本发明专利技术提供CNN与SVM和ResNet相结合的牛脸识别方法，针对传统的牛个体身份识别需借助外部工具而产生的管理上的安全隐患及对牛身体的刺激和物理伤害问题。考虑CNN对硬件设备要求高且识别速度慢的问题，以及传统机器学习方法对先验知识的依赖性问题；并考虑到牛脸数据采集困难而产生的小样本问题，以及自然野外光照、视角、距离、运动等客观环境因素与牛脸特征复杂性，本发明专利技术具有训练收敛速度快、识别率高及泛化性强等特点。并在Andriod平台下运用该轻量型模型设计和实现了安卓手机APP，进而实现了移动便捷的实时识别系统，并通过了实验验证准确率达95.1％以上。验证准确率达95.1％以上。验证准确率达95.1％以上。
【技术实现步骤摘要】
CNN与SVM和ResNet相结合的牛脸识别方法
[0001]本专利技术涉及牛只身份识别领域。
技术介绍
[0002]奶牛和肉牛养殖是整个农业组成的重要部分，在农业经济体系中占据重要地位。随着畜牧养殖业向规模化、信息化、精细化的方向发展，集约化牛场将渐渐取代散户养殖等小规模的养殖模式。在大规模化牛场中要实现对牛个体自动化、信息化的日常精细化管理，实现对每头牛的健康状况追踪以及奶源和肉制品追溯，必须实现质量追溯体系的搭建与完善，而关键又在于对牛个体身份的识别。传统的牛个体身份识别需借助外部工具对身体某部位进行标记或者佩戴标记装置，识别方法具有侵入性，不仅严重影响日常行为，还可能引发全隐患。
[0003]自20世纪60年代起，基于生物特征中的人脸识别一直是学术领域探讨和研究的热点问题，引起了很多生物学家以及计算机视觉与图像处理领域研究人员的兴趣。目前，人脸检测和识别已趋于成熟。牛脸是个体最直接的外部可视信息，面部特征的差异性使牛脸得以作为个体身份的标识。鉴于目前人脸识别在诸多领域已经取得了广泛应用，则对牛脸识别技术的发展具有较强的可借鉴空间。国内最近几年才开始进行牛脸识别研究。蔡骋等和宋肖肖针对真实生产环境下，牛场视频监控图像中存在的拍摄角度差异大、光照不均匀、牛脸局部有遮挡等问题，首先对采集的牛脸正面图像采用级联式检测器进行定位，利用监督式梯度下降算法(Supervised Descent Method，SDM)、局部二值算法(Local Binary Feature，LBF)和主动外观模型算法(Fast Active Appearance Model，FAAM)3种算法提取定位到的牛脸轮廓信息，验证了牛脸特征点检测的可行性和实用性。这类方法前期工作量也较大，且只关注牛的正脸，在实际应用中自动采集数据较难实现。由于人脸有结构化特征，五官部位的位置也较为稳定，便于识别。而牛脸有毛发和纹理变化等干扰因素，且图像采集更不可控，无法让牛自觉地将脸部较长时间稳定地静止在摄像头前。特别是在自然和野外的环境下，光照条件的变化、视角和距离的不同、复杂的背景、牛的运动等因素使图像采集更加困难。不理想的脸部图像会对模型训练和识别有负面影响。因而相较于人脸识别，由于牛脸特征的复杂性以及各种环境因素的影响，当前牛脸识别未能在实际中普及应用。故而，基于CNN在人脸识别上的优势，展开针对牛脸的CNN迁移与改进方法研究有一定的可行性并且也是非常重要的。
[0004]卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks)，是深度学习(Deep Learning)的代表算法之一。卷积神经网络具有表征学习(Representation Learning)能力，能够按其阶层结构对输入信息进行平移不变分类(Shift
‑
invariant Classification)，因此也被称为“平移不变人工神经网络(Shift
‑
Invariant Artificial Neural Networks,SIANN)”。CNN通常含有输入层(Input)、卷积层(Convolution Layers)、池化层(Pooling)、全连接层(Full connect)和Softmax层。其中最核心的是卷积层，卷积层
也是它与其他神经网络最大的不同之处。除此之外，卷积神经网络还有两大特点，分别是局部感知和参数共享。局部感知即是每个神经元不与全部的神经元连接而只和上一层的部分神经元连接，因为这样只能感知到局部而非全局，因此叫做局部感知。之所以这样做是因为小范围内的像素之间联系较大，离得越远的像素之间通常关联越小。权值共享就是每一种特征用一个卷积核来做过滤。如此，局部感知和权值共享恰能减少参数。处理图像问题时，需要考虑到图片的大小规格，假设一个1000
×
1000的图像其训练基本难以实现，所以要想办法减少参数。
[0005]卷积神经网络中主要有三种类型的非线性计算，卷积层、池化层和全连接层，每个连接层代表不同类型数据的线性映射。
[0006](1)卷积层(Convolutional Layer)
[0007]每个卷积核通常都可以理解为一个n
×
n的小方块，也叫滤波器，这样的一个卷积核在图像矩阵上把卷积核范围内的数字通过一定的运算法则，压缩成了一个。如果是灰度图，那么图像就是二维的，使用二维的卷积核即可。如果图像是彩色图，需要使用的卷积核也从小正方形变成了小正方体。而卷积层就是多个卷积核叠加而形成的。
[0008](2)池化层(Pooling)
[0009]图像经卷积层的特定特征提取后，继续被传递到池化层，在池化层实现图片的特征选择以及信息过滤。池化层能够将特征图中展示的单个点替换为其相邻区域的特征图统计量，保留强度高的部分，滤除强度低的部分，将经卷积运算后的矩阵尺寸进行压缩，以保证全连接层拟合正常。
[0010](3)全连接层(Fully Connected Layer)
[0011]全连接层就是把神经元连接起来，位于CNN隐含层的最后，并且其信号传递具有特异性，只将信号传递到其他全连接层,而被传递到全连接层的特征图在这里失去空间拓扑结构，以向量的形式输出。卷积神经网络的结尾通常是全连接层加上Softmax。Softmax函数指归一化指数函数，主要起分类作用，它的功能是将多个神经元的输出映射到(0，1)区间范围内，其将分类转化为概率比较问题。
[0012]CNN之所以具有强大的分类能力,是因为其能够从大量的样本中学习到特征表示,整个网络表达了原始图像像素与其类特征之间的映射关系。但是牛脸识别是一个新任务，没有像人脸一样有标准的大规模训练数据集，且现场采集的牛脸数据的质量也不高，因而，需要针对小数据集设计轻量化的网络结构。故而考虑能否与传统机器学习方法相结合。SVM(Suppot Vector Machines)支持向量机方法是一种采用结构风险最小化准则的学习方法,相较于传统的采用经验风险最小化准则的学习方法,支持向量机具有更强大的泛化能力。传统机器学习算法在对于特征的一系列复杂过程中，存在人工经验设计特征和选取特征的问题会使识别的正确率降低。而基于CNN提取特征避免了人工经验的提取特征，解决了传统机器学习分类算法SVM人工经验提取的特征过程复杂且结果不好的问题，而且提取的特征具有平移、倾斜、旋转不变等特点。SVM相比于CNN需要更少的样本训练，同时SVM决策分类方法相对于复杂多层神经网络训练的时长相对更短，同时预测速度也更快。
[0013]为进一步提升收敛速度，以及降低网络深度引起的部分特征丢失和梯度弥散问题，引入残差网络(Residual Neural Network,ResNet)模块环节。残差网络解决了普通卷积神经网络随着网络深度的增加而出现性能退化的问题,即随着网络深度的增加,普通卷
积神经网络会出现本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.CNN与SVM和ResNet相结合的牛脸识别方法，其特征在于：输入牛脸图像进入以下网络，网络结构包括4层卷积层、4层最大池化层、1层残差单元层、1层平均池化层和1层SVM分类层；第一个卷积层，卷积核尺寸为3x3，padding为1，卷积核个数为32个，卷积步长为1，输出大小为128x128x32，经过2x2最大池化大小变为64x64x32；第二个卷积层，卷积核尺寸为3x3，padding为1，卷积核个数为64个，卷积步长为1，输出大小为64x64x64，经过2x2最大池化大小变为32x32x64；第三个卷积层，卷积核尺寸为3x3，padding为1，卷积核个数为64个，卷积步长为1，输出大小为32x32x64，经过2x2最大池化大小变为16x16x64；第四个卷积层，卷积核尺寸为3x3，padding为1...
【专利技术属性】
技术研发人员：朱敏玲，赵亮亮，和首杰，
申请(专利权)人：北京信息科技大学，
类型：发明
国别省市：
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。