CN113076886A - 一种猫的面部个体识别装置和方法 - Google Patents
一种猫的面部个体识别装置和方法 Download PDFInfo
- Publication number
- CN113076886A CN113076886A CN202110380907.5A CN202110380907A CN113076886A CN 113076886 A CN113076886 A CN 113076886A CN 202110380907 A CN202110380907 A CN 202110380907A CN 113076886 A CN113076886 A CN 113076886A
- Authority
- CN
- China
- Prior art keywords
- cat
- face
- training
- image
- facial
- 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 128
- 238000000034 method Methods 0.000 title claims description 38
- 230000001815 facial effect Effects 0.000 claims abstract description 65
- 239000013598 vector Substances 0.000 claims abstract description 43
- 238000001514 detection method Methods 0.000 claims abstract description 32
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 96
- 238000012360 testing method Methods 0.000 claims description 41
- 230000000694 effects Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 230000009193 crawling Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 7
- 210000000887 face Anatomy 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000005021 gait Effects 0.000 description 3
- 210000000554 iris Anatomy 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种猫的面部个体识别装置，包括：猫脸采集模块：用于获取目标的面部图像；猫脸检测模块：用于从所述面部图像进行猫的面部坐标点的提取，依据所述坐标点裁剪所述面部图像，获取猫的面部区域；猫脸识别模块：用于从所述面部区域获取猫的面部特征向量；猫脸建档模块：用于根据预先获取的面部特征向量建立宠物猫档案库，以便用于宠物猫的身份识别；猫脸判别模块：用于将待识别目标的面部特征向量与档案库中宠物猫的面部特征向量进行比对，判别目标的个体身份。
Description
技术领域
本发明涉及面部识别技术领域，具体涉及一种猫的面部个体识别装置和方法。
背景技术
随着人们生活质量的提升，宠物猫在人们生活中扮演着越来越重要的角色，由此衍生出宠物猫管理、宠物猫保险等应用场景，因而在宠物猫管理平台、宠物猫保险理赔等环节中面临宠物猫个体识别的问题。当前，宠物猫的个体识别主要分为生物识别技术和非生物识别技术。非生物识别技术如RFID宠物识别技术，识别芯片靠扫描仪发出的信号产生感应电流，靠这些能量，将存储在芯片中的信息发送出去，并被扫描仪接收和识别。但需要将芯片植入宠物体内，且需要专业设备发射信号才能进行识别，对宠物可能造成伤害，且使用不方便。生物识别技术包括多种。鼻纹识别，具备唯一性，但部分品种猫的鼻纹较浅，现有技术难以采集，技术难度高。虹膜识别，虹膜具备唯一性，精度高；但需要专业设备采集图像，开发成本高，使用不方便。声纹、步态识别：声纹和步态也具备唯一性，理论上可行，但技术不够成熟。面部识别，对猫面部特征进行提取，图像采集方便，但准确性不足。
发明内容
鉴于上述技术问题，为了克服上述现有技术的不足，本发明提出了一种猫的面部个体识别装置和方法，以高效、准确地完成猫的个体识别。
本发明提供一种猫的面部个体识别装置，包括：猫脸采集模块：用于获取目标的面部图像；猫脸检测模块：用于从所述面部图像进行猫的面部坐标点的提取，依据所述坐标点裁剪所述面部图像，获取猫的面部区域；猫脸识别模块：用于从所述面部区域获取猫的面部特征向量；猫脸建档模块：用于根据预先获取的面部特征向量建立宠物猫档案库，以便用于宠物猫的身份识别；猫脸判别模块：用于将待识别目标的面部特征向量与档案库中宠物猫的面部特征向量进行比对，判别目标的个体身份。
在一些实施例中，所述猫脸检测模块包括猫脸检测模型，所述检测模型的训练流程包括：检测图像收集、检测图像标注、检测网络训练和检测模型测试。
在一些实施例中，所述检测图像收集为从宠物领养网站上按照宠物名称爬取图片，再通过人工PS合成各类不同背景的训练图片，将训练图片分为训练集和测试集，训练集用于网络训练，测试集用于模型测试，验证网络训练的效果。
在一些实施例中，所述检测图像标注为在训练图片上标注猫的面部坐标点信息以及面部轮廓外接矩形。
在一些实施例中，所述检测网络训练采用训练集图片进行训练，训练所用的损失函数为
其中：pi(ω,θ)为预测的坐标，yi为真实坐标，N为抽取数量，ω、θ为网络参数。
在一些实施例中，所述检测测试模型为用测试集图片验证训练效果，用训练过的检测网络及参数预测测试集，并结合测试集标签求出验证集的损失，然后与训练集损失对比，判断所述检测模型训练效果的好坏。
在一些实施例中，所述猫脸识别模块包括猫脸识别模型，所述识别模型的训练流程包括：识别图像采集、识别图像整理、识别网络训练和识别模型测试。
在一些实施例中，所述识别图像采集包括人工采集大量宠物猫面部信息。
在一些实施例中，所述识别图像整理为用采集到的猫的面部图片，裁剪猫的面部区域，并按个体对面部区域图片进行归类。
在一些实施例中，所述识别网络训练采用Softmax loss和center loss联合训练，所用的损失函数为
其中LS为Softmax loss函数，LC为center loss函数，
为中心损失的权重值，m为每批次取样本的数量，n为训练类别的总数，权重WT相当于多个向量组成的矩阵，byi和bj分别为类别yi和j的偏置参数，Xi为每次通过网络提取到的预测值，Cyi为每个类别的中心。
在一些实施例中，所述识别网络训练的训练过程为将训练数据输入识别网络得到面部特征向量，并计算中心损失，随机初始化类别中心，而后每一个batch里计算当前数据与类别中心的距离，而后将这个梯度形式的距离加到类别中心上。
本发明还提供一种猫的面部个体识别方法，利用前述的面部识别装置对猫的面部进行个体识别，具体步骤包括：
S10，获取待识别目标的面部图像；
S20，从所述面部图像进行猫的面部坐标点的提取，依据所述坐标点裁剪所述面部图像，获取猫的面部区域；
S30，从所述面部区域获取待识别目标的面部特征向量；
S40，将待识别目标的面部特征向量与档案库中宠物猫的面部特征向量进行比对，判别目标的个体身份。
本发明结合生物识别技术和深度学习算法来实现猫的面部个体识别，识别准确高效，效果显著。
附图说明
图1为本发明猫的面部个体识别装置的示意图；
图2为本发明猫脸检测模型的训练流程图；
图3为本发明猫脸识别模型的训练流程图；
图4为本发明猫的面部个体识别的示意图。
具体实施方式
本发明某些实施例于后方将参照所附附图做更全面性地描述，其中一些但并非全部的实施例将被示出。实际上，本发明的各种实施例可以许多不同形式实现，而不应被解释为限于此数所阐述的实施例；相对地，提供这些实施例使得本发明满足适用的法律要求。
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
生物识别技术：通过计算机与光学、声学、生物传感器和生物统计学原理等高科技手段密切结合，利用人体固有的生理特性，(如指纹、脸象、虹膜等)和行为特征(如笔迹、声音、步态等)来进行个人身份的鉴定。
深度学习：是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。
本发明一实施例提供一种猫的面部个体识别装置，如图1所示，包括：猫脸采集模块10：用于获取目标的面部图像；猫脸检测模块20：用于从所述面部图像进行猫的面部坐标点的提取，依据所述坐标点裁剪所述面部图像，获取猫的面部区域；猫脸识别模块30：用于从所述面部区域获取猫的面部特征向量；猫脸建档模块40：用于根据预先获取的面部特征向量建立宠物猫档案库，以便用于宠物猫的身份识别；猫脸判别模块50：用于将待识别目标的面部特征向量与档案库中宠物猫的面部特征向量进行比对，判别目标的个体身份。如果面部特征向量的欧式距离足够低，且小于设定的阈值，可判定待识别目标与档案库中比对的宠物猫是同一只宠物猫，否则为不同只。
如图2所示，本发明提供的一种所述猫脸检测模块20包括猫脸检测模型100，所述检测模型100的训练流程包括：检测图像收集110、检测图像标注120、检测网络训练130和检测模型测试140。
猫面部特征具有唯一性，可作为宠物身份识别的依据。猫脸检测是为获取面部区域以及7个面部关键点，左猫耳，右猫耳，左眼，右眼，左侧鼻孔，右侧鼻孔，嘴巴中心。因为不同品种猫脸都大体相近，所以使用这7个点比较好泛化，更能体现出猫的轮廓，训练数据标注也会方便点，排除其他因素如躯干等对识别的干扰。传统的图像处理方式也可以获取面部区域，但严重依赖场景，精度和泛化能力较差。深度学习能够从大量的数据中学习到有用的信息，广泛应用于图像处理，精度和泛化能力相对传统方法有显著的优势。本发明采用深度神经网络的方式，用于检测猫的面部在图像中的位置信息。
