CN111523479A - 动物的生物特征识别方法、装置、计算机设备及存储介质 - Google Patents
动物的生物特征识别方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN111523479A CN111523479A CN202010331638.9A CN202010331638A CN111523479A CN 111523479 A CN111523479 A CN 111523479A CN 202010331638 A CN202010331638 A CN 202010331638A CN 111523479 A CN111523479 A CN 111523479A
- Authority
- CN
- China
- Prior art keywords
- animal
- biological characteristic
- characteristic information
- identified
- biological
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 241001465754 Metazoa Species 0.000 title claims abstract description 238
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 35
- 239000000523 sample Substances 0.000 claims description 25
- 238000013527 convolutional neural network Methods 0.000 claims description 20
- 239000012805 animal sample Substances 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 230000000007 visual effect Effects 0.000 claims description 9
- 238000013508 migration Methods 0.000 claims description 7
- 230000005012 migration Effects 0.000 claims description 7
- 238000013499 data model Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000006378 damage Effects 0.000 abstract description 5
- 235000005809 Carpobrotus aequilaterus Nutrition 0.000 description 15
- 235000004550 Disphyma australe Nutrition 0.000 description 15
- 244000187801 Carpobrotus edulis Species 0.000 description 14
- 238000013526 transfer learning Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 241000282887 Suidae Species 0.000 description 4
- 238000009395 breeding Methods 0.000 description 4
- 230000001488 breeding effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000000887 face Anatomy 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 241000200554 Disphyma crassifolium Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 241001494479 Pecora Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 230000001617 migratory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种动物的生物特征识别方法、装置、计算机设备及存储介质,涉及生物特征识别技术领域,用于减少动物生物特征识别所造成的成本,避免动物所承受的生物破坏。本发明的主要技术方案为:将待识别动物的生物图像输入到动物生物特征识别模型得到所述待识别动物的生物特征信息;所述动物生物特征识别模型是根据生物特征样本信息以及对应的标签训练得到的;计算所述待识别动物的生物特征信息与生物特征数据库中各动物的生物特征信息相似度;将所述生物特征数据库中与所述待识别动物的生物特征信息相似度最大的生物特征信息对应的动物标签确定为所述待识别动物的身份。
