牲畜个数的识别方法及装置制造方法及图纸

本发明专利技术实施例公开了一种牲畜个数的识别方法及装置，涉及计算机技术领域。其中方法包括：获取原始图像，并对所述原始图像中的牲畜进行标记，得到第一图像；基于卷积神经网络，对所述第一图像进行图像语义分割，得到所述第一图像的前景概率密度图；基于不同的阈值，对所述前景概率密度图进行二值化，得到多个第二图像；以及基于机器学习模型，对所述多个第二图像进行后处理逻辑判断，得到所述原始图像中牲畜的个数。根据本发明专利技术实施例的牲畜个数的识别方法，对第一图像进行图像语义分割，得到第一图像的前景概率密度图之后，通过机器学习模型的后处理逻辑判断来统计原始图像中牲畜的个数，提高了识别牲畜个数的多场景应用的鲁棒性。

Identification Method and Device of Livestock Number

The embodiment of the invention discloses a method and device for identifying the number of livestock, which relates to the field of computer technology. The methods include: acquiring the original image and marking the livestock in the original image to get the first image; semantically segmenting the first image based on convolution neural network to get the foreground probability density map of the first image; binarizing the foreground probability density map based on different thresholds to get multiple second images; and base image. In the machine learning model, the number of livestock in the original image is obtained by post-processing logic judgment of the multiple second images. According to the recognition method of livestock number according to the embodiment of the present invention, the first image is semantically segmented and the foreground probability density map of the first image is obtained. The number of livestock in the original image is counted by the post-processing logic judgement of the machine learning model, which improves the robustness of multi-scene application of identifying livestock number.

【技术实现步骤摘要】
牲畜个数的识别方法及装置
本专利技术涉及计算机
，具体涉及一种牲畜个数的识别方法及装置。
技术介绍
牲畜的售卖场景很多，通常需对牲畜的个数做记录。在售卖牲畜的过程中，地秤的空间构造通常比较狭小，常常造成牲畜群密度增加和牲畜重叠的现象，这给养殖户记录牲畜个数造成很大困难。因此，通过人工智能方式，对摄像头返回的图片和视频进行运算，通过识别结果来记录牲畜个数能够有效的节省人力成本、规范流程同时方便管理。目前，相关算法主要是做人群密度估计的，而识别牲畜个数的场景并不多。相关技术中，监控视频中人群计数算法通常有视觉特征轨迹类聚和基于特征的回归两种方法。视觉特征轨迹类聚一般是针对视频图像序列，用KLT跟踪器聚类的方法，通过轨迹聚类得到的数目来估计人数。基于特征的回归一般分为以下3个步骤：①前景分割：前景分割的目的是将人群从图像中分割出来便于后面的特征提取，分割性能的好坏直接关系最终计数精度，因此这是限制传统算法性能的一个重要因素。②特征提取：从分割得到的前景提取各种不同的底层特征。③人数回归：将提取到的特征回归到图像中的人数。在监控视频的人群计数算法中，前景分割是不可或缺的步骤，然而前景分割本身就是一个比较困难的任务，算法性能很大程度地受其影响。卷积神经网络实现了端对端训练，无需进行前景分割以及人工设计和提取特征，经过多层卷积之后得到高层的语义特征。CVPR2015的Cross-sceneCrowdCountingviaDeepConvolutionalNeuralNetworks提出了一个适用人群计数的深度卷积神经网络模型如图1所示，经过多层卷积之后得到高层的语义特征相比于人工特征对人群有更好的表述能力，交替回归该图像块的人群密度和人群总数来实现人数估计。此外，提出了一种数据驱动的方法从训练数据中选择样本来微调预训练好的CNN模型，以适应未知的应用场景。然而，开发高效的特征来描述人群和人群场景需要新的特定描述信息。场景之间存在不同的透视扭曲、人群分布以及光照条件，因此在没有另外的训练数据的情况下，场景之间的计数模型很难互相使用。现存的人群计数数据集不足以支持跨场景人群计数。
技术实现思路
有鉴于此，本专利技术实施例提供了一种牲畜个数的识别方法和装置，对第一图像进行图像语义分割，得到第一图像的前景概率密度图之后，通过机器学习模型后处理逻辑判断来统计原始图像中牲畜的个数，提高了识别牲畜个数的多场景应用的鲁棒性。同时，通过不同阈值来对该前景概率密度图进行二值化，并在多个第二图像之间进行后处理逻辑判断，提高了牲畜个数的识别方法的召回率和准确率。根据本专利技术的一方面，提供一种牲畜个数的识别方法，包括：获取原始图像，并对所述原始图像中的牲畜进行标记，得到第一图像；基于卷积神经网络，对所述第一图像进行图像语义分割，得到所述第一图像的前景概率密度图；基于不同的阈值，对所述前景概率密度图进行二值化，得到多个第二图像；以及基于机器学习模型，对所述多个第二图像进行后处理逻辑判断，得到所述原始图像中牲畜的个数。优选地，所述基于机器学习模型，对所述多个第二图像进行后处理逻辑判断，得到所述原始图像中牲畜的个数之前，包括：基于所述多个第二图像分别对应的多族轮廓特征信息，对所述多个第二图像的异常轮廓进行优化。优选地，所述基于所述多个第二图像分别对应的多族轮廓特征信息，对所述多个第二图像的异常轮廓进行优化，包括：采用轮廓提取函数提取所述多个第二图像的轮廓，得到所述多个第二图像对应的多族轮廓集合和先验的所述原始图像中牲畜的个数；提取所述多个第二图像对应的所述多族轮廓集合的特征，得到所述多个第二图像对应的多族第一特征数据集。优选地，所述基于所述多个第二图像分别对应的多族轮廓特征信息，对所述多个第二图像的异常轮廓进行优化，还包括：基于随机森林模型对所述多族第一特征数据集的各个特征进行排序，得到所述多族第一特征数据集的各个特征的重要性次序；基于所述多族第一特征数据集的各个特征的重要性次序，将不重要的特征剔除，得到多族第二特征数据集。优选地，所述基于所述多个第二图像分别对应的多族轮廓特征信息，对所述多个第二图像的异常轮廓进行优化，还包括：基于所述多族第二特征数据集，采用自适应提升算法模型对所述多个第二图像对应的所述多族轮廓集合进行筛选分类；其中，所述筛选分类结果中包括：所述多族轮廓集合的各个轮廓的面积的大小。优选地，所述基于所述多个第二图像分别对应的多族轮廓特征信息，对所述多个第二图像的异常轮廓进行优化，还包括：如果在所述多个第二图像对应的所述多族轮廓集合中不存在异常轮廓，则将所述多族轮廓集合中的轮廓标记为正常轮廓。优选地，所述基于所述多个第二图像分别对应的多族轮廓特征信息，对所述多个第二图像的异常轮廓进行优化，还包括：如果在所述多个第二图像对应的所述多族轮廓集合中存在异常轮廓，则将所述多族轮廓集合中合格的轮廓标记为正常轮廓，将所述多族轮廓集合中不合格的轮廓标记为异常轮廓；基于所述多族轮廓集合的相互校验，对所述异常轮廓进行修正。优选地，所述基于所述多族轮廓集合的相互校验，对所述异常轮廓进行修正，包括：获取所述异常轮廓所属的轮廓集合，得到第一族轮廓集合；获取所述异常轮廓不属于的一个轮廓集合，得到第二族轮廓集合；以及比较所述异常轮廓和所述第二族轮廓集合的轮廓的面积的大小。优选地，所述基于所述多族轮廓集合的相互校验，对所述异常轮廓进行修正，还包括：如果所述异常轮廓的面积大于所述第二族轮廓集合的轮廓，则判断在所述筛选分类结果中，所述异常轮廓的面积是否大于所述第二族轮廓集合的轮廓。优选地，所述基于所述多族轮廓集合的相互校验，对所述异常轮廓进行修正，还包括：在所述筛选分类结果中，如果所述异常轮廓的面积大于所述第二族轮廓集合的轮廓，则计算所述第二族轮廓集合中包含的轮廓的个数；并且判断所述第二族轮廓集合中包含的轮廓的个数是否大于等于3。优选地，所述基于所述多族轮廓集合的相互校验，对所述异常轮廓进行修正，还包括：如果所述第二族轮廓集合中包含的轮廓的个数大于等于3，则在所述第二族轮廓集合中找到距离所述异常轮廓最近的3个轮廓。优选地，所述基于所述多族轮廓集合的相互校验，对所述异常轮廓进行修正，还包括：如果所述第二族轮廓集合中包含的轮廓的个数小于3，则在所述第一族轮廓集合中找到除所述异常轮廓之外的所有轮廓。优选地，所述基于所述多族轮廓集合的相互校验，对所述异常轮廓进行修正，还包括：判断所述异常轮廓中包含的属于所述第二族轮廓集合的轮廓的个数是否大于1。优选地，所述基于所述多族轮廓集合的相互校验，对所述异常轮廓进行修正，还包括：如果所述异常轮廓中包含的属于所述第二族轮廓集合的轮廓的个数等于1，则将所述异常轮廓切割为两个。优选地，所述基于所述多族轮廓集合的相互校验，对所述异常轮廓进行修正，还包括：如果所述异常轮廓中包含的属于所述第二族轮廓集合的轮廓的个数大于等于2，则判断所述异常轮廓中包含的属于所述第二族轮廓集合的轮廓的个数是否大于等于3。优选地，所述基于所述多族轮廓集合的相互校验，对所述异常轮廓进行修正，还包括：如果所述异常轮廓中包含的属于所述第二族轮廓集合的轮廓的个数小于3，则将所述异常轮廓中包含的属于所述第二族轮廓集合的轮廓代替所述异常轮廓。优选地，所述基于所述多族轮廓集本文档来自技高网...

【技术保护点】
1.一种牲畜个数的识别方法，其特征在于，包括：获取原始图像，并对所述原始图像中的牲畜进行标记，得到第一图像；基于卷积神经网络，对所述第一图像进行图像语义分割，得到所述第一图像的前景概率密度图；基于不同的阈值，对所述前景概率密度图进行二值化，得到多个第二图像；以及基于机器学习模型，对所述多个第二图像进行后处理逻辑判断，得到所述原始图像中牲畜的个数。

【技术特征摘要】
1.一种牲畜个数的识别方法，其特征在于，包括：获取原始图像，并对所述原始图像中的牲畜进行标记，得到第一图像；基于卷积神经网络，对所述第一图像进行图像语义分割，得到所述第一图像的前景概率密度图；基于不同的阈值，对所述前景概率密度图进行二值化，得到多个第二图像；以及基于机器学习模型，对所述多个第二图像进行后处理逻辑判断，得到所述原始图像中牲畜的个数。2.根据权利要求1所述的牲畜个数的识别方法，其特征在于，所述基于机器学习模型，对所述多个第二图像进行后处理逻辑判断，得到所述原始图像中牲畜的个数之前，包括：基于所述多个第二图像分别对应的多族轮廓特征信息，对所述多个第二图像的异常轮廓进行优化。3.根据权利要求2所述的牲畜个数的识别方法，其特征在于，所述基于所述多个第二图像分别对应的多族轮廓特征信息，对所述多个第二图像的异常轮廓进行优化，包括：采用轮廓提取函数提取所述多个第二图像的轮廓，得到所述多个第二图像对应的多族轮廓集合和先验的所述原始图像中牲畜的个数；提取所述多个第二图像对应的所述多族轮廓集合的特征，得到所述多个第二图像对应的多族第一特征数据集。4.根据权利要求3所述的牲畜个数的识别方法，其特征在于，所述基于所述多个第二图像分别对应的多族轮廓特征信息，对所述多个第二图像的异常轮廓进行优化，还包括：基于随机森林模型对所述多族第一特征数据集的各个特征进行排序，得到所述多族第一特征数据集的各个特征的重要性次序；基于所述多族第一特征数据集的各个特征的重要性次序，将不重要的特征剔除，得到多族第二特征数据集。5.根据权利要求4所述的牲畜个数的识别方法，其特征在于，所述基于所述多个第二图像分别对应的多族轮廓特征信息，对所述多个第二图像的异常轮廓进行优化，还包括：基于所述多族第二特征数据集，采用自适应提升算法模型对所述多个第二图像对应的所述多族轮廓集合进行筛选分类；其中，所述筛选分类结果中包括：所述多族轮廓集合的各个轮廓的面积的大小。6.根据权利要求5所述的牲畜个数的识别方法，其特征在于，所述基于所述多个第二图像分别对应的多族轮廓特征信息，对所述多个第二图像的异常轮廓进行优化，还包括：如果在所述多个第二图像对应的所述多族轮廓集合中不存在异常轮廓，则将所述多族轮廓集合中的轮廓标记为正常轮廓。7.根据权利要求6所述的牲畜个数的识别方法，其特征在于，所述基于所述多个第二图像分别对应的多族轮廓特征信息，对所述多个第二图像的异常轮廓进行优化，还包括：如果在所述多个第二图像对应的所述多族轮廓集合中存在异常轮廓，则将所述多族轮廓集合中合格的轮廓标记为正常轮廓，将所述多族轮廓集合中不合格的轮廓标记为异常轮廓；基于所述多族轮廓集合的相互校验，对所述异常轮廓进行修正。8.根据权利要求7所述的牲畜个数的识别方法，其特征在于，所述基于所述多族轮廓集合的相互校验，对所述异常轮廓进行修正，包括：获取所述异常轮廓所属的轮廓集合，得到第一族轮廓集合；获取所述异常轮廓不属于的一个轮廓集合，得到第二族轮廓集合；以及比较所述异常轮廓和所述第二族轮廓集合的轮廓的面积的大小。9.根据权利要求8所述的牲畜个数的识别方法，其特征在于，所述基于所述多族轮廓集合的相互校验，对所述异常轮廓进行修正，还包括：如果所述异常轮廓的面积大于所述第二族轮廓集合的轮廓，则判断在所述筛选分类结果中，所述异常轮廓的面积是否大于所述第二族轮廓集合的轮廓。10.根据权利要求9所述的牲畜个数的识别方法，其特征在于，所述基于所述多族轮廓集合的相互校验，对所述异常轮廓进行修正，还包括：在所述筛选分类结果中，如果所述异常轮廓的面积大于所述第二族轮廓集合的轮廓，则计算所述第二族轮廓集合中包含的轮廓的个数；并且判断所述第二族轮廓集合中包含的轮廓的个数是否大于等于3。11.根据权利要求10所述的牲畜个数的识别方法，其特征在于，所述基于所述多族轮廓集合的相互校验，对所述异常轮廓进行修正，还包括：如果所述第二族轮廓集合中包含的轮廓的个数大于等于3，则在所述第二族轮廓集合中找到距离所述异常轮廓最近的3个轮廓。12.根据权利要求11所述的牲畜个数的识别方法，其特征在于，所述基于所述多族轮廓集合的相互校验，对所述异常轮廓进行修正，还包括：如果所述第二族轮廓集合中包含的轮廓的个数小于3，则在所述第一族轮廓集合中找到除所述异常轮廓之外的所有轮廓。13.根据权利要求12所述的牲畜个数的识别方法，其特征在于，所述基于所述多族轮廓集合的相互校验，对所述异常轮廓进行修正，还包括：判断所述异常轮廓中包含的属于所述第二族轮廓集合的轮廓的个数是否大于1。14.根据权利要求13所述的牲畜个数的识别方法，其特征在于，所述基于所述多族轮廓集合的相互校验，对所述异常轮廓进行修正，还包括：如果所述异常轮廓中包含的属于所述第二族轮廓集合的轮廓的个数等于1，则将所述异常轮廓切割为两个。15.根据权利要求14所述的牲畜个数的识别方法，其特征在于，所述基于所述多族轮廓集合的相互校验，对所述异常轮廓进行修正，还包括：如果所述异常轮廓中包含的属于所述第二族轮廓集合的轮廓的个数大于等于2，则判断所述异常轮廓中包含的属于所述第二族轮廓集合的轮廓的个数是否大于等于3。16.根据权利要求15所述的牲畜个数的识别方法，其特征在于，所述基于所述多族轮廓集合的相互校验，对所述异常轮廓进行修正，还包括：如果所述异常轮廓中包含的属于所述第二族轮廓集合的轮廓的个数小于3，则将所述异常轮廓中包含的属于所述第二族轮廓集合的轮廓代替所述异常轮廓。17.根据权利要求16所述的牲畜个数的识别方法，其特征在于，所述基于所述多族轮廓集合的相互校验，对所述异常轮廓进行修正，还包括：如果所述异常轮廓中包含的属于所述第二族轮廓集合的轮廓的个数大于等于3，则判断所述异常轮廓中包含的属于所述第二族轮廓集合的轮廓是否属于所述第一族轮廓集合。18.根据权利要求17所述的牲畜个数的识别方法，其特征在于，所述基于所述多族轮廓集合的相互校验，对所述异常轮廓进行修正，还包括：如果所述异常轮廓中包含的属于所述第二族轮廓集合的轮廓都属于所述第一族轮廓集合，则将所述异常轮廓中包含的属于所述第二族轮廓集合的轮廓代替所述异常轮廓。19.根据权利要求18所述的牲畜个数的识别方法，其特征在于，所述基于所述多族轮廓集合的相互校验，对所述...

【专利技术属性】
技术研发人员：苏睿，
申请(专利权)人：北京海益同展信息科技有限公司，
类型：发明
国别省市：北京,11