CN114926858A - 一种基于特征点信息的深度学习的猪脸识别方法 - Google Patents
一种基于特征点信息的深度学习的猪脸识别方法 Download PDFInfo
- Publication number
- CN114926858A CN114926858A CN202210504724.4A CN202210504724A CN114926858A CN 114926858 A CN114926858 A CN 114926858A CN 202210504724 A CN202210504724 A CN 202210504724A CN 114926858 A CN114926858 A CN 114926858A
- Authority
- CN
- China
- Prior art keywords
- pig face
- pig
- data set
- face
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及动物面部识别技术领域,具体涉及一种基于特征点信息的深度学习的猪脸识别方法,包括步骤:S1、制备数据集;S2、将猪脸特征点识别数据集与人脸特征点识别数据集进行结构计算,构建猪脸人脸匹配数据集;通过形变神经网络进行训练,生成猪脸形变模型;生成形变后的猪脸图像,对人脸特征点检测模型进行微调,生成猪脸特征点检测模型;S3、对猪脸识别数据集进行特征点识别,并加入注意力机制进行处理;S4、通过使用分类卷积神经网络对输入的猪脸图像进行识别。本发明的方法开创性的制备了猪脸特征点数据集,使用了全新的标注标准,通过形变神经网络、人脸猪脸匹配以及特征点检测网络微调的方法实现了猪脸的特征点检测。
Description
技术领域
本发明涉及动物面部识别技术领域,具体涉及一种基于特征点信息的深度学习的猪脸识别方法。
背景技术
随着科技的发展和社会的进步,身份识别的需求越来广泛,而对于身份识别来说,目前主流的解决方案就是面部识别。目前,人脸识别技术已经日臻成熟,其相关的应用也趋于完备,而对于动物面部识别的研究则相对来说较少。动物面部识别在农业方面有着广泛的需求,而猪作为目前养殖最广泛的动物,其面部识别自然就成为了该领域的热点问题。猪脸的整体相似度较高,且由于猪脸长期不清洗,其面部特征也会受到影响,因此,在动物脸部的识别中,猪脸是较难解决的问题。猪脸识别在智能养猪及农业保险等方面皆有较大的应用前景,而面对大量的猪只数据,需要良好泛化性和高精度的方法来进行猪脸识别。
目前对于动物面部关键点检测的研究较少,目前关于猪脸特征点检测的方法未见报道;论文《Human and Sheep Facial Landmarks Localisation by TripletInterpolated Features》提出了一种绵羊关键点检测的算法,其提出的算法所应用的网络为级联网络,需要大量的手工标注数据;论文《Learning to Localize LittleLandmarks》、《Part-Pair Representation for Part Localization》、《Joint FaceAlignment and 3D Face Reconstruction》研究了鸟类的特征点检测,但是其并未侧重于面部关键点检测;论文《Interspecies Knowledge Transfer for Facial KeypointDetection》提出了一种解决马和羊面部关键点检测的算法,通过与人脸进行结构匹配的方法实现特征点识别,本文的特征点算法正是在这个算法的基础上,实现了猪脸特征点识别。
目前对于猪脸识别的见刊的不多,论文《Pig Face Recognition UsingEigenspace Method》基于特征空间方法进行猪只面部识别,算法使用眼睛的图像对猪只进行识别,不过其选取的猪只数量只有16只,且测试集只有256张,数据规模和猪只数量都较少,无法有效说明其泛化性和有效性;论文《Towards on-farm pig face recognitionusing convolutional neural networks》基于卷积神经网络对猪只面部进行识别,其选取的猪只数量为10头,测试集数量为622张,说服力同样较低;论文《An adaptive pig facerecognition approach using Convolutional Neural Networks》基于级联分类器和卷积神经网络进行猪只面部识别,猪只数量为10头,测试集数量为320张,无法充分说明其有效性和泛化性。
