一种处理姿态和视角矫正的牛脸识别方法技术

本发明专利技术涉及生物图像识别技术领域，尤其涉及一种处理姿态和视角矫正的牛脸识别方法，包括如下步骤：S1：数据采集；录制视频并收集不同角度和不同侧面的牛脸数据；S2：构建牛脸检测

【技术实现步骤摘要】
一种处理姿态和视角矫正的牛脸识别方法


[0001]本专利技术涉及生物图像识别
，尤其涉及了一种处理姿态和视角矫正的牛脸识别方法。

技术介绍

[0002]随着经济社会的快速发展，牛肉在食物消费中所占的比例越来越大，牛奶以及奶制品的消费需求也在不断增长。在养牛业不断壮大的同时，饲养方式的规模化和集约化程度、养殖场的信息化和智能化养殖程度越来越高，这种养殖方式均需通过牛脸的识别实现对养殖场的现代物联网技术管理，牛脸识别技术是基于图像中牛脸部特征的差异进行牛只身份识别的方法。
[0003]近年来，随着计算机视觉和深度学习的快速发展，牛脸检测和识别技术在农业领域逐渐得到广泛应用。通过使用先进的图像处理算法和机器学习模型，可以自动检测和识别牛脸图像，为畜牧业管理和动物研究提供了重要的工具。然而，牛脸图像可能因为姿势、表情、光线及遮挡等问题而对最终的检测识别产生难以估计的影响，且由于不同姿态和视角带来的图像差异，牛脸识别的准确性和稳定性将受到了一定的限制。
[0004]因此，为了克服上述问题，研究人员开始关注处理牛脸姿态和视角差异的方法。传统的方法往往将牛脸检测、姿态角估计和识别过程分为三个独立的阶段，涉及了多个模型和算法；然而，这种分步处理方法容易导致信息丢失和误差累积，将大大影响整体的识别性能。
[0005]综上所述，如何设计一种牛脸识别方法，可针对牛因运动造成姿态角差异和因拍摄角度不同造成视角偏差而对识别准确性造成影响的问题，是当下亟需解决的问题。

技术实现思路

[0006]本专利技术为解决上述问题，提供了一种处理姿态和视角矫正的牛脸识别方法，可通过数据采集、构建识别模型及对识别模型进行训练处理牛脸图像中的姿态和视角变化，并获得更准确和鲁棒的牛脸识别结果，可解决牛因运动造成姿态角差异和因拍摄角度不同造成视角偏差而对识别准确性造成影响的问题。
[0007]为达到上述目的，本专利技术提出如下技术方案：一种处理姿态和视角矫正的牛脸识别方法，包括如下步骤：S1：数据采集；录制视频并收集不同角度和不同侧面的牛脸数据；S2：构建牛脸检测
‑
矫正
‑
识别模型；牛脸检测
‑
矫正
‑
识别模型包括特征检测模块、特征编码与整合模块和特征识别模块；特征检测模块、特征编码与整合模块和特征识别模块中均包括特征强化分支和上下文感知分支；S3：对牛脸检测
‑
矫正
‑
识别模型进行训练。
[0008]进一步地，S1包括如下步骤：S11：数据预处理；
S111：对视频流数据进行关键帧提取，根据视频形式进行帧率选择；S112：将筛选出的图像进行分类处理和去重处理，构建牛脸数据集；数据集划分为训练集、验证集和测试集；S12：数据增强处理；S121：将从不同摄像头或采集设备中获取的图像数据进行尺度归一化，同时利用直方图归一化，调整不同来源图像的对比度；S122：将图像数据进行降噪、增强处理。
[0009]进一步地，S2中的特征强化分支采用深度可分离卷积、Relu激活函数和最大池化操作进行组合；S2中的上下文感知分支采用深度可分离卷积、Tanh激活函数和平均池化操作进行组合。
[0010]进一步地，S2中包括构建特征检测模块；构建特征检测模块时包括输入特征X和输出特征图Z；深度可分离卷积对于输入特征X、输出特征图Z的表示为：其中，W代表深度卷积，V代表逐点卷积；利用深度可分离卷积提取牛脸特征，其中C代表提取特征的通道数、H1代表提取特征的高、W1代表提取特征的宽；表示输出特征（feature map）的元素；表示输入特征的元素；表示深度卷积的权重；表示逐点卷积的权重。
[0011]进一步地，S2中包括构建特征编码与整合模块，构建特征编码与整合模块包括如下步骤：S21：通过深度可分离卷积操作提取局部特征；S22：通过变压器编码器捕捉输入数据中的长程依赖关系；变压器编码器采用多头注意力机制，得到序列特征输入，其中A代表H1
×
W1；变压器编码器使用自注意力机制来计算每个token位置和其他token位置的注意力权重；对序列输入特征F，自注意力计算如下：其中，Q表示查询矩阵，K表示键矩阵，V表示值矩阵；该三个矩阵均为F的线性变换，其中dk为注意力头中查询和键的维度；Softmax函数的数学表达式具体为：其中，表示权重矩阵中的一个元素，对应查询位置Q与键位置K之间的权重；N表示序列的长度；e为自然欧拉常数；
变压器编码器选取多头注意力机制，具体为：其中，Concat()表示将多个注意力头的输出拼接在一起，hi表示第i个注意力头的输出，num_heads表示注意力头的数量，Wo表示用于线性变换的权重矩阵；S23：通过池化操作进行下采样。
[0012]进一步地，S2中包括构建特征识别模块，特征识别模块包括深度可分离卷积和变压器编码器；通过深度可分离卷积操作提取输入数据的局部特征，通过变压器编码器提取的局部特征进行编码和捕捉。
[0013]进一步地，S3包括如下步骤：S31：将特征检测模块和特征编码与整合模块的输出送入多任务头中；多任务头包括牛脸检测任务、牛脸关键点定位任务和牛脸姿态角预测任务；当数据多为极端姿态或存在遮挡现象时，选取包括牛脸左眼中心、牛脸右眼中心、牛鼻中心、牛唇左嘴角、牛唇右嘴角、牛左眼左眼角、牛左眼右眼角、牛右眼左眼角、牛右眼右眼角、牛左耳中心、牛左耳左上尖端、牛左耳耳廓、牛右耳中心、牛右耳右上尖端、牛右耳耳廓在内的多个点作为牛脸的关键点特征；S32：将经过多任务处理后的经过矫正的牛脸图像送入特征识别模块中进行识别；S33：通过逐元素相乘进行融合，再使用全局平均池化对底层提取的牛脸特征进行整合；S34：经过Softmax分类，得到对应于牛的身份号码的识别结果。
[0014]进一步地，S3中牛脸检测
‑
矫正
‑
识别模型包括损失函数，损失函数包括特征检测模块和特征编码与整合模块结果引入的多任务损失：其中，表示牛脸分类损失，表示牛脸坐标框回归损失，表示牛脸关键点定位损失，表示牛脸姿态角回归损失；代表样本为牛脸的预测概率，为1代表正样本，0为负样本；和分别代表正样本相关的预测框和真实框坐标；和分别代表预测的牛脸关键点；和分别代表预测牛脸姿势和相应的地面真值，其中角度选取偏航角（Yp）、俯仰角（Pp）和侧滚角（Rp）；分类损失选取Softmax二分类损失，坐标框回归损失和关键点定位回归损失选取Smooth
‑
L1损失。
[0015]进一步地，具体如下所示：。
[0016]进一步地，损失函数还包括分类损失函数；将经过全局平均池化后的特征向量输入到Softmax分类器中，并通过计算得到每个类别的概率分布，选择具有最高概率的类别作为牛脸的身份ID。
[0017]与现有技术相比，本专利技术能够取得如下有益效果：
1、本专利技术通过数据采集、构建牛脸检测
‑
矫正
‑
识本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种处理姿态和视角矫正的牛脸识别方法，其特征在于，包括如下步骤：S1：数据采集；录制视频并收集不同角度和不同侧面的牛脸数据；S2：构建牛脸检测
‑
矫正
‑
识别模型；所述牛脸检测
‑
矫正
‑
识别模型包括特征检测模块、特征编码与整合模块和特征识别模块；所述特征检测模块、特征编码与整合模块和特征识别模块中均包括特征强化分支和上下文感知分支；S3：对牛脸检测
‑
矫正
‑
识别模型进行训练。2.根据权利要求1所述的处理姿态和视角矫正的牛脸识别方法，其特征在于，S1包括如下步骤：S11：数据预处理；S111：对视频流数据进行关键帧提取，根据视频形式进行帧率选择；S112：将筛选出的图像进行分类处理和去重处理，构建牛脸数据集；所述数据集划分为训练集、验证集和测试集；S12：数据增强处理；S121：将从不同摄像头或采集设备中获取的图像数据进行尺度归一化，同时利用直方图归一化，调整不同来源图像的对比度；S122：将图像数据进行降噪、增强处理。3.根据权利要求1
‑
2中任一项所述的处理姿态和视角矫正的牛脸识别方法，其特征在于，S2中的特征强化分支采用深度可分离卷积、Relu激活函数和最大池化操作进行组合；S2中的上下文感知分支采用深度可分离卷积、Tanh激活函数和平均池化操作进行组合。4.根据权利要求3所述的处理姿态和视角矫正的牛脸识别方法，其特征在于，S2中包括构建特征检测模块；构建特征检测模块时包括输入特征X和输出特征图Z；所述深度可分离卷积对于输入特征X、输出特征图Z的表示为：其中，W代表深度卷积，V代表逐点卷积；利用深度可分离卷积提取牛脸特征，其中C代表提取特征的通道数、H1代表提取特征的高、W1代表提取特征的宽；表示输出特征（feature map）的元素；表示输入特征的元素；表示深度卷积的权重；表示逐点卷积的权重。5.根据权利要求4所述的处理姿态和视角矫正的牛脸识别方法，其特征在于，S2中包括构建特征编码与整合模块，构建特征编码与整合模块包括如下步骤：S21：通过深度可分离卷积操作提取局部特征；S22：通过变压器编码器捕捉输入数据中的长程依赖关系；所述变压器编码器采用多头注意力机制，得到序列特征输入，其中A代表H1
×
W1；变压器编码器使用自注意力机制来计算每个token位置和其他token位置的注意力权重；对序列输入特征F，自注意力计算如下：
其中，Q表示查询矩阵，K表示键矩阵，V表示值矩阵；该三个矩阵均为F的线性变换，其中dk为注意力头中查询和键的维度；Softmax函数的数...

【专利技术属性】
技术研发人员：李慧盈，徐小惠，
申请(专利权)人：吉林大学，
类型：发明
国别省市：