一种金丝猴面部图像识别方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开一种一种金丝猴面部图像识别方法，将采集得到的金丝猴图像，通过对金丝猴图像面部区域截取及预处理，获得金丝猴面部图像数据集；将金丝猴面部图像数据集输入至Tri‑Attention神经网络模型，提取金丝猴特征，完成对金丝猴面部图像识别。本发明专利技术提出了基于Tri‑Attention的金丝猴面部识别算法。该算法能够自动的关注金丝猴的面部区域，不需要对数据进行手工标注。该算法采用了空间注意力机制，分别对金丝猴面部图像的全局特征、局部特征以及显著性特征进行关注。通过联合不同维度、不同粒度的特征，进行融合，以提高分类的准确度，提升了网络的泛化性能。

【技术实现步骤摘要】
一种金丝猴面部图像识别方法、装置、设备及存储介质
本专利技术属于计算机视觉领域，具体涉及金丝猴面部图像识别方法、装置、设备及存储介质。
技术介绍
针对金丝猴的研究，首先需要对金丝猴进行监测。在传统的监测方法中，主要包括人员实地追踪监测、仪器追踪监测。由于金丝猴生活地的地形相对复杂，不利于研究人员长期进行实地追踪监测。而采用仪器追踪监测，在一定程度上可以解决上述难题。采用仪器追踪监测方法，方便且高效，但需要在金丝猴身体上绑定跟踪仪器，这可能会影响到金丝猴个体的生活习性和行为活动，因此该方法具有一定的局限性。随着科学技术的发展，特别是数码影像技术的发展，金丝猴的监测问题得到了有效的解决。由于数码影像技术具有非接触性的优点，已经被广泛的应用在各种野生动物的监测活动中。。采用数码影像技术进行金丝猴活动监测，可以实时的获取到金丝猴的图像数据，而这些图像数据对于研究金丝猴的生活习性、种群结构和种群密度等具有重要的意义。针对金丝猴的研究，还需要对金丝猴个体进行准确的识别。只有建立在准确无误的个体识别之上，才能够了解个体的生活习性并建立准确的社会结构模型。因此，个体识别显得尤为重要。针对金丝猴识别，可以利用金丝猴五官以及毛发之间的差异进行识别。人眼识别是最常用的方法，但易受外界因素以及自身因素的影响，带有一定的主观性。相比于人眼识别，标记法则具有很高的识别准确度。采用标记法需要在金丝猴身体上进行标记，例如项圈或者色彩。但该方法带有一定的侵入性，会影响到金丝猴的群居生活，更甚者会对金丝猴个体造成伤害。随着金丝猴图像数据的增多，怎样快速的识别并处理图像数据也是一个难题。传统的识别方法需要消耗大量的人力和时间，导致金丝猴图像数据得不到及时的、准确的处理。针对金丝猴图像数据，如何快速的、准确的识别出金丝猴个体显得尤为重要。随着计算机视觉技术的发展，针对野生动物图像的研究已经取得了丰硕成果，而深度学习技术在其中起着重要的作用。深度学习网络，特别是卷积神经网络(ConvolutionalNeuralNetwork,CNN)已经在图像处理、图像分类等领域取得了巨大的成功。目前，在人脸识别方向，应用深度学习技术的识别准确度已超越了人类的肉眼识别，这为金丝猴面部识别提供了一个解决思路。由于金丝猴和人的五官特征有着很大的相似性，因此可以将人脸识别算法应用在金丝猴的面部识别之上。与传统识别方法相比，应用卷积神经网络进行金丝猴面部识别有很多优势。首先，应用卷积神经网络进行金丝猴识别可以提高识别的准确度，有效克服了人眼识别中由主观因素带来的影响。其次，应用卷积神经网络可以快速的识别出金丝猴个体，极大的提高了识别效率，减少了处理时间。应用深度学习技术进行金丝猴面部识别，也存在着诸多挑战。首先，由于是在非限制性环境下采集数据，因此图像中难免会包含过多的背景。而针对金丝猴面部识别，背景因素作为干扰特征会影响到算法识别准确度。其次，由于拍摄角度的限制，导致图像中存在着大量遮挡，如树叶、山石以及金丝猴个体的相互遮挡。这些遮挡因素会导致金丝猴部分特征丢失，且引入了其他干扰特征。在不同的光照条件下，同一个体在视觉上会存在很大的差异，导致类内差异变大。同时，采集到的数据中存在大量的侧脸，而侧脸数据只包含金丝猴个体的部分特征，不利于深度学习的特征提取。上述这些因素都是自然因素，是随机的、不可控的且不稳定的。相比于自然因素，金丝猴个体的内在因素则是相对稳定的，但内在的相似性却是金丝猴面部识别面临的最大难题。部分金丝猴个体在外观上拥有着极高的相似度，这就需要深度学习模型能够提取到具有显著区分性的特征，这为深度学习算法提出了更高的要求。目前，大多数神经网络在处理图像数据的时候，对图像的所有特征都是等价处理的，即输入的特征是没有差异的。但实际上，不同区域的特征对算法分类起着不同的作用，显著区域的特征比非显著区域的特征具有更高的可分性。然而在神经网络提取特征的过程中，卷积和池化操作可能导致部分显著区域特征丢失。如何提取到金丝猴的显著特征，是金丝猴面部识别的关键所在。可以通过手工标注或截取的方式，提取到金丝猴面部的显著特征，但是该方法效率低且不灵活。如何提取到金丝猴的显著特征，是金丝猴面部识别的关键和难点所在。针对金丝猴面部图像的研究相对较少，主要还是通过手工标记等进行识别。目前，成熟的面部识别算法为金丝猴面部识别提供了扎实的理论基础，因此可以将深度学习技术应用到金丝猴的面部识别上。但考虑到金丝猴面部和人以及其他动物有区别，不能直接将现有的算法应用在金丝猴识别上。
技术实现思路
针对上述现有技术存在的问题或缺陷，本专利技术的目的在于提供一种金丝猴面部图像识别方法、装置、设备及存储介质，以解决现有技术中识别方法识别精度及泛化性能低的问题。为了解决上述技术任务，本专利技术采用如下技术方案予以实现：一种金丝猴面部图像识别方法，将采集得到的金丝猴图像，通过对金丝猴图像面部区域截取及预处理，获得金丝猴面部图像数据集；将金丝猴面部图像数据集输入至Tri-Attention神经网络模型，提取金丝猴特征，完成对金丝猴面部图像识别。具体地，所述的Tri-Attention神经网络模型由对象区域关注模型、局部区域关注模型和显著区域关注模型组成；对象区域关注模型，用于提取金丝猴的全局特征；局部区域关注模型，用于提取金丝猴面部的非毛发特征；显著区域关注模型，用于提取金丝猴面部区域的高判别性特征。进一步地，所述的对象区域关注模型包含8个卷积层，3个最大池化层和1个全局池化层。进一步地，所述的局部区域关注模型包含主干分支和掩膜分支，其中主干网络，包含有6个卷积神经网络，掩膜分支网络，包含有3个卷积层和2个反卷积层。进一步地，所述的显著区域关注模型为VGG16模型。所述的显著区域关注模型首先将金丝猴图像数据进行分割，得到不同大小的局部区域，然后计算区域的相似度并进行合并，再通过神经网络模型，选择出具有高判别度的局部区域并提取特征。本专利技术还涉及一种金丝猴面部图像识别装置，该装置包括：传输模块，用于上传金丝猴图像数据并返回处理后的结果；图像处理模块，用于对上传金丝猴图像进行加载、金丝猴图像面部区域截取、预处理及保存；模型加载处理模块，用于加载Tri-Attention神经网络模型并识别图片；数据查询模块，用于从数据库中查取信息，包括金丝猴个体的年龄、性别或者生活习性。进一步地，模型加载处理模块中所加载Tri-Attention神经网络模型，对象区域关注模型、局部区域关注模型和显著区域关注模型组成；对象区域关注模型，用于提取金丝猴的全局特征；局部区域关注模型，用于提取金丝猴面部的非毛发特征；显著区域关注模型，用于提取金丝猴面部区域的高判别性特征。本专利技术的技术方案还可以应用于计算机设备之中，包括收发器、存储器和处理器，所述的存储器中存储有计算机可读指令，所述计算机可读指令被处理器执行时，使得处理器执行金丝猴面部图像识别相关系列方法。本专利技术还可以应用制成任意一种计算机可读指令的存储介质，计算机可读指令被一个或本文档来自技高网...

【技术保护点】
1.一种金丝猴面部图像识别方法，其特征在于：将采集得到的金丝猴图像，通过对金丝猴图像面部区域截取及预处理，获得金丝猴面部图像数据集；将金丝猴面部图像数据集输入至Tri-Attention神经网络模型，提取金丝猴特征，完成对金丝猴面部图像识别。/n

【技术特征摘要】
1.一种金丝猴面部图像识别方法，其特征在于：将采集得到的金丝猴图像，通过对金丝猴图像面部区域截取及预处理，获得金丝猴面部图像数据集；将金丝猴面部图像数据集输入至Tri-Attention神经网络模型，提取金丝猴特征，完成对金丝猴面部图像识别。


2.如权利要求1所述的金丝猴面部图像识别方法，其特征在于：所述的Tri-Attention神经网络模型由对象区域关注模型、局部区域关注模型和显著区域关注模型组成；对象区域关注模型，用于提取金丝猴的全局特征；局部区域关注模型，用于提取金丝猴面部的非毛发特征；显著区域关注模型，用于提取金丝猴面部区域的高判别性特征。


3.如权利要求2所述的金丝猴面部图像识别方法，其特征在于：所述的对象区域关注模型包含8个卷积层，3个最大池化层和1个全局池化层。


4.如权利要求2所述的金丝猴面部图像识别方法，其特征在于：所述的局部区域关注模型包含主干分支和掩膜分支，其中主干网络，包含有6个卷积神经网络，掩膜分支网络，包含有3个卷积层和2个反卷积层。


5.如权利要求2所述的金丝猴面部图像识别方法，其特征在于：所述的显著区域关注模型为VGG16模型。


6.如权利要求2或5所述的金丝猴面部图像识别方法，其特征在于：所述的显著区域关注模型首先将金丝猴图像数据进行分割，得到不同大小的局部区域，然后计算区域的相似...

【专利技术属性】
技术研发人员：郭松涛，许鹏飞，常江，何刚，李保国，贺树军，赵玄润，
申请(专利权)人：西北大学，
类型：发明
国别省市：陕西;61