基于卷积神经网络和分类器模型的牛脸识别方法技术

本发明专利技术属于计算机视觉与智能识别技术领域，具体涉及基于卷积神经网络和分类器模型的牛脸识别方法。本发明专利技术中卷积神经网络最后一个隐藏层是含有32、64、128、256或者512个神经元的全连接层，用于提取特征，然后利用分类器模型，完成对奶牛个体的识别。同时实现了当有新增牛只时，只需采集该牛只的图像数据，将其输入卷积神经网络模型中，提取特征，追加到原有分类模型中即可进行识别，无需再次训练卷积神经网络模型。本发明专利技术优选64维特征提取层的卷积神经网络模型，利用稀疏表示分类模型，对30头奶牛随机挑选的训练数据24000张图片和测试数据6000张图片进行试验，结果表明该方法缩短了识别时间，单头牛只识别平均耗时缩短到了0.00022s，识别率高达99%以上。

Cattle face recognition method based on convolutional neural network and classifier model

The invention belongs to the field of computer vision and intelligent recognition technology, and specifically relates to a cattle face recognition method based on convolutional neural network and classifier model. The invention of the convolutional neural network finally a hidden layer is 32, 64, 128, containing 256 or 512 neurons fully connected layer, for feature extraction, and then use the classifier model, to complete the identification of individual cows. At the same time to achieve when there are new cattle, only the image data acquisition of cattle, the input of the convolutional neural network model, feature extraction, classification model can be appended to the original identification, again without training convolutional neural network model. Convolutional neural network model of the present invention preferably 64 dimensional feature extraction layer, using sparse representation classification model, the training data of 30 cows randomly selected 24000 pictures and 6000 pictures of the test data test results show that this method can shorten the recognition time, shorten the average time of single cow recognition only to 0.00022s, high recognition rate more than 99%.

