CN111967413A - 一种猪脸识别方法 - Google Patents

Abstract

本发明属于人工智能技术领域，公开了一种猪脸识别方法，包括如下步骤：S1：根据猪脸资料，基于神经网络，建立猪脸识别模型；S2：在猪脸识别模型加入生长周期猪脸特征变化追踪匹配机制，得到追踪生长周期的动态猪脸识别模型；S3：实时获取现场视频，并根据现场视频，使用追踪生长周期的动态猪脸识别模型，得到猪脸识别结果。本发明解决了现有技术存在的难以便捷快速识别猪脸、实用性低、不同周期内识别准确率低以及商用成熟度低的问题。

Description

一种猪脸识别方法

技术领域

本发明属于人工智能技术领域，具体涉及一种猪脸识别方法。

背景技术

现有技术中，猪脸识别技术采用开源机器学习平台Tensorflow来推理猪脸，但是静态的猪脸识别，需要把单个猪控制在固定摄像头的猪栏前面，每次对单个猪相对固定来进行猪脸识别，存在问题为：进行静态猪脸识别时，在猪场由于猪本身的好动，难以便捷快速识别猪脸，同时，猪脸特征研究方式是经过人手动分割裁剪的“脸”，在实验室之外很难落地，在大规模猪场难以商用，实用性低。

现有技术中，使用的迁移学习方式都是基于人脸相似的方式，针对的是猪单一时刻个体的识别，但由于肉猪从哺乳期到肥育期结束出栏只有短短的6个月，生猪脸部生长特征变化较大，单一时刻的猪脸识别在生猪生长不同周期内识别准确率不高，商用成熟度并不高。

发明内容

本发明旨在于至少在一定程度上解决上述技术问题之一。

为此，本发明目的在于提供一种猪脸识别方法，用于解决现有技术存在的难以便捷快速识别猪脸、实用性低、不同周期内识别准确率低以及商用成熟度低的问题。

本发明所采用的技术方案为：

一种猪脸识别方法，包括如下步骤：

S1：根据猪脸资料，基于神经网络，建立猪脸识别模型；

S2：在猪脸识别模型加入生长周期猪脸特征变化追踪匹配机制，得到追踪生长周期的动态猪脸识别模型；

S3：实时获取现场视频，并根据现场视频，使用追踪生长周期的动态猪脸识别模型，得到猪脸识别结果。

进一步地，步骤S1中，猪脸资料包括正样本和随机负样本，正样本为包含猪脸部分的生猪图像，随机负样本为不包括猪脸部分的随机图片。

进一步地，步骤S1中，神经网络为卷积神经网络，卷积神经网络包括Input层、Focus网络层、BackBone网络层、PANet网络层以及Output层；

卷积神经网络设置有LSTM模块，LSTM模块设置有遗忘门。

进一步地，遗忘门的公式为：

f_t＝σ(W_f·[h_t-1，x_t]+b_f)

式中，f_t为遗忘门函数；σ(*)为sigmoid激活函数；h_t-1为前一个时间步(t-1)的输出；t为时间步指示量；x_t为当前时间步的输入；b_f为卷积层偏置项；W_f为卷积层权重。

进一步地，神经网络的输出公式为：

式中，o_ij为经过注意力加权后的输出特征；α_ij为归一化后的注意力权重；i为注意力指示量；j为单向时间步；n为单向时间步数；h_j为各个时间步的输出。

进一步地，步骤S1的具体步骤为：

S1-1：将猪脸资料进行预处理，得到预处理后数据集，并将预处理后数据集分为训练集和测试集；

S1-2：使用训练集对神经网络进行训练，得到初始的猪脸识别模型；

S1-3：使用测试集对初始的猪脸识别模型进行优化，得到最优的猪脸识别模型。

进一步地，步骤S2中，生长周期猪脸特征变化追踪匹配机制的具体步骤为：

A-1：根据生猪的年龄阶段，建立生长周期猪脸特征矩阵；

生猪的年龄阶段包括哺乳期、保育期和肥育期，生猪的生长周期包括第1个月至第6个月；

A-2：获取当前生猪的猪脸特征，并根据猪脸特征匹配对应的生长周期猪脸特征矩阵；

A-3：根据猪脸特征，进行猪脸识别，得到当前生猪的年龄阶段，根据年龄结果判断当前生猪是否处于肥育期，若是则进入步骤A-4，否则结束生长周期猪脸特征变化追踪匹配方法；

