CN112101070A - 以鼻纹提升识别率的动物身份识别系统及其方法 - Google Patents
以鼻纹提升识别率的动物身份识别系统及其方法 Download PDFInfo
- Publication number
- CN112101070A CN112101070A CN201910525524.5A CN201910525524A CN112101070A CN 112101070 A CN112101070 A CN 112101070A CN 201910525524 A CN201910525524 A CN 201910525524A CN 112101070 A CN112101070 A CN 112101070A
- Authority
- CN
- China
- Prior art keywords
- data
- comparison
- animal
- analysis
- face
- 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.)
- Granted
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本发明是涉及一种以鼻纹提升识别率的动物身份识别系统及其方法,由于动物的鼻纹如同人类指纹一般具有独特性,因此,本发明利用这项特性,再结合身体特征、脸部特征作为比对基础来进行动物识别,相较于传统芯片植入式的动物识别手段,本发明利用非植入式的手段,不仅可提升饲主主动登录宠物身分数据库的意愿外,同时当用于流浪动物(如流浪犬、流浪猫)的管理时,所需经费低且具有相当优秀的识别度。
Description
技术领域:
本发明是涉及一种识别系统及其方法,尤指一种以鼻纹提升识别率的动物身份识别系统 及其方法。
背景技术:
在这忙碌社会,为了和缓工作带来的压力以及生活上的孤寂,越来越多人会通过饲养宠 物作为陪伴,心理学相关研究也证实宠物的确有疗愈人心的功能,尤其是狗天生忠实、善于 解读人类情绪的特性,在人们心情低落时,更可以达到疗愈的效果。
然而,许多人并不懂得饲养动物,尤其各种犬类有着不同个性、饲养方式等,且宠物的 医疗费、伙食费也是一笔不小开销,当饲养上出问题时,弃养成为一种选择,导致流浪犬越 来越多,尤其这些流浪犬的间又生下幼犬后,流浪犬的问题有越来越严重的趋势。
虽然大力提倡宠物芯片来解决流浪犬的问题,但,宠物芯片大多是针对有饲主的狗进行 芯片植入,容易囿限于饲主的意愿造成效果不彰,且,目前对于芯片的规格尚未统一,造成 管理上衍生众多困难,进一步影响宠物芯片的成效;并且,宠物芯片属于植入体内式,对于 目前流浪在外的流浪狗而言,除了执行面有相当难处外,经费不足也是头痛的项目之一。此 外,不仅流浪狗有上述问题,其他如流浪猫等常见家中宠物均存在有同样问题。
爰此,本发明创作者认为应找出一种非植入式管理的手段,才可以有效管理、预防流浪 动物,为此,本发明者本于图像识别相关领域的专长,开始思考如何用图像识别作为非植入 式管理的手段,通过有效辨别动物身分,以达有效管理的目的。
发明内容:
有鉴于先前技术所述不足的处,本发明创作者提出一种解决的手段,所述手段是涉及一 种以鼻纹提升识别率的动物身份识别系统,包括:
一输入端:
所述输入端可供输入一动物比对图像数据。
一动物身分数据库:
所述动物身分数据库具有多个动物身分数据,各动物身分数据内包括一鼻纹数据、一身 体数据、一脸部数据、及一身分数据。
一识别单元:
所述识别单元分别信息连接所述输入端、所述动物身分数据库、及一输出端,所述识别 单元内且有一识别程序,所述识别程序可供所述识别单元执行:分析所述动物比对图像数据 而分析出一鼻纹比对数据、一身体比对数据、及一脸部比对数据,根据所述鼻纹比对数据、 所述身体比对数据、及所述脸部比对数据分别与各动物身分数据的所述鼻纹数据、所述身体 数据、所述脸部数据进行比对,最后根据比对结果判断出一与所述动物比对图像数据相匹配 的动物身分数据,最后将与所述动物比对图像数据相匹配的动物身分数据的所述身分数据通 过所述输出端输出。
对于动物(如猫、狗、兔子,以下兹以犬类为例进行说明)而言,鼻纹具有独特性,难以 从不同狗身上找到相同鼻纹,即使是同胞犬的间,鼻纹也不尽相同。爰此,本发明利用此种 特性,将鼻纹特征结合脸部特征及身体特征做为比对基础,通过非植入式的手段来取代宠物 芯片作为动物身分识别的手段,经实验研究有非常高的识别率。爰此,本发明不仅可以用于 有饲主的宠物,对于流浪在外的流浪犬而言,也可通过本发明进行身分识别、管理,使得本 发明进一步兼具广泛的用途。
于前述本发明以鼻纹提升识别率的动物身份识别系统实施例中,其中,所述识别程序包括 一分类程序、及一分析程序,所述分类程序可供所述识别单元执行:将所述动物比对图像数 据转换成灰阶图像数据,在根据所述灰阶图像数据中区分出一鼻纹分类数据、一身体分类数 据、及一脸部分类数据;所述分析程序可供所述识别单元执行:根据所述鼻纹分类数据、所 述身体分类数据、所述脸部分类数据分析出所述鼻纹比对数据、所述身体比对数据、所述脸 部比对数据。
