CN112215066A - 家畜脸部图像识别方法及装置 - Google Patents
家畜脸部图像识别方法及装置 Download PDFInfo
- Publication number
- CN112215066A CN112215066A CN202010936295.9A CN202010936295A CN112215066A CN 112215066 A CN112215066 A CN 112215066A CN 202010936295 A CN202010936295 A CN 202010936295A CN 112215066 A CN112215066 A CN 112215066A
- Authority
- CN
- China
- Prior art keywords
- livestock
- local
- classification network
- network model
- face image
- 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
-
- 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
- G06F18/24—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
-
- 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
- G06N3/08—Learning methods
Abstract
本发明实施例提供一种家畜脸部图像识别方法及装置,该方法包括:对家畜脸部图像的多个局部区域分别进行特征提取,得到多个局部特征;将每个局部特征和所有局部特征的融合特征,分别输入与每个特征对应的第一分类网络模型,得到每个局部特征和融合特征对应的家畜编号识别结果;将所有编号识别结果作为特征向量,输入预设的第二分类网络模型,得到最终的编号识别结果。该方法通过多个局部特征,得到对应的家畜编号识别结果,可利用各个局部特征对猪脸识别的影响进行相关性分析,减少冗余特征的影响。同时,将所有编号识别结果作为特征向量输入第二分类网络模型,考虑到了所有局部特征的识别结果和全局特征的识别结果,从而能显著提高识别的准确率。
Description
技术领域
本发明涉及图像识别技术领域,尤其涉及一种家畜脸部图像识别方法及装置。
背景技术
近年来,现代畜牧业不断向规模化和集约化方向发展,动物疫病、动物行为异常等动物健康福利问题也越来越严重。随着智慧农业和自动化养殖的发展,传统的养猪行业也开始向高科技养殖模式转变,大规模集成化养殖进程明显加快,多种先进技术应用于大规模养猪场,打造无人化养猪工厂成为行业的发展趋势。传统的基于RFID耳标技术的生猪个体身份识别方法容易引起猪的应激反应,耳标缝隙易滋生细菌产生并发症,且容易脱落。传统的非接触式生猪识别方法中对于猪脸特征的提取信息较少,识别精度不高,往往难以达到准确、快速以及监测的目的。
随着深度学习、计算机视觉技术的发展,为传统的生猪个体识别带来全新的技术手段和实用工具,利用深度学习较强的特征提取能力,实现准确、高效、快速的生猪个体身份识别,为猪场管理提供实时准确的数据支持,对推动现代化猪场管理和快速发展有着巨大的促进作用。
由于猪脸与人脸不同,不同猪之间脸部特征相似性高,耳部和眼睛部位特征明显,直接借用人脸识别方法效果并不理想。当前研究中,具有6个卷积层和3个全连接层的CNN实现了猪脸识别,将其称为M-CNN网络。在猪的饮水处安置摄像头,捕捉喝水时的猪脸图像,通过识别猪脸确定猪的个体身份。
目前,深度学习多采用单卷积网络、双线性卷积网络以及多路卷积网络等对猪脸整体特征提取,构建猪脸模型库,在利用网络学习实现生猪个体识别,这种方法容易提取较多的冗余特征导致过拟合,从而猪脸识别率和鲁棒性不高。
发明内容
本发明实施例提供一种家畜脸部图像识别方法及装置,用以解决现有技术中的缺陷。
本发明实施例提供一种家畜脸部图像识别方法,包括:根据本发明一个实施例的家畜脸部图像识别方法,对家畜脸部图像的多个局部区域分别进行特征提取,得到多个局部特征;将每个局部特征和所有局部特征的融合特征,分别输入至与每个特征对应的第一分类网络模型,得到每个局部特征和融合特征对应的家畜编号识别结果;将所有编号识别结果作为特征向量,输入预设的第二分类网络模型,得到最终的编号识别结果;其中,所述第一分类网络模型为多个,分别以确定编号的家畜脸部图像提取的每一局部特征和融合特征作为样本,编号作为标签,进行训练得到;所述第二分类网络模型为,以确定编号的家畜脸部图像,经训练后的第一分类网络模型输出结果作为样本,确定的编号作为标签,进行训练得到。
根据本发明一个实施例的家畜脸部图像识别方法,所述多个局部区域,包括脸部区域、耳朵区域、嘴巴区域和眼睛区域中至少两个。
根据本发明一个实施例的家畜脸部图像识别方法,所述对家畜脸部图像的多个局部区域分别进行特征提取,得到多个局部特征,包括:将每个局部区域,分别输入对应的卷积神经网络的多层卷积层进行特征提取;其中,所述卷积神经网络有多个,每一卷积神经网络分别对应于一个局部区域。
根据本发明一个实施例的家畜脸部图像识别方法,所述第一分类网络模型为支持向量机分类器。
根据本发明一个实施例的家畜脸部图像识别方法,所述第二分类网络模型为多层感知机。
根据本发明一个实施例的家畜脸部图像识别方法,所述对家畜脸部图像的多个局部区域分别进行特征提取之前,还包括:
获取多个编号已知的家畜脸部图像样本;将任一家畜脸部图像样本的多个局部区域,分别输入构建的多个卷积神经网络进行特征提取,得到多个局部特征;将每个局部特征,以及所有局部特征融合后的特征,分别输入与每个特征对应的第一分类网络模型,获取对应的家畜编号识别结果;根据家畜脸部图像样本对应的已知家畜编号,和获取的编号识别结果之间的误差,对卷积神经网络和第一分类网络模型进行参数更新,直至满足预设的训练终止条件。
根据本发明一个实施例的家畜脸部图像识别方法,所述满足预设的训练终止条件之后,还包括:将任一家畜脸部图像样本的多个局部区域,分别进行特征提取,得到多个局部特征;将每个局部特征和所有局部特征的融合特征,分别输入训练后的第一分类网络模型,得到每个局部特征和融合特征对应的家畜编号识别结果;将所有编号识别结果作为特征向量,输入构建的第二分类网络模型,得到对应的总编号识别结果;根据家畜脸部图像样本对应的已知家畜编号,和获取的总编号识别结果之间的误差,对第二分类网络模型进行参数更新,直至满足预设的训练终止条件
本发明实施例还提供一种家畜脸部图像识别装置,包括:特征提取模块,用于对家畜脸部图像的多个局部区域分别进行特征提取,得到多个局部特征;第一分类模块,用于将每个局部特征和所有局部特征的融合特征,分别输入至与每个特征对应的第一分类网络模型,得到每个局部特征和融合特征对应的家畜编号识别结果;第二分类模块,用于将所有编号识别结果作为特征向量,输入预设的第二分类网络模型,得到最终的编号识别结果;其中,所述第一分类网络模型为多个,分别以确定编号的家畜脸部图像提取的每一局部特征和融合特征作为样本,编号作为标签,进行训练得到;所述第二分类网络模型为,以确定编号的家畜脸部图像,经训练后的第一分类网络模型输出结果作为样本,确定的编号作为标签,进行训练得到。
本发明实施例还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述家畜脸部图像识别方法的步骤。
本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述家畜脸部图像识别方法的步骤。
本发明实施例提供的家畜脸部图像识别方法及装置,通过多个局部特征,得到对应的家畜编号识别结果,可利用各个局部特征对猪脸识别的影响进行相关性分析,减少冗余特征的影响。同时,将所有编号识别结果作为特征向量,输入预设的第二分类网络模型,考虑到了所有局部特征的识别结果和全局特征的识别结果,从而能显著提高识别的准确率。
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一简单地介绍,显而易见地,下面描述中的附图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是本发明实施例提供的家畜脸部图像识别方法的流程示意图;
图2是本发明实施例提供的分类网络模型结构图;
图3是本发明实施例提供的家畜脸部图像识别装置的结构示意图;
图4是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合图1-图4描述本发明实施例的家畜脸部图像识别方法及装置。需要说明的是,以下以猪脸图像为例进行说明,但本发明实施例同样适用于其他家畜的识别。图1是本发明实施例提供的家畜脸部图像识别方法的流程示意图,如图1所示,本发明实施例提供一种家畜脸部图像识别方法,包括:
101、对家畜脸部图像的多个局部区域分别进行特征提取,得到多个局部特征。
首先,预先已对每头家畜进行了编号,例如,总共有编号为1-100的猪。局部区域为家畜脸部特征明显的区域,以猪脸为例,包括猪耳、猪眼睛、猪嘴和猪脸等区域。
对于多个局部区域的获取,可预先提取每头猪脸的图像,可以为视频也可以为图片,并通过对图像预处理技术增强猪脸数据集。并构建目标检测网络(如Faster RCNN、YOLO等),人工标注每个局部区域,利用梯度下降法进行训练。利用训练好的目标检测网络剪裁所有的家畜脸部图像的局部区域,如分别得到猪耳区域、猪眼区域、猪嘴区域和猪脸区域。
对每个局部区域的图像进行特征提取,如通过卷积网络进行特征提取。提取后得到猪耳的特征向量x1,眼睛的特征向量x2,猪嘴的特征向量x3,猪脸特征向量x4。
102、将每个局部特征和所有局部特征的融合特征,分别输入与每个特征对应的第一分类网络模型,得到每个局部特征和融合特征对应的家畜编号识别结果。