A-4：获取猪脸特征步长，并根据猪脸特征步长，将当前生猪的猪脸特征保存至对应的生长周期猪脸特征矩阵的对应位置，更新生长周期猪脸特征矩阵。

进一步地，步骤A-3中，获取当前生猪的年龄结果的具体方法为：

B-1：获取当前生猪的猪脸特征的LBP特征和HOG特征；

B-2：使用CCA方法将LBP特征和HOG特征进行融合，得到融合特征；

B-3：根据融合特征，使用SVR方法得到当前生猪的年龄阶段。

进一步地，步骤A-4中，猪脸特征步长的获取公式为：

gap(X,Y)＝cosθ(X,Y)×T(X,Y)

式中，gap(X,Y)为猪脸特征步长；X为更新前的当前生猪的生长周期猪脸特征矩阵；Y为更新后的当前生猪的生长周期猪脸特征矩阵；cosθ(X,Y)为生长周期猪脸特征矩阵X和Y进行比较的余弦值；T(X,Y)为不同生长周期间隔的设置时间权重。

进一步地，步骤S3的具体步骤为：

S3-1：实时获取现场视频，对现场视频进行猪体检测，得到当前生猪的猪体检测结果；

S3-2：根据当前生猪的猪体检测结果，判断当前生猪的体重是否大于体重阈值，若是则对当前生猪进行猪体追踪，进步步骤S3-3，否则结束猪脸识别方法；

S3-3：追踪到生猪后，使用追踪生长周期的动态猪脸识别模型，提取当前帧图像中当前生猪的猪脸特征；

S3-4：根据猪脸特征，进行猪脸识别，得到当前生猪的猪脸识别结果，并更新对应的生长周期猪脸特征矩阵，猪脸识别结果包括身份信息和年龄结果。

本发明的有益效果为：

本发明基于猪脸资料建立的追踪生长周期的动态猪脸识别模型对猪脸进行动态识别，快速识别猪脸，无需依赖线下人工固定猪栏角度位置，提高了实用性；加入生长周期猪脸特征变化追踪匹配机制，可识别配对生长肥育期不同时间的生猪个体识别，保证了猪脸特征的连续性，提高了生长不同周期内识别准确率和商用成熟度。

本发明的其他有益效果将在具体实施方式中进行详细说明。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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发明的一些实施例，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是猪脸识别方法流程图；

图2是正样本图像；

图3是随机样本图像；

图4是LSTM模块结构图像。

具体实施方式

下面结合附图及具体实施例来对本发明作进一步阐述。在此需要说明的是，对于这些实施例方式的说明虽然是用于帮助理解本发明，但并不构成对本发明的限定。本发明公开的功能细节仅用于描述本发明的示例实施例。然而，可用很多备选的形式来体现本发明，并且不应当理解为本发明限制在本发明阐述的实施例中。

应当理解，本发明使用的术语仅用于描述特定实施例，并不意在限制本发明的示例实施例。若术语“包括”、“包括了”、“包含”和/或“包含了”在本发明中被使用时，指定所声明的特征、整数、步骤、操作、单元和/或组件的存在性，并且不排除一个或多个其他特征、数量、步骤、操作、单元、组件和/或他们的组合存在性或增加。

应当理解，还应当注意到在一些备选实施例中，所出现的功能/动作可能与附图出现的顺序不同。例如，取决于所涉及的功能/动作，实际上可以实质上并发地执行，或者有时可以以相反的顺序来执行连续示出的两个图。

应当理解，在下面的描述中提供了特定的细节，以便于对示例实施例的完全理解。然而，本领域普通技术人员应当理解可以在没有这些特定细节的情况下实现示例实施例。例如可以在框图中示出系统，以避免用不必要的细节来使得示例不清楚。在其他实例中，可以不以不必要的细节来示出众所周知的过程、结构和技术，以避免使得示例实施例不清楚。

实施例1

如图1所示，本实施例提供一种猪脸识别方法，包括如下步骤：

S1：根据猪脸资料，基于神经网络，建立猪脸识别模型；

猪脸资料包括如图2(a)、图2(b)以及图2(c)共同所示的正样本和如图3(a)、图3(b)以及图3(c)共同所示的随机负样本，正样本为包含猪脸部分的生猪图像，随机负样本为不包括猪脸部分的随机图片；

猪脸不同的角度猪脸特征变化比较大，猪的耳朵也会有多种的姿态，考虑到猪脸识别的难度与准确性，所以猪脸检测，不包含猪的耳朵，也尽可能的检测猪的正脸，主要聚焦于生猪猪脸部分眼睛、鼻子、嘴巴、猪毛、眼毛等特征部位信息，正样本采集要求：

