CN116311370A - 一种基于多角度特征的牛脸识别方法及其相关设备 - Google Patents

一种基于多角度特征的牛脸识别方法及其相关设备 Download PDF

Info

Publication number
CN116311370A
CN116311370A CN202310286564.5A CN202310286564A CN116311370A CN 116311370 A CN116311370 A CN 116311370A CN 202310286564 A CN202310286564 A CN 202310286564A CN 116311370 A CN116311370 A CN 116311370A
Authority
CN
China
Prior art keywords
face
cow
image
feature
angle
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
Application number
CN202310286564.5A
Other languages
English (en)
Inventor
温利辉
夏志鹏
黄奇林
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 CN202310286564.5A priority Critical patent/CN116311370A/zh
Publication of CN116311370A publication Critical patent/CN116311370A/zh
Pending legal-status Critical Current

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • 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
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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]
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本申请公开一种基于多角度特征的牛脸识别方法及其相关设备，属于人工智能技术领域。本申请通过获取多角度的牛脸图像；对多角度的牛脸图像进行关键点识别和关键点对齐；对牛脸关键点图像进行分割；对牛脸局部图像进行特征提取；计算牛脸局部特征与预设的牛脸特征数据之间的相似度；并从牛脸特征相似度中识别结果。此外，本申请还涉及区块链技术，多角度的牛脸图像可存储于区块链中。相比于现有的模仿人脸识别方案，本申请通过对多角度的牛脸图像关键点识别和关键点对齐，并对牛脸关键点图像进行分割，再通过切割得到的牛脸局部图像进行牛脸特征提取和识别，可以避免死牛因病变导致的局部面部特征改变的问题，同时提高牛脸识别精度。

Description

一种基于多角度特征的牛脸识别方法及其相关设备
技术领域
本申请属于人工智能技术领域，具体涉及一种基于多角度特征的牛脸识别方法及其相关设备。
背景技术
随着科技时代的发展，越来越多的高新科技被应用于数字农业的发展，其中包括物联网技术，遥感技术，人工智能技术等等。高新技术在农作物增产，病虫害防护，畜牧养殖等方面都取得了不错成果。除了高新技术，保险业也为数字农业的发展做出了不可忽视的贡献。作为一项惠及三农的政策性保险，奶牛保险能够有效提高养殖户应对风险的能力，降低灾害导致的损失。然而，近年来奶牛“骗保”事件的频发，导致承保机构的利益严重受损。
目前，在奶牛保险理赔实例中，在进行牛身份验证时，大部分方案是直接使用牛耳标号作为唯一的身份标识，这种验证方案，没有考虑到耳标号丢失以及被重复使用，以骗取保险理赔金的风险问题。而有些方案虽然利用到了奶牛生物特征，比如牛脸、牛鼻纹等特征，但均模仿人脸识别方案，采用单张牛脸或鼻纹做识别，但没有考虑牛脸与人脸在空间结构上的区别，而且没有考虑死牛因病变导致的局部面部特征改变问题，导致的牛脸识别精度较差的问题。
发明内容
本申请实施例的目的在于提出一种基于多角度特征的牛脸识别方法、装置、计算机设备及存储介质，已解决现有牛脸识别方案存在的没有考虑牛脸与人脸在空间结构上的区别，而且没有考虑死牛因病变导致的局部面部特征改变问题，导致的牛脸识别精度较差的问题。
为了解决上述技术问题，本申请实施例提供一种基于多角度特征的牛脸识别方法，采用了如下所述的技术方案：
一种基于多角度特征的牛脸识别方法，包括：
接收牛脸识别指令，获取多角度的牛脸图像，所述多角度的牛脸图像至少包括正脸图像、左侧脸图像和右侧脸图像；
对所述多角度的牛脸图像进行关键点识别和关键点对齐，得到牛脸关键点图像；
根据识别的牛脸关键点对所述牛脸关键点图像进行分割，生成牛脸局部图像；
利用预设的特征提取模型对所述牛脸局部图像进行特征提取，得到牛脸局部特征；
计算所述牛脸局部特征与预设的特征数据库中的牛脸特征数据之间的相似度，得到牛脸特征相似度；
对所述牛脸特征相似度进行排序，并从所述牛脸特征相似度排序结果中获取牛脸识别结果。
进一步地，在所述对所述多角度的牛脸图像进行关键点识别和关键点对齐，得到牛脸关键点图像之前，还包括：
将所述多角度的牛脸图像转化为红外图像，从所述红外图像中获取牛脸轮廓特征；
对所述红外图像进行去噪处理，去除所述红外图像的椒盐噪点，得到去噪图像；
基于所述去噪图像和所述牛脸轮廓特征，确定所述多角度的牛脸图像中的牛脸区域。
进一步地，所述对所述多角度的牛脸图像进行关键点识别和关键点对齐，得到牛脸关键点图像，具体包括：
基于预设的多阶段网络对所述多角度的牛脸图像中的牛脸区域进行关键点识别，得到牛脸关键点；
计算所述牛脸关键点之间的亲和力值；
比对所述牛脸关键点之间的亲和力值与预设的关键点亲和力值阈值，并根据关键点亲和力值阈值比对结果对所述牛脸关键点进行对齐；
基于对齐后的所述亲和力值对所述牛脸关键点进行连接，得到牛脸关键点图像。
进一步地，所述基于对齐后的所述亲和力值对所述牛脸关键点进行连接，得到牛脸关键点图像，具体包括：
判断对齐后的所述亲和力值是否大于或等于预设的匹配连接阈值；
当对齐后的所述亲和力值大于或等于所述匹配连接阈值时，对所述牛脸关键点进行匹配连接，得到牛脸关键点图像。
进一步地，所述根据识别的牛脸关键点对所述牛脸关键点图像进行分割，生成牛脸局部图像，具体包括：
根据所述牛脸关键点确定所述多角度的牛脸图像上的牛脸器官；
根据识别的牛脸关键点对多角度的牛脸图像上的牛脸器官进行分割，得到所述牛脸局部图像，其中，所述牛脸局部图像包括牛脸器官图像和消除器官后的牛脸图像。
进一步地，所述特征提取模型基于MobileFaceNet基准网络进行搭建，利用预设的特征提取模型对所述牛脸局部图像进行特征提取，得到牛脸局部特征，具体包括：
将所述牛脸器官图像和所述消除器官后的牛脸图像依次导入所述特征提取模型；
对所述牛脸器官图像进行特征向量转化，得到第一图像向量，以及对所述消除器官后的牛脸图像进行特征向量转化，得到第二图像向量；
获取所述特征提取模型中预先训练好的卷积核；
通过所述卷积核对所述第一图像向量进行卷积运算，得到牛脸器官特征，以及通过所述卷积核对所述第二图像向量进行卷积运算，得到消除器官后的牛脸特征；
组合所述牛脸器官特征和所述消除器官后的牛脸特征，得到所述牛脸局部特征。
进一步地，所述计算所述牛脸局部特征与预设的特征数据库中的牛脸特征数据之间的相似度，得到牛脸特征相似度，具体包括：
基于所述牛脸局部特征与所述特征数据库中的牛脸特征数据，构建牛脸特征的余弦距离矩阵；
基于所述余弦距离矩阵计算所述牛脸局部特征与所述特征数据库中的牛脸特征数据之间的相似度，得到所述牛脸特征相似度；
基于以下公式计算所述余弦距离矩阵计算所述牛脸局部特征与所述特征数据库中的牛脸特征数据之间的相似度：
Figure BDA0004142469560000041
式中，X为牛脸局部特征，Y为特征数据库中的牛脸特征，cos(X,Y)为牛脸特征的余弦距离矩阵，max(cos(X,Y))为余弦距离矩阵中X和Y的余弦距离最大值，similarity(X,Y)为牛脸特征相似度。
为了解决上述技术问题，本申请实施例还提供一种基于多角度特征的牛脸识别装置，采用了如下所述的技术方案：
一种基于多角度特征的牛脸识别装置，包括：
图像获取模块，用于接收牛脸识别指令，获取多角度的牛脸图像，所述多角度的牛脸图像至少包括正脸图像、左侧脸图像和右侧脸图像；
关键点识别模块，用于对所述多角度的牛脸图像进行关键点识别和关键点对齐，得到牛脸关键点图像；
图像分割模块，用于根据识别的牛脸关键点对所述牛脸关键点图像进行分割，生成牛脸局部图像；
特征提取模块，用于利用预设的特征提取模型对所述牛脸局部图像进行特征提取，得到牛脸局部特征；
相似度计算模块，用于计算所述牛脸局部特征与预设的特征数据库中的牛脸特征数据之间的相似度，得到牛脸特征相似度；