于前述本发明以鼻纹提升识别率的动物身份识别系统实施例中,其中,所述分析程序包 括一身体分析子程序,所述身体分析子程序可供所述识别单元执行:将所述身体分类数据先 进行BLOB分析后,再进行傅立叶形状描述符分析,最后得到所述身体比对数据;所述分析程 序更包括一脸部分析子程序,所述脸部分析子程序可供所述识别单元执行:将所述脸部分类 数据先进行BLOB分析后,再依序进行水平投影分析、垂直投影分析,最后得到所述脸部比对 数据;所述分析程序更包括鼻纹分析子程序,所述鼻纹分析子程序可供所述识别单元执行: 将所述鼻纹分类数据先进行BLOT分析后,再依序进行灰阶共生矩阵分析、灰阶共生梯度共生 矩阵分析、Tamura纹理分析、及局部二值型态分析,最后得到所述鼻纹比对数据。
于前述本发明以鼻纹提升识别率的动物身份识别系统实施例中,其中,所述识别程序更 包括一比对程序,所述比对程序可供执行:根据所述鼻纹比对数据与各动物身分数据的所述 鼻纹数据先进行自组织映像图分类(SOM)而得到一第一聚类结果,再根据所述第一聚类结果进 行机率神经网络分析(PNN)而得到一第一机率分析结果;根据所述身体比对数据与各动物身分 数据的所述身体数据先进行自组织映像图分类(SOM)而得到一第二聚类结果,再根据所述第二 聚类结果进行机率神经网络分析(PNN)而得到一第二机率分析结果;根据所述脸部比对数据与 各动物身分数据的所述脸部数据先进行自组织映像图分类(SOM)而得到一第三聚类结果,再根 据所述第三聚类结果进行机率神经网络分析(PNN)而得到一第三机率分析结果;最后再根据所 述第一至第三机率分析结果进行多层前馈式网络分析(MFNN),得到与所述动物比对图像数据 相匹配的动物身分数据。
于前述本发明以鼻纹提升识别率的动物身份识别系统实施例中,其中,所述各动物身分 数据内更包括一品种数据;所述识别程序进一步可供所述识别单元执行:分析所述动物比对 图像数据而得到一品种比对数据,根据所述鼻纹比对数据、所述身体比对数据、所述脸部比 对数据、及所述品种比对数据分别与各动物身分数据库的所述鼻纹数据、所述身体数据、所 述脸部数据、及所述品种数据进行比对,最后根据比对结果判断出与所述动物比对图像数据 相匹配的所述动物身分数据。
本发明同时提出一种以鼻纹提升识别率的动物身份识别方法,包括下列步骤:
(A)输入一动物比对图像数据;
(B)分析所述动物比对图像数据而分析出一鼻纹比对数据、一身体比对数据、及一脸部比 对数据;
(C)自一动物身分数据库内依序取一动物身分数据,将各动物身分数据内之一鼻纹数据、 一身体数据、一脸部数据分别与所述鼻纹比对数据、所述身体比对数据、及所述脸部比对数 据依序进行比对,最后根据比对结果判断出一与所述动物比对图像数据相匹配的动物身分数 据;
(D)将与所述动物比对图像数据相匹配的动物身分数据的所述身分数据通过一输出端输 出。
于前述本发明以鼻纹提升识别率的动物身份识别方法实施例中,其中,所述步骤(B)将所 述动物比对图像数据转换成灰阶图像数据,再根据所述灰阶图像数据中区分出一鼻纹分类数 据、一身体分类数据、及一脸部分类数据;再根据所述鼻纹分类数据、所述身体分类数据、 所述脸部分类数据分析出所述鼻纹比对数据、所述身体比对数据、所述脸部比对数据。
于前述本发明以鼻纹提升识别率的动物身份识别方法实施例中,其中,所述步骤(B):将 所述身体分类数据先进行BLOB分析后,再进行傅立叶形状描述符分析,最后得到所述身体比 对数据;将所述脸部分类数据先进行BLOB分析后,再依序进行水平投影分析、垂直投影分析, 最后得到所述脸部比对数据;将所述鼻纹分类数据先进行BLOT分析后,再依序进行灰阶共生 矩阵分析、灰阶共生梯度共生矩阵分析、Tamura纹理分析、及局部二值型态分析,最后得到 所述鼻纹比对数据。
于前述本发明以鼻纹提升识别率的动物身份识别方法实施例中,其中,所述步骤(C)根据 所述鼻纹比对数据与各动物身分数据的所述鼻纹数据先进行自组织映像图分类(SOM)而得到 一第一聚类结果,再根据所述第一聚类结果进行机率神经网络分析(PNN)而得到一第一机率分 析结果;根据所述身体比对数据与各动物身分数据的所述身体数据先进行自组织映像图分类 (SOM)而得到一第二聚类结果,再根据所述第二聚类结果进行机率神经网络分析(PNN)而得到 一第二机率分析结果;根据所述脸部比对数据与各动物身分数据的所述脸部数据先进行自组 织映像图分类(SOM)而得到一第三聚类结果,再根据所述第三聚类结果进行机率神经网络分析 (PNN)而得到一第三机率分析结果;最后再根据所述第一至第三机率分析结果进行多层前馈式 网络分析(MFNN),得到与所述动物比对图像数据相匹配的动物身分数据。
于前述本发明以鼻纹提升识别率的动物身份识别方法实施例中,其中,所述步骤(B)分析 所述动物比对图像数据而得到一品种比对数据;步骤(C)各动物身分数据内更包括一品种数 据;根据所述鼻纹比对数据、所述身体比对数据、所述脸部比对数据、及所述品种比对数据 分别与各动物身分数据库的所述鼻纹数据、所述身体数据、所述脸部数据、及所述品种数据 进行比对,最后根据比对结果判断出与所述动物比对图像数据相匹配的所述动物身分数据。
