基于卷积神经网的动物体形检测方法及装置制造方法及图纸

本发明专利技术提供一种基于卷积神经网络的动物体形检测方法及装置。所述方法包括：利用具有光照不变性的Gabor定序特征描述子对动物的原始图像进行特征提取，获得第一图像特征图；将所述动物的深度图像与所述第一图像特征图进行配准，获得第二图像特征图；将所述第一图像特征图与所述第二图像特征图进行叠加，根据叠加后的特征融合图获得候选目标区域；将所述候选目标区域输入卷积神经网络，获得动物体形的检测结果。本发明专利技术能提高动物体形检测的准确性和实时性。

Animal shape detection method and device based on convolution neural network

The invention provides a method and a device for detecting animal shape based on convolution neural network. The method comprises the following steps: feature extraction of the original image of an animal using a Gabor ordered feature descriptor with light invariance, obtaining a first image feature map; registration of the depth image of the animal with the first image feature map, obtaining a second image feature map; and matching the first image feature map with the first image feature map; and matching the first image feature map with the first image feature map; The two image feature maps are superimposed, and the candidate target regions are obtained according to the superimposed feature fusion maps. The candidate target regions are input into convolution neural network to obtain the detection results of animal body shape. The invention can improve the accuracy and real-time performance of animal shape detection.

