CN117351537A - 一种基于深度学习的猕猴脸部智能识别方法及系统 - Google Patents
一种基于深度学习的猕猴脸部智能识别方法及系统 Download PDFInfo
- Publication number
- CN117351537A CN117351537A CN202311167413.4A CN202311167413A CN117351537A CN 117351537 A CN117351537 A CN 117351537A CN 202311167413 A CN202311167413 A CN 202311167413A CN 117351537 A CN117351537 A CN 117351537A
- Authority
- CN
- China
- Prior art keywords
- macaque
- information
- face
- image
- monkey
- 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
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 43
- 235000009436 Actinidia deliciosa Nutrition 0.000 title claims abstract description 28
- 235000009434 Actinidia chinensis Nutrition 0.000 title claims abstract description 22
- 244000298715 Actinidia chinensis Species 0.000 title 1
- 241000282553 Macaca Species 0.000 claims abstract description 299
- 238000004458 analytical method Methods 0.000 claims abstract description 130
- 230000002159 abnormal effect Effects 0.000 claims abstract description 57
- 238000012549 training Methods 0.000 claims abstract description 54
- 244000298697 Actinidia deliciosa Species 0.000 claims abstract description 27
- 230000004044 response Effects 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 241000510093 Quadrula metanevra Species 0.000 claims description 63
- 230000010485 coping Effects 0.000 claims description 21
- 230000001815 facial effect Effects 0.000 claims description 17
- 230000011218 segmentation Effects 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 12
- 238000005286 illumination Methods 0.000 claims description 12
- 238000003709 image segmentation Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 238000013139 quantization Methods 0.000 claims description 7
- 241000282693 Cercopithecidae Species 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 5
- 238000009472 formulation Methods 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 210000003128 head Anatomy 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims 1
- 238000003860 storage Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 206010059866 Drug resistance Diseases 0.000 description 3
- 210000000746 body region Anatomy 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 210000000887 face Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- 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
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06V10/40—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
- G06V10/443—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 by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- 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
- G06V10/54—Extraction of image or video features relating to texture