发明内容
本发明为解决上述问题,针对猪脸面部识别的难点,开展了探索性研究,提供一种基于特征点信息的深度学习的猪脸识别方法,所述猪脸识别方法包括步骤:
S1、通过对猪脸进行图像采集制备数据集,所述数据集包括猪脸特征点识别数据集和猪脸识别数据集;
S2、将所述猪脸特征点识别数据集与人脸特征点识别数据集进行结构计算,构建猪脸人脸匹配数据集;通过形变神经网络对所述猪脸人脸匹配数据集进行训练,生成猪脸形变模型;通过所述猪脸形变模型,生成形变后的猪脸图像,通过所述形变后的猪脸图像,对人脸特征点检测模型进行微调,生成猪脸特征点检测模型;
S3、通过所述猪脸特征点检测模型,对所述猪脸识别数据集进行特征点识别,并加入注意力机制进行处理;
S4、基于注意力机制处理后的猪脸特征点检测模型,通过使用分类卷积神经网络对输入的猪脸图像进行识别。
优选的,所述特征点识别数据集中的特征点包括猪脸上的左眼、右眼、鼻尖、左鼻翼和右鼻翼。
优选的,所述加入注意力机制进行处理包括:先针对所述猪脸识别数据集中的猪脸图像进行图像减弱,再针对猪脸图像的特征点的周围区域进行图像增强。
优选的,所述图像增强包括对所述特征点的周围区域全部增强固定值。
优选的,所述图像增强的公式为:
其中,m代表每一个像素点处理后的值,n代表每一个像素点的原始值;t代表特征点,T代表特征点的集合,;nx和ny代表像素点的坐标值;tx和ty代表特征点的坐标值;s代表输入图像的长度或宽度;l代表图像减弱的比例,h代表图像增强的比例;k是一个小于1的数值,代表增强的特征点的周围区域。
优选的,所述人脸特征点识别数据集选自AFLW数据集、XM2VTS数据集或FRGCV2数据集。
优选的,所述分类卷积神经网络为Xception神经网络。
优选的,所述形变神经网络所使用的形变算法为薄板样条插值形。
优选的,所述形变神经网络的网络结构为空间变换网络。
本发明的方法开创性的制备了猪脸特征点数据集,使用了全新的标注标准,通过形变神经网络、人脸猪脸匹配以及特征点检测网络微调的方法实现了猪脸的特征点检测。
附图说明
图1是本发明一种实施例的猪脸识别方法的方法流程图。
图2是本发明一种实施例的猪脸识别方法中特征点示意图。
图3是本发明一种实施例的猪脸识别方法中特征点检测流程示意图。
图4是本发明一种实施例的猪脸识别方法中所使用的分类卷积神经网络的网络结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,而不构成对本发明的限制。
如图1所示,本发明提供一种基于特征点信息的深度学习的猪脸识别方法,所述猪脸识别方法包括步骤:
S1、通过对猪脸进行图像采集制备数据集,所述数据集包括猪脸特征点识别数据集和猪脸识别数据集;
S2、将所述猪脸特征点识别数据集与人脸特征点识别数据集进行结构计算,构建猪脸人脸匹配数据集;通过形变神经网络对所述猪脸人脸匹配数据集进行训练,生成猪脸形变模型;通过所述猪脸形变模型,生成形变后的猪脸图像,通过所述形变后的猪脸图像,对人脸特征点检测模型进行微调,生成猪脸特征点检测模型;
S3、通过所述猪脸特征点检测模型,对所述猪脸识别数据集进行特征点识别,并加入注意力机制进行处理;
S4、基于注意力机制处理后的猪脸特征点检测模型,通过使用分类卷积神经网络对输入的猪脸图像进行识别。
具体实施方式中,通过对猪脸进行图像采集制备数据集,猪脸的原始图像数据可以是和本地的养殖场进行沟通以及商议后,由养殖场的工作人员使用手机,对限位栏内的能繁母猪面部进行拍摄,筛选出包含完整猪脸的图像,生成数据集。采集的时间和猪脸姿态是随机的,因此数据集包含了不同的光照条件和姿态。
具体实施方式中,猪脸特征点识别数据集的制备过程包括:
选取猪只面部的五个特征点进行识别。通常情况下,人类面部选取的五个的特征点包括左眼、右眼、鼻尖、左嘴角和右嘴角,如图2所示,区别于人类面部选取的五个的特征点,所述特征点识别数据集中的特征点包括猪脸上的左眼、右眼、鼻尖、左鼻翼和右鼻翼。最终标注出的数据集规模为6099张,这些数据来自养殖场的206头能繁母猪,数据集的分辨率为224x224。数据集基于3:1:1的原则,按照猪只编号随机划分为训练集、验证集和测试集,训练集、验证集和测试集中包含的猪只编号都是不同的,验证集编号不同的目的是为了避免过拟合,增强模型的泛化性和鲁棒性,测试集编号不同的目的是为了真正体现模型的识别效果和泛化性,从而充分证明算法的有效性。最终的数据分布如表1所示。
表1猪脸特征点数据集分布
具体实施方式中,猪脸识别数据集的制备过程包括:
选取77头能繁母猪进行猪脸识别实验,总共猪只数量为7622张,数据集基于6:2:2的原则,随机划分为训练集、验证集和测试集,具体如表2所示,为具体的数据分布,数据集的分辨率为1080*1200,可以根据具体需求进行裁剪或者缩放。为了增强模型的泛化性,还对训练集和验证集进行了数据增强,加入了随机翻转、旋转以及颜色空间变化等,使训练集和验证集的数据规模增加了一倍。
表2猪脸识别数据集分布
本发明的猪脸识别方法中,标注特征点的主要目的是定位猪脸的关键部位进行图像增强,优选的实施方式中,选择猪脸上左眼、右眼、鼻尖、左鼻翼和右鼻翼五个特征点,在更方便标注的同时,能够更好的在节省成本,提高效率的同时,达到定位图像增强的效果。
在本发明的猪脸识别方法获得猪脸特征点识别数据集和猪脸识别数据集后,由于数据集规模较小,故通过微调来提高模型效果;微调(fine-tuning)是一种迁移学习思想的延伸,是神经网络的训练策略,具体的做法是取出某一神经网络在其他数据集上训练好的权重,之后,对自己所使用的网络进行初始化,可以全部复制过去,也可以部分复制,只要保证前后网络的结构是相似的即可。通过对于在某些大型数据集上训练好的神经网络模型,再使用自己的数据集对该模型进行训练,原数据集和自己的数据集相似度越高,微调的效果越好,这样可以充分利用现有的相似的大型数据集,以较少的数据实现较好的效果。
在本发明具体实施方式中,如图3所示,为猪脸识别方法中特征点检测流程示意图,通过将所述猪脸特征点识别数据集与人脸特征点识别数据集进行结构计算,构建猪脸人脸匹配数据集;具体结构计算的依据是眼睛、鼻子和嘴角的夹角,结构计算的具体方法可参考现有公开的方法;目前,关于人脸特征点识别数据集有很多,本发明具体实施方式中用到的人脸特征点识别数据集可以选自AFLW数据集、XM2VTS数据集或FRGCV2数据集等各种现有的数据集。构建猪脸人脸匹配数据集之后,再通过形变神经网络对所述猪脸人脸匹配数据集进行训练,生成猪脸形变模型;通过所述猪脸形变模型,生成形变后的猪脸图像,通过所述形变后的猪脸图像,对人脸特征点检测模型进行微调,生成猪脸特征点检测模型。具体的,形变神经网络所使用的形变算法为薄板样条插值(TPS)形变,网络结构为空间变换网络(STN),通过采用这种具有空间不变性的网络结构,可以对于变化的图像数据给出理想的结果,能够更有效的提高本发明的猪脸识别方法最终的识别效果。
具体实施方式中,生成猪脸特征点检测模型,通过所述猪脸特征点检测模型,对所述猪脸识别数据集进行特征点识别,并加入注意力机制进行处理。加入注意力机制进行处理包括,先针对所述猪脸识别数据集中的猪脸图像进行图像减弱,再针对猪脸图像的特征点的周围区域进行图像增强。优选的实施方式中,所述图像增强包括对所述特征点的周围区域全部增强固定值。
对所述特征点的周围区域全部增强固定值的具体公式为:
其中,m代表每一个像素点处理后的值,n代表每一个像素点的原始值;t代表特征点,T代表特征点的集合,;nx和ny
代表像素点的坐标值;tx和ty代表特征点的坐标值;s代表输入图像的长度或宽度;l代表图像减弱的比例,h代表图像增强的比例;k是一个小于1的数值,代表增强的特征点的周围区域。
具体实施方式中,由于研究使用的深度神经网络其输入图片的长度和宽度是相等的,因此可以用一个s就可以代替长度和宽度,;k代表了特征点周围想要进行增强的区域大小,条件函数控制条件的含义就是选取特征点周围的正方形区域进行增强。在具体实施方式中,发现使用除鼻尖之外的四个特征点就可以达到更好的效果,因此公式中的T优选为四个特征点的集合。参数l、h以及k是具体可通过实验来确定。在具体的实施方式中,区域大小并不是用s*k的方式来表示的,而是直接使用具体的数值进行计算,之所以在公式中采用s*k的方式,是因为区域大小应该根据网络输入图像的尺寸进行放缩。经过实验后,在Xception神经网络上采用l=0.5,s*k=67(s=299,为Xception的输入尺寸),h=2.1达到了较优的效果。
具体实施方式中,基于注意力机制处理后的猪脸特征点检测模型,通过使用分类卷积神经网络对输入的猪脸图像进行识别;优选的实施方式中,分类卷积神经网络为Xception神经网络,神经网络的整体结构如图4所示。从图中可以看出,项目的模型输入为四维张量,格式为(None,dpi,dpi,3),第一维为输入的批尺寸,即batch size。批尺寸是指在一次训练过程中,输入模型中样本的个数。这里记为None的原因是,因为批尺寸的大小是在模型训练的时候根据训练设备的图像处理器(GPU)的存储能力等标准所决定的,批尺寸越大,训练的时间越少,优化器的调整也会更加准确,不过过大的批尺寸也会造成泛化性的降低以及修改参数的缓慢,因此批尺寸的选择要在合适的范围内。第二维的参数和第三维的参数为输入影像的分辨率,由于所使用的卷积神经网络要求输入图片的水平分辨率和垂直分辨率相等,因此第二维和第三维的数值是相同的。但是由于每个网络要求的输入规格不一样,比如ResNet网络的输入尺寸为224x224,而Xception网络的输入尺寸为299x299,因此在输入之前需要利用OpenCV等图片处理工具将待输入猪脸影像数据修改为网络所需的修改待输入样本的分辨率大小;第四维是通道数,由于输入图片数据为RGB通道,因此被设为3。通过使用该分类卷积神经网络即可实现对输入的猪脸图像进行识别。
实验测试
具体实施方式中,针对本发明猪脸识别方法进行实验,验证特征点检测的效果;具体特征点检测的实验过程包括两个部分,第一部分是人脸和猪只面部匹配,第二部分是特征点检测。代码是基于torch框架完成的,所使用的语言为Lua和Python。
在第一部分中,所选用的人脸特征点数据集为AFLW数据集、LFW数据集和一部分来自互联网的图像,一共的数据集规模为31524张;其中,LFW数据集的数据规模为5590张,另一部分来自互联网的数据集的数据规模为7876张。AFLW数据集是从Flickr收集的大规模图像集合,面部外观和成像条件较为全面。由于具有全面的注释集,AFLW数据集非常适合训练和测试用于面部特征点检测的算法。LFW数据集也是较常用的人脸数据集,其图片来自自然的生活场景,人脸的组成较为全面。LFW数据集分辨率为250X250,包括大部分的彩色图像和小部分的黑白图像。
在第二部分的特征点检测中,所选取的评估标准为:如果某个特征点的预测位置与它的实际位置的欧氏距离不超过边界框的10%,那这个特征点的位置预测可以视为成功,否则的话就把这次预测视为失败的预测。以平均的失败率作为最终的评判指标,计算方法是未成功预测位置的特征点所占总数的百分比。
最终的实验结果比对如表3所示,最终的结果以错误率衡量,从表中可以看出,在猪脸面部特征点识别并不简单的情况下,五个部位特征点的位置预测结果以及总体的预测结果仍然比较理想,可以说明本发明提出的猪脸识别方法的显著效果。
同时,采用本发明的特征点检测的实验过程对马脸也进行检测,从表3中的数据可以看出,猪脸特征点识别结果比马脸特征点识别的结果更好,本发明的猪脸识别方法中,获得的猪脸特征点数据集,训练集,验证集和测试集都是来自不同的猪只,包含了不同的随机角度、姿势及光照条件,实验得到的结果足以说明该模型有着良好的鲁棒性和泛化性,适用于大型复杂的猪脸数据。
表3猪脸特征点检测的实验结果
具体实施方式中,通过采用Xception神经网络、Inception-ResNet-V2神经网络、Inception-V3神经网络、MobileNet-V2神经网络等不同的卷积神经网络,单纯使用这些卷积神经网络进行猪脸识别,与使用本发明具体实施方式的方法进行猪脸识别的结果进行对比,如表4所示,从表中可以看出,通过本发明具体实施方式的方法进行猪脸识别,其识别的准确率和F1分数都明显高于其他方法。
表4不同方式猪脸识别的实验结果对比
另外,为了体现本发明的猪脸识别方法的显著效果,针对本发明的猪脸识别方法与其他论文中公开的现有的猪脸识别方法进行了实验结果的对比,其中,N.Wada等人的研究主要是基于特征空间方法进行猪只面部识别,算法使用眼睛的图像对猪只进行识别,选取猪只数量为16只,测试集为256张;M.F.Hansen等人的研究主要基于卷积神经网络对猪只面部进行识别,其选取的猪只数量为10头,测试集数量为622张;M.Marsot等人的研究主要是基于级联分类器和卷积神经网络进行猪只面部识别,猪只数量为10头,测试集数量为320张。具体如表5中所示,从表中可以看出,这些现有的研究,选取的猪只数量都较少,且测试集规模也较小,其识别方法的有效性和泛化性明显不如本发明的猪脸识别方法。
表5不同猪脸识别方法的对比
综上可知,本发明的猪脸识别方法制备了猪脸特征点数据集,使用了全新的标注标准;制备了猪脸识别数据集,相对于其他猪脸识别研究的数据集,不论是在猪只的个数,还是数据集的规模,都具有明显的优势;另外,本发明的猪脸识别方法创造性的通过形变神经网络、人脸猪脸匹配以及特征点检测网络微调的方法实现了猪脸的特征点检测;同时,提出了基于面向猪脸识别的特征点信息的注意力机制,提高了猪脸识别的准确度。
本发明的猪脸识别方法基于深度神经网络的方法,构建猪脸识别网络对加入注意力机制后的数据集进行训练,得到了猪脸识别模型,实现了猪只身份识别,模型的结果比不使用注意力机制而单纯使用神经网络的方法有明显提升。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制。本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
以上本发明的具体实施方式,并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形,均应包含在本发明权利要求的保护范围内。
Claims (9)
1.一种基于特征点信息的深度学习的猪脸识别方法,其特征在于,所述猪脸识别方法包括步骤:
S1、通过对猪脸进行图像采集制备数据集,所述数据集包括猪脸特征点识别数据集和猪脸识别数据集;
S2、将所述猪脸特征点识别数据集与人脸特征点识别数据集进行结构计算,构建猪脸人脸匹配数据集;通过形变神经网络对所述猪脸人脸匹配数据集进行训练,生成猪脸形变模型;通过所述猪脸形变模型,生成形变后的猪脸图像,通过所述形变后的猪脸图像,对人脸特征点检测模型进行微调,生成猪脸特征点检测模型;
S3、通过所述猪脸特征点检测模型,对所述猪脸识别数据集进行特征点识别,并加入注意力机制进行处理;
S4、基于注意力机制处理后的猪脸特征点检测模型,通过使用分类卷积神经网络对输入的猪脸图像进行识别。
2.如权利要求1所述的猪脸识别方法,其特征在于,所述特征点识别数据集中的特征点包括猪脸上的左眼、右眼、鼻尖、左鼻翼和右鼻翼。
3.如权利要求1所述的猪脸识别方法,其特征在于,所述加入注意力机制进行处理包括:先针对所述猪脸识别数据集中的猪脸图像进行图像减弱,再针对猪脸图像的特征点的周围区域进行图像增强。
4.如权利要求3所述的猪脸识别方法,其特征在于,所述图像增强包括对所述特征点的周围区域全部增强固定值。
6.如权利要求1所述的猪脸识别方法,其特征在于,所述人脸特征点识别数据集选自AFLW数据集、XM2VTS数据集或FRGCV2数据集。
7.如权利要求1所述的猪脸识别方法,其特征在于,所述分类卷积神经网络为Xception神经网络。
8.如权利要求1所述的猪脸识别方法,其特征在于,所述形变神经网络所使用的形变算法为薄板样条插值形变。
9.如权利要求1所述的猪脸识别方法,其特征在于,所述形变神经网络的网络结构为空间变换网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210504724.4A CN114926858A (zh) | 2022-05-10 | 2022-05-10 | 一种基于特征点信息的深度学习的猪脸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210504724.4A CN114926858A (zh) | 2022-05-10 | 2022-05-10 | 一种基于特征点信息的深度学习的猪脸识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114926858A true CN114926858A (zh) | 2022-08-19 |
Family
ID=82808970
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210504724.4A Pending CN114926858A (zh) | 2022-05-10 | 2022-05-10 | 一种基于特征点信息的深度学习的猪脸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114926858A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115909403A (zh) * | 2022-11-25 | 2023-04-04 | 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 |
CN116758589A (zh) * | 2023-08-17 | 2023-09-15 | 吉林大学 | 一种处理姿态和视角矫正的牛脸识别方法 |
-
2022
- 2022-05-10 CN CN202210504724.4A patent/CN114926858A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115909403A (zh) * | 2022-11-25 | 2023-04-04 | 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 |
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 |
CN116758589A (zh) * | 2023-08-17 | 2023-09-15 | 吉林大学 | 一种处理姿态和视角矫正的牛脸识别方法 |
CN116758589B (zh) * | 2023-08-17 | 2023-11-03 | 吉林大学 | 一种处理姿态和视角矫正的牛脸识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110348319B (zh) | 一种基于人脸深度信息和边缘图像融合的人脸防伪方法 | |
CN107292298B (zh) | 基于卷积神经网络和分类器模型的牛脸识别方法 | |
Cheng et al. | Exploiting effective facial patches for robust gender recognition | |
CN111414906B (zh) | 纸质票据图片的数据合成与文本识别方法 | |
CN112818862B (zh) | 基于多源线索与混合注意力的人脸篡改检测方法与系统 | |
Zhang et al. | Deformable part descriptors for fine-grained recognition and attribute prediction | |
CN110569756B (zh) | 人脸识别模型构建方法、识别方法、设备和存储介质 | |
CN114926858A (zh) | 一种基于特征点信息的深度学习的猪脸识别方法 | |
US11507777B2 (en) | Labeling techniques for a modified panoptic labeling neural network | |
CN109376582A (zh) | 一种基于生成对抗网络的交互式人脸卡通方法 | |
CN110909618B (zh) | 一种宠物身份的识别方法及装置 | |
US11194997B1 (en) | Method and system for thermal infrared facial recognition | |
Kadam et al. | Detection and localization of multiple image splicing using MobileNet V1 | |
CN109740572A (zh) | 一种基于局部彩色纹理特征的人脸活体检测方法 | |
CN104077612B (zh) | 一种基于多特征稀疏表示技术的害虫图像识别方法 | |
CN110991258B (zh) | 一种人脸融合特征提取方法及系统 | |
CN107832740A (zh) | 一种远程教学的教学质量评估方法及系统 | |
CN113239839B (zh) | 基于dca人脸特征融合的表情识别方法 | |
CN113449704B (zh) | 人脸识别模型训练方法、装置、电子设备及存储介质 | |
CN109360179A (zh) | 一种图像融合方法、装置及可读存储介质 | |
CN108520261B (zh) | 一种花生果仁数量的识别方法和装置 | |
CN114565602A (zh) | 基于多通道融合的图像识别方法、装置和存储介质 | |
CN110188646B (zh) | 基于梯度方向直方图与局部二值模式融合的人耳识别方法 | |
CN107895154A (zh) | 面部表情强度计算模型的形成方法及系统 | |
CN109165551B (zh) | 一种自适应加权融合显著性结构张量和lbp特征的表情识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |