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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。