GR1010102B - Συστημα αναγνωρισης προσωπου ζωων - Google Patents
Συστημα αναγνωρισης προσωπου ζωων Download PDFInfo
- Publication number
- GR1010102B GR1010102B GR20210100194A GR20210100194A GR1010102B GR 1010102 B GR1010102 B GR 1010102B GR 20210100194 A GR20210100194 A GR 20210100194A GR 20210100194 A GR20210100194 A GR 20210100194A GR 1010102 B GR1010102 B GR 1010102B
- Authority
- GR
- Greece
- Prior art keywords
- animal
- face
- recognition system
- face recognition
- animals
- Prior art date
Links
- 241001465754 Metazoa Species 0.000 title claims abstract description 77
- 238000005516 engineering process Methods 0.000 claims abstract description 4
- 241000282326 Felis catus Species 0.000 claims description 11
- 230000001815 facial effect Effects 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 4
- 241000894007 species Species 0.000 claims description 3
- 241000282472 Canis lupus familiaris Species 0.000 abstract description 21
- 239000000284 extract Substances 0.000 abstract description 4
- 238000000034 method Methods 0.000 description 29
- 238000013459 approach Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 210000000887 face Anatomy 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 210000000216 zygoma Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Processing (AREA)
Abstract
Η παρούσα εφεύρεση συνίσταται σε ένα σύστημα αποτελούμενο από αλγόριθμο και λογισμικό, το οποίο εκτελούμενο μέσα από φορητή συσκευή με λειτουργικό πρόγραμμα μπορεί, χρησιμοποιώντας μία μόνο κάμερα τεχνολογίας RGB και έναν μικρό επεξεργαστή που βρίσκονται σε φορητή συσκευή τηλεφώνου ή δισκίου, να βρίσκει εκείνα τα χαρακτηριστικά του ζώου που το καθιστούν μοναδικό και το διαφοροποιούν από όλα τα άλλα. Το σύστημα περικόπτει τις ανεπιθύμητες περιοχές από την εικόνα που δίνει ο χρήστης, περιστρέφει και ευθυγραμμίζει το πρόσωπο του ζώου, όπου αυτό απαιτείται, εστιάζει στα απαραίτητα σημεία-κλειδιά του προσώπου του ζώου και εξάγει χάρτες βάθους της περιοχής του προσώπου του ζώου. Η εφεύρεση ταξινομεί τους σκύλους με διάφορα κριτήρια και τελικά χρησιμεύει στην καταγραφή και καταμέτρηση των αδέσποτων ζώων, καθώς και στην ανεύρεση απολεσθέντων ζώων.
Description
ΠΕΡΙΓΡΑΦΗ
Σύστημα αναγνώρισης προσώπου ζώων
[001] Η παρούσα εφεύρεση αφορά ένα σύστημα αποτελούμενο από αλγόριθμο και λογισμικό, το οποίο εκτελούμενο μέσα από φορητή συσκευή με λειτουργικό πρόγραμμα μπορεί, χρησιμοποιώντας μία μόνο κάμερα τεχνολογίας rgb και έναν μικρό επεξεργαστή που βρίσκονται σε φορητή συσκευή τηλεφώνου ή δισκίου, να βρίσκει εκείνα τα χαρακτηριστικά του προσώπου του ζώου που το καθιστούν μοναδικό και το διαφοροποιούν από όλα τα άλλα του ίδιου είδους.
[002] Το σύστημα αναγνώρισης προσώπου είναι ένα είδος συστήματος Αναγνώρισης Προτύπων και, ως τέτοιο, ακολουθεί μια τυπική αρχιτεκτονική που περιλαμβάνει τα εξής τέσσερα βασικά στάδια επεξεργασίας: α) Λήψη μετρήσεων, β) Προεπεξεργασία των μετρήσεων, γ) Εξαγωγή χαρακτηριστικών με τα οποία γίνεται η διάκριση των προτύπων, δ) Ταξινόμηση, που περιλαμβάνει τη σύγκριση των χαρακτηριστικών του αντικειμένου με κάποια χαρακτηριστικά που το σύστημα ήδη γνωρίζει που ανήκουν, ώστε να το αντιστοιχίσει σε κάποια κλάση. Όσον αφορά την αναγνώριση προσώπου, υπάρχουν δύο βασικές διαδεδομένες μέθοδοι, η γεωμετρική, που στηρίζεται σε χαρακτηριστικά του πρόσωπο, και η φωτομετρική που στηρίζεται στην όψη του.
[003] Οι γεωμετρικές μέθοδοι διακρίνονται σε δισδιάστατη και τρισδιάστατη. Στην δισδιάστστη μέθοδο, η αναγνώριση προσώπου γίνεται με αλγόριθμους που εξάγουν χαρακτηριστικά από την εικόνα του προσώπου του ατόμου. Κάθε πρόσωπο έχει ξεχωριστά διακριτικά στοιχεία, με διαφορετικές κορυφές και κοιλάδες, όπως η απόσταση μεταξύ ματιών, το πλάτος της μύτης, το βάθος των ματιών, το σχήμα των ζυγωματικών, το μήκος του σαγονιού. Το ανθρώπινο πρόσωπο έχει περίπου 80 τέτοια χαρακτηριστικά, που καθορίζουν τις διαφορές μεταξύ προσώπων και α ποκαλού νται κομβικά σημεία (nodal points). Τα χαρακτηριστικά αυτά κανονικοποιούνται και στη συνέχεια συμπιέζονται, με στόχο να επιτευχθεί η πιο μικρή ικανοποιητική διάσταση διανύσματος χαρακτηριστικών. Η μέθοδος αυτή χρησιμοποιεί τον αλγόριθμο PCA (Principal Components Analysis), αναπτύχθηκε το 1988 και αποκαλείται μέθοδος eigenface. Μια άλλη διαδεδομένη μέθοδος, είναι η κατηγοριοποίηση προσώπων κατά την εκπαίδευση του συστήματος και στη συνέχεια η χρήση του αλγόριθμου LDA (Linear Discriminant Analysis), με σκοπό τη μεγιστοποίηση της πυκνότητας όμοιων στοιχείων εντός του ίδιου προσώπου, με την παράλληλη αύξηση των διαφορών. Άλλοι παρόμοιοι αλγόριθμοι είναι ο Elastic Bunch Graph Matching που χρησιμοποιεί τον αλγόριθμο Fisherface, ο Hidden Markov model και ο νευρωνικός Dynamic Link Matching. Στην τρισδιάστατη μέθοδο, που αποτελεί μια παραλλαγή της κλασικής δισδιάστστης αναγνώρισης, για την αναγνώριση προσώπου χρησιμοποιείται η τρισδιάστατη γεωμετρική αναπαράσταση του ανθρώπινου προσώπου. Η τρισδιάστατη αναγνώριση προσώπου μπορεί να επιτύχει πολύ καλύτερα αποτελέσματα, αφού προσεγγίζει σε αποτελεσματικότητα την ταυτοποίηση δαχτυλικού αποτυπώματος. Στην τρισδιάστατη μέθοδο, επιτυγχάνονται καλύτερα αποτελέσματα, διότι εξετάζεται η γεωμετρία των συμπαγών στοιχείων του προσώπου, αποφεύγοντας, έτσι, τα προβλήματα που αντιμετώπιζε η δισδιάστστη μελέτη όπως ο φωτισμός, η έκφραση του προσώπου, το μακιγιάζ, ο προσανατολισμός του προσώπου κατά τη λήψη κλπ. Το σημαντικότερο μειονέκτημα της τρισδιάστατης αναγνώρισης προσώπων, είναι η ανάγκη για τρισδιάστατα μοντέλα, που απαιτούν τη χρήση ειδικού τύπου συστημάτων λήψης. Βέβαια, εξίσου ικανοποιητικές είναι πλέον πολλαπλές λήψεις του ίδιου αντικειμένου από διαφορετικές οπτικές γωνίες, που με κατάλληλη επεξεργασία, μπορεί να αποδώσει τις μεταβλητές που ενδιαφέρουν το σύστημα. Μία διαδεδομένη τριασδιάστστη μέθοδος αναγνώρισης προσώπων είναι η μέθοδος «laplacian faces». Η προσέγγιση αυτή χρησιμοποιεί τον αλγόριθμο LLP (Locality Preserving Projection) προκειμένου να μάθει έναν τοπικό χώρο που διατηρεί την τοποθεσία της οποίας την εγγενή γεωμετρία των δεδομένων και την τοπική δομή επιδιώκει να συλλάβει. Εκτός από τις γεωμετρικές μεθόδους, υπάρχει και η βιομετρική αναγνώριση, που είναι φωτομετρική μέθοδος αναγνώρισης. Γ ια την επίτευξη ακόμα καλύτερων αποτελεσμάτων, με μεγαλύτερη εγκυρότητα, χρησιμοποιείται μια επιπλέον διαδικασία που ονομάζεται Surface Texture Analysis (ανάλυση υφής επιφάνειας). Με τη χρήση αλγορίθμων για τη μετατροπή ενός τμήματος της επιφάνειας του προσώπου, σε μαθηματικές ακολουθίες, μετρήσιμες στο χώρο, το σύστημα μπορεί να αναγνωρίσει γραμμές και πόρους στο δέρμα, που έχει στην πραγματικότητα το πρόσωπο. Αυτού του είδους η ανάλυση, δίνει μια ώθηση 20 έως 25% στην επιτυχή αναγνώριση προσώπου.
[003] Η πιο σύγχρονη μέθοδος αναγνώρισης ανθρώπινου προσώπου είναι η μέθοδος της «αναγνώρισης βαθέος προσώπου» (deep face recognition). To DeepFaceRecognition είναι ένα σύστημα αναγνώρισης προσώπου βαθιάς μάθησης που δημιουργήθηκε από μια ερευνητική ομάδα to 2014. Προσδιορίζει τα ανθρώπινα πρόσωπα σε ψηφιακές εικόνες. Απασχολεί ένα νευρωνικό δίκτυο εννέα επιπέδων με πάνω από 120 εκατομμύρια βάρη σύνδεσης. Για όλες τις προαναφερθείσες μεθόδους υπάρχουν πολλά ερευνητικά έργα που συνεχώς βελτιώνονται και όλες αφορούν την αναγνώριση ανθρώπινου προσώπου.
[004] Ωστόσο, η αναγνώριση των χαρακτηριστικών του προσώπου των ζώων, ιδίως του σκύλου και της γάτας, και τα δευτερεύοντα καθήκοντα αυτής (ανίχνευση προσώπου σκύλου, ανίχνευση ορόσημων, τρισδιάστατη ανακστασκευή) έχουν ερευνηθεί λιγότερο, με κύρια επιστημονικά στοιχεία την αναγνώριση φυλής (Raduly Ζ, Sulyok C, Vadaszi Ζ, Zolde A. Dog breed identification using deep learning. In2018 IEEE 16th International Symposium on Intelligent Systems and Informatics (SISY) 2018 Sep 13 (pp. 000271-000276) IEEE). Οι υπάρχουσες λύσεις εξετάζουν παρόμοιες προσεγγίσεις με την αναγνώριση ανθρώπινου προσώπου, δηλαδή το FaceNet framework5, που παρέχει τα υψηλότερα ποσοστά ακρίβειας στην αναγνώριση ανθρώπινου προσώπου. Το πλαίσιο FaceNet αντιμετωπίζει την εργασία αναγνώρισης προσώπου χρησιμοποιώντας ενσωματώσεις σε Ν-διαστστικό χώρο, που παράγονται από μοντέλα βαθιάς μάθησης. Πιο συγκεκριμένα, η μεθοδολογία χρησιμοποιεί τριπλή απώλεια για να χαρτογραφήσει εικόνες προσώπου σε έναν συμπαγή Ευκλείδειο χώρο όπου οι αποστάσεις αντιστοιχούν άμεσα σε ένα μέτρο ομοιότητας προσώπου. Η προσέγγιση βαθιάς αναγνώρισης προσώπου σκύλου (Mougeot G, Li D, Jia S. A Deep Learning Approach for Dog Face Verification and Recognition. InPacific Rim International Conference on Artificial Intelligence 2019 Aug 26 (pp. 418-430). Springer, Cham.) δανείζεται λεπτομέρειες εφαρμογής από την αναγνώριση ανθρώπινου προσώπου και οδηγεί σε τρέχουσες μετρήσεις ακρίβειας.
[005] Όπως ήδη αναφέρθηκε, οι τρέχοντες αλγόριθμοι χρησιμοποιούν τεχνικές που προέρχονται από την αναγνώριση ανθρώπινου προσώπου για να περικόψουν, να ευθυγραμμίσουν και να ταξινομήσουν τις εικόνες ενός ζώου. Ωστόσο, η σωστή οικοδόμηση μιας μεθοδολογίας αναγνώρισης προσώπου ζώων, ιδίως του σκύλου και της γάτας, που μπορεί να εφαρμοστεί σε σενάρια πραγματικού κόσμου πρέπει να περιλαμβάνει λεπτομερή αναζήτηση αρχιτεκτονικής μοντέλου ειδικά για τις ανάγκες αυτής της εργασίας. Μία από τις βασικές διαφορές μεταξύ αναγνώρισης προσώπου ανθρώπου και ζώου έγκειται στον τρόπο λήψης των μετρήσεων. Ο άνθρωπος, κστά τη λήψη φωτογραφικού στιγμιότυπου, μπορεί να στέκεται ακίνητος, υπό σωστή γωνία, ενώ η φωτογραφική λήψη μπορεί να υποβοηθείται από σωστό φωτισμό. Αντιθέτως, η φωτογραφική λήψη του προσώπου ενός ζώου γίνεται υπό διαφορετικές συνθήκες, καθώς το ζώο, ιδίως το αδέσποτο, δεν στέκονται ακίνητο ούτε υπό σωστή γωνία λήψης και φωτισμού. Επιπλέον, οι ερευνητικές εργασίες για την αναγνώριση ανθρώπινου προσώπου δείχνουν βελτίωση της ακρίβειας όταν συμπεριλαμβάνουν τρισδιάστατες (χάρτες βάθους) πληροφορίες ως έξτρα μοντέλο εισόδου. Ομοίως, οι προκαταρκτικές δοκιμές δείχνουν βελτίωση της ακρίβειας στην αναγνώριση προσώπου ζώου RGB-D, σε σύγκριση με τα αποτελέσματα μιας εισόδου. Τέλος, οι βάσεις δεδομένων αναγνώρισης ζώων είναι περιορισμένες, επομένως υπάρχει μεγάλη ανάγκη για τεχνικές αύξησης δεδομένων, όπως η χρωματική αναταραχή ή η εκμάθηση μεταφοράς όπου μοντέλα που αναπτύχθηκαν για μια εργασία μπορούν να επαναχρησιμοποιηθούν ως σημείο εκκίνησης για την τρέχουσα λύση αναγνώρισης του προσώπου ενός ζώου, ιδίως ενός σκύλου ή μίας γάτας. Η τελευταία μεθοδολογία αποδεικνύεται εξαιρετικά ισχυρή σε περιπτώσεις όπου η δεύτερη στη σειρά εργασία έχει περιορισμένες διαθέσιμες συλλογές σχολιασμένων δεδομένων.
[006] Ο πρωταρχικός σκοπός της εφεύρεσης είναι να βρει λύση στο πρόβλημα της αναγνώρισης των χαρακτηριστικών εκείνων του προσώπου του ζώου, ιδίως του σκύλου ή/και της γάτας, που το καθιστά μοναδικό και το διαφοροποιεί από τα άλλα. Επίσης, σκοπός είναι να επιτύχει μεγαλύτερο βαθμό εμβάθυνσης στο πρόσωπο του ζώου, ιδίως του σκύλου ή/και της γάτας, ώστε να επιτυγχάνεται η ταυτοποίησή του με μεγάλη ακρίβεια. Επιπλέον, στόχος είναι η σωστή περικοπή ανεπιθύμητων περιοχών στην εικόνα που δίνει ο χρήστης. Τέλος, σκοπός της εφεύρεσης είναι να χρησιμοποιηθεί για την εύκολη και αποτελεσματική καταγραφή των αδέσποτων ζώων, ιδίως των σκύλων ή/και των γατών, καθώς και για την ανεύρεση απολεσθέντων ζώων, ιδίως σκύλων ή/και γατών.
[007] Η παρούσα εφεύρεση, από άποψη συμπερασμάτων, χρησιμοποιεί πρώτα έναν αλγόριθμο ανίχνευσης προσώπου ζώου για τη σωστή περικοπή ανεπιθύμητων περιοχών στην εικόνα που δίνει ο χρήστης. Στη συνέχεια, ένας εξειδικευμένος αλγόριθμος ορόσημου προσώπου ζώου εξάγει σημεία-κλειδιά που είναι απαραίτητα για σωστή περιστροφή και ευθυγράμμιση της εικόνας. Δεδομένου ότι ο αλγόριθμος αναγνώρισης προσώπου ζώου εκπαιδεύεται χρησιμοποιώντας ευθυγραμμισμένες εικόνες (όπως πρΟτείνεται από τα σύνολα δεδομένων), για να επιτευχθεί η μέγιστη ακρίβεια, η δοκιμή πρέπει επίσης να γίνεται με σωστά προεπεξεργασμένες εικόνες του ζώου. Επιπλέον, η ακρίβεια του μοντέλου αναγνώρισης του προσώπου του ζώου αυξάνεται περαιτέρω με τη χρήση νέων δικτύων εκτίμησης βάθους, που εξάγουν χάρτες βάθους της περιοχής προσώπου του ζώου. Το επόμενο βήμα είναι η εξαγωγή ενσωματώσεων, που περιλαμβάνει το βασικό μοντέλο της συνολικής υλοποίησης. Οι παραγόμενες ενσωματώσεις υψηλών διαστάσεων δίδονται στη συνέχεια στην ενότητα ανάκτησης που παράγει το τελικό αποτέλεσμα ταξινόμησης χρησιμοποιώντας είτε τεχνικές ομαδοποίησης ή / και ταξινόμησης βάσει ομοιότητας. Όλα τα μοντέλα και τα βήματα που περιγράφονται παραπάνω είναι προσεκτικά επιλεγμένα και ρυθμισμένα στο τρέχον πρόβλημα αναγνώρισης προσώπου ζώου. Μια σχηματική αναπαράσταση της περιγραφόμενης μεθοδολογίας παρέχεται στο Παράδειγμα 1.
[008] Το σύστημα αναγνώρισης προσώπου ζώου αποτελείται από τη μέθοδο που περιγράφεται παραπάνω που εκτελείται μέσω μίας εφαρμογής η οποία είναι εγκατεστημένη σε οποιαδήποτε συσκευή διαθέτει λειτουργικό πρόγραμμα και η οποία στέλνει δεδομένα στον διακομιστή (server) της μεθόδου, όπου τηρείται βάση δεδομένων. Συγκεκριμένα, ο χρήστης λαμβάνει στιγμιότυπο ή στιγμιότυπα του ζώου με οποιαδήποτε συσκευή διαθέτει λειτουργικό πρόγραμμα, που μπορεί ενδεικτικά να είναι ένα φορητό τηλέφωνο ή ένα φορητό δισκίο (tablet) ή μία φωτογραφική μηχανή. Το στιγμιότυπο ή τα στιγμιότυπα αποστέλλονται στον διακομιστή με οποιονδήποτε γνωστό τρόπο, δηλαδή μέσω διαδικτύου, ενσύρματα ή ασύρματα, και γίνεται ταυτοποίηση του ζώου, εάν υπάρχει ήδη στη βάση δεδομένων. Εάν δεν υπάρχει στη βάση δεδομένων, τότε καταχωρείται για πρώτη φορά. Η φωτογραφία του ζώου, είτε καταχωρείται για πρώτη φορά είτε υπάρχει ήδη ως κσταχώρηση και το ζητούμενο είναι η ταυτοποίησή του, μπορεί να ταξινομείται με κάθε πιθανό κριτήριο. Ενδεικτικά μπορεί να ταξινομηθεί ανάλογα με τη φυλή, το χρώμα, την ηλικία, τις διαστάσεις, την τοποθεσία που λήφθηκε το στιγμιότυπο, το αν έφερε κολάρο, εάν ήταν μόνο του ή με άλλο ζώο ή σε αγέλη.
[009] Το περιγραφόμενη σύστημα αναγνώρισης προσώπου ζώων έχει ιδιαίτερα μεγάλο ενδιαφέρον στους σκύλους και τις γάτες, καθώς αυτά είναι τα πιο συνηθισμένα οικόσιτα ζώα.
[010] Το μείζον πρόβλημα που επιλύεται με το σύστημα αναγνώρισης προσώπου ζώου είναι ότι εξάγει αποτελεσματικά και με μεγάλη ακρίβεια τα χαρακτηριστικά του προσώπου του ζώου που το καθιστούν μοναδικό, χρησιμοποιώντας μία απλή κάμερα τεχνολογίας RGB και έναν μικρό επεξεργαστή φορητής συσκευής τηλεφώνου ή δισκίου. Η ταυτοποίηση του προσώπου ενός ζώου γίνεται με τόσο υψηλό ποσοστό ακρίβειας, που καθιστά την ταυτοποίηση αξιόπιστη, καθώς μετά την εξαγωγή του προσώπου, εφαρμόζεται μέθοδος εξαγωγής χαρτών βάθους του προσώπου του ζώου. Μέχρι σήμερα, για να επιτευχθεί μία τέτοια αναγνώριση του προσώπου ενός ζώου χρειαζόταν αφενός να ληφθούν πολλά στιγμιότυπα από διαφορετικές γωνίες με περισσότερες κάμερες και η επεξεργασία τους, με σκοπό την αναγνώριση του προσώπου του ζώου, να γίνει με τη χρήση ενός μεγάλου και ισχυρού επεξεργαστή σταθερού ηλεκτρονικού υπολογιστή. Με την παρούσα εφεύρεση η αναγνώριση μπορεί να γίνει με μία μόνο απλή κάμερα και έναν μικρό επεξεργαστή που χωράνε σε φορητή συσκευή τηλεφώνου ή δισκίου.
