动物面部识别方法、装置、计算机设备和存储介质制造方法及图纸

本公开实施例公开了一种动物面部识别方法、装置、计算机设备和存储介质，所述方法包括：将动物面部训练图像数据和标签值数据输入初始卷积神经网络，得到初始分类结果；其中，所述动物面部训练图像数据和标签值数据用于对所述初始卷积神经网络进行训练；将所述初始分类结果与标签值的误差作为网络模型的损失值并反向传播回初始卷积神经网络的卷积层，通过优化初始卷积神经网络的各卷积层的参数，得到收敛的神经网络模型；将动物面部验证图像数据输入所述收敛的神经网络模型，得到最终分类结果；其中，所述动物面部训练图像数据与所述动物面部验证图像数据通过同一动物获取。该方案能够根据动物面部图像对动物进行准确的识别。

Animal Face Recognition Method, Device, Computer Equipment and Storage Media

【技术实现步骤摘要】
动物面部识别方法、装置、计算机设备和存储介质
本公开涉及图像处理
，具体涉及一种动物面部识别方法、装置、计算机设备和存储介质。
技术介绍
近年来，随着智能化养殖的发展，养殖企业对牲畜个体实行精准化管理已逐渐成为一种行业趋势，这就要求企业在养殖过程中能够准确识别出牲畜的个体身份。目前，牲畜身份识别的主要方法是通过在动物身体上安装无线射频识别(RFID)标签。首先，这些无线射频标签通常通过穿孔装配到动物(如猪)的耳朵上，这对工作人员来说非常耗时，而且非常容易引起动物的不适，发生咬标、掉标的情况；其次，无线射频标签的作用范围十分有限，即使是长距离的无线射频感应器的作用范围最大也只有120cm，并且多个标签不能同时读取；再次，在农场的实际养殖环境中，许多外界因素(诸如其他金属和射频设备)也会对无线射频的有效性产生不利影响，进一步缩小了无线射频识别(RFID)标签的有效作用范围，外界因素甚至会干扰或阻断无线射频识别(RFID)设备的运行。人脸识别作为近几十年里图像识别领域重要的研究方向，其技术方法已经非常成熟，从早期的几何特征匹配到20世纪90年代的整体性方法，再到近年来广泛使用的神经网络，人脸识别技术在识别的准确率上已经超出了人类水平。人脸识别通常用于非侵入式的访问控制和监视目的，这与养殖企业的应用场景非常相似，而且人脸和动物(如猪)脸具有大量的相似特征，因此，理论上可以将人脸识别领域的相关技术迁移应用于动物(如猪)身份识别问题。但是，目前对动物面部识别的算法的局限性在于依赖对动物(如猪)脸特征区域的人工分割，因此，并不能在实际的农场应用环境中推广使用。专利
技术实现思路
基于此，有必要针对上述技术问题，提供一种能够根据动物面部图像对动物进行准确的识别的动物面部识别方法、装置、计算机设备和存储介质。一种动物面部识别方法，所述方法包括：将动物面部训练图像数据和标签值数据输入初始卷积神经网络，得到初始分类结果；其中，所述动物面部训练图像数据和标签值数据用于对所述初始卷积神经网络进行训练；将所述初始分类结果与标签值的误差作为网络模型的损失值并反向传播回初始卷积神经网络的卷积层，通过优化初始卷积神经网络的各卷积层的参数，得到收敛的神经网络模型；将动物面部验证图像数据输入所述收敛的神经网络模型，得到最终分类结果；其中，所述动物面部训练图像数据与所述动物面部验证图像数据通过同一动物获取。在其中一个实施例中，所述将动物面部训练图像数据和标签值数据输入初始卷积神经网络，得到初始分类结果，包括：对所述动物面部训练图像数据和标签值数据通过所述卷积神经网络进行特征提取，得到不同层次的动物面部的高维抽象特征；对所述不同层次的动物面部的高维抽象特征使用矩阵外积进行特征组合，得到三组双线性特征，并对三组双线性特征进行连接得到多层次融合的双线性特征数据；对所述多层次融合的双线性特征数据通过池化函数和分类函数进行分类，得到初始分类结果。在其中一个实施例中，所述将动物面部验证图像数据输入所述收敛的神经网络模型，得到最终分类结果，包括：对所述动物面部验证图像数据通过所述收敛的神经网络模型进行特征提取，得到不同层次的动物面部的高维抽象特征；对所述不同层次的动物面部的高维抽象特征使用矩阵外积进行特征组合，得到三组双线性特征，并对三组双线性特征进行连接得到多层次融合的双线性特征数据；对所述多层次融合的双线性特征数据通过池化函数和分类函数进行分类，得到最终分类结果。在其中一个实施例中，在所述将动物面部训练图像数据和标签值数据输入初始卷积神经网络，得到初始分类结果之前，包括：采集初始动物面部图像数据；对所述初始动物面部图像数据进行数据清洗和预处理，得到动物面部图像数据；其中，同一动物的所述动物面部图像数据分为动物面部训练图像数据和动物面部验证图像数据。在其中一个实施例中，所述对所述初始动物面部图像数据进行数据清洗，得到动物面部图像数据，包括：对所述初始动物面部图像数据根据结构相似性指数剔除相似图像数据，得到预处理动物面部图像数据；根据所述预处理动物面部图像数据，进行动物面部区域提取，得到动物面部图像数据。在其中一个实施例中，所述进行动物面部区域提取包括：基于目标检测的深度神经网络yolo-9000自动标记图片中的动物面部区域；或使用标记工具labelImg标记图片中的动物面部区域。在其中一个实施例中，所述将动物面部训练图像数据和标签值数据输入初始卷积神经网络，得到初始分类结果，包括：将所述动物面部训练图像数据和标签值数据通过双线性内插值法降维后输入初始卷积神经网络，得到初始分类结果。在其中一个实施例中，所述将动物面部训练图像数据和标签值数据输入初始卷积神经网络，得到初始分类结果，包括：将所述动物面部训练图像数据和标签值数据通过实时的数据增强后输入初始卷积神经网络，得到初始分类结果；其中，所述实时的数据增强包括：图像旋转、随机改变对比度、随机改变亮度和随机修剪中至少一种。一种动物面部识别装置，包括：初始分类结果获取模块，用于将动物面部训练图像数据和标签值数据输入初始卷积神经网络，得到初始分类结果；其中，所述动物面部训练图像数据和标签值数据用于对所述初始卷积神经网络进行训练；收敛的神经网络模型训练模块，用于将所述初始分类结果与标签值的误差作为网络模型的损失值并反向传播回初始卷积神经网络的卷积层，通过优化初始卷积神经网络的各卷积层的参数，得到收敛的神经网络模型；最终分类结果获取模块，用于将动物面部验证图像数据输入所述收敛的神经网络模型，得到最终分类结果；其中，所述动物面部训练图像数据与所述动物面部验证图像数据通过同一动物获取。一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：将动物面部训练图像数据和标签值数据输入初始卷积神经网络，得到初始分类结果；其中，所述动物面部训练图像数据和标签值数据用于对所述初始卷积神经网络进行训练；将所述初始分类结果与标签值的误差作为网络模型的损失值并反向传播回初始卷积神经网络的卷积层，通过优化初始卷积神经网络的各卷积层的参数，得到收敛的神经网络模型；将动物面部验证图像数据输入所述收敛的神经网络模型，得到最终分类结果；其中，所述动物面部训练图像数据与所述动物面部验证图像数据通过同一动物获取。一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：将动物面部训练图像数据和标签值数据输入初始卷积神经网络，得到初始分类结果；其中，所述动物面部训练图像数据和标签值数据用于对所述初始卷积神经网络进行训练；将所述初始分类结果与标签值的误差作为网络模型的损失值并反向传播回初始卷积神经网络的卷积层，通过优化初始卷积神经网络的各卷积层的参数，得到收敛的神经网络模型；将动物面部验证图像数据输入所述收敛的神经网络模型，得到最终分类结果；其中，所述动物面部训练图像数据与所述动物面部验证图像数据通过同一动物获取。上述动物面部识别方法、装置、计算机设备和存储介质，通过卷积神经网络自动识别动物面部图像的特征部位，并根据反向传播方法优化各卷积层参数，得到收敛的神经网络模型，通过收敛的神经网络模型能够对动物面部图像进行准确分类，实现动物的身份的准确识别。附图说明结合附本文档来自技高网...

【技术保护点】
1.一种动物面部识别方法，其特征在于，包括：将动物面部训练图像数据和标签值数据输入初始卷积神经网络，得到初始分类结果；其中，所述动物面部训练图像数据和标签值数据用于对所述初始卷积神经网络进行训练；将所述初始分类结果与标签值的误差作为网络模型的损失值并反向传播回初始卷积神经网络的卷积层，通过优化初始卷积神经网络的各卷积层的参数，得到收敛的神经网络模型；将动物面部验证图像数据输入所述收敛的神经网络模型，得到最终分类结果；其中，所述动物面部训练图像数据与所述动物面部验证图像数据通过同一动物获取。

【技术特征摘要】
1.一种动物面部识别方法，其特征在于，包括：将动物面部训练图像数据和标签值数据输入初始卷积神经网络，得到初始分类结果；其中，所述动物面部训练图像数据和标签值数据用于对所述初始卷积神经网络进行训练；将所述初始分类结果与标签值的误差作为网络模型的损失值并反向传播回初始卷积神经网络的卷积层，通过优化初始卷积神经网络的各卷积层的参数，得到收敛的神经网络模型；将动物面部验证图像数据输入所述收敛的神经网络模型，得到最终分类结果；其中，所述动物面部训练图像数据与所述动物面部验证图像数据通过同一动物获取。2.根据权利要求1所述的方法，其特征在于，所述将动物面部训练图像数据和标签值数据输入初始卷积神经网络，得到初始分类结果，包括：对所述动物面部训练图像数据和标签值数据通过所述卷积神经网络进行特征提取，得到不同层次的动物面部的高维抽象特征；对所述不同层次的动物面部的高维抽象特征使用矩阵外积进行特征组合，得到三组双线性特征，并对三组双线性特征进行连接得到多层次融合的双线性特征数据；对所述多层次融合的双线性特征数据通过池化函数和分类函数进行分类，得到初始分类结果。3.根据权利要求1所述的方法，其特征在于，所述将动物面部验证图像数据输入所述收敛的神经网络模型，得到最终分类结果，包括：对所述动物面部验证图像数据通过所述收敛的神经网络模型进行特征提取，得到不同层次的动物面部的高维抽象特征；对所述不同层次的动物面部的高维抽象特征使用矩阵外积进行特征组合，得到三组双线性特征，并对三组双线性特征进行连接得到多层次融合的双线性特征数据；对所述多层次融合的双线性特征数据通过池化函数和分类函数进行分类，得到最终分类结果。4.根据权利要求1所述的方法，其特征在于，在所述将动物面部训练图像数据和标签值数据输入初始卷积神经网络，得到初始分类结果之前，包括：采集初始动物面部图像数据；对所述初始动物面部图像数据进行数据清洗和预处理，得到动物面部图像数据；其中，同一动物的所述动物面部图像数据分为动物面部训练图像数...

【专利技术属性】
技术研发人员：秦兴，吴晓晖，宋各方，
申请(专利权)人：杭州慧牧科技有限公司，
类型：发明
国别省市：浙江,33