本实施例中，所述检测图像收集110为从宠物领养网站上按照宠物名称爬取图片，在这类网站上会有各种品种的猫且同一只猫会存放多张照片，在从中人工剔除不合格的图片。再通过人工PS合成各类不同背景的训练图片，将猫脸作为正样本标注出来，图片的其它的背景尽可能的丰富并作为负样本，这样生成的训练集训练出来的模型就能准确的检测出猫脸。所述检测图像收集110将收集的图片进行数据加工后(旋转、光照、去噪、翻转)分为两部分，90％用于训练集和10％用于测试集，训练集用于网络训练，测试集用于模型测试，验证检测网络训练的效果。
本实施例中，所述检测图像标注120为在训练图片上标注猫的面部坐标点信息以及面部轮廓外接矩形。所述检测网络通过预先标注的坐标点信息，最后会被网络学习，面对待识别的猫图像时也会得到坐标点信息，这时就能通过坐标点信息，生成面部轮廓外接矩形，对猫的面部进行裁剪，获取合适的可以正确识别的猫的面部区域。
本实施例中，所述检测网络训练130采用训练集图片进行训练，训练所用的均方差损失函数为：
其中：pi(ω,θ)为预测的坐标，yi为真实坐标，N为抽取数量，ω、θ为网络参数。
本实施例中，训练过程的步骤分为：
a.正向传播
将训练集数据按批次输入检测网络得到预测坐标，然后与真实坐标求损失。
b.反向传播
根据梯度下降法，沿着损失的梯度方向反向更新网络参数。
c.反复训练
不断循环步骤a和b，直至损失值逐步减小至稳定。
本实施例中，所述检测模型测试140为用测试集图片验证训练效果，用训练过的检测网络及参数预测测试集，并结合测试集标签求出验证集的损失，然后与训练集损失对比，判断所述检测模型训练效果的好坏。
验证过程一般和训练过程同时进行，动态判断训练效果及终止训练。判断依据为：当训练集和测试集的损失(误差)均处于下降阶段时，属于欠拟合阶段，这个过程处于训练的前期；当训练集和测试集的损失(误差)逐步下降至趋于稳定，且两者相差不大，模型训练适度，可终止训练；若继续训练，训练集损失(误差)将逐步下降，且远低于测试集损失(误差)，模型过拟合，预测结果可信度低。
当训练集和测试集的损失(误差)都很大时，属于欠拟合阶段，这个过程处于训练的前期；当训练集和测试集的损失(误差)趋于稳定，且都很小，两者相差不大，模型训练适度，可终止训练；当训练集损失(误差)很小，但验证集损失(误差)很大，模型过拟合，预测结果可信度低。这个没有固定的界限，通常观察loss曲线变化情况自己定。一般参考是训练loss还在快速下降而测试的loss下降开始变缓慢出现拐点时候，就可以停止训练。
如图3所示，本实施例中，所述猫脸识别模块包括猫脸识别模型200，所述识别模型200的训练流程包括：识别图像采集210、识别图像整理220、识别网络训练230和识别模型测试240。
猫脸识别是获取宠物猫的面部特征信息。本发明采用Inception V4模块，Inception V4基本上是当前在用于视觉对象识别软件研究的大型可视化数据库ImageNet中的图像分类任务正确率最高的模型。创建深度学习网络，输出维度为128维，用于表征宠物猫面部特征信息。Inception V4模块采用分布式的思想，将单向网络分割为多个不同结构的网络，使得网络能够学习到更丰富的特征。
本实施例中，所述识别图像采集210包括人工采集大量宠物猫面部信息，猫脸拍摄足够清晰，单个个体采集图片数足够多。
本实施例中，所述识别图像整理220为用采集到的猫的面部图片，裁剪猫的面部区域，并按个体对面部区域图片进行归类，单个文件夹内仅放同一个个体的面部，不同个体的面部归属不同文件夹，且各个个体放入同一目录下。
本实施例中，所述识别网络训练230采用Softmax loss和center loss联合训练，所用的损失函数为
其中LS为Softmax loss函数，LC为center loss函数，
为中心损失的权重值，m为每批次取样本的数量，n为训练类别的总数，权重WT相当于多个向量组成的矩阵，byi和bj分别为类别yi和j的偏置参数，Xi为每次通过网络提取到的特征向量预测值，Cyi为每个类别的中心。
在训练的时候，提取到的猫的面部特征向量X根据标签确定属于哪一类，然后和W中的对应向量做内积。如果特征向量X与权重向量W内积很大，代表两个向量相似度很高，通过Softmax loss输出此猫脸特征向量属于这个类的概率也会很大。center loss给每个类设定了一个中心点，在训练的时候，将每个提取到的特征向量与对应类中心点的损失函数的范数的平方作为损失，损失越大，说明特征向量距离对应类的中心点越远。降低此损失，每个类的猫脸特征会距离中心点更近，也就是类内距变小。
本实施例中，所述识别网络训练230的训练过程为将训练数据输入识别网络得到面部特征向量，并计算中心损失，随机初始化类别中心，而后每一个batch里计算当前数据与类别中心的距离，而后将这个梯度形式的距离加到类别中心上。类似于参数修正，同样的类似于梯度下降法，使得类别中心不会抖动，最终目标是使损失逐步减小至稳定。计算机每次计算时会随机从训练数据取出部分数据，计算这些特征向量的平均值作为类别中心，使用中心损失函数的优点是类间距离变大了，类内距离减少了，能更好的辨识出相似度较高的不同个体。
本实施例中，所述识别模型测试240同检测模型的测试过程，使用测试集验证识别模型训练的效果。
如图4所示，本发明的另一实施例提供一种猫的面部个体识别方法，利用前述的面部识别装置对猫的面部进行个体识别，具体步骤包括：
S10，获取待识别目标的面部图像；
S20，从所述面部图像进行猫的面部面部轮廓外接矩形所述面部图像，获取猫的面部区域；
S30，从所述面部区域获取待识别目标的面部特征向量；
S40，将待识别目标的面部特征向量与档案库中宠物猫的面部特征向量进行比对，判别目标的个体身份。
本发明结合生物识别技术和深度学习算法来实现猫的面部个体识别，识别准确高效，效果显著。
应注意，附图中各部件的形状和尺寸不反映真实大小和比例，而仅示意本发明实施例的内容。
实施例中提到的方向用语，例如“上”、“下”、“前”、“后”、“左”、“右”等，仅是参考附图的方向，并非用来限制本发明的保护范围。并且上述实施例可基于设计及可靠度的考虑，彼此混合搭配使用或与其他实施例混合搭配使用，即不同实施例中的技术特征可以自由组合形成更多的实施例。
实施例中涉及的方法步骤并不限于其描述的顺序，各步骤的顺序根据实际需要的来进行调整。
需要说明的是，在附图或说明书正文中，未绘示或描述的实现方式，均为所属技术领域中普通技术人员所知的形式，并未进行详细说明。此外，上述对各元件和方法的定义并不仅限于实施例中提到的各种具体结构、形状或方式，本领域普通技术人员可对其进行简单地更改或替换。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (12)
1.一种猫的面部个体识别装置，其特征在于，包括：
猫脸采集模块：用于获取目标的面部图像；
猫脸检测模块：用于从所述面部图像进行猫的面部坐标点的提取，依据所述坐标点裁剪所述面部图像，获取猫的面部区域；
猫脸识别模块：用于从所述面部区域获取猫的面部特征向量；
猫脸建档模块：用于根据预先获取的面部特征向量建立宠物猫档案库，以便用于宠物猫的身份识别；
猫脸判别模块：用于将待识别目标的面部特征向量与档案库中宠物猫的面部特征向量进行比对，判别目标的个体身份。
2.根据权利要求1所述的识别装置，其特征在于，所述猫脸检测模块包括猫脸检测模型，所述检测模型的训练流程包括：检测图像收集、检测图像标注、检测网络训练和检测模型测试。
3.根据权利要求2所述的识别装置，其特征在于，所述检测图像收集为从宠物领养网站上按照宠物名称爬取图片，再通过人工PS合成各类不同背景的训练图片，将训练图片分为训练集和测试集，训练集用于网络训练，测试集用于模型测试，验证网络训练的效果。
4.根据权利要求2所述的识别装置，其特征在于，所述检测图像标注为在训练图片上标注猫的面部坐标点信息和面部轮廓外接矩形。
5.根据权利要求2所述的识别装置，其特征在于，所述检测网络训练采用训练集图片进行训练，训练所用的损失函数为
其中：pi(ω,θ)为预测的坐标，yi为真实坐标，N为抽取数量，ω、θ为网络参数。
6.根据权利要求2所述的识别装置，其特征在于，所述检测测试模型为用测试集图片验证训练效果，用训练过的检测网络及参数预测测试集，并结合测试集标签求出验证集的损失，然后与训练集损失对比，判断所述检测模型训练效果的好坏。
7.根据权利要求1所述的识别装置，其特征在于，所述猫脸识别模块包括猫脸识别模型，所述识别模型的训练流程包括：识别图像采集、识别图像整理、识别网络训练和识别模型测试。
8.根据权利要求7所述的识别装置，其特征在于，所述识别图像采集包括人工采集大量宠物猫面部信息。
9.根据权利要求7所述的识别装置，其特征在于，所述识别图像整理为用采集到的猫的面部图片，裁剪猫的面部区域，并按个体对面部区域图片进行归类。
10.根据权利要求7所述的识别装置，其特征在于，所述识别网络训练采用Softmaxloss和center loss联合训练，所用的损失函数为
其中LS为Softmax loss函数，LC为center loss函数，
为中心损失的权重值，m为每批次取样本的数量，n为训练类别的总数，WT为权重矩阵，byi和bj分别为类别y和j的偏置参数，Xi为每次通过网络提取到的预测值，Cyi为每个类别的中心。
11.根据权利要求7所述的识别装置，其特征在于，所述识别网络训练的训练过程为将训练数据输入识别网络得到面部特征向量，并计算中心损失，随机初始化类别中心，而后每一个batch里计算当前数据与类别中心的距离，而后将这个梯度形式的距离加到类别中心上。
12.一种猫的面部个体识别方法，利用权利要求1-11任一所述的面部识别装置对猫的面部进行个体识别，具体步骤包括：
S10，获取待识别目标的面部图像；
S20，从所述面部图像进行猫的面部坐标点的提取，依据所述坐标点裁剪所述面部图像，获取猫的面部区域；
S30，从所述面部区域获取待识别目标的面部特征向量；
S40，将待识别目标的面部特征向量与档案库中宠物猫的面部特征向量进行比对，判别目标的个体身份。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110380907.5A CN113076886A (zh) | 2021-04-09 | 2021-04-09 | 一种猫的面部个体识别装置和方法 |
| PCT/CN2021/086547 WO2022213396A1 (zh) | 2021-04-09 | 2021-04-12 | 猫的面部个体识别装置、方法、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110380907.5A CN113076886A (zh) | 2021-04-09 | 2021-04-09 | 一种猫的面部个体识别装置和方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113076886A true CN113076886A (zh) | 2021-07-06 |
Family
ID=76615667
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110380907.5A Pending CN113076886A (zh) | 2021-04-09 | 2021-04-09 | 一种猫的面部个体识别装置和方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN113076886A (zh) |
| WO (1) | WO2022213396A1 (zh) |
Cited By (3)
| 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 |
| CN113822177A (zh) * | 2021-09-06 | 2021-12-21 | 苏州中科先进技术研究院有限公司 | 一种宠物脸关键点检测方法、装置、存储介质及设备 |
| CN115661144A (zh) * | 2022-12-15 | 2023-01-31 | 湖南工商大学 | 基于可变形U-Net的自适应医学图像分割方法 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115909403B (zh) * | 2022-11-25 | 2023-08-22 | 天津大学四川创新研究院 | 基于深度学习的低成本高精度猪脸识别方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109858435A (zh) * | 2019-01-29 | 2019-06-07 | 四川大学 | 一种基于脸部图像的小熊猫个体识别方法 |
| CN110909618A (zh) * | 2019-10-29 | 2020-03-24 | 泰康保险集团股份有限公司 | 一种宠物身份的识别方法及装置 |
| US20200410212A1 (en) * | 2018-03-09 | 2020-12-31 | South China University Of Technology | Fast side-face interference resistant face detection method |
| CN112434556A (zh) * | 2020-10-20 | 2021-03-02 | 深圳市悦保科技有限公司 | 宠物鼻纹识别方法、装置、计算机设备及存储介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10796135B2 (en) * | 2017-09-28 | 2020-10-06 | Nec Corporation | Long-tail large scale face recognition by non-linear feature level domain adaptation |
| CN111428666A (zh) * | 2020-03-31 | 2020-07-17 | 齐鲁工业大学 | 基于快速人脸检测的智能家庭陪伴机器人系统及方法 |
| 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 |
-
2021
- 2021-04-09 CN CN202110380907.5A patent/CN113076886A/zh active Pending
- 2021-04-12 WO PCT/CN2021/086547 patent/WO2022213396A1/zh active Application Filing
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200410212A1 (en) * | 2018-03-09 | 2020-12-31 | South China University Of Technology | Fast side-face interference resistant face detection method |
| CN109858435A (zh) * | 2019-01-29 | 2019-06-07 | 四川大学 | 一种基于脸部图像的小熊猫个体识别方法 |
| CN110909618A (zh) * | 2019-10-29 | 2020-03-24 | 泰康保险集团股份有限公司 | 一种宠物身份的识别方法及装置 |
| CN112434556A (zh) * | 2020-10-20 | 2021-03-02 | 深圳市悦保科技有限公司 | 宠物鼻纹识别方法、装置、计算机设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| TOOCY: "人脸识别损失函数之Center Loss", pages 1 - 5, Retrieved from the Internet <URL:CSDN> * |
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 |
| 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 |
| CN113822177A (zh) * | 2021-09-06 | 2021-12-21 | 苏州中科先进技术研究院有限公司 | 一种宠物脸关键点检测方法、装置、存储介质及设备 |
| CN115661144A (zh) * | 2022-12-15 | 2023-01-31 | 湖南工商大学 | 基于可变形U-Net的自适应医学图像分割方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022213396A1 (zh) | 2022-10-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113076886A (zh) | 一种猫的面部个体识别装置和方法 | |
| CN108268838B (zh) | 人脸表情识别方法及人脸表情识别系统 | |
| JP4543423B2 (ja) | 対象物自動認識照合方法および装置 | |
| CN109558810B (zh) | 基于部位分割与融合目标人物识别方法 | |
| CN106570491A (zh) | 一种机器人智能互动的方法及智能机器人 | |
| CN106991390A (zh) | 一种基于深度学习的手持人证比对系统及方法 | |
| CN105389593A (zh) | 基于surf特征的图像物体识别方法 | |
| CN109145742A (zh) | 一种行人识别方法及系统 | |
| JP5153434B2 (ja) | 情報処理装置及び情報処理方法 | |
| Bhanu et al. | Human ear recognition by computer | |
| CN111401145A (zh) | 一种基于深度学习与ds证据理论的可见光虹膜识别方法 | |
| CN114445879A (zh) | 一种高精度人脸识别方法及人脸识别设备 | |
| CN110929570B (zh) | 虹膜快速定位装置及其定位方法 | |
| KR101016758B1 (ko) | 인물 식별 방법 및 그 시스템 | |
| Magadia et al. | Bimodal hand vein recognition system using support vector machine | |
| CN117095436A (zh) | 企业员工信息智能管理系统及其方法 | |
| Aravinda et al. | Signature recognition and verification using multiple classifiers combination of Hu’s and HOG features | |
| KR101093107B1 (ko) | 영상정보 분류방법 및 장치 | |
| Andiani et al. | Face recognition for work attendance using multitask convolutional neural network (MTCNN) and pre-trained facenet | |
| CN110443577A (zh) | 一种基于人脸识别的校园考勤系统 | |
| CN103443772A (zh) | 基于多模态信息的人口统计分析的系统和方法 | |
| Curran et al. | The use of neural networks in real-time face detection | |
| Latha et al. | A novel method for person authentication using retinal images | |
| CN111428670B (zh) | 人脸检测方法、装置、存储介质及设备 | |
| CN112288934A (zh) | 基于智能化门控的控制方法 |
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 |