,其中,训练样本集中的训练样本包括标有关键点坐标且与每个牛脸的外接框相对应的待检测牛脸图像,其中,关键点至少包括:牛左耳耳根处、牛右耳耳根处、牛左眼中心点、牛右眼中心点和牛鼻子最高点;检测模型训练模块,被配置成利用深度学习方法,将训练样本集中训练样本包括的待检测牛脸图像作为关键点检测网络的输入,将与输入的待检测牛脸图像对应的关键点坐标作为对应的关键点检测网络的输出,训练得到关键点检测模型。
在本实施例的一些可选的实现方式中,特征提取单元包括:图像样本获取模块,被配置成获取训练样本集,其中,训练样本集中的训练样本包括牛脸对应的合并图像;提取模型训练模块,被配置成利用深度学习方法,将训练样本集中的训练样本包括的合并图像作为特征提取网络的输入,将与输入的合并图像对应的牛脸特征向量作为对应的特征提取网络的输出,训练得到特征提取模型。
在本实施例的一些可选的实现方式中,装置还包括:比较单元,被配置成比较牛脸特征向量与库中相应牛脸的特征向量的相似性,确定牛脸识别是否成功。
在本实施例的一些可选的实现方式中,比较单元进一步被配置成计算牛脸特征向量与库中相应牛脸的特征向量之间的余弦距离,若余弦距离小于预设阈值,判定牛脸识别成功,若余弦距离不小于预设阈值,判定牛脸识别失败。
在本实施例的一些可选的实现方式中,装置还包括:存储单元,被配置成将牛脸特征向量保存至库中。
本公开的实施例提供的牛脸识别装置通过利用训练得到的定位模型对每个安置于牛脸不同角度的摄像装置所采集的待识别牛脸图像进行牛脸定位,得到相应牛脸的外接框,利用训练得到的关键点检测模型对每个牛脸外接框对应的待检测牛脸图像进行检测,得到相应待检测牛脸图像的关键点坐标,并对每个待检测牛脸图像对应关键点坐标进行校正,得到与待检测牛脸图像对应的校正牛脸图像,再将牛脸的全部校正牛脸图像进行图像合并,得到牛脸的合并图像,最后利用训练得到的特征提取模型对合并图像进行特征提取,得到合并图像对应的牛脸特征向量,避免了现有技术中依赖耳标号,对拍摄角度和耳标号的清晰干净程度有较高要求的问题,解决了奶牛在运动过程中很难拍摄到正脸的问题,提高了牛脸识别的实用性,避免了现有技术通过使用奶牛视频做为训练识别数据,对采集的数据要求高,适应场景苛刻,只能在奶牛数目较少的情况下取得较高的识别准确率,无法推广到拥有成千上万头奶牛的大型奶牛场使用的问题,提高了牛脸识别的易用性和鲁棒性。
下面参考图6,其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器)600的结构示意图。本公开的实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的同步处理服务器仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM602被安装。在该计算机程序被处理装置601执行时,执行本公开的实施例的方法中限定的上述功能。
需要说明的是,本公开的实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:利用训练得到的定位模型对每个待识别牛脸图像进行牛脸定位,得到相应牛脸的外接框;利用训练得到的关键点检测模型对每个牛脸外接框对应的待检测牛脸图像进行检测,得到相应待检测牛脸图像的关键点坐标;对每个待检测牛脸图像对应关键点坐标进行校正,得到与待检测牛脸图像对应的校正牛脸图像;将牛脸的全部校正牛脸图像进行图像合并,得到牛脸的合并图像;利用训练得到的特征提取模型对合并图像进行特征提取,得到合并图像对应的牛脸特征向量。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括定位单元、检测单元、校正单元、合并单元和特征提取单元。这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,定位单元还可以被描述为“利用训练得到的定位模型对每个待识别牛脸图像进行牛脸定位,得到相应牛脸的外接框的单元”。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。