[011] Επίσης σημαντικό πρόβλημα που επιλύεται με την εφεύρεση είναι ότι αφαιρεί όλες τις ανεπιθύμητες περιοχές που περιλαμβάνονται στην εικόνα που δίνει ο χρήστης, που μπορεί ενδεικτικά να οφείλονται στις συνθήκες λήψης του στιγμιότυπου.
[012] Περαιτέρω, ένα άλλο βασικό πρόβλημα που λύνει το ανωτέρω σύστημα αναγνώρισης προσώπου ζώου είναι η καταγραφή και καταμέτρηση των αδέσποτων ζώων, ιδίως των σκύλων και των γατών, με σκοπό τη διαχείρισή τους. Μέχρι σήμερα, η έλλειψη ενός ολοκληρωμένου και υψηλής ακρίβειας συστήματος αναγνώρισης προσώπου ζώων, δεν επέτρεπε την καταγραφή και καταμέτρηση των αδέσποτων ζώων. Ο κύριος λόγος είναι ότι τα αδέσποτα ζώα ζουν και περιφέρονται χωρίς να έχουν απαραίτητα σταθερό σημείο αναφοράς, διανύοντας συχνά μεγάλες αποστάσεις. Έτσι, η καταμέτρησή τους δεν είναι εύκολη αφού δεν βρίσκονται σε σταθερό σημείο. Επίσης, πολλά ζώα του ίδιου είδους, ιδίως οι σκύλοι μεταξύ τους, όπως και οι γάτες μεταξύ τους, έχουν ομοιότητες, με αποτέλεσμα να μην είναι εύκολο να γίνει αναγνώρισή των διαφορών με γυμνό μάτι. Η παρούσα εφεύρεση επιτρέπει την καταγραφή και καταμέτρησή τους με τη λήψη στιγμιότυπων, χωρίς να είναι απαραίτητη η κοντινή επαφή με το ζώο ή η αιχμαλωσία του. Έτσι, μπορεί να αποτυπωθεί το μέγεθος και τα ποιοτικά χαρακτηριστικά του προβλήματος των αδέσποτων ζώων και να ληφθούν ανάλογα μέτρα για την αντιμετώπισή του.
[013] Επίσης, ακόμη ένα πρόβλημα που επιλύεται είναι ο εντοπισμός απολεσθέντων ζώων, ιδίως των σκύλων και των γατών. Η δημιουργία βάσης δεδομένων με υψηλής ακρίβειας αναγνώριση προσώπου ζώων που κυκλοφορούν αδέσποτα, δίνει τη δυνατότητα σε έναν ιδιοκτήτη απολεσθέντος ζώου να περιηγηθεί στη βάση δεδομένων, αναζητώντας το ζώο που απώλεσε. Μπορεί, επίσης, εάν έχει φωτογραφία του ζώου που απώλεσε να τη χρησιμοποιήσει για να τον αναζητήσει στη βάση δεδομένων, με σκοπό την ταυτοποίησή του και την αναζήτηση του στην περιοχή που λήφθηκε η φωτογραφία που υπάρχει στη βάση δεδομένων.
[014] Το σχήμα 1 δείχνει την εικόνα που εισάγει ο χρήστης στο σύστημα.
[015] Το σχήμα 2 δείχνει την απομόνωση των χαρακτηριστικών του προσώπου ενός ζώου, μετά την εξαγωγή των σημείων-κλειδιών της εικόνας που εισήγαγε ο χρήστης στο σύστημα.
[016] Το σχήμα 3 δείχνει την περιστροφή και ευθυγράμμιση των σημείων-κλειδιών που αποτελούν το πρόσωπο του ζώου.
[017] Το σχήμα 4 δείχνει την επεξεργασία των σημείων-κλειδιών του προσώπου του ζώου με τη μέθοδο της εξαγωγής χαρτών βάθους της περιοχής του προσώπου του ζώου και την παραγωγή του μοντέλου αναγνώρισης του σκύλου.
[018] Το σχήμα 5 δείχνει την ενσωμάτωση της εξαγωγής και τη σύνδεσή της με την ενότητα ανάκτησης.
[019] Το παράδειγμα 1 (σχήματα 1-5) δείχνει όλη τη διαδικασία από τη λήψη του στιγμιότυπου (σχήμα 1), το πρόσωπο του ζώου μετά την εξαγωγή των σημείωνκλειδιών της εικόνας που εισήγαγε ο χρήστης στο σύστημα (σχήμα 2), την περιστροφή και ευθυγράμμιση του προσώπου του σκύλου (σχήμα 3), το μοντέλο αναγνώρισης του προσώπου του σκύλου μετά την εξαγωγή χαρτών βάθους της περιοχής του προσώπου του σκύλου (σχήματα 4 και 5), το συνδυασμό της εξαχθείσας εικόνας του σχήματος 3 και του μοντέλου αναγνώρισης του προσώπου του σκύλου μετά την εξαγωγή χαρτών βάθους του προσώπου του σκύλου του σχήματος 4, στην ενσωμάτωσή τους και την ταξινόμησή τους.
Claims (1)
- ΑΞΙΩΣΕΙΣΑξίωση 1η: Σύστημα αναγνώρισης προσώπου ζώων που αποτελείται από κάμερα, αλγόριθμο ανίχνευσης προσώπου σκύλου, εκτελούμενο μέσω εφαρμογής εγκατεστημένης σε φορητή συσκευή με λειτουργικό πρόγραμμα, και χαρακτηρίζεται από το ότι μπορεί, χρησιμοποιώντας μία μόνο κάμερα τεχνολογίας RGB και έναν μικρό επεξεργαστή που βρίσκονται σε φορητή συσκευή τηλεφώνου ή δισκίου, να βρίσκει εκείνα τα χαρακτηριστικά του ζώου που το καθιστούν μοναδικό και το διαφοροποιούν από όλα τα άλλα του ίδιου είδους.Αξίωση 2η: Σύστημα αναγνώρισης προσώπου ζώων όπως περιγράφεται στην 1η αξίωση, και χαρακτηρίζεται από το ότι εφαρμόζεται για την αναγνώριση προσώπου σκύλου.Αξίωση 3η: Σύστημα αναγνώρισης προσώπου ζώων, όπως περιγράφεται στην 1η αξίωση, και χαρακτηρίζεται από το ότι επιτρέπει την αναγνώριση προσώπου γάτας.Αξίωση 4η: Σύστημα αναγνώρισης προσώπου ζώων όπως περιγράφεται στις προηγούμενες αξιώσεις, και χαρακτηρίζεται από το ότι εξάγει χάρτες βάθους της περιοχής του προσώπου του ζώου παράγοντας μοντέλο αναγνώρισης ζώου με μεγάλη ακρίβεια.Αξίωση 5η: Σύστημα αναγνώρισης προσώπου ζώων όπως περιγράφεται στις προηγούμενες αξιώσεις, και χαρακτηρίζεται από το ότι περικόπτει τις ανεπιθύμητες περιοχές στην εικόνα που δίνει ο χρήστης εστιάζοντας στα απαραίτητα σημεία-κλειδιά του προσώπου του ζώου.Αξίωση 6η: Σύστημα αναγνώρισης προσώπου ζώων όπως περιγράφεται στις προηγούμενες αξιώσεις, και χαρακτηρίζεται από το ότι περιστρέφει και ευθυγραμμίζει το πρόσωπο του ζώου.Αξίωση 7η: Σύστημα αναγνώρισης προσώπου ζώων, όπως περιγράφεται στις προηγούμενες αξιώσεις, και χαρακτηρίζεται από το ότι ταξινομεί τα ζώα.Αξίωση 8η: Σύστημα αναγνώρισης προσώπου ζώων, όπως περιγράφεται στις προηγούμενες αξιώσεις, και χαρακτηρίζεται από το ότι καταγράφει και καταμετρά τα αδέσποτα ζώα.Αξίωση 9η: Σύστημα αναγνώρισης προσώπου ζώων, όπως περιγράφεται στις προηγούμενες αξιώσεις, και χαρακτηρίζεται από το ότι επιτρέπει αναγνώριση απολεσθέντος ζώου.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
GR20210100194A GR1010102B (el) | 2021-03-26 | 2021-03-26 | Συστημα αναγνωρισης προσωπου ζωων |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
GR20210100194A GR1010102B (el) | 2021-03-26 | 2021-03-26 | Συστημα αναγνωρισης προσωπου ζωων |
Publications (1)
Publication Number | Publication Date |
---|---|
GR1010102B true GR1010102B (el) | 2021-10-15 |
Family
ID=80810126
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
GR20210100194A GR1010102B (el) | 2021-03-26 | 2021-03-26 | Συστημα αναγνωρισης προσωπου ζωων |
Country Status (1)
Country | Link |
---|---|
GR (1) | GR1010102B (el) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200082160A1 (en) * | 2018-09-12 | 2020-03-12 | Kneron (Taiwan) Co., Ltd. | Face recognition module with artificial intelligence models |
CN110956149A (zh) * | 2019-12-06 | 2020-04-03 | 中国平安财产保险股份有限公司 | 宠物身份核验方法、装置、设备及计算机可读存储介质 |
WO2020075888A1 (ko) * | 2018-10-11 | 2020-04-16 | 주식회사 핏펫 | 동물의 안면 및 비문 이미지에 기초하여 동물의 개체 정보를 제공하는 컴퓨터 프로그램 및 단말기 |
CN111382727A (zh) * | 2020-04-02 | 2020-07-07 | 安徽睿极智能科技有限公司 | 一种基于深度学习的犬脸识别方法 |
-
2021
- 2021-03-26 GR GR20210100194A patent/GR1010102B/el active IP Right Grant
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200082160A1 (en) * | 2018-09-12 | 2020-03-12 | Kneron (Taiwan) Co., Ltd. | Face recognition module with artificial intelligence models |
WO2020075888A1 (ko) * | 2018-10-11 | 2020-04-16 | 주식회사 핏펫 | 동물의 안면 및 비문 이미지에 기초하여 동물의 개체 정보를 제공하는 컴퓨터 프로그램 및 단말기 |
CN110956149A (zh) * | 2019-12-06 | 2020-04-03 | 中国平安财产保险股份有限公司 | 宠物身份核验方法、装置、设备及计算机可读存储介质 |
CN111382727A (zh) * | 2020-04-02 | 2020-07-07 | 安徽睿极智能科技有限公司 | 一种基于深度学习的犬脸识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lahiri et al. | Biometric animal databases from field photographs: identification of individual zebra in the wild | |
Kemelmacher-Shlizerman et al. | The megaface benchmark: 1 million faces for recognition at scale | |
Phillips | Matching pursuit filters applied to face identification | |
US9367730B2 (en) | Method and system for automated face detection and recognition | |
Duyck et al. | Sloop: A pattern retrieval engine for individual animal identification | |
CN108171223A (zh) | 一种基于多模型多通道的人脸识别方法及系统 | |
Srivastava et al. | Real time attendance system using face recognition technique | |
Chandran et al. | Missing child identification system using deep learning and multiclass SVM | |
Preethi et al. | Automated smart attendance system using face recognition | |
Liang et al. | Accurate facial landmarks detection for frontal faces with extended tree-structured models | |
KR101016758B1 (ko) | 인물 식별 방법 및 그 시스템 | |
Ye et al. | Place recognition in semi-dense maps: Geometric and learning-based approaches | |
JP2009093490A (ja) | 年齢推定装置及びプログラム | |
Andiani et al. | Face recognition for work attendance using multitask convolutional neural network (MTCNN) and pre-trained facenet | |
Caya et al. | Dog Identification System Using Nose Print Biometrics | |
Goud et al. | Smart attendance notification system using SMTP with face recognition | |
Lenc et al. | Novel matching methods for automatic face recognition using sift | |
Agrawal et al. | An efficient approach for face recognition in uncontrolled environment | |
Tee et al. | Facial recognition using enhanced facial features k-nearest neighbor (k-NN) for attendance system | |
Gupta et al. | HaarCascade and LBPH Algorithms in Face Recognition Analysis | |
Tiwari et al. | Comparison of adult and newborn ear images for biometric recognition | |
GR1010102B (el) | Συστημα αναγνωρισης προσωπου ζωων | |
Okokpujie et al. | Comparative analysis of augmented datasets performances of age invariant face recognition models | |
Tin | Age Dependent Face Recognition using Eigenface | |
Park | Face Recognition: face in video, age invariance, and facial marks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PG | Patent granted |
Effective date: 20211111 |