1)猪脸的不同角度(前脸正视90°、左右侧脸20°、左右侧脸40°、左右侧脸60°、左右侧脸80°、俯视0°、45°、90°)；

2)猪脸不同光照(白光、黄光，不考虑逆光)；

3)猪在不同的场景(猪栏、猪栏过道、猪栏开放活动区)；

神经网络为卷积神经网络，卷积神经网络包括输入Input层、焦点Focus网络层、骨干BackBone网络层、路径聚合PANet网络层以及输出Output层；

使用Input层接收猪脸资料的原始图像，经过预处理，修改尺寸到640*640的尺寸，使用Focus网络层降低采样尺寸为320*320，Focus层能够降低输入网络的图片尺寸从而提高运行速度，并且该神经网络能减少输入信息的损失，经过BackBone网络，在不同图像细粒度上形成图像特征，不同的特征图经过PANet网络进行图像特征融合与信息交流，最后经过Output层进行预测，生成边界框和预测类别，提高了识别准确率，并且便于后续步骤进行猪体追踪；

卷积神经网络设置有如图4所示的长短时记忆LSTM模块，LSTM模块设置有遗忘门；

遗忘门的公式为：

f_t＝σ(W_f·[h_t-1，x_t]+b_f)

式中，f_t为遗忘门函数；σ(*)为sigmoid激活函数；h_t-1为前一个时间步(t-1)的输出；t为时间步指示量；x_t为当前时间步的输入；b_f为卷积层偏置项；W_f为卷积层权重；整个计算过程就是把前一个时间步的输出和当前时间步的输入通过卷积层融合，然后通过sigmoid函数激活，输出限制在0-1之间，0表示全部遗忘，1表示全部保留；

神经网络的注意力模块的公式为：

e_ij＝tanh((h_s·w)+b)*u

式中，e_ij为归一化前的注意力权重；tanh(*)为双曲正切函数；h_s为各个时间步的输出；w为卷积权重；b为卷积偏置项；u为缩放系数；i为注意力指示量；j为单向时间步；

神经网络的注意力权重的公式为：

式中，α_ij为归一化后的注意力权重；e_ij为归一化前的注意力权重；i为注意力指示量；j为单向时间步；k为时间步指示量；n为单向时间步数；本次计算即进行归一化指数softmax函数激活，输出限制在0-1之间，得到注意力分布；

神经网络的经过注意力加权后的输出特征的公式为：

式中，o_ij为经过注意力加权后的输出特征；α_ij为归一化后的注意力权重；i为注意力指示量；j为单向时间步；n为单向时间步数；h_j为各个时间步的输出；

具体步骤为：

S1-1：将猪脸资料进行预处理，得到预处理后数据集，并将预处理后数据集分为训练集和测试集；

S1-2：使用训练集对神经网络进行训练，得到初始的猪脸识别模型；

S1-3：使用测试集对初始的猪脸识别模型进行优化，得到最优的猪脸识别模型；

S2：在猪脸识别模型加入生长周期猪脸特征变化追踪匹配机制，得到追踪生长周期的动态猪脸识别模型；

生猪整个生命周期历经180天，哺乳阶段35天左右，重7公斤左右，保育阶段36-70天左右，重20公斤左右，生长肥育阶段70-180天左右，重110公斤左右，分析保育结束之前，生猪的脸部变化频率太大，不利于通过脸部特征来进行识别区分，本发明聚焦于生长肥育阶段的猪脸识别，通过设计了动态跟踪猪生长周期猪脸特征变化趋势，通过特征集群来进行生猪不同时刻的猪脸数据匹配，在猪场生猪养殖等场景猪脸识别准确率大大增加，主要依据每头生猪在每隔若干天的特征变化迁移二维矩阵进行追踪匹配，解决由于生猪生长太快，猪脸变化频率高而造成的超过时间间隔后，前后时间段的同一生猪特征差异大，造成跟踪丢失；

生长周期猪脸特征变化追踪匹配机制的具体步骤为：

A-1：根据生猪的年龄阶段，建立生长周期猪脸特征矩阵[feature_0,feature_1,...feature_N]，其中，N为根据生猪的年龄阶段得到的生猪生长周期总数；

生猪的年龄阶段包括哺乳期、保育期和肥育期，生猪的生长周期包括第1个月至第6个月；

A-2：获取当前生猪k的猪脸特征feature_x，并根据猪脸特征匹配对应的生长周期猪脸特征矩阵Pn＝[feature_0,feature_1,...feature_n]，其中，Pn为上一生长周期的当前生猪的生长周期猪脸特征矩阵，k为当前生猪的身份标识，feature_n为当前生猪k在上一生长周期的猪脸特征；

A-3：根据猪脸特征feature_x，进行猪脸识别，得到当前生猪的年龄阶段，根据年龄结果判断当前生猪是否处于肥育期，若是则进入步骤A-4，否则结束生长周期猪脸特征变化追踪匹配方法；

获取当前生猪的年龄结果的具体方法为：

B-1：获取当前生猪的猪脸特征的局部二值化模式LBP特征和梯度直方图HOG特征；

B-2：使用典型相关分析CCA方法将LBP特征和HOG特征进行融合，得到融合特征；

B-3：根据融合特征，使用支持向量机回归SVR方法得到当前生猪的年龄阶段；

A-4：获取猪脸特征步长，并根据猪脸特征步长，将当前生猪的猪脸特征保存至对应的生长周期猪脸特征矩阵的对应位置，更新生长周期猪脸特征矩阵，Pn+1＝[feature_0,feature_1,...feature_n,feature_x]，Pn+1为当前生猪k在当前生长周期的生长周期猪脸特征矩阵；

生长周期猪脸特征矩阵保存有当前生猪上一生长周期及之前生长周期的所有猪脸特征，gap<0.2step，相似度达到0.85，0.2step<gap<0.5step，相似度为0.75-0.85，0.5step<gap<1.0step，相似度为0.6-0.75，因此猪脸特征步长gap≤0.2step时，生长周期猪脸特征矩阵的对应位置为当前生猪的当前生长周期，将前生猪的猪脸特征保存至对应的生长周期猪脸特征矩阵的对应位置，更新生长周期猪脸特征矩阵，保证了生猪的生长周期的猪脸特征的连续性；

猪脸特征步长的获取公式为：

gap(X,Y)＝cosθ(X,Y)×T(X,Y)

式中，gap(X,Y)为猪脸特征步长；X为更新前的当前生猪的生长周期猪脸特征矩阵；Y为更新后的当前生猪的生长周期猪脸特征矩阵；cosθ(X,Y)为生长周期猪脸特征矩阵X和Y进行比较的余弦值；T(X,Y)为不同生长周期间隔的设置时间权重；

不同生长周期的猪脸特征矩阵进行比较的余弦值的公式为：

式中，cosθ(X,Y)为生长周期猪脸特征矩阵X和Y进行比较的余弦值；i为猪脸特征指示量；n为猪脸特征总数；X^T中的更新前的当前生猪的生长周期猪脸特征矩阵的转置矩阵；

设置时间权重的公式为：

式中，T(X,Y)为不同生长周期间隔的设置时间权重；

S3：实时获取现场视频，并根据现场视频，使用追踪生长周期的动态猪脸识别模型，得到猪脸识别结果，具体步骤为：

S3-1：实时获取现场视频，对现场视频进行猪体检测，得到当前生猪的猪体检测结果；

S3-2：根据当前生猪的猪体检测结果，判断当前生猪的体重是否大于体重阈值20kg，若是则对当前生猪进行猪体追踪，进步步骤S3-3，否则结束猪脸识别方法；

S3-3：追踪到生猪后，使用追踪生长周期的动态猪脸识别模型，提取当前帧图像中当前生猪的猪脸特征；

S3-4：根据猪脸特征，进行猪脸识别，得到当前生猪的猪脸识别结果，并更新对应的生长周期猪脸特征矩阵，猪脸识别结果包括身份信息和年龄结果。

本发明基于猪脸资料建立的追踪生长周期的动态猪脸识别模型对猪脸进行动态识别，快速识别猪脸，无需依赖线下人工固定猪栏角度位置，提高了实用性；加入生长周期猪脸特征变化追踪匹配机制，可识别配对生长肥育期不同时间的生猪个体识别，保证了猪脸特征的连续性，提高了生长不同周期内识别准确率和商用成熟度。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

以上所描述的实施例仅仅是示意性的，若涉及到作为分离部件说明的单元，其可以是或者也可以不是物理上分开的；若涉及到作为单元显示的部件，其可以是或者也可以不是物理单元，即可以位于一个地方，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单元来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例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同替换。而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

本发明不局限于上述可选的实施方式，任何人在本发明的启示下都可得出其他各种形式的产品。上述具体实施方式不应理解成对本发明的保护范围的限制，本发明的保护范围应当以权利要求书中界定的为准，并且说明书可以用于解释权利要求书。

Claims (10)

1.一种猪脸识别方法，其特征在于：包括如下步骤：

S1：根据猪脸资料，基于神经网络，建立猪脸识别模型；

S2：在猪脸识别模型加入生长周期猪脸特征变化追踪匹配机制，得到追踪生长周期的动态猪脸识别模型；

S3：实时获取现场视频，并根据现场视频，使用追踪生长周期的动态猪脸识别模型，得到猪脸识别结果。

2.根据权利要求1所述的一种猪脸识别方法，其特征在于：所述步骤S1中，所述猪脸资料包括正样本和随机负样本，所述正样本为包含猪脸部分的生猪图像，所述随机负样本为不包括猪脸部分的随机图片。

3.根据权利要求1所述的一种猪脸识别方法，其特征在于：所述步骤S1中，所述神经网络为卷积神经网络，所述卷积神经网络包括Input层、Focus网络层、BackBone网络层、PANet网络层以及Output层；

所述卷积神经网络设置有LSTM模块，所述LSTM模块设置有遗忘门。

4.根据权利要求3所述的一种猪脸识别方法，其特征在于：所述遗忘门的公式为：

f_t＝σ(W_f·[h_t-1，x_t]+b_f)

式中，f_t为遗忘门函数；σ(*)为sigmoid激活函数；h_t-1为前一个时间步(t-1)的输出；t为时间步指示量；x_t为当前时间步的输入；b_f为卷积层偏置项；W_f为卷积层权重。

5.根据权利要求1所述的一种猪脸识别方法，其特征在于：所述神经网络的输出公式为：

式中，o_ij为经过注意力加权后的输出特征；α_ij为归一化后的注意力权重；i为注意力指示量；j为单向时间步；n为单向时间步数；h_j为各个时间步的输出。

6.根据权利要求1所述的一种猪脸识别方法，其特征在于：所述步骤S1的具体步骤为：

S1-1：将猪脸资料进行预处理，得到预处理后数据集，并将预处理后数据集分为训练集和测试集；

S1-2：使用训练集对神经网络进行训练，得到初始的猪脸识别模型；

S1-3：使用测试集对初始的猪脸识别模型进行优化，得到最优的猪脸识别模型。

7.根据权利要求1所述的一种猪脸识别方法，其特征在于：所述步骤S2中，所述生长周期猪脸特征变化追踪匹配机制的具体步骤为：

A-1：根据生猪的年龄阶段，建立生长周期猪脸特征矩阵；

生猪的年龄阶段包括哺乳期、保育期和肥育期，生猪的生长周期包括第1个月至第6个月；

A-2：获取当前生猪的猪脸特征，并根据猪脸特征匹配对应的生长周期猪脸特征矩阵；

A-3：根据猪脸特征，进行猪脸识别，得到当前生猪的年龄阶段，根据年龄结果判断当前生猪是否处于肥育期，若是则进入步骤A-4，否则结束生长周期猪脸特征变化追踪匹配方法；

A-4：获取猪脸特征步长，并根据猪脸特征步长，将当前生猪的猪脸特征保存至对应的生长周期猪脸特征矩阵的对应位置，更新生长周期猪脸特征矩阵。

8.根据权利要求7所述的一种猪脸识别方法，其特征在于：所述步骤A-3中，获取当前生猪的年龄结果的具体方法为：

B-1：获取当前生猪的猪脸特征的LBP特征和HOG特征；

B-2：使用CCA方法将LBP特征和HOG特征进行融合，得到融合特征；

B-3：根据融合特征，使用SVR方法得到当前生猪的年龄阶段。

9.根据权利要求7所述的一种猪脸识别方法，其特征在于：所述步骤A-4中，猪脸特征步长的获取公式为：

gap(X，Y)＝cosθ(X，Y)×T(X，Y)

式中，gap(X，Y)为猪脸特征步长；X为更新前的当前生猪的生长周期猪脸特征矩阵；Y为更新后的当前生猪的生长周期猪脸特征矩阵；cosθ(X，Y)为生长周期猪脸特征矩阵X和Y进行比较的余弦值；T(X，Y)为不同生长周期间隔的设置时间权重。

10.根据权利要求1所述的一种猪脸识别方法，其特征在于：所述步骤S3的具体步骤为：

S3-1：实时获取现场视频，对现场视频进行猪体检测，得到当前生猪的猪体检测结果；

S3-2：根据当前生猪的猪体检测结果，判断当前生猪的体重是否大于体重阈值，若是则对当前生猪进行猪体追踪，进步步骤S3-3，否则结束猪脸识别方法；

S3-3：追踪到生猪后，使用追踪生长周期的动态猪脸识别模型，提取当前帧图像中当前生猪的猪脸特征；

S3-4：根据猪脸特征，进行猪脸识别，得到当前生猪的猪脸识别结果，并更新对应的生长周期猪脸特征矩阵，猪脸识别结果包括身份信息和年龄结果。

Images