Description
技术领域
本发明涉及生物特征识别技术领域,尤其涉及一种动物的生物特征识别方法、装置、计算机设备及存储介质。
背景技术
随着智能化养殖业的发展,精准化养殖具有越来越重要的意义。以生猪养殖为例,在生猪养殖过程中,需要对生猪的个体身份进行精确识别。传统生猪识别的主要方式是通过在动物的耳朵上穿孔佩戴无线射频识别标签或者进行生物特征破坏。这些侵入式的识别方式会引起生猪的不适与应激反应,同时这些简单的标记很容易被破坏与伪造。
发明内容
本发明提供一种动物的生物特征识别方法、装置、计算机设备及存储介质,用于减少动物生物特征识别所造成的成本,避免动物所承受的生物破坏。
本发明实施例提供一种动物的生物特征识别方法,所述方法包括:
将待识别动物的生物图像输入到动物生物特征识别模型得到所述待识别动物的生物特征信息;所述动物生物特征识别模型是根据生物特征样本信息以及对应的标签训练得到的;
计算所述待识别动物的生物特征信息与生物特征数据库中各动物的生物特征信息相似度;所述生物特征数据库中包括根据所述动物生物特征识别模型得到的所有动物的生物特征信息以及分别对应的动物标签;
将所述生物特征数据库中与所述待识别动物的生物特征信息相似度最大的生物特征信息对应的动物标签确定为所述待识别动物的身份。
本发明实施例提供一种动物的生物特征识别装置,所述装置包括:
获取模块,用于将待识别动物的生物图像输入到动物生物特征识别模型得到所述待识别动物的生物特征信息;所述动物生物特征识别模型是根据生物特征样本信息以及对应的标签训练得到的;
计算模块,用于计算所述待识别动物的生物特征信息与生物特征数据库中各动物的生物特征信息相似度;所述生物特征数据库中包括根据所述动物生物特征识别模型得到的所有动物的生物特征信息以及分别对应的动物标签;
确定模块,用于将所述生物特征数据库中与所述待识别动物的生物特征信息相似度最大的生物特征信息对应的动物标签确定为所述待识别动物的身份。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述动物的生物特征识别方法。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述动物的生物特征识别方法。
本发明提供的一种动物的生物特征识别方法、装置、计算机设备及存储介质,首先将待识别动物的生物图像输入到动物生物特征识别模型得到所述待识别动物的生物特征信息,然后计算所述待识别动物的生物特征信息与生物特征数据库中各动物的生物特征信息相似度;所述生物特征数据库中包括根据所述动物生物特征识别模型得到的所有动物的生物特征信息以及分别对应的动物标签;最后将所述生物特征数据库中与所述待识别动物的生物特征信息相似度最大的生物特征信息对应的动物标签确定为所述待识别动物的身份。与目前通过在动物的耳朵上穿孔佩戴无线射频识别动物身份相比,本发明通过动物生物特征识别模型得到待识别动物的生物特征信息,然后计算待识别动物与生物特征数据库中各动物的生物特征信息相似度;并基于相似度确定待识别动物的身份,由于本发明中的动物生物特征识别模型是根据生物特征样本信息以及对应的标签训练得到的,从而动物生物特征识别模型可以准确地确定待识别动物的生物特征信息,进行提高待识别动物身份确定的准确性,减少动物生物特征识别所造成的成本,避免动物所承受的生物破坏。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例中动物的生物特征识别方法的一应用环境示意图;
图2是本发明一实施例中动物的生物特征识别方法的一流程图;
图3是本发明一实施例中生物特征信息比对示意图;
图4是本发明一实施例中动物生物特征识别模的训练流程图;
图5是本发明一实施例中生物特征信息融合示意图;
图6是本发明一实施例中获取待识别动物上半脸生物特征信息的流程图;
图7是本发明一实施例中通过迁移学习得到猪脸识别模型示意图;
图8是本发明一实施例获取待识别动物的下半脸生物特征信息的流程图;
图9是本发明一实施例中动物的生物特征识别装置的一原理框图;
图10是本发明一实施例中计算机设备的一示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本申请提供的动物的生物特征识别方法,可应用在如图1的应用环境中,其中,摄像设备通过网络与计算机设备进行通信。计算机设备获取摄像设备拍摄的识别动物的生物图像就,然后将待识别动物的生物图像输入到动物生物特征识别模型得到所述待识别动物的生物特征信息;所述动物生物特征识别模型是根据生物特征样本信息以及对应的标签训练得到的;计算所述待识别动物的生物特征信息与生物特征数据库中各动物的生物特征信息相似度;所述生物特征数据库中包括根据所述动物生物特征识别模型得到的所有动物的生物特征信息以及分别对应的动物标签;将所述生物特征数据库中与所述待识别动物的生物特征信息相似度最大的生物特征信息对应的动物标签确定为所述待识别动物的身份。其中,计算机设备可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑等。
如图2所示,本发明实施例提供一种动物的生物特征识别方法,以该方法应用在图1中的计算机设备为例进行说明,包括如下步骤:
S10,将待识别动物的生物图像输入到动物生物特征识别模型得到所述待识别动物的生物特征信息。
其中,待识别动物具体可以为猪,羊,牛,马等,本发明实施例不做具体限定,生物图像具体可以为待识别动物的脸部图像。在本发明实施例中,具体可以通过摄像设备获取待识别动物的生物特征图像,然后将生物特征图像输入到动物生物特征识别模型得到该待识别动物的生物特征信息。
需要说明的是,所述动物生物特征识别模型是根据生物特征样本信息以及对应的标签训练得到的。该动物生物特征识别模型可以根据想要识别动物的种类进行训练,如想要对猪的生物特征进行识别,则动物生物特征识别模型以猪的生物特征信息及对应的猪的标签进行训练;如想要对马的生物特征进行识别,则动物生物特征识别模型以马的生物特征信息及对应的马的标签进行训练,本发明实施例不做具体限定。
S20,计算所述待识别动物的生物特征信息与生物特征数据库中各动物的生物特征信息相似度。
其中,所述生物特征数据库中包括根据动物生物特征识别模型得到的所有动物的生物特征信息以及分别对应的动物标签,即利用训练完的动物生物特征识别模型对所有的动物图像进行特征提取得到对应的生物特征信息,然后将所有动物的生物特征信息及对应的动物标签存储到生物特征数据库中。
如图3所示,以待识别动物为猪为例,计算待识别猪的生物特征信息与生物特征数据库中所有猪的生物特征信息相似度,将猪的生物特征信息与生物特征数据库中所有的猪的生物特征信息进行一一对比,具体的使用距离作为度量,度量可以描述生物特征信息之间的相似度,如欧式距离、曼哈顿距离、相对熵和夹角余弦等及其变种形式。根据这些度量方式,再利用统计学方法,如PCA、SVM和手工神经网络等,可以确定图像的类别。如局部二值模式方法通过与相邻像素的比较得到二进制的特征图,再使用最近邻的方法确定身份。将待识别猪的生物特征信息归为平均相似度最大的一类:
S30,将所述生物特征数据库中与所述待识别动物的生物特征信息相似度最大的生物特征信息对应的动物标签确定为所述待识别动物的身份。
本发明提供的一种动物的生物特征识别方法,首先将待识别动物的生物图像输入到动物生物特征识别模型得到待识别动物的生物特征信息,然后计算待识别动物的生物特征信息与生物特征数据库中各动物的生物特征信息相似度;所述生物特征数据库中包括根据动物生物特征识别模型得到的所有动物的生物特征信息以及分别对应的动物标签;最后将生物特征数据库中与待识别动物的生物特征信息相似度最大的生物特征信息对应的动物标签确定为待识别动物的身份。与目前通过在动物的耳朵上穿孔佩戴无线射频识别动物身份相比,本发明通过动物生物特征识别模型得到待识别动物的生物特征信息,然后计算待识别动物与生物特征数据库中各动物的生物特征信息相似度;并基于相似度确定待识别动物的身份,由于本发明中的动物生物特征识别模型是根据生物特征样本信息以及对应的标签训练得到的,从而动物生物特征识别模型可以准确地确定待识别动物的生物特征信息,进行提高待识别动物身份确定的准确性,减少动物生物特征识别所造成的成本,避免动物所承受的生物破坏。
如图4所示,在本发明提供的一个实施例中,所述动物生物特征识别模型采用下述方式训练得到:
S101,获取动物样本图像的上半脸生物特征信息和下半脸生物特征信息。
其中,上半脸生物特征信息和下半脸生物特征信息分别用于表示动物样本的上半脸和下半脸的特征。需要说明的是,本发明实施例在获取动物样本图像的上半脸生物特征信息和下半脸生物特征信息之前,所述方法还包括:对所述动物样本图像的上半脸图像和下半脸图像转换成相同的尺寸;将转换为相同尺寸的上半脸图像和下半脸图像进行归一化。
例如,本发明实施例将用于训练的猪脸的上半脸图像和下半脸图像分别转换为相同尺寸,然年对所有的图像进行归一化:
其中,x代表一个像素,Min与Max分别表示像素的最大和最小值。在本发明实施例中,对样本图像进行归一化可以加速网络的收敛,消除奇异样本的不良影响,提高后续模型训练的准确度。
S102,对所述上半脸生物特征信息和所述下半脸生物特征信息进行加权融合得到所述生物特征样本信息。
其中,所述上半脸生物特征信息的权重值大于所述下半脸生物特征信息的权重值。如图5所示,以猪脸识别为例,对所述上半脸生物特征信息和所述下半脸生物特征信息进行融合,考虑下半脸生物特征信息提取能力较弱,本发明对上下半脸生物特征信息进行了加权,具体的如下公式所示:
f=fu+0.1*fl,
其中,f为生物特征样本信息,fu为上半脸生物特征信息,fl为下半脸生物特征信息,下半脸生物特征信息的权重值为0.1,上半脸生物特征信息的权重值为1。需要说明的是,上半脸生物特征信息和下半脸生物特征信息的权重值具体可以根据实际需求进行设定,本发明实施例对此不做具体限定。
S103,根据所述生物特征样本信息和对应的标签进行训练得到所述动物生物特征识别模型。
在本发明实施例中,在获取动物样本图像的生物特征样本信息之后,根据动物样本对应的生物特征样本信息和对应的标签进行训练得到动物生物特征识别模型,通过该动物特征识别模型可以获取待识别动物的生物特征信息。
具体的,本发明使用AngularMargin Loss来作为loss function:
根据loss function进行反向传播与梯度下降,对动物生物特征识别模型进行训练。
如图6所示,在本发明提供的一个实施例中,所述获取所述待识别动物的上半脸生物特征信息,包括:
S201,获取所述动物样本图像的上半脸图像。
S202,通过深度迁移技术将所述上半脸图像输入到上半脸卷积神经网络得到所述上半脸生物特征信息。
需要说明的是,目前人脸识别技术取得广泛成功的主要原因是现实世界中有着大量人脸数据可供采集。与人脸图像相比,动物图像可采集的数据量很少,由于深度卷积网络模型的训练需要大量的样本数据作为支撑。为解决上述问题,迁移学习(TransferLearning,TL)的出现打破了这一局限,该方法是一种将在某一领域已经学习的知识运用到具有相关性的领域问题上的深度学习技术,只要源领域和目标领域之间有一定相关性,分类模型训练时就可以借助从源领域的数据中提取的特征知识,实现已学习知识在相似或相关领域间的复用和迁移。因由于人脸与动物脸在结构与部分器官上有着很多相似之处,例如生猪图像的上半脸部分与人脸图像的上半脸部分(如眼睛)的结构相似度较高,因此这种域之间的相似和相关性很适合应用迁移学习。
基于上述内容,本发明实施例基于参数的迁移学习算法将在大规模人脸数据集中预训练的卷积神经网络模型应用于动物的生物特征识别任务中,可以有效的提高动物生物特征识别的准确率。具体的,本发明实施例采用深度迁移技术将上半脸图像输入到上半脸卷积神经网络得到所述上半脸生物特征信息,其中,所述上半脸卷积神经网络的初始参数为预训练的人脸识别模型的模型参数,且所述上半脸卷积神经网络的浅层参数被冻结。人脸识别模型则是通过人脸识别数据库对卷积神经网络进行预训练得到的。
具体的,将归一化后的动物样本图像的上半脸图像输入到上半脸卷积神经网络:
fu=φu(gu(normalization(xupper)))
其中,gu代表上半脸网络中被冻结的部分,为网络的浅层,φu的参数无法训练。φu代表上半脸网络的高层,也是迭代训练的部分。
如图5和图7所示,以猪脸生物特征识别为例,本发明实施例基于迁移学习的猪脸识别算法,选择大规模的人脸数据集作为源域,将生猪图像与人脸图像中具有较为相似结构的部分作为目标域进行迁移学习,利用大规模人脸数据对卷积神经网络进行预训练,获得猪脸相应部分的初始特征提取网络和识别模型,进一步,冻结卷积神经网络的浅层参数,再使用猪脸数据对网络进行微调(fine-tune)获得高层网络的更新参数。通过上述迁移学习方法,可以有效利用猪脸与人脸的关联度,提高知识迁移的性能,同时提高猪脸识别方法的准确率与泛化能力。
本发明实施例考虑到迁移学习的性能受目标域与源域之间的相关性影响,本发明仅考虑猪脸的上半脸作为迁移的目标域。猪脸的上半部分有较为清晰的轮廓与双眼,这与人脸极为相似。首先,选择大规模的人脸数据集作为源域,将生猪上半脸图像作为目标域进行迁移学习,利用大规模人脸数据对卷积神经网络进行预训练,获得猪脸相应部分的初始特征提取网络和识别模型。然后,冻结预训练的人脸识别卷积神经网络网络的浅层部分。这部分在经过人脸识别的预训练后,具有初步提取基础的轮廓与纹理结构特征的能力,这在猪脸识别任务中同样适用。此外,深层部分对人脸易于区分的特征的提取,在生猪脸部识别上也有着一定的指导性。在此基础上,最后使用猪上半脸数据对网络进行微调(fine-tune)获得高层网络的更新参数,可以得到更好的猪脸识别效果。
如图8所示,在本发明提供的一个实施例中,所述获取所述待识别动物的下半脸生物特征信息,包括:
S301,获取所述动物样本图像的下半脸图像。
S302,将所述下半脸图像输入到下半脸卷积神经网络得到所述下半脸生物特征信息。
其中,所述下半脸卷积神经网络的初始参数为预训练的大规模视觉数据模型的模型参数。在本发明实施例中,通过大规模物体识别数据库对卷积神经网络进行预训练得到所述大规模视觉数据模型。加载在大规模视觉数据库上预训练的模型参数作为下半脸卷积神经网络的初始参数。其中,大规模视觉数据库包含超过1400万幅带标注的图像数据,该数据库汇中可以包括动物样本数据、植物样本数据、物品样本数据等,本发明实施例不做具体限定。
需要说明的是,由于动物生物特征数据量较少,且与大规模物体识别数据集相关度不高,对于加载完的预训练的大规模视觉数据库的模型参数,不冻结参数,而实基于预训练参数进行训练。具体的,对归一化的动物样本图像的下半脸图像输入到神经网络提取下半脸生物特征信息:
fl=φl(normalizaiton(xlower))
在本发明实施例中,尽管下半脸卷积神经网络使用了ImageNet进行了预训练,但是其特征提取的能力仍比不上基于人脸数据进行迁移学习的上半脸卷积神经网络。故对下半脸卷积神经网络进行加权,对下半脸的特征乘上0.1再与上半脸特征相加进行特征融合。这样做突出了上半脸经过的迁移学习提取出更为良好的特征信息,也充分使用了下半脸提取出的额外特征信息。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在一实施例中,提供一种动物的生物特征识别装置,该动物的生物特征识别装置与上述实施例中动物的生物特征识别方法一一对应。如图9所示,该动物的生物特征识别装置包括:获取模块10、计算模块20、确定模块30。各功能模块详细说明如下:
获取模块10,用于将待识别动物的生物图像输入到动物生物特征识别模型得到所述待识别动物的生物特征信息;所述动物生物特征识别模型是根据生物特征样本信息以及对应的标签训练得到的;
计算模块20,用于计算所述待识别动物的生物特征信息与生物特征数据库中各动物的生物特征信息相似度;所述生物特征数据库中包括根据所述动物生物特征识别模型得到的所有动物的生物特征信息以及分别对应的动物标签;
确定模块30,用于将所述生物特征数据库中与所述待识别动物的生物特征信息相似度最大的生物特征信息对应的动物标签确定为所述待识别动物的身份。
进一步的,所述装置还包括:
所述获取模块10,还用于获取动物样本图像的上半脸生物特征信息和下半脸生物特征信息;
融合模块40,用于对所述上半脸生物特征信息和所述下半脸生物特征信息进行加权融合得到所述生物特征样本信息;所述上半脸生物特征信息的权重值大于所述下半脸生物特征信息的权重值;
训练模块50,用于根据所述生物特征样本信息和对应的标签进行训练得到所述动物生物特征识别模型。
所述获取模块10,还用于获取所述动物样本图像的上半脸图像;
所述获取模块10,还用于通过深度迁移技术将所述上半脸图像输入到上半脸卷积神经网络得到所述上半脸生物特征信息;所述上半脸卷积神经网络的初始参数为预训练的人脸识别模型的模型参数,且所述上半脸卷积神经网络的浅层参数被冻结。
所述获取模块10,还用于获取所述动物样本图像的下半脸图像;
所述获取模块10,还用于将所述下半脸图像输入到下半脸卷积神经网络得到所述下半脸生物特征信息;所述下半脸卷积神经网络的初始参数为预训练的大规模视觉数据模型的模型参数。
所述训练模块50,还用于通过人脸识别数据库对卷积神经网络进行预训练得到所述人脸识别模型。
所述训练模块50,还用于通过大规模物体识别数据库对卷积神经网络进行预训练得到所述大规模视觉数据模型。
进一步的,所述装置还包括:
转换模块60,用于对所述动物样本图像的上半脸图像和下半脸图像转换成相同的尺寸;
归一化模块70,用于将转换为相同尺寸的上半脸图像和下半脸图像进行归一化。
关于动物的生物特征识别装置的具体限定可以参见上文中对于动物的生物特征识别方法的限定,在此不再赘述。上述动物的生物特征识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图10所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种动物的生物特征识别方法。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:
将待识别动物的生物图像输入到动物生物特征识别模型得到所述待识别动物的生物特征信息;所述动物生物特征识别模型是根据生物特征样本信息以及对应的标签训练得到的;
计算所述待识别动物的生物特征信息与生物特征数据库中各动物的生物特征信息相似度;所述生物特征数据库中包括根据所述动物生物特征识别模型得到的所有动物的生物特征信息以及分别对应的动物标签;
将所述生物特征数据库中与所述待识别动物的生物特征信息相似度最大的生物特征信息对应的动物标签确定为所述待识别动物的身份。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
将待识别动物的生物图像输入到动物生物特征识别模型得到所述待识别动物的生物特征信息;所述动物生物特征识别模型是根据生物特征样本信息以及对应的标签训练得到的;
计算所述待识别动物的生物特征信息与生物特征数据库中各动物的生物特征信息相似度;所述生物特征数据库中包括根据所述动物生物特征识别模型得到的所有动物的生物特征信息以及分别对应的动物标签;
将所述生物特征数据库中与所述待识别动物的生物特征信息相似度最大的生物特征信息对应的动物标签确定为所述待识别动物的身份。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种动物的生物特征识别方法,其特征在于,所述方法包括:
将待识别动物的生物图像输入到动物生物特征识别模型得到所述待识别动物的生物特征信息;所述动物生物特征识别模型是根据生物特征样本信息以及对应的标签训练得到的;
计算所述待识别动物的生物特征信息与生物特征数据库中各动物的生物特征信息相似度;所述生物特征数据库中包括根据所述动物生物特征识别模型得到的所有动物的生物特征信息以及分别对应的动物标签;
将所述生物特征数据库中与所述待识别动物的生物特征信息相似度最大的生物特征信息对应的动物标签确定为所述待识别动物的身份。
2.根据权利要求1所述的动物的生物特征识别方法,其特征在于,所述动物生物特征识别模型采用下述方式训练得到:
获取动物样本图像的上半脸生物特征信息和下半脸生物特征信息;
对所述上半脸生物特征信息和所述下半脸生物特征信息进行加权融合得到所述生物特征样本信息;所述上半脸生物特征信息的权重值大于所述下半脸生物特征信息的权重值;
根据所述生物特征样本信息和对应的标签进行训练得到所述动物生物特征识别模型。
3.根据权利要求2所述的动物的生物特征识别方法,其特征在于,所述获取所述待识别动物的上半脸生物特征信息,包括:
获取所述动物样本图像的上半脸图像;
通过深度迁移技术将所述上半脸图像输入到上半脸卷积神经网络得到所述上半脸生物特征信息;所述上半脸卷积神经网络的初始参数为预训练的人脸识别模型的模型参数,且所述上半脸卷积神经网络的浅层参数被冻结。
4.根据权利要求2所述的动物的生物特征识别方法,其特征在于,所述获取所述待识别动物的下半脸生物特征信息,包括:
获取所述动物样本图像的下半脸图像;
将所述下半脸图像输入到下半脸卷积神经网络得到所述下半脸生物特征信息;所述下半脸卷积神经网络的初始参数为预训练的大规模视觉数据模型的模型参数。
5.根据权利要求3所述的动物的生物特征识别方法,其特征在于,所述方法还包括:
通过人脸识别数据库对卷积神经网络进行预训练得到所述人脸识别模型。
6.根据权利要求4所述的动物的生物特征识别方法,其特征在于,所述方法还包括:
通过大规模物体识别数据库对卷积神经网络进行预训练得到所述大规模视觉数据模型。
7.根据权利要求3和4所述的动物的生物特征识别方法,其特征在于,所述方法还包括:
对所述动物样本图像的上半脸图像和下半脸图像转换成相同的尺寸;
将转换为相同尺寸的上半脸图像和下半脸图像进行归一化。
8.一种动物的生物特征识别装置,其特征在于,所述装置包括:
获取模块,用于将待识别动物的生物图像输入到动物生物特征识别模型得到所述待识别动物的生物特征信息;所述动物生物特征识别模型是根据生物特征样本信息以及对应的标签训练得到的;
计算模块,用于计算所述待识别动物的生物特征信息与生物特征数据库中各动物的生物特征信息相似度;所述生物特征数据库中包括根据所述动物生物特征识别模型得到的所有动物的生物特征信息以及分别对应的动物标签;
确定模块,用于将所述生物特征数据库中与所述待识别动物的生物特征信息相似度最大的生物特征信息对应的动物标签确定为所述待识别动物的身份。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述动物的生物特征识别方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述动物的生物特征识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010331638.9A CN111523479A (zh) | 2020-04-24 | 2020-04-24 | 动物的生物特征识别方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010331638.9A CN111523479A (zh) | 2020-04-24 | 2020-04-24 | 动物的生物特征识别方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111523479A true CN111523479A (zh) | 2020-08-11 |
Family
ID=71904404
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010331638.9A Pending CN111523479A (zh) | 2020-04-24 | 2020-04-24 | 动物的生物特征识别方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111523479A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112132026A (zh) * | 2020-09-22 | 2020-12-25 | 平安国际智慧城市科技股份有限公司 | 动物识别方法及装置 |
CN113468247A (zh) * | 2021-09-06 | 2021-10-01 | 深圳市天和荣科技有限公司 | 一种鱼类种类识别方法、装置及存储介质 |
CN113516046A (zh) * | 2021-05-18 | 2021-10-19 | 平安国际智慧城市科技股份有限公司 | 区域内生物多样性的监测方法、装置、设备以及存储介质 |
TWI761194B (zh) * | 2021-04-28 | 2022-04-11 | 國立高雄科技大學 | 基於深度學習以局部面部特徵的家畜身分識別系統及其方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108921026A (zh) * | 2018-06-01 | 2018-11-30 | 平安科技(深圳)有限公司 | 动物身份的识别方法、装置、计算机设备和存储介质 |
CN110008841A (zh) * | 2019-03-08 | 2019-07-12 | 中国华戎科技集团有限公司 | 一种表情识别模型构建方法及*** |
-
2020
- 2020-04-24 CN CN202010331638.9A patent/CN111523479A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108921026A (zh) * | 2018-06-01 | 2018-11-30 | 平安科技(深圳)有限公司 | 动物身份的识别方法、装置、计算机设备和存储介质 |
CN110008841A (zh) * | 2019-03-08 | 2019-07-12 | 中国华戎科技集团有限公司 | 一种表情识别模型构建方法及*** |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112132026A (zh) * | 2020-09-22 | 2020-12-25 | 平安国际智慧城市科技股份有限公司 | 动物识别方法及装置 |
TWI761194B (zh) * | 2021-04-28 | 2022-04-11 | 國立高雄科技大學 | 基於深度學習以局部面部特徵的家畜身分識別系統及其方法 |
CN113516046A (zh) * | 2021-05-18 | 2021-10-19 | 平安国际智慧城市科技股份有限公司 | 区域内生物多样性的监测方法、装置、设备以及存储介质 |
CN113516046B (zh) * | 2021-05-18 | 2024-06-18 | 平安国际智慧城市科技股份有限公司 | 区域内生物多样性的监测方法、装置、设备以及存储介质 |
CN113468247A (zh) * | 2021-09-06 | 2021-10-01 | 深圳市天和荣科技有限公司 | 一种鱼类种类识别方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111860670B (zh) | 域自适应模型训练、图像检测方法、装置、设备及介质 | |
CN109241903B (zh) | 样本数据清洗方法、装置、计算机设备及存储介质 | |
CN111523479A (zh) | 动物的生物特征识别方法、装置、计算机设备及存储介质 | |
CN110135406B (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
WO2019100724A1 (zh) | 训练多标签分类模型的方法和装置 | |
CN111191539B (zh) | 证件真伪验证方法、装置、计算机设备和存储介质 | |
CN111860147B (zh) | 行人重识别模型优化处理方法、装置和计算机设备 | |
CN109325412B (zh) | 行人识别方法、装置、计算机设备及存储介质 | |
CN111523621A (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
CN109840531A (zh) | 训练多标签分类模型的方法和装置 | |
CN107633204A (zh) | 人脸遮挡检测方法、装置及存储介质 | |
CN110083723B (zh) | 一种小熊猫个体识别方法、设备及计算机可读存储介质 | |
CN112395979B (zh) | 基于图像的健康状态识别方法、装置、设备及存储介质 | |
Weng et al. | Cattle face recognition based on a Two-Branch convolutional neural network | |
CN113157863B (zh) | 问答数据处理方法、装置、计算机设备及存储介质 | |
CN110309692B (zh) | 人脸识别方法、装置及***、模型训练方法及装置 | |
CN113449704B (zh) | 人脸识别模型训练方法、装置、电子设备及存储介质 | |
Xue et al. | Open set sheep face recognition based on Euclidean space metric | |
CN113298158A (zh) | 数据检测方法、装置、设备及存储介质 | |
CN113705685A (zh) | 疾病特征识别模型训练、疾病特征识别方法、装置及设备 | |
CN111985340A (zh) | 基于神经网络模型的人脸识别方法、装置和计算机设备 | |
CN114612728A (zh) | 模型训练方法、装置、计算机设备及存储介质 | |
CN116311370A (zh) | 一种基于多角度特征的牛脸识别方法及其相关设备 | |
CN110175500B (zh) | 指静脉比对方法、装置、计算机设备及存储介质 | |
CN114821736A (zh) | 基于对比学习的多模态人脸识别方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |