CN113435311B - 动物识别方法、动物识别装置、计算机设备及存储介质 - Google Patents
动物识别方法、动物识别装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113435311B CN113435311B CN202110706775.0A CN202110706775A CN113435311B CN 113435311 B CN113435311 B CN 113435311B CN 202110706775 A CN202110706775 A CN 202110706775A CN 113435311 B CN113435311 B CN 113435311B
- Authority
- CN
- China
- Prior art keywords
- feature
- image
- animal
- marker
- characteristic
- 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.)
- Active
Links
- 241001465754 Metazoa Species 0.000 title claims abstract description 271
- 238000000034 method Methods 0.000 title claims abstract description 48
- 239000003550 marker Substances 0.000 claims abstract description 132
- 238000000605 extraction Methods 0.000 claims abstract description 56
- 238000013528 artificial neural network Methods 0.000 claims abstract description 55
- 239000013598 vector Substances 0.000 claims description 48
- 238000010586 diagram Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 17
- 210000000056 organ Anatomy 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 210000001061 forehead Anatomy 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 230000001815 facial effect Effects 0.000 abstract description 34
- 238000011176 pooling Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 238000013527 convolutional neural network Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 238000013507 mapping Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000009928 pasteurization Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000036544 posture Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 208000012260 Accidental injury Diseases 0.000 description 1
- 244000025254 Cannabis sativa Species 0.000 description 1
- 241001494479 Pecora Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 210000000554 iris Anatomy 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Classifications
-
- 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
- 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)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种动物识别方法、动物识别装置、计算机设备及存储介质。该方法包括:获取目标动物面部图像,目标动物面部图像中包含目标动物穿戴的标志物;识别目标动物面部图像中的标志物,并提取标志物图像;将标志物图像输入第一神经网络,以获取第一特征提取模型;将目标动物面部图像输入第二神经网络,以获取第二特征提取模型;根据第一特征提取模型和第二特征提取模型构建目标动物对应的识别模型;基于识别模型,对待识别动物面部图像进行分割,得到待识别动物的子特征图,根据子特征图,确定待识别动物面部图像的特征值;根据特征值确定待识别动物面部图像对应的待识别动物。本申请可以提高动物识别的准确度。
Description
技术领域
本申请涉及人工智能领域,尤其涉及一种动物识别方法、动物识别装置、计算机设备及存储介质。
背景技术
现有的大规模养殖产业中,动物识别方法包括可通过耳标、RFID等可穿戴式配件识别,以及通过花纹、虹膜等生物特征来识别。现有识别技术由硬件自动采集特征值信息受拍摄角度、光线等影响而不稳定,普遍具有识别过程受外界环境因素影响较大的问题,且识别的过程中可能没拍全识别所需的信息,从而导致识别率低。
发明内容
本申请实施例的主要目的在于提供一种动物识别方法、动物识别装置、计算机设备及存储介质,旨在提高动物识别的准确度。
第一方面,本申请实施例提供一种动物识别方法,包括:
获取目标动物面部图像,目标动物面部图像中包含目标动物穿戴的标志物;
识别目标动物面部图像中的标志物,并提取标志物图像;
将标志物图像输入第一神经网络进行第一特征提取,以获取对应的第一特征向量,并根据第一特征向量训练第一神经网络,以获取第一特征提取模型;