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- 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
- 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
-
- 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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/162—Detection; Localisation; Normalisation using pixel segmentation or colour matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度学习的猕猴脸部智能识别方法及系统,包括:获取历史猕猴脸部图像数据,对所述历史猕猴脸部图像数据进行预处理,并构建猕猴脸部数据库;构建猕猴脸部识别模型,通过所述猕猴脸部数据库进行深度学习和训练,得到符合期望的猕猴脸部识别模型;获取待识别猕猴图像信息,对所述待识别猕猴图像信息进行脸部识别分析,得到识别结果信息;根据识别结果信息对目标猕猴进行状态分析,得到状态分析结果信息;根据所述状态分析结果信息进行异常状态原因分析,根据分析结果进行预警并制定应对方案。提高了猕猴脸部识别的准确性和效率性。
Description
技术领域
本发明涉及脸部智能识别技术领域,尤其涉及一种基于深度学习的猕猴脸部智能识别方法及系统。
背景技术
猕猴是重要的模式动物,在行为、认知、疾病模型等方面具有重要的研究意义。然而猕猴的保护和相关研究工作都是建立在能够对其个体准确识别的基础上。传统猕猴个体识别主要依靠人工识别的方法,成本高、效率低,容易受个人主观因素影响,制约了相关研究工作的进展。猕猴普遍存在面部相似度高,人眼不容易辨别的难题,成本高、效率低,容易受个人主观因素影响,制约了相关研究工作的进展。
目前,因缺乏专业的猕猴面部图像数据库,难于实现猕猴面部自动识别系统。猕猴普遍存在面部相似度高,人眼不容易辨别的难题,传统机器学习方法往往不能有效提取到相似物体之间的细微差异。同时,圈养环境下,猕猴数量多,猕猴样本图像通常背景复杂,围栏遮挡严重,猕猴姿态丰富,猕猴的毛发与种类多样性等情况导致猕猴面部检测率不高。从而使得猕猴面部识别精度不高,猴脸识别的准确性和速度受到猴脸检测和识别方法的影响,因此选择合适的神经网络模型和优化算法对猴脸识别性能具有重要作用。
因此本发明基于深度学习与计算机视觉技术,旨在实现圈养群居环境下的猕猴个体的较高精度的自动化识别。
发明内容
本发明克服了现有技术的缺陷,提供了一种基于深度学习的猕猴脸部智能识别方法及系统,其重要目的在于提高识别准确率,降低误检率。
为实现上述目的本发明第一方面提供了一种基于深度学习的猕猴脸部智能识别方法,包括:
获取历史猕猴脸部图像数据,对所述历史猕猴脸部图像数据进行预处理,并构建猕猴脸部数据库;
构建猕猴脸部识别模型,通过所述猕猴脸部数据库进行深度学习和训练,得到符合期望的猕猴脸部识别模型;
获取待识别猕猴图像信息,对所述待识别猕猴图像信息进行脸部识别分析,得到识别结果信息;
根据识别结果信息对目标猕猴进行状态分析,得到状态分析结果信息;
根据所述状态分析结果信息进行异常状态原因分析,根据分析结果进行预警并制定应对方案。
本方案中,所述获取历史猕猴脸部图像数据,对所述历史猕猴脸部图像数据进行预处理,并构建猕猴脸部数据库,具体为:
获取历史猕猴脸部图像信息,包括不同年龄、性别、状态和种类的猕猴脸部图像信息;
构建HSI颜色空间模型,将所述历史猕猴脸部图像信息转换至HSI颜色空间模型中,并对图像进行去噪、滤波和尺寸调整预处理,得到预处理图像信息;
预设分类标准,以种族类别为大类,每个大类分别含有年龄、性别和状态三个小类,根据聚类算法对所述预处理图像信息进行分类,得到分类猕猴脸部图像信息;
基于Adaboost算法对所述分类猕猴脸部图像信息进行目标检测,通过构建多个弱分类器组合检测目标图像的猕猴眼部和嘴部的特征及位置,得到关键特征信息;
根据关键特征信息提取眼睛至嘴部距离、嘴部和眼睛至图像边缘的距离,作为几何特征计算猴脸轮廓位置计算,得到猴脸区域位置信息;
基于图像分割算法结合猴脸区域位置信息进行图像分割,将猴脸区域与图像背景进行分割,同时提取猕猴头部毛发纹理特征和颜色特征,得到分割后特征信息;
对所述分割后特征信息进行归一化处理包括图像增强和尺寸统一,得到归一化特征信息;
根据归一化特征信息和分类猕猴脸部图像信息构建猕猴脸部数据库,数据库包含图像、特征和与之相关的类别标签,标明每个图像和特征对应的信息。
本方案中,所述构建猕猴脸部识别模型,具体为:
基于所述猕猴脸部数据库建立训练数据集,通过数据增强法对训练数据集进行丰富处理,用于训练猕猴脸部识别模型;
通过随机裁剪、翻转、旋转和光照变化来丰富训练数据集中的图片多样性,模拟各种角度、位置、方向和光照的猴脸,得到增强训练数据集;
根据卷积神经网络和孪生网络构建猕猴脸部识别模型,所述猕猴脸部识别模型包含卷积分支、孪生网络分支和强分类器分支;
所述卷积分支用于对输入的图像信息进行特征提取,提取猕猴脸部图像的各种特征,得到特征输出信息;
所述孪生网络分支包含两个完全相同且共享权重的子网络,同时分析一对输入图像,通过共享的权重将它们映射到一个特征空间,用于学习猴脸之间的相似性,得到相似性输出信息;
将所述特征输出信息和相似性输出信息进行特征融合,用于进一步的识别判断;
采用扩展的非对称Haar-Like特征来训练分类器,通Adaboost算法构建若干个弱分类器,并组合成一个强分类器,通过强分类器进行猴脸特征的识别和分类;
通过所述增强训练数据集对所述猕猴脸部识别模型进行深度学习和训练,得到符合期望的猕猴脸部识别模型。
本方案中,所述获取待识别猕猴图像信息,对所述待识别猕猴图像信息进行脸部识别分析,具体为:
获取待识别猕猴图像信息,基于区域色彩量化法进行猴身提取与分割;