特征识别模块，用于对所述牛脸特征相似度进行排序，并从所述牛脸特征相似度排序结果中获取牛脸识别结果。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如上述任一项所述的基于多角度特征的牛脸识别方法的步骤。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上述中任一项所述的基于多角度特征的牛脸识别方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请公开一种基于多角度特征的牛脸识别方法及其相关设备，属于人工智能技术领域。本申请通过获取多角度的牛脸图像，多角度的牛脸图像至少包括正脸图像、左侧脸图像和右侧脸图像；对多角度的牛脸图像进行关键点识别和关键点对齐，得到牛脸关键点图像；根据识别的牛脸关键点对牛脸关键点图像进行分割，生成牛脸局部图像；利用预设的特征提取模型对牛脸局部图像进行特征提取，得到牛脸局部特征；计算牛脸局部特征与预设的特征数据库中的牛脸特征数据之间的相似度，得到牛脸特征相似度；对牛脸特征相似度进行排序，并从牛脸特征相似度排序结果中获取牛脸识别结果。相比于现有的模仿人脸识别方案，本申请通过对多角度的牛脸图像关键点识别和关键点对齐，并对牛脸关键点图像进行分割，再通过切割得到的牛脸局部图像进行牛脸特征提取和识别，可以避免死牛因病变导致的局部面部特征改变的问题，同时提高牛脸识别精度，提高奶牛保险理赔效率。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，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示出了本申请可以应用于其中的示例性系统架构图；
图2示出了根据本申请的基于多角度特征的牛脸识别方法的一个实施例的流程图；
图3示出了根据本申请的基于多角度特征的牛脸识别方法的牛脸关键点图像；
图4示出了根据本申请的基于多角度特征的牛脸识别方法的消除器官后的牛脸图像；
图5示出了根据本申请的基于多角度特征的牛脸识别装置的一个实施例的结构示意图；
图6示出了根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
需要说明的是，本申请实施例所提供的基于多角度特征的牛脸识别方法一般由服务器执行，相应地，基于多角度特征的牛脸识别装置一般设置于服务器中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的基于多角度特征的牛脸识别方法的一个实施例的流程图。本申请实施例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。
目前，在奶牛保险理赔实例中，在进行牛身份验证时，大部分方案是直接使用牛耳标号作为唯一的身份标识，这种验证方案，没有考虑到耳标号丢失以及被重复使用，以骗取保险理赔金的风险问题。而有些方案虽然利用到了奶牛生物特征，比如牛脸、牛鼻纹等特征，但均模仿人脸识别方案，采用单张牛脸或鼻纹做识别，但没有考虑牛脸与人脸在空间结构上的区别，而且没有考虑死牛因病变导致的局部面部特征改变问题，导致的牛脸识别精度较差的问题。
为了解决上述技术问题，本申请公开一种基于多角度特征的牛脸识别方法及其相关设备，属于人工智能技术领域，相比于现有的模仿人脸识别方案，本申请通过对多角度的牛脸图像关键点识别和关键点对齐，并对牛脸关键点图像进行分割，再通过切割得到的牛脸局部图像进行牛脸特征提取和识别，可以避免死牛因病变导致的局部面部特征改变的问题，同时提高牛脸识别精度，提高奶牛保险理赔效率。
所述的基于多角度特征的牛脸识别方法，包括以下步骤：
S201，接收牛脸识别指令，获取多角度的牛脸图像，所述多角度的牛脸图像至少包括正脸图像、左侧脸图像和右侧脸图像。
在本实施例中，服务器在接收牛脸识别指令，获取客户端上传的多张多角度的牛脸图像，其中，多角度的牛脸图像至少包括正脸图像、左侧脸图像和右侧脸图像。本申请基于多角度的牛脸图像来进行牛脸识别，保证识别过程中比对所有的牛脸特征，提高牛脸识别精度。
在本实施例中，基于多角度特征的牛脸识别方法运行于其上的电子设备(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式接收牛脸识别指令。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
S202，对所述多角度的牛脸图像进行关键点识别和关键点对齐，得到牛脸关键点图像。
在本实施例中，服务器在获取多角度的牛脸图像后，利用预设的多阶段网络分别对多角度的牛脸图像进行关键点识别，得到牛脸关键点图像。在本申请一种具体的实施例中，通过多阶段网络识别得到的牛脸关键点图像如图3所示，其中，多阶段网络可以预先进行训练，训练数据为预先收集的、经过关键点标注的牛脸图像。
在本申请一种具体的实施例中，多阶段网络可以是关键点亲和力场网络(PartAffinity Fields，PAF)，PAF能够做到实时关键点检测，并生成关键点图像，PAF采用的是自底向上的方法，网络框架分为两路，一路为使用CNN网络根据人体轮廓图和预设的置信参数进行关节点预测，另一路使用CNN网络获得每个关节点的PAF值，PAF值为关节点的亲和力值，PAF可以看作是记录关节点相邻两个关节点连线的位置和方向的2D向量。其中，两路CNN网络均为多阶段网络结构，每一个阶段均有一个输出值，每一个阶段表示一个维度，两路CNN网络进行关键点的联合预测和连接，得到关键点图像。
进一步地，在所述对所述多角度的牛脸图像进行关键点识别和关键点对齐，得到牛脸关键点图像之前，还包括：
将所述多角度的牛脸图像转化为红外图像，从所述红外图像中获取牛脸轮廓特征；
对所述红外图像进行去噪处理，去除所述红外图像的椒盐噪点，得到去噪图像；
基于所述去噪图像和所述牛脸轮廓特征，确定所述多角度的牛脸图像中的牛脸区域。
在本实施例中，服务器在对多角度的牛脸图像进行关键点识别之前，还需要对多角度的牛脸图像进行预处理，预处理至少包括红外转化、轮廓提取和去噪处理，服务器将多角度的牛脸图像转化为红外图像，从红外图像中获取牛脸轮廓特征，对红外图像进行去噪处理，去除红外图像的椒盐噪点，得到去噪图像，基于去噪图像和牛脸轮廓特征，确定多角度的牛脸图像中的牛脸区域。
在上述实施例中，为了便于后续进行牛脸关键点检测，服务器需要预先对多角度的牛脸图像进行预处理，预处理包括图像转换、去噪处理以及牛脸区域识别，通过上述图像预处理，获得多角度的牛脸图像中的牛脸区域，减少背景对后续模型的影响，方便后续进行牛脸关键点检测。
进一步地，所述对所述多角度的牛脸图像进行关键点识别和关键点对齐，得到牛脸关键点图像，具体包括：
基于预设的多阶段网络对所述多角度的牛脸图像中的牛脸区域进行关键点识别，得到牛脸关键点；
计算所述牛脸关键点之间的亲和力值；
比对所述牛脸关键点之间的亲和力值与预设的关键点亲和力值阈值，并根据关键点亲和力值阈值比对结果对所述牛脸关键点进行对齐；
基于对齐后的所述亲和力值对所述牛脸关键点进行连接，得到牛脸关键点图像。
在本实施例中，服务器基于预设的多阶段网络中的第一路CNN层根据牛脸轮廓特征和预设的置信参数进行牛脸关键点预测，并标注检测到的牛脸关键点，然后服务器通过第二路CNN层计算相邻两个牛脸关键点之间的亲和力值，将牛脸关键点之间的亲和力值与预设的关键点亲和力值阈值进行比对，并根据关键点亲和力值阈值比对结果对牛脸关键点进行对齐，以修正牛脸关键点，避免死牛因病变导致的局部面部特征改变而导致的识别结果出现误差，最后基于亲和力值与预设匹配连接阈值的大小关系，对相邻两个牛脸关键点进行连接，当完成全部牛脸关键点的连接后，得到牛脸关键点图像。
在本申请一种具体的实施例中，预设的关键点亲和力值阈值包括第一阈值和第二阈值，当牛脸关键点之间的亲和力值落在第一阈值和第二阈值之间时，表示两个牛脸关键点之间的亲和力值为正常值，当牛脸关键点之间的亲和力值小于第一阈值或大于第二阈值时，表示两个牛脸关键点之间的亲和力值为异常值，需要进行牛脸关键点对齐，修正牛脸关键点，使得牛脸关键点之间的亲和力值落在第一阈值和第二阈值之间。
在上述实施例中，通过检测牛脸关键点之间的亲和力值与预设的关键点亲和力值阈值的关系对牛脸关键点进行对齐，以修正牛脸关键点，避免死牛因病变导致的局部面部特征改变而导致的识别结果出现误差，提高牛脸识别精度。
进一步地，所述基于对齐后的所述亲和力值对所述牛脸关键点进行连接，得到牛脸关键点图像，具体包括：
判断对齐后的所述亲和力值是否大于或等于预设的匹配连接阈值；
当对齐后的所述亲和力值大于或等于所述匹配连接阈值时，对所述牛脸关键点进行匹配连接，得到牛脸关键点图像。
在本实施例中，服务器通过判断对齐后的两个牛脸关键点之间的亲和力值是否大于或等于预设匹配连接阈值，当相邻两个牛脸关键点亲和力值大于或等于匹配连接阈值时，对相邻两个牛脸关键点进行匹配连接，当相邻两个牛脸关键点亲和力值小于匹配连接阈值时，则不对这两个牛脸关键点进行连接，持续计算多角度的牛脸图像中任意两个牛脸关键点之间的亲和力值，并将计算得到的亲和力值与匹配连接阈值进行比对，当所有牛脸关键点均已完成连接后得到牛脸关键点图像。
在上述实施例中，通过PAF网络识别牛脸关键点，并通过检测牛脸关键点之间的亲和力值与预设的关键点亲和力值阈值的关系对牛脸关键点进行对齐，以修正牛脸关键点，通过判断对齐后的两个牛脸关键点之间的亲和力值与预设匹配连接阈值的关系，完成牛脸关键点之间的连接，获得牛脸关键点图像。
S203，根据识别的牛脸关键点对所述牛脸关键点图像进行分割，生成牛脸局部图像。
在本实施例中，服务器在获得牛脸关键点图像后，根据牛脸关键点图像上的牛脸关键点确定多角度的牛脸图像上的牛脸器官，继续参考图3，根据牛脸关键点可以识别出眼睛、耳朵、鼻子等牛脸器官，根据牛脸关键点对多角度的牛脸图像上的牛脸器官进行分割，生成牛脸局部图像。
进一步地，所述根据识别的牛脸关键点对所述牛脸关键点图像进行分割，生成牛脸局部图像，具体包括：
根据所述牛脸关键点确定所述多角度的牛脸图像上的牛脸器官；
根据识别的牛脸关键点对多角度的牛脸图像上的牛脸器官进行分割，得到所述牛脸局部图像，其中，所述牛脸局部图像包括牛脸器官图像和消除器官后的牛脸图像。
在本实施例中，根据牛脸关键点确定多角度的牛脸图像上的牛脸器官，根据识别的牛脸关键点对多角度的牛脸图像上的牛脸器官进行分割，得到牛脸局部图像，其中，牛脸局部图像包括牛脸器官图像和消除器官后的牛脸图像，其中，请参考图4，图4示出了消除器官后的牛脸图像。
在上述实施例中，通过牛脸关键点对多角度的牛脸图像上的牛脸器官进行分割，生成牛脸局部图像，通过牛脸局部图像来进行牛脸识别，提高牛脸识别精度。
S204，利用预设的特征提取模型对所述牛脸局部图像进行特征提取，得到牛脸局部特征。
在本实施例中，服务器利用设的特征提取模型对输入的牛脸器官图像和消除器官后的牛脸图像进行特征提取，得到牛脸局部特征。
进一步地，所述特征提取模型基于MobileFaceNet基准网络进行搭建，利用预设的特征提取模型对所述牛脸局部图像进行特征提取，得到牛脸局部特征，具体包括：
将所述牛脸器官图像和所述消除器官后的牛脸图像依次导入所述特征提取模型；
对所述牛脸器官图像进行特征向量转化，得到第一图像向量，以及对所述消除器官后的牛脸图像进行特征向量转化，得到第二图像向量；
获取所述特征提取模型中预先训练好的卷积核；
通过所述卷积核对所述第一图像向量进行卷积运算，得到牛脸器官特征，以及通过所述卷积核对所述第二图像向量进行卷积运算，得到消除器官后的牛脸特征；
组合所述牛脸器官特征和所述消除器官后的牛脸特征，得到所述牛脸局部特征。
其中，特征提取模型基于MobileFaceNet基准网络进行搭建，MobileFaceNet基准网络作为一种脸部特征提取模型或方案的网络结构，其擅长以手机和嵌入式设备为平台，进行实时准确的脸部识别或脸部相似度对比。MobileFaceNet基准网络以MobileNet V2为基础，分别采取可分离卷积代替平均池化层、采用Insightface的损失函数进行训练、通道扩张倍数变小、使用Prelu代替relu以及使用batch Normalization等主要修改措施实现。
在本实施例中，将牛脸器官图像和消除器官后的牛脸图像依次导入特征提取模型；对牛脸器官图像进行特征向量转化，得到第一图像向量，以及对消除器官后的牛脸图像进行特征向量转化，得到第二图像向量；获取特征提取模型中预先训练好的卷积核；通过卷积核对第一图像向量进行卷积运算，得到牛脸器官特征，以及通过卷积核对第二图像向量进行卷积运算，得到消除器官后的牛脸特征；组合牛脸器官特征和消除器官后的牛脸特征，得到牛脸局部特征。
在上述实施例中，本申请通过MobileFaceNet基准网络搭建特征提取模型，通过预训练的卷积核进行牛脸局部特征提取。
S205，计算所述牛脸局部特征与预设的特征数据库中的牛脸特征数据之间的相似度，得到牛脸特征相似度。
在本实施例中，服务器分别计算每一个牛脸局部特征与预设的特征数据库中的牛脸特征数据之间的相似度，得到牛脸特征相似度。
进一步地，所述计算所述牛脸局部特征与预设的特征数据库中的牛脸特征数据之间的相似度，得到牛脸特征相似度，具体包括：
基于所述牛脸局部特征与所述特征数据库中的牛脸特征数据，构建牛脸特征的余弦距离矩阵；
基于所述余弦距离矩阵计算所述牛脸局部特征与所述特征数据库中的牛脸特征数据之间的相似度，得到所述牛脸特征相似度。
在本实施例中，分别构建每一个牛脸局部特征与特征数据库中的牛脸特征数据的余弦距离矩阵，基于余弦距离矩阵计算每一个牛脸局部特征与特征数据库中的牛脸特征数据之间的相似度，得到所述牛脸特征相似度。
基于以下公式计算所述余弦距离矩阵计算所述牛脸局部特征与所述特征数据库中的牛脸特征数据之间的相似度：
Figure BDA0004142469560000141
式中，X为牛脸局部特征，Y为特征数据库中的牛脸特征，cos(X,Y)为牛脸特征的余弦距离矩阵，max(cos(X,Y))为余弦距离矩阵中X和Y的余弦距离最大值，similarity(X,Y)为牛脸特征相似度。
在本申请一种具体的实施例中，某一个牛脸局部特征为X＝[x1,x2,x3]，征数据库中的牛脸特征数据为Y＝[y1,y2,y3]，构建X和Y的余弦距离矩阵表示如下：
Figure BDA0004142469560000142
在上述实施例中，本申请通过构建每一个牛脸局部特征与特征数据库中的牛脸特征数据的余弦距离矩阵，并基于余弦距离矩阵计算每一个牛脸局部特征与特征数据库中的牛脸特征数据之间的相似度。
S206，对所述牛脸特征相似度进行排序，并从所述牛脸特征相似度排序结果中获取牛脸识别结果。
在本实施例中，服务器在得到牛脸特征相似度之后，对牛脸特征相似度进行排序，并从牛脸特征相似度排序结果中选取相似度靠前的识别结果作为牛脸识别结果。
本申请公开一种基于多角度特征的牛脸识别方法，属于人工智能技术领域。本申请通过获取多角度的牛脸图像，多角度的牛脸图像至少包括正脸图像、左侧脸图像和右侧脸图像；对多角度的牛脸图像进行关键点识别和关键点对齐，得到牛脸关键点图像；根据识别的牛脸关键点对牛脸关键点图像进行分割，生成牛脸局部图像；利用预设的特征提取模型对牛脸局部图像进行特征提取，得到牛脸局部特征；计算牛脸局部特征与预设的特征数据库中的牛脸特征数据之间的相似度，得到牛脸特征相似度；对牛脸特征相似度进行排序，并从牛脸特征相似度排序结果中获取牛脸识别结果。相比于现有的模仿人脸识别方案，本申请通过对多角度的牛脸图像关键点识别和关键点对齐，并对牛脸关键点图像进行分割，再通过切割得到的牛脸局部图像进行牛脸特征提取和识别，可以避免死牛因病变导致的局部面部特征改变的问题，同时提高牛脸识别精度，提高奶牛保险理赔效率。
需要强调的是，为进一步保证上述多角度的牛脸图像的私密和安全性，上述多角度的牛脸图像还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、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。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该计算机可读指令在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图5，作为对上述图2所示方法的实现，本申请提供了一种基于多角度特征的牛脸识别装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例所述的基于多角度特征的牛脸识别装置500包括：
图像获取模块501，用于接收牛脸识别指令，获取多角度的牛脸图像，所述多角度的牛脸图像至少包括正脸图像、左侧脸图像和右侧脸图像；
关键点识别模块502，用于对所述多角度的牛脸图像进行关键点识别和关键点对齐，得到牛脸关键点图像；
图像分割模块503，用于根据识别的牛脸关键点对所述牛脸关键点图像进行分割，生成牛脸局部图像；
特征提取模块504，用于利用预设的特征提取模型对所述牛脸局部图像进行特征提取，得到牛脸局部特征；
相似度计算模块505，用于计算所述牛脸局部特征与预设的特征数据库中的牛脸特征数据之间的相似度，得到牛脸特征相似度；
特征识别模块506，用于对所述牛脸特征相似度进行排序，并从所述牛脸特征相似度排序结果中获取牛脸识别结果。
进一步地，基于多角度特征的牛脸识别装置500还包括：
轮廓识别模块，用于将所述多角度的牛脸图像转化为红外图像，从所述红外图像中获取牛脸轮廓特征；
去噪处理模块，用于对所述红外图像进行去噪处理，去除所述红外图像的椒盐噪点，得到去噪图像；
区域识别模块，用于基于所述去噪图像和所述牛脸轮廓特征，确定所述多角度的牛脸图像中的牛脸区域。
进一步地，关键点识别模块502具体包括：
关键点识别单元，用于基于预设的多阶段网络对所述多角度的牛脸图像中的牛脸区域进行关键点识别，得到牛脸关键点；
亲和力计算单元，用于计算所述牛脸关键点之间的亲和力值；
关键点对齐单元，用于比对所述牛脸关键点之间的亲和力值与预设的关键点亲和力值阈值，并根据关键点亲和力值阈值比对结果对所述牛脸关键点进行对齐；
关键点连接单元，用于基于对齐后的所述亲和力值对所述牛脸关键点进行连接，得到牛脸关键点图像。
进一步地，关键点连接单元具体包括：
亲和力比对子单元，用于判断对齐后的所述亲和力值是否大于或等于预设的匹配连接阈值；
关键点连接子单元，用于当对齐后的所述亲和力值大于或等于所述匹配连接阈值时，对所述牛脸关键点进行匹配连接，得到牛脸关键点图像。
进一步地，图像分割模块503具体包括：
器官识别单元，用于根据所述牛脸关键点确定所述多角度的牛脸图像上的牛脸器官；
图像分割单元，用于根据识别的牛脸关键点对多角度的牛脸图像上的牛脸器官进行分割，得到所述牛脸局部图像，其中，所述牛脸局部图像包括牛脸器官图像和消除器官后的牛脸图像。
进一步地，特征提取模块504具体包括：
图像导入单元，用于将所述牛脸器官图像和所述消除器官后的牛脸图像依次导入所述特征提取模型；
