一种奶牛个体身份识别方法和装置、存储介质制造方法及图纸

本发明专利技术公开一种奶牛个体身份识别方法和装置、存储介质，包括：通过深度卷积神经网络对历史奶牛图像进行深度特征提取，生成特征模板；获取待识别的奶牛图像；将所述待识别的奶牛图像与所述特征模板进行匹配，以识别奶牛个体身份。采用本发明专利技术的技术方案，可以提高牛奶识别精度，新的奶牛加入牛群时，可以较快地将特征存储到模板特征库中，完成注册，避免特征提取网络的重复训练。提取网络的重复训练。提取网络的重复训练。

【技术实现步骤摘要】
一种奶牛个体身份识别方法和装置、存储介质


[0001]本专利技术属于深度学习
，尤其涉及一种基于深度特征提取与匹配的奶牛个体身份识别方法和装置、存储介质。

技术介绍

[0002]奶牛个体识别不仅是奶牛行为自动分析、体型和身体状况评估以及体重评估的前提，也是规模化信息化和精细化畜牧业发展的重要组成部分。目前，无线射频识别(RFID)在农场中被广泛使用，作为区分奶牛个体的技术手段，主要用于奶牛的定位或识别。然而，RFID的应用要求奶牛佩戴耳标。耳标是侵入性的，会影响动物的福利。此外，复杂的农场环境导致耳标严重丢失和腐蚀损害，增加了经济成本。基于雷达技术以及WLAN跟踪系统用于定位跟踪奶牛，但基于雷达技术的局部位置测量(Local Position Measurement,LPM)系统价格昂贵，无法在生产中广泛使用。WLAN跟踪系统价格较低，但仍需要给奶牛佩戴应答器，该类系统也是接触式的，同样存在损耗或丢失的情况。实验发现基于计算机的非接触式系统成本较低，有利于动物福利。因此，基于视觉的奶牛非接触个体识别的应用具有一定的价值。
[0003]随着计算机视觉技术在智能畜牧业领域的迅速发展，基于视觉的奶牛个体识别的研究和应用也越来越多。目前研究中常用的奶牛个体识别区域有脸、口、背、尾等身体部位。奶牛的面部特征和口鼻区纹理包含着丰富的个体信息。基于牛面部和口鼻图像的研究取得了一定的成果，利用传统算法对奶牛的面部或鼻子和嘴巴区域进行分类，其中大部分采用特征提取算法，通过分类器提取特征并识别奶牛。然而，传统算法存在再在特征提取和图像预处理方面比较复杂，对奶牛的识别精度不高的问题，不能很好地满足实际需要。以卷积神经网络作为技术手段进行的个体识别任务表现尤其出色。但是，在基于卷积神经网络的奶牛个体识别中仍然存在一些问题，已训练的卷积神经网络模型存储着奶牛场中现有奶牛的信息，一旦新增奶牛，就需要对模型进行重新训练。但是，卷积神经网络的训练非常耗时，时效性很低。

技术实现思路

[0004]本专利技术要解决的技术问题是，提供一种奶牛个体身份识别方法和装置、存储介质，可以提高牛奶识别精度。对于新输入奶牛数据，可以快速完成注册，无需重新训练特征提取网络，避免重复训练，节约时间。
[0005]为实现上述目目的，本专利技术采用如下的技术方案：
[0006]一种奶牛个体身份识别方法，包括以下步骤：
[0007]步骤S1、通过深度卷积神经网络对历史奶牛图像进行深度特征提取，生成特征模板；
[0008]步骤S2、获取待识别的奶牛图像；
[0009]步骤S3、将所述待识别的奶牛图像与所述特征模板进行匹配，以识别奶牛个体身
份。
[0010]作为优选，步骤S1具体为：利用VGG
‑
16网络对图像进行深度特征提取计算公式为：
[0011]Y(P)＝x∈R
d
[0012]其中，P为奶牛图像，x为奶牛图像P的特征矩阵，R为实数；将P投影到d维特征空间中获得d维空间中的特征Y(P)；
[0013]利用特征提取函数Y，对数据集中奶牛图像的每个奶牛图像P进行特征提取，得到N个特征向量Y(P)，并将奶牛图像ID与对应的Y(P)存储在模板特征库中，生成特征模板。
[0014]作为优选，VGG
‑
16网络由13个卷积层、4个最大池化层、3个完全连接层和1个softmax组成；卷积层采用尺寸为3
×
3的卷积核和步长为1的过滤器构建而成，最大池化层采用尺寸为2
×
2的池化核和步长为2的过滤器构建而成；VGG
‑
16网络作为深度特征提取器，在卷积以及最大池化操作后会使用Flatten()函数将数据压平，得到一个1*n维的特征向量。
[0015]作为优选，步骤S2具体为：根据特征提取函数Y，通过计算d维空间中映射的特征向量之间的相似度，将待识别奶牛图像I的特征Y(I)与特征模板中的N个特征Y(P)匹配。
[0016]作为优选，通过欧几里得距离计算d维空间中映射的特征向量之间的相似度，计算公式为：
[0017][0018]其中，I表示待识别的奶牛图像，P
j
表示特征模板中j个奶牛图像，i表示特征向量的n个维度，I与P
j
的特征维度一致，dEu
j
则表示待识别奶牛图像I的深度特征Y(I)与特征模板中的j个深度特征Y(P)匹配得到的相似距离。
[0019]作为优选，通过余弦相似度计算d维空间中映射的特征向量之间的相似度，计算公式为：
[0020][0021]其中，I表示待识别奶牛图像，P
j
表示特征模板中j个奶牛图像，i表示特征向量的n个维度，I与P
j
的特征维度一致，dCos
j
则表示待识别奶牛图像I的深度特征Y(I)与特征模板中的j个深度特征Y(P)匹配得到的余弦相似度。
[0022]本专利技术还提供一种奶牛个体身份识别装置，包括：
[0023]提取模块，用于通过深度卷积神经网络对历史奶牛图像进行深度特征提取，生成特征模板；
[0024]获取模块，用于获取待识别的奶牛图像；
[0025]识别模块，用于将所述待识别的奶牛图像与所述特征模板进行匹配，以识别奶牛个体身份。
[0026]作为优选，利用VGG
‑
16网络对图像进行深度特征提取；对于新输入奶牛数据，无需再次训练特征提取模块，避免重复训练；所述VGG
‑
16网络由13个卷积层、4个最大池化层、3个完全连接层和1个softmax组成；卷积层采用尺寸为3
×
3的卷积核和步长为1的过滤器构建而成，最大池化层采用尺寸为2
×
2的池化核和步长为2的过滤器构建而成；VGG
‑
16网络作为深度特征提取器，在卷积以及最大池化操作后会使用Flatten()函数，将数据压平，得到一个1*n维的特征向量。
[0027]作为优选，识别模块通过计算多维空间中映射的特征向量之间的相似度，将待识别奶牛图像的特征与特征模板中的特征进行匹配，以识别奶牛个体身份。
[0028]本专利技术还提供一种存储介质，所述存储介质存储有机器可执行指令，所述机器可执行指令在被处理器调用和执行时，所述机器可执行指令促使所述处理器实现奶牛个体身份识别方法。
[0029]本专利技术通过深度卷积神经网络模型对历史奶牛图像进行深度特征提取，生成特征模板；将所述待识别的奶牛图像与所述特征模板进行匹配，以识别奶牛个体身份；当新的奶牛被添加到奶牛场，登记可以很快完成。采用本专利技术的技术方案，提高奶牛个体识别精度，可以节省新奶牛的注册时间。
附图说明
[0030]图1为本专利技术奶牛个体身份识别方法的流程图；
[0031]图2为VGG
‑
16网络的结构示意图；
[0032]图3欧几里得距离特征匹配的示意图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种奶牛个体身份识别方法，其特征在于，包括以下步骤：步骤S1、通过深度卷积神经网络对历史奶牛图像进行深度特征提取，生成特征模板；步骤S2、获取待识别的奶牛图像；步骤S3、将所述待识别的奶牛图像与所述特征模板进行匹配，以识别奶牛个体身份。2.如权利要求1所述的奶牛个体身份识别方法，其特征在于，步骤S1具体为：利用VGG
‑
16网络对图像进行深度特征提取计算公式为：Y(P)＝x∈R
d
其中，P为奶牛图像，x为奶牛图像P的特征矩阵，R为实数；将P投影到d维特征空间中获得d维空间中的特征Y(P)；利用特征提取函数Y，对数据集中奶牛图像的每个奶牛图像P进行特征提取，得到N个特征向量Y(P)，并将奶牛图像ID与对应的Y(P)存储在模板特征库中，生成特征模板。3.如权利要求2所述的奶牛个体身份识别方法，其特征在于，VGG
‑
16网络由13个卷积层、4个最大池化层、3个完全连接层和1个softmax组成；卷积层采用尺寸为3
×
3的卷积核和步长为1的过滤器构建而成，最大池化层采用尺寸为2
×
2的池化核和步长为2的过滤器构建而成；VGG
‑
16网络作为深度特征提取器，在卷积以及最大池化操作后会使用Flatten()函数将数据压平，得到一个1*n维的特征向量。4.如权利要求3所述的奶牛个体身份识别方法，其特征在于，步骤S2具体为：根据特征提取函数Y，通过计算d维空间中映射的特征向量之间的相似度，将待识别奶牛图像I的特征Y(I)与特征模板中的N个特征Y(P)匹配。5.如权利要求4所述的奶牛个体身份识别方法，其特征在于，通过欧几里得距离计算d维空间中映射的特征向量之间的相似度，计算公式为：其中，I表示待识别的奶牛图像，P
j
表示特征模板中j个奶牛图像，i表示特征向量的n个维度，I与P
j
的特征维度一致，dEu
j
...

【专利技术属性】
技术研发人员：戴百生，沈维政，张哲，严士超，李洋，孙雨坤，孙佳，张永根，熊本海，
申请(专利权)人：东北农业大学，
类型：发明
国别省市：