将所述待识别猕猴图像信息输入至HIS猕猴模型中,根据HIS猕猴模型计算所述待识别猕猴图像信息在HIS空间中的像素点分布,得到像素点分布信息;
对所述像素点分布信息进行遍历分析,预设颜色筛选范围,根据颜色筛选范围进行图像分割,将猴身与背景进行分割,得到分割结果信息;
将所述分割结果信息输入至猕猴脸部识别模型中进行识别分析,通过强分类器分支进行脸部识别和分割,得到猴脸候选区域信息;
通过卷积分支对所述猴脸候选区域信息进行特征提取,得到猴脸特征信息;
通过孪生网络分支对猴脸特征信息进行相似度分析并获取相似度值,将相似度值与预设阈值进行判断,得到识别结果信息。
本方案中,所述根据识别结果信息对目标猕猴进行状态分析,得到状态分析结果信息;
基于识别结果信息进行特征提取,获取目标猕猴的脸部特征、颜色特征和毛发特征,得到目标猕猴特征信息;
基于大数据检索获取不同状态下猕猴的脸部特征、颜色特征和毛发特征,构成对比数据集;
基于BP神经网络构建状态分析模型,通过对比数据集对所述状态分析模型进行深度学习和训练;
将所述目标猕猴特征信息输入至状态分析模型中进行状态分析,得到状态分析结果信息。
本方案中,所述根据所述状态分析结果信息进行异常状态原因分析,根据分析结果进行预警并制定应对方案,具体为:
预设若干异常状态原因类别,基于马氏距离算法计算对比数据集中不同猕猴脸部特征与各种异常状态原因类别之间的马氏距离,得到马氏距离信息;
预设选取阈值,将所述马氏距离信息与选取阈值进行判断,将大于选取阈值的马氏距离信息对应的猕猴脸部特征归入相应的异常状态原因类别,得到异常状态原因分类信息;
基于多头注意力机制构建原因分析模型,通过异常状态原因分类信息进行模型训练;
获取,状态分析结果信息和目标猕猴特征信息,将所述状态分析结果信息和目标猕猴特征信息导入原因分析模型中进行分析,得到原因分析结果信息;
根据异常状态原因分类信息进行大数据检索获取各种异常状况应对方案实例,构成实例数据集;
通过实例数据集结合原因分析结果信息进行应对方案制定,得到异常状况应对方案信息;
根据原因分析结果信息对异常状态猕猴进行标记,结合异常状况应对方案信息生成异常状况分析报告和预警指令,进行预警提示和应对方案建议。
本发明第二方面提供了一种基于深度学习的猕猴脸部智能识别系统,该系统包括:存储器、处理器,所述存储器中包含基于深度学习的猕猴脸部智能识别方法程序,所述基于深度学习的猕猴脸部智能识别方法程序被所述处理器执行时实现如下步骤:
获取历史猕猴脸部图像数据,对所述历史猕猴脸部图像数据进行预处理,并构建猕猴脸部数据库;
构建猕猴脸部识别模型,通过所述猕猴脸部数据库进行深度学习和训练,得到符合期望的猕猴脸部识别模型;
获取待识别猕猴图像信息,对所述待识别猕猴图像信息进行脸部识别分析,得到识别结果信息;
根据识别结果信息对目标猕猴进行状态分析,得到状态分析结果信息;
根据所述状态分析结果信息进行异常状态原因分析,根据分析结果进行预警并制定应对方案。
本发明公开了一种基于深度学习的猕猴脸部智能识别方法及系统,包括:获取历史猕猴脸部图像数据,对所述历史猕猴脸部图像数据进行预处理,并构建猕猴脸部数据库;构建猕猴脸部识别模型,通过所述猕猴脸部数据库进行深度学习和训练,得到符合期望的猕猴脸部识别模型;获取待识别猕猴图像信息,对所述待识别猕猴图像信息进行脸部识别分析,得到识别结果信息;根据识别结果信息对目标猕猴进行状态分析,得到状态分析结果信息;根据所述状态分析结果信息进行异常状态原因分析,根据分析结果进行预警并制定应对方案。提高了猕猴脸部识别的准确性和效率性。
附图说明
为了更清楚地说明本发明实施例或示例性中的技术方案,下面将对实施例或示例性描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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,还可以按照这些附图示出的获得其他的附图。
图1为本发明一实施例提供的一种基于深度学习的猕猴脸部智能识别方法流程图;
图2为本发明一实施例提供的一种基于深度学习的猕猴脸部智能识别的数据处理流程图;
图3为本发明一实施例提供的一种基于深度学习的猕猴脸部智能识别系统框图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1为本发明一实施例提供的一种基于深度学习的猕猴脸部智能识别方法流程图;
如图1所示,本发明提供了一种基于深度学习的猕猴脸部智能识别方法流程图,包括:
S102,获取历史猕猴脸部图像数据,对所述历史猕猴脸部图像数据进行预处理,并构建猕猴脸部数据库;
获取历史猕猴脸部图像信息,包括不同年龄、性别、状态和种类的猕猴脸部图像信息;
构建HSI颜色空间模型,将所述历史猕猴脸部图像信息转换至HSI颜色空间模型中,并对图像进行去噪、滤波和尺寸调整预处理,得到预处理图像信息;
预设分类标准,以种族类别为大类,每个大类分别含有年龄、性别和状态三个小类,根据聚类算法对所述预处理图像信息进行分类,得到分类猕猴脸部图像信息;
基于Adaboost算法对所述分类猕猴脸部图像信息进行目标检测,通过构建多个弱分类器组合检测目标图像的猕猴眼部和嘴部的特征及位置,得到关键特征信息;
根据关键特征信息提取眼睛至嘴部距离、嘴部和眼睛至图像边缘的距离,作为几何特征计算猴脸轮廓位置计算,得到猴脸区域位置信息;
基于图像分割算法结合猴脸区域位置信息进行图像分割,将猴脸区域与图像背景进行分割,同时提取猕猴头部毛发纹理特征和颜色特征,得到分割后特征信息;
对所述分割后特征信息进行归一化处理包括图像增强和尺寸统一,得到归一化特征信息;
根据归一化特征信息和分类猕猴脸部图像信息构建猕猴脸部数据库,数据库包含图像、特征和与之相关的类别标签,标明每个图像和特征对应的信息。
需要说明的是,将采集的图像数据转换到HSI(色相、饱和度、亮度)颜色空间模型。在HSI模型中,色相通道可以更好地区分猴脸与背景,节省检测算法的时间,可以更快地筛选出猴脸的候选区域,有助于后续的猴脸检测。接着,对图像进行去噪处理以降低干扰,然后进行尺寸调整,将图像统一到固定尺寸,以便后续处理。使用Adaboost算法,该算法能够通过训练来识别眼睛和嘴部的特征。在预处理后的图像上,通过Adaboost训练出一组弱分类器,用于定位猕猴脸部的眼睛和嘴部位置。基于通过Adaboost检测出的眼睛和嘴部位置,通过几何特征(如位置关系、比例等)将猴脸区域分割出来。然后,对分割出的猴脸图像进行归一化处理,使其具有一致的大小、比例和方向,以消除变化因素的影响,确保后续的处理一致性。将经过分割和归一化处理的猴脸图像数据存储为数据库。数据库应包含图像和与之相关的标签,标明每个图像对应的个体身份或其他信息,以便后续算法的训练和测试。
S104,构建猕猴脸部识别模型,通过所述猕猴脸部数据库进行深度学习和训练,得到符合期望的猕猴脸部识别模型;
基于所述猕猴脸部数据库建立训练数据集,通过数据增强法对训练数据集进行丰富处理,用于训练猕猴脸部识别模型;
通过随机裁剪、翻转、旋转和光照变化来丰富训练数据集中的图片多样性,模拟各种角度、位置、方向和光照的猴脸,得到增强训练数据集;
根据卷积神经网络和孪生网络构建猕猴脸部识别模型,所述猕猴脸部识别模型包含卷积分支、孪生网络分支和强分类器分支;
所述卷积分支用于对输入的图像信息进行特征提取,提取猕猴脸部图像的各种特征,得到特征输出信息;
所述孪生网络分支包含两个完全相同且共享权重的子网络,同时分析一对输入图像,通过共享的权重将它们映射到一个特征空间,用于学习猴脸之间的相似性,得到相似性输出信息;
将所述特征输出信息和相似性输出信息进行特征融合,用于进一步的识别判断;
采用扩展的非对称Haar-Like特征来训练分类器,通Adaboost算法构建若干个弱分类器,并组合成一个强分类器,通过强分类器进行猴脸特征的识别和分类;
通过所述增强训练数据集对所述猕猴脸部识别模型进行深度学习和训练,得到符合期望的猕猴脸部识别模型。
需要说明的是,采用数据增强法对训练数据集进行丰富处理,增加了数据多样性。通过随机裁剪、翻转、旋转和光照变化等操作,增加训练数据集中的图片多样性。这样,模型可以在不同角度、位置、方向和光照条件下学习到更丰富的特征,提高模型的泛化能力。拓展的非对称Haar特征则是在传统Haar特征的基础上引入了非对称性。具体而言,它允许特征区域在水平和垂直方向上具有不同的大小,从而更好地适应目标物体的形状。这种非对称性使得特征能够更好地捕捉到目标物体的细节和轮廓,从而提高了分类和检测的准确性。
S106,获取待识别猕猴图像信息,对所述待识别猕猴图像信息进行脸部识别分析,得到识别结果信息;
获取待识别猕猴图像信息,基于区域色彩量化法进行猴身提取与分割;
将所述待识别猕猴图像信息输入至HIS猕猴模型中,根据HIS猕猴模型计算所述待识别猕猴图像信息在HIS空间中的像素点分布,得到像素点分布信息;
对所述像素点分布信息进行遍历分析,预设颜色筛选范围,根据颜色筛选范围进行图像分割,将猴身与背景进行分割,得到分割结果信息;
将所述分割结果信息输入至猕猴脸部识别模型中进行识别分析,通过强分类器分支进行脸部识别和分割,得到猴脸候选区域信息;
通过卷积分支对所述猴脸候选区域信息进行特征提取,得到猴脸特征信息;
通过孪生网络分支对猴脸特征信息进行相似度分析并获取相似度值,将相似度值与预设阈值进行判断,得到识别结果信息。
进一步的,获取待识别猕猴脸部信息,通过猕猴脸部识别模型进行特征提取,得到目标猕猴脸部特征信息;获取猕猴脸部数据库,对所述猕猴脸部数据库进行特征提取,得到综合猕猴脸部特征信息;将所述目标猕猴脸部特征信息和综合猕猴脸部特征信息进行相似度计算,获取相似度值,与预设阈值进行判断,将小于预设阈值的目标猕猴脸部特征信息作为目标猕猴的区别特征并进行身份标记,得到目标猕猴区别特征信息;根据所述目标猕猴区别特征信息结合目标猕猴脸部特征信息生成面部拓扑结构,如某个猕猴的脸部特征作为节点,通过有向边描述指向某个猕猴的身份信息,形成拓扑结构,从而将该脸部特征作为目标猕猴的独有身份识别特征;基于所述面部拓扑结构构建身份识别模型,通过目标猕猴区别特征信息进行训练,得到符合期望的身份识别模型,从而更快识别出猕猴身份;获取目标猕猴实时图像信息,对目标猕猴实时图像信息进行特征提取,得到目标猕猴实时特征信息;基于所述目标猕猴区别特征信息对目标猕猴实时特征信息进行分析,分析当前时刻目标猕猴的区别特征的变化,得到区别特征变化信息;根据所述区别特征变化信息自适应更新目标猕猴区别特征信息和面部拓扑结构,保证目标猕猴的识别准确率,提高识别效率。
S108,根据识别结果信息对目标猕猴进行状态分析,得到状态分析结果信息;
基于识别结果信息进行特征提取,获取目标猕猴的脸部特征、颜色特征和毛发特征,得到目标猕猴特征信息;
基于大数据检索获取不同状态下猕猴的脸部特征、颜色特征和毛发特征,构成对比数据集;
基于BP神经网络构建状态分析模型,通过对比数据集对所述状态分析模型进行深度学习和训练;
将所述目标猕猴特征信息输入至状态分析模型中进行状态分析,得到状态分析结果信息。
S110,根据所述状态分析结果信息进行异常状态原因分析,根据分析结果进行预警并制定应对方案;
预设若干异常状态原因类别,基于马氏距离算法计算对比数据集中不同猕猴脸部特征与各种异常状态原因类别之间的马氏距离,得到马氏距离信息;
预设选取阈值,将所述马氏距离信息与选取阈值进行判断,将大于选取阈值的马氏距离信息对应的猕猴脸部特征归入相应的异常状态原因类别,得到异常状态原因分类信息;
基于多头注意力机制构建原因分析模型,通过异常状态原因分类信息进行模型训练;
获取,状态分析结果信息和目标猕猴特征信息,将所述状态分析结果信息和目标猕猴特征信息导入原因分析模型中进行分析,得到原因分析结果信息;
根据异常状态原因分类信息进行大数据检索获取各种异常状况应对方案实例,构成实例数据集;
通过实例数据集结合原因分析结果信息进行应对方案制定,得到异常状况应对方案信息;
根据原因分析结果信息对异常状态猕猴进行标记,结合异常状况应对方案信息生成异常状况分析报告和预警指令,进行预警提示和应对方案建议。
