CN113420709A - 牛脸特征提取模型训练方法、***及牛的保险方法、*** - Google Patents

Abstract

本发明涉及一种牛脸特征提取模型训练方法及***，通过基于卷积神经网络搭建初始牛脸特征提取模型，并基于三元组损失函数对初始模型进行优化训练，避开了训练过程中容易陷入局部最优的问题，得到了能够准确识别牛脸图像特征的牛脸特征提取模型。本发明还涉及一种牛的保险方法及***，结合牛的身份信息，采用牛脸特征提取模型进行牛身份的识别，能够更加准确的实现牛的身份识别，提高了核保理赔的准确率。

Description

牛脸特征提取模型训练方法、***及牛的保险方法、***

技术领域

本发明涉及图像识别技术领域，特别是涉及一种牛脸特征提取模型训练方法、***及牛的保险方法、***。

背景技术

牛保险政策作为我国政策性农业保险制度的重要组成部分，由牧民给自己养的牛买保险，如果在养殖过程中牛因为疾病或者是天灾等外界因素而非自然死亡，保险公司赔付保险金给牧民，牛保险政策已成为各级政府支持肉牛发展和保障养殖利益的重要手段。但是由于缺乏牛识别的技术，会出现骗保、错赔等问题。

因此，亟需一种能够准确识别牛身份的方法。

发明内容

本发明的目的是提供一种牛脸特征提取模型训练方法及***，能够实现对牛脸特征的准确提取，从而准确识别牛身份。

本发明的另一目的是提供一种牛的保险方法及***，基于牛脸特征提取模型进行牛身份的识别，从而更好的实现投保、理赔等环节，促进牛保险的顺利开展。

为实现上述目的，本发明提供了如下方案：

一种牛脸特征提取模型训练方法，所述方法包括：

构建初始牛脸特征提取模型；

根据三元组损失函数对所述初始牛脸特征提取模型进行优化训练，得到训练好的牛脸特征提取模型。

一种牛脸特征提取模型训练***，所述***包括：

模型构建模块，用于构建初始牛脸特征提取模型；

优化训练模块，用于根据三元组损失函数对所述初始牛脸特征提取模型进行优化训练，得到训练好的牛脸特征提取模型。

一种牛的保险方法，所述方法包括：

采集牛脸图像；

利用牛脸特征提取模型识别所述牛脸图像，得到所述牛脸图像中牛的身份信息，根据所述身份信息实现投保与理赔。

一种牛保险***，所述***包括：

采集模块，用于采集牛脸图像；

服务器，与所述采集模块通信连接，用于接收所述采集模块采集的牛脸图像，并利用牛脸特征提取模型识别所述牛脸图像，得到所述牛脸图像中牛的身份信息，根据所述身份信息实现投保与理赔。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明提供了一种牛脸特征提取模型训练方法及***，通过基于卷积神经网络搭建初始牛脸特征提取模型，并基于三元组损失函数对初始牛脸特征提取模型进行优化训练，避开了训练过程中容易陷入局部最优的问题，得到了能够准确识别牛脸图像特征的牛脸特征提取模型。

本发明还提供了一种牛的保险方法及***，采用牛脸特征提取模型进行牛身份的识别，从而利用更加符合牛本身特征的特征向量进行身份识别，进而更加准确的对每一头牛进行区分，促进牛保险的顺利开展，解决了理赔牛与承保牛的身份匹配问题，提高了核保理赔的准确率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的牛脸特征提取模型训练方法的方法流程图；

图2为本发明实施例提供的9层深度卷积神经网络模型的结构图；

图3为本发明实施例提供的牛保险方法的方法流程图；

图4为本发明实施例提供的牛脸特征提取模型训练***的***框图；

图5为本发明实施例提供的牛保险***的***框图。

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，所描述的实施例仅仅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做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。

随着畜牧养殖业向规模化、信息化、精细化的方向发展，集约化牛场将渐渐取代散户养殖等小规模的养殖模式。在大规模化牛场中要实现对牛个体自动化、信息化的日常精细化管理，实现对每头牛的追溯，实现从养殖源头到零售终端的双向追踪,对畜牧业生产进行定位、定时、定量的最优化控制与管理，优化动物个体贡献，促使畜牧业高效益、低成本、生态、可持续发展并确保畜牧产品的质量和安全，以达到经济、生态和社会效益的统一，获得经济、环境等方面的最高回报。同时精准识别有利于畜种改良精准化，能够对每头牛进行建立详细的溯源***，详细到其父母是什么品种的牛，甚至上一代，能够根据溯源***分析牛特有的特质，为改良畜种做出巨大贡献。

因此，本发明的目的正是提供一种能够准确识别牛身份的牛脸特征提取模型训练方法及***，以及牛的保险方法与***。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例1

牲畜个体识别技术通常作为畜牧产业管理信息服务平台的一部分，用于个体信息管理和产品溯源，常采用无线射频识别技术。我国在乳牛场实时监控方面也进行了积极的探索。应用RFID技术，建立了比较完善的奶牛自动识别***，但在管理上还缺乏对动物实施有效监控而无法进行品质溯源，在识别距离方面也达不到大规模奶牛养殖厂的需要，导致我国许多动物产品无法进入国际市场。这就需要对奶牛个体建立档案，实行一畜一标，进行高效管理，即将带有编码的普通塑料卡片挂在牲畜的耳朵上通过采用耳标式动物电子标识，为每头奶牛建立一个长久性的数码档案。该标识中放置奶牛ID等一些静态信息，包括出生日期/牛龄、产奶期/干奶期、投料量(精饲料)、产奶量、疾病防治等。通过阅读器可将奶牛电子标识中的ID号读出，并通过后台管理***准确阅读这些信息。

近年来基于深度学习的面部识别方法，通过面部识别技术聚焦在宠物、牲畜身上，收集动物的面部数据，利用“迁移识别”等相关技术实现动物识别，为宠物、牲畜制作“身份证”。针对真实生产环境下，牛场视频监控图像中存在的拍摄角度差异大、光照不均匀、牛脸局部有遮挡等问题，对采集的牛脸正面图像采用级联式检测器进行定位，利用监督式梯度下降算法(supervised descent method，SDM)、局部二值算法(Local binary feature，LBF)和主动外观模型算法(fastactive appearance model，FAAM)3种算法提取定位到的牛脸轮廓信息，验证了牛脸特征点检测的可行性和实用性。还有以荷斯坦奶牛为研究对象，针对牛脸识别提出增量识别框架，提出了一种增量识别算法框架，充分利用卷积神经网络特征可判别性好、迁移能力强，稀疏表示分类器矩阵运算速度快、追加特征容易等优点，实现了复杂环境下牛脸实时准确增量识别的目的，但是这种方法前期对数据的处理很繁杂。针对传统检测方法在牛脸检测应用方面存在的检测设备易损、检测结果不理想等问题，对比分析目前有代表性的几种基于深度网络模型目标检测方法，分别用于牛脸识别，结果表明，对不同角度和不同光照条件下的牛脸检测准确率较高，说明检测模型能很好地适应角度和光照变化，但是对于遮挡和多牛脸信息的检测、识别效果明显下降。

在上述牛脸识别方法皆存在相应的缺陷的情况下，如图1所示，本实施例提供了一种牛脸特征提取模型训练方法，具体包括：

步骤101：构建初始牛脸特征提取模型；

步骤102：根据三元组损失函数对所述初始牛脸特征提取模型进行优化训练，得到训练好的牛脸特征提取模型。

为了更好的实现模型的训练，需要先建立牛脸识别数据集。本实施例采集了200头牛的正脸、侧脸等其他角度的牛脸图像构造了牛脸识别数据集CFID200。该数据集包含200头牛，每头牛至少25张牛脸图片。

本实施例以9层深度卷积神经网络模型为基础，构建了初始牛脸特征提取模型。9层深度卷积神经网络模型结构如图2所示，包括依次相连的七个卷积层、一个全连接层与一个全局平均池化层，输入为224*224牛脸图像，输出为256维牛脸特征向量。

具体的，通过Tensorflow框架实现网络模型的搭建，在最后一个卷积模块后面加入全局平均池化，有限减少网络参数，在神经网络最后连接TripletLoss损失函数。

