一种基于度量学习的双阶段猪脸识别方法技术

本发明专利技术公开了一种基于度量学习的双阶段猪脸识别方法，包括：1)对收集到的猪脸图片进行筛选和标注，划分好训练集和测试集；2)对Retinaface检测模型结构进行改进；3)将训练集中的图片输入改进Retinaface检测模型进行训练；4)将训练集中图片根据标注信息进行裁剪和后续处理；5)搭建Dense_Bilinear CNN猪脸识别模型；6)将正脸数据集和侧脸数据集的图片分别输入到Dense_Bilinear CNN猪脸识别模型进行训练；7)根据步骤3)、6)得到的模型参数进行模型的级联；8)在测试集中，挑选图片建立数据库，剩余图片进行特征比对。本发明专利技术可有效实现猪脸识别，准确度高。准确度高。准确度高。

【技术实现步骤摘要】
一种基于度量学习的双阶段猪脸识别方法


[0001]本专利技术涉及计算机视觉的
，尤其是指一种基于度量学习的双阶段猪脸识别方法。

技术介绍

[0002]传统的生猪养殖过程中的个体识别方法主要有：耳缺法、标记法、耳牌法和电子耳牌法。但传统方法都有其各自的缺点，如耳缺法的剪耳规则不统一、容易感染，标记法的记号磨损和重叠，耳牌法的耳牌容易掉落，电子耳牌法在猪耳傻瓜佩戴标签利用RFID(射频识别)来识别，是应用较广泛的方法，但也存在掉落、成本过高等问题。传统识别方法受限于无法快速智能地处理数据，导致大型养猪场对猪只管理繁琐且不及时。这种标记动物个体的方法逐渐被基于图像或视频的非接触式识别方式取代。
[0003]猪脸检测算法是指在一张图片中找出所需检测的猪脸位置，然后根据预测信息对其进行裁剪和矫正得到仅有猪脸的局部图片，再进行猪脸识别；猪脸识别是将猪脸图片进行特征提取，然后将其映射为一个高维向量，将待识别的图片与数据库中的图片进行特征比对，根据相似程度对身份进行判断。Retinaface算法是一个经典的人脸检测算法，用于检测人脸位置并返回五个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于度量学习的双阶段猪脸识别方法，其特征在于，包括以下步骤：1)获取猪脸图片，对收集到的图片进行筛选和标注，根据猪脸类别划分好训练集和测试集，在训练集中根据图片数量划分验证集；2)结合实际应用以及检测要求对Retinaface检测模型结构进行改进，得到改进Retinaface检测模型，其改进包括在加强特征提取过程中使用通道注意力和空间注意力的方法加强对特征的进一步筛选；在预测模块的关键点预测分支中，将原模型分支减至适合所需任务的分支数；在损失函数部分，将原模型具有四项的多任务损失函数改至预测分类损失、预测面部框回归损失和预测关键点回归损失的三项多任务损失函数；3)将训练集中的图片输入到改进Retinaface检测模型中进行训练，根据预设参数进行训练，将验证集损失最小的模型参数作为改进Retinaface检测的模型参数，记为R；4)将训练集中的图片根据标注信息进行裁剪和后续处理，其中该后续处理针对猪脸更为立体的结构，为了让网络学习到相应的特征，根据双眼连线的中点和双鼻孔连线的中点之间点连线与双眼连线的法线之间的夹角判断是否为正脸或者侧脸，制备正脸数据集和侧脸数据集；5)结合实际应用以及识别要求搭建Dense_Bilinear CNN猪脸识别模型，该模型在主干网络上采用DenseNet121；在特征提取上采用双线性卷积神经网络结构；在损失函数方面，采用Triplet loss、Center loss和Arcface loss的联合损失函数；6)将正脸数据集和侧脸数据集的图片分别输入到Dense_Bilinear CNN猪脸识别模型中进行训练，根据预设参数进行训练，分别将验证集损失最小的模型参数作为Dense_Bilinear CNN猪脸识别的模型参数，得到正脸的模型参数A和侧脸的模型参数B；7)根据步骤3)和步骤6)得到的模型参数进行模型的级联，具体操作是：将输入图片输入到加载了模型参数R的改进Retinaface检测模型得到预测信息，根据预测信息和步骤4)的判断标准来判别是否属于正脸，若是则将处理后的图片输入到加载了模型参数A的Dense_Bilinear CNN猪脸识别模型，否则将处理后的图片输入到加载了模型参数B的Dense_Bilinear CNN猪脸识别模型，最后级联模型会输出该图片的128维特征向量；8)在测试集中，根据步骤4)的判断标准判别每一头猪的正脸和侧脸，分别挑选一张作为猪脸数据库，数据库中每一头猪的图片同样也要经过步骤7)分别得到正脸和侧脸的128维特征向量作为该猪的正脸和侧脸特征；将测试集中的剩余图片作为待测图片与数据库中的图片进行特征比对，特征比对的方法是通过步骤7)计算待测图片的特征，然后计算该特征与数据库中每一头猪的特征的欧氏距离，挑选数据库中与待测图片欧式距离最小的猪，则认为待测图片的身份对应数据库中的这一头猪，即完成了识别过程。2.根据权利要求1所述的一种基于度量学习的双阶段猪脸识别方法，其特征在于：在步骤1)中，将采集到的猪脸图像进行人工筛选，用Labelme工具对清洗后的猪脸图像进行标注，标注方法为猪脸框和猪脸的四个关键点，分别为左眼、右眼、左鼻孔和右鼻孔；根据猪脸类别划分好训练集和测试集，在训练集中根据图片数量划分验证集。3.根据权利要求1所述的一种基于度量学习的双阶段猪脸识别方法，其特征在于：在步骤2)中，所述改进Retinaface检测模型由主干特征提取网络、加强特征提取网络和预测模块组成；其中，在加强特征提取网络中加入通道注意力机制和空间注意力机制，对特征做进一步筛选，提高模型检测能力；通道注意力机制将输入的特征分别进行全局最大池化和全
局平均池化，然后分别送入两层的共享全连接层，再对输出进行加和操作，最后经过Sigmoid激活操作；空间注意力机制将输入的特征层在基于通道上作全局最大池化和全局平均池化，然后基于通道进行拼接，再通过卷积层降维成1个通道，最后经过Sigmoid激活；在预测模块中，面部分类预测用来判断先验框内是否包含物体，有2个参数；面部框预测用来对先验框进行调整从而获得预测框，有4个参数；面部关键点预测用来对先验框进行调整获得关键点，每个关键点有两个参数，这里把Retinaface进行改进，把面部关键点分支减少到8个1*1卷积，通道数为8对应4个关键点的坐标，有8个参数；改进Retinaface检测模型的损失函数在三个有效特征层上进行计算，改进Retinaface检测模型的损失函数包括三个部分：预测分类损失、预测面部框回归损失和预测关键点回归损失，总损失函数L1如公式(1)所示：L1＝λ1L
cls
+λ2L
box
+λ3L
landmark
ꢀꢀꢀꢀꢀꢀꢀꢀ
(1)式中，λ1、λ2、λ3分别为L
cls
、L
box
、L
landmark
的权重系数；其中L
cls
为面部分类损失，具体使用为交叉熵损失函数，而L
box

【专利技术属性】
技术研发人员：杜启亮，陆国溱，田联房，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：