将目标动物面部图像输入第二神经网络进行第二特征提取,以获取目标动物面部图像对应的第二特征向量,并根据第二特征向量训练第二神经网络,以获取第二特征提取模型;
根据第一特征提取模型和第二特征提取模型构建目标动物对应的识别模型;
基于识别模型,对待识别动物面部图像进行分割,得到待识别动物的子特征图,其中,子特征图包括生物特征图及与标志物对应的标志物特征图;
根据子特征图,确定待识别动物面部图像的特征值;
根据特征值确定待识别动物面部图像对应的待识别动物。
第二方面,本申请实施例还提供一种动物识别装置,包括:
图像获取模块,用于获取目标动物面部图像,所述目标动物面部图像中包含所述目标动物穿戴的标志物;
特征物识别模块,用于识别所述目标动物面部图像中的标志物,并提取所述标志物图像;
第一模型获取模块,用于将所述标志物图像输入第一神经网络进行第一特征提取,以获取对应的第一特征向量,并根据所述第一特征向量训练所述第一神经网络,以获取第一特征提取模型;
第二模型获取模块,用于将所述目标动物面部图像输入第二神经网络进行第二特征提取,以获取所述目标动物面部图像对应的第二特征向量,并根据所述第二特征向量训练所述第二神经网络,以获取第二特征提取模型;
识别模型构建模块,用于根据所述第一特征提取模型和所述第二特征提取模型构建所述目标动物对应的识别模型;
图像分割模块,用于基于所述识别模型,对待识别动物面部图像进行分割,得到所述待识别动物的子特征图,其中,所述子特征图包括生物特征图及与所述标志物对应的标志物特征图;
特征值确定模块,用于根据所述子特征图,确定所述待识别动物面部图像的特征值;
动物识别模块,用于根据所述特征值确定所述待识别动物面部图像对应的待识别动物。
第三方面,本申请实施例还提供一种计算机设备,所述计算机设备包括处理器、存储器、存储在所述存储器上并可被所述处理器执行的计算机程序,其中所述计算机程序被所述处理器执行时,实现本申请说明书提供的任一项动物识别方法的步骤。
第四方面,本申请实施例还提供一种存储介质,所述存储介质存储有计算机程序,其特征在于,所述计算机程序可被处理器执行,以实现本申请说明书提供的任一项动物识别方法的步骤。
本申请实施例提供一种动物识别方法、动物识别装置、计算机设备及存储介质,本申请实施例提供的动物识别方法,通过获取目标动物面部图像,识别目标动物面部图像中的标志物,并提取标志物图像,将标志物图像输入第一神经网络进行第一特征提取,以获取对应的第一特征向量,并根据第一特征向量训练第一神经网络,以获取第一特征提取模型,将目标动物面部图像输入第二神经网络进行第二特征提取,以获取目标动物面部图像对应的第二特征向量,并根据第二特征向量训练第二神经网络,以获取第二特征提取模型,根据第一特征提取模型和第二特征提取模型构建目标动物对应的识别模型,基于识别模型,对待识别动物面部图像进行分割,得到待识别动物的子特征图,根据子特征图,确定待识别动物面部图像的特征值,根据特征值确定待识别动物面部图像对应的待识别动物,可以有效提高动物识别的准确度。
附图说明
为了更清楚地说明本申请实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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为本申请实施例提供的一种动物识别方法的步骤流程图;
图2为图1动物识别方法中动物面部图像的特征值确定步骤流程图;
图3为图2动物面部图像的特征值确定步骤中生物特征值确定步骤流程图;
图4为图1动物识别方法中待识别动物的识别步骤流程图;
图5为本申请实施例提供的一种动物识别装置的模块结构示意图;
图6为本申请实施例提供的一种计算机设备的结构示意框图。
具体实施方式
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,所描述的实施例是本申请一部分实施例,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,都属于本申请保护的范围。
附图中所示的流程图仅是示例说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解、组合或部分合并,因此实际执行的顺序有可能根据实际情况改变。
应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
本申请实施例提供一种动物识别方法、计算机设备及存储介质。其中,该动物识别方法可应用于计算机设备中,该计算机设备可以是服务器、或计算机设备,其中,计算机设备可以是手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等电子设备,服务器可以是独立的服务器,也可以是服务器集群,在此不做限定。
本实施例中,以该动物识别方法应用于计算机设备为例进行说明,但不局限于动物识别方法仅可以用于计算机设备。
下面结合附图,对本申请的一些实施例作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
请参照图1,图1为本申请实施例提供的一种动物识别方法的流程示意图。
如图1所示,该动物识别方法包括步骤S100至步骤S800。
步骤S100、获取目标动物面部图像,目标动物面部图像中包含目标动物穿戴的标志物。
其中,标志物承载有目标动物的身份信息,身份信息包括免疫信息、出生信息等,标志物包括但不限于球形标签、耳标、项圈、鼻环或者RFID(Radio FrequencyIdentification)装置,标志物可以安装于目标动物的面部,比如耳部或鼻部。每个标志物上携带有不同的标识信息,每个标识信息与单只动物个体对应,不同的标识物可以是不相同的图案,也可以是不相同的二维码,也可以是承载不同RFID信息的RFID装置,这样大大增加了不同动物个体之间的特征差异。
较佳地,标志物的形状为球形或圆形,以增大采集设备在采集图片的过程中拍摄到一个完整的标志物的概率。
在一实施方式中,获取目标动物面部图像,包括:
向采集设备发送采集指令,并接收采集设备响应于采集指令所采集的目标对象图像;
筛选目标对象图像,以获取符合预设要求的目标动物面部图像。
具体地,计算机设备接收用户发送的动物识别指令,向与该计算机设备通信连接的采集设备发送采集指令,以使采集设备采集并获取到目标动物所对应的目标对象图像,其中,目标对象图像包括目标动物面部图像、及非目标动物面部图像。计算机设备接收到目标对象图像,计算机设备基于预设筛选算法或图像筛选模型,将目标对象图像中的目标动物面部图像筛选出来。
示例性地,目标动物可以是牛、马、羊等,在此不做限制,例如,目标动物是牛时,若针对牧场牛只做AI生物识别时,仅仅需要在牛只伸出头吃草的时候采集牛只的面部图像即可。
在一实施方式中,获取目标动物面部图像,包括:
周期性接收采集设备采集的目标对象图像;
筛选目标对象图像,以获取符合预设要求的目标动物面部图像。
具体地,采集设备周期性主动获取到目标对象图像,并将所获取的目标对象图像周期性传输给计算机设备,其中,目标对象图像包括目标动物面部图像、及非目标动物面部图像。计算机设备接收到目标对象图像,计算机设备基于预设筛选算法或图像筛选模型,将目标对象图像中的目标动物面部图像筛选出来。
示例性地,采集设备设置有传感器,其中,传感器包括但不限定于距离传感器,红外传感器。当传感器感应到有动物进入预设空间内时,控制采集设备对目标动物进行图像采集,以获取对应的目标对象图像,然后由计算机设备接收采集设备拍摄到的目标对象图像,并进行筛选获取符合预设要求的目标动物面部图像。
目标动物面部图像中包含动物穿戴的标志物,计算机设备接收采集设备采集到的目标动物面部图像,使面部特征、标识信息与图像相互对应,方便溯源,也减少了误拍到穿戴在动物身体之外的标志物的可能性。
在一实施方式中,筛选目标对象图像,以获取符合预设要求的目标动物面部图像,包括:
根据预设图像筛选模型筛选目标对象图像,以获取目标动物面部图像;
对目标动物面部图像进行降噪处理,以获取符合预设要求的目标动物面部图像。
例如,将获取的目标对象图像与预设的多张标准图像进行分别比对,计算出相似度,筛选出相似度大于预设阈值的目标对象图像作为目标动物面部图像,其中,标准图像为包含目标动物穿戴的标志物的目标动物面部图像。
通过筛选,保证了目标动物面部图像包含动物穿戴的标志物,避免了不符合要求的目标动物面部图像进入下一步导致多余的特征提取与分析。
筛选得到目标动物面部图像后,在一实施方式中,采用单通道的神经网络语音降噪模型对该目标动物面部图像进行降噪处理,以获取符合预设要求的目标动物面部图像。通过降噪处理,提升了目标动物面部图像质量并得到更优质的训练样本,利于后续的模型训练。
步骤S200、识别目标动物面部图像中的标志物,并提取标志物图像。
具体地,目标动物图像中包含了标志物,识别目标动物面部图像中的标志物,并以预设的像素尺寸将包含该标志物的标志物图像提取出来。
步骤S300、将标志物图像输入第一神经网络进行第一特征提取,以获取对应的第一特征向量,并根据第一特征向量训练第一神经网络,以获取第一特征提取模型。
在一些实施方式中,第一神经网络可以采用CNN(Convolution Neural Network,卷积神经网络),也可以采用RNN(Residual Neural Network,残差神经网络)。第一神经网络用于对标志物图像进行图像特征提取,并根据提取的图像特征来获得表征标志物图像整体特征的第一特征向量。
在一些实施方式中,将标志物图像输入第一神经网络进行第一特征提取,以获取对应的第一特征向量具体包括:
基于第一神经网络,提取标志物图像对应的标志物特征,标志物特征包括标志物颜色特征、标志物形状特征及标志物边缘特征中的至少一者或其组合;
对标志物特征进行特征嵌入处理,得到标志物图像对应的第一特征向量。
第一神经网络将输入的标志物图像通过处理后,得到对应的标志物特征,具体以特征向量的形式输出模型,即输出第一特征向量。
示例性地,第一神经网络在标志物图像上提取标志物特征,该标志物特征,图像特征包括标志物颜色特征、标志物形状特征及标志物边缘特征中的至少一种或其组合。然后对标志物特征中的每个单元取N次方,获得新的标志物特征,进而将新的标志物特征进行池化运算,其中,N为正整数,且N大于或等于2,单元可以是一个像素点,也可以是像素矩阵。
池化运算可以是自适应平均池化操作,也可以通过一个自适应池化层对新的标志物特征进行池化,自适应池化层能够将不同尺寸的特征图输出为固定的尺寸,固定尺寸根据网络结构自行设置优化。在经过自适应池化层操作得到池化后的标志物特征后,对池化后的标志物特征中的每个单元进行1/N次方计算,得到标志物图像对应的第一特征向量,该第一特征向量作为标志物图像的嵌入表达特征。
根据第一特征向量训练第一神经网络,以获取第一特征提取模型。
步骤S400、将目标动物面部图像输入第二神经网络进行第二特征提取,以获取训练样本对应的第二特征向量,并根据第二特征向量训练第二神经网络,以获取第二特征提取模型。
第二神经网络可以采用CNN(Convolution Neural Network,卷积神经网络),也可以采用RNN(Residual Neural Network,残差神经网络)。第二神经网络用于对目标动物面部图像进行图像特征提取,并根据提取的图像特征来获得表征面部图像整体特征的第二特征向量。
在一些实施方式中,将目标动物面部图像输入第二神经网络进行第二特征提取,以获取对应的第二特征向量具体包括:
基于第二神经网络,提取目标动物面部图像对应的面部图像特征,面部图像特征包括器官特征及花纹特征中的至少一者或其组合;
对面部图像特征进行特征嵌入处理,得到所述目标动物面部图像对应的第二特征向量。
第二神经网络将输入的目标动物面部图像通过处理后,得到对应的面部图像特征,具体以特征向量的形式输出模型,即输出第二特征向量。
其中,器官特征至少包括眼部特征、耳部特征、口部特征与鼻部特征中的其中一种或其组合,花纹特征至少包括脸颊花纹特征、额头花纹特征与整体花纹特征的其中一种或其组合。
示例性地,第二神经网络在目标动物面部图像上提取面部图像特征,该面部图像特征作为初选的面部图像特征,面部图像特征包括器官特征及花纹特征中的至少一者或其组合。然后对面部图像特征中的每个单元取N次方,获得新的面部图像特征,进而将新的面部图像特征进行池化运算,其中,N为正整数,且N大于或等于2,单元可以是一个像素点,也可以是像素矩阵。
池化运算可以是自适应平均池化操作,也可以通过一个自适应池化层对新的图像特征进行池化,自适应池化层能够将不同尺寸的特征图输出为固定的尺寸,固定尺寸根据网络结构自行设置优化。在经过自适应池化层操作得到池化后的面部图像特征后,对池化后的面部图图像特征中的每个单元进行1/N次方计算,得到目标动物面部图像对应的第二特征向量,该第二特征向量作为目标动物面部图像的嵌入表达特征。
根据第二特征向量训练第二神经网络,以获取第二特征提取模型。
步骤S500、根据第一特征提取模型和第二特征提取模型构建目标动物对应的识别模型。
由第一特征提取模型和第二特征提取模型,共同构建目标动物对应的识别模型,从而可以使得所建立的动物识别模型的识别准确度更高。
步骤S600、基于识别模型,对待识别动物面部图像进行分割,得到待识别动物的子特征图,其中,子特征图包括生物特征图及与标志物对应的标志物特征图。
具体地,生物特征图由面部图像分割得到的,包含了待识别动物的生物特征,标志物特征图包含了标志物。其中,生物特征为除标志物以外的动物面部特征,即待识别动物面部本身具有的面部特征,面部特征包括但不限于器官特征与花纹特征,器官特征包括但不限于眼部特征,耳部特征,口部特征,鼻部特征,而花纹特征包括但不限于脸颊花纹特征、额头花纹特征与整体花纹特征;也就是说:生物特征图包括但不限于器官特征图、花纹特征图,器官特征图包括但不限于眼部特征图、耳部特征图、口部特征图、与鼻部特征图,而花纹特征图包括但不限于脸颊花纹特征图、额头花纹特征图与整体花纹特征图。
具体地,识别模型即是前述步骤S500里构建得到的识别模型,在本实施例中,识别模型为卷积神经网络Mask R-CNN(Mask Regions with CNN features),Mask R-CNN是一个实例分割模型,它能确定待识别动物面部图像中各个目标的位置、类别以及轮廓,对图像中的每种目标对象进行分割。本实施例基于卷积神经网络Mask R-CNN,对待识别动物面部图像进行分割,能确定待识别动物面部图像中的眼部特征、耳部特征、口部特征、鼻部特征以及花纹特征的位置与轮廓,分割出眼部特征图、耳部特征图、口部特征图、鼻部特征图(四种器官特征图)、脸颊花纹特征图、额头花纹特征图、整体花纹特征图(三种花纹特征图)以及标志物特征图,而且能消除由于待识别动物姿势不同所带来的误差。
步骤S700、根据子特征图,确定待识别动物面部图像的特征值。
参照图2,在一实施方式中,步骤S700包括步骤S701至步骤S703。
步骤S701、根据生物特征图确定生物特征值。
具体地,目标动物面部图像包括多个生物特征图,且目标动物面部图像中不同区域的生物所对应的生物特征值可能不同。
参照图3,在一些实施方式中,步骤S701包括:步骤S7011至步骤S7014。
步骤S7011、将生物特征图灰度化,得到生物特征灰度图。
将生物特征图灰度化,得到生物特征灰度图,可以获得生物特征灰度图中每个像素的灰度值,为后续用imhist函数画出灰度分布图做好了前期工作。例如:将眼部特征图灰度化,得到眼部特征灰度图。
步骤S7012、基于预设的灰度值相似度算法,将生物特征灰度图与预设的生物特征灰度图集进行比对,其中,预设的生物特征灰度图集包括若干张预设的标准生物特征灰度图,得到生物特征灰度图与若干张预设的标准生物特征灰度图的相似度。
例如,基于预设的灰度值相似度算法,将眼部特征灰度图与预设的眼部特征灰度图集进行比对,得到眼部特征灰度图与若干张预设的标准眼部特征灰度图的相似度,其中,预设的眼部特征灰度图集包括若干张预设的标准眼部特征灰度图,每张标准眼部特征灰度图都是不一样的,且有着唯一编号。
在一实施方式中,预设的灰度值相似度算法为灰度值分布算法,它的具体步骤包括:读取生物特征灰度图的图片数据,及每张标准生物特征灰度图的图片数据;匹配每张图片的尺寸;用imhist函数画出每张图片的灰度分布图;将每张灰度分布图归一化;归一化后计算生物特征灰度图与每张标准生物特征灰度图的巴氏距离,以得到生物特征灰度图与每张标准生物特征灰度图的相似度,其中,巴氏距离与Bhattacharyya系数密切相关,Bhattacharyya系数是两个统计样本或总体之间重叠量的度量,在本实施例中,采用巴氏距离度量相似性。
而imhist函数是MATLAB图像处理模块中的一个函数,用以提取图像中的直方图信息。示例性地,基于灰度值相似度算法,输入眼部特征灰度图,可得到该眼部特征灰度图与每张标准眼部特征灰度图的相似度。
容易想到的是,在用imhist函数画出每张标准生物特征灰度图的灰度分布图之后,还可以保存这些灰度图,以方便后续对其它的动物个体进行识别,节省了步骤。
步骤S7013、确定与生物特征灰度图的相似度数值最大,且相似度大于预设的相似度阈值的一张标准生物特征灰度图,作为生物特征定值图。
示例性地,从眼部特征灰度图集中确定与眼部特征灰度图的相似度最大的标准眼部特征灰度图,且要求该标准眼部特征灰度图与眼部特征灰度图的相似度大于预设的相似度阈值,将该标准眼部特征灰度图作为眼部特征定值图。
步骤S7014、将生物特征定值图对应的预设编号作为待识别动物面部图像的生物特征值。
每张生物特征定值图与编号有着预设的的映射,根据该映射能确定生物特征定值图的对应的预设编号,并将该编号作为目标动物面部图像的其中一个生物特征值。例如,将眼部特征定值图对应的预设编号作为待识别动物面部图像的眼部特征值。
同理,根据上述步骤S7011-S7014的方法,可得到待识别动物面部图像的耳部特征值、口部特征值、鼻部特征值、脸颊花纹特征值、额头花纹特征值与整体花纹特征值。
如图2所示,步骤S702、对标志物特征图进行解析,得到标志物对应的标识信息。
分割得到的的标志物特征图中包含有标志物,对标志物特征图进行解析包括:基于预设的映射,对标志物图像进行解析,得到与标志物对应的标识信息。待识别标志物包括但不限于球形标签、耳标、项圈、鼻环或者RFID装置,每个标志物上携带有不同的标识信息,每个标识信息都是一个单独对应的数值,对应着唯一的动物个体,这样增加了不同动物个体之间的差异。
在一实施方式中,标识物可以是图案,每一种图案与对应的标识信息之间存在着预设的映射,对图案进行分析,就可得到与图案对应的标识信息。
在一实施方式中,标志物是二维码,计算机设备对标志物特征图中的二维码进行解析,得到与二维码对应的标识信息。
在一实施方式中,标志物是RFID装置,计算机设备读取RFID装置上的RFID信息并解码,得到与RFID装置对应的标识信息。
对标志物进行解析的整个过程均为计算机设备自主完成,无需人工操作,而且支持近远距离无接触操作,最大程度保证用户和牲畜的人身安全。根据生物特征值和标识信息,确定待识别动物面部图像的特征值。
如图2所示,步骤S703、根据生物特征值和标识信息,确定待识别动物面部图像的特征值。
基于预设的特征值生成算法,根据生物特征值和标识信息,确定目标动物面部图像的特征值,在本实施例中,待识别动物面部图像的特征值由多组数字合成,预设的特征值生成算法用于将多组数字按照预设顺序合成一个特征值。例如:由前述步骤S401得到眼部特征值为17、耳部特征值为18、口部特征值为20、鼻部特征值为16、脸颊花纹特征值为20、额头花纹特征值为20、整体花纹特征值为20,又由前述步骤S702得到标志物对应的标识信息为0100,则由预设的特征值生成算法将以上多组数字按照预设顺序合成一个特征值,得到“171820162020200100”,由此,不同的动物个体就有了不同的特征值,而且,由于不同的动物个体穿戴着不同的标志物,所以不同的动物个体的特征值后四位必然也是独一无二的,比如特征值后四位为“0100”的动物个体只会有一只,根据生物特征值和标识信息,共同确定特征值,增加了不同动物个体之间的特征差异,使得每个动物个体之间有了绝对的区分,提高了识别准确率。
步骤S800、根据特征值确定待识别动物面部图像对应的待识别动物。
参照图4,在一些实施方式中,步骤S700包括步骤S701至步骤S702。
步骤S801、将特征值与预设的基础特征值进行比对;
步骤S802、当存在基础特征值与特征值相同,则基础特征值对应的动物即为特征值对应的待识别动物。
计算机设备中包含了预设的基础特征库,特征库中包含了多个预设的基础特征值,每个基础特征值与一个动物个体对应。将特征值与预设的基础特征值进行比对可能得到以下两种结果之一:存在一基础特征值与特征值相同,以及不存在一基础特征值与特征值相同。
其中,预设的基础特征值为任一固定值,可以通过步骤S200根据目标动物面部图像训练目标动物对应的识别模型获得,也可以由用户设定。
当存在基础特征值与特征值相同,则特征值对应的待识别动物即为该基础特征值对应的动物,即是识别成功,当特征值与任一个基础特征值都不相同,则特征值对应的动物个体与预设的特征值所对应的动物个体不匹配,识别失败。通过特征值的比对结果来识别动物个体的身份,准确高效,不易出现误判。
在一实施方式中,由生物特征值和标识信息合成一个特征值,这个特征值包含了多种生物特征与标识信息,如“171820162020200100”,由于不同的动物个体穿戴着不同的标志物,所以不同的动物个体的特征值后四位必然是唯一的,若存在一基础特征值为“271820162020200100”,即特征值与基础特征值的后四位相同,都是“0100”,也可以认为特征值“171820162020200100”对应的动物就是基础特征值“271820162020200100”对应的动物。这种识别方式能消除获取待识别动物面部图像中由于拍摄实物或动物姿势不同所带来的误差,同时在养殖环境下,由于动物个体的发育或是意外受伤,都有可能引致某些生物特征发生改变,根据特征值的后四位进行动物识别,能消除由于以上影响带来的识别误差。
上述实施例提供的动物识别方法,通过获取目标动物面部图像并根据目标动物面部图像训练识别模型,然后基于识别模型,对待识别动物面部图像进行分割,得到待识别动物的子特征图,再根据子特征图,确定待识别动物面部图像的特征值,并根据特征值确定待识别动物面部图像对应的待识别动物,可以增大动物之间的特征差异,提高动物识别的准确度。
请参阅图5,图5为本申请实施例提供的一种动物识别装置的模块结构示意图。
如图5所示,动物识别装置100包括:
图像获取模块101,用于获取目标动物面部图像,所述目标动物面部图像中包含所述目标动物穿戴的标志物;
特征物识别模块102,用于识别所述目标动物面部图像中的标志物,并提取所述标志物图像;
第一模型获取模块103,用于将所述标志物图像输入第一神经网络进行第一特征提取,以获取对应的第一特征向量,并根据所述第一特征向量训练所述第一神经网络,以获取第一特征提取模型;
第二模型获取模块104,用于将所述目标动物面部图像输入第二神经网络进行第二特征提取,以获取所述目标动物面部图像对应的第二特征向量,并根据所述第二特征向量训练所述第二神经网络,以获取第二特征提取模型;
识别模型构建模块105,用于根据所述第一特征提取模型和所述第二特征提取模型构建所述目标动物对应的识别模型;
图像分割模块106,用于基于所述识别模型,对待识别动物面部图像进行分割,得到所述待识别动物的子特征图,其中,所述子特征图包括生物特征图及与所述标志物对应的标志物特征图;
特征值确定模块107,用于根据所述子特征图,确定所述待识别动物面部图像的特征值;
动物识别模块108,用于根据所述特征值确定所述待识别动物面部图像对应的待识别动物。
在一实施方式中,第一模型获取模块103,在将所述标志物图像输入第一神经网络进行第一特征提取,以获取对应的第一特征向量,具体包括:
基于所述第一神经网络,提取标志物图像对应的标志物特征,所述标志物特征包括标志物颜色特征、标志物形状特征及标志物边缘特征中的至少一者;
对所述标志物特征进行特征嵌入处理,得到所述标志物图像对应的第一特征向量。
在一实施方式中,图像获取模块101,获取目标动物面部图像,具体包括:
向采集设备发送采集指令,并接收所述采集设备响应于所述采集指令所采集的目标对象图像;
筛选所述目标对象图像,以获取符合预设要求的目标动物面部图像。
在一实施方式中,特征值确定模块107,在根据所述子特征图,确定所述待识别动物面部图像的特征值,具体包括:
根据所述生物特征图确定生物特征值;
对所述标志物特征图进行解析,得到所述标志物对应的标识信息;
根据所述生物特征值和所述标识信息,确定所述待识别动物面部图像的特征值。
在一实施方式中,特征值确定模块107,根据所述生物特征图确定生物特征值,具体包括:
将生物特征图灰度化,得到生物特征灰度图;
基于预设的灰度值相似度算法,将生物特征灰度图与预设的生物特征灰度图集进行比对,其中,预设的生物特征灰度图集包括若干张预设的标准生物特征灰度图,得到生物特征灰度图与若干张预设的标准生物特征灰度图的相似度;
确定与生物特征灰度图的相似度数值最大,且相似度大于预设的相似度阈值的一张标准生物特征灰度图,作为生物特征定值图;
将生物特征定值图对应的预设编号作为待识别动物面部图像的生物特征值。
在一实施方式中,生物特征图包括:
器官特征图,至少包括眼部特征图、耳部特征图、口部特征图与鼻部特征图;或
花纹特征图,至少包括脸颊花纹特征图、额头花纹特征图与整体花纹特征图;
所述生物特征值包括:
器官特征值,至少包括眼部特征值、耳部特征值、口部特征值与鼻部特征值;或
花纹特征值,至少包括脸颊花纹特征值、额头花纹特征值与整体花纹特征值。
在一实施方式中,动物识别模块108,根据所述特征值确定所述待识别动物面部图像对应的待识别动物,具体包括:
将所述特征值与预设的基础特征值进行比对;
当存在基础特征值与特征值相同,则所述基础特征值对应的动物即为所述特征值对应的待识别动物。
请参阅图6,图6为本申请实施例提供的一种计算机设备的结构示意性框图。
