CN112784742A - 鼻纹特征的提取方法、装置及非易失性存储介质 - Google Patents
鼻纹特征的提取方法、装置及非易失性存储介质 Download PDFInfo
- Publication number
- CN112784742A CN112784742A CN202110084610.4A CN202110084610A CN112784742A CN 112784742 A CN112784742 A CN 112784742A CN 202110084610 A CN202110084610 A CN 202110084610A CN 112784742 A CN112784742 A CN 112784742A
- Authority
- CN
- China
- Prior art keywords
- target
- nose
- data set
- pet
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 84
- 238000003062 neural network model Methods 0.000 claims abstract description 80
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 41
- 210000002569 neuron Anatomy 0.000 claims abstract description 17
- 238000011156 evaluation Methods 0.000 claims description 24
- 238000012360 testing method Methods 0.000 claims description 17
- 238000011176 pooling Methods 0.000 claims description 14
- 239000000203 mixture Substances 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 description 19
- 238000001514 detection method Methods 0.000 description 6
- 241000282472 Canis lupus familiaris Species 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000002452 interceptive effect Effects 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
- 210000003462 vein Anatomy 0.000 description 2
- 241000282326 Felis catus Species 0.000 description 1
- 241001494479 Pecora Species 0.000 description 1
- 241000282887 Suidae Species 0.000 description 1
- 241000270666 Testudines Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000037308 hair color Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000000366 juvenile effect Effects 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000007115 recruitment Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005549 size reduction Methods 0.000 description 1
- 230000001960 triggered 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
- G06F18/21—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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种鼻纹特征的提取方法、装置及非易失性存储介质。其中，该方法包括：获取目标类型宠物的样本数据集，其中，样本数据集中包括：目标类型宠物的鼻纹图像以及用于指示鼻纹图像的身份信息的标签；将样本数据集中的数据输入神经网络模型进行训练，得到目标神经网络模型；从目标神经网络模型中截取部分神经元层组成特征提取模型；将待测鼻纹图像输入至特征提取模型进行特征提取，得到目标鼻纹特征。本申请使得从宠物鼻纹图像中提取特征信息时更加准确，从而大大提高了宠物身份识别的成功率。
Description
技术领域
本申请涉及宠物身份识别技术领域，具体而言，涉及一种鼻纹特征的提取方法、装置及非易失性存储介质。
背景技术
随着我国经济社会的发展，人们的生活水平显著提高，越来越多的宠物进入普通家庭中，成为其中的一份子，但随之也带来了一系列的问题，例如：在宠物交易中，需要对宠物进行血系溯源追踪、幼宠身份识别；在宠物医疗保险中，需要创建电子病历、对病理数据加密；在城市宠物管理中，存在解决犬证合一、防疫备案、流浪宠物溯主、走失寻回等问题；这些都需要能够对宠物的身份进行准确识别。由于宠物的鼻纹与人类的指纹类似，一旦成型，终生不变，而鼻子作为宠物最奇特的部位，它们会格外注意自己鼻子的安危，鼻纹基本不会受损；在此基础上，提出了鼻纹识别技术，通过获取宠物的鼻纹特征，将其与宠物鼻纹数据库中的特征信息进行比对，从而实现对宠物的身份识别。
在对宠物身份进行识别时，获取宠物真实准确的鼻纹特征信息是保证识别成功率的基础，然而由于宠物的鼻纹差异比较细微，若提取的特征信息模糊，就很容易造成宠物身份识别错误，因此，如何准确地从宠物鼻纹图像中提取目标特征信息就成为了一大难题。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种鼻纹特征的提取方法、装置及非易失性存储介质，以使得从宠物鼻纹图像中提取特征信息时更加准确，从而大大提高了宠物身份识别的成功率。