【技术实现步骤摘要】
基于卷积神经网的动物体形检测方法及装置
本专利技术涉及图像检测
，更具体地，涉及一种基于卷积神经网络的动物体形检测方法及装置。
技术介绍
地球上的一些动物，在生命活动中的生理和病理过程中与人类有很多相似之处，并可互为参照，尤其是猪作为一种大型动物，与人类关系亲密且具有很多相似之处。因此，研究动物尤其是猪的健康状况对认识人类的生命规律具有重要价值。近年来，以机器学习为主导的人工智能发展迅速，在众多研究领域中都取得了重大突破。图像检测技术在人工智能领域中是一个重要的研究热点和难点。体形作为动物的表型特征之一，可反映出模动物的健康状况，因此动物的体形检测是一个重要的研究方向。由于动物的姿态各异，可见光图像容易受到光照和复杂的饲养环境的影响，以及动物互相遮挡等因素，动物体形检测一直是图像检测领域研究的难点，因此研究动物体形检测的鲁棒性算法是非常重要的。
技术实现思路
本专利技术提供一种克服上述问题或者至少部分地解决上述问题的基于卷积神经网络的动物体形检测方法及装置。根据本专利技术的一个方面，提供一种动物体形检测方法，包括：利用具有光照不变性的Gabor定序特征描述子对动物的原始图像进行特征提取，获得第一图像特征图；将动物的深度图像与所述第一图像特征图进行配准，获得第二图像特征图；将所述第一图像特征图与所述第二图像特征图进行叠加，根据叠加后的特征融合图获得候选目标区域；将所述候选目标区域输入卷积神经网络，获得动物体形的检测结果。进一步，所述利用具有光照不变性的Gabor定序特征描述子对动物的原始图像进行特征提取，获得第一图像特征图，具体包括：将所述原始图像转换成第一灰度图像，采用尺度参数σ＝5的Gabor滤波器对所述第一灰度图像进行Gabor滤波，获得多个方向的动物体形的幅度特征图像；利用定序滤波器对所述多个方向的动物体形的幅度特征图像进行编码，获得多个方向的动物体形GOM特征编码图像；根据所述多个方向的动物体形GOM特征编码图像，获得所述动物的体形GOM特征编码图像，作为所述第一图像特征图。进一步，所述Gabor滤波器的表达式为：其中，σ代表Gabor滤波器的尺度参数，θk表示第k个方向的角度值；为Gabor滤波器的x方向的尺度参数，为Gabor滤波器的y方向的尺度参数，为第k个角度方向的x值，为第k个角度方向的y值，fk为第k个方向上的中心频率；所述定序滤波器的表达式为：其中，ω和δ分别代表定序滤波器的中心位置和尺度，Np代表正瓣的个数，Nn代表负瓣的个数，系数Cp和Cn是保持正瓣和负瓣个数平衡的系数，且NpCp＝NnCn；δpi为正瓣的尺度参数，δnj为负瓣的尺度参数，ωpi为正瓣的中心位置，ωnj为负瓣的中心位置所述多个方向，具体为8个方向，包括0°,22.5°,45°,67.5°,90°,112.5°,135°和157.5°。进一步，所述将动物的深度图像与所述第一图像特征图进行配准，获得第二图像特征图，具体包括：通过仿射变换方式对所述深度图像与所述第一图像特征图进行配准，得到所述深度图像的图像特征图，其中仿射变换的公式为：其中，x1为第一特征图像的x方向的值、y1为为第一特征图像的y方向的值，x2为第二特征图像的x方向的值、y2为为第二特征图像的y方向的值，tx为x方向的平移值、ty为为y方向的平移值，s为缩放尺度，θ为以(x，y)为轴心逆时针旋转角度。进一步，所述将所述第一图像特征图与所述第二图像特征图进行叠加，根据叠加后的特征融合图获得候选目标区域，具体包括：将所述第二图像特征图中像素点灰度值压缩到与所述第一图像特征图一致的灰度值范围；基于压缩后的所述第二图像特征图与所述第一图像特征图中对应的像素点，选取其中具有较大灰度值的像素点的灰度值作为融合图像对应位置像素点的灰度值；根据所有的融合图像对应位置像素点的灰度值，获得特征融合图，从而获取获得候选目标区域。进一步，所述将所述第二图像特征图中像素点灰度值压缩到与所述第二图像特征图一致的灰度值范围，还包括：若所述第二图像特征图压缩后的灰度值为非整数，则通过下式进行近似计算，获得近似后的灰度值Ia(x,y)：其中，I(x,y)表示所述第二图像特征图的像素点的灰度值。进一步，所述卷积神经网络三个卷积层，三个池化层，三个全连接层；所述将所述候选目标区域输入卷积神经网络，获得动物体形的检测结果，具体包括：第一层卷积层使用96个卷积核大小为11×11，步长为4的卷积滤波器进行滤波；第二层卷积层使用256个卷积核大小为5×5，步长为1的卷积滤波器进行滤波；第三层卷积层使用384个卷积核大小为3×3，步长为1的卷积滤波器进行滤波；将所述第一层卷积层、所述第二层卷积层以及所述第三层卷积层的滤波结果送入最大池化层，所述最大池化层设定池化窗口为3×3，步长为2；将所述最大池化层的输出结果通过三个全连接层得到动物体形的检测结果。根据本专利技术的另一个方面，还提供一种动物体形检测装置，包括：第一图像特征图模块，用于利用具有光照不变性的Gabor定序特征描述子对动物的原始图像进行特征提取，获得第一图像特征图；第二图像特征图模块，用于将所述动物的深度图像与所述第一图像特征图进行配准，获得第二图像特征图；候选目标区域模块，用于将所述第一图像特征图与所述第二图像特征图进行叠加，根据叠加后的特征融合图获得候选目标区域；以及体形检测结果模块，用于将所述候选目标区域输入卷积神经网络，获得动物体形的检测结果。根据本专利技术的另一个方面，提供一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行本专利技术基于卷积神经网络的动物体形检测方法及其任一可选实施例的方法。本专利技术提出一种基于卷积神经网络的动物体形检测方法，通过将动物的原始图像提取特征后，与所述动物的深度图像进行配准，获得所述深度图像的特征图后，再将两个特征图进行融合即可获得候选区域，然后将所获得的候选区域输入卷积神经网络的判别模型中，以使卷积网络判别模型输出动物体形检测结果，能提高动物体形检测的准确性和实时性。附图说明图1为本专利技术实施例一种基于卷积神经网络的动物体形检测方法流程示意图；图2为本专利技术实施例基于卷积神经网络的动物体形检测装置示意图；图3为本专利技术实施例一种电子设备的框架示意图。具体实施方式下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。图1为本专利技术实施例一种基于卷积神经网络的动物体形检测方法流程示意图，如图1所示的基于卷积神经网络的动物体形检测方法，包括：S100，利用具有光照不变性的Gabor定序特征描述子对动物的原始图像进行特征提取，获得第一图像特征图；本专利技术实施例所述Gabor定序特征是一种可以用来描述图像纹理信息的特征，Gabor滤波器的频率和方向与人类的视觉系统类似，特别适合于纹理表示与判别。S200，将所述动物的深度图像与所述第一图像特征图进行配准，获得第二图像特征图；本专利技术实施例所述深度图像(depthimage)也被称为距离影像(rangeimage)，是指将从图像采集器到场景中各点的距离(深度)作为像素值的图像，它直接反映了图像中物体可见表面的几何形状。本专利技术实施例步骤S100和步骤S200本文档来自技高网...

【技术保护点】
1.一种动物体形检测方法，其特征在于，包括：利用具有光照不变性的Gabor定序特征描述子对动物的原始图像进行特征提取，获得第一图像特征图；将所述动物的深度图像与所述第一图像特征图进行配准，获得第二图像特征图；将所述第一图像特征图与所述第二图像特征图进行叠加，根据叠加后的特征融合图获得候选目标区域；将所述候选目标区域输入卷积神经网络，获得动物体形的检测结果。

【技术特征摘要】
1.一种动物体形检测方法，其特征在于，包括：利用具有光照不变性的Gabor定序特征描述子对动物的原始图像进行特征提取，获得第一图像特征图；将所述动物的深度图像与所述第一图像特征图进行配准，获得第二图像特征图；将所述第一图像特征图与所述第二图像特征图进行叠加，根据叠加后的特征融合图获得候选目标区域；将所述候选目标区域输入卷积神经网络，获得动物体形的检测结果。2.根据权利要求1所述的方法，其特征在于，所述利用具有光照不变性的Gabor定序特征描述子对动物的原始图像进行特征提取，获得第一图像特征图，具体包括：将所述原始图像转换成第一灰度图像，采用尺度参数σ＝5的Gabor滤波器对所述第一灰度图像进行Gabor滤波，获得多个方向的动物体形的幅度特征图像；利用定序滤波器对所述多个方向的动物体形的幅度特征图像进行编码，获得多个方向的动物体形GOM特征编码图像；根据所述多个方向的动物体形GOM特征编码图像，获得所述动物的体形GOM特征编码图像，作为所述第一图像特征图。3.根据权利要求2所述的方法，其特征在于，所述Gabor滤波器的表达式为：其中，σ代表Gabor滤波器的尺度参数，θk表示第k个方向的角度值；为Gabor滤波器的x方向的尺度参数，为Gabor滤波器的y方向的尺度参数，为第k个角度方向的x值，为第k个角度方向的y值，fk为第k个方向上的中心频率；所述定序滤波器的表达式为：其中，ω和δ分别代表定序滤波器的中心位置和尺度，Np代表正瓣的个数，Nn代表负瓣的个数，系数Cp和Cn是保持正瓣和负瓣个数平衡的系数，且NpCp＝NnCn；δpi为正瓣的尺度参数，δnj为负瓣的尺度参数，ωpi为正瓣的中心位置，ωnj为负瓣的中心位置；所述多个方向，具体为8个方向，包括0°,22.5°,45°,67.5°,90°,112.5°,135°和157.5°。4.根据权利要求1所述的方法，其特征在于，所述将动物的深度图像与所述第一图像特征图进行配准，获得第二图像特征图，具体包括：通过仿射变换方式对所述深度图像与所述第一图像特征图进行配准，得到所述深度图像的图像特征图，其中仿射变换的公式为：其中，x1为第一特征图像的x方向的值、y1为为第一特征图像的y方向的值，x2为第二特征图像的x方向的值、y2为为第二特征图像的y方向的值，tx为x方向的平移值、ty为为y方向的平移值，s为缩...

【专利技术属性】
技术研发人员：高万林，仲贞，王敏娟，于丽娜，陈治昌，
申请(专利权)人：中国农业大学，
类型：发明
国别省市：北京,11