进一步的,获取异常猕猴脸部图像信息和异常状况分析报告;根据所述异常状况分析报告得到异常猕猴的异常原因信息;获取历史猕猴治疗信息,包括历史治疗方案和次数、历史治疗原因、历史治疗疗效和患病猕猴信息;将所述异常猕猴脸部图像信息和所述历史猕猴治疗信息进行相似度计算,获取相似度值,将相似度值与预设阈值进行判断,得到异常猕猴历史治疗信息;根据异常猕猴的异常原因信息结合异常猕猴历史治疗信息进行分析,分析目标猕猴的历史病因、历史治疗次数、历史治疗方案和采用次数,得到分析结果信息;预设抗药性判断阈值和治疗次数判断阈值,将所述分析结果信息分别与抗药性判断阈值和治疗次数判断阈值进行判断,得到综合判断结果信息;根据综合判断结果信息和异常猕猴历史治疗信息结合实例数据集进行候选应对方案制定,得到候选应对方案信息,包括已经采用和未采用的应对方案;根据所述候选应对方案信息通过大数据检索获取各方案治疗实例的疗效信息,得到各方案疗效信息;将所述各方案疗效信息和历史猕猴治疗信息中的历史治疗疗效作为权重,对所述候选应对方案进行加权计算,根据加权计算结果选取最优应对方案,得到最优应对方案信息,避免因重复用药的抗药性导致疗效不佳,从而保证猕猴健康生存。
图2为本发明一实施例提供的一种一种基于深度学习的猕猴脸部智能识别的数据处理流程图;
如图2所示,本发明提供了一种一种基于深度学习的猕猴脸部智能识别的数据处理流程图,包括:
S202,获取待识别猕猴图像信息,将所述待识别猕猴图像信息输入至HIS猕猴模型中,进行背景分割;
S204,将分割结果信息输入至猕猴脸部识别模型中进行识别分析,得到识别结果信息;
S206,根据识别结果信息对目标猕猴进行状态分析,得到状态分析结果信息;
S208,根据状态分析结果信息进行异常状态原因分析;
S210,根据分析结果进行预警并制定应对方案;
需要说明的是,首先,将待识别猕猴图像信息输入至HIS猕猴模型中,采用区域色彩量化法筛选出猴身区域,然后,在此区域内利用Adaboost算法进一步筛选出猴脸候选区域,完成背景分割步骤;接着,将分割结果信息输入至猕猴脸部识别模型中进行识别分析,识别分析目标猕猴的年龄、性别和种族,得到识别结果信息;再根据识别结果信息进一步分析目标猕猴的状态,通过目标猕猴的脸部特征和毛发特征分析目标猕猴的情绪状态,得到状态分析结果信息;最后根据状态分析结果信息进行异常状态原因分析,分析目标猕猴异常状态的原因,是否患病还是其他原因,得到原因分析结果信息;根据原因分析结果信息进行预警和应对方案制定,从而保障猕猴的生存安全。
图3为本发明一实施例提供的一种基于深度学习的猕猴脸部智能识别系统框图3,该系统包括:存储器31、处理器32,所述存储器31中包含基于深度学习的猕猴脸部智能识别方法程序,所述基于深度学习的猕猴脸部智能识别方法程序被所述处理器32执行时实现如下步骤:
获取历史猕猴脸部图像数据,对所述历史猕猴脸部图像数据进行预处理,并构建猕猴脸部数据库;
构建猕猴脸部识别模型,通过所述猕猴脸部数据库进行深度学习和训练,得到符合期望的猕猴脸部识别模型;
获取待识别猕猴图像信息,对所述待识别猕猴图像信息进行脸部识别分析,得到识别结果信息;
根据识别结果信息对目标猕猴进行状态分析,得到状态分析结果信息;
根据所述状态分析结果信息进行异常状态原因分析,根据分析结果进行预警并制定应对方案。
需要说明的是,本发明提出的一种基于深度学习的猕猴脸部智能识别方法及系统,基于HSI颜色空间模型、Adaboost算法和数据增强法构建的猕猴脸部数据库,有效的丰富了猕猴面部数据的多样性,通过丰富的猕猴面部数据能够有效克服猕猴面部识别中存在光照、遮挡、噪声等因素的干扰,从而使模型训练和识别拥有坚实的基础。进一步的,提出了一种基于区域色彩量化方法与改进的Haar-Like特征的猴脸检测方法,采用HIS猕猴模型、区域色彩量化法筛选出猴身区域,在此区域内再筛选出猴脸候选区域;接着提出扩展的非对称Haar-Like特征来训练分类器,通过Adaboost算法把这些分类器组成一种强分类器,进行猴脸特征的训练,最后识别候选区域内的猴脸区域,提高了猴脸检测的鲁棒性。最后,提出了一种改进的卷积神经网络结构与数据增强的猴脸识别方法。首先,该方法中的数据增强法提升了训练猴脸数据库的数据集,融合卷积神经网络网络与孪生网络结构,结合两种网络模型的优势,既可以自动提取猴脸有效特征,又可以提取猴脸之间的相似特征,对于有噪声的图像也能达到很好的识别效果,同时提高了在不同光照环境、猴脸有遮挡情况下的猴脸识别的效果,保证了猴脸识别的准确性和效率性。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,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,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,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全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,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单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也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,本发明实施例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中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明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发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于深度学习的猕猴脸部智能识别方法,其特征在于,包括:
获取历史猕猴脸部图像数据,对所述历史猕猴脸部图像数据进行预处理,并构建猕猴脸部数据库;
构建猕猴脸部识别模型,通过所述猕猴脸部数据库进行深度学习和训练,得到符合期望的猕猴脸部识别模型;
获取待识别猕猴图像信息,对所述待识别猕猴图像信息进行脸部识别分析,得到识别结果信息;
根据识别结果信息对目标猕猴进行状态分析,得到状态分析结果信息;
根据所述状态分析结果信息进行异常状态原因分析,根据分析结果进行预警并制定应对方案。
2.根据权利要求1所述的一种基于深度学习的猕猴脸部智能识别方法,其特征在于,所述获取历史猕猴脸部图像数据,对所述历史猕猴脸部图像数据进行预处理,并构建猕猴脸部数据库,具体包括:
获取历史猕猴脸部图像信息,包括不同年龄、性别、状态和种类的猕猴脸部图像信息;
构建HSI颜色空间模型,将所述历史猕猴脸部图像信息转换至HSI颜色空间模型中,并对图像进行去噪、滤波和尺寸调整预处理,得到预处理图像信息;
预设分类标准,以种族类别为大类,每个大类分别含有年龄、性别和状态三个小类,根据聚类算法对所述预处理图像信息进行分类,得到分类猕猴脸部图像信息;
基于Adaboost算法对所述分类猕猴脸部图像信息进行目标检测,通过构建多个弱分类器组合检测目标图像的猕猴眼部和嘴部的特征及位置,得到关键特征信息;
根据关键特征信息提取眼睛至嘴部距离、嘴部和眼睛至图像边缘的距离,作为几何特征计算猴脸轮廓位置计算,得到猴脸区域位置信息;
基于图像分割算法结合猴脸区域位置信息进行图像分割,将猴脸区域与图像背景进行分割,同时提取猕猴头部毛发纹理特征和颜色特征,得到分割后特征信息;
对所述分割后特征信息进行归一化处理包括图像增强和尺寸统一,得到归一化特征信息;
根据归一化特征信息和分类猕猴脸部图像信息构建猕猴脸部数据库,数据库包含图像、特征和与之相关的类别标签,标明每个图像和特征对应的信息。
3.根据权利要求1所述的一种基于深度学习的猕猴脸部智能识别方法,其特征在于,所述构建猕猴脸部识别模型,具体包括:
基于所述猕猴脸部数据库建立训练数据集,通过数据增强法对训练数据集进行丰富处理,用于训练猕猴脸部识别模型;
通过随机裁剪、翻转、旋转和光照变化来丰富训练数据集中的图片多样性,模拟各种角度、位置、方向和光照的猴脸,得到增强训练数据集;
根据卷积神经网络和孪生网络构建猕猴脸部识别模型,所述猕猴脸部识别模型包含卷积分支、孪生网络分支和强分类器分支;
所述卷积分支用于对输入的图像信息进行特征提取,提取猕猴脸部图像的各种特征,得到特征输出信息;
所述孪生网络分支包含两个完全相同且共享权重的子网络,同时分析一对输入图像,通过共享的权重将它们映射到一个特征空间,用于学习猴脸之间的相似性,得到相似性输出信息;
将所述特征输出信息和相似性输出信息进行特征融合,用于进一步的识别判断;
采用扩展的非对称Haar-Like特征来训练分类器,通Adaboost算法构建若干个弱分类器,并组合成一个强分类器,通过强分类器进行猴脸特征的识别和分类;
通过所述增强训练数据集对所述猕猴脸部识别模型进行深度学习和训练,得到符合期望的猕猴脸部识别模型。
4.根据权利要求1所述的一种基于深度学习的猕猴脸部智能识别方法,其特征在于,所述获取待识别猕猴图像信息,对所述待识别猕猴图像信息进行脸部识别分析,具体包括:
获取待识别猕猴图像信息,基于区域色彩量化法进行猴身提取与分割;
将所述待识别猕猴图像信息输入至HIS猕猴模型中,根据HIS猕猴模型计算所述待识别猕猴图像信息在HIS空间中的像素点分布,得到像素点分布信息;
对所述像素点分布信息进行遍历分析,预设颜色筛选范围,根据颜色筛选范围进行图像分割,将猴身与背景进行分割,得到分割结果信息;
将所述分割结果信息输入至猕猴脸部识别模型中进行识别分析,通过强分类器分支进行脸部识别和分割,得到猴脸候选区域信息;
通过卷积分支对所述猴脸候选区域信息进行特征提取,得到猴脸特征信息;
通过孪生网络分支对猴脸特征信息进行相似度分析并获取相似度值,将相似度值与预设阈值进行判断,得到识别结果信息。
5.根据权利要求1所述的一种基于深度学习的猕猴脸部智能识别方法,其特征在于,所述根据识别结果信息对目标猕猴进行状态分析,得到状态分析结果信息;
基于识别结果信息进行特征提取,获取目标猕猴的脸部特征、颜色特征和毛发特征,得到目标猕猴特征信息;
基于大数据检索获取不同状态下猕猴的脸部特征、颜色特征和毛发特征,构成对比数据集;
基于BP神经网络构建状态分析模型,通过对比数据集对所述状态分析模型进行深度学习和训练;
将所述目标猕猴特征信息输入至状态分析模型中进行状态分析,得到状态分析结果信息。
6.根据权利要求1所述的一种基于深度学习的猕猴脸部智能识别方法,其特征在于,所述根据所述状态分析结果信息进行异常状态原因分析,根据分析结果进行预警并制定应对方案,具体包括:
预设若干异常状态原因类别,基于马氏距离算法计算对比数据集中不同猕猴脸部特征与各种异常状态原因类别之间的马氏距离,得到马氏距离信息;
预设选取阈值,将所述马氏距离信息与选取阈值进行判断,将大于选取阈值的马氏距离信息对应的猕猴脸部特征归入相应的异常状态原因类别,得到异常状态原因分类信息;
基于多头注意力机制构建原因分析模型,通过异常状态原因分类信息进行模型训练;
获取,状态分析结果信息和目标猕猴特征信息,将所述状态分析结果信息和目标猕猴特征信息导入原因分析模型中进行分析,得到原因分析结果信息;
根据异常状态原因分类信息进行大数据检索获取各种异常状况应对方案实例,构成实例数据集;
通过实例数据集结合原因分析结果信息进行应对方案制定,得到异常状况应对方案信息;
根据原因分析结果信息对异常状态猕猴进行标记,结合异常状况应对方案信息生成异常状况分析报告和预警指令,进行预警提示和应对方案建议。
7.一种基于深度学习的猕猴脸部智能识别系统,其特征在于,该系统包括:存储器、处理器,所述存储器中包含基于深度学习的猕猴脸部智能识别方法程序,所述基于深度学习的猕猴脸部智能识别方法程序被所述处理器执行时实现如下步骤:
获取历史猕猴脸部图像数据,对所述历史猕猴脸部图像数据进行预处理,并构建猕猴脸部数据库;
构建猕猴脸部识别模型,通过所述猕猴脸部数据库进行深度学习和训练,得到符合期望的猕猴脸部识别模型;
获取待识别猕猴图像信息,对所述待识别猕猴图像信息进行脸部识别分析,得到识别结果信息;
根据识别结果信息对目标猕猴进行状态分析,得到状态分析结果信息;
根据所述状态分析结果信息进行异常状态原因分析,根据分析结果进行预警并制定应对方案。
8.根据权利要求7所述的一种基于深度学习的猕猴脸部智能识别系统,其特征在于,所述获取历史猕猴脸部图像数据,对所述历史猕猴脸部图像数据进行预处理,并构建猕猴脸部数据库,具体包括:
获取历史猕猴脸部图像信息,包括不同年龄、性别、状态和种类的猕猴脸部图像信息;
构建HSI颜色空间模型,将所述历史猕猴脸部图像信息转换至HSI颜色空间模型中,并对图像进行去噪、滤波和尺寸调整预处理,得到预处理图像信息;
预设分类标准,以种族类别为大类,每个大类分别含有年龄、性别和状态三个小类,根据聚类算法对所述预处理图像信息进行分类,得到分类猕猴脸部图像信息;
基于Adaboost算法对所述分类猕猴脸部图像信息进行目标检测,通过构建多个弱分类器组合检测目标图像的猕猴眼部和嘴部的特征及位置,得到关键特征信息;
根据关键特征信息提取眼睛至嘴部距离、嘴部和眼睛至图像边缘的距离,作为几何特征计算猴脸轮廓位置计算,得到猴脸区域位置信息;
基于图像分割算法结合猴脸区域位置信息进行图像分割,将猴脸区域与图像背景进行分割,同时提取猕猴头部毛发纹理特征和颜色特征,得到分割后特征信息;
对所述分割后特征信息进行归一化处理包括图像增强和尺寸统一,得到归一化特征信息;
根据归一化特征信息和分类猕猴脸部图像信息构建猕猴脸部数据库,数据库包含图像、特征和与之相关的类别标签,标明每个图像和特征对应的信息。
9.根据权利要求7所述的一种基于深度学习的猕猴脸部智能识别系统,其特征在于,所述构建猕猴脸部识别模型,具体包括:
基于所述猕猴脸部数据库建立训练数据集,通过数据增强法对训练数据集进行丰富处理,用于训练猕猴脸部识别模型;
通过随机裁剪、翻转、旋转和光照变化来丰富训练数据集中的图片多样性,模拟各种角度、位置、方向和光照的猴脸,得到增强训练数据集;
根据卷积神经网络和孪生网络构建猕猴脸部识别模型,所述猕猴脸部识别模型包含卷积分支、孪生网络分支和强分类器分支;
所述卷积分支用于对输入的图像信息进行特征提取,提取猕猴脸部图像的各种特征,得到特征输出信息;
所述孪生网络分支包含两个完全相同且共享权重的子网络,同时分析一对输入图像,通过共享的权重将它们映射到一个特征空间,用于学习猴脸之间的相似性,得到相似性输出信息;
将所述特征输出信息和相似性输出信息进行特征融合,用于进一步的识别判断;
采用扩展的非对称Haar-Like特征来训练分类器,通Adaboost算法构建若干个弱分类器,并组合成一个强分类器,通过强分类器进行猴脸特征的识别和分类;
通过所述增强训练数据集对所述猕猴脸部识别模型进行深度学习和训练,得到符合期望的猕猴脸部识别模型。
10.根据权利要求7所述的一种基于深度学习的猕猴脸部智能识别系统,其特征在于,所述获取待识别猕猴图像信息,对所述待识别猕猴图像信息进行脸部识别分析,具体包括:
获取待识别猕猴图像信息,基于区域色彩量化法进行猴身提取与分割;
将所述待识别猕猴图像信息输入至HIS猕猴模型中,根据HIS猕猴模型计算所述待识别猕猴图像信息在HIS空间中的像素点分布,得到像素点分布信息;
对所述像素点分布信息进行遍历分析,预设颜色筛选范围,根据颜色筛选范围进行图像分割,将猴身与背景进行分割,得到分割结果信息;
将所述分割结果信息输入至猕猴脸部识别模型中进行识别分析,通过强分类器分支进行脸部识别和分割,得到猴脸候选区域信息;
通过卷积分支对所述猴脸候选区域信息进行特征提取,得到猴脸特征信息;
通过孪生网络分支对猴脸特征信息进行相似度分析并获取相似度值,将相似度值与预设阈值进行判断,得到识别结果信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311167413.4A CN117351537B (zh) | 2023-09-11 | 2023-09-11 | 一种基于深度学习的猕猴脸部智能识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311167413.4A CN117351537B (zh) | 2023-09-11 | 2023-09-11 | 一种基于深度学习的猕猴脸部智能识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117351537A true CN117351537A (zh) | 2024-01-05 |
CN117351537B CN117351537B (zh) | 2024-05-17 |
Family
ID=89356491
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311167413.4A Active CN117351537B (zh) | 2023-09-11 | 2023-09-11 | 一种基于深度学习的猕猴脸部智能识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117351537B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345624A (zh) * | 2013-07-15 | 2013-10-09 | 武汉大学 | 一种多通道脉冲耦合神经网络的加权特征人脸识别方法 |
CN110287777A (zh) * | 2019-05-16 | 2019-09-27 | 西北大学 | 一种自然场景下的金丝猴躯体分割算法 |
CN110414299A (zh) * | 2018-04-28 | 2019-11-05 | 中山大学 | 一种基于计算机视觉的猴脸亲缘关系分析方法 |
CN111709278A (zh) * | 2020-04-30 | 2020-09-25 | 北京航空航天大学 | 一种识别猕猴面部表情的方法 |
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 |
CN114255357A (zh) * | 2021-12-23 | 2022-03-29 | 东北大学 | 一种基于计算机视觉的群养生猪身份识别与健康监测方法 |
CN114299279A (zh) * | 2021-12-01 | 2022-04-08 | 北京昭衍新药研究中心股份有限公司 | 基于脸部检测和识别的无标记群体恒河猴运动量估计方法 |
CN114496294A (zh) * | 2022-01-22 | 2022-05-13 | 安徽农业大学 | 一种基于多模态生物识别技术的猪体疾病预警实现方法 |
-
2023
- 2023-09-11 CN CN202311167413.4A patent/CN117351537B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345624A (zh) * | 2013-07-15 | 2013-10-09 | 武汉大学 | 一种多通道脉冲耦合神经网络的加权特征人脸识别方法 |
CN110414299A (zh) * | 2018-04-28 | 2019-11-05 | 中山大学 | 一种基于计算机视觉的猴脸亲缘关系分析方法 |
CN110287777A (zh) * | 2019-05-16 | 2019-09-27 | 西北大学 | 一种自然场景下的金丝猴躯体分割算法 |
CN111709278A (zh) * | 2020-04-30 | 2020-09-25 | 北京航空航天大学 | 一种识别猕猴面部表情的方法 |
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 |
CN114299279A (zh) * | 2021-12-01 | 2022-04-08 | 北京昭衍新药研究中心股份有限公司 | 基于脸部检测和识别的无标记群体恒河猴运动量估计方法 |
CN114255357A (zh) * | 2021-12-23 | 2022-03-29 | 东北大学 | 一种基于计算机视觉的群养生猪身份识别与健康监测方法 |
CN114496294A (zh) * | 2022-01-22 | 2022-05-13 | 安徽农业大学 | 一种基于多模态生物识别技术的猪体疾病预警实现方法 |
Non-Patent Citations (3)
Title |
---|
SONGTAO GUO ET.AL: "Automatic Identification of Individual Primates with Deep Learning Techniques", 《ISCIENCE》, 21 August 2020 (2020-08-21), pages 1 - 32 * |
张飞飞: "复杂背景下的多姿态猴脸检测与识别方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 12, 15 December 2018 (2018-12-15), pages 4 - 31 * |
杜希扬 等: "基于猕猴面部图像特征的计算机自动定位方法", 《实验动物与比较医学》, vol. 31, no. 3, 30 June 2011 (2011-06-30), pages 166 - 171 * |
Also Published As
Publication number | Publication date |
---|---|
CN117351537B (zh) | 2024-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10445562B2 (en) | AU feature recognition method and device, and storage medium | |
US6661907B2 (en) | Face detection in digital images | |
CN109558810B (zh) | 基于部位分割与融合目标人物识别方法 | |
CN103443804B (zh) | 面部标志检测方法 | |
CN110751022A (zh) | 基于图像识别的城市宠物活动轨迹监测方法及相关设备 | |
WO2015149696A1 (en) | Method and system for extracting characteristic of three-dimensional face image | |
CN107958230B (zh) | 人脸表情识别方法及装置 | |
CN111813997B (zh) | 入侵分析方法、装置、设备及存储介质 | |
Das et al. | SSERBC 2017: Sclera segmentation and eye recognition benchmarking competition | |
CN110348416A (zh) | 一种基于多尺度特征融合卷积神经网络的多任务人脸识别方法 | |
US11908240B2 (en) | Micro-expression recognition method based on multi-scale spatiotemporal feature neural network | |
CN111563417A (zh) | 一种基于金字塔结构卷积神经网络的人脸表情识别方法 | |
CN104021384B (zh) | 一种人脸识别方法及装置 | |
CN111968098A (zh) | 一种带钢表面缺陷检测方法、装置和设备 | |
CN110826408B (zh) | 一种分区域特征提取人脸识别方法 | |
Monwar et al. | Pain recognition using artificial neural network | |
CN110458007A (zh) | 匹配人脸的方法、装置、计算机设备和存储介质 | |
CN107977622B (zh) | 基于瞳孔特征的眼睛状态检测方法 | |
CN117351537B (zh) | 一种基于深度学习的猕猴脸部智能识别方法及系统 | |
CN105893967B (zh) | 基于时序保留性时空特征的人体行为分类检测方法及系统 | |
CN111898473A (zh) | 一种基于深度学习的司机状态实时监测方法 | |
Zhao et al. | A head pose estimation method based on multi-feature fusion | |
CN110334698A (zh) | 眼镜检测系统及方法 | |
CN111611827A (zh) | 一种图像处理方法及装置 | |
Yang et al. | Research on smoke detection based on densenet |
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 |