根据本申请实施例的一个方面，提供了一种鼻纹特征的提取方法，包括：获取目标类型宠物的样本数据集，其中，所述样本数据集中包括：所述目标类型宠物的鼻纹图像以及用于指示所述鼻纹图像的身份信息的标签；将所述样本数据集中的数据输入神经网络模型进行训练，得到目标神经网络模型；从所述目标神经网络模型中截取部分神经元层组成特征提取模型；将待测鼻纹图像输入至所述特征提取模型进行特征提取，得到目标鼻纹特征。
可选地，从所述目标神经网络模型中截取部分神经元层组成特征提取模型，包括：从所述目标神经网络模型中至少截取卷积层、池化层和全连接层，组成骨架网络；并采用预设损失函数对所述骨架网络进行收敛，得到所述特征提取模型，其中，所述预设损失函数的性能指标高于所述目标神经网络模型中的损失函数的性能指标。
可选地，将待测鼻纹图像输入至所述特征提取模型进行特征提取，得到目标鼻纹特征之后，所述方法还包括：计算所述目标鼻纹特征与鼻纹特征数据库中的所有鼻纹特征之间的相似度，得到多个相似度，其中，所述鼻纹特征数据库中包括参考鼻纹特征和与所述参考鼻纹特征对应的身份信息；比较所述多个相似度与预设阈值的大小；依据比较结果确定所述鼻纹特征数据库中是否存在与所述目标鼻纹特征对应的身份信息。
可选地，依据比较结果确定所述鼻纹特征数据库中是否存在与所述目标鼻纹特征对应的身份信息，包括：在所述比较结果中存在大于所述预设阈值的目标相似度时，则确定所述鼻纹特征数据库中存在与所述目标鼻纹特征对应的身份信息；在所述比较结果中不存在大于所述预设阈值的目标相似度时，则确定所述鼻纹特征数据库中不存在与所述目标鼻纹特征对应的身份信息。
可选地，在所述比较结果中大于所述预设阈值的目标相似度为一个时，将所述目标相似度对应的身份信息作为所述待测鼻纹图像的身份信息；在所述比较结果中存在多个大于所述预设阈值的目标相似度时，对多个目标相似度按照从大到小的顺序进行排序；确定排序结果中靠前的预设数量的目标相似度，并输出与所述预设数量的目标相似度对应的身份信息；响应来自目标对象的选择指令，从所述预设数量的目标相似度所对应的身份信息中选择目标身份信息作为所述待测鼻纹图像的身份信息。
可选地，将待测鼻纹图像输入至所述特征提取模型进行特征提取，得到目标鼻纹特征之后，所述方法还包括：计算所述目标鼻纹特征与待验证宠物对应的鼻纹特征之间的相似度；比较所述相似度与预设阈值的大小；依据比较结果确定所述目标鼻纹特征对应的宠物是否为待验证宠物。
可选地，采用所述样本数据集中的数据输入对神经网络模型进行训练，得到目标神经网络模型，包括：对所述样本数据集中的鼻纹图像进行以下至少之一处理：旋转、改变尺寸、改变亮度，得到处理后的鼻纹图像；将所述处理后的鼻纹图像和所述样本数据集中的鼻纹图像进行组合，得到目标样本数据集；将所述目标样本数据集划分为训练数据集和测试数据集；采用所述训练数据集对所述神经网络模型进行训练，并采用所述测试数据集对所述神经网络模型进行测试。
可选地，采用所述样本数据集中的数据输入对神经网络模型进行训练之前，所述方法还包括：采用多种评价方式对所述样本数据集中的鼻纹图像进行分析，得到多个评价指标，其中，每种评价方式对应一个评价指标；在所述多个评价指标均满足相应的预设条件时，确定所述鼻纹图像合格；在所述多个评价指标中的任意一个评价指标不满足相应的预设条件时，则确定所述鼻纹图像不合格。
根据本申请实施例的另一方面，还提供了一种鼻纹特征的提取装置，包括：获取模块，用于获取目标类型宠物的样本数据集，其中，所述样本数据集中包括：所述目标类型宠物的鼻纹图像以及用于指示所述鼻纹图像的身份信息的标签；训练模块，用于采用所述样本数据集中的数据对神经网络模型进行训练，得到目标神经网络模型；截取模块，用于从所述目标神经网络模型中截取部分神经元层组成特征提取模型；提取模块，用于将待测鼻纹图像输入至所述特征提取网络进行特征提取，得到目标鼻纹特征。
根据本申请实施例的另一方面，还提供了一种非易失性存储介质，所述非易失性存储介质包括存储的程序，其中，在所述程序运行时控制所述非易失性存储介质所在设备执行上述的鼻纹特征的提取方法。
在本申请实施例中，通过获取目标类型宠物的样本数据集，其中，样本数据集中包括目标类型宠物的鼻纹图像以及用于指示鼻纹图像的身份的标签；将样本数据集中的数据输入神经网络模型进行训练，得到目标神经网络模型；从目标神经网络模型中截取部分神经元层组成特征提取模型；将待测鼻纹图像输入至特征提取模型进行特征提取，得到目标鼻纹特征，其中，通过多组样本图像数据训练得到的特征提取模型，能够使得从宠物鼻纹图像中提取特征信息时更加准确，从而大大提高了宠物身份识别的成功率。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的一种鼻纹特征的提取方法的流程示意图；
图2是根据本申请实施例的一种宠物识别方法的流程示意图；
图3是根据本申请实施例的一种鼻纹特征的提取装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。
需要说明的是，本申请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，以便这里描述的本申请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”以及它们的任何变形，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。
为了更好地理解本申请实施例，对本申请实施例进行描述的过程中出现的部分名词或术语翻译解释如下：
VGG16模型：一种常用的深度学习骨架网络结构，共有16层，包括13个卷积层和3个全连接层，其结构通常采用5段卷积，分别为：2个包含64个卷积核的卷积层，2个包含128个卷积核的卷积层，3个包含256个卷积核的卷积层，6个包含512个卷积核的卷积层，每一段尾部都接着一个最大池化层用以缩小图像尺寸，其中：
卷积：使用一个卷积核，在每层像素矩阵上不断按步长扫描下去，每次扫到的数值会和卷积核中对应位置的数进行相乘，然后相加求和，得到的值将会生成一个新的矩阵。