【技术实现步骤摘要】
基于卷积神经网络和分类器模型的牛脸识别方法
本专利技术属于计算机视觉与智能识别
，涉及一种牛只个体识别技术，特别是涉及基于卷积神经网络和稀疏表示分类模型的牛脸识别方法。
技术介绍
随着我国国民生活水平的提高，人们对牛肉制品和牛奶制品的需求量日益增大，同时对其品质的关注也不断加强，提高牛肉和牛奶的总产量及其品质已成为迫切需要。饲养业的发展须实现牛只养殖的智能化、规模化、自动化及标准化，因此以牛只个体体况为基础的数字化、精细化养殖成为现代牛只科学饲养的主要发展方向。牛只个体识别作为智能化养殖管理和畜牧保险业的基础，目前多使用以下三种识别方法来识别牛只个体:a.射频识别（RadioFrequencyIdentification,RFID）电子耳标，b.传统的图像特征提取与分类识别，c.基于卷积神经网络的牛只个体识别。射频识别技术：是一项利用无线电频率资源通过电磁耦合实现的非接触自动识别技术，射频识别系统通常由电子标签和阅读器组成。CN106874971A公开了一种基于RFID的牛只信息识别管理系统及其方法，包括无源RFID耳标、RFID智能识读器，还包括终端计算机、位于所述终端计算机上的数据处理子系统及移动终端。然而，使用RFID电子耳标进行牛只个体识别存在以下问题：一是生产、流通阶段的应用成本较高，造成RFID电子耳标产品价格过高，难以大规模使用；二是畜牧业生产中圈舍环境差异性较大，相关的RFID标准不统一，RFID的识别距离、识别精度等技术差异性较大；三是电子耳标需安装在牛只身体上，给牛只带来了伤害和痛苦；四是牛舍内存在干扰源，且电子耳标极易脱落或被人替换，导致识别系统可靠性降低。传统的图像特征提取与分类方法：因生物特征具有较强的稳定性和个体差异性，利用图像处理技术将其应用到动物个体识别中能有效的克服这些缺点。经研究表明，牛只背花图案及图案的分布各不相同且终生不变，可作为其个体识别的重要依据。但就目前国内牛只养殖场的现状来看，采用图像处理技术来识别牛只主要面临着两个难点：第一，采集到的牛只图像背景混乱，有杂草、墙体和泥土等，同时光照条件也各不相同。这些差异有可能使得不同牛只图像之间的差异小于相同牛只图像之间的差异。第二，采集图像时牛只目标在图片中的位置随机，姿势不固定，识别算法必须克服光线明暗、位移、仿射等变化。这些难点给牛只图像识别算法带来了非常大的挑战。目前已经有很多传统分类器，包括支持向量机、贝叶斯分类器、随机森林分类器等被用于图像识别。这些方法的特点是先利用典型的特征描述方法，如尺度不变特征变换(Scale-InvariantFeatureTransform,SIFT)、加速鲁棒特征(SpeededUpRobustFeature,SURF)、方向梯度直方图(HistogramofOrientedGradient,HOG)等对训练样本进行角点、边缘、纹理等特征提取，然后再对这些特征进行分类训练。然而，这些特征描述方法主要是由人工设计的，复杂场景下识别率较低，不能达到商业化产品的要求。卷积神经网络(ConvolutionalNeuralNetwork,CNN)方法：深度学习是一种包含多个隐含层的感知器，它使用底层特征形成高层特征，并使用更加抽象的高层特征表示类别，从而最终提升分类或预测的准确性。卷积神经网络因其局部子采样、全局训练、共享权值等特点，已成功应用到手写字体识别、人脸检测等相关研究中，并表现出良好的抗干扰能力，且识别过程耗时短，对光线变化、前景遮挡均有较高的鲁棒性，可以很好地解决牛只个体生物特征识别的问题，尤其是在养殖场等复杂环境下。赵凯旋、何东健等(赵凯旋，何东健.基于卷积神经网络的牛只个体身份识别方法[J].农业工程学报，2015，05:181-187.)提出用视频分析方法提取奶牛躯干图像，用卷积神经网络准确识别奶牛个体的方法，但该方法需要人工前期预处理工作繁杂，自动化水平不高，且当养殖场奶牛增加时需重新训练神经网络用于奶牛个体识别。赵凯旋、何东健等用该方法从30头奶牛的360段视频中随机选取训练数据60000帧和测试数据21730帧，使用该方法得到单帧图像样本的识别率为90.55%，视频段样本的识别率为93.33%的结果。CN106778902A公开了一种基于深度卷积神经网络的奶牛个体识别方法，采用深度学习当中卷积神经网络提取特征，结合奶牛背花图案的纹理特征实现对奶牛个体的有效识别；该方法的步骤是：奶牛数据的采集、对训练集和测试集的预处理、设计卷积神经网络、训练卷积神经网络、生成识别模型、利用识别模型识别牛只个体；该方法利用光流法或帧间差分法提取奶牛躯干图像，并使用卷积神经网络提取特征，结合奶牛的纹理特征实现奶牛个体的有效识别，但该方法只适用于有明显背花图案的一类奶牛，而且在奶牛数量增加时，必须重新训练神经网络，同时由于该神经网络各层神经元个数较多，导致网络参数数量过多，容易发生过拟合现象，降低网络泛化能力。CN106778902A的专利技术人用该方法对20头奶牛中的第10头、第15头、第20头奶牛的数据集进行实验，其识别准确率分别为94.3%，97.1%和95.6%。综上所述，现有牛只识别技术存在的主要问题有：1.RFID电子耳标识别技术：识别范围有限，需在牛只身上安装电子标签，给牛只带来了伤害和痛苦，且电子标签易脱落或被人替换，降低了识别的准确性与可信度；2.传统的图像特征提取与分类方法：在复杂环境下识别率较低。在养殖场环境下采集到的牛只图片背景杂乱、有遮挡情况发生且光照条件变化大、牛只姿势不固定，利用传统图像特征提取方法提取的关键点信息发生错误匹配的几率增大，精度不高，当数据量较大时，耗时较长，不能实现实时准确识别；3.卷积神经网络技术：仅使用该技术识别牛只个体，在牛只增加的情况下，需重新训练卷积神经网络，耗费时间较长且训练期间神经网络不能使用。
技术实现思路
本专利技术的目的是针对现有牛只识别技术存在的问题，克服现有技术的不足，提供一种成本低、精度高、适用性强的养殖场环境下的基于卷积神经网络和分类器模型的牛脸识别方法，该方法采用深度学习当中卷积神经网络提取特征，再使用分类器进行识别，通过对牛脸的检测，实现对牛只个体的高效准确识别。为实现上述目的，本专利技术采用的技术方案是：基于卷积神经网络和分类器模型的牛脸识别方法，其特征在于，采用深度学习当中卷积神经网络提取特征，结合分类器模型，通过对牛脸的识别，实现对牛只个体的身份识别，包括以下步骤：S1.采集所有待注册牛只牛脸数据，生成待注册牛只数据集，并按比例随机分为训练数据集和测试数据集；S2.设计卷积神经网络模型（ConvolutionalNeuralNetwork,CNN），所述卷积神经网络模型CNN至少包括输入层、隐藏层和输出层，其中隐藏层最后一层是一个维度为2n的全连接层，作为特征提取层，其中n为5-9之间的整数；S3.训练卷积神经网络CNN，记录该网络模型参数λ；S4.将由步骤S1得到的所有待注册牛只牛脸数据输入到使用网络参数λ初始化的卷积神经网络模型CNN中，提取特征提取层的特征；S5.使用待注册牛只的特征提取层的特征，利用分类器模型，进行牛只注册；S6.利用步骤S5的分类器模型进行牛脸识别。进一步，步骤S1具体为，使用本文档来自技高网...

【技术保护点】
基于卷积神经网络和分类器模型的牛脸识别方法，其特征在于，采用深度学习当中卷积神经网络提取特征，结合分类器模型，通过对牛脸的识别，实现对牛只个体的身份识别，包括以下步骤：S1. 采集所有待注册牛只牛脸数据，生成待注册牛只数据集，并按比例随机分为训练数据集和测试数据集；S2. 设计卷积神经网络模型，所述卷积神经网络模型至少包括输入层、隐藏层和输出层，其中隐藏层最后一层是一个维度为2

【技术特征摘要】
1.基于卷积神经网络和分类器模型的牛脸识别方法，其特征在于，采用深度学习当中卷积神经网络提取特征，结合分类器模型，通过对牛脸的识别，实现对牛只个体的身份识别，包括以下步骤：S1.采集所有待注册牛只牛脸数据，生成待注册牛只数据集，并按比例随机分为训练数据集和测试数据集；S2.设计卷积神经网络模型，所述卷积神经网络模型至少包括输入层、隐藏层和输出层，其中隐藏层最后一层是一个维度为2n的全连接层，作为特征提取层，其中n为5-9之间的整数；S3.训练卷积神经网络，记录该网络模型参数λ；S4.将由步骤S1得到的所有待注册牛只牛脸数据输入到使用网络参数λ初始化的卷积神经网络模型中，提取特征提取层的特征；S5.使用待注册牛只的特征提取层的特征，利用分类器模型，进行牛只注册；S6.利用步骤S5的分类器模型进行牛脸识别。2.如权利要求1所述基于卷积神经网络和分类器模型的牛脸识别方法，其特征在于，所述步骤S1具体为，使用固定位置的摄像头以视频方式收集所有需注册牛只数据，采集数据时调整摄像头位置使得视野宽度为3至4个牛脸宽度，视野高度为1.2至1.5个牛脸长度；从每头牛的所有图片数据中随机挑选3000至5000张图片，统一图片大小，形成待注册牛只数据集；将待注册牛只数据集中每头牛的样本图像按8:2的比例随机分为训练数据集和测试数据集，训练集数据与测试集数据无重叠。3.如权利要求1所述基于卷积神经网络和分类器模型的牛脸识别方法，其特征在于，步骤S2中，所述卷积神经网络模型包括10层，其中第一层为输入层、第二层至第八层为隐藏层，第十层为输出层，各层结构如下：第一层：输入层：以leveldb数据格式输入训练集的图片数据和每张图片的真实标签；第二层：隐藏层：包含一个卷积层，一个激活函数层和一个池化层；第三层：隐藏层：包含一个卷积层，一个激活函数层和一个池化层；第四层：隐藏层：包含一个卷积层和一个激活函数层；第五层：隐藏层：包含一个卷积层和一个激活函数层；第六层：隐藏层：包含一个卷积层，一个激活函数层和一个池化层；第七层：隐藏层：包含一个全连接层，一个激活函数层和一个dropout层；第八层：隐藏层：包含一个全连接层，一个激活函数层和一个dropout层；第九层：隐藏层：包含一个全连接层；第十层：输出层：包含一个全连接层。4.如权利要求1所述基于卷积神经网络和分类器模型的牛脸识别方法，其特征在于，步骤S2中，所述n=6，即特征提取层共有64个神经元。5.如权利要求1所述基于卷积神经网络和分类器模型的牛脸识别方法，其特征在于，步骤S3中，所述训练方法如下：利用步骤S1所述训练数据集中的图像及其真实标签，训练卷积神经网络，具体为：S...

【专利技术属性】
技术研发人员：吕昌伟，张春梅，吕锋，
申请(专利权)人：北方民族大学，
类型：发明
国别省市：宁夏,64