得到初始牛脸特征提取模型后，根据三元组(TripletLoss)损失函数对初始牛脸特征提取模型进行优化训练。通过构造图像三元组，随机取某一张图片做为三元组的锚点样本，取和锚点样本相同ID的牛的其他照片做为正样本，取和锚点样本不同ID的牛脸图片做为负样本，通过学习使得同一头牛样本之间距离小于不同牛样本之间的距离，即使得锚点样本和正样本之间的距离小于锚点样本和负样本之间的距离。

在TripletLoss损失函数训练机制中重要的部分在于如何选取三元组图片使得训练后的模型能有好的泛化能力。如果选取的图片正样本和锚点样本的距离远远小于负样本和锚点样本的距离，那这样的样本对于模型的训练毫无意义。但是如果选取的图片正样本和锚点样本的距离远远大于负样本和锚点样本之间的距离，对于整个模型的训练又是相对比较难的，容易使得模型陷入局部最优，一直训练处于当下环境中的最优解，达不到预期的效果。所以关于如何选取三元组是整个模型训练的关键。本实施例为解决这一问题，对于三元组的选取，在正样本和锚点样本之后的距离加入一个超参数，将超参数设定为一个固定的值，选取正样本和锚点样本之间距离在一定范围内大于负样本和锚点样本之间距离。

具体的，本实施例构建三元组损失函数如下：

其中，a表示锚点样本，p表示正样本，n表示负样本，

表示第i个锚点样本向量，

表示第i个正样本向量，

为正样本和锚点样本之间的距离，

表示第i个负样本向量，

为负样本和锚点样本之间的距离，

为超参数。本实施例具体选择

的值为0.1，能够很好的避免进入局部最优等问题。

在构建初始牛脸特征提取模型后，将224×224的牛脸样本图像输入到初始牛脸特征提取模型中，得到输出特征向量。将输出特征向量输入三元组损失函数中得到损失函数值，最后再根据损失函数值，利用梯度下降法对初始牛脸特征提取模型的参数进行优化，得到训练好的牛脸特征提取模型。

为了便于计算，降低计算复杂度，对初始牛脸特征提取模型输出的特征向量进行归一化处理，使得输出的向量处于[-1，1]之间。

由此，本实施例通过9层深度卷积网络模型构建的牛脸特征提取模型，能够对牛脸图像的特征向量进行准确提取，从而便于对不同牛脸图像的身份进行识别，为牛的投保理赔提供有力支持。

实施例2

投保包括图像信息和牛养殖信息的采集、上传和存储。牛养殖信息包括牛的年龄、牛隶属于的牛场主等信息，通过手持机录入并上传到服务器，存入牛身份信息数据库，实现牛的投保与理赔等。

如图3所示，本实施例提供了一种牛的保险方法，所述方法包括：

步骤201：采集牛脸图像；

步骤202：利用牛脸特征提取模型识别所述牛脸图像，得到所述牛脸图像中牛的身份信息，根据所述身份信息实现投保与理赔。

在实际应用中，可由用户手持摄像头拍摄含有牛脸的图像，并利用YoloV4目标检测模型对所述含有牛脸的图像进行标定，得到牛脸图像。

首先构建牛脸检测数据集，从采集的牛脸数据中选取5000张牛脸图像利用LabelImage工具进行标定，以照片中牛的头部做为标定内容，将头部进行标定后，得到相应的.xml文件。然后利用牛脸检测数据集训练YoloV4目标检测模型，对含有牛脸的图像的牛脸区域进行标定。

在采集牛脸图像后，由于采集过程中牛会不停的动，会出现大角度的扭转，这种情况下无法完成对牛的面部识别，或者会影响牛脸识别的精度。对于这部分数据集，我们利用纠偏的方法，对其进行矫正，在牛脸上找到牛左眼睛、右眼睛、鼻子的正中间、左嘴角和右嘴角这5个点，结合决策树，完成对牛脸面部的纠偏，使得最终的牛脸图片在合理的角度内。具体过程如下：