附图说明:
图1是本发明的各组件链接含意图
图2是本发明的作动流程图
图3是本发明的图像集前处理流程图
图4是本发明的取出各比对数据的处理流程图
图5是本发明的取出身体比对数据的处理流程图
图6是本发明的取出脸部比对数据的处理流程图
图7是本发明的取出鼻纹比对数据的处理流程图
图8是本发明的数据比对处理流程图
图9是习用技术的利用卷积神经网络分析(CNN)进行动物识别的结果
图10是为本发明利用鼻纹特征、脸部特征、身体特征,进行动物识别的实验结果
图11是为本发明利用鼻纹特征、脸部特征、身体特征、品种分类,进行动物识别的实验 结果
附图标记:
输入端 1
动物身分数据库 2
识别单元 3
识别程序 31
分类程序 32
分析程序 33
身体分析子程序 331
脸部分析子程序 332
鼻纹分析子程序 333
比对程序 34
具体实施方式:
以下是通过各图式的辅助,来进一步说明本发明创作的各优点、特色、要件、及其具体 实施态样。
请参阅图1所示,本发明是涉及一种以鼻纹提升识别率的动物身份识别系统,包括:
一输入端1:
请参阅图1所示,所述输入端1是可供输入一动物比对图像数据,例如:影片、相片等, 为令本发明的数据建文件、及数据分析得以更为准确,所述动物比对图像数据较佳是包括动 物各侧面图像数据,例如一动物前视图像数据、一动物后视图像数据、一动物左侧视图像数 据、一动物右视图像数据、及一动物俯视图像数据。除此的外,为令整个识别结果得以提高 准确度,所述输入端1再进一步可以实施为:所述输入端1包括一3D图像扫描单元,所述 3D图像扫描单元可供对动物进行扫描,而得到所述动物比对图像数据。通过3D图像扫描的 特性,所得到所述动物比对图像数据更适合用于本发明的比对。
一动物身分数据库2:
请参阅图1所示,所述动物身分数据库2具有多个动物身分数据,且不限于家中饲养宠 物的数据,也包括各流浪动物的数据。各动物身分数据内包括一鼻纹数据、一身体数据、一 脸部数据、及一身分数据。所述身分数据可以是动物的姓名、性别、栖息地、健康状况、饲 主数据等,举凡有助于动物识别、管理者,均可作为所述身分数据。
一识别单元3:
请参阅图1所示,所述识别单元3分别信息连接所述输入端1、所述动物身分数据库2、 及一输出端4,所述识别单元3内且有一识别程序31,所述识别程序31可供所述识别单元3 执行:分析所述动物比对图像数据而分析出一鼻纹比对数据、一身体比对数据、及一脸部比 对数据,根据所述鼻纹比对数据、所述身体比对数据、及所述脸部比对数据分别与各动物身 分数据的所述鼻纹数据、所述身体数据、所述脸部数据进行比对,最后根据比对结果判断出 一与所述动物比对图像数据相匹配的动物身分数据,最后将与所述动物比对图像数据相匹配 的动物身分数据的所述身分数据通过所述输出端4输出。
请参阅图1配合图2及图3所示,图式中主要根据MIAT设计方法论以IDEF0设计阶层式 系统架构分割,来辅助说明本发明的识别流程,且图式中以犬只为例来说明本发明的识别流 程:当所述输入端1输入犬只比对图像数据作为所述动物比对图像数据后,由于所述动物比 对图像数据内同时包括动物的鼻纹、身体轮廓、及脸部等部位,为有效针对鼻纹、身体轮廓、 及脸部进行比对,所述识别程序31在进行识别之前会先进行分类。爰此,所述识别程序31 进一步可以实施为:所述识别程序31包括一分类程序32、及一分析程序33,所述分类程序 32可供所述识别单元3进行图像集前处理而执行:将所述动物比对图像数据转换成灰阶图像 数据,例如将所述动物比对图像数据从RGB转成灰阶图像,再根据所述灰阶图像数据中区分 出一鼻纹分类数据、一身体分类数据、及一脸部分类数据;所述分析程序33可供所述识别单 元3执行:根据所述鼻纹分类数据、所述身体分类数据、所述脸部分类数据分析出所述鼻纹 比对数据、所述身体比对数据、所述脸部比对数据。
请参阅图1配合图2、图4、及图5所示,接着所述识别单元3会进行抽取特征,而分别针对动物的脸、身体、鼻纹进行特征抽取以做为比对基础。首先,先介绍轮廓特征的抽取,其实施方式较佳为:所述分析程序33包括一身体分析子程序331,所述身体分析子程序331可供所述识别单元3执行:将所述身体分类数据先进行BLOB分析后,再进行傅立叶形状描述符分析,较佳是取出身体的轮廓特征,且总共有10个特征值,最后得到所述身体比对数据。
请参阅图1配合图2、及图6所示,接着介绍脸部特征的抽取,其实施方式较佳为:所述分析程序33包括一脸部分析子程序332,所述脸部分析子程序332可供所述识别单元3执行:将所述脸部分类数据先进行BLOB分析后,再依序进行水平投影分析、垂直投影分析,最后得到所述脸部比对数据。所述脸部分类数据通过水平投影分析、垂直投影分析,可得到平投影特征,及垂直投影特征,各特征分别取出64个特征值进行统整。如此一来,通过将所述脸部分类数据的水平或垂直方向的相素进行加总,可增强可识别的特征,同时又可以大幅度 降低数据量。
请参阅图1配合图2、及图7所示,再来介绍最重要的纹理特征的抽取,其实施方式较 佳为:所述分析程序33包括鼻纹分析子程序333,所述鼻纹分析子程序333可供所述识别单 元3执行:将所述鼻纹分类数据先进行BLOT分析找出鼻子的区块后,再对所述区块进行灰阶 共生矩阵分析,所述灰阶共生矩阵分析会抽取出10种特征,分别为:抽取的特征种类有能量 (Energy)、对比性(Contrast)、熵(Entropy)、不均匀性(Dissimilarity)、反向差距(Homogeneity)、纹理规则性(Mean)、变异量(Variance)与最大值(Max),而每种特征有24个特征值,然后进行灰阶共生梯度共生矩阵分析,所述灰阶共生梯度共生矩阵分析会取出15种 特征,分别是:小梯度优势、大梯度优势、灰度分布的不均匀性、梯度分布的不均匀性、能量、灰度平均、梯度平均、灰度均方差、梯度均方差、相关、灰度熵、梯度熵、混合熵、惯 性与逆差矩,每种特征只有一个特征值。接着进行Tamura纹理分析,所述Tamura纹理分析 有3种特征,分别是粗糙度(Coarseness)、方向度(Directionality)和对比度(Contrast), 各特征分别具有一特征值,最后进行局部二值型态分析,所述局部二值型态分析做了二种特征,分别是对周围8个相素与16个相素做局部二值型态分析,每种特征分别具有24个特征值,最后得到所述鼻纹比对数据。
当前述各部分进行特征抽取后,接着开始进行比对,以判断动物的身分。请参阅图1配 合图2及图8所示,本发明较佳是通过自组织映像图分类(SOM)、机率神经网络分析(PNN)、 多层前馈式网络分析(MFNN)来进行动物身分只判断,其较佳实施方式为:所述识别程序31更 包括一比对程序34,所述比对程序34可供执行:根据所述鼻纹比对数据与各动物身分数据 的所述鼻纹数据先进行自组织映像图分类(SOM)而得到一第一聚类结果,再根据所述第一聚类 结果进行机率神经网络分析(PNN)而得到一第一机率分析结果;根据所述身体比对数据与各动 物身分数据的所述身体数据先进行自组织映像图分类(SOM)而得到一第二聚类结果,再根据所 述第二聚类结果进行机率神经网络分析(PNN)而得到一第二机率分析结果;根据所述脸部比对 数据与各动物身分数据的所述脸部数据先进行自组织映像图分类(SOM)而得到一第三聚类结 果,再根据所述第三聚类结果进行机率神经网络分析(PNN)而得到一第三机率分析结果;最后 再根据所述第一至第三机率分析结果进行多层前馈式网络分析(MFNN),得到与所述动物比对 图像数据相匹配的动物身分数据。
此外,由于本发明比对最核心部分是鼻纹的比对分析,也因此,当所述第一机率分析结 果低于一默认值时,所述识别单元3将判断所述动物尚未进行身分登录,所以会控制所述输 出端4输出一未登录信息。
另,本发明经实验结果发现,上述动物识别的方法已有相当不错的动物识别结果,倘若 再加上品种识别后,其动物识别正确率又可以向上增加,爰此,请参阅图1配合图2所示, 本发明再进一步可以实施为:各动物身分数据内更包括一品种数据;所述识别程序31进一步 可供所述识别单元3执行:分析所述动物比对图像数据而得到一品种比对数据,根据所述鼻 纹比对数据、所述身体比对数据、所述脸部比对数据、及所述品种比对数据分别与各动物身 分数据库的所述鼻纹数据、所述身体数据、所述脸部数据、及所述品种数据进行比对,最后 根据比对结果判断出与所述动物比对图像数据相匹配的所述动物身分数据。此外,上述品种 识别的方法主要是利用Google的Inception V3卷积神经网络分析(CNN)。
以下请参阅图9至图11所示,由于本发明可应用的范围相当广泛,举凡流浪在外的动物、 家中饲养的宠物、或者野生动物等,只要具有鼻纹的动物均可通过本发明得到相当准确的识 别结果,为验证本发明的识别效果,我们以家中最常见的动物-狗为主进行测试。首先,取 30只狗进行识别测试,每只狗拍摄40张相片作为所述动物比对图像数据,共有1200张相片, 其中一半作为训练识别系统用,另一半作为测试用。请先参阅图9所示为利用卷积神经网络 分析(CNN)进行分析的结果,由所述结果可知错误率约在23.77%,会有这样结果是因为长相 过于近似的故,造成分类上容易出错,尤其是对同胞犬进行识别时,错误机率将大幅提升, 所以可以得到一个结论:CNN用于犬只识别时,分辨同胞犬的能力较低。
接着,请参阅图10所示,为本发明利用鼻纹、脸部、身体等三大特征进行犬只识别的实 验结果,实验条件如前述,由实验结果可知,本发明的识别错误率为13.45%,与CNN相比, 本发明将错误率大幅降低10.32%。其主要原因在于本发明利用鼻纹具有独特性的优点,用于 犬只识别时将有不错识别效果,尤其是针对同胞犬而言,虽然彼此长相近似但由于鼻纹的独 特性,使得本发明对于同胞犬的识别具有不错效果。
最后,请参阅图11所示,为本发明最佳实施例的实验结果,本发明最佳实施例除了前述 利用鼻纹、脸部、身体等三大特征进行犬只识别外,更加上犬种分类作为比对基础之一,其 识别结果可由图式得知,整个识别错误率又大幅往下降至4.65%。由此可知,本发明通过非 植入式的方式,取代传统宠物芯片作为管理犬只的手段,除了家用犬以外更可广泛应用于流 浪犬。
此外,基于专利法对于广义同一发明的相关规定,本说明书同时提出一种动物识别方法, 其实施方式如下,由于下述实施方式于前述已作相当详尽的介绍,故下述实施方式的细节容 不赘述:
一种动物识别方法,包括下列步骤:
(A)输入一动物比对图像数据;
(B)分析所述动物比对图像数据而分析出一鼻纹比对数据、一身体比对数据、及一脸部比 对数据;
(C)自一动物身分数据库内依序取一动物身分数据,将各动物身分数据内之一鼻纹数据、 一身体数据、一脸部数据分别与所述鼻纹比对数据、所述身体比对数据、及所述脸部比对数 据依序进行比对,最后根据比对结果判断出一与所述动物比对图像数据相匹配的动物身分数 据;
(D)将与所述动物比对图像数据相匹配的动物身分数据的所述身分数据通过一输出端输 出。
为有效分析所述动物比对图像数据,本发明进一步可以实施为:其中步骤(B)将所述动物 比对图像数据转换成灰阶图像数据,再根据所述灰阶图像数据中区分出一鼻纹分类数据、一 身体分类数据、及一脸部分类数据;再根据所述鼻纹分类数据、所述身体分类数据、所述脸 部分类数据分析出所述鼻纹比对数据、所述身体比对数据、所述脸部比对数据。
承上实施例,为取得较佳比对数据,以提升本发明的识别率,本发明再进一步可以实施 为:其中步骤(B):将所述身体分类数据先进行BLOB分析后,再进行傅立叶形状描述符分析, 最后得到所述身体比对数据;将所述脸部分类数据先进行BLOB分析后,再依序进行水平投影 分析、垂直投影分析,最后得到所述脸部比对数据;将所述鼻纹分类数据先进行BLOT分析后, 再依序进行灰阶共生矩阵分析、灰阶共生梯度共生矩阵分析、Tamura纹理分析、及局部二值 型态分析,最后得到所述鼻纹比对数据。
承上实施例,为提升本发明的识别率,本发明又进一步可以实施为:其中步骤(C)根据所 述鼻纹比对数据与各动物身分数据的所述鼻纹数据先进行自组织映像图分类(SOM)而得到一 第一聚类结果,再根据所述第一聚类结果进行机率神经网络分析(PNN)而得到一第一机率分析 结果;根据所述身体比对数据与各动物身分数据的所述身体数据先进行自组织映像图分类 (SOM)而得到一第二聚类结果,再根据所述第二聚类结果进行机率神经网络分析(PNN)而得到 一第二机率分析结果;根据所述脸部比对数据与各动物身分数据的所述脸部数据先进行自组 织映像图分类(SOM)而得到一第三聚类结果,再根据所述第三聚类结果进行机率神经网络分析 (PNN)而得到一第三机率分析结果;最后再根据所述第一至第三机率分析结果进行多层前馈式 网络分析(MFNN),得到与所述动物比对图像数据相匹配的动物身分数据。
根据实验结果,当本发明配合品种分析、比对时,可令整体识别率具有最佳效果,为此, 本发明可实施为:其中步骤(B)分析所述动物比对图像数据而得到一品种比对数据;步骤(C) 各动物身分数据内更包括一品种数据;根据所述鼻纹比对数据、所述身体比对数据、所述脸 部比对数据、及所述品种比对数据分别与各动物身分数据库的所述鼻纹数据、所述身体数据、 所述脸部数据、及所述品种数据进行比对,最后根据比对结果判断出与所述动物比对图像数 据相匹配的所述动物身分数据。
综上所述,本案符合专利法所定的要件,爰依法提出专利申请,而上述说明仅列举本发 明创作的较佳实施例,本案的权利范围仍以请求项所列为主。
Claims (10)
1.一种以鼻纹提升识别率的动物身份识别系统,其特征在于,包括:
一输入端:可供输入一动物比对图像数据;
一动物身分数据库:具有多个动物身分数据,各动物身分数据内包括一鼻纹数据、一身体数据、一脸部数据、及一身分数据;
一识别单元:分别信息连接所述输入端、所述动物身分数据库、及一输出端,所述识别单元内且有一识别程序,所述识别程序可供所述识别单元执行:分析所述动物比对图像数据而分析出一鼻纹比对数据、一身体比对数据、及一脸部比对数据,根据所述鼻纹比对数据、所述身体比对数据、及所述脸部比对数据分别与各动物身分数据的所述鼻纹数据、所述身体数据、所述脸部数据进行比对,最后根据比对结果判断出一与所述动物比对图像数据相匹配的动物身分数据,最后将与所述动物比对图像数据相匹配的动物身分数据的所述身分数据通过所述输出端输出。
2.根据权利要求1所述以鼻纹提升识别率的动物身份识别系统,其特征在于,所述识别程序包括一分类程序、及一分析程序,所述分类程序可供所述识别单元执行:将所述动物比对图像数据转换成灰阶图像数据,在根据所述灰阶图像数据中区分出一鼻纹分类数据、一身体分类数据、及一脸部分类数据;所述分析程序可供所述识别单元执行:根据所述鼻纹分类数据、所述身体分类数据、所述脸部分类数据分析出所述鼻纹比对数据、所述身体比对数据、所述脸部比对数据。