如图6所示,计算机设备200包括处理器201和存储器202,处理器201和存储器202通过总线203连接,该总线比如为I2C(Inter-integrated Circuit)总线。
具体地,处理器201用于提供计算和控制能力,支撑整个计算机设备的运行。处理器201可以是中央处理单元(Central Processing Unit,CPU),该处理器201还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
具体地,存储器202可以是Flash芯片、只读存储器(ROM,Read-Only Memory)磁盘、光盘、U盘或移动硬盘等。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请实施例方案相关的部分结构的框图,并不构成对本申请实施例方案所应用于计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
其中,所述处理器用于运行存储在存储器中的计算机程序,并在执行所述计算机程序时实现本申请实施例提供的任意一种所述的动物识别方法。
在一实施方式中,所述处理器用于运行存储在存储器中的计算机程序,并在执行所述计算机程序时实现如下步骤:
获取目标动物面部图像,目标动物面部图像中包含目标动物穿戴的标志物;
识别目标动物面部图像中的标志物,并提取标志物图像;
将标志物图像输入第一神经网络进行第一特征提取,以获取对应的第一特征向量,并根据第一特征向量训练第一神经网络,以获取第一特征提取模型;
将目标动物面部图像输入第二神经网络进行第二特征提取,以获取目标动物面部图像对应的第二特征向量,并根据第二特征向量训练第二神经网络,以获取第二特征提取模型;
根据第一特征提取模型和第二特征提取模型构建目标动物对应的识别模型;
基于识别模型,对待识别动物面部图像进行分割,得到待识别动物的子特征图,其中,子特征图包括生物特征图及与标志物对应的标志物特征图;
根据子特征图,确定待识别动物面部图像的特征值;
根据特征值确定待识别动物面部图像对应的待识别动物。
在一实施方式中,将标志物图像输入第一神经网络进行第一特征提取,以获取对应的第一特征向量包括:
基于第一神经网络,提取标志物图像对应的标志物特征,标志物特征包括标志物颜色特征、标志物形状特征及标志物边缘特征中的至少一者;
对标志物特征进行特征嵌入处理,得到标志物图像对应的第一特征向量。
在一实施方式中,获取目标动物面部图像包括:
向采集设备发送采集指令,并接收采集设备响应于采集指令所采集的目标对象图像;
筛选目标对象图像,以获取符合预设要求的目标动物面部图像。
在一实施方式中,根据子特征图,确定待识别动物面部图像的特征值包括:
根据生物特征图确定生物特征值;
对标志物特征图进行解析,得到标志物对应的标识信息;
根据生物特征值和标识信息,确定待识别动物面部图像的特征值。
在一实施方式中,根据生物特征图确定生物特征值包括:
将生物特征图灰度化,得到生物特征灰度图;
基于预设的灰度值相似度算法,将生物特征灰度图与预设的生物特征灰度图集进行比对,其中,预设的生物特征灰度图集包括若干张预设的标准生物特征灰度图,得到生物特征灰度图与若干张预设的标准生物特征灰度图的相似度;
确定与生物特征灰度图的相似度数值最大,且相似度大于预设的相似度阈值的一张标准生物特征灰度图,作为生物特征定值图;
将生物特征定值图对应的预设编号作为待识别动物面部图像的生物特征值。
在一实施方式中,根据特征值确定待识别动物面部图像对应的待识别动物包括:
将特征值与预设的基础特征值进行比对;
当存在基础特征值与特征值相同,则基础特征值对应的动物即为特征值对应的待识别动物。
在一实施方式中,生物特征图包括:
器官特征图,包括眼部特征图、耳部特征图、口部特征图与鼻部特征图;或
花纹特征图,包括脸颊花纹特征图、额头花纹特征图与整体花纹特征图;
生物特征值包括:
器官特征值,至少包括眼部特征值、耳部特征值、口部特征值与鼻部特征值;或
花纹特征值,至少包括脸颊花纹特征值、额头花纹特征值与整体花纹特征值。
需要说明的是,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的计算机设备的具体工作过程,可以参考前述动物识别方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供一种存储介质,所述存储介质存储有计算机程序,所述计算机程序可被一个或者多个处理器执行,以实现如本申请实施例说明书提供的任一项动物识别方法的步骤。
其中,所述存储介质可以是前述实施例所述的计算机设备的内部存储单元,例如所述计算机设备的硬盘或内存。所述存储介质也可以是所述计算机设备的外部存储设备,例如所述计算机设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施例中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
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。以上所述,仅为本申请的具体实施例,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种动物识别方法,其特征在于,包括:
获取目标动物面部图像,所述目标动物面部图像中包含所述目标动物穿戴的标志物;
识别所述目标动物面部图像中的标志物,并提取所述标志物图像;
将所述标志物图像输入第一神经网络进行第一特征提取,以获取对应的第一特征向量,并根据所述第一特征向量训练所述第一神经网络,以获取第一特征提取模型;
将所述目标动物面部图像输入第二神经网络进行第二特征提取,以获取所述目标动物面部图像对应的第二特征向量,并根据所述第二特征向量训练所述第二神经网络,以获取第二特征提取模型;
根据所述第一特征提取模型和所述第二特征提取模型构建所述目标动物对应的识别模型;
基于所述识别模型,对待识别动物面部图像进行分割,得到所述待识别动物的子特征图,其中,所述子特征图包括生物特征图及与所述标志物对应的标志物特征图;
将所述生物特征图灰度化,得到生物特征灰度图;
基于预设的灰度值相似度算法,将所述生物特征灰度图与预设的生物特征灰度图集进行比对,所述预设的生物特征灰度图集包括若干张预设的标准生物特征灰度图,得到所述生物特征灰度图与所述若干张预设的标准生物特征灰度图的相似度;
确定与所述生物特征灰度图的相似度数值最大,且相似度大于预设的相似度阈值的一张标准生物特征灰度图,作为生物特征定值图;
将所述生物特征定值图对应的预设编号作为所述待识别动物面部图像的生物特征值;
对所述标志物特征图进行解析,得到所述标志物对应的标识信息;
根据所述生物特征值和所述标识信息,确定所述待识别动物面部图像的特征值;
根据所述特征值确定所述待识别动物面部图像对应的待识别动物;
其中,所述生物特征图包括:
器官特征图,至少包括眼部特征图、耳部特征图、口部特征图与鼻部特征图;或,
花纹特征图,至少包括脸颊花纹特征图、额头花纹特征图与整体花纹特征图;
所述生物特征值包括:
器官特征值,至少包括眼部特征值、耳部特征值、口部特征值与鼻部特征值;或,
花纹特征值,至少包括脸颊花纹特征值、额头花纹特征值与整体花纹特征值。
2.根据权利要求1所述的动物识别方法,其特征在于,所述将所述标志物图像输入第一神经网络进行第一特征提取,以获取对应的第一特征向量包括:
基于所述第一神经网络,提取标志物图像对应的标志物特征,所述标志物特征包括标志物颜色特征、标志物形状特征及标志物边缘特征中的至少一者;
对所述标志物特征进行特征嵌入处理,得到所述标志物图像对应的第一特征向量。
3.根据权利要求1所述的动物识别方法,其特征在于,所述获取目标动物面部图像包括:
向采集设备发送采集指令,并接收所述采集设备响应于所述采集指令所采集的目标对象图像;
筛选所述目标对象图像,以获取符合预设要求的目标动物面部图像。
4.根据权利要求1-3中任一项所述的动物识别方法,其特征在于,所述根据所述特征值确定所述待识别动物面部图像对应的待识别动物包括:
将所述特征值与预设的基础特征值进行比对;
当存在基础特征值与特征值相同,则所述基础特征值对应的动物即为所述特征值对应的待识别动物。
5.一种动物识别装置,其特征在于,包括:
图像获取模块,用于获取目标动物面部图像,所述目标动物面部图像中包含所述目标动物穿戴的标志物;
特征物识别模块,用于识别所述目标动物面部图像中的标志物,并提取所述标志物图像;
第一模型获取模块,用于将所述标志物图像输入第一神经网络进行第一特征提取,以获取对应的第一特征向量,并根据所述第一特征向量训练所述第一神经网络,以获取第一特征提取模型;
第二模型获取模块,用于将所述目标动物面部图像输入第二神经网络进行第二特征提取,以获取所述目标动物面部图像对应的第二特征向量,并根据所述第二特征向量训练所述第二神经网络,以获取第二特征提取模型;
识别模型构建模块,用于根据所述第一特征提取模型和所述第二特征提取模型构建所述目标动物对应的识别模型;
图像分割模块,用于基于所述识别模型,对待识别动物面部图像进行分割,得到所述待识别动物的子特征图,其中,所述子特征图包括生物特征图及与所述标志物对应的标志物特征图;
特征值确定模块,用于将所述生物特征图灰度化,得到生物特征灰度图;基于预设的灰度值相似度算法,将所述生物特征灰度图与预设的生物特征灰度图集进行比对,所述预设的生物特征灰度图集包括若干张预设的标准生物特征灰度图,得到所述生物特征灰度图与所述若干张预设的标准生物特征灰度图的相似度;确定与所述生物特征灰度图的相似度数值最大,且相似度大于预设的相似度阈值的一张标准生物特征灰度图,作为生物特征定值图;将所述生物特征定值图对应的预设编号作为所述待识别动物面部图像的生物特征值;对所述标志物特征图进行解析,得到所述标志物对应的标识信息;根据所述生物特征值和所述标识信息,确定所述待识别动物面部图像的特征值;
动物识别模块,用于根据所述特征值确定所述待识别动物面部图像对应的待识别动物;
其中,所述生物特征图包括:
器官特征图,至少包括眼部特征图、耳部特征图、口部特征图与鼻部特征图;或,
花纹特征图,至少包括脸颊花纹特征图、额头花纹特征图与整体花纹特征图;
所述生物特征值包括:
器官特征值,至少包括眼部特征值、耳部特征值、口部特征值与鼻部特征值;或,
花纹特征值,至少包括脸颊花纹特征值、额头花纹特征值与整体花纹特征值。
6.一种计算机设备,其特征在于,所述计算机设备包括处理器、存储器、存储在所述存储器上并可被所述处理器执行的计算机程序,其中所述计算机程序被所述处理器执行时,实现如权利要求1至4中任一项所述的动物识别方法的步骤。
7.一种存储介质,所述存储介质存储有计算机程序,其特征在于,所述计算机程序可被处理器执行,以实现权利要求1至4中任一项所述的动物识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110706775.0A CN113435311B (zh) | 2021-06-24 | 2021-06-24 | 动物识别方法、动物识别装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110706775.0A CN113435311B (zh) | 2021-06-24 | 2021-06-24 | 动物识别方法、动物识别装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113435311A CN113435311A (zh) | 2021-09-24 |
CN113435311B true CN113435311B (zh) | 2023-11-28 |
Family
ID=77754121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110706775.0A Active CN113435311B (zh) | 2021-06-24 | 2021-06-24 | 动物识别方法、动物识别装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113435311B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110135231A (zh) * | 2018-12-25 | 2019-08-16 | 杭州慧牧科技有限公司 | 动物面部识别方法、装置、计算机设备和存储介质 |
CN110826371A (zh) * | 2018-08-10 | 2020-02-21 | 京东数字科技控股有限公司 | 一种动物识别方法、装置、介质及电子设备 |
KR20200041296A (ko) * | 2018-10-11 | 2020-04-21 | 주식회사 핏펫 | 동물의 안면 및 비문 이미지에 기초하여 동물의 개체 정보를 제공하는 컴퓨터 프로그램 및 단말기 |
CN111126346A (zh) * | 2020-01-06 | 2020-05-08 | 腾讯科技(深圳)有限公司 | 脸部识别方法、分类模型的训练方法、装置和存储介质 |
CN111950362A (zh) * | 2020-07-07 | 2020-11-17 | 西北大学 | 一种金丝猴面部图像识别方法、装置、设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11295113B2 (en) * | 2019-04-25 | 2022-04-05 | ID Lynx Ltd. | 3D biometric identification system for identifying animals |
-
2021
- 2021-06-24 CN CN202110706775.0A patent/CN113435311B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110826371A (zh) * | 2018-08-10 | 2020-02-21 | 京东数字科技控股有限公司 | 一种动物识别方法、装置、介质及电子设备 |
KR20200041296A (ko) * | 2018-10-11 | 2020-04-21 | 주식회사 핏펫 | 동물의 안면 및 비문 이미지에 기초하여 동물의 개체 정보를 제공하는 컴퓨터 프로그램 및 단말기 |
CN110135231A (zh) * | 2018-12-25 | 2019-08-16 | 杭州慧牧科技有限公司 | 动物面部识别方法、装置、计算机设备和存储介质 |
CN111126346A (zh) * | 2020-01-06 | 2020-05-08 | 腾讯科技(深圳)有限公司 | 脸部识别方法、分类模型的训练方法、装置和存储介质 |
CN111950362A (zh) * | 2020-07-07 | 2020-11-17 | 西北大学 | 一种金丝猴面部图像识别方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113435311A (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xiao et al. | Cow identification in free-stall barns based on an improved Mask R-CNN and an SVM | |
CN110909618B (zh) | 一种宠物身份的识别方法及装置 | |
Zhao et al. | Individual identification of Holstein dairy cows based on detecting and matching feature points in body images | |
CN110083723B (zh) | 一种小熊猫个体识别方法、设备及计算机可读存储介质 | |
EP0821912A2 (en) | Animal body identifying device and body identifying system | |
US20240087368A1 (en) | Companion animal life management system and method therefor | |
Tharwat et al. | Two biometric approaches for cattle identification based on features and classifiers fusion | |
KR102325250B1 (ko) | 반려동물 식별 시스템 및 그 방법 | |
CN113449704A (zh) | 人脸识别模型训练方法、装置、电子设备及存储介质 | |
CN114495241B (zh) | 一种图像识别方法及装置、电子设备、存储介质 | |
CN112613471B (zh) | 人脸活体检测方法、装置及计算机可读存储介质 | |
CN114519401B (zh) | 一种图像分类方法及装置、电子设备、存储介质 | |
CN113128341A (zh) | 一种基于卷积神经网络的狗脸识别方法 | |
CN111523479A (zh) | 动物的生物特征识别方法、装置、计算机设备及存储介质 | |
CN114550212A (zh) | 一种基于轻量级模型的羊脸检测与识别方法 | |
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 | |
CN116311370A (zh) | 一种基于多角度特征的牛脸识别方法及其相关设备 | |
Kumar et al. | Secure and sustainable framework for cattle recognition using wireless multimedia networks and machine learning techniques | |
US11847849B2 (en) | System and method for companion animal identification based on artificial intelligence | |
CN113435311B (zh) | 动物识别方法、动物识别装置、计算机设备及存储介质 | |
CN111079617A (zh) | 家禽识别方法、装置、可读存储介质及电子设备 | |
Laishram et al. | Biometric identification of Black Bengal goat: unique iris pattern matching system vs deep learning approach | |
US20230206678A1 (en) | Animal object identification apparatus based on image and method thereof | |
Bustamin et al. | A portable cattle tagging based on muzzle pattern | |
CN116342968A (zh) | 一种双通道人脸识别方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |