一种基于注意力和局部特征的密集场景牛身份识别方法技术

本发明专利技术公开了一种基于注意力和局部特征的密集场景牛身份识别方法。本发明专利技术在深度学习技术的基础上在牛群密集场景的基础上设计了CGL模块、空间信息增强SEM模块使提取到的特征作为牛识别依据时更具有鲁棒性。同时为了解决强遮挡场景，设计了GLR模块寻找局部特征之间相关性，用局部特征之间相关性去表征一头牛。本发明专利技术提出了一种基于注意力和局部特征的密集场景牛身份识别方法，能有效解决在牛群密集场景下的牛身份识别问题，在复杂场景下的1:1比对识别能获得优异的识别性能。比对识别能获得优异的识别性能。比对识别能获得优异的识别性能。

【技术实现步骤摘要】
一种基于注意力和局部特征的密集场景牛身份识别方法


[0001]本专利技术涉及生物识别领域，具体是一种基于注意力和局部特征的密集场景牛身份识别方法。

技术介绍

[0002]最近几年，畜牧业作为农业和农村经济的主导产业，已成为保障城乡居民肉、蛋、奶消费和动物蛋白摄入的基础产业。特别是自2012年以来，畜牧业已成为许多西部地区和少数民族较多省份扶贫攻坚的重要举措。在传统养殖业中，奶牛和肉牛养殖是养殖业的重要组成部分，在传统农牧养殖经济体系中占有重要地位。因此，开展个体精细育种是现代育种的主要研究方向。
[0003]随着畜牧业向规模化、信息化、精细化方向发展，集约化养牛场将逐步取代散养等小规模养殖模式。在规模化养牛场，要实现个体化、自动化、信息化的日常精细化管理，实现每头奶牛健康状况的跟踪和奶、肉制品的可追溯性，必须建立和完善质量追溯体系，关键在于对个体牛的识别。因此，快速准确的牛个体识别不仅是乳制品和肉制品可追溯性的基础，也是奶牛生产绩效记录系统和育种、产犊等遗传改良系统的重要组成部分，肉牛保险作为我国政策性农业保险制度的重要组成部分，已成为各级政府支持肉牛发展、保障养殖利益的重要手段。牛个体身份的准确识别将促进肉牛保险的顺利发展，解决索赔肉牛与被保险肉牛不能完全匹配的问题，提高承保和索赔的准确性。因此，实施奶牛个体识别，结合可穿戴设备采集其他生理信息，建立全产业链质量追溯体系，将大大提高劳动生产率，提高乳制品和肉制品的产量和质量，这对提高消费者的健康水平具有重要意义。同时，也为加强奶牛养殖业生产、有效的疾病防控和肉牛保险虚假理赔等提供重要信息，促进畜牧业健康发展。
[0004]传统的牛个体识别可以通过物理方法或嵌入微芯片的方式对身体某一部位进行标记，通过射频ID的方式对牛个体加以区分。但这种方式不能防止欺诈行为，包括复制标记和盗窃设备，还会对牛本身造成伤害。
[0005]由于近几年人工智能技术的告诉发展，在生物识别方面也涌现了许多基于深度学习的新方法。在模型设计上出现了基于注意力的特征提取方法，如SE(Squeeze
‑
and
‑
Excitation)、SK(Selective Kernel)等新颖的方法，但是当应用到牛群密集场景下时，由于牛群互相遮挡的问题让这些方法不能发挥出良好的性能。如SE在选取各通道的权重时只利用了特征图的全局特征，但是在牛群发生遮挡时，牛的表面特征只漏出一部分，特别是在密集牛群场景下牛群之间的遮挡现象更加严重。这时图像的局部特征对于识别准确率的贡献更大，而SE则忽视了局部特征的利用，造成在密集遮挡场景中识别率较低。同时，SK则是让网络自主的根据图像内容选取不同的卷积核大小，让图像的特征具有不同的感受野。这样虽然能在一定程度上利用图像的空间局部特征，但是在牛群密集遮挡情况下，牛的表面特征可能会被大面积遮挡，真正的有用信息占整幅图像的比列很小。网络前项传播时，随着特征图分辨率的降低牛特征会越来越小，甚至会被干扰信息淹没。因为SK没有在网络传播时进行特征增强，所以在严重遮挡场景下SK也不能提供较高的识别性能。
[0006]在特征处理方面，研究员们也开始在识别前将特征进行分块进而获得特征图中相较于原图的局部特征。如Part
‑
based Convolutional Baseline(PCB)将骨干网络提取到的全局特征直接进行分块，再将每块特征各自用交叉熵损失函数进行约束。经过我们测试，PCB在牛身没有遮挡时能表现出较高的识别性能。但是当牛身发生遮挡时，会造成特征不匹配、模型对不齐带来的识别准确率下降的问题。

技术实现思路

[0007]对于在密集牛群场景下由于牛群遮挡、牛身特征不明显等问题引起牛身份识别困难的难题。本专利技术提供了一种基于注意力和局部特征的密集场景牛身份识别方法。本专利技术在深度学习技术的基础上在牛群密集场景的基础上设计了CGL模块、空间信息增强SEM模块使提取到的特征作为牛识别依据时更具有鲁棒性。同时为了解决强遮挡场景，设计了GLR模块寻找局部特征之间相关性，用局部特征之间相关性去表征一头牛。本专利技术解决了在牛群密集遮挡场景下的牛身份识别困难的问题。
[0008]本专利技术所采用的技术方案为：
[0009]一种基于注意力和局部特征的密集场景牛身份识别方法，包括以下步骤：
[0010]S1、构造数据集，并将数据集划分为训练集和测试集。本专利技术所采用的训练集为通过牛群目标检测分割网络得到的牛身图像。将划分后的训练集利用平移、旋转、放缩操作进行扩充来满足牛身的不同姿态，以获得泛化性更强的模型。
[0011]S1
‑
1:通过目标检测采集若干类牛的图像数据。
[0012]S1
‑
2:利用平移、旋转、放缩操作对训训练集进行扩充。并将扩充后的图像数据归一化到同样分辨率大小。
[0013]S2、设计基于注意力和局部特征的密集场景牛身份识别模型：
[0014]S2
‑
1:基于ResNeXt改进的骨干网络AL
‑
ResNeXt：
[0015]用改进后的骨干网络AL
‑
ResNeXt提取待识别牛身图像的全局特征。在设计骨干网络时，选择ResNeXt作为基本的网络结构。ResNeXt相较于ResNet引入了分组的概念，每个分组对不同的子空间进行学习，使样网络能学到更多样的特征。因此ResNeXt相比ResNet有更强的表征能力。同时这种分组的操作或许能起到网络正则化的作用，因为实际上，增加一个cardinality维度之后，会使得卷积核学到的关系更加稀疏，在整体的复杂度不变的情况下，会大大降低了每个子网络块的复杂度，那么其过拟合的风险相比于ResNet也将会大大降低。ResNeXt的结构如图1所示。
[0016]首先，在ResNeXt中加入设计的CGL模块，CGL模块实现方式如图2所示。其中，relation
‑
module模块如图3所示。Relation
‑
module主要用来寻找各通道特征和其他通道特征之间的相关性。由CGL结构图可知，CGL的运算方式很简单，相较于SE，CGL挖缺了特征图中的局部特征且运算时间复杂度较低。
[0017]由图2所示，CGL模块实现方式如下：当输入特征图的维度为W*H*C时，将特征图分为两路处理。第一路进行全局平均池化，得到1*C维度的特征向量。第二路则是先进行维度变换将特征图维度变化为N*C(N＝W*H)，再按照特征维度进行分块，第i分块记为C
i
，其中i＝1,2,3,...,C；C
i
的维度为N*1，将除却分块C
i
的剩下分块组合为A
i
，A
i
维度为N*(C
‑
1)。则
通过得到C
i
与A
i
的关系。按照同样的方式处理C次得到C个结果；将得到的C个结果与第一路中的特征向量本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于注意力和局部特征的密集场景牛身份识别方法，其特征在于包括以下步骤：S1、构造数据集，并将数据集划分为训练集和测试集；本发明所采用的训练集为通过牛群目标检测分割网络得到的牛身图像；将划分后的训练集利用平移、旋转、放缩操作进行扩充来满足牛身的不同姿态，对训练集进行扩充，并将扩充后的图像数据归一化到同样分辨率大小；S2、设计基于注意力和局部特征的密集场景牛身份识别模型：S3、通过SoftMax
‑
Loss损失函数来指导网络学习，同时设计加入Triplet
‑
Loss损失函数对特征进行约束；S4、训练整个模型，如图10，直至迭代训练整个训练集若干次；S5、将测试集图像输入训练好的模型中提取牛图像特征，采用余弦距离进行1：1比对识别。2.根据权利要求1所述的一种基于注意力和局部特征的密集场景牛身份识别方法，其特征在于步骤S2具体实现如下：S2
‑
1:基于ResNeXt改进的骨干网络AL
‑
ResNeXt：用改进后的骨干网络AL
‑
ResNeXt提取待识别牛身图像的全局特征；在设计骨干网络时，选择ResNeXt作为基本的网络结构；ResNeXt的结构如下所示：首先，在ResNeXt中加入设计的CGL模块，CGL模块实现方式如下：当输入特征图的维度为W*H*C时，将特征图分为两路处理；第一路进行全局平均池化，得到1*C维度的特征向量；第二路则是先进行维度变换将特征图维度变化为N*C(N＝W*H)，再按照特征维度进行分块，第i分块记为C
i
，其中i＝1,2,3,..,C；C
i
的维度为N*1，将除却分块C
i
的剩下分块组合为A
i
，A
i
维度为N*(C
‑
1)；则通过得到C
i
与A
i
的关系；按照同样的方式处理C次得到C个结果；将得到的C个结果与第一路中的特征向量的C个维度想对应拼接后堆叠，从而得到局部特征的关系向量；最后将堆叠结果通过卷积操作得到权重的Mask向量；再将输入特征图与权重的Mask向量相乘即可；将CGL插入到ResNeXt的每一stage中的基本模块中，CGL充分利用全局和局部信息，来解决在牛群密集遮挡时特征鲁棒性不强的问题；其次，将设计的特征增强模块SEM加入到原始ResNeXt中，组成最后的主干网络AL
‑
ResNeXt；在每一个stage后都引入前一个stage的空间信息；通过前一个stage大分辨率的优势，将空间的重要性传递到下一个stage中，保证重要信息在前行传播下采样的过程中被保留下来，...

【专利技术属性】
技术研发人员：郑鹏，沈雷，李琦，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：