(1)将YoloV4目标检测模型标定后的牛脸图像作为纠偏的对象。

(2)将所述牛脸图像中左眼、右眼、鼻子正中、左嘴角与右嘴角作为关键点，确定五个所述关键点的初始位置；

(3)在5个初始位置的基础上，选择左眼的初始位置进行移动，在左眼初始位置周围取两个点，算出这两个点的灰度差值。然后将这个差值归一化到0-511内，设定规定值为120，比较120与Thread1的大小，如果Thread1＞120，则取1，否则取0。然后在左眼初始位置重新取两个点，同样算出这两个点的灰度差值，归一化到0-511内，设定规定值为80，然后比较50与Thread2的大小，如果Thread2＞50，取1，否则取0，同理得出左眼部分另外的两个取值，最终左眼部分表示为[100 010 001 010]。以此类推，得到每个关键点的表示。即5个关键点最终表示为一个长度为60的LBF特征向量；

(4)把(3)中得到的LBF特征，另一个1x60的向量weights₁做点积，然后加上一个常数b1，就得到了一个值delta₁，将delta₁这个值加到左眼初始位置的点的x坐标上：

delta₁＝LBP·*weights₁+b₁

其中，weights₁，b₁都是预先训练好的，这里实际上是一个线性预测模型。

(5)把(3)中得到的特征，另一个1x60的向量weights₂做点积，然后加上一个常数b₂，就得到了一个值delta₂，将这个delta₂加到初始位置的第1个点的y坐标上：

delta₂＝LBP·*weights₂+b₂

同样，weights₂，b₂都是预先训练好的线性预测模型。

(6)通过(4)，(5)步，就将第1个关键点移动了[delta₁，delta₂]，将关键点从初始位置移动到关键点应该所在的位置

(7)同样的方法，我们得到[delta₃,delta₄],[delta₅,delta₆],[delta₇,delta₈]，[delta₉,delta₁₀],分别把第2，3，4，5个关键点进行移动。

(8)将移动后的5个点，作为初始位置，重复3-8步，再对点移动一次,循环往复4次，将图片中牛脸的5个关键点实现纠偏，使得牛的面部处于一个合理的范围。

纠偏完成后，将牛脸图像上传到牛脸识别服务器，所述牛脸识别服务器将牛脸图像存入牛身份数据库中，之后利用牛脸识别模型进行特征提取，将提取到的256维牛脸特征存入牛脸身份信息数据库。具体的，牛脸识别服务器根据用户录入的牛的养殖信息，包括牛的年龄、牛隶属于的牛场主等信息，生成唯一身份表示ID号，在牛身份信息数据库中建立牛档案，将提取的牛脸特征同样存入牛档案中，放入牛身份信息数据库，以备后续使用查看。

为了便于用户的使用，可以将拍摄功能、信息录入功能以及牛脸检测功能集成到同一机器上，在为牛投保或理赔时，由用户手持机器进行操作即可。

在实际生活中，牛出现事故后，需要理赔时，往往需要再次确认理赔牛的身份信息。本实施例中通过采集待理赔牛的牛脸图像，同样经过牛脸检测、5点纠偏，得到待理赔牛的牛脸特征向量，根据待理赔牛的牛脸特征向量与牛脸身份信息数据库中与待理赔牛ID对应一致的理赔牛的牛脸特征向量进行相似性验证，根据验证结果决定是否进行理赔。

具体的，分别利用余弦距离分类器、支持向量机分类器及k-近邻分类器分别计算所述图中牛的身份信息与数据库中理赔牛的身份信息的相似性，得到余弦距离识别结果、支持向量机识别结果与k-近邻识别结果；

将所述余弦距离识别结果、支持向量机识别结果与k-近邻识别结果分别乘预设权重，得到最终识别结果；所述最终识别结果包括所述图中牛的身份信息与理赔牛的身份信息一致或者所述图中牛的身份信息与理赔牛的身份信息不一致；

当所述最终识别结果为所述图中牛的身份信息与理赔牛的身份信息一致时实现理赔，否则拒绝理赔。

在采集待理赔牛的牛脸图像时，同样需要输入待理赔牛的ID号与养殖信息，以便于服务器从牛身份信息数据库中查找该牛档案，从而调取该牛的牛脸特征信息。

提取到待理赔牛的牛脸特征信息后，将待理赔牛特征向量和数据库中检索到的牛特征向量分别输入三个分类器，根据分类器所占比重，对得出的结果按照比重进行统计计算，得出“是”和“否”的得分，得分高即为最终结果。

在本实施例中，具体选择余弦距离分类器、支持向量机分类器及K-近邻分类器三种分类器。

其中，余弦相似度适用于任何维度的向量比较中，本实施例中经过基于TripletLoss9层网络结果模型提取的牛脸信息特征为256维，符合余弦相似度的应用场景，故本实施例采用余弦相似度作为分类的判定依据。余弦相似度通过测量两个向量内积空间的余弦值来度量它们之间的相似性，向量的余弦值公式为：

其中x表示待理赔牛的特征向量，y表示数据库中该牛的特征向量，cosθ的值越小说明两个向量的差异越小，即表示两个向量越相似。本实施例通过计算待理赔牛和数据库中该牛脸特征向量的余弦值来判断待理赔牛和当时投保的牛是不是同一头牛。

支持向量机分类器，支持向量分类器在高维空间很有效，所以在牛脸验证阶段该分类器在最终结果中所占比重最大占比为50％。支持向量机分类，训练数据集达到一个超平面(W^T+b)＝0，其中W为K维向量，b维标量，训练后的超平面准确地将两类数据分别划分在超平面的两边，然后用这个超平面来对新数据进行分类，所用公式如下：

Y_(i)＝sign(W^TX_i+b)

其中，sign(W^TX_i+b)表示(W^TX_i+b)符号，Y_i∈{1，-1}，以此来判断X_i是属于‘1’类还是‘-1’类，1’类表示待理赔牛和数据库中查到的牛为同一头牛，‘-1’类表示待理赔牛数据库中查到的牛不是同一头牛。

最近邻分类器，在本实施例中，最近邻分类器对最终结果影响所占比重为25％，通过训练样本的标签来预测当前测试样本的类别，最邻近方法的定义：假设训练样本(X,Y)＝{X_i，Y_i|i＝1，2，...n}，这里X_i代表第i个样本的特征向量，Y_i是第i个样本的类别标签。对于一个新的待分类样本x_i，最邻近分类器预测该样本的标签的方法是：寻找与x_i距离度量最近的训练样本，然后把该训练样本的标签作为待测试样本x_i的标签y_i。在本实施例中选择欧氏距离做为近邻分类器的度量方式，在m维空间中两个点之间的真实距离。距离值越小，代表两个直方图距离越近，越相似，反之中则代表距离越远。计算距离公式如下：

其中X_i为待理赔牛的特征向量，Y_i为训练集中的样本的类别标签，计算待理赔牛和数据库中相应牛的距离dist(X，Y)。

选择三种分类器进行综合评分，因为在实验的过程中，支持向量机分类器的结果优于余弦距离分类器和K-近邻分类器，所以支持向量机的得出的结果对整体结果的影响达到50％，K-近邻分类器优于余弦分类器，其结果对整体结果的影响达到30％，最后余弦距离分类器对整体结果的影响到达20％。按照三种分类器所得出的最终结果和其所占的比值，得出识别结果。

本实施例中，通过准确的对牛脸特征进行提取，提高了分类器输入数据的精度，从而提高了对牛身份识别的准确率，也提高了牛的投保与理赔等事项的合理性。本实施例中还通过选择合适的分类器并将各分类器赋予对应的权重，使得对两个牛脸特征向量相似性度量的准确性提高，即提高了待理赔牛与投保牛的身份对应的准确性，降低了骗保、错赔等问题出现的可能性，从而促使畜牧业高效益、低成本、生态、可持续发展并确保畜牧产品的质量和安全。

实施例3

如图4所示，本实施例提供了一种牛脸特征提取模型训练***，所述***包括：

模型构建模块M1，用于构建初始牛脸特征提取模型；

优化训练模块M2，用于根据三元组损失函数对所述初始牛脸特征提取模型进行优化训练，得到训练好的牛脸特征提取模型。

实施例4

如图5所示，本实施例提供了一种牛保险***，所述***包括：

采集模块M3，用于采集牛脸图像；

服务器M4，与所述采集模块通信连接，用于接收所述采集模块采集的牛脸图像，并利用牛脸特征提取模型识别所述牛脸图像，得到所述牛脸图像中牛的身份信息，根据所述身份信息实现投保与理赔。

本说明书中每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种牛脸特征提取模型训练方法，其特征在于，所述方法包括：

构建初始牛脸特征提取模型；

根据三元组损失函数对所述初始牛脸特征提取模型进行优化训练，得到训练好的牛脸特征提取模型。

2.根据权利要求1所述的一种牛脸特征提取模型训练方法，其特征在于，所述构建初始牛脸特征提取模型包括：

构建9层深度卷积神经网络模型作为初始牛脸特征提取模型，所述9层深度卷积神经网络模型包括依次相连的七个卷积层、一个全连接层与一个全局平均池化层。

3.根据权利要求1所述的一种牛脸特征提取模型训练方法，其特征在于，所述根据三元组损失函数对所述初始牛脸特征提取模型进行优化训练包括：

将样本图像输入到所述初始牛脸特征提取模型中，得到输出特征向量；所述样本图像包括正样本、负样本与锚点样本；

构建三元组损失函数：

其中，a表示锚点样本，p表示正样本，n表示负样本，

表示第i个锚点样本向量，

表示第i个正样本向量，

为正样本和锚点样本之间的距离，

表示第i个负样本向量，

为负样本和锚点样本之间的距离，

为超参数；N

将所述输出特征向量输入至所述三元组损失函数中，得到损失函数值；

根据所述损失函数值，利用梯度下降法对所述初始牛脸特征提取模型的参数进行优化。

4.一种牛脸特征提取模型训练***，其特征在于，所述***包括：

模型构建模块，用于构建初始牛脸特征提取模型；

优化训练模块，用于根据三元组损失函数对所述初始牛脸特征提取模型进行优化训练，得到训练好的牛脸特征提取模型。

5.一种牛的保险方法，其特征在于，所述方法包括：

采集牛脸图像；

利用牛脸特征提取模型识别所述牛脸图像，得到所述牛脸图像中牛的身份信息，根据所述身份信息实现投保与理赔。

6.根据权利要求5所述的一种牛的保险方法，其特征在于，所述采集牛脸图像包括：

拍摄含有牛脸的图像，并利用YoloV4目标检测模型对所述含有牛脸的图像进行标定，得到牛脸图像。

7.根据权利要求5所述的一种牛的保险方法，其特征在于，在采集牛脸图像后，还包括利用3000FPS算法对牛脸进行5点纠偏：

将所述牛脸图像中左眼、右眼、鼻子正中、左嘴角与右嘴角作为关键点，确定五个所述关键点的初始位置；

利用决策树生成各所述关键点的LBF特征；

利用线性预测模型对所述关键点的LBF特征进行处理，得到各所述关键点的移动量，完成关键点的移动。

8.根据权利要求5所述的一种牛的保险方法，其特征在于，所述根据所述身份信息实现投保与理赔包括：

分别利用余弦距离分类器、支持向量机分类器及k-近邻分类器计算所述身份信息与数据库中理赔牛的身份信息的相似性，得到余弦距离识别结果、支持向量机识别结果与k-近邻识别结果；

将所述余弦距离识别结果、所述支持向量机识别结果与所述k-近邻识别结果分别乘预设权重，得到最终识别结果；所述最终识别结果包括所述身份信息与所述理赔牛的身份信息一致或者所述身份信息与所述理赔牛的身份信息不一致；

当所述最终识别结果为所述身份信息与所述理赔牛的身份信息一致时进行理赔，否则拒绝理赔。

9.根据权利要求8所述的一种牛的保险方法，其特征在于，设置所述余弦距离分类器的权重为0.2，所述支持向量机分类器的权重为0.5，所述k-近邻分类器的权重为0.3。

10.一种牛保险***，其特征在于，所述***包括：

采集模块，用于采集牛脸图像；

服务器，与所述采集模块通信连接，用于接收所述采集模块采集的牛脸图像，并利用牛脸特征提取模型识别所述牛脸图像，得到所述牛脸图像中牛的身份信息，根据所述身份信息实现投保与理赔。

Images