CN115546192A - 牲畜数量识别方法、装置、设备及存储介质 - Google Patents

牲畜数量识别方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN115546192A
CN115546192A CN202211366906.6A CN202211366906A CN115546192A CN 115546192 A CN115546192 A CN 115546192A CN 202211366906 A CN202211366906 A CN 202211366906A CN 115546192 A CN115546192 A CN 115546192A
Authority
CN
China
Prior art keywords
livestock
image
detection
preset
identified
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.)
Granted
Application number
CN202211366906.6A
Other languages
English (en)
Other versions
CN115546192B (zh
Inventor
尹高
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Property and Casualty Insurance Company of China Ltd
Original Assignee
Ping An Property and Casualty Insurance Company of China Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Property and Casualty Insurance Company of China Ltd filed Critical Ping An Property and Casualty Insurance Company of China Ltd
Priority to CN202211366906.6A priority Critical patent/CN115546192B/zh
Publication of CN115546192A publication Critical patent/CN115546192A/zh
Application granted granted Critical
Publication of CN115546192B publication Critical patent/CN115546192B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30242—Counting objects in image
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/70—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in livestock or poultry

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及人工智能，提供一种牲畜数量识别方法、装置、设备及存储介质。该方法获取待识别牲畜圈内在不同拍摄时刻的多张待识别图像，对每张待识别图像进行识别处理，得到牲畜检测框及检测坐标信息，根据检测坐标信息计算预测位置信息，根据牲畜检测框及预测位置信息计算代价矩阵，并更新预设跟踪池，基于目标图像构建第一预设索引列表及第二预设索引列表，基于更新后的预设跟踪池中的跟踪对象、第一预设索引列表及第二预设索引列表能够有效并准确的识别出牲畜数量。此外，本发明还涉及区块链技术，所述牲畜数量可存储于区块链中。

Description

牲畜数量识别方法、装置、设备及存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种牲畜数量识别方法、装置、设备及存储介质。
背景技术
在实际的理赔业务中，由于人为点数的难度大、牲畜防疫要求严、偏远地区网络差等原因，造成养殖险存在严重的投保率低，理赔率高等问题，为此，牲畜数量自动清点系统应运而生。
然而，在目前的牲畜数量自动清点方式中，存在牲畜重复计数、漏检等问题，从而无法确定出有效的牲畜数量，造成无法进行准确的理赔。
发明内容
鉴于以上内容，有必要提供一种牲畜数量识别方法、装置、设备及存储介质，能够解决无法确定出有效的牲畜数量的技术问题。
一方面，本发明提出一种牲畜数量识别方法，所述牲畜数量识别方法包括：
响应于牲畜数量的识别请求，根据所述识别请求获取待识别牲畜圈内在不同拍摄时刻的多张待识别图像；
基于预先训练完成的牲畜检测模型对每张待识别图像进行识别处理，得到每个牲畜检测对象在每张待识别图像中的牲畜检测框及所述牲畜检测框的检测坐标信息；
根据所述检测坐标信息迭代计算第一拍摄时刻的待识别图像中每个牲畜检测对象在第二拍摄时刻的待识别图像中的预测位置信息，所述第一拍摄时刻小于所述第二拍摄时刻；
根据所述牲畜检测框及所述预测位置信息计算代价矩阵；
基于所述代价矩阵更新预设跟踪池；
基于所述多张待识别图像中的目标图像构建第一预设索引列表及第二预设索引列表；
基于更新后的预设跟踪池中的跟踪对象、所述第一预设索引列表及所述第二预设索引列表识别所述待识别牲畜圈内的牲畜数量。
根据本发明优选实施例，所述牲畜检测模型包括输入网络、特征提取网络及检测网络，所述基于预先训练完成的牲畜检测模型对每张待识别图像进行识别处理，得到每个牲畜检测对象在每张待识别图像中的牲畜检测框及所述牲畜检测框的检测坐标信息包括：
对每张待识别图像进行图像变换处理，得到多张输入图像；
获取所述输入网络的尺寸阈值；
基于所述尺寸阈值及每张输入图像的图像尺寸对所述多张输入图像进行变换处理，得到与所述多张输入图像对应的多张变换图像；
根据每张变换图像的像素信息构建图像矩阵；
基于所述特征提取网络对多个所述图像矩阵进行特征提取并融合处理，得到图像特征；
将所述图像特征输入至所述检测网络进行预测，得到多个所述牲畜检测框及对应的所述检测坐标信息。
根据本发明优选实施例，所述预测位置信息的计算公式为：
Figure 100002_DEST_PATH_IMAGE001
其中，
Figure 385138DEST_PATH_IMAGE002
表示
Figure 100002_DEST_PATH_IMAGE003
拍摄时刻的待识别图像中每个牲畜检测对象在
Figure 706398DEST_PATH_IMAGE004
拍摄时刻的待识别图像中的预测位置信息，
Figure 100002_DEST_PATH_IMAGE005
表示所述
Figure 523044DEST_PATH_IMAGE003
拍摄时刻的待识别图像中的检测坐标信息，
Figure 260056DEST_PATH_IMAGE006
表示
Figure 100002_DEST_PATH_IMAGE007
拍摄时刻的待识别图像中每个牲畜检测对象在所述
Figure 580179DEST_PATH_IMAGE003
拍摄时刻的待识别图像中的预测位置信息，
Figure 10023DEST_PATH_IMAGE008
表示拍摄时刻小于或者等于所述
Figure 579545DEST_PATH_IMAGE007
拍摄时刻的所有待识别图像中的预测位置信息与对应的检测坐标信息的方差值，
Figure 100002_DEST_PATH_IMAGE009
表示拍摄时刻小于或者等于所述
Figure 642617DEST_PATH_IMAGE003
拍摄时刻的所有待识别图像中的预测位置信息与对应的检测坐标信息的方差值。
根据本发明优选实施例，所述根据所述牲畜检测框及所述预测位置信息计算代价矩阵包括：
对于每张待识别图像，根据所述预测位置信息生成牲畜预测框；
计算每个牲畜预测框与多个所述牲畜检测框的交集面积，并计算每个牲畜预测框与所述多个牲畜检测框的并集面积；
计算所述交集面积在对应的并集面积上的比值，得到每个牲畜预测框与所述多个牲畜检测框的交叠率；
基于预设数值及多个所述交叠率构建所述代价矩阵。
根据本发明优选实施例，所述牲畜预测框与牲畜预测对象对应，所述基于所述代价矩阵更新预设跟踪池包括：
基于lapjv算法计算所述代价矩阵，得到所述牲畜预测对象与所述牲畜检测对象的对象匹配结果；
从多个所述交叠率中选取每个对象匹配结果的第一匹配分数；
若所述第一匹配分数大于或者等于匹配阈值，则将所述牲畜检测对象添加至所述预设跟踪池中；
若所述第一匹配分数小于所述匹配阈值，则将所述牲畜预测对象添加至预设丢失池中，并计算所述牲畜检测对象与所述预设丢失池中存储对象的第二匹配分数；
若所述第二匹配分数大于或者等于所述匹配阈值，则将所述牲畜检测对象添加至所述预设跟踪池中；
若所述第二匹配分数小于所述匹配阈值，则检测所述牲畜检测对象是否属于新对象；
若所述牲畜检测对象属于新对象，则将所述牲畜检测对象添加至所述预设跟踪池中。
根据本发明优选实施例，所述基于所述多张待识别图像中的目标图像构建第一预设索引列表及第二预设索引列表包括：
选取最小拍摄时刻的待识别图像及最大拍摄时刻的待识别图像作为所述目标图像；
将所述目标图像中的所有牲畜检测对象的编码信息写入模板列表中，得到编码列表；
根据所述编码列表及第一预设方向生成所述第一预设索引列表，并根据所述编码列表及第二预设方向生成所述第二预设索引列表。
根据本发明优选实施例，所述基于更新后的预设跟踪池中的跟踪对象、所述第一预设索引列表及所述第二预设索引列表识别所述待识别牲畜圈内的牲畜数量包括：
识别所述第一预设索引列表中是否存储有所述跟踪对象的对象编码；
若所述第一预设索引列表中未存储有所述跟踪对象的对象编码，则检测该跟踪对象的运动方向；
若该跟踪对象的运动方向与所述第一预设方向相同，及该跟踪对象的跟踪次数大于或者等于预设次数，则将该跟踪对象的对象编码写入所述第一预设索引列表中；
若所述第一预设索引列表中存储有所述跟踪对象的对象编码，及该跟踪对象的运动方向与所述第一预设方向相同，则将该跟踪对象的对象编码从所述第一预设索引列表中删除，得到第一跟踪列表；
根据所述预设跟踪池中的跟踪对象更新所述第二预设索引列表，得到第二跟踪列表；
根据所述第一跟踪列表的第一编码数量及所述第二跟踪列表的第二编码数量生成所述牲畜数量。
另一方面，本发明还提出一种牲畜数量识别装置，所述牲畜数量识别装置包括：
获取单元，用于响应于牲畜数量的识别请求，根据所述识别请求获取待识别牲畜圈内在不同拍摄时刻的多张待识别图像；
识别单元，用于基于预先训练完成的牲畜检测模型对每张待识别图像进行识别处理，得到每个牲畜检测对象在每张待识别图像中的牲畜检测框及所述牲畜检测框的检测坐标信息；
计算单元，用于根据所述检测坐标信息迭代计算第一拍摄时刻的待识别图像中每个牲畜检测对象在第二拍摄时刻的待识别图像中的预测位置信息，所述第一拍摄时刻小于所述第二拍摄时刻；
所述计算单元，还用于根据所述牲畜检测框及所述预测位置信息计算代价矩阵；
更新单元，用于基于所述代价矩阵更新预设跟踪池；
构建单元，用于基于所述多张待识别图像中的目标图像构建第一预设索引列表及第二预设索引列表；
所述识别单元，还用于基于更新后的预设跟踪池中的跟踪对象、所述第一预设索引列表及所述第二预设索引列表识别所述待识别牲畜圈内的牲畜数量。
另一方面，本发明还提出一种电子设备，所述电子设备包括：
存储器，存储计算机可读指令；及
处理器，执行所述存储器中存储的计算机可读指令以实现所述牲畜数量识别方法。
另一方面，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现所述牲畜数量识别方法。
由以上技术方案可以看出，本申请通过所述牲畜检测模型能够提高所述牲畜检测框及所述检测坐标信息的准确性，从而提高所述代价矩阵的准确性，基于对所述代价矩阵的计算，能够在总体代价最小的前提下，实现所述牲畜预测对象与所述牲畜检测对象的分配，提高所述对象匹配结果的准确性，从而提高所述预设跟踪池的更新准确性，进而通过所述第一预设索引列表与所述跟踪对象的比较，能够避免所述待识别牲畜圈内中的牲畜出现重复计数的情况，通过分别结合所述第一预设索引列表及所述第二预设索引列表与所述跟踪对象的比较，能够避免对所述待识别牲畜圈内中的牲畜出现漏检的情况，从而能够提高所述牲畜数量的识别准确性及识别有效性。
附图说明
图1是本发明牲畜数量识别方法的较佳实施例的流程图。
图2是本发明牲畜数量识别装置的较佳实施例的功能模块图。
图3是本发明实现牲畜数量识别方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
如图1所示，是本发明牲畜数量识别方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
所述牲畜数量识别方法可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能（Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
所述牲畜数量识别方法应用于一个或者多个电子设备中，所述电子设备是一种能够按照事先设定或存储的计算机可读指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字信号处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理（Personal Digital Assistant，PDA）、游戏机、交互式网络电视（Internet Protocol Television，IPTV）、智能穿戴式设备等。
所述电子设备可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络电子设备、多个网络电子设备组成的电子设备组或基于云计算（CloudComputing）的由大量主机或网络电子设备构成的云。
所述电子设备所在的网络包括，但不限于：互联网、广域网、城域网、局域网、虚拟专用网络（Virtual Private Network，VPN）等。
S10，响应于牲畜数量的识别请求，根据所述识别请求获取待识别牲畜圈内在不同拍摄时刻的多张待识别图像。
在本发明的至少一个实施例中，所述识别请求可以由保险公司的员工触发生成。所述识别请求中携带有所述待识别牲畜圈的识别码及所述多张待识别图像的存储路径。
所述待识别牲畜圈可以是任意有购买养殖险的牲畜对象所圈养的牲畜圈。
所述多张待识别图像是指从所述待识别牲畜圈的录制视频中所抽取得到的视频帧，其中，所述录制视频是指在预设时段对所述待识别牲畜圈内进行录制后所得到的视频。
在本发明的至少一个实施例中，所述电子设备根据所述识别请求获取待识别牲畜圈内在不同拍摄时刻的多张待识别图像包括：
解析所述识别请求的请求报文，得到所述请求报文携带的数据信息；
从所述数据信息中提取所述识别码及所述存储路径；
从所述存储路径中获取与所述识别码对应的视频作为所述录制视频；
从所述录制视频中随机提取所述多张待识别图像。
通过结合所述识别码及所述存储路径，能够准确的获取到与所述待识别牲畜圈对应的录制视频，进而提高所述多张待识别图像的获取准确性。
S11，基于预先训练完成的牲畜检测模型对每张待识别图像进行识别处理，得到每个牲畜检测对象在每张待识别图像中的牲畜检测框及所述牲畜检测框的检测坐标信息。
在本发明的至少一个实施例中，所述牲畜检测模型包括输入网络、特征提取网络及检测网络。其中，所述特征提取网络包括第一提取网络及第二提取网络。所述第一提取网络是由Focus层、CBL层、CSP1_x层和SPP层串联而成。所述CBL层是由conv层、BN层和Leaky_relu激活层串联组成。所述CSP1_x层是由CBL层、residual_unit层和conv层串联后，再与conv层并联，紧接着与BN层、Leaky_relu激活层和CBL层串联而成。所述SPP层是由CBL层分别与1×1Max_pool层、5×5 Max_pool层、9×9 Max_pool层、13×13 Max_pool层串联后再合并，紧接着与CBL层串联而成。所述第二提取网络是由CBL层、CSP2_x层和upsampling层组成。其中，所述CSP2_x层是先由CBL层与conv层串联，再与conv层并联，紧接着与BN层和Leaky_relu层串联组成。
在本发明的至少一个实施例中，所述电子设备基于预先训练完成的牲畜检测模型对每张待识别图像进行识别处理，得到每个牲畜检测对象在每张待识别图像中的牲畜检测框及所述牲畜检测框的检测坐标信息包括：
对每张待识别图像进行图像变换处理，得到多张输入图像；
获取所述输入网络的尺寸阈值；
基于所述尺寸阈值及每张输入图像的图像尺寸对所述多张输入图像进行变换处理，得到与所述多张输入图像对应的多张变换图像；
根据每张变换图像的像素信息构建图像矩阵；
基于所述特征提取网络对多个所述图像矩阵进行特征提取并融合处理，得到图像特征；
将所述图像特征输入至所述检测网络进行预测，得到多个所述牲畜检测框及对应的所述检测坐标信息。
其中，所述多张输入图像是指通过不同变换方式对每张待识别图像进行处理后所得到的图像，所述变换方式可以包括，但不限于：随机缩放、随机裁剪、随机排布等方式。
所述尺寸阈值一般设置为416*416。
通过多种不同变换方式对每张待识别图像进行处理，能够提高所述图像特征的提取准确性，从而提高所述牲畜检测及所述检测坐标信息的准确性，通过所述特征提取网络对多个所述图像矩阵进行特征提取并融合处理，能够实现对所述图像特征的降参，从而提高检测效率。
具体地，所述尺寸阈值包括预设宽度阈值及预设长度阈值，所述图像尺寸包括图像宽度及图像长度，所述电子设备基于所述尺寸阈值及每张输入图像的图像尺寸对所述多张输入图像进行变换处理，得到与所述多张输入图像对应的多张变换图像包括：
计算所述预设宽度阈值在所述图像宽度上的比值，得到第一比值，并计算所述预设长度阈值在所述图像长度上的比值，得到第二比值；
从所述第一比值及所述第二比值中选取取值最小的比值作为缩放系数；
基于所述缩放系数对所述输入图像进行缩放处理，得到初始图像；
基于所述尺寸阈值对所述初始图像进行填充处理，得到所述变换图像。
通过选取所述缩放系数，不仅能够确保所述变换图像中包含由所述输入图像中的所有图像信息，还能够避免对所述初始图像进行过多的填充，提高所述变换图像的生成效率。
S12，根据所述检测坐标信息迭代计算第一拍摄时刻的待识别图像中每个牲畜检测对象在第二拍摄时刻的待识别图像中的预测位置信息，所述第一拍摄时刻小于所述第二拍摄时刻。
在本发明的至少一个实施例中，所述预测位置信息是指对所述第一拍摄时刻的待识别图像中的每个牲畜检测对象在所述第二拍摄时刻所处的位置的预测。
在本发明的至少一个实施例中，所述预测位置信息的计算公式为：
Figure 286088DEST_PATH_IMAGE001
其中，
Figure 949151DEST_PATH_IMAGE002
表示
Figure 678072DEST_PATH_IMAGE003
拍摄时刻的待识别图像中每个牲畜检测对象在
Figure 819204DEST_PATH_IMAGE004
拍摄时刻的待识别图像中的预测位置信息，
Figure 317181DEST_PATH_IMAGE005
表示所述
Figure 885566DEST_PATH_IMAGE003
拍摄时刻的待识别图像中的检测坐标信息，
Figure 836204DEST_PATH_IMAGE006
表示
Figure 46606DEST_PATH_IMAGE007
拍摄时刻的待识别图像中每个牲畜检测对象在所述
Figure 399090DEST_PATH_IMAGE003
拍摄时刻的待识别图像中的预测位置信息，
Figure 403955DEST_PATH_IMAGE008
表示拍摄时刻小于或者等于所述
Figure 841889DEST_PATH_IMAGE007
拍摄时刻的所有待识别图像中的预测位置信息与对应的检测坐标信息的方差值，
Figure 324823DEST_PATH_IMAGE009
表示拍摄时刻小于或者等于所述
Figure 797393DEST_PATH_IMAGE003
拍摄时刻的所有待识别图像中的预测位置信息与对应的检测坐标信息的方差值。
通过上述实施方式，由于在预测时并不需要记录很多系统过去的状态，只需要知道上一状态的预测结果的方差值即可，因此能够实时的动态预测出所述预测位置信息。
本实施例中，拍摄时刻最小的待识别图像中每个牲畜检测对象在最小拍摄时刻的下一帧所对应的待识别图像中的预测位置信息与所述最小拍摄时刻的下一帧所对应的待识别图像中的检测坐标信息相等。
S13，根据所述牲畜检测框及所述预测位置信息计算代价矩阵。
在本发明的至少一个实施例中，所述代价矩阵是基于预设数值、所述牲畜检测框及所述预测位置信息所对应的牲畜预测框所构建的。其中，所述预设数值通常设定为1。
在本发明的至少一个实施例中，所述电子设备根据所述牲畜检测框及所述预测位置信息计算代价矩阵包括：
对于每张待识别图像，根据所述预测位置信息生成牲畜预测框；
计算每个牲畜预测框与多个所述牲畜检测框的交集面积，并计算每个牲畜预测框与所述多个牲畜检测框的并集面积；
计算所述交集面积在对应的并集面积上的比值，得到每个牲畜预测框与所述多个牲畜检测框的交叠率；
基于预设数值及多个所述交叠率构建所述代价矩阵。
例如，所述多个牲畜检测框包括A检测框、B检测框和C检测框，所述多个牲畜预测框包括D预测框和E预测框，所述预设数值为1，所述A检测框与所述D预测框的交叠率为x，所述A检测框与所述E预测框的交叠率为y，所述B检测框与所述D预测框的交叠率为z，所述B检测框与所述E预测框的交叠率为k，所述C检测框与所述D预测框的交叠率为w，所述C检测框与所述E预测框的交叠率为t，则所述代价矩阵可以为
Figure 910842DEST_PATH_IMAGE010
。
通过每个牲畜预测框与多个所述牲畜检测框的交集面积及并集面积，能够准确的确定出表征对象匹配结果的交叠率，进而基于所述预设数值能够准确的构建出所述代价矩阵。
S14，基于所述代价矩阵更新预设跟踪池。
在本发明的至少一个实施例中，在初始化时，所述预设跟踪池中存储有所述最小拍摄时刻的待识别图像中的牲畜检测对象。
在本发明的至少一个实施例中，所述牲畜预测框与牲畜预测对象对应，所述电子设备基于所述代价矩阵更新预设跟踪池包括：
基于lapjv算法计算所述代价矩阵，得到所述牲畜预测对象与所述牲畜检测对象的对象匹配结果；
从多个所述交叠率中选取每个对象匹配结果的第一匹配分数；
若所述第一匹配分数大于或者等于匹配阈值，则将所述牲畜检测对象添加至所述预设跟踪池中；
若所述第一匹配分数小于所述匹配阈值，则将所述牲畜预测对象添加至预设丢失池中，并计算所述牲畜检测对象与所述预设丢失池中存储对象的第二匹配分数；
若所述第二匹配分数大于或者等于所述匹配阈值，则将所述牲畜检测对象添加至所述预设跟踪池中；
若所述第二匹配分数小于所述匹配阈值，则检测所述牲畜检测对象是否属于新对象；
若所述牲畜检测对象属于新对象，则将所述牲畜检测对象添加至所述预设跟踪池中。
其中，所述lapjv算法是指以总体最小代价实现任务分配，且不会重复分配的一种算法。
所述匹配阈值可以根据实际需求设定，例如，所述匹配阈值为0.8。
通过在所述第一匹配分数小于所述匹配阈值时，重新捕获所述预设丢失池中存储对象进行比较，能够实现跟踪的连续性，从而提高所述预设跟踪池的全面性。
具体地，所述电子设备检测所述牲畜检测对象的编码与预设跟踪对象的跟踪编码进行比较，若所述牲畜检测对象的编码与所述跟踪编码均不同，则确定所述牲畜检测对象属于新对象。
本实施例中，所述电子设备计算所述牲畜检测对象与所述预设丢失池中存储对象的第二匹配分数的方式与所述电子设备计算所述第一匹配分数的方式相似，本申请对此不再赘述。
S15，基于所述多张待识别图像中的目标图像构建第一预设索引列表及第二预设索引列表。
在本发明的至少一个实施例中，所述目标对象是指最小拍摄时刻的待识别图像及最大拍摄时刻的待识别图像。
在本发明的至少一个实施例中，所述电子设备基于所述多张待识别图像中的目标图像构建第一预设索引列表及第二预设索引列表包括：
选取最小拍摄时刻的待识别图像及最大拍摄时刻的待识别图像作为所述目标图像；
将所述目标图像中的所有牲畜检测对象的编码信息写入模板列表中，得到编码列表；
根据所述编码列表及第一预设方向生成所述第一预设索引列表，并根据所述编码列表及第二预设方向生成所述第二预设索引列表。
通过所述最小拍摄时刻及所述最大拍摄时刻能够从所述多张待识别图像中准确的选取到所述目标图像，进而提高所述第一预设索引列表及所述第二预设索引列表的构建准确性。
S16，基于更新后的预设跟踪池中的跟踪对象、所述第一预设索引列表及所述第二预设索引列表识别所述待识别牲畜圈内的牲畜数量。
需要强调的是，为进一步保证上述牲畜数量的私密和安全性，上述牲畜数量还可以存储于一区块链的节点中。
在本发明的至少一个实施例中，所述跟踪对象是指所述更新后的预设跟踪池中存储的对象。所述牲畜数量是指所述待识别牲畜圈内的运动牲畜对象所对应的数量。需要说明的是，所述运动牲畜对象是指有效的牲畜，所述运动牲畜对象无需进行理赔。
在本发明的至少一个实施例中，所述电子设备基于更新后的预设跟踪池中的跟踪对象、所述第一预设索引列表及所述第二预设索引列表识别所述待识别牲畜圈内的牲畜数量包括：
识别所述第一预设索引列表中是否存储有所述跟踪对象的对象编码；
若所述第一预设索引列表中未存储有所述跟踪对象的对象编码，则检测该跟踪对象的运动方向；
若该跟踪对象的运动方向与所述第一预设方向相同，及该跟踪对象的跟踪次数大于或者等于预设次数，则将该跟踪对象的对象编码写入所述第一预设索引列表中；
若所述第一预设索引列表中存储有所述跟踪对象的对象编码，及该跟踪对象的运动方向与所述第一预设方向相同，则将该跟踪对象的对象编码从所述第一预设索引列表中删除，得到第一跟踪列表；
根据所述预设跟踪池中的跟踪对象更新所述第二预设索引列表，得到第二跟踪列表；
根据所述第一跟踪列表的第一编码数量及所述第二跟踪列表的第二编码数量生成所述牲畜数量。
其中，所述运动方向可以根据所述跟踪对象在每张待识别图像中的牲畜检测框所对应的检测坐标信息确定。
所述跟踪次数可以根据所述跟踪对象在所述多张待识别图像中出现的次数确定。
所述预设次数可以根据所述跟踪对象的运动速率及所述多张待识别图像的抽帧率确定，所述抽帧率是指所述多张待识别图像的图像数量与所述录制视频中图像总量的比值。
通过结合所述第一预设索引列表与所述对象编码的检测结果，所述运动方向与所述第一预设方向的比较结果，及所述跟踪次数与所述预设次数的比较结果，能够准确的对所述第一预设索引列表进行更新，提高第一跟踪列表的准确性，进一步通过结合所述第一跟踪列表及所述第二跟踪列表能够准确的确定出运动牲畜对象的牲畜数量，提高了所述牲畜数量的有效性。
本实施例中，所述第二跟踪列表的生成方式与所述第一跟踪列表的生成方式相似，本申请对此不再赘述。
具体地，所述电子设备从所述第一编码数量及所述第二编码数量中选取取值最大的数值作为所述牲畜数量。
通过选取取值最大的数值作为所述牲畜数量，能够避免对所述待识别牲畜圈内中的牲畜出现漏检的情况。
由以上技术方案可以看出，本申请通过所述牲畜检测模型能够提高所述牲畜检测框及所述检测坐标信息的准确性，从而提高所述代价矩阵的准确性，基于对所述代价矩阵的计算，能够在总体代价最小的前提下，实现所述牲畜预测对象与所述牲畜检测对象的分配，提高所述对象匹配结果的准确性，从而提高所述预设跟踪池的更新准确性，进而通过所述第一预设索引列表与所述跟踪对象的比较，能够避免所述待识别牲畜圈内中的牲畜出现重复计数的情况，通过分别结合所述第一预设索引列表及所述第二预设索引列表与所述跟踪对象的比较，能够避免对所述待识别牲畜圈内中的牲畜出现漏检的情况，从而能够提高所述牲畜数量的识别准确性及识别有效性。
如图2所示，是本发明牲畜数量识别装置的较佳实施例的功能模块图。所述牲畜数量识别装置11包括获取单元110、识别单元111、计算单元112、更新单元113及构建单元114。本发明所称的模块/单元是指一种能够被处理器13所获取，并且能够完成固定功能的一系列计算机可读指令段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
响应于牲畜数量的识别请求，获取单元110根据所述识别请求获取待识别牲畜圈内在不同拍摄时刻的多张待识别图像。
在本发明的至少一个实施例中，所述识别请求可以由保险公司的员工触发生成。所述识别请求中携带有所述待识别牲畜圈的识别码及所述多张待识别图像的存储路径。
所述待识别牲畜圈可以是任意有购买养殖险的牲畜对象所圈养的牲畜圈。
所述多张待识别图像是指从所述待识别牲畜圈的录制视频中所抽取得到的视频帧，其中，所述录制视频是指在预设时段对所述待识别牲畜圈内进行录制后所得到的视频。
在本发明的至少一个实施例中，所述获取单元110根据所述识别请求获取待识别牲畜圈内在不同拍摄时刻的多张待识别图像包括：
解析所述识别请求的请求报文，得到所述请求报文携带的数据信息；
从所述数据信息中提取所述识别码及所述存储路径；
从所述存储路径中获取与所述识别码对应的视频作为所述录制视频；
从所述录制视频中随机提取所述多张待识别图像。
通过结合所述识别码及所述存储路径，能够准确的获取到与所述待识别牲畜圈对应的录制视频，进而提高所述多张待识别图像的获取准确性。
识别单元111基于预先训练完成的牲畜检测模型对每张待识别图像进行识别处理，得到每个牲畜检测对象在每张待识别图像中的牲畜检测框及所述牲畜检测框的检测坐标信息。
在本发明的至少一个实施例中，所述牲畜检测模型包括输入网络、特征提取网络及检测网络。其中，所述特征提取网络包括第一提取网络及第二提取网络。所述第一提取网络是由Focus层、CBL层、CSP1_x层和SPP层串联而成。所述CBL层是由conv层、BN层和Leaky_relu激活层串联组成。所述CSP1_x层是由CBL层、residual_unit层和conv层串联后，再与conv层并联，紧接着与BN层、Leaky_relu激活层和CBL层串联而成。所述SPP层是由CBL层分别与1×1Max_pool层、5×5 Max_pool层、9×9 Max_pool层、13×13 Max_pool层串联后再合并，紧接着与CBL层串联而成。所述第二提取网络是由CBL层、CSP2_x层和upsampling层组成。其中，所述CSP2_x层是先由CBL层与conv层串联，再与conv层并联，紧接着与BN层和Leaky_relu层串联组成。
在本发明的至少一个实施例中，所述识别单元111基于预先训练完成的牲畜检测模型对每张待识别图像进行识别处理，得到每个牲畜检测对象在每张待识别图像中的牲畜检测框及所述牲畜检测框的检测坐标信息包括：
对每张待识别图像进行图像变换处理，得到多张输入图像；
获取所述输入网络的尺寸阈值；
基于所述尺寸阈值及每张输入图像的图像尺寸对所述多张输入图像进行变换处理，得到与所述多张输入图像对应的多张变换图像；
根据每张变换图像的像素信息构建图像矩阵；
基于所述特征提取网络对多个所述图像矩阵进行特征提取并融合处理，得到图像特征；
将所述图像特征输入至所述检测网络进行预测，得到多个所述牲畜检测框及对应的所述检测坐标信息。
其中，所述多张输入图像是指通过不同变换方式对每张待识别图像进行处理后所得到的图像，所述变换方式可以包括，但不限于：随机缩放、随机裁剪、随机排布等方式。
所述尺寸阈值一般设置为416*416。
通过多种不同变换方式对每张待识别图像进行处理，能够提高所述图像特征的提取准确性，从而提高所述牲畜检测及所述检测坐标信息的准确性，通过所述特征提取网络对多个所述图像矩阵进行特征提取并融合处理，能够实现对所述图像特征的降参，从而提高检测效率。
具体地，所述尺寸阈值包括预设宽度阈值及预设长度阈值，所述图像尺寸包括图像宽度及图像长度，所述识别单元111基于所述尺寸阈值及每张输入图像的图像尺寸对所述多张输入图像进行变换处理，得到与所述多张输入图像对应的多张变换图像包括：
计算所述预设宽度阈值在所述图像宽度上的比值，得到第一比值，并计算所述预设长度阈值在所述图像长度上的比值，得到第二比值；
从所述第一比值及所述第二比值中选取取值最小的比值作为缩放系数；
基于所述缩放系数对所述输入图像进行缩放处理，得到初始图像；
基于所述尺寸阈值对所述初始图像进行填充处理，得到所述变换图像。
通过选取所述缩放系数，不仅能够确保所述变换图像中包含由所述输入图像中的所有图像信息，还能够避免对所述初始图像进行过多的填充，提高所述变换图像的生成效率。
计算单元112根据所述检测坐标信息迭代计算第一拍摄时刻的待识别图像中每个牲畜检测对象在第二拍摄时刻的待识别图像中的预测位置信息，所述第一拍摄时刻小于所述第二拍摄时刻。
在本发明的至少一个实施例中，所述预测位置信息是指对所述第一拍摄时刻的待识别图像中的每个牲畜检测对象在所述第二拍摄时刻所处的位置的预测。
在本发明的至少一个实施例中，所述预测位置信息的计算公式为：
Figure 698057DEST_PATH_IMAGE001
其中，
Figure 250261DEST_PATH_IMAGE002
表示
Figure 311758DEST_PATH_IMAGE003
拍摄时刻的待识别图像中每个牲畜检测对象在
Figure 596109DEST_PATH_IMAGE004
拍摄时刻的待识别图像中的预测位置信息，
Figure 70953DEST_PATH_IMAGE005
表示所述
Figure 98952DEST_PATH_IMAGE003
拍摄时刻的待识别图像中的检测坐标信息，
Figure 405168DEST_PATH_IMAGE006
表示
Figure 594841DEST_PATH_IMAGE007
拍摄时刻的待识别图像中每个牲畜检测对象在所述
Figure 494664DEST_PATH_IMAGE003
拍摄时刻的待识别图像中的预测位置信息，
Figure 123091DEST_PATH_IMAGE008
表示拍摄时刻小于或者等于所述
Figure 159180DEST_PATH_IMAGE007
拍摄时刻的所有待识别图像中的预测位置信息与对应的检测坐标信息的方差值，
Figure 644388DEST_PATH_IMAGE009
表示拍摄时刻小于或者等于所述
Figure 31507DEST_PATH_IMAGE003
拍摄时刻的所有待识别图像中的预测位置信息与对应的检测坐标信息的方差值。
通过上述实施方式，由于在预测时并不需要记录很多系统过去的状态，只需要知道上一状态的预测结果的方差值即可，因此能够实时的动态预测出所述预测位置信息。
本实施例中，拍摄时刻最小的待识别图像中每个牲畜检测对象在最小拍摄时刻的下一帧所对应的待识别图像中的预测位置信息与所述最小拍摄时刻的下一帧所对应的待识别图像中的检测坐标信息相等。
所述计算单元112根据所述牲畜检测框及所述预测位置信息计算代价矩阵。
在本发明的至少一个实施例中，所述代价矩阵是基于预设数值、所述牲畜检测框及所述预测位置信息所对应的牲畜预测框所构建的。其中，所述预设数值通常设定为1。
在本发明的至少一个实施例中，所述计算单元112根据所述牲畜检测框及所述预测位置信息计算代价矩阵包括：
对于每张待识别图像，根据所述预测位置信息生成牲畜预测框；
计算每个牲畜预测框与多个所述牲畜检测框的交集面积，并计算每个牲畜预测框与所述多个牲畜检测框的并集面积；
计算所述交集面积在对应的并集面积上的比值，得到每个牲畜预测框与所述多个牲畜检测框的交叠率；
基于预设数值及多个所述交叠率构建所述代价矩阵。
例如，所述多个牲畜检测框包括A检测框、B检测框和C检测框，所述多个牲畜预测框包括D预测框和E预测框，所述预设数值为1，所述A检测框与所述D预测框的交叠率为x，所述A检测框与所述E预测框的交叠率为y，所述B检测框与所述D预测框的交叠率为z，所述B检测框与所述E预测框的交叠率为k，所述C检测框与所述D预测框的交叠率为w，所述C检测框与所述E预测框的交叠率为t，则所述代价矩阵可以为
Figure 466555DEST_PATH_IMAGE010
。
通过每个牲畜预测框与多个所述牲畜检测框的交集面积及并集面积，能够准确的确定出表征对象匹配结果的交叠率，进而基于所述预设数值能够准确的构建出所述代价矩阵。
更新单元113基于所述代价矩阵更新预设跟踪池。
在本发明的至少一个实施例中，在初始化时，所述预设跟踪池中存储有所述最小拍摄时刻的待识别图像中的牲畜检测对象。
在本发明的至少一个实施例中，所述牲畜预测框与牲畜预测对象对应，所述更新单元113基于所述代价矩阵更新预设跟踪池包括：
基于lapjv算法计算所述代价矩阵，得到所述牲畜预测对象与所述牲畜检测对象的对象匹配结果；
从多个所述交叠率中选取每个对象匹配结果的第一匹配分数；
若所述第一匹配分数大于或者等于匹配阈值，则将所述牲畜检测对象添加至所述预设跟踪池中；
若所述第一匹配分数小于所述匹配阈值，则将所述牲畜预测对象添加至预设丢失池中，并计算所述牲畜检测对象与所述预设丢失池中存储对象的第二匹配分数；
若所述第二匹配分数大于或者等于所述匹配阈值，则将所述牲畜检测对象添加至所述预设跟踪池中；
若所述第二匹配分数小于所述匹配阈值，则检测所述牲畜检测对象是否属于新对象；
若所述牲畜检测对象属于新对象，则将所述牲畜检测对象添加至所述预设跟踪池中。
其中，所述lapjv算法是指以总体最小代价实现任务分配，且不会重复分配的一种算法。
所述匹配阈值可以根据实际需求设定，例如，所述匹配阈值为0.8。
通过在所述第一匹配分数小于所述匹配阈值时，重新捕获所述预设丢失池中存储对象进行比较，能够实现跟踪的连续性，从而提高所述预设跟踪池的全面性。
具体地，所述更新单元113检测所述牲畜检测对象的编码与预设跟踪对象的跟踪编码进行比较，若所述牲畜检测对象的编码与所述跟踪编码均不同，则确定所述牲畜检测对象属于新对象。
本实施例中，所述更新单元113计算所述牲畜检测对象与所述预设丢失池中存储对象的第二匹配分数的方式与所述第一匹配分数的方式相似，本申请对此不再赘述。
构建单元114基于所述多张待识别图像中的目标图像构建第一预设索引列表及第二预设索引列表。
在本发明的至少一个实施例中，所述目标对象是指最小拍摄时刻的待识别图像及最大拍摄时刻的待识别图像。
在本发明的至少一个实施例中，所述构建单元114基于所述多张待识别图像中的目标图像构建第一预设索引列表及第二预设索引列表包括：
选取最小拍摄时刻的待识别图像及最大拍摄时刻的待识别图像作为所述目标图像；
将所述目标图像中的所有牲畜检测对象的编码信息写入模板列表中，得到编码列表；
根据所述编码列表及第一预设方向生成所述第一预设索引列表，并根据所述编码列表及第二预设方向生成所述第二预设索引列表。
通过所述最小拍摄时刻及所述最大拍摄时刻能够从所述多张待识别图像中准确的选取到所述目标图像，进而提高所述第一预设索引列表及所述第二预设索引列表的构建准确性。
所述识别单元111基于更新后的预设跟踪池中的跟踪对象、所述第一预设索引列表及所述第二预设索引列表识别所述待识别牲畜圈内的牲畜数量。
需要强调的是，为进一步保证上述牲畜数量的私密和安全性，上述牲畜数量还可以存储于一区块链的节点中。
在本发明的至少一个实施例中，所述跟踪对象是指所述更新后的预设跟踪池中存储的对象。所述牲畜数量是指所述待识别牲畜圈内的运动牲畜对象所对应的数量。需要说明的是，所述运动牲畜对象是指有效的牲畜，所述运动牲畜对象无需进行理赔。
在本发明的至少一个实施例中，所述识别单元111基于更新后的预设跟踪池中的跟踪对象、所述第一预设索引列表及所述第二预设索引列表识别所述待识别牲畜圈内的牲畜数量包括：
识别所述第一预设索引列表中是否存储有所述跟踪对象的对象编码；
若所述第一预设索引列表中未存储有所述跟踪对象的对象编码，则检测该跟踪对象的运动方向；
若该跟踪对象的运动方向与所述第一预设方向相同，及该跟踪对象的跟踪次数大于或者等于预设次数，则将该跟踪对象的对象编码写入所述第一预设索引列表中；
若所述第一预设索引列表中存储有所述跟踪对象的对象编码，及该跟踪对象的运动方向与所述第一预设方向相同，则将该跟踪对象的对象编码从所述第一预设索引列表中删除，得到第一跟踪列表；
根据所述预设跟踪池中的跟踪对象更新所述第二预设索引列表，得到第二跟踪列表；
根据所述第一跟踪列表的第一编码数量及所述第二跟踪列表的第二编码数量生成所述牲畜数量。
其中，所述运动方向可以根据所述跟踪对象在每张待识别图像中的牲畜检测框所对应的检测坐标信息确定。
所述跟踪次数可以根据所述跟踪对象在所述多张待识别图像中出现的次数确定。
所述预设次数可以根据所述跟踪对象的运动速率及所述多张待识别图像的抽帧率确定，所述抽帧率是指所述多张待识别图像的图像数量与所述录制视频中图像总量的比值。
通过结合所述第一预设索引列表与所述对象编码的检测结果，所述运动方向与所述第一预设方向的比较结果，及所述跟踪次数与所述预设次数的比较结果，能够准确的对所述第一预设索引列表进行更新，提高第一跟踪列表的准确性，进一步通过结合所述第一跟踪列表及所述第二跟踪列表能够准确的确定出运动牲畜对象的牲畜数量，提高了所述牲畜数量的有效性。
本实施例中，所述第二跟踪列表的生成方式与所述第一跟踪列表的生成方式相似，本申请对此不再赘述。
具体地，所述识别单元111从所述第一编码数量及所述第二编码数量中选取取值最大的数值作为所述牲畜数量。
通过选取取值最大的数值作为所述牲畜数量，能够避免对所述待识别牲畜圈内中的牲畜出现漏检的情况。
由以上技术方案可以看出，本申请通过所述牲畜检测模型能够提高所述牲畜检测框及所述检测坐标信息的准确性，从而提高所述代价矩阵的准确性，基于对所述代价矩阵的计算，能够在总体代价最小的前提下，实现所述牲畜预测对象与所述牲畜检测对象的分配，提高所述对象匹配结果的准确性，从而提高所述预设跟踪池的更新准确性，进而通过所述第一预设索引列表与所述跟踪对象的比较，能够避免所述待识别牲畜圈内中的牲畜出现重复计数的情况，通过分别结合所述第一预设索引列表及所述第二预设索引列表与所述跟踪对象的比较，能够避免对所述待识别牲畜圈内中的牲畜出现漏检的情况，从而能够提高所述牲畜数量的识别准确性及识别有效性。
如图3所示，是本发明实现牲畜数量识别方法的较佳实施例的电子设备的结构示意图。
在本发明的一个实施例中，所述电子设备1包括，但不限于，存储器12、处理器13，以及存储在所述存储器12中并可在所述处理器13上运行的计算机可读指令，例如牲畜数量识别程序。
本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。
所述处理器13可以是中央处理单元(Central Processing Unit，CPU)，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。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，所述处理器13是所述电子设备1的运算核心和控制中心，利用各种接口和线路连接整个电子设备1的各个部分，及执行所述电子设备1的操作系统以及安装的各类应用程序、程序代码等。
示例性的，所述计算机可读指令可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该计算机可读指令段用于描述所述计算机可读指令在所述电子设备1中的执行过程。例如，所述计算机可读指令可以被分割成获取单元110、识别单元111、计算单元112、更新单元113及构建单元114。
所述存储器12可用于存储所述计算机可读指令和/或模块，所述处理器13通过运行或执行存储在所述存储器12内的计算机可读指令和/或模块，以及调用存储在存储器12内的数据，实现所述电子设备1的各种功能。所述存储器12可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据电子设备的使用所创建的数据等。存储器12可以包括非易失性和易失性存储器，例如：硬盘、内存、插接式硬盘，智能存储卡（SmartMedia Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他存储器件。
所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地，所述存储器12可以是具有实物形式的存储器，如内存条、TF卡（Trans-flash Card）等等。
所述电子设备1集成的模块/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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机可读指令来指令相关的硬件来完成，所述的计算机可读指令可存储于一计算机可读存储介质中，该计算机可读指令在被处理器执行时，可实现上述各个方法实施例的步骤。
其中，所述计算机可读指令包括计算机可读指令代码，所述计算机可读指令代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机可读指令代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）。
本发明所指区块链是分布式牲畜数量识别、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
结合图1，所述电子设备1中的所述存储器12存储计算机可读指令实现一种牲畜数量识别方法，所述处理器13可执行所述计算机可读指令从而实现：
响应于牲畜数量的识别请求，根据所述识别请求获取待识别牲畜圈内在不同拍摄时刻的多张待识别图像；
基于预先训练完成的牲畜检测模型对每张待识别图像进行识别处理，得到每个牲畜检测对象在每张待识别图像中的牲畜检测框及所述牲畜检测框的检测坐标信息；
根据所述检测坐标信息迭代计算第一拍摄时刻的待识别图像中每个牲畜检测对象在第二拍摄时刻的待识别图像中的预测位置信息，所述第一拍摄时刻小于所述第二拍摄时刻；
根据所述牲畜检测框及所述预测位置信息计算代价矩阵；
基于所述代价矩阵更新预设跟踪池；
基于所述多张待识别图像中的目标图像构建第一预设索引列表及第二预设索引列表；
基于更新后的预设跟踪池中的跟踪对象、所述第一预设索引列表及所述第二预设索引列表识别所述待识别牲畜圈内的牲畜数量。
具体地，所述处理器13对上述计算机可读指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述计算机可读存储介质上存储有计算机可读指令，其中，所述计算机可读指令被处理器13执行时用以实现以下步骤：
响应于牲畜数量的识别请求，根据所述识别请求获取待识别牲畜圈内在不同拍摄时刻的多张待识别图像；
基于预先训练完成的牲畜检测模型对每张待识别图像进行识别处理，得到每个牲畜检测对象在每张待识别图像中的牲畜检测框及所述牲畜检测框的检测坐标信息；
根据所述检测坐标信息迭代计算第一拍摄时刻的待识别图像中每个牲畜检测对象在第二拍摄时刻的待识别图像中的预测位置信息，所述第一拍摄时刻小于所述第二拍摄时刻；
根据所述牲畜检测框及所述预测位置信息计算代价矩阵；
基于所述代价矩阵更新预设跟踪池；
基于所述多张待识别图像中的目标图像构建第一预设索引列表及第二预设索引列表；
基于更新后的预设跟踪池中的跟踪对象、所述第一预设索引列表及所述第二预设索引列表识别所述待识别牲畜圈内的牲畜数量。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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网络单元上。可以根据实际的需要选择其中的部分或者全部模块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模块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，也可以采用硬件加软件功能模块的形式实现。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。所述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种牲畜数量识别方法，其特征在于，所述牲畜数量识别方法包括：
响应于牲畜数量的识别请求，根据所述识别请求获取待识别牲畜圈内在不同拍摄时刻的多张待识别图像；
基于预先训练完成的牲畜检测模型对每张待识别图像进行识别处理，得到每个牲畜检测对象在每张待识别图像中的牲畜检测框及所述牲畜检测框的检测坐标信息；
根据所述检测坐标信息迭代计算第一拍摄时刻的待识别图像中每个牲畜检测对象在第二拍摄时刻的待识别图像中的预测位置信息，所述第一拍摄时刻小于所述第二拍摄时刻；
根据所述牲畜检测框及所述预测位置信息计算代价矩阵；
基于所述代价矩阵更新预设跟踪池；
基于所述多张待识别图像中的目标图像构建第一预设索引列表及第二预设索引列表；
基于更新后的预设跟踪池中的跟踪对象、所述第一预设索引列表及所述第二预设索引列表识别所述待识别牲畜圈内的牲畜数量。
2.如权利要求1所述的牲畜数量识别方法，其特征在于，所述牲畜检测模型包括输入网络、特征提取网络及检测网络，所述基于预先训练完成的牲畜检测模型对每张待识别图像进行识别处理，得到每个牲畜检测对象在每张待识别图像中的牲畜检测框及所述牲畜检测框的检测坐标信息包括：
对每张待识别图像进行图像变换处理，得到多张输入图像；
获取所述输入网络的尺寸阈值；
基于所述尺寸阈值及每张输入图像的图像尺寸对所述多张输入图像进行变换处理，得到与所述多张输入图像对应的多张变换图像；
根据每张变换图像的像素信息构建图像矩阵；
基于所述特征提取网络对多个所述图像矩阵进行特征提取并融合处理，得到图像特征；
将所述图像特征输入至所述检测网络进行预测，得到多个所述牲畜检测框及对应的所述检测坐标信息。
3.如权利要求1所述的牲畜数量识别方法，其特征在于，所述预测位置信息的计算公式为：
Figure DEST_PATH_IMAGE001
其中，
Figure 983593DEST_PATH_IMAGE002
表示
Figure DEST_PATH_IMAGE003
拍摄时刻的待识别图像中每个牲畜检测对象在
Figure 963050DEST_PATH_IMAGE004
拍摄时刻的待识别图像中的预测位置信息，
Figure DEST_PATH_IMAGE005
表示所述
Figure 539525DEST_PATH_IMAGE003
拍摄时刻的待识别图像中的检测坐标信息，
Figure 934735DEST_PATH_IMAGE006
表示
Figure DEST_PATH_IMAGE007
拍摄时刻的待识别图像中每个牲畜检测对象在所述
Figure 873741DEST_PATH_IMAGE003
拍摄时刻的待识别图像中的预测位置信息，
Figure 758520DEST_PATH_IMAGE008
表示拍摄时刻小于或者等于所述
Figure 25553DEST_PATH_IMAGE007
拍摄时刻的所有待识别图像中的预测位置信息与对应的检测坐标信息的方差值，
Figure DEST_PATH_IMAGE009
表示拍摄时刻小于或者等于所述
Figure 286770DEST_PATH_IMAGE003
拍摄时刻的所有待识别图像中的预测位置信息与对应的检测坐标信息的方差值。
4.如权利要求1所述的牲畜数量识别方法，其特征在于，所述根据所述牲畜检测框及所述预测位置信息计算代价矩阵包括：
对于每张待识别图像，根据所述预测位置信息生成牲畜预测框；
计算每个牲畜预测框与多个所述牲畜检测框的交集面积，并计算每个牲畜预测框与所述多个牲畜检测框的并集面积；
计算所述交集面积在对应的并集面积上的比值，得到每个牲畜预测框与所述多个牲畜检测框的交叠率；
基于预设数值及多个所述交叠率构建所述代价矩阵。
5.如权利要求4所述的牲畜数量识别方法，其特征在于，所述牲畜预测框与牲畜预测对象对应，所述基于所述代价矩阵更新预设跟踪池包括：
基于lapjv算法计算所述代价矩阵，得到所述牲畜预测对象与所述牲畜检测对象的对象匹配结果；
从多个所述交叠率中选取每个对象匹配结果的第一匹配分数；
若所述第一匹配分数大于或者等于匹配阈值，则将所述牲畜检测对象添加至所述预设跟踪池中；
若所述第一匹配分数小于所述匹配阈值，则将所述牲畜预测对象添加至预设丢失池中，并计算所述牲畜检测对象与所述预设丢失池中存储对象的第二匹配分数；
若所述第二匹配分数大于或者等于所述匹配阈值，则将所述牲畜检测对象添加至所述预设跟踪池中；
若所述第二匹配分数小于所述匹配阈值，则检测所述牲畜检测对象是否属于新对象；
若所述牲畜检测对象属于新对象，则将所述牲畜检测对象添加至所述预设跟踪池中。
6.如权利要求1所述的牲畜数量识别方法，其特征在于，所述基于所述多张待识别图像中的目标图像构建第一预设索引列表及第二预设索引列表包括：
选取最小拍摄时刻的待识别图像及最大拍摄时刻的待识别图像作为所述目标图像；
将所述目标图像中的所有牲畜检测对象的编码信息写入模板列表中，得到编码列表；
根据所述编码列表及第一预设方向生成所述第一预设索引列表，并根据所述编码列表及第二预设方向生成所述第二预设索引列表。
7.如权利要求6所述的牲畜数量识别方法，其特征在于，所述基于更新后的预设跟踪池中的跟踪对象、所述第一预设索引列表及所述第二预设索引列表识别所述待识别牲畜圈内的牲畜数量包括：
识别所述第一预设索引列表中是否存储有所述跟踪对象的对象编码；
若所述第一预设索引列表中未存储有所述跟踪对象的对象编码，则检测该跟踪对象的运动方向；
若该跟踪对象的运动方向与所述第一预设方向相同，及该跟踪对象的跟踪次数大于或者等于预设次数，则将该跟踪对象的对象编码写入所述第一预设索引列表中；
若所述第一预设索引列表中存储有所述跟踪对象的对象编码，及该跟踪对象的运动方向与所述第一预设方向相同，则将该跟踪对象的对象编码从所述第一预设索引列表中删除，得到第一跟踪列表；
根据所述预设跟踪池中的跟踪对象更新所述第二预设索引列表，得到第二跟踪列表；
根据所述第一跟踪列表的第一编码数量及所述第二跟踪列表的第二编码数量生成所述牲畜数量。
8.一种牲畜数量识别装置，其特征在于，所述牲畜数量识别装置包括：
获取单元，用于响应于牲畜数量的识别请求，根据所述识别请求获取待识别牲畜圈内在不同拍摄时刻的多张待识别图像；
识别单元，用于基于预先训练完成的牲畜检测模型对每张待识别图像进行识别处理，得到每个牲畜检测对象在每张待识别图像中的牲畜检测框及所述牲畜检测框的检测坐标信息；
计算单元，用于根据所述检测坐标信息迭代计算第一拍摄时刻的待识别图像中每个牲畜检测对象在第二拍摄时刻的待识别图像中的预测位置信息，所述第一拍摄时刻小于所述第二拍摄时刻；
所述计算单元，还用于根据所述牲畜检测框及所述预测位置信息计算代价矩阵；
更新单元，用于基于所述代价矩阵更新预设跟踪池；
构建单元，用于基于所述多张待识别图像中的目标图像构建第一预设索引列表及第二预设索引列表；
所述识别单元，还用于基于更新后的预设跟踪池中的跟踪对象、所述第一预设索引列表及所述第二预设索引列表识别所述待识别牲畜圈内的牲畜数量。
9.一种电子设备，其特征在于，所述电子设备包括：
存储器，存储有计算机可读指令；及
处理器，执行所述存储器中存储的计算机可读指令以实现如权利要求1至7中任意一项所述的牲畜数量识别方法。
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现如权利要求1至7中任意一项所述的牲畜数量识别方法。
CN202211366906.6A 2022-11-03 2022-11-03 牲畜数量识别方法、装置、设备及存储介质 Active CN115546192B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211366906.6A CN115546192B (zh) 2022-11-03 2022-11-03 牲畜数量识别方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211366906.6A CN115546192B (zh) 2022-11-03 2022-11-03 牲畜数量识别方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN115546192A true CN115546192A (zh) 2022-12-30
CN115546192B CN115546192B (zh) 2023-03-21

Family

ID=84720859

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211366906.6A Active CN115546192B (zh) 2022-11-03 2022-11-03 牲畜数量识别方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN115546192B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010244194A (ja) * 2009-04-02 2010-10-28 Toyota Motor Corp 物体識別装置
CN110378259A (zh) * 2019-07-05 2019-10-25 桂林电子科技大学 一种面向监控视频的多目标行为识别方法及系统
CN111062967A (zh) * 2019-11-25 2020-04-24 山大地纬软件股份有限公司 一种基于目标动态跟踪的电力营业厅客流统计方法及系统
CN111260696A (zh) * 2020-01-21 2020-06-09 北京工业大学 一种面向边缘端行人跟踪和人数精确统计的方法
US20200226781A1 (en) * 2019-01-11 2020-07-16 Beijing Boe Optoelectronics Technology Co., Ltd. Image processing method and apparatus
CN111680551A (zh) * 2020-04-28 2020-09-18 平安国际智慧城市科技股份有限公司 监控牲畜数量的方法、装置、计算机设备及存储介质
CN112614159A (zh) * 2020-12-22 2021-04-06 浙江大学 一种面向仓库场景的跨摄像头多目标跟踪方法
CN112800841A (zh) * 2020-12-28 2021-05-14 深圳市捷顺科技实业股份有限公司 一种行人计数方法、装置、系统及计算机可读存储介质
CN113011331A (zh) * 2021-03-19 2021-06-22 吉林大学 机动车是否礼让行人的检测方法、装置、电子设备及介质
US20220004747A1 (en) * 2019-07-31 2022-01-06 Boe Technology Group Co., Ltd. Multi-target pedestrian tracking method, multi-target pedestrian tracking apparatus and multi-target pedestrian tracking device
CN114155284A (zh) * 2021-12-15 2022-03-08 天翼物联科技有限公司 基于多目标行人场景的行人跟踪方法、装置、设备及介质
CN114332169A (zh) * 2022-03-14 2022-04-12 南京甄视智能科技有限公司 基于行人重识别的行人跟踪方法、装置、存储介质及设备
CN114581491A (zh) * 2022-04-30 2022-06-03 苏州浪潮智能科技有限公司 一种行人轨迹跟踪方法、系统及相关装置

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010244194A (ja) * 2009-04-02 2010-10-28 Toyota Motor Corp 物体識別装置
US20200226781A1 (en) * 2019-01-11 2020-07-16 Beijing Boe Optoelectronics Technology Co., Ltd. Image processing method and apparatus
CN110378259A (zh) * 2019-07-05 2019-10-25 桂林电子科技大学 一种面向监控视频的多目标行为识别方法及系统
US20220004747A1 (en) * 2019-07-31 2022-01-06 Boe Technology Group Co., Ltd. Multi-target pedestrian tracking method, multi-target pedestrian tracking apparatus and multi-target pedestrian tracking device
CN111062967A (zh) * 2019-11-25 2020-04-24 山大地纬软件股份有限公司 一种基于目标动态跟踪的电力营业厅客流统计方法及系统
CN111260696A (zh) * 2020-01-21 2020-06-09 北京工业大学 一种面向边缘端行人跟踪和人数精确统计的方法
CN111680551A (zh) * 2020-04-28 2020-09-18 平安国际智慧城市科技股份有限公司 监控牲畜数量的方法、装置、计算机设备及存储介质
CN112614159A (zh) * 2020-12-22 2021-04-06 浙江大学 一种面向仓库场景的跨摄像头多目标跟踪方法
CN112800841A (zh) * 2020-12-28 2021-05-14 深圳市捷顺科技实业股份有限公司 一种行人计数方法、装置、系统及计算机可读存储介质
CN113011331A (zh) * 2021-03-19 2021-06-22 吉林大学 机动车是否礼让行人的检测方法、装置、电子设备及介质
CN114155284A (zh) * 2021-12-15 2022-03-08 天翼物联科技有限公司 基于多目标行人场景的行人跟踪方法、装置、设备及介质
CN114332169A (zh) * 2022-03-14 2022-04-12 南京甄视智能科技有限公司 基于行人重识别的行人跟踪方法、装置、存储介质及设备
CN114581491A (zh) * 2022-04-30 2022-06-03 苏州浪潮智能科技有限公司 一种行人轨迹跟踪方法、系统及相关装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李曦 等: "基于实时图像序列的行人跟踪计数方法", 《计算机仿真》 *

Also Published As

Publication number Publication date
CN115546192B (zh) 2023-03-21

Similar Documents

Publication Publication Date Title
CN110097130B (zh) 分类任务模型的训练方法、装置、设备及存储介质
JP7335274B2 (ja) ジオロケーションの予測のためのシステムおよび方法
KR102014377B1 (ko) 학습 기반 수술동작 인식 방법 및 장치
US20210158023A1 (en) System and Method for Generating Image Landmarks
WO2020207190A1 (zh) 一种三维信息确定方法、三维信息确定装置及终端设备
CN110245579B (zh) 人流密度预测方法及装置、计算机设备及可读介质
CN111860398B (zh) 遥感图像目标检测方法、系统及终端设备
CN113240031B (zh) 全景图像特征点匹配模型的训练方法、装置以及服务器
CN111222486A (zh) 手部姿态识别模型的训练方法、装置、设备及存储介质
CN110610144A (zh) 隐私保护的表情识别方法及系统
Núñez et al. Multiview 3D human pose estimation using improved least-squares and LSTM networks
WO2024114321A1 (zh) 图像数据处理方法、装置、计算机设备、计算机可读存储介质及计算机程序产品
WO2023109631A1 (zh) 数据处理方法、装置、设备、存储介质及程序产品
CN112837142A (zh) 一种金融风险模型训练方法和装置
CN109492610A (zh) 一种行人重识别方法、装置及可读存储介质
KR20200062761A (ko) 메타데이터 크라우드 소싱 시스템 및 방법
CN113705468A (zh) 基于人工智能的数字图像识别方法及相关设备
Wang et al. Non-local attention association scheme for online multi-object tracking
CN115546192B (zh) 牲畜数量识别方法、装置、设备及存储介质
CN116205723A (zh) 基于人工智能的面签风险检测方法及相关设备
CN116229262A (zh) 一种建筑信息模型的建模方法及装置
CN112102205B (zh) 图像去模糊方法、装置、电子设备及存储介质
CN114898155A (zh) 车辆定损方法、装置、设备及存储介质
CN113792569A (zh) 对象识别方法、装置、电子设备及可读介质
CN112016889A (zh) 流程构建方法、装置、电子设备及存储介质

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