3.根据权利要求2所述以鼻纹提升识别率的动物身份识别系统,其特征在于,所述分析程序包括一身体分析子程序,所述身体分析子程序可供所述识别单元执行:将所述身体分类数据先进行BLOB分析后,再进行傅立叶形状描述符分析,最后得到所述身体比对数据;所述分析程序更包括一脸部分析子程序,所述脸部分析子程序可供所述识别单元执行:将所述脸部分类数据先进行BLOB分析后,再依序进行水平投影分析、垂直投影分析,最后得到所述脸部比对数据;所述分析程序更包括鼻纹分析子程序,所述鼻纹分析子程序可供所述识别单元执行:将所述鼻纹分类数据先进行BLOT分析后,再依序进行灰阶共生矩阵分析、灰阶共生梯度共生矩阵分析、Tamura纹理分析、及局部二值型态分析,最后得到所述鼻纹比对数据。
4.根据权利要求3所述以鼻纹提升识别率的动物身份识别系统,其特征在于,所述识别程序更包括一比对程序,所述比对程序可供执行:根据所述鼻纹比对数据与各动物身分数据的所述鼻纹数据先进行自组织映像图分类(SOM)而得到一第一聚类结果,再根据所述第一聚类结果进行机率神经网络分析(PNN)而得到一第一机率分析结果;根据所述身体比对数据与各动物身分数据的所述身体数据先进行自组织映像图分类(SOM)而得到一第二聚类结果,再根据所述第二聚类结果进行机率神经网络分析(PNN)而得到一第二机率分析结果;根据所述脸部比对数据与各动物身分数据的所述脸部数据先进行自组织映像图分类(SOM)而得到一第三聚类结果,再根据所述第三聚类结果进行机率神经网络分析(PNN)而得到一第三机率分析结果;最后再根据所述第一至第三机率分析结果进行多层前馈式网络分析(MFNN),得到与所述动物比对图像数据相匹配的动物身分数据。
5.根据权利要求4所述以鼻纹提升识别率的动物身份识别系统,其特征在于,各动物身分数据内更包括一品种数据;所述识别程序进一步可供所述识别单元执行:分析所述动物比对图像数据而得到一品种比对数据,根据所述鼻纹比对数据、所述身体比对数据、所述脸部比对数据、及所述品种比对数据分别与各动物身分数据库的所述鼻纹数据、所述身体数据、所述脸部数据、及所述品种数据进行比对,最后根据比对结果判断出与所述动物比对图像数据相匹配的所述动物身分数据。
6.一种以鼻纹提升识别率的动物身份识别方法,其特征在于,包括下列步骤:
(A)输入一动物比对图像数据;
(B)分析所述动物比对图像数据而分析出一鼻纹比对数据、一身体比对数据、及一脸部比对数据;
(C)自一动物身分数据库内依序取一动物身分数据,将各动物身分数据内之一鼻纹数据、一身体数据、一脸部数据分别与所述鼻纹比对数据、所述身体比对数据、及所述脸部比对数据依序进行比对,最后根据比对结果判断出一与所述动物比对图像数据相匹配的动物身分数据;
(D)将与所述动物比对图像数据相匹配的动物身分数据的所述身分数据通过一输出端输出。
7.根据权利要求6所述以鼻纹提升识别率的动物身份识别方法,其特征在于,步骤(B)将所述动物比对图像数据转换成灰阶图像数据,再根据所述灰阶图像数据中区分出一鼻纹分类数据、一身体分类数据、及一脸部分类数据;再根据所述鼻纹分类数据、所述身体分类数据、所述脸部分类数据分析出所述鼻纹比对数据、所述身体比对数据、所述脸部比对数据。
8.根据权利要求7所述以鼻纹提升识别率的动物身份识别方法,其特征在于,步骤(B):将所述身体分类数据先进行BLOB分析后,再进行傅立叶形状描述符分析,最后得到所述身体比对数据;将所述脸部分类数据先进行BLOB分析后,再依序进行水平投影分析、垂直投影分析,最后得到所述脸部比对数据;将所述鼻纹分类数据先进行BLOT分析后,再依序进行灰阶共生矩阵分析、灰阶共生梯度共生矩阵分析、Tamura纹理分析、及局部二值型态分析,最后得到所述鼻纹比对数据。
9.根据权利要求8所述以鼻纹提升识别率的动物身份识别方法,其特征在于,步骤(C)根据所述鼻纹比对数据与各动物身分数据的所述鼻纹数据先进行自组织映像图分类(SOM)而得到一第一聚类结果,再根据所述第一聚类结果进行机率神经网络分析(PNN)而得到一第一机率分析结果;根据所述身体比对数据与各动物身分数据的所述身体数据先进行自组织映像图分类(SOM)而得到一第二聚类结果,再根据所述第二聚类结果进行机率神经网络分析(PNN)而得到一第二机率分析结果;根据所述脸部比对数据与各动物身分数据的所述脸部数据先进行自组织映像图分类(SOM)而得到一第三聚类结果,再根据所述第三聚类结果进行机率神经网络分析(PNN)而得到一第三机率分析结果;最后再根据所述第一至第三机率分析结果进行多层前馈式网络分析(MFNN),得到与所述动物比对图像数据相匹配的动物身分数据。
10.根据权利要求6所述以鼻纹提升识别率的动物身份识别方法,其特征在于,步骤(B)分析所述动物比对图像数据而得到一品种比对数据;步骤(C)各动物身分数据内更包括一品种数据;根据所述鼻纹比对数据、所述身体比对数据、所述脸部比对数据、及所述品种比对数据分别与各动物身分数据库的所述鼻纹数据、所述身体数据、所述脸部数据、及所述品种数据进行比对,最后根据比对结果判断出与所述动物比对图像数据相匹配的所述动物身分数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910525524.5A CN112101070B (zh) | 2019-06-18 | 2019-06-18 | 以鼻纹提升识别率的动物身份识别系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910525524.5A CN112101070B (zh) | 2019-06-18 | 2019-06-18 | 以鼻纹提升识别率的动物身份识别系统及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112101070A true CN112101070A (zh) | 2020-12-18 |
CN112101070B CN112101070B (zh) | 2022-09-02 |
Family
ID=73749038
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910525524.5A Active CN112101070B (zh) | 2019-06-18 | 2019-06-18 | 以鼻纹提升识别率的动物身份识别系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112101070B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112784741A (zh) * | 2021-01-21 | 2021-05-11 | 宠爱王国(北京)网络科技有限公司 | 宠物身份识别方法、装置及非易失性存储介质 |
CN112784742A (zh) * | 2021-01-21 | 2021-05-11 | 宠爱王国(北京)网络科技有限公司 | 鼻纹特征的提取方法、装置及非易失性存储介质 |
CN114283453A (zh) * | 2021-12-28 | 2022-04-05 | 新瑞鹏宠物医疗集团有限公司 | 流浪动物的信息获取方法、装置、存储介质及电子设备 |
JP7336160B1 (ja) | 2022-10-14 | 2023-08-31 | 株式会社S’more | 撮影装置,及び鼻紋照合システム |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020116390A1 (en) * | 2000-12-22 | 2002-08-22 | Meadows Louis B. | Pet identification system and method |
CN106577350A (zh) * | 2016-11-22 | 2017-04-26 | 深圳市沃特沃德股份有限公司 | 宠物类型识别的方法及装置 |
CN109543663A (zh) * | 2018-12-28 | 2019-03-29 | 北京旷视科技有限公司 | 一种犬只身份识别方法、装置、系统及存储介质 |
CN109727194A (zh) * | 2018-11-20 | 2019-05-07 | 广东智媒云图科技股份有限公司 | 一种获取宠物鼻纹的方法、电子设备和存储介质 |
-
2019
- 2019-06-18 CN CN201910525524.5A patent/CN112101070B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020116390A1 (en) * | 2000-12-22 | 2002-08-22 | Meadows Louis B. | Pet identification system and method |
CN106577350A (zh) * | 2016-11-22 | 2017-04-26 | 深圳市沃特沃德股份有限公司 | 宠物类型识别的方法及装置 |
CN109727194A (zh) * | 2018-11-20 | 2019-05-07 | 广东智媒云图科技股份有限公司 | 一种获取宠物鼻纹的方法、电子设备和存储介质 |
CN109543663A (zh) * | 2018-12-28 | 2019-03-29 | 北京旷视科技有限公司 | 一种犬只身份识别方法、装置、系统及存储介质 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112784741A (zh) * | 2021-01-21 | 2021-05-11 | 宠爱王国(北京)网络科技有限公司 | 宠物身份识别方法、装置及非易失性存储介质 |
CN112784742A (zh) * | 2021-01-21 | 2021-05-11 | 宠爱王国(北京)网络科技有限公司 | 鼻纹特征的提取方法、装置及非易失性存储介质 |
CN114283453A (zh) * | 2021-12-28 | 2022-04-05 | 新瑞鹏宠物医疗集团有限公司 | 流浪动物的信息获取方法、装置、存储介质及电子设备 |
JP7336160B1 (ja) | 2022-10-14 | 2023-08-31 | 株式会社S’more | 撮影装置,及び鼻紋照合システム |
JP2024058055A (ja) * | 2022-10-14 | 2024-04-25 | 株式会社S’more | 撮影装置,及び鼻紋照合システム |
Also Published As
Publication number | Publication date |
---|---|
CN112101070B (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112101070B (zh) | 以鼻纹提升识别率的动物身份识别系统及其方法 | |
Achour et al. | Image analysis for individual identification and feeding behaviour monitoring of dairy cows based on Convolutional Neural Networks (CNN) | |
Cai et al. | Cattle face recognition using local binary pattern descriptor | |
CN110929650B (zh) | 豢养物身份识别方法、装置、计算设备、可读存储介质 | |
Cihan et al. | A review of machine learning applications in veterinary field | |
Kumar et al. | Group sparse representation approach for recognition of cattle on muzzle point images | |
Kumar et al. | Biometric recognition for pet animal | |
CN114067351A (zh) | 一种基于图像的牛只唯一性识别方法、装置及管理系统 | |
Hasan et al. | Fish diseases detection using convolutional neural network (CNN) | |
KR102325259B1 (ko) | 반려동물 생애 관리 시스템 및 그 방법 | |
Lai et al. | Dog identification using soft biometrics and neural networks | |
Bello et al. | Deep belief network approach for recognition of cow using cow nose image pattern | |
Dutta | A deep learning approach for animal breed classification-sheep | |
US11051493B2 (en) | Method and system for distinguishing identities based on nose prints of animals | |
Zhang et al. | Yakreid-103: A benchmark for yak re-identification | |
TWI687834B (zh) | 以鼻紋提升辨識率之動物身份辨識系統及其方法 | |
CN117351404A (zh) | 一种奶牛分娩应激程度判识方法及系统 | |
CN109872011A (zh) | 基于多元逻辑回归模型的家畜类生理状态预测方法与系统 | |
CN113947780B (zh) | 一种基于改进卷积神经网络的梅花鹿面部识别方法 | |
Yang et al. | Automated recognition and classification of cat pain through deep learning | |
CN114758356A (zh) | 一种基于局部不变特征的牛唇纹识别方法及系统 | |
CN117745036B (zh) | 一种基于特征识别及近场通信的牲畜信息管理方法及系统 | |
Singh et al. | Muzzle pattern based cattle identification using generative adversarial networks | |
Yuan et al. | Understanding tracks of different species of rats | |
Latina et al. | Gender Classification for a Day-Old Gallus Gallus Domesticus Using Image Processing |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |