CN112329573A - 基于猫鼻纹特征提取模型的猫鼻纹识别方法及装置 - Google Patents
基于猫鼻纹特征提取模型的猫鼻纹识别方法及装置 Download PDFInfo
- Publication number
- CN112329573A CN112329573A CN202011162210.2A CN202011162210A CN112329573A CN 112329573 A CN112329573 A CN 112329573A CN 202011162210 A CN202011162210 A CN 202011162210A CN 112329573 A CN112329573 A CN 112329573A
- Authority
- CN
- China
- Prior art keywords
- nose
- cat
- image
- nasal
- 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
- 241000282326 Felis catus Species 0.000 title claims abstract description 388
- 238000000605 extraction Methods 0.000 title claims abstract description 147
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000003909 pattern recognition Methods 0.000 claims abstract description 21
- 239000013598 vector Substances 0.000 claims description 284
- 238000012549 training Methods 0.000 claims description 60
- 238000013135 deep learning Methods 0.000 claims description 33
- 238000012360 testing method Methods 0.000 claims description 28
- 238000013145 classification model Methods 0.000 claims description 26
- 238000007781 pre-processing Methods 0.000 claims description 22
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012567 pattern recognition method Methods 0.000 abstract description 2
- 210000001331 nose Anatomy 0.000 description 643
- 238000004364 calculation method Methods 0.000 description 21
- 230000008859 change Effects 0.000 description 14
- 210000003491 skin Anatomy 0.000 description 12
- 239000000243 solution Substances 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 238000013136 deep learning model Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 210000002615 epidermis Anatomy 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 241000283690 Bos taurus Species 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 241001465754 Metazoa Species 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 206010033675 panniculitis Diseases 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 210000004304 subcutaneous tissue Anatomy 0.000 description 4
- 210000001519 tissue Anatomy 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 3
- 230000003014 reinforcing effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005452 bending Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 210000004207 dermis Anatomy 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 238000003475 lamination Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 210000003462 vein Anatomy 0.000 description 2
- 230000037303 wrinkles Effects 0.000 description 2
- 241000282421 Canidae Species 0.000 description 1
- 241001466804 Carnivora Species 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 241000282335 Procyon Species 0.000 description 1
- 235000015278 beef Nutrition 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明涉及图像识别技术领域,具体涉及一种基于猫鼻纹特征提取模型的猫鼻纹识别方法及装置。该方法及装置通过接收猫鼻纹识别请求,猫鼻纹识别请求至少携带有待识别图像数据;选择与待识别图像数据相匹配的鼻纹图像识别模式;按照鼻纹图像识别模式对待识别图像数据进行识别,输出鼻纹识别结果,本发明基于猫鼻纹特征提取模型的猫鼻纹识别方法及装置能够提高猫鼻纹识别的准确率。
Description
技术领域
本发明涉及图像识别技术领域,具体而言,涉及一种基于猫鼻纹特征提取模型的猫鼻纹识别方法及装置。
背景技术
随着现代计算机科学与技术等深入发展,基于深度学习和图像处理的生物特征被广泛应用于身份认证中,基于生物特征的身份认证也成为了国内外非常热门的前沿领域之一。其中,基于人的生物特征的身份认证应用最广,包括指纹识别、虹膜识别、人脸识别和声纹识别等已经广泛应用于我们的日常生活中。延伸到动物界中,动物的生物特征也可以用作身份认证。其中,动物的鼻纹已经被证明可以用作身份认证。
回顾历史,鼻纹识别发展较慢,相关的应用也较少。最早在1982年,日本警察用拓印鼻纹的纸张来识别被盗的牛,据此来逮捕盗窃犯。自此,国内外针对牛的鼻纹进行了一系列研究,包括通过鼻纹鉴别牛的种类、鉴别奶牛奶质的好坏、鉴别肉牛肉质的级别等。随着鼻纹识别在畜牧业中的应用日渐成熟,人们开始把目光放在中小型食肉动物上,包括狐狸、浣熊和宠物猫等,而宠物猫最为人类最好的朋友,其受关注程度也最高。
随着宠物数量的不断增加以及人们对宠物依赖程度的增加,会不断产出新的身份认证场景,为了安全、卫生的需要,国内各大城市都在为宠物猫进行身份认证。社会上出现了很多专业的宠物机构,能够提供两种宠物身份认证的方法:表皮注射芯片和宠物DNA检测。这两种方案的缺点也很明显:第一,表皮注射芯片会对猫造成身体和心理上的双重伤害;第二,不法分子可以较为容易的调换猫的表皮芯片,进行身份造假;第三,DNA检测的费用昂贵,检测周期长。这些缺点导致猫身份认证在实际运作中较为困难,很大程度上降低对猫身份认证的准确率,从而加大了猫管理的难度。
发明内容
本发明实施例提供了一种基于猫鼻纹特征提取模型的猫鼻纹识别方法及装置,以至少解决传统识别技术方式识别准确率不高的技术问题。
根据本发明的一实施例,提供了一种基于猫鼻纹特征提取模型的猫鼻纹识别方法,包括以下步骤:
接收猫鼻纹识别请求,猫鼻纹识别请求至少携带有待识别图像数据;
选择与待识别图像数据相匹配的鼻纹图像识别模式;
按照鼻纹图像识别模式对待识别图像数据进行识别,输出鼻纹识别结果。
进一步地,按照鼻纹图像识别模式对待识别图像数据进行识别,输出鼻纹识别结果的步骤包括:
将第一待识别鼻纹图像以及第二待识别鼻纹图像输入训练好的鼻纹特征提取模型进行特征提取操作,得到第一鼻纹特征向量以及第二鼻纹特征向量;
计算第一鼻纹特征向量以及第二鼻纹特征向量之间的第一相似度;
判断第一相似度是否符合预设的第一比较条件;
若第一相似度符合预设的第一比较条件,则输出第一待识别鼻纹图像以及第二待识别鼻纹图像中的猫为同一只的信息;
若第一相似度不符合预设的第一比较条件,则输出第一待识别鼻纹图像以及第二待识别鼻纹图像中的猫不是同一只的信息。
进一步地,按照鼻纹图像识别模式对待识别图像数据进行识别,输出鼻纹识别结果的步骤还包括:
在数据库中获取与第一ID标识相匹配的一组鼻纹图像;
将第三待识别鼻纹图像以及一组鼻纹图像分别输入训练好的鼻纹特征提取模型进行特征提取操作,得到第三鼻纹特征向量以及N个鼻纹特征向量,其中N为大于0的正整数;
分别计算第三鼻纹特征向量与每个鼻纹特征向量之间的第二相似度;
判断第二相似度是否符合预设的第二比较条件;
若有M个第二相似度符合预设的第二比较条件,则输出M个第二相似度符对应的鼻纹图像与第三待识别鼻纹图像中的猫为同一只的信息,其中,M为小于等于N且大于等于0的正整数。
进一步地,按照鼻纹图像识别模式对待识别图像数据进行识别,输出鼻纹识别结果的步骤还包括:
在数据库中获取与第二ID标识相匹配的第五鼻纹特征向量;
将第四待识别鼻纹图像输入训练好的鼻纹特征提取模型进行特征提取操作,得到第四鼻纹特征向量;
计算第四鼻纹特征向量与第五鼻纹特征向量之间的第三相似度;
判断第三相似度是否符合预设的第三比较条件;
若第三相似度符合预设的比较条件,则输出第四待识别鼻纹图像中的猫以及第五鼻纹特征向量对应的猫为同一只的信息;
若第三相似度不符合预设的第三比较条件,则输出第四待识别鼻纹图像中的猫以及第五鼻纹特征向量对应的猫不是同一只的信息。
进一步地,按照鼻纹图像识别模式对待识别图像数据进行识别,输出鼻纹识别结果的步骤还包括:
在数据库中获取与ID标识数据中的每个ID对应的猫鼻纹特征向量;
将第六待识别鼻纹图像输入训练好的鼻纹特征提取模型进行特征提取操作,得到第六鼻纹特征向量;
分别计算第六鼻纹特征向量与每个猫鼻纹特征向量之间的相似度,得到K个特征相似度,其中K为大于0的正整数;
将K个特征相似度进行排序,获取最大特征相似度;
判断最大特征相似度是否符合预设的第四比较条件;
若最大特征相似度不符合预设的第四比较条件,则输出数据库中没有与第六待识别鼻纹图像中的猫相同的信息;
若最大特征相似度符合预设的第四比较条件,则判断K个特征相似度中是否有符合预设的第四比较条件的相似度;
若有J个特征相似度符合第四比较条件,则输出J个特征相似度的ID对应的猫与第六待识别鼻纹图像中的猫为同一只的信息,其中,J为小于等于K且大于等于0的正整数。
进一步地,该方法还包括:
构建基础鼻纹深度学习网络;
对数据库中的猫图像进行标注,得到用于训练的分割数据集;
将鼻纹数据集输入基础鼻纹深度学习网络中进行迭代训练操作,得到训练好的鼻纹分类模型;
截取鼻纹分类模型中从输入层到输出特征的层,作为鼻纹特征提取模型。
进一步地,该方法还包括:
采集A组不同猫的鼻纹图像,其中A为大于0的正整数;
对每个猫设置一个ID标识;
针对每个ID标识,将每个鼻纹图像进行预处理操作,得到处理后的鼻纹训练图像以及鼻纹测试图像;
将鼻纹训练图像以及鼻纹测试图像与ID标识对应保存至数据库中,得到鼻纹数据集。
根据本发明的另一实施例,提供了一种基于猫鼻纹特征提取模型的猫鼻纹识别装置,包括:
请求接收模块,用于接收猫鼻纹识别请求,猫鼻纹识别请求至少携带有待识别图像数据;
识别模式选择模块,用于选择与待识别图像数据相匹配的鼻纹图像识别模式;
识别结果输出模块,用于按照鼻纹图像识别模式对待识别图像数据进行识别,输出鼻纹识别结果。
进一步地,该装置还包括:
网络构建模块,用于构建基础鼻纹深度学习网络;
数据集获取模块,用于对数据库中的猫图像进行标注,得到用于训练的分割数据集;
网络训练模块,用于将鼻纹数据集输入基础鼻纹深度学习网络中进行迭代训练操作,得到训练好的鼻纹分类模型;
模型截取模块,用于截取鼻纹分类模型中从输入层到输出特征的层,作为鼻纹特征提取模型。
进一步地,该装置还包括:
鼻纹图像采集模块,用于采集A组不同猫的鼻纹图像,其中A为大于0的正整数;
标识设置模块,用于对每个猫设置一个ID标识;
图像预处理模块,用于针对每个ID标识,将每个鼻纹图像进行预处理操作,得到处理后的鼻纹训练图像以及鼻纹测试图像;
数据集保存模块,用于将鼻纹训练图像以及鼻纹测试图像与ID标识对应保存至数据库中,得到鼻纹数据集。
本发明实施例中的基于猫鼻纹特征提取模型的猫鼻纹识别方法及装置,通过获取猫鼻纹识别请求中的待识别图像数据;然后,根据该待识别图像数据选择与该待识别图像数据相匹配的鼻纹图像识别模式,以实现具体鼻纹识别场景的应用,进而按照鼻纹图像识别模式对待识别图像数据进行识别,输出鼻纹识别结果,以保证具体鼻纹识别场景中的鼻纹识别准确率,本发明基于猫鼻纹特征提取模型的猫鼻纹识别方法及装置能够提高猫鼻纹识别的准确率。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明基于猫鼻纹特征提取模型的猫鼻纹识别方法的场景示意图;
图2为本发明基于猫鼻纹特征提取模型的猫鼻纹识别方法的流程图;
图3为本发明基于猫鼻纹特征提取模型的猫鼻纹识别方法的一按照鼻纹图像识别模式对待识别图像数据进行识别的流程图;
图4为本发明基于猫鼻纹特征提取模型的猫鼻纹识别方法的又一按照鼻纹图像识别模式对待识别图像数据进行识别的流程图;
图5为本发明基于猫鼻纹特征提取模型的猫鼻纹识别方法的另一按照鼻纹图像识别模式对待识别图像数据进行识别的流程图;
图6为本发明基于猫鼻纹特征提取模型的猫鼻纹识别方法的再一按照鼻纹图像识别模式对待识别图像数据进行识别的流程图;
图7为本发明基于猫鼻纹特征提取模型的猫鼻纹识别方法的获取鼻纹特征提取模型的流程图;
图8为本发明基于猫鼻纹特征提取模型的猫鼻纹识别方法的获取鼻纹数据集的流程图;
图9为本发明基于猫鼻纹特征提取模型的猫鼻纹识别装置的模块图;
图10为本发明基于猫鼻纹特征提取模型的猫鼻纹识别装置的一按照鼻纹图像识别模式对待识别图像数据进行识别的模块图;
图11为本发明基于猫鼻纹特征提取模型的猫鼻纹识别装置的又一按照鼻纹图像识别模式对待识别图像数据进行识别的模块图;
图12为本发明基于猫鼻纹特征提取模型的猫鼻纹识别装置的另一按照鼻纹图像识别模式对待识别图像数据进行识别的模块图;
图13为本发明基于猫鼻纹特征提取模型的猫鼻纹识别装置的再一按照鼻纹图像识别模式对待识别图像数据进行识别的模块图;
图14为本发明基于猫鼻纹特征提取模型的猫鼻纹识别装置的获取鼻纹特征提取模型的模块图;
图15为本发明基于猫鼻纹特征提取模型的猫鼻纹识别方法的获取鼻纹数据集的模块图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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,所描述的实施例仅仅是本发明一部分的实施例,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做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明一实施例,提供了一种基于猫鼻纹特征提取模型的猫鼻纹识别方法,参见图1至图2,包括以下步骤:
S1:接收猫鼻纹识别请求,猫鼻纹识别请求至少携带有待识别图像数据。
在本实施例中,由于在猫鼻头皮肤的发育过程中,虽然表皮、真皮以及基质层都在共同长大,但是柔软的皮下组织长得相对比坚硬的表皮快,因此会对表皮产生源源不断的上顶压力,迫使长得较慢的表皮向内层组织收缩塌陷,并逐渐变弯打皱,以减轻皮下组织施加给它的压力。如此一来,一方面使劲向上攻,一方面被迫往下撤,导致表皮长得曲曲弯弯,坑洼不平,从而形成纹路。这种变弯打皱的过程随着内层组织产生的上层压力变化而波动起伏,形成凹凸不平的脊纹或皱褶,直到发育过程中止,最终定型为至死不变的鼻纹,从这一点上来说,猫鼻纹的形成与人类指纹的形成如出一辙。而且鼻子作为猫最奇特的部位,它们会格外注意自己鼻子的安危,因为那是它们赖以生存的根基,一旦嗅到危险的气息,立马做出相应的反应进行防御,并且时间的推移不会影响纹路的形状。
因此,本实施例基于猫鼻纹特征提取模型对猫鼻纹图像进行鼻纹识别以保证对猫鼻纹识别的准确率,从而保证对猫身份认证的准确率。
其中,猫鼻纹识别请求是用户根据实际具体鼻纹识别场景的应用,需要进行的识别操作而输入的操作请求;而猫鼻纹识别请求至少携带有待识别图像数据,该待识别图像数据是实际具体鼻纹识别场景的应用中提供的图像数据,以使后续根据该待识别图像数据确定该具体鼻纹识别场景的猫身份。
具体地,接收用户从客户端输入的猫鼻纹识别请求,并获取猫鼻纹识别请求至少携带有待识别图像数据,能够使后续对该待识别图像数据进行分析识别,以准确识别待识别图像数据中猫鼻纹,从而准确获取该具体鼻纹识别场景的猫身份。
S2:选择与待识别图像数据相匹配的鼻纹图像识别模式。
在本实施例中,鼻纹图像识别模式根据实际的具体鼻纹识别场景的而模拟实验出几种适用于猫鼻纹图像的识别方法。
进一步地,由于基于深度学习图像处理技术的猫鼻纹识别技术在宠物市场中不仅技术成本低且识别精度高,故本实施例中的鼻纹图像识别模式,具体可以是通过构建以及训练适用于猫鼻纹特征提取的深度学习模型,并配合特征匹配算法进行鼻纹识别,以猫鼻纹识别的准确率。
具体地,本实施例通过对在步骤S1中获取到我的待识别图像数据进行解析,并根据解析结果索引相适配的鼻纹图像识别模式,能够使后续按照索引到的鼻纹图像识别模式对待识别图像数据进行识别分析,以准确识别待识别图像数据中猫鼻纹,从而准确获取该具体鼻纹识别场景的猫身份。
S3:按照鼻纹图像识别模式对待识别图像数据进行识别,输出鼻纹识别结果。
在本实施例中,鼻纹识别结果是待识别图像数据中的鼻纹是否一致或不一致的结果,能够用于表明待识别图像数据中是否相同。
具体地,按照鼻纹图像识别模式对待识别图像数据进行识别,具体可以是通过采用已构建以及训练好的适用于猫鼻纹特征提取的深度学习模型,并配合特征匹配算法对待识别图像数据进行鼻纹识别,以输出猫鼻纹是否一致或不一致的结果,能够保证获取鼻纹特征的准确性和保证性,从而保证猫鼻纹识别的准确率。
本发明实施例中的基于猫鼻纹特征提取模型的猫鼻纹识别方法,通过获取猫鼻纹识别请求中的待识别图像数据;然后,根据该待识别图像数据选择与该待识别图像数据相匹配的鼻纹图像识别模式,以实现具体鼻纹识别场景的应用,进而按照鼻纹图像识别模式对待识别图像数据进行识别,输出鼻纹识别结果,以保证具体鼻纹识别场景中的鼻纹识别准确率,本发明基于猫鼻纹特征提取模型的猫鼻纹识别方法能够提高猫鼻纹识别的准确率;本发明计算复杂度低,简便实用,成本低。
需要说明的是,本实施例采用的鼻纹识别技术不仅成本低、无需额外的设备费用且识别精度高,同时还可以避免伤害宠物身体等缺点,且鼻纹识别操作简单,可以帮助宠物服务机构节省大量身份认证时间提高工作效率;其次,本实施采用的鼻纹识别方案能够帮助猫更好的进行比赛、保险、医疗等活动。
作为优选的技术方案中,待识别图像数据为第一待识别鼻纹图像以及第二待识别鼻纹图像,参见图3,步骤S3按照鼻纹图像识别模式对待识别图像数据进行识别,输出鼻纹识别结果的步骤包括:
S31:将第一待识别鼻纹图像以及第二待识别鼻纹图像输入训练好的鼻纹特征提取模型进行特征提取操作,得到第一鼻纹特征向量以及第二鼻纹特征向量。
在本实施例中,训练好的鼻纹特征提取模型是通过采用大量的猫鼻纹图像的数据集对预先构建的基础鼻纹深度学习网络进行不断地迭代训练,而获取到的具有较高准确鼻纹特征识别率的模型。
其中,待识别图像数据为第一待识别鼻纹图像以及第二待识别鼻纹图像,具体可以理解为具体的鼻纹识别场景为判断两张鼻纹图像中的猫是否为同一只,两张鼻纹图像即第一待识别鼻纹图像以及第二待识别鼻纹图像。
其中,第一鼻纹特征向量是采用训练好的鼻纹特征提取模型对第一待识别鼻纹图像进行鼻纹特征提取后输出的特征序列,通常以向量的形式呈现;同理,第二鼻纹特征向量是采用训练好的鼻纹特征提取模型对第二待识别鼻纹图像进行鼻纹特征提取后输出的特征序列。
具体地,本实施例分别将第一待识别鼻纹图像以及第二待识别鼻纹图像输入训练好的鼻纹特征提取模型进行鼻纹特征提取操作,并分别输出的与第一待识别鼻纹图像对应的特征序列,即第一鼻纹特征向量,以及第二待识别鼻纹图像对应的特征序列,即第二鼻纹特征向量,能够实现对图像数据中的鼻纹特征的准确获取,从而在一定程度上保证对猫鼻纹识别的准确率。
S32:计算第一鼻纹特征向量以及第二鼻纹特征向量之间的第一相似度。
在本实施例中,第一相似度是用于量化第一鼻纹特征向量以及第二鼻纹特征向量之间的相似程度,即将相似程度数据化,相似度的数值越大,可以理解为第一鼻纹特征向量以及第二鼻纹特征向量对应的第一待识别鼻纹图像以及第二待识别鼻纹图像中的猫鼻纹越相似,即图像中的猫越相似。
进一步地,计算第一鼻纹特征向量以及第二鼻纹特征向量之间的第一相似度具体可以通过计算两个特征向量之间的余弦值,即余弦相似度算法,或者是计算两个特征向量之间的点积,来表示该第一相似度,还可以是采用其他计算方式,此处不作具体限制。
具体地,本实施例通过计算第一鼻纹特征向量以及第二鼻纹特征向量之间的点积,并将该点积的值作为第一相似度。
S33:判断第一相似度是否符合预设的第一比较条件。
在本实施例中,第一比较条件是用于衡量第一相似度是否达到能够判断第一鼻纹特征向量以及第二鼻纹特征向量是一致的标准,具体可以根据实际应用需求进行设置,此处不作具体限制。
具体地,假设第一比较条件为第一相似度是否大于预设的第一阈值,则判断第一相似度是否符合预设的第一比较条件,即将在步骤S32中获取到的第一相似度与预设的第一阈值进行比较,从而判定第一相似度是否符合预设的第一比较条件。
S331:若第一相似度符合预设的第一比较条件,则输出第一待识别鼻纹图像以及第二待识别鼻纹图像中的猫为同一只的信息。
具体地,根据步骤S33中第一相似度与预设的第一阈值进行比较的比较结果,当结果为第一相似度大于预设的第一阈值,即第一相似度符合预设的第一比较条件,可以理解为第一鼻纹特征向量以及第二鼻纹特征向量是同一猫的鼻纹特征向量,即该第一待识别鼻纹图像以及第二待识别鼻纹图像中的猫鼻纹是同一猫的猫鼻纹,从而可以确定该第一待识别鼻纹图像以及第二待识别鼻纹图像中的猫为同一只,则可以将包含有第一待识别鼻纹图像以及第二待识别鼻纹图像中的猫为同一只的信息输出至客户端以供用户进行使用或管理。
S332:若第一相似度不符合预设的第一比较条件,则输出第一待识别鼻纹图像以及第二待识别鼻纹图像中的猫不是同一只的信息。
具体地,根据步骤S33中第一相似度与预设的第一阈值进行比较的比较结果,当结果为第一相似度小于或等于预设的第一阈值,即第一相似度不符合预设的比较条件,可以理解为第一鼻纹特征向量以及第二鼻纹特征向量不是同一猫的鼻纹特征向量,即该第一待识别鼻纹图像以及第二待识别鼻纹图像中的猫鼻纹不是同一猫的猫鼻纹,从而可以确定该第一待识别鼻纹图像以及第二待识别鼻纹图像中的猫不是同一只,则可以将包含有第一待识别鼻纹图像以及第二待识别鼻纹图像中的猫不是同一只的信息输出至客户端以供用户进行使用或管理。
在本实施例中,根据步骤S31至步骤S332,本实施例通过将两张鼻纹图像分别输入训练好的鼻纹特征提取模型得到鼻纹特征,然后,计算两个鼻纹特征向量的点积来表示相似度,并将相似度和设定的第一阈值进行比较以判定是否为同一只猫,能够保证获取鼻纹特征的准确性和保证性,从而保证猫鼻纹识别的准确率,同时,操作简便,计算复杂度低,能够在一定程度上提高猫鼻纹识别的效率。
作为优选的技术方案中,待识别图像数据为第三待识别鼻纹图像以及第一ID标识,参见图4,步骤S3按照鼻纹图像识别模式对待识别图像数据进行识别,输出鼻纹识别结果的步骤还包括:
S41:在数据库中获取与第一ID标识相匹配的一组鼻纹图像。
在本实施例中,待识别图像数据为第三待识别鼻纹图像以及第一ID标识,具体可以理解为具体的鼻纹识别场景为判断以待识别的单张鼻纹图像与一个ID下的一组鼻纹图像中的猫是否为同一只,待识别的单张鼻纹图像即第三待识别鼻纹图像,以及与第一ID标识相匹配的一组鼻纹图像。
具体地,由于在数据库中保存有采集到每个猫数据相对应的一个固定的可区分的ID号,故本实施例可以根据获取到的第一ID标识在数据库中进行索引,以获取与该第一ID标识相匹配的一组鼻纹图像。
S42:将第三待识别鼻纹图像以及一组鼻纹图像分别输入训练好的鼻纹特征提取模型进行特征提取操作,得到第三鼻纹特征向量以及N个鼻纹特征向量,其中N为大于0的正整数。
在本实施例中,第三鼻纹特征向量是采用训练好的鼻纹特征提取模型对第三待识别鼻纹图像进行鼻纹特征提取后输出的特征序列,通常以向量的形式呈现;同理N个鼻纹特征向量是采用训练好的鼻纹特征提取模型对一组鼻纹图像进行鼻纹特征提取后输出的N个特征序列。
具体地,本实施例分别将第三待识别鼻纹图像以及一组鼻纹图像输入训练好的鼻纹特征提取模型进行鼻纹特征提取操作,并分别输出的与第三待识别鼻纹图像对应的特征序列,即第三鼻纹特征向量,以及一组鼻纹图像对应的N个特征序列,即N个鼻纹特征向量,能够实现对图像数据中的鼻纹特征的准确获取,从而在一定程度上保证对猫鼻纹识别的准确率。
S43:分别计算第三鼻纹特征向量与每个鼻纹特征向量之间的第二相似度。
在本实施例中,第二相似度是用于量化第三鼻纹特征向量以及N个鼻纹特征向量之间的相似程度。
具体地,本实施例可以通过依次两两计算第三鼻纹特征向量与每个鼻纹特征向量之间的第二相似度,具体计算方式与步骤S32中计算第一相似度的方式相同,此处不作赘述。
S44:判断第二相似度是否符合预设的第二比较条件。
在本实施例中,第二比较条件是用于衡量第二相似度是否达到能够判断第三鼻纹特征向量以及N个鼻纹特征向量的哪些鼻纹特征向量是一致的标准,具体可以根据实际应用需求进行设置,此处不作具体限制。
具体地,假设第二比较条件为第二相似度是否大于预设的第二阈值,则判断第二相似度是否符合预设的第二比较条件,即将在步骤S43中获取到的N个第二相似度分别与预设的第二阈值进行比较,从而判定第二相似度是否符合预设的第二比较条件。
S45:若有M个第二相似度符合预设的第二比较条件,则输出M个第二相似度符对应的鼻纹图像与第三待识别鼻纹图像中的猫为同一只的信息,其中,M为小于等于N且大于等于0的正整数。
具体地,根据步骤S44中N个第二相似度分别与预设的第二阈值进行比较的比较结果,当结果为有M个第二相似度大于预设的第二阈值,即有M个第二相似度符合预设的第二比较条件,可以理解为这M个第二鼻纹特征向量以及第三鼻纹特征向量是同一猫的鼻纹特征向量,即该M个第二鼻纹特征向量对应的鼻纹图像以及第三待识别鼻纹图像中的猫鼻纹是同一猫的猫鼻纹,从而可以确定该M个第二鼻纹特征向量对应的鼻纹图像以及第三待识别鼻纹图像中的猫为同一只,则可以将包含有M个鼻纹特征向量对应的鼻纹图像以及第三待识别鼻纹图像中的猫为同一只的信息输出至客户端以供用户进行使用或管理。
需要说明的是,若有M个第二相似度符合预设的第二比较条件,则可以理解为N-M个第二相似度不符合预设的第二比较条件,即有N-M个第二相似度对应的鼻纹特征向量对应的鼻纹图像以及第三待识别鼻纹图像中的猫不是同一只。
在本实施例中,根据步骤S41至步骤S45,本实施例通过分别提取待识别的单张鼻纹图像以及某一ID下的一组鼻纹图像的鼻纹特征,然后,将该待识别的单张鼻纹图像的特征向量和一组鼻纹图像的多个特征向量依次两两点积计算相似度,进而依次将计算出的相似度值和预设的第二阈值进行比较,并记录符合大于第二阈值的个数,从而通过判断相似的个数来最终判定是否为同一只猫。
作为优选的技术方案中,待识别图像数据为第四待识别鼻纹图像以及第二ID标识,参见图5,步骤S3按照鼻纹图像识别模式对待识别图像数据进行识别,输出鼻纹识别结果的步骤还包括:
S51:在数据库中获取与第二ID标识相匹配的第五鼻纹特征向量。
在本实施例中,待识别图像数据为第四待识别鼻纹图像以及第二ID标识,具体可以理解为具体的鼻纹识别场景为判断以待识别的单张鼻纹图像与一个ID下的一个鼻纹特征向量对应的猫是否为同一只,待识别的单张鼻纹图像即第四待识别鼻纹图像,以及与第二ID标识相匹配的第五鼻纹特征向量。
具体地,由于在数据库中保存有采集到每个猫数据相对应的一个固定的可区分的ID号,故本实施例可以根据获取到的第二ID标识在数据库中进行索引,以获取与该第二ID标识相匹配的第五鼻纹特征向量。
S52:将第四待识别鼻纹图像输入训练好的鼻纹特征提取模型进行特征提取操作,得到第四鼻纹特征向量。
在本实施例中,第四鼻纹特征向量是采用训练好的鼻纹特征提取模型对第四待识别鼻纹图像进行鼻纹特征提取后输出的特征序列,通常以向量的形式呈现。
具体地,本实施例通过将第四待识别鼻纹图像输入训练好的鼻纹特征提取模型进行鼻纹特征提取操作,并输出的与第四待识别鼻纹图像对应的特征序列,即第四鼻纹特征向量,能够实现对图像数据中的鼻纹特征的准确获取,从而在一定程度上保证对猫鼻纹识别的准确率。
S53:计算第四鼻纹特征向量与第五鼻纹特征向量之间的第三相似度。
在本实施例中,第三相似度是用于量化第四鼻纹特征向量以及第五鼻纹特征向量之间的相似程度。
具体地,本实施例计算第四鼻纹特征向量与第五鼻纹特征向量之间的第三相似度,具体的计算方式与步骤S32中计算第一相似度的方式相同,此处不作赘述。
S54:判断第三相似度是否符合预设的第三比较条件。
在本实施例中,第三比较条件是用于衡量第三相似度是否达到能够判断第四鼻纹特征向量以及第五鼻纹特征向量的是一致的标准,具体可以根据实际应用需求进行设置,此处不作具体限制。
具体地,假设第三比较条件为第三相似度是否大于预设的第三阈值,则判断第三相似度是否符合预设的第三比较条件,即将在步骤S53中获取到的第三相似度分别与预设的第三阈值进行比较,从而判定第三相似度是否符合预设的第三比较条件。
S541:若第三相似度符合预设的第三比较条件,则输出第四待识别鼻纹图像中的猫以及第五鼻纹特征向量对应的猫为同一只的信息。
具体地,根据步骤S54中第三相似度与预设的第三阈值进行比较的比较结果,当结果为第三相似度大于预设的第三阈值,即第三相似度符合预设的第三比较条件,可以理解为第四鼻纹特征向量以及第五鼻纹特征向量是同一猫的鼻纹特征向量,即该第四待识别鼻纹图像以及第五鼻纹特征向量对应的猫鼻纹是同一猫的猫鼻纹,从而可以确定该第四待识别鼻纹图像以及第五鼻纹特征向量对应的猫为同一只,则可以将包含有第四待识别鼻纹图像以及第五鼻纹特征向量对应的猫为同一只的信息输出至客户端以供用户进行使用或管理。
S542:若第三相似度不符合预设的第三比较条件,则输出第四待识别鼻纹图像中的猫以及第五鼻纹特征向量对应的猫不是同一只的信息。
具体地,根据步骤S54中第三相似度与预设的第三阈值进行比较的比较结果,当结果为第三相似度小于或等于预设的第三阈值,即第三相似度不符合预设的第三比较条件,可以理解为第四鼻纹特征向量以及第五鼻纹特征向量不是同一猫的鼻纹特征向量,即该第四待识别鼻纹图像以及第五鼻纹特征向量对应的猫鼻纹不是同一猫的猫鼻纹,从而可以确定该第四待识别鼻纹图像以及第五鼻纹特征向量对应的猫不是同一只,则可以将包含有第四待识别鼻纹图像以及第五鼻纹特征向量对应的猫不是同一只的信息输出至客户端以供用户进行使用或管理。
在本实施例中,根据步骤S51至步骤S542,本实施例通过将一第四待识别鼻纹图像经过鼻纹特征提取模型提取特征向量,然后将该第四鼻纹特征向量和数据库中一ID号对应的第五鼻纹特征向量计算点积得到相似度,再通过相似度和阈值判定第四待识别鼻纹图像以及第五鼻纹特征向量对应的猫是否为同一只猫。
作为优选的技术方案中,待识别图像数据为第六待识别鼻纹图像以及ID标识数据,参见图6,步骤S3按照鼻纹图像识别模式对待识别图像数据进行识别,输出鼻纹识别结果的步骤还包括:
S61:将第六待识别鼻纹图像输入训练好的鼻纹特征提取模型进行特征提取操作,得到第六鼻纹特征向量。
在本实施例中,待识别图像数据为第六待识别鼻纹图像以及ID标识数据,具体可以理解为具体的鼻纹识别场景为判断以待识别的单张鼻纹图像与数据库中的全部ID对应的鼻纹特征向量对应的猫是否为同一只,即判断第六待识别鼻纹图像与数据库中的全部鼻纹特征向量中的哪些鼻纹特征向量对应的猫为同一只,待识别的单张鼻纹图像即第六待识别鼻纹图像,以及与ID标识数据相匹配的数据库中的全部鼻纹特征向量。
其中,第六鼻纹特征向量是采用训练好的鼻纹特征提取模型对第六待识别鼻纹图像进行鼻纹特征提取后输出的特征序列,通常以向量的形式呈现。
具体地,本实施例通过将第六待识别鼻纹图像输入训练好的鼻纹特征提取模型进行鼻纹特征提取操作,并输出的与第六待识别鼻纹图像对应的特征序列,即第六鼻纹特征向量,能够实现对图像数据中的鼻纹特征的准确获取,从而在一定程度上保证对猫鼻纹识别的准确率。
S62:分别计算第六鼻纹特征向量与每个猫鼻纹特征向量之间的相似度,得到K个特征相似度,其中K为大于0的正整数。
在本实施例中,特征相似度是用于量化第六鼻纹特征向量以及K个猫鼻纹特征向量之间的相似程度。
具体地,本实施例可以通过依次两两计算第六鼻纹特征向量与每个猫鼻纹特征向量之间的特征相似度,得到K个特征相似度,具体计算方式与步骤S32中计算第一相似度的方式相同,此处不作赘述。
S63:将K个特征相似度进行排序,获取最大特征相似度。
具体地,获取最大特征相似度,本实施例通对特征相似度按照从高到低的顺序进行排序,以快速获取排序第一的特征相似度作为最大特征相似度。
S64:判断最大特征相似度是否符合预设的第四比较条件。
在本实施例中,第四比较条件是用于衡量最大特征相似度以及其他特征相似度是否达到能够判断第六鼻纹特征向量以及K个猫鼻纹特征向量的哪些猫鼻纹特征向量是一致的标准,具体可以根据实际应用需求进行设置,此处不作具体限制。
具体地,假设第四比较条件为特征相似度是否大于预设的第四阈值,则判断最大特征相似度是否符合预设的第四比较条件,即将在步骤S63中获取到的最大特征相似度分别与预设的第四阈值进行比较,从而判定最大特征相似度是否符合预设的第四比较条件。
S641:若最大特征相似度不符合预设的第四比较条件,则输出数据库中没有与第六待识别鼻纹图像中的猫相同的信息。
具体地,根据步骤S64中最大相似度与预设的第四阈值进行比较的比较结果,当结果为最大特征相似度小于或等于预设的第四阈值,即最大特征相似度不符合预设的第四比较条件,可以理解为第六鼻纹特征向量以及K个猫鼻纹特征向量中没有相同的猫的鼻纹特征向量,即该第六待识别鼻纹图像以及K个猫鼻纹特征向量对应的猫鼻纹中没有同一猫的猫鼻纹,从而可以确定该第六待识别鼻纹图像以及K个猫鼻纹特征向量对应的猫中没有相同猫,则可以将包含有第六待识别鼻纹图像以及K个猫鼻纹特征向量对应的猫中没有相同猫的信息输出至客户端以供用户进行使用或管理。
S642:若最大特征相似度符合预设的第四比较条件,则判断K个特征相似度中是否有符合预设的第四比较条件的相似度。
具体地,根据步骤S64中最大特征相似度与预设的第四阈值进行比较的比较结果,当结果为最大特征相似度大于预设的第四阈值,即最大特征相似度符合预设的第四比较条件,为了进一步确定第六鼻纹特征向量以及K个猫鼻纹特征向量的哪些猫鼻纹特征向量可能是相同的猫鼻纹特征,本实施例通过判断K个特征相似度中是否有符合预设的第四比较条件的相似度,具体可以是将K个特征相似度分别与预设的第四阈值进行比较并获取比较结果。
S643:若有J个特征相似度符合第四比较条件,则输出J个特征相似度的ID对应的猫与第六待识别鼻纹图像中的猫为同一只的信息,其中,J为小于等于K且大于等于0的正整数。
具体地,根据步骤S642中K个特征相似度分别与预设的第四阈值进行比较的比较结果,当结果为有J个特征相似度大于预设的第四阈值,即有J个特征相似度符合预设的第四比较条件,可以理解为这J个猫鼻纹特征向量以及第六鼻纹特征向量是同一猫的鼻纹特征向量,即该J个猫鼻纹特征向量对应的鼻纹图像以及第六待识别鼻纹图像中的猫鼻纹是同一猫的猫鼻纹,从而可以确定该J个猫鼻纹特征向量对应的鼻纹图像以及第六待识别鼻纹图像中的猫为同一只,则可以将包含有J个猫鼻纹特征向量对应的猫以及第六待识别鼻纹图像中的猫为同一只的信息输出至客户端以供用户进行使用或管理。
需要说明的是,若有J个特征相似度符合预设的第四比较条件,则可以理解为K-J个特征相似度不符合预设的第四比较条件,即有K-J个特征相似度对应的猫鼻纹特征向量对应的猫以及第六待识别鼻纹图像中的猫不是同一只。
在本实施例中,根据步骤S61至步骤S643,本实施例通过将第六待识别鼻纹图像经过鼻纹特征提取模型提取第六鼻纹特征向量,然后将该第六鼻纹特征向量依次和数据库中的所有ID对应的猫鼻纹特征向量进行点积计算相似度,并对K个特征相似度从高到低进行排序,如果最大特征向量的没有超过设定的第四阈值则判定数据库中没有该第六待识别鼻纹图像对应的猫,如果超过设定的第四阈值,则输出该最大特征相似度对应的ID,如果超过设定的第四阈值的ID数大于三个,则输出这三个相似度最高的三个ID即可。
作为优选的技术方案中,参见图7,在步骤S2之前,该方法还包括:
S71:构建基础鼻纹深度学习网络。
在本实施例中,为了能够获取到鼻纹识别准确率较高的模型,本实施例构建基础鼻纹深度学习网络采用Resnet50作为骨架网络,还可以根据实际应用需求采用其他网络,此处不作具体限制。
具体地,本实施例通过采用Resnet50作为骨架网络,接着引入注意力模型强化网络,然后采用损失函数来收敛整个网络,最后通过softmax层输出分类结果,以构建该基础鼻纹深度学习网络,其中,该基础鼻纹深度学习网络可以理解为包括预处理图像数据的输入层、用于鼻纹特征提取的卷积层、用于进一步鼻纹特征提取的采样层、用于鼻纹特征压缩的池化层、用于对鼻纹进行分类的全连接层,以及用于输出鼻纹分类结果的softmax层等等,能够在一定程度上保证鼻纹识别的准确率。
S72:对数据库中的猫图像进行标注,得到用于训练的分割数据集。
在本实施例中,鼻纹数据集是预先处理和制作好的鼻纹训练集以及鼻纹测试集。
具体地,本实施例可以根据实际应用需要的数据类型在数据库中进行索引,以快速准确的获取到预先处理和制作好的鼻纹训练集以及鼻纹测试集,以供后续进行训练。
S73:将鼻纹数据集输入基础鼻纹深度学习网络中进行迭代训练操作,得到训练好的鼻纹分类模型。
在本实施例中,训练好的鼻纹分类模型是用于识别鼻纹图像的鼻纹特征,并能够提取出的鼻纹特征进行鼻纹分类的模型。
具体地,本实施例通过利用预先处理和制作好的鼻纹训练集以及鼻纹测试集对基础鼻纹深度学习网络进行大量的迭代训练,从而获取到能够得到用于识别鼻纹图像的鼻纹特征,并能够提取出的鼻纹特征进行鼻纹分类的鼻纹分类模型。
S74:截取鼻纹分类模型中从输入层到输出特征的层,作为鼻纹特征提取模型。
在本实施例中,截取鼻纹分类模型中从输入层到输出特征的层可以理解为截取鼻纹分类模型中用于预处理图像数据的输入层、用于鼻纹特征提取的卷积层、用于进一步鼻纹特征提取的采样层以及用于鼻纹特征压缩的池化层,具体还可以根据实际应用需求进行截取,此处不作具体限制。
具体地,截取鼻纹分类模型中从输入层到输出特征的层具体可以截去鼻纹分类模型中的全连接层之后的层,保留从输入层到输出特征的层作为鼻纹特征提取模型。
在本实施例中,根据步骤S71至步骤S74,本实施例通过利用Resnet50作为骨架网络,接着引入注意力模型强化网络,然后采用损失函数来收敛整个网络,最后通过softmax层得到分类结果得到基础鼻纹。利用制作好的鼻纹训练集和测试集对基础鼻纹深度学习网络进行大量的迭代训练得到鼻纹分类模型,然后,截取模型到输出特征的层得到最终的鼻纹特征提取模型。
作为优选的技术方案中,参见图8,在步骤S72之前,该方法还包括:
S81:采集A组不同猫的鼻纹图像,其中A为大于0的正整数。
具体地,由于训练深度学习模型需要大量的数据,因此本实施例采集了A组不同猫的鼻纹图像,如3000组不同猫的鼻纹图像。
S82:对每个猫设置一个ID标识。
在本实施例中,ID标识用于唯一标识一个猫,其中,每个猫与ID标识为一一对应的。
具体地,本实施例对每个猫分配一个固定的可区分的ID号,如A111。
S83:针对每个ID标识,将每个鼻纹图像进行预处理操作,得到处理后的鼻纹训练图像以及鼻纹测试图像。
在本实施例中,为了保证基础鼻纹深度学习网络对鼻纹数据集特征提取以及识别的准确率,需要保证输入基础鼻纹深度学习网络的鼻纹数据集的数据格式是与基础鼻纹深度学习网络相适配的,故本实施例针对每个ID标识,通过将每个鼻纹图像进行预处理操作,以得到处理后的数据格式与基础鼻纹深度学习网络相适配的鼻纹训练图像以及鼻纹测试图像。
其中,预处理操作具体可以是鼻纹图像采用旋转,改变尺寸,明暗变化等图像预处理手段,还可以根据实际应用需求进行其他图像处理手段,此处不作具体限制。
具体地,针对每个ID标识,将每个鼻纹图像分别进行图像旋转,改变尺寸,以及明暗变化等图像预处理手段,以获取处理好的数据格式与基础鼻纹深度学习网络相适配的鼻纹训练图像以及鼻纹测试图像。
S84:将鼻纹训练图像以及鼻纹测试图像与ID标识对应保存至数据库中,得到鼻纹数据集。
具体地,将在步骤S83中获取到的鼻纹训练图像以及鼻纹测试图像与其ID标识一一对应保存至数据库中,以得到鼻纹数据集。
在本实施例中,根据步骤S81至步骤S84,由于训练深度学习模型需要大量的数据,因此本实施例采集了A组不同猫的鼻纹图像,并为每个猫分配一个固定的可区分的ID号,进一步地,为了增强训练时模型的鲁棒性,我们对这A组ID标识下的鼻纹图像采用旋转,改变尺寸,明暗变化等图像预处理手段来扩展图像数量得到鼻纹训练集以及鼻纹测试集,作为该鼻纹数据集。
实施例2
根据本发明的另一实施例,提供了一种基于猫鼻纹特征提取模型的猫鼻纹识别装置,参见图9,包括:
请求接收模块901,用于接收猫鼻纹识别请求,猫鼻纹识别请求至少携带有待识别图像数据;
在本实施例中,由于在猫鼻头皮肤的发育过程中,虽然表皮、真皮以及基质层都在共同长大,但是柔软的皮下组织长得相对比坚硬的表皮快,因此会对表皮产生源源不断的上顶压力,迫使长得较慢的表皮向内层组织收缩塌陷,并逐渐变弯打皱,以减轻皮下组织施加给它的压力。如此一来,一方面使劲向上攻,一方面被迫往下撤,导致表皮长得曲曲弯弯,坑洼不平,从而形成纹路。这种变弯打皱的过程随着内层组织产生的上层压力变化而波动起伏,形成凹凸不平的脊纹或皱褶,直到发育过程中止,最终定型为至死不变的鼻纹,从这一点上来说,猫鼻纹的形成与人类指纹的形成如出一辙。而且鼻子作为猫最奇特的部位,它们会格外注意自己鼻子的安危,因为那是它们赖以生存的根基,一旦嗅到危险的气息,立马做出相应的反应进行防御,并且时间的推移不会影响纹路的形状。
因此,本实施例基于猫鼻纹特征提取模型对猫鼻纹图像进行鼻纹识别以保证对猫鼻纹识别的准确率,从而保证对猫身份认证的准确率。
其中,猫鼻纹识别请求是用户根据实际具体鼻纹识别场景的应用,需要进行的识别操作而输入的操作请求;而猫鼻纹识别请求至少携带有待识别图像数据,该待识别图像数据是实际具体鼻纹识别场景的应用中提供的图像数据,以使后续根据该待识别图像数据确定该具体鼻纹识别场景的猫身份。
具体地,接收用户从客户端输入的猫鼻纹识别请求,并获取猫鼻纹识别请求至少携带有待识别图像数据,能够使后续对该待识别图像数据进行分析识别,以准确识别待识别图像数据中猫鼻纹,从而准确获取该具体鼻纹识别场景的猫身份。
识别模式选择模块902,用于选择与待识别图像数据相匹配的鼻纹图像识别模式;
在本实施例中,鼻纹图像识别模式根据实际的具体鼻纹识别场景的而模拟实验出几种适用于猫鼻纹图像的识别方法。
进一步地,由于基于深度学习图像处理技术的猫鼻纹识别技术在宠物市场中不仅技术成本低且识别精度高,故本实施例中的鼻纹图像识别模式,具体可以是通过构建以及训练适用于猫鼻纹特征提取的深度学习模型,并配合特征匹配算法进行鼻纹识别,以猫鼻纹识别的准确率。
具体地,本实施例通过对在请求接收模块901中获取到我的待识别图像数据进行解析,并根据解析结果索引相适配的鼻纹图像识别模式,能够使后续按照索引到的鼻纹图像识别模式对待识别图像数据进行识别分析,以准确识别待识别图像数据中猫鼻纹,从而准确获取该具体鼻纹识别场景的猫身份。
识别结果输出模块903,用于按照鼻纹图像识别模式对待识别图像数据进行识别,输出鼻纹识别结果。
在本实施例中,鼻纹识别结果是待识别图像数据中的鼻纹是否一致或不一致的结果,能够用于表明待识别图像数据中是否相同。
具体地,按照鼻纹图像识别模式对待识别图像数据进行识别,具体可以是通过采用已构建以及训练好的适用于猫鼻纹特征提取的深度学习模型,并配合特征匹配算法对待识别图像数据进行鼻纹识别,以输出猫鼻纹是否一致或不一致的结果,能够保证获取鼻纹特征的准确性和保证性,从而保证猫鼻纹识别的准确率。
本发明实施例中的基于猫鼻纹特征提取模型的猫鼻纹识别装置,通过获取猫鼻纹识别请求中的待识别图像数据;然后,根据该待识别图像数据选择与该待识别图像数据相匹配的鼻纹图像识别模式,以实现具体鼻纹识别场景的应用,进而按照鼻纹图像识别模式对待识别图像数据进行识别,输出鼻纹识别结果,以保证具体鼻纹识别场景中的鼻纹识别准确率,本发明基于猫鼻纹特征提取模型的猫鼻纹识别装置能够提高猫鼻纹识别的准确率;本发明计算复杂度低,简便实用,成本低。
需要说明的是,本实施例采用的鼻纹识别技术不仅成本低、无需额外的设备费用且识别精度高,同时还可以避免伤害宠物身体等缺点,且鼻纹识别操作简单,可以帮助宠物服务机构节省大量身份认证时间提高工作效率;其次,本实施采用的鼻纹识别方案能够帮助猫更好的进行比赛、保险、医疗等活动。
作为优选的技术方案中,参见图10,识别结果输出模块903包括:
第一特征提取单元101,用于将第一待识别鼻纹图像以及第二待识别鼻纹图像输入训练好的鼻纹特征提取模型进行特征提取操作,得到第一鼻纹特征向量以及第二鼻纹特征向量。
在本实施例中,训练好的鼻纹特征提取模型是通过采用大量的猫鼻纹图像的数据集对预先构建的基础鼻纹深度学习网络进行不断地迭代训练,而获取到的具有较高准确鼻纹特征识别率的模型。
其中,待识别图像数据为第一待识别鼻纹图像以及第二待识别鼻纹图像,具体可以理解为具体的鼻纹识别场景为判断两张鼻纹图像中的猫是否为同一只,两张鼻纹图像即第一待识别鼻纹图像以及第二待识别鼻纹图像。
其中,第一鼻纹特征向量是采用训练好的鼻纹特征提取模型对第一待识别鼻纹图像进行鼻纹特征提取后输出的特征序列,通常以向量的形式呈现;同理,第二鼻纹特征向量是采用训练好的鼻纹特征提取模型对第二待识别鼻纹图像进行鼻纹特征提取后输出的特征序列。
具体地,本实施例分别将第一待识别鼻纹图像以及第二待识别鼻纹图像输入训练好的鼻纹特征提取模型进行鼻纹特征提取操作,并分别输出的与第一待识别鼻纹图像对应的特征序列,即第一鼻纹特征向量,以及第二待识别鼻纹图像对应的特征序列,即第二鼻纹特征向量,能够实现对图像数据中的鼻纹特征的准确获取,从而在一定程度上保证对猫鼻纹识别的准确率。
第一相似度计算单元102,用于计算第一鼻纹特征向量以及第二鼻纹特征向量之间的第一相似度。
在本实施例中,第一相似度是用于量化第一鼻纹特征向量以及第二鼻纹特征向量之间的相似程度,即将相似程度数据化,相似度的数值越大,可以理解为第一鼻纹特征向量以及第二鼻纹特征向量对应的第一待识别鼻纹图像以及第二待识别鼻纹图像中的猫鼻纹越相似,即图像中的猫越相似。
进一步地,计算第一鼻纹特征向量以及第二鼻纹特征向量之间的第一相似度具体可以通过计算两个特征向量之间的余弦值,即余弦相似度算法,或者是计算两个特征向量之间的点积,来表示该第一相似度,还可以是采用其他计算方式,此处不作具体限制。
具体地,本实施例通过计算第一鼻纹特征向量以及第二鼻纹特征向量之间的点积,并将该点积的值作为第一相似度。
第一比较条件判断单元103,用于判断第一相似度是否符合预设的第一比较条件。
在本实施例中,第一比较条件是用于衡量第一相似度是否达到能够判断第一鼻纹特征向量以及第二鼻纹特征向量是一致的标准,具体可以根据实际应用需求进行设置,此处不作具体限制。
具体地,假设第一比较条件为第一相似度是否大于预设的第一阈值,则判断第一相似度是否符合预设的第一比较条件,即将在第一相似度计算单元102中获取到的第一相似度与预设的第一阈值进行比较,从而判定第一相似度是否符合预设的第一比较条件。
第一信息输出单元1031,用于若第一相似度符合预设的第一比较条件,则输出第一待识别鼻纹图像以及第二待识别鼻纹图像中的猫为同一只的信息。
具体地,根据步骤第一比较条件判断单元103中第一相似度与预设的第一阈值进行比较的比较结果,当结果为第一相似度大于预设的第一阈值,即第一相似度符合预设的第一比较条件,可以理解为第一鼻纹特征向量以及第二鼻纹特征向量是同一猫的鼻纹特征向量,即该第一待识别鼻纹图像以及第二待识别鼻纹图像中的猫鼻纹是同一猫的猫鼻纹,从而可以确定该第一待识别鼻纹图像以及第二待识别鼻纹图像中的猫为同一只,则可以将包含有第一待识别鼻纹图像以及第二待识别鼻纹图像中的猫为同一只的信息输出至客户端以供用户进行使用或管理。
第二信息输出单元1032,用于若第一相似度不符合预设的第一比较条件,则输出第一待识别鼻纹图像以及第二待识别鼻纹图像中的猫不是同一只的信息。
具体地,根据第一比较条件判断单元103中第一相似度与预设的第一阈值进行比较的比较结果,当结果为第一相似度小于或等于预设的第一阈值,即第一相似度不符合预设的比较条件,可以理解为第一鼻纹特征向量以及第二鼻纹特征向量不是同一猫的鼻纹特征向量,即该第一待识别鼻纹图像以及第二待识别鼻纹图像中的猫鼻纹不是同一猫的猫鼻纹,从而可以确定该第一待识别鼻纹图像以及第二待识别鼻纹图像中的猫不是同一只,则可以将包含有第一待识别鼻纹图像以及第二待识别鼻纹图像中的猫不是同一只的信息输出至客户端以供用户进行使用或管理。
在本实施例中,根据第一特征提取单元101至第二信息输出单元1032,本实施例通过将两张鼻纹图像分别输入训练好的鼻纹特征提取模型得到鼻纹特征,然后,计算两个鼻纹特征向量的点积来表示相似度,并将相似度和设定的第一阈值进行比较以判定是否为同一只猫,能够保证获取鼻纹特征的准确性和保证性,从而保证猫鼻纹识别的准确率,同时,操作简便,计算复杂度低,能够在一定程度上提高猫鼻纹识别的效率。
作为优选的技术方案中,参见图11,识别结果输出模块903还包括:
鼻纹图像获取单元111,用于在数据库中获取与第一ID标识相匹配的一组鼻纹图像。
在本实施例中,待识别图像数据为第三待识别鼻纹图像以及第一ID标识,具体可以理解为具体的鼻纹识别场景为判断以待识别的单张鼻纹图像与一个ID下的一组鼻纹图像中的猫是否为同一只,待识别的单张鼻纹图像即第三待识别鼻纹图像,以及与第一ID标识相匹配的一组鼻纹图像。
具体地,由于在数据库中保存有采集到每个猫数据相对应的一个固定的可区分的ID号,故本实施例可以根据获取到的第一ID标识在数据库中进行索引,以获取与该第一ID标识相匹配的一组鼻纹图像。
第二特征提取单元112,用于将第三待识别鼻纹图像以及一组鼻纹图像分别输入训练好的鼻纹特征提取模型进行特征提取操作,得到第三鼻纹特征向量以及N个鼻纹特征向量,其中N为大于0的正整数。
在本实施例中,第三鼻纹特征向量是采用训练好的鼻纹特征提取模型对第三待识别鼻纹图像进行鼻纹特征提取后输出的特征序列,通常以向量的形式呈现;同理N个鼻纹特征向量是采用训练好的鼻纹特征提取模型对一组鼻纹图像进行鼻纹特征提取后输出的N个特征序列。
具体地,本实施例分别将第三待识别鼻纹图像以及一组鼻纹图像输入训练好的鼻纹特征提取模型进行鼻纹特征提取操作,并分别输出的与第三待识别鼻纹图像对应的特征序列,即第三鼻纹特征向量,以及一组鼻纹图像对应的N个特征序列,即N个鼻纹特征向量,能够实现对图像数据中的鼻纹特征的准确获取,从而在一定程度上保证对猫鼻纹识别的准确率。
第二相似度计算单元113,用于分别计算第三鼻纹特征向量与每个鼻纹特征向量之间的第二相似度。
在本实施例中,第二相似度是用于量化第三鼻纹特征向量以及N个鼻纹特征向量之间的相似程度。
具体地,本实施例可以通过依次两两计算第三鼻纹特征向量与每个鼻纹特征向量之间的第二相似度,具体计算方式与第一相似度计算单元102中计算第一相似度的方式相同,此处不作赘述。
第二比较条件判断单元114,用于判断第二相似度是否符合预设的第二比较条件。
在本实施例中,第二比较条件是用于衡量第二相似度是否达到能够判断第三鼻纹特征向量以及N个鼻纹特征向量的哪些鼻纹特征向量是一致的标准,具体可以根据实际应用需求进行设置,此处不作具体限制。
具体地,假设第二比较条件为第二相似度是否大于预设的第二阈值,则判断第二相似度是否符合预设的第二比较条件,即将在第二相似度计算单元113中获取到的N个第二相似度分别与预设的第二阈值进行比较,从而判定第二相似度是否符合预设的第二比较条件。
第三信息输出单元115,用于若有M个第二相似度符合预设的第二比较条件,则输出M个第二相似度符对应的鼻纹图像与第三待识别鼻纹图像中的猫为同一只的信息,其中,M为小于等于N且大于等于0的正整数。
具体地,根据第二比较条件判断单元114中N个第二相似度分别与预设的第二阈值进行比较的比较结果,当结果为有M个第二相似度大于预设的第二阈值,即有M个第二相似度符合预设的第二比较条件,可以理解为这M个第二鼻纹特征向量以及第三鼻纹特征向量是同一猫的鼻纹特征向量,即该M个第二鼻纹特征向量对应的鼻纹图像以及第三待识别鼻纹图像中的猫鼻纹是同一猫的猫鼻纹,从而可以确定该M个第二鼻纹特征向量对应的鼻纹图像以及第三待识别鼻纹图像中的猫为同一只,则可以将包含有M个鼻纹特征向量对应的鼻纹图像以及第三待识别鼻纹图像中的猫为同一只的信息输出至客户端以供用户进行使用或管理。
需要说明的是,若有M个第二相似度符合预设的第二比较条件,则可以理解为N-M个第二相似度不符合预设的第二比较条件,即有N-M个第二相似度对应的鼻纹特征向量对应的鼻纹图像以及第三待识别鼻纹图像中的猫不是同一只。
在本实施例中,根据第二特征提取单元112至第三信息输出单元115,本实施例通过分别提取待识别的单张鼻纹图像以及某一ID下的一组鼻纹图像的鼻纹特征,然后,将该待识别的单张鼻纹图像的特征向量和一组鼻纹图像的多个特征向量依次两两点积计算相似度,进而依次将计算出的相似度值和预设的第二阈值进行比较,并记录符合大于第二阈值的个数,从而通过判断相似的个数来最终判定是否为同一只猫。
作为优选的技术方案中,参见图12,识别结果输出模块903还包括:
鼻纹特征获取单元121,用于在数据库中获取与第二ID标识相匹配的第五鼻纹特征向量。
在本实施例中,待识别图像数据为第四待识别鼻纹图像以及第二ID标识,具体可以理解为具体的鼻纹识别场景为判断以待识别的单张鼻纹图像与一个ID下的一个鼻纹特征向量对应的猫是否为同一只,待识别的单张鼻纹图像即第四待识别鼻纹图像,以及与第二ID标识相匹配的第五鼻纹特征向量。
具体地,由于在数据库中保存有采集到每个猫数据相对应的一个固定的可区分的ID号,故本实施例可以根据获取到的第二ID标识在数据库中进行索引,以获取与该第二ID标识相匹配的第五鼻纹特征向量。
第三特征提取单元122,用于将第四待识别鼻纹图像输入训练好的鼻纹特征提取模型进行特征提取操作,得到第四鼻纹特征向量。
在本实施例中,第四鼻纹特征向量是采用训练好的鼻纹特征提取模型对第四待识别鼻纹图像进行鼻纹特征提取后输出的特征序列,通常以向量的形式呈现。
具体地,本实施例通过将第四待识别鼻纹图像输入训练好的鼻纹特征提取模型进行鼻纹特征提取操作,并输出的与第四待识别鼻纹图像对应的特征序列,即第四鼻纹特征向量,能够实现对图像数据中的鼻纹特征的准确获取,从而在一定程度上保证对猫鼻纹识别的准确率。
第三相似度计算单元123,用于计算第四鼻纹特征向量与第五鼻纹特征向量之间的第三相似度。
在本实施例中,第三相似度是用于量化第四鼻纹特征向量以及第五鼻纹特征向量之间的相似程度。
具体地,本实施例计算第四鼻纹特征向量与第五鼻纹特征向量之间的第三相似度,具体的计算方式与第一相似度计算单元102中计算第一相似度的方式相同,此处不作赘述。
第三比较条件判断单元124,用于判断第三相似度是否符合预设的第三比较条件。
在本实施例中,第三比较条件是用于衡量第三相似度是否达到能够判断第四鼻纹特征向量以及第五鼻纹特征向量的是一致的标准,具体可以根据实际应用需求进行设置,此处不作具体限制。
具体地,假设第三比较条件为第三相似度是否大于预设的第三阈值,则判断第三相似度是否符合预设的第三比较条件,即将在第三相似度计算单元123中获取到的第三相似度分别与预设的第三阈值进行比较,从而判定第三相似度是否符合预设的第三比较条件。
第四信息输出单元1241,用于若第三相似度符合预设的第三比较条件,则输出第四待识别鼻纹图像中的猫以及第五鼻纹特征向量对应的猫为同一只的信息。
具体地,根据第三比较条件判断单元124中第三相似度与预设的第三阈值进行比较的比较结果,当结果为第三相似度大于预设的第三阈值,即第三相似度符合预设的第三比较条件,可以理解为第四鼻纹特征向量以及第五鼻纹特征向量是同一猫的鼻纹特征向量,即该第四待识别鼻纹图像以及第五鼻纹特征向量对应的猫鼻纹是同一猫的猫鼻纹,从而可以确定该第四待识别鼻纹图像以及第五鼻纹特征向量对应的猫为同一只,则可以将包含有第四待识别鼻纹图像以及第五鼻纹特征向量对应的猫为同一只的信息输出至客户端以供用户进行使用或管理。
第五信息输出单元1242,用于若第三相似度不符合预设的第三比较条件,则输出第四待识别鼻纹图像中的猫以及第五鼻纹特征向量对应的猫不是同一只的信息。
具体地,根据第三比较条件判断单元124中第三相似度与预设的第三阈值进行比较的比较结果,当结果为第三相似度小于或等于预设的第三阈值,即第三相似度不符合预设的第三比较条件,可以理解为第四鼻纹特征向量以及第五鼻纹特征向量不是同一猫的鼻纹特征向量,即该第四待识别鼻纹图像以及第五鼻纹特征向量对应的猫鼻纹不是同一猫的猫鼻纹,从而可以确定该第四待识别鼻纹图像以及第五鼻纹特征向量对应的猫不是同一只,则可以将包含有第四待识别鼻纹图像以及第五鼻纹特征向量对应的猫不是同一只的信息输出至客户端以供用户进行使用或管理。
在本实施例中,根据鼻纹特征获取单元121至第五信息输出单元1242,本实施例通过将一第四待识别鼻纹图像经过鼻纹特征提取模型提取特征向量,然后将该第四鼻纹特征向量和数据库中一ID号对应的第五鼻纹特征向量计算点积得到相似度,再通过相似度和阈值判定第四待识别鼻纹图像以及第五鼻纹特征向量对应的猫是否为同一只猫。
作为优选的技术方案中,参见图13,识别结果输出模块903还包括:
第四特征提取单元131,用于将第六待识别鼻纹图像输入训练好的鼻纹特征提取模型进行特征提取操作,得到第六鼻纹特征向量。
在本实施例中,待识别图像数据为第六待识别鼻纹图像以及ID标识数据,具体可以理解为具体的鼻纹识别场景为判断以待识别的单张鼻纹图像与数据库中的全部ID对应的鼻纹特征向量对应的猫是否为同一只,即判断第六待识别鼻纹图像与数据库中的全部鼻纹特征向量中的哪些鼻纹特征向量对应的猫为同一只,待识别的单张鼻纹图像即第六待识别鼻纹图像,以及与ID标识数据相匹配的数据库中的全部鼻纹特征向量。
其中,第六鼻纹特征向量是采用训练好的鼻纹特征提取模型对第六待识别鼻纹图像进行鼻纹特征提取后输出的特征序列,通常以向量的形式呈现。
具体地,本实施例通过将第六待识别鼻纹图像输入训练好的鼻纹特征提取模型进行鼻纹特征提取操作,并输出的与第六待识别鼻纹图像对应的特征序列,即第六鼻纹特征向量,能够实现对图像数据中的鼻纹特征的准确获取,从而在一定程度上保证对猫鼻纹识别的准确率。
特征相似度计算单元132,用于分别计算第六鼻纹特征向量与每个猫鼻纹特征向量之间的相似度,得到K个特征相似度,其中K为大于0的正整数。
在本实施例中,特征相似度是用于量化第六鼻纹特征向量以及K个猫鼻纹特征向量之间的相似程度。
具体地,本实施例可以通过依次两两计算第六鼻纹特征向量与每个猫鼻纹特征向量之间的特征相似度,得到K个特征相似度,具体计算方式与第一相似度计算单元102中计算第一相似度的方式相同,此处不作赘述。
特征相似度排序单元133,用于将K个特征相似度进行排序,获取最大特征相似度。
具体地,获取最大特征相似度,本实施例通对特征相似度按照从高到低的顺序进行排序,以快速获取排序第一的特征相似度作为最大特征相似度。
第四比较条件判断单元134,用于判断最大特征相似度是否符合预设的第四比较条件。
在本实施例中,第四比较条件是用于衡量最大特征相似度以及其他特征相似度是否达到能够判断第六鼻纹特征向量以及K个猫鼻纹特征向量的哪些猫鼻纹特征向量是一致的标准,具体可以根据实际应用需求进行设置,此处不作具体限制。
具体地,假设第四比较条件为特征相似度是否大于预设的第四阈值,则判断最大特征相似度是否符合预设的第四比较条件,即将在特征相似度排序单元133中获取到的最大特征相似度分别与预设的第四阈值进行比较,从而判定最大特征相似度是否符合预设的第四比较条件。
第六信息输出单元1341,用于若最大特征相似度不符合预设的第四比较条件,则输出数据库中没有与第六待识别鼻纹图像中的猫相同的信息。
具体地,根据第四比较条件判断单元134中最大相似度与预设的第四阈值进行比较的比较结果,当结果为最大特征相似度小于或等于预设的第四阈值,即最大特征相似度不符合预设的第四比较条件,可以理解为第六鼻纹特征向量以及K个猫鼻纹特征向量中没有相同的猫的鼻纹特征向量,即该第六待识别鼻纹图像以及K个猫鼻纹特征向量对应的猫鼻纹中没有同一猫的猫鼻纹,从而可以确定该第六待识别鼻纹图像以及K个猫鼻纹特征向量对应的猫中没有相同猫,则可以将包含有第六待识别鼻纹图像以及K个猫鼻纹特征向量对应的猫中没有相同猫的信息输出至客户端以供用户进行使用或管理。
相似度判断单元1342,用于若最大特征相似度符合预设的第四比较条件,则判断K个特征相似度中是否有符合预设的第四比较条件的相似度。
具体地,根据第四比较条件判断单元134中最大特征相似度与预设的第四阈值进行比较的比较结果,当结果为最大特征相似度大于预设的第四阈值,即最大特征相似度符合预设的第四比较条件,为了进一步确定第六鼻纹特征向量以及K个猫鼻纹特征向量的哪些猫鼻纹特征向量可能是相同的猫鼻纹特征,本实施例通过判断K个特征相似度中是否有符合预设的第四比较条件的相似度,具体可以是将K个特征相似度分别与预设的第四阈值进行比较并获取比较结果。
第七信息输出单元1343,用于若有J个特征相似度符合第四比较条件,则输出J个特征相似度的ID对应的猫与第六待识别鼻纹图像中的猫为同一只的信息,其中,J为小于等于K且大于等于0的正整数。
具体地,根据相似度判断单元1342中K个特征相似度分别与预设的第四阈值进行比较的比较结果,当结果为有J个特征相似度大于预设的第四阈值,即有J个特征相似度符合预设的第四比较条件,可以理解为这J个猫鼻纹特征向量以及第六鼻纹特征向量是同一猫的鼻纹特征向量,即该J个猫鼻纹特征向量对应的鼻纹图像以及第六待识别鼻纹图像中的猫鼻纹是同一猫的猫鼻纹,从而可以确定该J个猫鼻纹特征向量对应的鼻纹图像以及第六待识别鼻纹图像中的猫为同一只,则可以将包含有J个猫鼻纹特征向量对应的猫以及第六待识别鼻纹图像中的猫为同一只的信息输出至客户端以供用户进行使用或管理。
需要说明的是,若有J个特征相似度符合预设的第四比较条件,则可以理解为K-J个特征相似度不符合预设的第四比较条件,即有K-J个特征相似度对应的猫鼻纹特征向量对应的猫以及第六待识别鼻纹图像中的猫不是同一只。
在本实施例中,根据第四特征提取单元131至第七信息输出单元1343,本实施例通过将第六待识别鼻纹图像经过鼻纹特征提取模型提取第六鼻纹特征向量,然后将该第六鼻纹特征向量依次和数据库中的所有ID对应的猫鼻纹特征向量进行点积计算相似度,并对K个特征相似度从高到低进行排序,如果最大特征向量的没有超过设定的第四阈值则判定数据库中没有该第六待识别鼻纹图像对应的猫,如果超过设定的第四阈值,则输出该最大特征相似度对应的ID,如果超过设定的第四阈值的ID数大于三个,则输出这三个相似度最高的三个ID即可。
作为优选的技术方案中,参见图14,该装置还包括:
网络构建模块141,用于构建基础鼻纹深度学习网络;
在本实施例中,为了能够获取到鼻纹识别准确率较高的模型,本实施例构建基础鼻纹深度学习网络采用Resnet50作为骨架网络,还可以根据实际应用需求采用其他网络,此处不作具体限制。
具体地,本实施例通过采用Resnet50作为骨架网络,接着引入注意力模型强化网络,然后采用损失函数来收敛整个网络,最后通过softmax层输出分类结果,以构建该基础鼻纹深度学习网络,其中,该基础鼻纹深度学习网络可以理解为包括预处理图像数据的输入层、用于鼻纹特征提取的卷积层、用于进一步鼻纹特征提取的采样层、用于鼻纹特征压缩的池化层、用于对鼻纹进行分类的全连接层,以及用于输出鼻纹分类结果的softmax层等等,能够在一定程度上保证鼻纹识别的准确率。
数据集获取模块142,用于对数据库中的猫图像进行标注,得到用于训练的分割数据集;
在本实施例中,鼻纹数据集是预先处理和制作好的鼻纹训练集以及鼻纹测试集。
具体地,本实施例可以根据实际应用需要的数据类型在数据库中进行索引,以快速准确的获取到预先处理和制作好的鼻纹训练集以及鼻纹测试集,以供后续进行训练。
网络训练模块143,用于将鼻纹数据集输入基础鼻纹深度学习网络中进行迭代训练操作,得到训练好的鼻纹分类模型;
在本实施例中,训练好的鼻纹分类模型是用于识别鼻纹图像的鼻纹特征,并能够提取出的鼻纹特征进行鼻纹分类的模型。
具体地,本实施例通过利用预先处理和制作好的鼻纹训练集以及鼻纹测试集对基础鼻纹深度学习网络进行大量的迭代训练,从而获取到能够得到用于识别鼻纹图像的鼻纹特征,并能够提取出的鼻纹特征进行鼻纹分类的鼻纹分类模型。
模型截取模块144,用于截取鼻纹分类模型中从输入层到输出特征的层,作为鼻纹特征提取模型。
在本实施例中,截取鼻纹分类模型中从输入层到输出特征的层可以理解为截取鼻纹分类模型中用于预处理图像数据的输入层、用于鼻纹特征提取的卷积层、用于进一步鼻纹特征提取的采样层以及用于鼻纹特征压缩的池化层,具体还可以根据实际应用需求进行截取,此处不作具体限制。
具体地,截取鼻纹分类模型中从输入层到输出特征的层具体可以截去鼻纹分类模型中的全连接层之后的层,保留从输入层到输出特征的层作为鼻纹特征提取模型。
在本实施例中,根据网络构建模块141至模型截取模块144,本实施例通过利用Resnet50作为骨架网络,接着引入注意力模型强化网络,然后采用损失函数来收敛整个网络,最后通过softmax层得到分类结果得到基础鼻纹。利用制作好的鼻纹训练集和测试集对基础鼻纹深度学习网络进行大量的迭代训练得到鼻纹分类模型,然后,截取模型到输出特征的层得到最终的鼻纹特征提取模型。
作为优选的技术方案中,参见图15,该装置还包括:
鼻纹图像采集模块151,用于采集A组不同猫的鼻纹图像,其中A为大于0的正整数;
具体地,由于训练深度学习模型需要大量的数据,因此本实施例采集了A组不同猫的鼻纹图像,如3000组不同猫的鼻纹图像。
标识设置模块152,用于对每个猫设置一个ID标识;
在本实施例中,ID标识用于唯一标识一个猫,其中,每个猫与ID标识为一一对应的。
具体地,本实施例对每个猫分配一个固定的可区分的ID号,如A111。
图像预处理模块153,用于针对每个ID标识,将每个鼻纹图像进行预处理操作,得到处理后的鼻纹训练图像以及鼻纹测试图像;
在本实施例中,为了保证基础鼻纹深度学习网络对鼻纹数据集特征提取以及识别的准确率,需要保证输入基础鼻纹深度学习网络的鼻纹数据集的数据格式是与基础鼻纹深度学习网络相适配的,故本实施例针对每个ID标识,通过将每个鼻纹图像进行预处理操作,以得到处理后的数据格式与基础鼻纹深度学习网络相适配的鼻纹训练图像以及鼻纹测试图像。
其中,预处理操作具体可以是鼻纹图像采用旋转,改变尺寸,明暗变化等图像预处理手段,还可以根据实际应用需求进行其他图像处理手段,此处不作具体限制。
具体地,针对每个ID标识,将每个鼻纹图像分别进行图像旋转,改变尺寸,以及明暗变化等图像预处理手段,以获取处理好的数据格式与基础鼻纹深度学习网络相适配的鼻纹训练图像以及鼻纹测试图像。
数据集保存模块154,用于将鼻纹训练图像以及鼻纹测试图像与ID标识对应保存至数据库中,得到鼻纹数据集。
具体地,将在图像预处理模块153中获取到的鼻纹训练图像以及鼻纹测试图像与其ID标识一一对应保存至数据库中,以得到鼻纹数据集。
在本实施例中,根据鼻纹图像采集模块151至数据集保存模块154,由于训练深度学习模型需要大量的数据,因此本实施例采集了A组不同猫的鼻纹图像,并为每个猫分配一个固定的可区分的ID号,进一步地,为了增强训练时模型的鲁棒性,我们对这A组ID标识下的鼻纹图像采用旋转,改变尺寸,明暗变化等图像预处理手段来扩展图像数量得到鼻纹训练集以及鼻纹测试集,作为该鼻纹数据集。
与现有的猫识别方法相比,本发明基于猫鼻纹特征提取模型的猫鼻纹识别方法及装置的优点在于:
1.本实施例通过获取猫鼻纹识别请求中的待识别图像数据;然后,根据该待识别图像数据选择与该待识别图像数据相匹配的鼻纹图像识别模式,以实现具体鼻纹识别场景的应用,进而按照鼻纹图像识别模式对待识别图像数据进行识别,操作流程简单,效率高以及准确率高;
2.本实施例采用的鼻纹识别技术不仅成本低、无需额外的设备费用且识别精度高,同时还可以避免伤害宠物身体等缺点,且鼻纹识别操作简单,可以帮助宠物服务机构节省大量身份认证时间提高工作效率;
3.本实施例能够基于猫鼻纹特征提取模型对猫鼻纹识别能够适用的场景广泛,前景好。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的系统实施例仅仅是示意性的,例如单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,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。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
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。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以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全部或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(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于猫鼻纹特征提取模型的猫鼻纹识别方法,其特征在于,包括以下步骤:
接收猫鼻纹识别请求,所述猫鼻纹识别请求至少携带有待识别图像数据;
选择与所述待识别图像数据相匹配的鼻纹图像识别模式;
按照所述鼻纹图像识别模式对所述待识别图像数据进行识别,输出鼻纹识别结果。
2.根据权利要求1所述的基于猫鼻纹特征提取模型的猫鼻纹识别方法,所述待识别图像数据为第一待识别鼻纹图像以及第二待识别鼻纹图像,其特征在于,所述按照所述鼻纹图像识别模式对所述待识别图像数据进行识别,输出鼻纹识别结果的步骤包括:
将所述第一待识别鼻纹图像以及所述第二待识别鼻纹图像输入训练好的鼻纹特征提取模型进行特征提取操作,得到第一鼻纹特征向量以及第二鼻纹特征向量;
计算所述第一鼻纹特征向量以及所述第二鼻纹特征向量之间的第一相似度;
判断所述第一相似度是否符合预设的第一比较条件;
若所述第一相似度符合预设的第一比较条件,则输出所述第一待识别鼻纹图像以及所述第二待识别鼻纹图像中的猫为同一只的信息;
若所述第一相似度不符合预设的第一比较条件,则输出所述第一待识别鼻纹图像以及所述第二待识别鼻纹图像中的猫不是同一只的信息。
3.根据权利要求2所述的基于猫鼻纹特征提取模型的猫鼻纹识别方法,所述待识别图像数据为第三待识别鼻纹图像以及第一ID标识,其特征在于,所述按照所述鼻纹图像识别模式对所述待识别图像数据进行识别,输出鼻纹识别结果的步骤还包括:
在数据库中获取与所述第一ID标识相匹配的一组鼻纹图像;
将所述第三待识别鼻纹图像以及一组所述鼻纹图像分别输入训练好的鼻纹特征提取模型进行特征提取操作,得到第三鼻纹特征向量以及N个鼻纹特征向量,其中N为大于0的正整数;
分别计算所述第三鼻纹特征向量与每个所述鼻纹特征向量之间的第二相似度;
判断所述第二相似度是否符合预设的第二比较条件;
若有M个所述第二相似度符合预设的第二比较条件,则输出M个所述第二相似度符对应的鼻纹图像与所述第三待识别鼻纹图像中的猫为同一只的信息,其中,M为小于等于N且大于等于0的正整数。
4.根据权利要求2所述的基于猫鼻纹特征提取模型的猫鼻纹识别方法,所述待识别图像数据为第四待识别鼻纹图像以及第二ID标识,其特征在于,所述按照所述鼻纹图像识别模式对所述待识别图像数据进行识别,输出鼻纹识别结果的步骤还包括:
在数据库中获取与所述第二ID标识相匹配的第五鼻纹特征向量;
将所述第四待识别鼻纹图像输入训练好的鼻纹特征提取模型进行特征提取操作,得到第四鼻纹特征向量;
计算所述第四鼻纹特征向量与所述第五鼻纹特征向量之间的第三相似度;
判断所述第三相似度是否符合预设的第三比较条件;
若所述第三相似度符合预设的第三比较条件,则输出所述第四待识别鼻纹图像中的猫以及所述第五鼻纹特征向量对应的猫为同一只的信息;
若所述第一相似度不符合预设的第三比较条件,则输出所述第四待识别鼻纹图像中的猫以及所述第五鼻纹特征向量对应的猫不是同一只的信息。
5.根据权利要求2所述的基于猫鼻纹特征提取模型的猫鼻纹识别方法,所述待识别图像数据为第六待识别鼻纹图像以及ID标识数据,其特征在于,所述按照所述鼻纹图像识别模式对所述待识别图像数据进行识别,输出鼻纹识别结果的步骤还包括:
在数据库中获取与所述ID标识数据中的每个ID对应的猫鼻纹特征向量;
将所述第六待识别鼻纹图像输入训练好的鼻纹特征提取模型进行特征提取操作,得到第六鼻纹特征向量;
分别计算所述第六鼻纹特征向量与每个所述猫鼻纹特征向量之间的相似度,得到K个特征相似度,其中K为大于0的正整数;
将K个所述特征相似度进行排序,获取最大特征相似度;
判断所述最大特征相似度是否符合预设的第四比较条件;
若所述最大特征相似度不符合预设的第四比较条件,则输出数据库中没有与所述第六待识别鼻纹图像中的猫相同的信息;
若所述最大特征相似度符合预设的第四比较条件,则判断K个特征相似度中是否有符合预设的所述第四比较条件的相似度;
若有J个特征相似度符合所述第四比较条件,则输出J个所述特征相似度的ID对应的猫与所述第六待识别鼻纹图像中的猫为同一只的信息,其中,J为小于等于K且大于等于0的正整数。
6.根据权利要求2所述的基于猫鼻纹特征提取模型的猫鼻纹识别方法,其特征在于,在所述选择与所述待识别图像数据相匹配的鼻纹图像识别模式的步骤之前,所述方法还包括:
构建基础鼻纹深度学习网络;
对数据库中的猫图像进行标注,得到用于训练的分割数据集;
将所述鼻纹数据集输入基础鼻纹深度学习网络中进行迭代训练操作,得到训练好的鼻纹分类模型;
截取所述鼻纹分类模型中从输入层到输出特征的层,作为所述鼻纹特征提取模型。
7.根据权利要求6所述的基于猫鼻纹特征提取模型的猫鼻纹识别方法,其特征在于,在所述对数据库中的猫图像进行标注,得到用于训练的分割数据集的步骤之前,所述方法还包括:
采集A组不同猫的鼻纹图像,其中A为大于0的正整数;
对每个猫设置一个ID标识;
针对每个ID标识,将每个鼻纹图像进行预处理操作,得到处理后的鼻纹训练图像以及鼻纹测试图像;
将所述鼻纹训练图像以及所述鼻纹测试图像与所述ID标识对应保存至数据库中,得到所述鼻纹数据集。
8.一种基于猫鼻纹特征提取模型的猫鼻纹识别装置,其特征在于,包括:
请求接收模块,用于接收猫鼻纹识别请求,所述猫鼻纹识别请求至少携带有待识别图像数据;
识别模式选择模块,用于选择与所述待识别图像数据相匹配的鼻纹图像识别模式;
识别结果输出模块,用于按照所述鼻纹图像识别模式对所述待识别图像数据进行识别,输出鼻纹识别结果。
9.根据权利要求8所述的基于猫鼻纹特征提取模型的猫鼻纹识别装置,其特征在于,所述装置还包括:
网络构建模块,用于构建基础鼻纹深度学习网络;
数据集获取模块,用于对数据库中的猫图像进行标注,得到用于训练的分割数据集;
网络训练模块,用于将所述鼻纹数据集输入基础鼻纹深度学习网络中进行迭代训练操作,得到训练好的鼻纹分类模型;
模型截取模块,用于截取所述鼻纹分类模型中从输入层到输出特征的层,作为所述鼻纹特征提取模型。
10.根据权利要求9所述的基于猫鼻纹特征提取模型的猫鼻纹识别装置,其特征在于,所述装置还包括:
鼻纹图像采集模块,用于采集A组不同猫的鼻纹图像,其中A为大于0的正整数;
标识设置模块,用于对每个猫设置一个ID标识;
图像预处理模块,用于针对每个ID标识,将每个鼻纹图像进行预处理操作,得到处理后的鼻纹训练图像以及鼻纹测试图像;
将所述鼻纹训练图像以及所述鼻纹测试图像与所述ID标识对应保存至数据库中,得到所述鼻纹数据集。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011162210.2A CN112329573A (zh) | 2020-10-27 | 2020-10-27 | 基于猫鼻纹特征提取模型的猫鼻纹识别方法及装置 |
PCT/CN2021/089559 WO2022088626A1 (zh) | 2020-10-27 | 2021-04-25 | 基于猫鼻纹特征提取模型的猫鼻纹识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011162210.2A CN112329573A (zh) | 2020-10-27 | 2020-10-27 | 基于猫鼻纹特征提取模型的猫鼻纹识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112329573A true CN112329573A (zh) | 2021-02-05 |
Family
ID=74312335
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011162210.2A Pending CN112329573A (zh) | 2020-10-27 | 2020-10-27 | 基于猫鼻纹特征提取模型的猫鼻纹识别方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112329573A (zh) |
WO (1) | WO2022088626A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113722522A (zh) * | 2021-09-02 | 2021-11-30 | 四川楠水农牧科技有限公司 | 一种牛只唯一性识别方法、终端、可读存储介质 |
WO2022088626A1 (zh) * | 2020-10-27 | 2022-05-05 | 苏州中科先进技术研究院有限公司 | 基于猫鼻纹特征提取模型的猫鼻纹识别方法及装置 |
WO2022213396A1 (zh) * | 2021-04-09 | 2022-10-13 | 深圳市悦保科技有限公司 | 猫的面部个体识别装置、方法、计算机设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109829381A (zh) * | 2018-12-28 | 2019-05-31 | 北京旷视科技有限公司 | 一种犬只识别管理方法、装置、系统及存储介质 |
CN110765323A (zh) * | 2019-10-24 | 2020-02-07 | 武汉菲旺软件技术有限责任公司 | 小区宠物狗的识别方法、装置、设备及介质 |
CN110929650A (zh) * | 2019-11-25 | 2020-03-27 | 支付宝(杭州)信息技术有限公司 | 豢养物身份识别方法以及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101706345B1 (ko) * | 2014-05-27 | 2017-02-15 | (주)링크옵틱스 | 애완견 관리를 위한 비문 인식처리장치 |
CN110737885A (zh) * | 2019-10-16 | 2020-01-31 | 支付宝(杭州)信息技术有限公司 | 豢养物的身份认证方法及装置 |
CN112329573A (zh) * | 2020-10-27 | 2021-02-05 | 苏州中科先进技术研究院有限公司 | 基于猫鼻纹特征提取模型的猫鼻纹识别方法及装置 |
-
2020
- 2020-10-27 CN CN202011162210.2A patent/CN112329573A/zh active Pending
-
2021
- 2021-04-25 WO PCT/CN2021/089559 patent/WO2022088626A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109829381A (zh) * | 2018-12-28 | 2019-05-31 | 北京旷视科技有限公司 | 一种犬只识别管理方法、装置、系统及存储介质 |
CN110765323A (zh) * | 2019-10-24 | 2020-02-07 | 武汉菲旺软件技术有限责任公司 | 小区宠物狗的识别方法、装置、设备及介质 |
CN110929650A (zh) * | 2019-11-25 | 2020-03-27 | 支付宝(杭州)信息技术有限公司 | 豢养物身份识别方法以及装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022088626A1 (zh) * | 2020-10-27 | 2022-05-05 | 苏州中科先进技术研究院有限公司 | 基于猫鼻纹特征提取模型的猫鼻纹识别方法及装置 |
WO2022213396A1 (zh) * | 2021-04-09 | 2022-10-13 | 深圳市悦保科技有限公司 | 猫的面部个体识别装置、方法、计算机设备及存储介质 |
CN113722522A (zh) * | 2021-09-02 | 2021-11-30 | 四川楠水农牧科技有限公司 | 一种牛只唯一性识别方法、终端、可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2022088626A1 (zh) | 2022-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112329573A (zh) | 基于猫鼻纹特征提取模型的猫鼻纹识别方法及装置 | |
CN104102915B (zh) | 一种心电异常状态下基于ecg多模板匹配的身份识别方法 | |
Cai et al. | Cattle face recognition using local binary pattern descriptor | |
JP4543423B2 (ja) | 対象物自動認識照合方法および装置 | |
CN101226591A (zh) | 基于手机摄像头结合人脸识别技术的身份识别方法 | |
CN108108662B (zh) | 深度神经网络识别模型及识别方法 | |
CN105138980A (zh) | 基于身份证件信息和人脸识别的身份验证方法及系统 | |
CN101773394A (zh) | 身份识别方法及应用该方法的身份识别系统 | |
CN109583452B (zh) | 一种基于赤足足迹的人身同一认定方法和系统 | |
CN106203497A (zh) | 一种基于图像质量评价的手指静脉感兴趣区域图像筛选方法 | |
CN110705528B (zh) | 身份编码方法及装置、豢养物身份编码方法及装置 | |
CN111178130A (zh) | 一种基于深度学习的人脸识别方法、系统和可读存储介质 | |
Priyankara et al. | Computer assisted plant identification system for Android | |
CN108596269A (zh) | 一种基于svm+cnn的足底压力图像的识别算法 | |
Garg et al. | Biometric authentication using finger nail surface | |
CN114239649B (zh) | 面向可穿戴设备光电容积脉搏波信号发现和识别新用户的身份识别方法 | |
CN116012568A (zh) | 一种通过拍照心电图获取心电节律信息的系统 | |
CN105824886A (zh) | 基于马尔科夫随机场的快速食物识别方法 | |
CN107888552A (zh) | 一种基于心电信号的身份认证方法及系统 | |
CN116664585B (zh) | 基于深度学习的头皮健康状况检测方法及相关装置 | |
CN113468988A (zh) | 一种基于ecg信号的多压力状态下身份识别方法 | |
Ling et al. | On-line signature verification based on Gabor features | |
CN110969095A (zh) | 一种信鸽的身份信息分析方法及装置 | |
Yang et al. | A comparative study of several feature extraction methods for person re-identification | |
Carrapiço et al. | A comparison of thermal image descriptors for face analysis |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210205 |