池化：相当于降维操作，经过卷积操作后提取到的特征信息，相邻区域会有相似特征信息，这是可以相互替代的，如果全部保留这些特征信息会存在信息冗余，增加计算难度。通过池化层会不断地减小数据的空间大小，参数的数量和计算量会有相应的下降，这在一定程度上控制了过拟合。
全连接：对n-1层和n层而言，n-1层的任意一个节点，都和第n层所有节点有连接，即第n层的每个节点在进行计算时，激活函数的输入是n-1层所有节点的加权。
ArcFace损失函数：一种常用于人脸识别的损失函数，其性能高、易于编程实现、复杂性低且训练效率高，具体地，
其中，k-分类数，即数据集中宠物的个数；m-批次内的图片数；s-半径；θ-VGG16模型中权重向量和输出特征向量的夹角；m-两个类之间的角度间距
实施例1
根据本申请实施例，提供了一种鼻纹特征的提取方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本申请实施例的一种鼻纹特征的提取方法的流程示意图，如图1所示，该方法包括步骤S102-S108，其中：
步骤S102，获取目标类型宠物的样本数据集，其中，样本数据集中包括：目标类型宠物的鼻纹图像以及用于指示鼻纹图像的身份信息的标签。
其中，目标类型宠物是指同一类承载鼻纹的宠物，例如狗、猫、羊、猪、龟等与人类相关的豢养物。
为了得到精准的鼻纹特征提取模型，需要使用大量的数据来对深度学习模型进行训练，因此，首先要获取目标类型宠物的鼻纹图像，并确定与每张宠物鼻纹图像对应的宠物身份信息，以此得到初始样本数据。在本申请一种可选的实施例中，在训练犬只鼻纹特征提取模型时，通过采集大约3000组不同犬只的鼻纹图像，并为每个犬只分配一个固定的可区分的ID号，以此得到初始的犬只鼻纹样本数据集。
可以理解地，为确保训练结果的可靠性，并非任意一张宠物图像均可以作为训练样本数据，必须保证每一张图像均合格可用。在本申请一种可选的实施例中，采用多种评价方式对样本数据集中的鼻纹图像进行分析，得到多个评价指标，其中，每种评价方式对应一个评价指标；在所述多个评价指标均满足相应的预设条件时，确定所述鼻纹图像合格；在所述多个评价指标中的任意一个评价指标不满足相应的预设条件时，则确定所述鼻纹图像不合格。
具体地，在对图像进行评价时，首先需要判断该图像中是否包括宠物的鼻部区域，这是获取宠物鼻纹特征信息的前提。可以将目标图像输入至鼻纹区域检测模型进行检测，得到检测结果，在检测结果指示未检测到鼻纹区域时，确认该图像不合格，无法作为训练样本数据；在检测到鼻纹区域时，则确定目标图像为鼻纹图像，此时继续对目标图像进行包括亮度、清晰度、纹理分析等多方面的量化评价：
在本申请一种可选的实施例中，可以将鼻纹图像转换为YUV格式，并提取Y分量的值作为鼻纹图像的亮度指标。比较亮度指标和亮度阈值(通常预设为80)的大小，在亮度指标小于亮度阈值时，确定鼻纹图像不合格；在亮度指标大于亮度阈值时，则确定鼻纹图像亮度合格，继续进行清晰度检测。
在计算鼻纹图像的清晰度指标时，可以先确定鼻纹图像中各个像素点的坐标信息；将各个像素点的坐标采用Sobel算子计算坐标信息中横坐标和纵坐标的导数，并将横坐标和纵坐标的二阶导数进行求和运算，将得到的和值作为清晰度指标。比较清晰度指标和清晰度阈值(通常预设为120)的大小，在清晰度指标小于清晰度阈值时，确定鼻纹图像不合格；在清晰度指标大于清晰度阈值，则确定鼻纹图像清晰度合格，继续进行纹理检测。
在对鼻纹图像进行纹理检测时，先采用最大类间阈值分割(OTSU)处理鼻纹图像，具体地，先获取鼻纹图像的灰度直方图，并确定鼻纹图像中各个像素点的灰度值；依据各个像素点的灰度值确定灰度直方图支持的灰度等级；对于每个灰度级，将其对应的灰度值作为阈值，对鼻纹图像中的各个像素点进行分类，灰度值大于阈值的像素点分为第一类像素，灰度值小于阈值的像素点分为第二类像素；计算第一类像素和第二类像素的类间方差；统计各个灰度级对应的类间方差，并确定统计的类间方差中的最大值对应的灰度级，将最大值对应的灰度级作为分割阈值；依据分割阈值确定鼻纹图像中鼻纹纹理所对应的像素点。然后，确定鼻纹图像中鼻纹纹理所对应的像素点在鼻纹图像中全部像素的比例；比较比例和比例阈值(通常预设为0.27)；在该比例小于比例阈值时，确定鼻纹图像不合格；在该比例大于比例阈值时，则确定鼻纹图像合格，可以作为样本数据用于模型训练。
步骤S104，将样本数据集中的数据输入神经网络模型进行训练，得到目标神经网络模型。
在本申请一种可选的实施例中，为了增强训练时模型的鲁棒性，可以对样本数据集中的鼻纹图像采用包括：旋转、改变尺寸、改变亮度等至少一种方式进行处理，得到处理后的鼻纹图像，用以扩充图像数量；然后将处理后的鼻纹图像和样本数据集中的鼻纹图像进行组合，得到目标样本数据集；然后，可以将目标样本数据集划分为训练数据集和测试数据集；采用训练数据集对神经网络模型进行训练，并采用测试数据集对神经网络模型进行测试，并依据测试结果进行调整，最终得到目标神经网络模型。
步骤S106，从目标神经网络模型中截取部分神经元层组成特征提取模型。
在本申请一种可选的实施例中，从目标神经网络模型中至少截取卷积层、池化层和全连接层，组成骨架网络；并采用预设损失函数对骨架网络进行收敛，得到特征提取模型，其中，预设损失函数的性能指标高于目标神经网络模型中的损失函数的性能指标，即采用预设损失函数得到的预测值和真实值的差异小于采用目标神经网络模型中的损失函数得到的预测值和真实值的差异。
具体地，可以先利用VGG16作为骨架网络，然后采用ArcFace损失函数来收敛整个网络，并得到分类结果；然后利用获取的鼻纹训练数据集和测试数据集经过大量的迭代训练，得到鼻纹分类模型，再截取模型到输出特征的层，从而得到最终的鼻纹特征提取模型。
步骤S108，将待测鼻纹图像输入至特征提取模型进行特征提取，得到目标鼻纹特征。
需要说明的是，步骤S102至108的执行主体可以为终端设备，也可以为服务器，但不限于以上表现形式。
另外，在一些可能的实施例中，在从目标神经网络模型中截取部分神经元层组成特征提取模型之前，还可以利用目标神经网络模型确定待测鼻纹图像所对应宠物类型，在该宠物类型不在白名单中时，则停止从目标神经网络模型中截取部分神经元层的操作，在该宠物类型位于白名单中时，则确定继续执行从目标神经网络模型中截取部分神经元层的操作。采用上述方案，可以先对宠物进行初步的筛选，从而节省一定的运算资源。为便于理解，以下结合一个实例详细说明：
1)获取待测鼻纹图像所对应目标宠物的图像信息，其中，所述图像信息中至少包括目标宠物的鼻纹和目标宠物的其他属性信息，其中，所述其他属性信息包括以下至少之一：毛色、头部轮廓、五官特征和身体尺寸等；
2)将所述目标宠物的图像信息输入至所述目标神经网络模型进行分析，得到所述目标宠物的宠物类型；目标神经网络模型包括但不限于VGG16模型。
3)判断该宠物类型是否在预算的白名单中，在宠物类型不在白名单中时，则停止从目标神经网络模型中截取部分神经元层的操作，在该宠物类型位于白名单中时，则确定继续执行从目标神经网络模型中截取部分神经元层的操作。
在获取宠物的鼻纹特征之后，则可以对宠物身份进行识别，具体地，该方法既可以应用于1：1识别中，即给定一张鼻纹图片和一个宠物信息，判断图片中的鼻纹和对应的宠物是否为同一宠物，例如在宠物交易中对宠物的身份进行核实；也可以应用于1：N识别中，即在指定宠物鼻纹集合中，找到最相似的鼻纹，从而确定宠物的身份信息，例如在城市宠物管理中通过识别宠物身份解决流浪宠物溯主、走失寻回等问题。
在1：1识别中，直接计算目标鼻纹特征与待验证宠物对应的鼻纹特征之间的相似度，并比较相似度与预设阈值的大小，依据比较结果确定目标鼻纹特征对应的宠物是否为待验证宠物；若计算得到的相似度大于预设阈值，则确定目标鼻纹特征对应的宠物与待验证宠物为同一只；若计算得到的相似度小于预设阈值，则确定目标鼻纹特征对应的宠物与待验证宠物并非同一只。
在1：N识别中，通过计算目标鼻纹特征与鼻纹特征数据库中的所有鼻纹特征之间的相似度，得到多个相似度，其中，鼻纹特征数据库中包括参考鼻纹特征和与参考鼻纹特征对应的身份信息；然后，比较多个相似度与预设阈值的大小；依据比较结果确定鼻纹特征数据库中是否存在与目标鼻纹特征对应的身份信息。在比较结果中存在大于预设阈值的目标相似度时，则确定鼻纹特征数据库中存在与目标鼻纹特征对应的身份信息；在比较结果中不存在大于预设阈值的目标相似度时，则确定鼻纹特征数据库中不存在与目标鼻纹特征对应的身份信息。
在本申请一种可选的实施例中，在所述比较结果中大于所述预设阈值的目标相似度为一个时，将所述目标相似度对应的身份信息作为所述待测鼻纹图像的身份信息；在所述比较结果中存在多个大于所述预设阈值的目标相似度时，则对多个目标相似度按照从大到小的顺序进行排序，确定排序结果中靠前的预设数量的目标相似度，并输出与所述预设数量的目标相似度对应的身份信息，然后响应来自目标对象的选择指令，从所述预设数量的目标相似度所对应的身份信息中选择目标身份信息作为所述待测鼻纹图像对应的宠物身份信息。
具体地，若计算得到的目标相似度中仅有一个大于预设阈值，则该目标相似度对应的参考鼻纹特征所对应的身份信息即为待测鼻纹图像的身份信息；若计算得到的相似度中有多个大于预设阈值，则对这些相似度进行排序并确定其中靠前的预设数量(例如3个)的目标相似度，并输出与之对应的身份信息，由用户从中自行选择并确认确认待测鼻纹图像对应的宠物身份信息。
在上述鼻纹特征提取方法的基础上，本申请实施例提供了一种如图2所示的宠物识别方法，其中：
步骤S202，向特征提取模型输入待识别鼻纹图像；输入待识别鼻纹图像的实现过程可以表现为以下形式，但不限于此：启动目标应用；响应于触发事件，启动目标应用的摄像功能，以对待验证宠物进行图像拍摄；对拍摄得到的图像进行鼻纹区域提取，得到待识别鼻纹图像。其中，在启动摄像功能对待验证宠物进行拍摄时，为了防止图像处理对后续特征识别的影响，采集的待验证宠物的图像为原始图像(即未经过美化、渲染等处理后的图形)，即上述摄像功能默认为采集宠物的原始图像。上述触发事件可以为目标应用中的拍照组件被触发。
步骤S204，采用特征提取模型提取鼻纹特征；
步骤S206，分场景识别，在1：1识别中执行步骤S208-S210；在1：N识别中执行步骤S212-S216；
步骤S208，计算该鼻纹特征与鼻纹特征数据库中样本鼻纹特征的相似度；
步骤S210，通过相似度和阈值的比较结果判断是否为同一只宠物；
步骤S212，依次计算该鼻纹特征与鼻纹特征数据库中所有鼻纹特征之间的相似度；
步骤S214，对相似度排序并返回最相似的N个对应的宠物身份信息；
步骤S216，由用户从N个对应的宠物身份信息中确认待测鼻纹图像对应的宠物身份信息，即接收来自用户的选择指令，将依据选择指令选择的宠物身份信息作为待识别鼻纹图像对应的宠物身份信息。
在一些实施例中，服务器或终端侧可以同时安装有上述目标神经网络模型和上述特征提取模型，其中，目标神经网络模型用于识别宠物的类型；特征提取模型用于提取识别宠物身份所需要的鼻纹特征，从而，在目标应用中设置有第一工作模式、第二工作模式和第三工作模式，其中，在第一工作模式下，目标神经网络模型是不工作的，仅由特征提取模型进行特征提取，并依据提取的鼻纹特征进行宠物身份识别；在第二工作模式下，目标神经网络模型和特征提取网络均是有效的，可以利用目前神经网络模型的识别结果，对利用特征提取网络提取的特征进行身份识别后得到的识别结果进行粗验证，具体地：将待验证宠物的图像输入至目标神经网络模型进行识别，得到宠物类型；将利用特征提取网络从上述图像中提取的鼻纹特征与鼻纹特征数据库的鼻纹特征进行匹配，将数据库中匹配的鼻纹特征对应的身份信息确定为待验证宠物的身份，在得到待验证宠物的身份之后，从第一预设数据库中确定与所述待验证宠物的身份对应的宠物类型，其中，第一预设数据库中存储有宠物身份和宠物类型的映射关系；在依据第一预设数据库确定的宠物类型和依据上述目标神经网络模型确定的宠物类型一致时，则确定上述待验证宠物的身份是有效的，否则是无效的；在第三工作模式下，则目标神经网络模型是有效的，而特征提取网络模型则是不工作的，即在第三工作模式下，可以直接采用目标神经网络模型对宠物类型进行识别，得到宠物类型，但是，此时不会确定宠物的身份。
其中，上述映射关系可以是用户提前输入的，也可以是从第二数据库中实时获取的(在第一数据库中无该宠物身份对应的宠物类型时，从第二数据库中查询)，其中，第二数据库可以是在预设时间周期内用户输入的宠物类型和宠物身份信息，例如，该第二数据库的数据来源于宠物招领平台中的历史记录(在登记丢失宠物时会登记宠物的类型和宠物的身份)，但不限于此。
在本申请的另一些实施例中，为保证目标神经网络模型和特征提取模型提取的鼻纹特征的可用性，在步骤S104之前，还可以对目标神经网络模型进行处理，以保证从图像中获取更多的特征信息：
步骤1，使用通道分离卷积和1×1卷积组合替换目标神经网络模型(例如VGG16模型)中的卷积层，从而可以对输入的图像直接进行卷积处理。由于卷积层由通道分离卷积和1×1卷积构成，因此能够适用于任何分辨率的输入图像，在对输入图像进行卷积运算时，还能够在保持后续运算的数据分辨率大小不变的同时，降低卷积运算对显存资源的消耗。
步骤2，使用步长为1的池化(pooling)操作目标神经网络模型中步长为N(N为大于1的自然数)的池化操作，其中，池化操作执行偶数次，交替使用像素数为1的边界填充(padding)操作，从而保证输入输出的分辨率不变；，各个池化操作层的边界填充(padding)以0和1像素交替执行。
步骤3，每个池化操作之后使用增大的卷积核执行卷积操作，使卷积的可接受野与传统的卷积-池化操作保持统一；在特征运算之后，根据实际算法需要动态执行特征集中和提取的操作。
需要说明的是，步骤1-3是可选的步骤，具体地：向用户展示交互界面，该交互界面中包括：第一控件和第二控件，其中，第一控件用于确定是否触发步骤1，第二控件用于确定是否触发步骤2和3。也就是说，在服务器后台会同时安装有未优化的特征提取模型和采用步骤1-3优化后的模型，具体可以依据实际情况灵活选择。
通过上述过程得到的特征提取模型，与传统的CNN骨干网相比，该优化特征提取模型能够适用于任何分辨率的输入图像，对图像数据直接进行卷积运算，从而保留更多的图像特征数据。同时对于具有尺度参数需求的卷积神经网络，可以在优化特征提取模型完成特征提取后再对特征进行进一步提取和集中，从而实现了根据需要最大程度地保留特征信息的优化特征提取模型。
在本申请实施例中，通过获取目标类型宠物的样本数据集，其中，样本数据集中包括目标类型宠物的鼻纹图像以及用于指示鼻纹图像的身份的标签；将样本数据集中的数据输入神经网络模型进行训练，得到目标神经网络模型；从目标神经网络模型中截取部分神经元层组成特征提取模型；将待测鼻纹图像输入至特征提取模型进行特征提取，得到目标鼻纹特征，其中，通过多组样本图像数据训练得到的特征提取模型，能够使得从宠物鼻纹图像中提取特征信息时更加准确，从而大大提高了宠物身份识别的成功率。
实施例2
根据本申请实施例，还提供了一种用于实现上述鼻纹特征提取方法的鼻纹特征提取装置，如图3所示，该装置包括获取模块30，训练模块32，截取模块34和提取模块36，其中：
获取模块30，用于获取目标类型宠物的样本数据集，其中，所述样本数据集中包括：所述目标类型宠物的鼻纹图像以及用于指示所述鼻纹图像的身份信息的标签。
为了得到精准的鼻纹特征提取模型，需要使用大量的数据来对深度学习模型进行训练，因此，首先获取目标类型宠物的鼻纹图像，并确定与每张宠物鼻纹图像对应的宠物身份信息，以此得到初始样本数据。为确保训练结果的可靠性，并非任意一张宠物图像均可以作为训练样本数据，必须保证每一张图像均合格可用。在本申请一种可选的实施例中，采用多种评价方式对样本数据集中的鼻纹图像进行分析，得到多个评价指标，其中，每种评价方式对应一个评价指标；在所述多个评价指标均满足相应的预设条件时，确定所述鼻纹图像合格；在所述多个评价指标中的任意一个评价指标不满足相应的预设条件时，则确定所述鼻纹图像不合格。
训练模块32，用于采用所述样本数据集中的数据对神经网络模型进行训练，得到目标神经网络模型。
在本申请一种可选的实施例中，为了增强训练时模型的鲁棒性，可以对样本数据集中的鼻纹图像采用旋转、改变尺寸、改变亮度等处理，以扩充图像数量；然后将处理后的鼻纹图像和样本数据集中的鼻纹图像进行组合，得到目标样本数据集；将目标样本数据集划分为训练数据集和测试数据集；采用训练数据集对神经网络模型进行训练，并采用测试数据集对神经网络模型进行测试，最终得到目标神经网络模型。
截取模块34，用于从所述目标神经网络模型中截取部分神经元层组成特征提取模型。
在本申请一种可选的实施例中，从目标神经网络模型中至少截取卷积层、池化层和全连接层，组成骨架网络；并采用预设损失函数对骨架网络进行收敛，得到特征提取模型，其中，预设损失函数的性能指标高于目标神经网络模型中的损失函数的性能指标。
提取模块36，用于将待测鼻纹图像输入至所述特征提取网络进行特征提取，得到目标鼻纹特征。
在本申请一种可选的实施例中，在得到目标鼻纹特征之后，可以分场景分别完成1：1识别和1：N识别，以满足用户的不同需求。
需要说明的是，本申请实施例中的鼻纹特征提取装置中的各模块与实施例1中的鼻纹特征提取方法实施步骤一一对应，由于实施例1中已经进行了详尽的描述，本实施例中部分未体现的细节可以参考实施例1，在此不再过多赘述。
实施例3
根据本申请实施例，还提供了一种非易失性存储介质，该非易失性存储介质包括存储的程序，其中，在程序运行时控制非易失性存储介质所在设备执行上述的鼻纹特征的提取方法。
可选地，在程序运行时控制非易失性存储介质所在设备执行实现以下步骤：获取目标类型宠物的样本数据集，其中，样本数据集中包括：目标类型宠物的鼻纹图像以及用于指示鼻纹图像的身份信息的标签；将样本数据集中的数据输入神经网络模型进行训练，得到目标神经网络模型；从目标神经网络模型中截取部分神经元层组成特征提取模型；将待测鼻纹图像输入至特征提取模型进行特征提取，得到目标鼻纹特征。
可选地，在程序运行时控制非易失性存储介质所在设备执行实现以下步骤：对样本数据集中的鼻纹图像进行以下至少之一处理：旋转、改变尺寸、改变亮度，得到处理后的鼻纹图像；将处理后的鼻纹图像和样本数据集中的鼻纹图像进行组合，得到目标样本数据集；将目标样本数据集划分为训练数据集和测试数据集；采用训练数据集对神经网络模型进行训练，并采用测试数据集对神经网络模型进行测试。
可选地，在程序运行时控制非易失性存储介质所在设备执行实现以下步骤：计算目标鼻纹特征与鼻纹特征数据库中的所有鼻纹特征之间的相似度，得到多个相似度，其中，鼻纹特征数据库中包括参考鼻纹特征和与参考鼻纹特征对应的身份信息；比较多个相似度与预设阈值的大小；依据比较结果确定鼻纹特征数据库中是否存在与目标鼻纹特征对应的身份信息。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
在本申请的上述实施例中，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，以上所描述的装置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，在本申请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，本申请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)执行本申请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。
以上仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种鼻纹特征的提取方法，其特征在于，包括：
获取目标类型宠物的样本数据集，其中，所述样本数据集中包括：所述目标类型宠物的鼻纹图像以及用于指示所述鼻纹图像的身份信息的标签；
将所述样本数据集中的数据输入神经网络模型进行训练，得到目标神经网络模型；
从所述目标神经网络模型中截取部分神经元层组成特征提取模型；
将待测鼻纹图像输入至所述特征提取模型进行特征提取，得到目标鼻纹特征。
2.根据权利要求1所述的方法，其特征在于，从所述目标神经网络模型中截取部分神经元层组成特征提取模型，包括：
从所述目标神经网络模型中至少截取卷积层、池化层和全连接层，组成骨架网络；并采用预设损失函数对所述骨架网络进行收敛，得到所述特征提取模型，其中，所述预设损失函数的性能指标高于所述目标神经网络模型中的损失函数的性能指标。
3.根据权利要求2所述的方法，其特征在于，将待测鼻纹图像输入至所述特征提取模型进行特征提取，得到目标鼻纹特征之后，所述方法还包括：
计算所述目标鼻纹特征与鼻纹特征数据库中的所有鼻纹特征之间的相似度，得到多个相似度，其中，所述鼻纹特征数据库中包括参考鼻纹特征和与所述参考鼻纹特征对应的身份信息；
比较所述多个相似度与预设阈值的大小；
依据比较结果确定所述鼻纹特征数据库中是否存在与所述目标鼻纹特征对应的身份信息。
4.根据权利要求3所述的方法，其特征在于，依据比较结果确定所述鼻纹特征数据库中是否存在与所述目标鼻纹特征对应的身份信息，包括：
在所述比较结果中存在大于所述预设阈值的目标相似度时，则确定所述鼻纹特征数据库中存在与所述目标鼻纹特征对应的身份信息；在所述比较结果中不存在大于所述预设阈值的目标相似度时，则确定所述鼻纹特征数据库中不存在与所述目标鼻纹特征对应的身份信息。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
在所述比较结果中大于所述预设阈值的目标相似度为一个时，将所述目标相似度对应的身份信息作为所述待测鼻纹图像的身份信息；
在所述比较结果中存在多个大于所述预设阈值的目标相似度时，对多个目标相似度按照从大到小的顺序进行排序；
确定排序结果中靠前的预设数量的目标相似度，并输出与所述预设数量的目标相似度对应的身份信息；
响应来自目标对象的选择指令，从所述预设数量的目标相似度所对应的身份信息中选择目标身份信息作为所述待测鼻纹图像的身份信息。
6.根据权利要求2所述的方法，其特征在于，将待测鼻纹图像输入至所述特征提取模型进行特征提取，得到目标鼻纹特征之后，所述方法还包括：
计算所述目标鼻纹特征与待验证宠物对应的鼻纹特征之间的相似度；
比较所述相似度与预设阈值的大小；
依据比较结果确定所述目标鼻纹特征对应的宠物是否为待验证宠物。
7.根据权利要求1至6中任意一项所述的方法，其特征在于，采用所述样本数据集中的数据输入对神经网络模型进行训练，得到目标神经网络模型，包括：
对所述样本数据集中的鼻纹图像进行以下至少之一处理：旋转、改变尺寸、改变亮度，得到处理后的鼻纹图像；
将所述处理后的鼻纹图像和所述样本数据集中的鼻纹图像进行组合，得到目标样本数据集；
将所述目标样本数据集划分为训练数据集和测试数据集；
采用所述训练数据集对所述神经网络模型进行训练，并采用所述测试数据集对所述神经网络模型进行测试。
8.根据权利要求1至6中任意一项所述的方法，其特征在于，采用所述样本数据集中的数据输入对神经网络模型进行训练之前，所述方法还包括：
采用多种评价方式对所述样本数据集中的鼻纹图像进行分析，得到多个评价指标，其中，每种评价方式对应一个评价指标；
在所述多个评价指标均满足相应的预设条件时，确定所述鼻纹图像合格；在所述多个评价指标中的任意一个评价指标不满足相应的预设条件时，则确定所述鼻纹图像不合格。
9.一种鼻纹特征的提取装置，其特征在于，包括：
获取模块，用于获取目标类型宠物的样本数据集，其中，所述样本数据集中包括：所述目标类型宠物的鼻纹图像以及用于指示所述鼻纹图像的身份信息的标签；
训练模块，用于采用所述样本数据集中的数据对神经网络模型进行训练，得到目标神经网络模型；
截取模块，用于从所述目标神经网络模型中截取部分神经元层组成特征提取模型；
提取模块，用于将待测鼻纹图像输入至所述特征提取网络进行特征提取，得到目标鼻纹特征。
10.一种非易失性存储介质，其特征在于，所述非易失性存储介质包括存储的程序，其中，在所述程序运行时控制所述非易失性存储介质所在设备执行权利要求1至8中任意一项所述的鼻纹特征的提取方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110084610.4A CN112784742A (zh) | 2021-01-21 | 2021-01-21 | 鼻纹特征的提取方法、装置及非易失性存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110084610.4A CN112784742A (zh) | 2021-01-21 | 2021-01-21 | 鼻纹特征的提取方法、装置及非易失性存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112784742A true CN112784742A (zh) | 2021-05-11 |
Family
ID=75758394
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110084610.4A Pending CN112784742A (zh) | 2021-01-21 | 2021-01-21 | 鼻纹特征的提取方法、装置及非易失性存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112784742A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113657231A (zh) * | 2021-08-09 | 2021-11-16 | 广州中科智云科技有限公司 | 一种基于多旋翼无人机的图像识别方法及装置 |
| CN114242224A (zh) * | 2021-12-28 | 2022-03-25 | 新瑞鹏宠物医疗集团有限公司 | 医生推荐方法、装置、电子设备及存储介质 |
| CN114283943A (zh) * | 2021-12-30 | 2022-04-05 | 新瑞鹏宠物医疗集团有限公司 | 健康预测方法、装置、电子设备及存储介质 |
| CN114299545A (zh) * | 2021-12-30 | 2022-04-08 | 新瑞鹏宠物医疗集团有限公司 | 宠物身份识别方法、装置、服务器及计算机可读存储介质 |
Citations (11)
| 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 |
| US20190156144A1 (en) * | 2017-02-23 | 2019-05-23 | Beijing Sensetime Technology Development Co., Ltd | Method and apparatus for detecting object, method and apparatus for training neural network, and electronic device |
| 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 |
| CN109977804A (zh) * | 2019-03-11 | 2019-07-05 | 北京旷视科技有限公司 | 宠物智能门的控制方法、装置、计算机设备和存储介质 |
| CN110008859A (zh) * | 2019-03-20 | 2019-07-12 | 北京迈格威科技有限公司 | 基于视觉的犬只重识别方法和装置 |
| WO2019136907A1 (zh) * | 2018-01-12 | 2019-07-18 | 平安科技（深圳）有限公司 | 动物疼痛指数判断方法、装置及存储介质 |
| US20190377949A1 (en) * | 2018-06-08 | 2019-12-12 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Image Processing Method, Electronic Device and Computer Readable Storage Medium |
| KR20200013160A (ko) * | 2018-07-19 | 2020-02-06 | 중앙대학교 산학협력단 | 딥러닝 기반 비문 인식 시스템 및 방법 |
| US20200250491A1 (en) * | 2017-11-01 | 2020-08-06 | Tencent Technology (Shenzhen) Company Limited | Image classification method, computer device, and computer-readable storage medium |
| CN111931751A (zh) * | 2020-10-13 | 2020-11-13 | 深圳市瑞图生物技术有限公司 | 深度学习训练方法、目标物识别方法、系统和存储介质 |
| CN112101070A (zh) * | 2019-06-18 | 2020-12-18 | 财团法人农业科技研究院 | 以鼻纹提升识别率的动物身份识别系统及其方法 |
-
2021
- 2021-01-21 CN CN202110084610.4A patent/CN112784742A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190156144A1 (en) * | 2017-02-23 | 2019-05-23 | Beijing Sensetime Technology Development Co., Ltd | Method and apparatus for detecting object, method and apparatus for training neural network, and electronic device |
| US20200250491A1 (en) * | 2017-11-01 | 2020-08-06 | Tencent Technology (Shenzhen) Company Limited | Image classification method, computer device, and computer-readable storage medium |
| WO2019136907A1 (zh) * | 2018-01-12 | 2019-07-18 | 平安科技（深圳）有限公司 | 动物疼痛指数判断方法、装置及存储介质 |
| US20190377949A1 (en) * | 2018-06-08 | 2019-12-12 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Image Processing Method, Electronic Device and Computer Readable Storage Medium |
| KR20200013160A (ko) * | 2018-07-19 | 2020-02-06 | 중앙대학교 산학협력단 | 딥러닝 기반 비문 인식 시스템 및 방법 |
| 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 |
| CN109977804A (zh) * | 2019-03-11 | 2019-07-05 | 北京旷视科技有限公司 | 宠物智能门的控制方法、装置、计算机设备和存储介质 |
| CN110008859A (zh) * | 2019-03-20 | 2019-07-12 | 北京迈格威科技有限公司 | 基于视觉的犬只重识别方法和装置 |
| CN112101070A (zh) * | 2019-06-18 | 2020-12-18 | 财团法人农业科技研究院 | 以鼻纹提升识别率的动物身份识别系统及其方法 |
| CN111931751A (zh) * | 2020-10-13 | 2020-11-13 | 深圳市瑞图生物技术有限公司 | 深度学习训练方法、目标物识别方法、系统和存储介质 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113657231A (zh) * | 2021-08-09 | 2021-11-16 | 广州中科智云科技有限公司 | 一种基于多旋翼无人机的图像识别方法及装置 |
| CN113657231B (zh) * | 2021-08-09 | 2024-05-07 | 广州中科智云科技有限公司 | 一种基于多旋翼无人机的图像识别方法及装置 |
| CN114242224A (zh) * | 2021-12-28 | 2022-03-25 | 新瑞鹏宠物医疗集团有限公司 | 医生推荐方法、装置、电子设备及存储介质 |
| CN114283943A (zh) * | 2021-12-30 | 2022-04-05 | 新瑞鹏宠物医疗集团有限公司 | 健康预测方法、装置、电子设备及存储介质 |
| CN114299545A (zh) * | 2021-12-30 | 2022-04-08 | 新瑞鹏宠物医疗集团有限公司 | 宠物身份识别方法、装置、服务器及计算机可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112784742A (zh) | 鼻纹特征的提取方法、装置及非易失性存储介质 | |
| US20210264144A1 (en) | Human pose analysis system and method | |
| Liong et al. | Evaluation of the spatio-temporal features and gan for micro-expression recognition system | |
| CN107958230B (zh) | 人脸表情识别方法及装置 | |
| Billah et al. | Real-time goat face recognition using convolutional neural network | |
| CN109299658B (zh) | 脸部检测方法、脸部图像渲染方法、装置及存储介质 | |
| CN111368672A (zh) | 一种用于遗传病面部识别模型的构建方法及装置 | |
| CN111862044A (zh) | 超声图像处理方法、装置、计算机设备和存储介质 | |
| CN111754396A (zh) | 脸部图像处理方法、装置、计算机设备和存储介质 | |
| CN109241890B (zh) | 面部图像校正方法、装置及存储介质 | |
| CN112884782B (zh) | 生物对象分割方法、装置、计算机设备和存储介质 | |
| Demirkus et al. | Hierarchical temporal graphical model for head pose estimation and subsequent attribute classification in real-world videos | |
| WO2024060684A1 (zh) | 模型训练方法、图像处理方法、设备及存储介质 | |
| CN112784741A (zh) | 宠物身份识别方法、装置及非易失性存储介质 | |
| CN111985333B (zh) | 一种基于图结构信息交互增强的行为检测方法及电子装置 | |
| Parham et al. | Detecting plains and Grevy's Zebras in the realworld | |
| CN111814690A (zh) | 一种目标重识别方法、装置和计算机可读存储介质 | |
| CN112541394A (zh) | 黑眼圈及鼻炎识别方法、系统及计算机介质 | |
| Saeed | A framework for recognition of facial expression using HOG features | |
| Yu et al. | Salience-aware face presentation attack detection via deep reinforcement learning | |
| CN110956157A (zh) | 基于候选框选择的深度学习遥感影像目标检测方法及装置 | |
| CN111353385A (zh) | 一种基于掩膜对齐与注意力机制的行人再识别方法和装置 | |
| Dhanashree et al. | Fingernail analysis for early detection and diagnosis of diseases using machine learning techniques | |
| Larregui et al. | An image processing pipeline to segment iris for unconstrained cow identification system | |
| CN112001280A (zh) | 一种实时、可在线优化的人脸识别系统和方法 |
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 |