基于猪脸识别与猪只重识别的猪只唯一化识别方法及系统技术方案

本发明专利技术公开了基于猪脸识别与猪只重识别的猪只唯一化识别方法及系统，该方法包括如下步骤：S1：获取待识别的图片或图片序列；S2：并行进行猪脸识别和猪只重识别，分别输出猪脸识别结果特征向量和猪只重识别结果特征向量；S3：通过输出整合神经网络对猪脸识别结果特征向量和猪只重识别结果特征向量进行输出整合，计算加权平均后的结果特征向量；S4：将结果特征向量与底库中的特征向量进行比对，计算相似度，输出相似度最高的猪只个体编号标签。本发明专利技术具有低成本、高效率、广适应性、高鲁棒性等优势，极大程度上提升了猪只个体的识别效率以及识别精度。识别精度。识别精度。

【技术实现步骤摘要】
基于猪脸识别与猪只重识别的猪只唯一化识别方法及系统


[0001]本专利技术涉及图像识别
，尤其涉及一种猪只重识别方法及系统。

技术介绍

[0002]生猪养殖行业中，对猪只个体做区分编号是记录猪只数据库表项的基础，例如称量猪只体重的记录，记录猪只疫苗接种情况等，都是基于猪只个体已经做好区分的前提下进行的。传统的猪只个体区分方法主要依靠人工巡视，检查比对猪只栏圈、脸部、生活习性、体表体征等以区分不同个体。此方法效率低下，并且十分消磨工作人员的意志与精力。对于长年累月生活在小型养殖场（40头左右规模）的工作人员来说，区分不同猪只个体的任务并不困难，然而对于大型养殖场，仅依靠人工记录区分不同个体，并且以之作为依据开展诸如称重、接种疫苗、配种等其他工作将会是一项繁琐且庞大的工作。该项人力成本占据了生产成本的很大部分，并且随着养殖规模的增大，该项人力成本亦将随之增加。神经网络深度学习等人工智能技术应用于行人重识别领域已取得极大成功，在业界首次命中率最高已达到99%，并且重识别框架已足够成熟，足以投入工农业生产。所谓行人重识别（Person Re
‑
identification）指的是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术，被广泛认为是一个图像检索的子问题。行人重识别可以实现在给定一个监控行人图像的条件下跨设备检索该行人图像。它旨在弥补目前固定的摄像头的视觉局限，并可与行人检测/行人跟踪技术相结合，可广泛应用于智能视频监控、智能安保等领域。应用于野生动物或家畜的重识别（Re
‑
identification）基于已有的行人重识别框架而产生，可实现依据拍摄到图像或者视频序列中的野生动物或家畜的体表特征来确定其个体编号的功能，方兴未艾，有望实现科技反哺工农业发展的美好愿景。
[0003]本申请人发现现有技术当中至少存在以下技术问题：在生猪养殖行业中，现有的猪只个体的识别方法效率较低，并且精度较差，无法满足日常饲养工作。

技术实现思路

[0004]本专利技术的目的在于提供一种基于猪脸识别与猪只重识别的猪只唯一化识别方法及系统，以解决现有的猪只个体的识别方法效率较低，并且精度较差的技术问题。
[0005]本专利技术的目的是采用以下技术方案实现的：基于猪脸识别与猪只重识别的猪只唯一化识别方法，包括如下步骤：S1：获取待识别的图片或图片序列；S2：并行进行猪脸识别和猪只重识别，分别输出猪脸识别结果特征向量和猪只重识别结果特征向量；S3：通过输出整合神经网络对猪脸识别结果特征向量和猪只重识别结果特征向量进行输出整合，计算加权平均后的结果特征向量；S4：将结果特征向量与底库中的特征向量进行比对相似度最高的猪只个体编号标
签。
[0006]进一步的，所述猪脸识别包括如下步骤：利用目标检测模型对图片或图片序列中的猪脸进行检测，并截取感兴趣区域；通过神经网络对截取的感兴趣区域进行特征提取，将原图片转化为一个若干维的特征向量；将猪脸识别的结果特征输入到输出整合神经网络。
[0007]进一步的，所述神经网络包括ResNet50和FaceNet，通过神经网络对截取的感兴趣区域进行特征提取，并通过多次卷积和池化操作，将原图片转化为一个若干维的特征向量，并通过欧几里得距离计算方法或余弦距离计算方法计算该特征向量与目标个体特征向量之间的特征距离。
[0008]进一步的，若是单张感兴趣区域，则通过神经网络直接提取特征；若是多张相同部位感兴趣区域，则通过神经网络分别提取特征，并取平均；若是多张不同部位感兴趣区域，则采用策略A或策略B提取特征，其中，策略A为：通过神经网络对相应部位提取特征，得到多个分别代表不同部位特征的特征向量组，并计算该特征向量组与目标个体的特征向量组中对应向量之间的度量距离，得到多个不同部位的度量距离值，对度量距离值进行加权平均，作为原图与目标个体之间的度量距离；策略B为：通过神经网络对相应部位提取特征，得到多个分别代表不同部位特征的特征向量组，然后将特征向量组按顺序连接，再经过全连接层缩减维数，最终得到一个融合了多特征的总特征向量，并利用该特征向量计算其与目标个体之间的度量距离。
[0009]进一步的，所述猪只重识别包括如下步骤：利用目标检测模型对图片或图片序列中的猪脸进行检测，并截取感兴趣区域；通过特征提取网络对截取的感兴趣区域进行特征提取，得到特征信息；将该上述特征向量输入到整合输出神经网络中。
[0010]进一步的，所述特征提取网络包括ResNet和CNN，通过特征提取网络对截取区域进行特征提取的策略包括只进行全局特征提取、只进行局部特征提取和全局特征提取与局部特征提取相结合。
[0011]进一步的，所述全局特征提取包括：输入图片、卷积网络层、输出全局特征图谱、池化层、输出特征向量、全连接层和输出分类结果；所述局部特征提取包括：输入图片、依据分块策略分块、每个子块均输入卷积网络、每个子块均输出特征图谱、特征融合、输出特征向量、全连接层和输出分类结果。
[0012]进一步的，所述分块策略包括水平切块、依据姿态信息切块、语义分割和网格切块。
[0013]进一步的，所述输出整合神经网络包括误差逆传播多层前馈网络，通过误差逆传播多层前馈网络将猪脸识别结果特征向量和猪只重识别结果特征向量进行输出整合。
[0014]基于猪脸识别与猪只重识别的猪只唯一化识别系统，包括图片获取模块、猪脸识别模块、猪只重识别模块和输出整合模块，其中，所述图片获取模块用以获取待识别的图片或图片序列；猪脸识别模块和猪只重识别模块用于对猪只个体进行并行识别，并所述分别输出猪脸识别结果特征向量和猪只重识别结果特征向量；所述输出整合模块用以对猪脸识别结果特征向量和猪只重识别结果特征向量进行输出整合，计算加权平均后的结果特征向
量，并将结果特征向量与底库中的特征向量进行比对，计算相似度，输出相似度最高的猪只个体编号标签。
[0015]本专利技术的有益效果在于：本专利技术创造性地提出了一种基于计算机视觉技术、关键点检测技术、重识别技术与深度神经网络技术，可用于全自动区分识别猪只个体编号的方法，相较于传统的全人工流程，效率提高了多个量级，减轻了从业人员进行称重工作所面临的风险，大大减轻了测温过程对猪只健康的不良影响，大幅度降低了人力成本；本专利技术使用模块化解耦，可针对不同使用场景采取不同策略，灵活性强，逻辑结构清晰；本专利技术是一种低成本、高效率、广适应性、高鲁棒性于一体的科学化规模化猪只唯一化识别方案，极大程度上提升了猪只个体的识别效率以及识别精度。
[0016]本专利技术依托于计算机视觉与深度学习等计算机科学领域的快速发展，为现代化、科学化的猪只养殖提供了有力保障，在真正意义上实现了养殖学、食品工程、材料科学与计算机科学等多学科的交叉融合，以新兴
为传统工农业赋能；同时，本专利技术在现代化养殖产业中具有较高的技术优势和市场价值，适合于生产中的实际应用与技术上的进一步推广。
附图说明
[0017]为了更清楚地说明本专利技术实施例或现有技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于猪脸识别与猪只重识别的猪只唯一化识别方法，其特征在于，包括如下步骤：S1：获取待识别的图片或图片序列；S2：并行进行猪脸识别和猪只重识别，分别输出猪脸识别结果特征向量和猪只重识别结果特征向量；S3：通过输出整合神经网络对猪脸识别结果特征向量和猪只重识别结果特征向量进行输出整合，计算加权平均后的结果特征向量；S4：将结果特征向量与底库中的特征向量进行比对，计算相似度，输出相似度最高的猪只个体编号标签。2.如权利要求1所述的基于猪脸识别与猪只重识别的猪只唯一化识别方法，其特征在于，所述猪脸识别包括如下步骤：利用目标检测模型对图片或图片序列中的猪脸进行检测，并截取感兴趣区域；通过神经网络对截取的感兴趣区域进行特征提取，将原图片转化为一个若干维的特征向量；将猪脸识别的结果特征输入到输出整合神经网络。3.如权利要求2所述的基于猪脸识别与猪只重识别的猪只唯一化识别方法，其特征在于，所述神经网络包括ResNet50和FaceNet，通过神经网络对截取的感兴趣区域进行特征提取，并通过多次卷积和池化操作，将原图片转化为一个若干维的特征向量，并通过欧几里得距离计算方法或余弦距离计算方法计算该特征向量与目标个体特征向量之间的特征距离。4.如权利要求2所述的基于猪脸识别与猪只重识别的猪只唯一化识别方法，其特征在于，若是单张感兴趣区域，则通过神经网络直接提取特征；若是多张相同部位感兴趣区域，则通过神经网络分别提取特征，并取平均；若是多张不同部位感兴趣区域，则采用策略A或策略B提取特征，其中，策略A为：通过神经网络对相应部位提取特征，得到多个分别代表不同部位特征的特征向量组，并计算该特征向量组与目标个体的特征向量组中对应向量之间的度量距离，得到多个不同部位的度量距离值，对度量距离值进行加权平均，作为原图与目标个体之间的度量距离；策略B为：通过神经网络对相应部位提取特征，得到多个分别代表不同部位特征的特征向量组，然后将特征向量组按顺序连接，再经过全连接层缩减维数，最终得到一个融合了多特征的总特征向量，并利用该特征向量计算其与目标个体之间的度量距离。5.如权利要求1所述的基于猪脸识别...

【专利技术属性】
技术研发人员：罗奥成，江熠，吉祥宇，李国良，杨诗宇，刘原驰，陆嘉华，陈建邦，于鑫慧，宋乐，
申请(专利权)人：天津大学四川创新研究院，
类型：发明
国别省市：