第一分类网络模型为多个,和每个特征对应,每个特征指局部区域提取的特征和所有区域的融合特征。分别以确定编号的家畜脸部图像提取的每一局部特征和融合特征作为样本,编号作为标签,进行训练得到第一分类网络模型。
提取每个局部区域的特征后,根据每个局部特征提取的特征向量进行特征融合,得到猪脸融合特征向量x5。分别将特征向量x1、x2、x3、x4和x5,输入5个训练后的第一分类网络模型,得到5个特征所对应的编号预测结果。例如,实际待识别的为100号,可能分别得到45、100、88、100、100的结果。
103、将所有编号识别结果作为特征向量,输入预设的第二分类网络模型,得到最终的编号识别结果。
将第一分类网络模型输出的多个分类结果,作为特征向量输入第二分类网络模型,而第二分类网络是以确定编号的家畜脸部图像,经训练后的第一分类网络模型输出结果作为样本,确定的编号作为标签,进行训练得到。也就是说,第二分类网络模型,已经学习了多个局部区域的识别结果,和确定编号之间的映射关系。将每个局部特征和融合特征对应的家畜编号识别结果,输入训练后的第二分类网络模型,可得到决策后的最终编号识别结果。
本发明实施例提供的家畜脸部图像识别方法,通过多个局部特征,得到对应的家畜编号识别结果,可利用各个局部特征对猪脸识别的影响进行相关性分析,减少冗余特征的影响。同时,将所有编号识别结果作为特征向量,输入预设的第二分类网络模型,考虑到了所有局部特征的识别结果和全局特征的识别结果,从而能显著提高识别的准确率。
基于上述实施例的内容,作为一种可选实施例,所述多个局部区域,包括脸部区域、耳朵区域、嘴巴区域和眼睛区域中至少两个。
作为可选实施例,对家畜脸部图像的多个局部区域分别进行特征提取之前,还包括根据多个局部区域进行组合,分别得到编号识别结果,并基于每种组合的识别结果,对所有局部区域进行筛选,选取识别准确度高的预设数量的局部区域。
基于上述实施例的内容,作为一种可选实施例,所述对家畜脸部图像的多个局部区域分别进行特征提取,得到多个局部特征,包括:将每个局部区域,分别输入对应的卷积神经网络的多层卷积层进行特征提取;其中,所述卷积神经网络有多个,每一卷积神经网络分别对应于一个局部区域。
每个局部区域,对应着特征提取网络。例如,分别由四路5层卷积神经网络(Convolutional Neural Network,CNN)构成。
基于上述实施例的内容,作为一种可选实施例,所述第一分类网络模型为支持向量机分类器。
采用支持向量机(support vector machines,SVM)对特征向量分类得到生猪个体身份编号。
分别将特征向量x1,x2,x3,x4,x5输入5个SVM分类器中,得到后验概率,SVM核函数可选用高斯核函数,其表达式如下:
其中,σ是高斯核的带宽,利用决策函数来确定最终分类结果,决策函数定义为:
可将Softmax loss和center loss配合使用,Softmax loss计算方法为:
其中:xi表示第i个特征图,d表示特征维度,yi表示类别;Wj表示第j列权重;n表示类别数目;m表示每个batch包含的样本数量;log的输入表示xi属于yi类别的概率。
Center loss的公式Lc表示为:
总体损失函数为:
L=Ls+λLc。
基于上述实施例的内容,作为一种可选实施例,所述第二分类网络模型为多层感知机。
第二分类网络模型,作为决策融合网络,可使用三层感知机结构,隐藏层节点数为512。图2是本发明实施例提供的分类网络模型结构图,可参见图2。对多维特征得到的结果进行相关性分析,计算得到生猪个体身份编号。多个感知器组合的非线性分类面函数为:
其中sign()为符号函数,向量v和w分别表示不同层的权重值。损失函数为所有错误分类点的距离和:
基于上述实施例的内容,作为一种可选实施例,所述对家畜脸部图像的多个局部区域分别进行特征提取之前,还包括:获取多个编号已知的家畜脸部图像样本;将任一家畜脸部图像样本的多个局部区域,分别输入构建的多个卷积神经网络进行特征提取,得到多个局部特征;将每个局部特征,以及所有局部特征融合后的特征,分别输入与每个特征对应的第一分类网络模型,获取对应的家畜编号识别结果;根据已知的家畜脸部图像编号,和获取的编号识别结果之间的误差,对卷积神经网络和第一分类网络模型进行参数更新,直至满足预设的训练终止条件。
将卷积神经网络和第一分类网络模型作为整体进行训练。需要说明的是,融合特征无对应的卷积网络,其对应的第一分类网络模型,可基于局部特征对应的卷积网络和第一分类网络模型训练完成后,再进行训练。
首先,所有的家畜都是预先已编号的。训练时,以编号为标签,每个局部区域提取特征,输入第一分类模型,获取预测结果,预测结果为每种编号的概率,选取概率最大时的编号作为预测结果。根据预测结果和真实编号,进行参数更新,参数更新可采用现有的机器学习的方法,训练终止条件可以为训练次数达到预设次数,或者损失函数的损失值小于预设阈值。
例如,上述SVM作为第一分类模型,计算预测结果和真实编号对应的损失函数的损失值,并进行参数更新。并以损失值小于预设阈值作为训练终止条件。
基于上述实施例的内容,作为一种可选实施例,所述满足预设的训练终止条件之后,还包括:将任一家畜脸部图像样本的多个局部区域,分别进行特征提取,得到多个局部特征;将每个局部特征和所有局部特征的融合特征,分别输入训练后的第一分类网络模型,得到每个局部特征和融合特征对应的家畜编号识别结果;将所有编号识别结果作为特征向量,输入构建的第二分类网络模型,得到对应的总编号识别结果,根据家畜脸部图像样本对应的已知家畜编号,和获取的总编号识别结果之间的误差,对第二分类网络模型进行参数更新,直至满足预设的训练终止条件。
本发明实施例中,基于训练后的第一分类网络模型基础上,进行第二分类网络模型的训练。为了保证第一分类网络模型,其输出的编号预测值是基本准确的。同样的,参数更新和训练终止条件的过程也可以参见现有技术。例如,上述多层感知机作为第二分类网络模型的损失函数的参数更新方式。
对于两次的训练过程,可将验证样本输入任一步训练好的分级网络,评估网络性能,如性能不佳,则重复调整样本和网络参数,继续训练网络。
下面对本发明实施例提供的家畜脸部图像识别装置进行描述,下文描述的家畜脸部图像识别装置与上文描述的家畜脸部图像识别方法可相互对应参照。
图3是本发明实施例提供的家畜脸部图像识别装置的结构示意图,如图3示,该家畜脸部图像识别装置包括:特征提取模块301、第一分类模块302和第二分类模块303。其中,特征提取模块301用于对家畜脸部图像的多个局部区域分别进行特征提取,得到多个局部特征;第一分类模块302用于将局部特征和所有局部特征的融合特征,分别输入与每个特征对应的第一分类网络模型,得到每个局部特征和融合特征对应的家畜编号识别结果;第二分类模块303,用于将所有编号识别结果作为特征向量,输入预设的第二分类网络模型,得到最终的编号识别结果;其中,所述第一分类网络模型为多个,分别以确定编号的家畜脸部图像提取的每一局部特征和融合特征作为样本,编号作为标签,进行训练得到;所述第二分类网络模型为,以确定编号的家畜脸部图像,经训练后的第一分类网络模型输出结果作为样本,确定的编号作为标签,进行训练得到。
本发明实施例提供的装置实施例是为了实现上述各方法实施例的,具体流程和详细内容请参照上述方法实施例,此处不再赘述。
本发明实施例提供的家畜脸部图像识别装置,通过多个局部特征,得到对应的家畜编号识别结果,可利用各个局部特征对猪脸识别的影响进行相关性分析,减少冗余特征的影响。同时,将所有编号识别结果作为特征向量,输入预设的第二分类网络模型,考虑到了所有局部特征的识别结果和全局特征的识别结果,从而能显著提高识别的准确率。
图4是本发明实施例提供的一种电子设备的结构示意图,如图4所示,该电子设备可以包括:处理器(processor)401、通信接口(Communications Interface)402、存储器(memory)403和通信总线404,其中,处理器401,通信接口402,存储器403通过通信总线404完成相互间的通信。处理器401可以调用存储器403中的逻辑指令,以执行家畜脸部图像识别方法,该方法包括:根据本发明一个实施例的家畜脸部图像识别方法,对家畜脸部图像的多个局部区域分别进行特征提取,得到多个局部特征;将每个局部特征和所有局部特征的融合特征,分别输入与每个特征对应的第一分类网络模型,得到每个局部特征和融合特征对应的家畜编号识别结果;将所有编号识别结果作为特征向量,输入预设的第二分类网络模型,得到最终的编号识别结果;其中,所述第一分类网络模型为多个,分别以确定编号的家畜脸部图像提取的每一局部特征和融合特征作为样本,编号作为标签,进行训练得到;所述第二分类网络模型为,以确定编号的家畜脸部图像,经训练后的第一分类网络模型输出结果作为样本,确定的编号作为标签,进行训练得到。
此外,上述的存储器403中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的家畜脸部图像识别方法,该方法包括:根据本发明一个实施例的家畜脸部图像识别方法,对家畜脸部图像的多个局部区域分别进行特征提取,得到多个局部特征;将每个局部特征和所有局部特征的融合特征,分别输入与每个特征对应的第一分类网络模型,得到每个局部特征和融合特征对应的家畜编号识别结果;将所有编号识别结果作为特征向量,输入预设的第二分类网络模型,得到最终的编号识别结果;其中,所述第一分类网络模型为多个,分别以确定编号的家畜脸部图像提取的每一局部特征和融合特征作为样本,编号作为标签,进行训练得到;所述第二分类网络模型为,以确定编号的家畜脸部图像,经训练后的第一分类网络模型输出结果作为样本,确定的编号作为标签,进行训练得到。
另一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的家畜脸部图像识别方法,该方法包括:根据本发明一个实施例的家畜脸部图像识别方法,对家畜脸部图像的多个局部区域分别进行特征提取,得到多个局部特征;将每个局部特征和所有局部特征的融合特征,分别输入与每个特征对应的第一分类网络模型,得到每个局部特征和融合特征对应的家畜编号识别结果;将所有编号识别结果作为特征向量,输入预设的第二分类网络模型,得到最终的编号识别结果;其中,所述第一分类网络模型为多个,分别以确定编号的家畜脸部图像提取的每一局部特征和融合特征作为样本,编号作为标签,进行训练得到;所述第二分类网络模型为,以确定编号的家畜脸部图像,经训练后的第一分类网络模型输出结果作为样本,确定的编号作为标签,进行训练得到。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件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模块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。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是: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。
Claims (10)
1.一种家畜脸部图像识别方法,其特征在于,包括:
对家畜脸部图像的多个局部区域分别进行特征提取,得到多个局部特征;
将每个局部特征和所有局部特征的融合特征,分别输入与每个特征对应的第一分类网络模型,得到每个局部特征和融合特征对应的家畜编号识别结果;
将所有编号识别结果作为特征向量,输入预设的第二分类网络模型,得到最终的编号识别结果;
其中,所述第一分类网络模型为多个,分别以确定编号的家畜脸部图像提取的每一局部特征和融合特征作为样本,编号作为标签,进行训练得到;所述第二分类网络模型为,以确定编号的家畜脸部图像,经训练后的第一分类网络模型输出结果作为样本,确定的编号作为标签,进行训练得到。
2.根据权利要求1所述的家畜脸部图像识别方法,其特征在于,所述多个局部区域,包括脸部区域、耳朵区域、嘴巴区域和眼睛区域中至少两个。
3.根据权利要求1所述的家畜脸部图像识别方法,其特征在于,所述对家畜脸部图像的多个局部区域分别进行特征提取,得到多个局部特征,包括:
将每个局部区域,分别输入对应的卷积神经网络的多层卷积层进行特征提取;
其中,所述卷积神经网络有多个,每一卷积神经网络分别对应于一个局部区域。
4.根据权利要求1所述的家畜脸部图像识别方法,其特征在于,所述第一分类网络模型为支持向量机分类器。
5.根据权利要求1所述的家畜脸部图像识别方法,其特征在于,所述第二分类网络模型为多层感知机。
6.根据权利要求1所述的家畜脸部图像识别方法,其特征在于,所述对家畜脸部图像的多个局部区域分别进行特征提取之前,还包括:
获取多个编号已知的家畜脸部图像样本;
将任一家畜脸部图像样本的多个局部区域,分别输入构建的多个卷积神经网络进行特征提取,得到多个局部特征;
将每个局部特征,以及所有局部特征融合后的特征,分别输入与每个特征对应的第一分类网络模型,获取对应的家畜编号识别结果;
根据家畜脸部图像样本对应的已知家畜编号,和获取的编号识别结果之间的误差,对卷积神经网络和第一分类网络模型进行参数更新,直至满足预设的训练终止条件。
7.根据权利要求6所述的家畜脸部图像识别方法,其特征在于,所述满足预设的训练终止条件之后,还包括:
将任一家畜脸部图像样本的多个局部区域,分别进行特征提取,得到多个局部特征;
将每个局部特征和所有局部特征的融合特征,分别输入训练后的第一分类网络模型,得到每个局部特征和融合特征对应的家畜编号识别结果;
将所有编号识别结果作为特征向量,输入构建的第二分类网络模型,得到对应的总编号识别结果;
根据家畜脸部图像样本对应的已知家畜编号,和获取的总编号识别结果之间的误差,对第二分类网络模型进行参数更新,直至满足预设的训练终止条件。
8.一种家畜脸部图像识别装置,其特征在于,包括:
特征提取模块,用于对家畜脸部图像的多个局部区域分别进行特征提取,得到多个局部特征;
第一分类模块,用于将每个局部特征和所有局部特征的融合特征,分别输入至与每个特征对应的第一分类网络模型,得到每个局部特征和融合特征对应的家畜编号识别结果;
第二分类模块,用于将所有编号识别结果作为特征向量,输入预设的第二分类网络模型,得到最终的编号识别结果;
其中,所述第一分类网络模型为多个,分别以确定编号的家畜脸部图像提取的每一局部特征和融合特征作为样本,编号作为标签,进行训练得到;所述第二分类网络模型为,以确定编号的家畜脸部图像,经训练后的第一分类网络模型输出结果作为样本,确定的编号作为标签,进行训练得到。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述家畜脸部图像识别方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至7任一项所述家畜脸部图像识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010936295.9A CN112215066A (zh) | 2020-09-08 | 2020-09-08 | 家畜脸部图像识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010936295.9A CN112215066A (zh) | 2020-09-08 | 2020-09-08 | 家畜脸部图像识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112215066A true CN112215066A (zh) | 2021-01-12 |
Family
ID=74050254
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010936295.9A Pending CN112215066A (zh) | 2020-09-08 | 2020-09-08 | 家畜脸部图像识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112215066A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113239739A (zh) * | 2021-04-19 | 2021-08-10 | 深圳市安思疆科技有限公司 | 一种佩戴物的识别方法及识别装置 |
WO2023214435A1 (en) * | 2022-05-06 | 2023-11-09 | Mooofarm Pvt Ltd. | A system and a method for identifying livestock in real- time |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7505621B1 (en) * | 2003-10-24 | 2009-03-17 | Videomining Corporation | Demographic classification using image components |
CN102622607A (zh) * | 2012-02-24 | 2012-08-01 | 河海大学 | 一种基于多特征融合的遥感图像分类方法 |
CN105160317A (zh) * | 2015-08-31 | 2015-12-16 | 电子科技大学 | 一种基于区域分块行人性别识别方法 |
CN108875811A (zh) * | 2018-06-01 | 2018-11-23 | 平安科技(深圳)有限公司 | 动物种类的分类方法、装置、计算机设备和存储介质 |
CN109934197A (zh) * | 2019-03-21 | 2019-06-25 | 深圳力维智联技术有限公司 | 人脸识别模型的训练方法、装置和计算机可读存储介质 |
CN110263673A (zh) * | 2019-05-31 | 2019-09-20 | 合肥工业大学 | 面部表情识别方法、装置、计算机设备及存储介质 |
CN110728179A (zh) * | 2019-09-04 | 2020-01-24 | 天津大学 | 一种采用多路卷积神经网络的猪脸识别方法 |
-
2020
- 2020-09-08 CN CN202010936295.9A patent/CN112215066A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7505621B1 (en) * | 2003-10-24 | 2009-03-17 | Videomining Corporation | Demographic classification using image components |
CN102622607A (zh) * | 2012-02-24 | 2012-08-01 | 河海大学 | 一种基于多特征融合的遥感图像分类方法 |
CN105160317A (zh) * | 2015-08-31 | 2015-12-16 | 电子科技大学 | 一种基于区域分块行人性别识别方法 |
CN108875811A (zh) * | 2018-06-01 | 2018-11-23 | 平安科技(深圳)有限公司 | 动物种类的分类方法、装置、计算机设备和存储介质 |
CN109934197A (zh) * | 2019-03-21 | 2019-06-25 | 深圳力维智联技术有限公司 | 人脸识别模型的训练方法、装置和计算机可读存储介质 |
CN110263673A (zh) * | 2019-05-31 | 2019-09-20 | 合肥工业大学 | 面部表情识别方法、装置、计算机设备及存储介质 |
CN110728179A (zh) * | 2019-09-04 | 2020-01-24 | 天津大学 | 一种采用多路卷积神经网络的猪脸识别方法 |
Non-Patent Citations (3)
Title |
---|
AHMAD SAEED MOHAMMAD等: "Towards Ethnicity Detection using Learning Based classfiers", 《2017 9TH COMPUTER SCIENCE AND ELECTRONIC ENGINEERING (CEEC)》, pages 1 - 6 * |
宋各方: "基于深度学习的动物面部识别算法研究", 《中国优秀硕士学位论文全文数据库:信息科技辑》, no. 1, pages 1 - 66 * |
王荣等: "多变环境下基于多尺度卷积网络的猪个体识别", 《江西农业大学学报》, vol. 42, no. 2, pages 391 - 400 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113239739A (zh) * | 2021-04-19 | 2021-08-10 | 深圳市安思疆科技有限公司 | 一种佩戴物的识别方法及识别装置 |
WO2023214435A1 (en) * | 2022-05-06 | 2023-11-09 | Mooofarm Pvt Ltd. | A system and a method for identifying livestock in real- time |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110135231B (zh) | 动物面部识别方法、装置、计算机设备和存储介质 | |
US10282589B2 (en) | Method and system for detection and classification of cells using convolutional neural networks | |
CN109583322B (zh) | 一种人脸识别深度网络训练方法和系统 | |
Ge et al. | Modelling local deep convolutional neural network features to improve fine-grained image classification | |
CN109271884A (zh) | 人脸属性识别方法、装置、终端设备和存储介质 | |
CN110321870B (zh) | 一种基于lstm的掌静脉识别方法 | |
CN110909618B (zh) | 一种宠物身份的识别方法及装置 | |
CN110163236A (zh) | 模型的训练方法和装置、存储介质、电子装置 | |
CN109002755B (zh) | 基于人脸图像的年龄估计模型构建方法及估计方法 | |
CN109871885A (zh) | 一种基于深度学习和植物分类学的植物识别方法 | |
CN110163069A (zh) | 用于辅助驾驶的车道线检测方法 | |
CN110414541B (zh) | 用于识别物体的方法、设备和计算机可读存储介质 | |
CN113435355A (zh) | 多目标奶牛身份识别方法及系统 | |
CN110852358A (zh) | 一种基于深度学习的车辆类型判别方法 | |
CN112215066A (zh) | 家畜脸部图像识别方法及装置 | |
CN114821014A (zh) | 基于多模态与对抗学习的多任务目标检测识别方法及装置 | |
CN114092742A (zh) | 一种基于多角度的小样本图像分类装置和方法 | |
KR20210067815A (ko) | 사용자의 건강 상태를 측정하기 위한 방법 및 이를 위한 장치 | |
CN114463675B (zh) | 一种水下鱼类群组活动强度识别方法及装置 | |
CN113420709A (zh) | 牛脸特征提取模型训练方法、系统及牛的保险方法、系统 | |
CN110321871B (zh) | 一种基于lstm的掌静脉识别系统及方法 | |
Bakhshayeshi et al. | An Intelligence Cattle Re-Identification System over Transport by Siamese Neural Networks and YOLO | |
CN111160219B (zh) | 对象完整度评估方法、装置、电子设备及存储介质 | |
CN114792436A (zh) | 人脸深度图像质量评价方法及系统、电子设备及存储介质 | |
CN113947780A (zh) | 一种基于改进卷积神经网络的梅花鹿面部识别方法 |
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 |