向量转化单元，用于对所述牛脸器官图像进行特征向量转化，得到第一图像向量，以及对所述消除器官后的牛脸图像进行特征向量转化，得到第二图像向量；
卷积核获取单元，用于获取所述特征提取模型中预先训练好的卷积核；
卷积运算单元，用于通过所述卷积核对所述第一图像向量进行卷积运算，得到牛脸器官特征，以及通过所述卷积核对所述第二图像向量进行卷积运算，得到消除器官后的牛脸特征；
特征提取单元，用于组合所述牛脸器官特征和所述消除器官后的牛脸特征，得到所述牛脸局部特征。
进一步地，相似度计算模块505具体包括：
距离矩阵构建单元，用于基于所述牛脸局部特征与所述特征数据库中的牛脸特征数据，构建牛脸特征的余弦距离矩阵；
相似度计算单元，用于基于所述余弦距离矩阵计算所述牛脸局部特征与所述特征数据库中的牛脸特征数据之间的相似度，得到所述牛脸特征相似度；
基于以下公式计算所述余弦距离矩阵计算所述牛脸局部特征与所述特征数据库中的牛脸特征数据之间的相似度：
Figure BDA0004142469560000181
式中，X为牛脸局部特征，Y为特征数据库中的牛脸特征，cos(X,Y)为牛脸特征的余弦距离矩阵，max(cos(X,Y))为余弦距离矩阵中X和Y的余弦距离最大值，similarity(X,Y)为牛脸特征相似度。
本申请公开一种基于多角度特征的牛脸识别装置，属于人工智能技术领域。本申请通过获取多角度的牛脸图像，多角度的牛脸图像至少包括正脸图像、左侧脸图像和右侧脸图像；对多角度的牛脸图像进行关键点识别和关键点对齐，得到牛脸关键点图像；根据识别的牛脸关键点对牛脸关键点图像进行分割，生成牛脸局部图像；利用预设的特征提取模型对牛脸局部图像进行特征提取，得到牛脸局部特征；计算牛脸局部特征与预设的特征数据库中的牛脸特征数据之间的相似度，得到牛脸特征相似度；对牛脸特征相似度进行排序，并从牛脸特征相似度排序结果中获取牛脸识别结果。相比于现有的模仿人脸识别方案，本申请通过对多角度的牛脸图像关键点识别和关键点对齐，并对牛脸关键点图像进行分割，再通过切割得到的牛脸局部图像进行牛脸特征提取和识别，可以避免死牛因病变导致的局部面部特征改变的问题，同时提高牛脸识别精度，提高奶牛保险理赔效率。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图6，图6为本实施例计算机设备基本结构框图。
所述计算机设备6包括通过系统总线相互通信连接存储器61、处理器62、网络接口63。需要指出的是，图中仅示出了具有组件61-63的计算机设备6，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，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(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器61至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器61可以是所述计算机设备6的内部存储单元，例如该计算机设备6的硬盘或内存。在另一些实施例中，所述存储器61也可以是所述计算机设备6的外部存储设备，例如该计算机设备6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(FlashCard)等。当然，所述存储器61还可以既包括所述计算机设备6的内部存储单元也包括其外部存储设备。本实施例中，所述存储器61通常用于存储安装于所述计算机设备6的操作系统和各类应用软件，例如基于多角度特征的牛脸识别方法的计算机可读指令等。此外，所述存储器61还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器62在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器62通常用于控制所述计算机设备6的总体操作。本实施例中，所述处理器62用于运行所述存储器61中存储的计算机可读指令或者处理数据，例如运行所述基于多角度特征的牛脸识别方法的计算机可读指令。
所述网络接口63可包括无线网络接口或有线网络接口，该网络接口63通常用于在所述计算机设备6与其他电子设备之间建立通信连接。
本申请公开一种计算机设备，属于人工智能技术领域。本申请通过获取多角度的牛脸图像，多角度的牛脸图像至少包括正脸图像、左侧脸图像和右侧脸图像；对多角度的牛脸图像进行关键点识别和关键点对齐，得到牛脸关键点图像；根据识别的牛脸关键点对牛脸关键点图像进行分割，生成牛脸局部图像；利用预设的特征提取模型对牛脸局部图像进行特征提取，得到牛脸局部特征；计算牛脸局部特征与预设的特征数据库中的牛脸特征数据之间的相似度，得到牛脸特征相似度；对牛脸特征相似度进行排序，并从牛脸特征相似度排序结果中获取牛脸识别结果。相比于现有的模仿人脸识别方案，本申请通过对多角度的牛脸图像关键点识别和关键点对齐，并对牛脸关键点图像进行分割，再通过切割得到的牛脸局部图像进行牛脸特征提取和识别，可以避免死牛因病变导致的局部面部特征改变的问题，同时提高牛脸识别精度，提高奶牛保险理赔效率。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的基于多角度特征的牛脸识别方法的步骤。
本申请公开一种存储介质，属于人工智能技术领域。本申请通过获取多角度的牛脸图像，多角度的牛脸图像至少包括正脸图像、左侧脸图像和右侧脸图像；对多角度的牛脸图像进行关键点识别和关键点对齐，得到牛脸关键点图像；根据识别的牛脸关键点对牛脸关键点图像进行分割，生成牛脸局部图像；利用预设的特征提取模型对牛脸局部图像进行特征提取，得到牛脸局部特征；计算牛脸局部特征与预设的特征数据库中的牛脸特征数据之间的相似度，得到牛脸特征相似度；对牛脸特征相似度进行排序，并从牛脸特征相似度排序结果中获取牛脸识别结果。相比于现有的模仿人脸识别方案，本申请通过对多角度的牛脸图像关键点识别和关键点对齐，并对牛脸关键点图像进行分割，再通过切割得到的牛脸局部图像进行牛脸特征提取和识别，可以避免死牛因病变导致的局部面部特征改变的问题，同时提高牛脸识别精度，提高奶牛保险理赔效率。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种基于多角度特征的牛脸识别方法，其特征在于，包括：
接收牛脸识别指令，获取多角度的牛脸图像，所述多角度的牛脸图像至少包括正脸图像、左侧脸图像和右侧脸图像；
对所述多角度的牛脸图像进行关键点识别和关键点对齐，得到牛脸关键点图像；
根据识别的牛脸关键点对所述牛脸关键点图像进行分割，生成牛脸局部图像；
利用预设的特征提取模型对所述牛脸局部图像进行特征提取，得到牛脸局部特征；
计算所述牛脸局部特征与预设的特征数据库中的牛脸特征数据之间的相似度，得到牛脸特征相似度；
对所述牛脸特征相似度进行排序，并从所述牛脸特征相似度排序结果中获取牛脸识别结果。
2.如权利要求1所述的基于多角度特征的牛脸识别方法，其特征在于，在所述对所述多角度的牛脸图像进行关键点识别和关键点对齐，得到牛脸关键点图像之前，还包括：
将所述多角度的牛脸图像转化为红外图像，从所述红外图像中获取牛脸轮廓特征；
对所述红外图像进行去噪处理，去除所述红外图像的椒盐噪点，得到去噪图像；
基于所述去噪图像和所述牛脸轮廓特征，确定所述多角度的牛脸图像中的牛脸区域。
3.如权利要求2所述的基于多角度特征的牛脸识别方法，其特征在于，所述对所述多角度的牛脸图像进行关键点识别和关键点对齐，得到牛脸关键点图像，具体包括：
基于预设的多阶段网络对所述多角度的牛脸图像中的牛脸区域进行关键点识别，得到牛脸关键点；
计算所述牛脸关键点之间的亲和力值；
比对所述牛脸关键点之间的亲和力值与预设的关键点亲和力值阈值，并根据关键点亲和力值阈值比对结果对所述牛脸关键点进行对齐；
基于对齐后的所述亲和力值对所述牛脸关键点进行连接，得到牛脸关键点图像。
4.如权利要求3所述的基于多角度特征的牛脸识别方法，其特征在于，所述基于对齐后的所述亲和力值对所述牛脸关键点进行连接，得到牛脸关键点图像，具体包括：
判断对齐后的所述亲和力值是否大于或等于预设的匹配连接阈值；
当对齐后的所述亲和力值大于或等于所述匹配连接阈值时，对所述牛脸关键点进行匹配连接，得到牛脸关键点图像。
5.如权利要求1所述的基于多角度特征的牛脸识别方法，其特征在于，所述根据识别的牛脸关键点对所述牛脸关键点图像进行分割，生成牛脸局部图像，具体包括：
根据所述牛脸关键点确定所述多角度的牛脸图像上的牛脸器官；
根据识别的牛脸关键点对多角度的牛脸图像上的牛脸器官进行分割，得到所述牛脸局部图像，其中，所述牛脸局部图像包括牛脸器官图像和消除器官后的牛脸图像。
6.如权利要求5所述的基于多角度特征的牛脸识别方法，其特征在于，所述特征提取模型基于MobileFaceNet基准网络进行搭建，利用预设的特征提取模型对所述牛脸局部图像进行特征提取，得到牛脸局部特征，具体包括：
将所述牛脸器官图像和所述消除器官后的牛脸图像依次导入所述特征提取模型；
对所述牛脸器官图像进行特征向量转化，得到第一图像向量，以及对所述消除器官后的牛脸图像进行特征向量转化，得到第二图像向量；
获取所述特征提取模型中预先训练好的卷积核；
通过所述卷积核对所述第一图像向量进行卷积运算，得到牛脸器官特征，以及通过所述卷积核对所述第二图像向量进行卷积运算，得到消除器官后的牛脸特征；
组合所述牛脸器官特征和所述消除器官后的牛脸特征，得到所述牛脸局部特征。
7.如权利要求1至6任意一项所述的基于多角度特征的牛脸识别方法，其特征在于，所述计算所述牛脸局部特征与预设的特征数据库中的牛脸特征数据之间的相似度，得到牛脸特征相似度，具体包括：
基于所述牛脸局部特征与所述特征数据库中的牛脸特征数据，构建牛脸特征的余弦距离矩阵；
基于所述余弦距离矩阵计算所述牛脸局部特征与所述特征数据库中的牛脸特征数据之间的相似度，得到所述牛脸特征相似度；
基于以下公式计算所述余弦距离矩阵计算所述牛脸局部特征与所述特征数据库中的牛脸特征数据之间的相似度：
Figure FDA0004142469540000031
式中，X为牛脸局部特征，Y为特征数据库中的牛脸特征，cos(X,Y)为牛脸特征的余弦距离矩阵，max(cos(X,Y))为余弦距离矩阵中X和Y的余弦距离最大值，similarity(X,Y)为牛脸特征相似度。
8.一种基于多角度特征的牛脸识别装置，其特征在于，包括：
图像获取模块，用于接收牛脸识别指令，获取多角度的牛脸图像，所述多角度的牛脸图像至少包括正脸图像、左侧脸图像和右侧脸图像；
关键点识别模块，用于对所述多角度的牛脸图像进行关键点识别和关键点对齐，得到牛脸关键点图像；
图像分割模块，用于根据识别的牛脸关键点对所述牛脸关键点图像进行分割，生成牛脸局部图像；
特征提取模块，用于利用预设的特征提取模型对所述牛脸局部图像进行特征提取，得到牛脸局部特征；
相似度计算模块，用于计算所述牛脸局部特征与预设的特征数据库中的牛脸特征数据之间的相似度，得到牛脸特征相似度；
特征识别模块，用于对所述牛脸特征相似度进行排序，并从所述牛脸特征相似度排序结果中获取牛脸识别结果。
9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的基于多角度特征的牛脸识别方法的步骤。
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上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的基于多角度特征的牛脸识别方法的步骤。
CN202310286564.5A 2023-03-15 2023-03-15 一种基于多角度特征的牛脸识别方法及其相关设备 Pending CN116311370A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310286564.5A CN116311370A (zh) 2023-03-15 2023-03-15 一种基于多角度特征的牛脸识别方法及其相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310286564.5A CN116311370A (zh) 2023-03-15 2023-03-15 一种基于多角度特征的牛脸识别方法及其相关设备

Publications (1)

Publication Number Publication Date
CN116311370A true CN116311370A (zh) 2023-06-23

Family

ID=86799313

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310286564.5A Pending CN116311370A (zh) 2023-03-15 2023-03-15 一种基于多角度特征的牛脸识别方法及其相关设备

Country Status (1)

Country Link
CN (1) CN116311370A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN117558034A (zh) * 2024-01-05 2024-02-13 四川智迅车联科技有限公司 一种基于图像的多维度牛脸识别方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN117558034A (zh) * 2024-01-05 2024-02-13 四川智迅车联科技有限公司 一种基于图像的多维度牛脸识别方法及系统
CN117558034B (zh) * 2024-01-05 2024-03-26 四川智迅车联科技有限公司 一种基于图像的多维度牛脸识别方法及系统

Similar Documents

Publication Publication Date Title
US11487995B2 (en) Method and apparatus for determining image quality
CN111797893B (zh) 一种神经网络的训练方法、图像分类系统及相关设备
WO2019120115A1 (zh) 人脸识别的方法、装置及计算机装置
US20220172518A1 (en) Image recognition method and apparatus, computer-readable storage medium, and electronic device
CN116311370A (zh) 一种基于多角度特征的牛脸识别方法及其相关设备
CN108197592B (zh) 信息获取方法和装置
CN110909651A (zh) 视频主体人物的识别方法、装置、设备及可读存储介质
EP4099217A1 (en) Image processing model training method and apparatus, device, and storage medium
CN111310705A (zh) 图像识别方法、装置、计算机设备及存储介质
CN112395979B (zh) 基于图像的健康状态识别方法、装置、设备及存储介质
CN112699297A (zh) 基于用户画像的服务推荐方法、装置、设备及存储介质
CN110610125A (zh) 基于神经网络的牛脸识别方法、装置、设备及存储介质
CN113706502B (zh) 一种人脸图像质量评估方法及装置
CN114550053A (zh) 一种交通事故定责方法、装置、计算机设备及存储介质
CN113705534A (zh) 基于深度视觉的行为预测方法、装置、设备及存储介质
CN114241459B (zh) 一种驾驶员身份验证方法、装置、计算机设备及存储介质
CN113781462A (zh) 一种人体伤残检测方法、装置、设备及存储介质
CN110909578A (zh) 一种低分辨率图像识别方法、装置和存储介质
CN116151965B (zh) 一种风险特征提取方法、装置、电子设备及存储介质
CN116130088A (zh) 多模态面诊问诊方法、装置及相关设备
CN115661472A (zh) 图像查重方法、装置、计算机设备及存储介质
CN116958724A (zh) 一种产品分类模型的训练方法和相关装置
CN111582404B (zh) 内容分类方法、装置及可读存储介质
CN116503918A (zh) 基于ViT网络的掌静脉图像分类方法、装置、设备及介质
CN113343898A (zh) 基于知识蒸馏网络的口罩遮挡人脸识别方法、装置及设备

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