CN118038498A - 一种基于细粒度的蜂猴身份识别方法 - Google Patents
一种基于细粒度的蜂猴身份识别方法 Download PDFInfo
- Publication number
- CN118038498A CN118038498A CN202410426112.7A CN202410426112A CN118038498A CN 118038498 A CN118038498 A CN 118038498A CN 202410426112 A CN202410426112 A CN 202410426112A CN 118038498 A CN118038498 A CN 118038498A
- Authority
- CN
- China
- Prior art keywords
- monkey
- bee
- face
- image
- images
- 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.)
- Granted
Links
- 241000282693 Cercopithecidae Species 0.000 title claims abstract description 113
- 238000000034 method Methods 0.000 title claims abstract description 33
- 241000256844 Apis mellifera Species 0.000 claims abstract description 90
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 33
- 230000001815 facial effect Effects 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 22
- 241000256837 Apidae Species 0.000 claims abstract description 8
- 238000004140 cleaning Methods 0.000 claims abstract description 6
- 238000002372 labelling Methods 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 11
- 238000005286 illumination Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 2
- 230000004927 fusion Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000011426 transformation method Methods 0.000 claims description 2
- 235000012907 honey Nutrition 0.000 description 5
- 241001465754 Metazoa Species 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 241000257303 Hymenoptera Species 0.000 description 2
- 241000510093 Quadrula metanevra Species 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000037308 hair color Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000245240 Lonicera Species 0.000 description 1
- 241000288906 Primates Species 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000001988 toxicity Effects 0.000 description 1
- 231100000419 toxicity Toxicity 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于细粒度的蜂猴身份识别方法,包括以下步骤:S1.对需要识别的多只蜂猴,在不同的拍摄条件下拍摄多张面部图像,并进行清洗和数据增强,得到蜂猴面部图像集合;S2.裁剪出蜂猴面部图像集合中所有图像的面部区域,得到蜂猴面部裁剪区域集合;S3.得到蜂猴面部裁剪区域集合中所有图像的眼睛轮廓;S4.对于蜂猴面部裁剪区域图像集合中的图像进行面部摆正,并构建样本集;S5.构建非对称双线性卷积神经网络,利用样本集中的样本进行非对称双线性卷积神经网络,并基于训练得到非对称双线性卷积神经网络进行蜂猴识别。本发明基于蜂猴面部细粒度图像识别,提高对蜂猴不同个体间微小差异的识别准确率。
Description
技术领域
本发明涉及蜂猴设别,特别是涉及一种基于细粒度的蜂猴身份识别方法。
背景技术
近年来,狩猎和栖息地的减少使得蜂猴数量急剧下降。针对动物的研究,需要建立在个体的准确识别上。蜂猴个体较小,且具有毒性,向其体内注入芯片或者在其脖子上套上项圈对蜂猴身体伤害较大且较为危险。因此,基于计算机视觉的蜂猴面部检测更适用于实际的蜂猴个体检测中。
随着深度学习技术的不断发展,将深度学习应用到野生动物保护以及动物面部识别中的案例越来越多,但对于蜂猴等关注度较低的濒危灵长类动物的面部识别研究仍然较少。
然而,蜂猴的面部特征差异较小,属于细粒度识别的范畴(细粒度识别是指对于那些具有相似的外形和相同结构构成的物体,依靠整体特征无法很好识别,而需要仔细观察局部区域的细微差异才能准确判别的识别任务。),普通的识别算法很难捕捉到它们微小的特征差异,例如毛色、花纹和眼睛大小等。在深度学习方面,卷积神经网络常用于提取局部特征,但随着网络深度增加,只能捕获到非常弱的长距离特征关系,无法捕捉到多层次的信息,从而导致对蜂猴不同个体面部的微小差异的识别准确率较低。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于细粒度的蜂猴身份识别方法,基于蜂猴面部细粒度图像识别,提高对蜂猴不同个体间微小差异的识别准确率。
本发明的目的是通过以下技术方案来实现的:一种基于细粒度的蜂猴身份识别方法,包括以下步骤:
S1.对需要识别的多只蜂猴,在不同的拍摄条件下拍摄多张面部图像,并进行清洗和数据增强,得到蜂猴面部图像集合;
S2.对蜂猴面部图像集合中的部分图像进行面部标注,利用标注图像对YOLOv8 模型进行训练,然后利用训练得到的YOLOv8 模型对未进行面部标注的图像进行面部识别,然后裁剪出蜂猴面部图像集合中所有图像的面部区域,得到蜂猴面部裁剪区域集合;
S3.对蜂猴面部裁剪区域集合中部分图像中的蜂猴眼睛边缘轮廓进行标注,利用标注图像对U-Net模型进行训练,然后利用训练得到U-Net模型对蜂猴面部裁剪区域集合中未标注眼睛边缘轮廓的图像进行检测,得到蜂猴面部裁剪区域集合中所有图像的眼睛轮廓;
S4.对于蜂猴面部裁剪区域图像集合中的图像进行面部摆正,并构建样本集;
S5.构建非对称双线性卷积神经网络,利用样本集中的样本进行非对称双线性卷积神经网络,并基于训练得到非对称双线性卷积神经网络进行蜂猴识别。
本发明的有益效果是:本发明基于蜂猴面部细粒度图像识别,提高对蜂猴不同个体间微小差异的识别准确率。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。
本发明捕捉到多层次的信息,进而解决对蜂猴不同个体间微小差异的识别准确率低的技术问题。本文将计算机视觉技术应用于蜂猴面部检测,提出了一种非对称双线性CNN模型的蜂猴面部细粒度识别方法,为解决蜂猴识别问题提供了新的思路,具体地:
如图1所示,一种基于细粒度的蜂猴身份识别方法,包括以下步骤:
S1.对需要识别的多只蜂猴,在不同的拍摄条件下拍摄多张面部图像,并进行清洗和数据增强,得到蜂猴面部图像集合;
所述步骤S1包括:
S101.设需要识别的多只蜂猴中,每一只蜂猴都有唯一的编号;
A1、对于任一只需要识别的蜂猴,在不同的拍摄条件下,拍摄蜂猴的面部图像;
所述拍摄条件包括光照、拍摄角度和拍摄距离,在采集蜂猴面部图像时,需要预先给定多种的光照强度、多种拍摄角度和多个不同的拍摄距离;所述不同的拍摄条件是指:光照强度、拍摄角度和拍摄距离的每一种不同组合,即需要在每一种光照强度、拍摄角度和拍摄距离的组合下,分别进行蜂猴的面部图像拍摄,对于拍摄得到的图像,利用蜂猴编号进行标记;
A2、对于采集到的蜂猴的面部图像进行清洗:
首先手动删除不清晰的图像;
然后利用SSIM算法计算图像的相似性,若出现两张图像之间的相似性大于设定阈值,则删除其中一张;
S102.对于每一只需要识别的蜂猴,重复执行步骤S101,完成所有需要识别的蜂猴的面部图像采集;
S103.对于步骤S102得到的每一张图像,利用随机数据增强方法对图像进行处理,实现数据增强,增强后的图像构成蜂猴面部图像集合;
所述随机数据增强方法,即采用翻转、添加噪声、擦除、改变亮度和灰度中随机一种或多种方式,对图像进行处理,以实现图像数据增强。确保每个图像至少经过一个处理过程。借此来丰富图像数据集,尽可能模拟复杂多样的环境,实现蜂猴的有效识别。
在本申请的实施例中,通过对蜂猴面部的图像进行采集,制作蜂猴面部图像数据集。使用不同的光照、角度、距离等条件来拍摄蜂猴的面部图像,以增加数据的多样性和鲁棒性。我们收集整理了约6000张69只不同蜂猴的面部图像。
S2.对蜂猴面部图像集合中的部分图像进行面部标注,利用标注图像对YOLOv8 模型进行训练,然后利用训练得到的YOLOv8 模型对未进行面部标注的图像进行面部识别,然后裁剪出蜂猴面部图像集合中所有图像的面部区域,得到蜂猴面部裁剪区域集合;
通过对部分图像进行面部标注,然后基于YOLOv8 模型来自动识别出其余图像面部区域的方式,能够有效降低标注的工作量;
所述步骤S2包括:
S201.从蜂猴面部图像集合中,对于每个编号的蜂猴选择10%的图像,采用标签软件Labelimg并用矩形标签库对蜂猴的面部区域边界框进行标注,以yolo数据集的格式完成数据集搭建;
S202. 基于YOLOv8算法构建YOLOv8目标检测模型,利用数据集对YOLOv8目标检测模型进行训练;
S203.利用训练好的YOLOv8目标检测模型对蜂猴面部图像集合中的未标注图像进行面部区域预测,得到未标注图像的面部区域边界框;
S204.面部区域检测完成后,对于蜂猴面部图像集合每一张图像进行裁剪,只保留面部区域边界框内部的面部区域部分,得到蜂猴面部裁剪区域集合。
S3.对蜂猴面部裁剪区域集合中部分图像中的蜂猴眼睛边缘轮廓进行标注,利用标注图像对U-Net模型进行训练,然后利用训练得到U-Net模型对蜂猴面部裁剪区域集合中未标注眼睛边缘轮廓的图像进行检测,得到蜂猴面部裁剪区域集合中所有图像的眼睛轮廓;
通过对部分图像的蜂猴眼睛边缘轮廓进行标注,然后基于U-Net模型来自动识别出其余图像蜂猴眼睛边缘轮廓的方式,能够有效降低标注的工作量;
所述步骤S3包括:
S301.从蜂猴面部裁剪区域集合中,对于每一个蜂猴编号选择10%的图像,接着使用Labelme图像标注工具,对蜂猴的眼睛边缘轮廓进行标注,完成标注后会获得JSON文件并以VOC数据集格式完成数据集的搭建;
S302.构建U-Net模型,利用以VOC数据集格式搭建的数据集对模型进行训练;
S303.利用训练好的U-Net模型对蜂猴面部裁剪区域集合中未标注眼睛边缘轮廓的图像进行预测,得到蜂猴面部裁剪区域集合中所有图像的眼睛轮廓。
S4.对于蜂猴面部裁剪区域图像集合中的图像进行面部摆正,并构建样本集;
所述步骤S4包括:
S401.对于蜂猴面部裁剪区域图像集合中的任一张图片进行面部摆正:
B1、根据眼睛的边缘轮廓,计算其内部像素的均值,作为眼睛的中心点,几何中心的计算公式如下:
其中,(xc,yc)是眼睛的中心点,N是眼睛内部像素的个数,(xi,yi)是第i个像素的坐标;
B2、旋转图像:使用仿射变换的方法,即根据两个眼睛的中心点,计算出旋转角度,然后构造一个旋转矩阵,将图像旋转到水平位置;
仿射变换的计算公式如下:
计算旋转角度:
构造旋转矩阵:
对图像中的每个像素点(x,y),应用旋转矩阵,得到旋转后的点(x′,y′):
其中,(x1,y1)和(x2,y2)是两个眼睛的中心点,θ是旋转角度,R是旋转矩阵;
S402.对于蜂猴面部裁剪区域图像集合中的每一张图像,重复执行步骤S401,完成所有图像的面部摆正;
S403.对于蜂猴面部裁剪区域图像集合中的每一张图像进行面部摆正后,以摆正后的图像作为特征,以图像对应的蜂猴编号作为分类标签,构建样本,形成样本集。
S5.构建非对称双线性卷积神经网络,利用样本集中的样本进行非对称双线性卷积神经网络,并基于训练得到非对称双线性卷积神经网络进行蜂猴识别。
细粒度图像分类(Fine-Grained Categorization),又被称作子类别图像分类(Sub-Category Recognition),是近年来计算机视觉、模式识别等领域一个非常热门的研究课题。其目的是对粗粒度的大类别进行更加细致的子类划分, 但由于子类别间细微的类间差异和较大的类内差异, 较之普通的图像分类任务, 细粒度图像分类难度更大。
细粒度图像的分类任务则要求对“蜂猴”该物种下不同的个体图像分辨开来。正因同类别物种的不同个体往往仅在毛色、花纹和眼睛大小等细微处存在差异。不止对计算机,对普通人来说,细粒度图像任务的难度和挑战无疑也更为巨大。本申请的非对称双线性CNN模型就是一种细粒度分类模型;
所述步骤S5包括:
S501.构建非对称双线性卷积神经网络,包括VGG16网络、ResNet50网络、全连接层和softmax层;
在非对称双线性卷积神经网络中,输入图像分别送入VGG16网络和ResNet50网络进行特征提取,然后将特征提取后的结果做外积融合以形成最终的个体身份特征,然后依次送入全连接层和softmax层,进行特征分类输出;
S502.以样本集中的图像作为非对称双线性卷积神经网络的输入,以图像的分类标签作为非对称双线性卷积神经网络的期望输出,对所述非对称双线性卷积神经网络进行训练,得到训练好的非对称双线性卷积神经网络,用于蜂猴识别。
在本申请的实施例中,还可以将样本集划分为训练集和测试集,利用训练集中的样本完成非对称双线性卷积神经网络训练,并利用测试集中的数据测试非对称双线性卷积神经网络的准确性。
在本申请的实施例中,个体识别是动物行为学和生态学研究的基础,对保护濒危物种具有重要意义。正确识别个体身份十分重要,对此我们采用强监督细粒度分类的方法,为了获得更好的分类精度。识别不同蜂猴的这个过程需要更精确和细致的处理来确保识别的准确性。
在利用训练好的非对称双线性卷积神经网络进行蜂猴识别时,首先需要利用训练好的YOLOv8目标检测模型对待识别的蜂猴面部图像进行检测,得到待识别的蜂猴面部区域,并进行裁剪,得到待识别的面部裁剪区域,再利用训练好的U-Net模型对待识别的面部裁剪区域进行检测,得到其中的眼睛边缘轮廓,并按照步骤S401进行面部摆正后,输入到训练好的非对称双线性卷积神经网络,由训练好的非对称双线性卷积神经网络输出蜂猴识别结果。
以上所述是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应该看作是对其他实施例的排除,而可用于其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (6)
1.一种基于细粒度的蜂猴身份识别方法,其特征在于:包括以下步骤:
S1.对需要识别的多只蜂猴,在不同的拍摄条件下拍摄多张面部图像,并进行清洗和数据增强,得到蜂猴面部图像集合;
S2.对蜂猴面部图像集合中的部分图像进行面部标注,利用标注图像对YOLOv8 模型进行训练,然后利用训练得到的YOLOv8 模型对未进行面部标注的图像进行面部识别,然后裁剪出蜂猴面部图像集合中所有图像的面部区域,得到蜂猴面部裁剪区域集合;
S3.对蜂猴面部裁剪区域集合中部分图像中的蜂猴眼睛边缘轮廓进行标注,利用标注图像对U-Net模型进行训练,然后利用训练得到U-Net模型对蜂猴面部裁剪区域集合中未标注眼睛边缘轮廓的图像进行检测,得到蜂猴面部裁剪区域集合中所有图像的眼睛轮廓;
S4.对于蜂猴面部裁剪区域图像集合中的图像进行面部摆正,并构建样本集;
S5.构建非对称双线性卷积神经网络,利用样本集中的样本进行非对称双线性卷积神经网络,并基于训练得到非对称双线性卷积神经网络进行蜂猴识别。
2.根据权利要求1所述的一种基于细粒度的蜂猴身份识别方法,其特征在于:所述步骤S1包括:
S101.设需要识别的多只蜂猴中,每一只蜂猴都有唯一的编号;
A1、对于任一只需要识别的蜂猴,在不同的拍摄条件下,拍摄蜂猴的面部图像;
所述拍摄条件包括光照、拍摄角度和拍摄距离,在采集蜂猴面部图像时,需要预先给定多种的光照强度、多种拍摄角度和多个不同的拍摄距离;所述不同的拍摄条件是指:光照强度、拍摄角度和拍摄距离的每一种不同组合,即需要在每一种光照强度、拍摄角度和拍摄距离的组合下,分别进行蜂猴的面部图像拍摄,对于拍摄得到的图像,利用蜂猴编号进行标记;
A2、对于采集到的蜂猴的面部图像进行清洗:
首先手动删除不清晰的图像;
然后利用SSIM算法计算图像的相似性,若出现两张图像之间的相似性大于设定阈值,则删除其中一张;
S102.对于每一只需要识别的蜂猴,重复执行步骤S101,完成所有需要识别的蜂猴的面部图像采集;
S103.对于步骤S102得到的每一张图像,利用随机数据增强方法对图像进行处理,实现数据增强,增强后的图像构成蜂猴面部图像集合;
所述随机数据增强方法,即采用翻转、添加噪声、擦除、改变亮度和灰度中随机一种或多种方式,对图像进行处理,以实现图像数据增强。
3.根据权利要求1所述的一种基于细粒度的蜂猴身份识别方法,其特征在于:所述步骤S2包括:
S201.从蜂猴面部图像集合中,对于每个编号的蜂猴选择10%的图像,采用标签软件Labelimg并用矩形标签库对蜂猴的面部区域边界框进行标注,以yolo数据集的格式完成数据集搭建;
S202. 基于YOLOv8算法构建YOLOv8目标检测模型,利用数据集对YOLOv8目标检测模型进行训练;
S203.利用训练好的YOLOv8目标检测模型对蜂猴面部图像集合中的未标注图像进行面部区域预测,得到未标注图像的面部区域边界框;
S204.面部区域检测完成后,对于蜂猴面部图像集合每一张图像进行裁剪,只保留面部区域边界框内部的面部区域部分,得到蜂猴面部裁剪区域集合。
4.根据权利要求1所述的一种基于细粒度的蜂猴身份识别方法,其特征在于:所述步骤S3包括:
S301.从蜂猴面部裁剪区域集合中,对于每一个蜂猴编号选择10%的图像,接着使用Labelme图像标注工具,对蜂猴的眼睛边缘轮廓进行标注,完成标注后会获得JSON文件并以VOC数据集格式完成数据集的搭建;
S302.构建U-Net模型,利用以VOC数据集格式搭建的数据集对模型进行训练;
S303.利用训练好的U-Net模型对蜂猴面部裁剪区域集合中未标注眼睛边缘轮廓的图像进行预测,得到蜂猴面部裁剪区域集合中所有图像的眼睛轮廓。
5.根据权利要求1所述的一种基于细粒度的蜂猴身份识别方法,其特征在于:所述步骤S4包括:
S401.对于蜂猴面部裁剪区域图像集合中的任一张图片进行面部摆正:
B1、根据眼睛的边缘轮廓,计算其内部像素的均值,作为眼睛的中心点,几何中心的计算公式如下:
其中,(xc,yc)是眼睛的中心点,N是眼睛内部像素的个数,(xi,yi)是第i个像素的坐标;
B2、旋转图像:使用仿射变换的方法,即根据两个眼睛的中心点,计算出旋转角度,然后构造一个旋转矩阵,将图像旋转到水平位置;
仿射变换的计算公式如下:
计算旋转角度:
构造旋转矩阵:
对图像中的每个像素点(x,y),应用旋转矩阵,得到旋转后的点(x′,y′):
其中,(x1,y1)和(x2,y2)是两个眼睛的中心点,θ是旋转角度,R是旋转矩阵;
S402.对于蜂猴面部裁剪区域图像集合中的每一张图像,重复执行步骤S401,完成所有图像的面部摆正;
S403.对于蜂猴面部裁剪区域图像集合中的每一张图像进行面部摆正后,以摆正后的图像作为特征,以图像对应的蜂猴编号作为分类标签,构建样本,形成样本集。
6.根据权利要求1所述的一种基于细粒度的蜂猴身份识别方法,其特征在于:所述步骤S5包括:
S501.构建非对称双线性卷积神经网络,包括VGG16网络、ResNet50网络、全连接层和softmax层;
在非对称双线性卷积神经网络中,输入图像分别送入VGG16网络和ResNet50网络进行特征提取,然后将特征提取后的结果做外积融合以形成最终的个体身份特征,然后依次送入全连接层和softmax层,进行特征分类输出;
S502.以样本集中的图像作为非对称双线性卷积神经网络的输入,以图像的分类标签作为非对称双线性卷积神经网络的期望输出,对所述非对称双线性卷积神经网络进行训练,得到训练好的非对称双线性卷积神经网络,用于蜂猴识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410426112.7A CN118038498B (zh) | 2024-04-10 | 2024-04-10 | 一种基于细粒度的蜂猴身份识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410426112.7A CN118038498B (zh) | 2024-04-10 | 2024-04-10 | 一种基于细粒度的蜂猴身份识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118038498A true CN118038498A (zh) | 2024-05-14 |
CN118038498B CN118038498B (zh) | 2024-06-28 |
Family
ID=90989521
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410426112.7A Active CN118038498B (zh) | 2024-04-10 | 2024-04-10 | 一种基于细粒度的蜂猴身份识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118038498B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086792A (zh) * | 2018-06-26 | 2018-12-25 | 上海理工大学 | 基于检测和识别网络架构的细粒度图像分类方法 |
CN109522853A (zh) * | 2018-11-22 | 2019-03-26 | 湖南众智君赢科技有限公司 | 面向监控视频的人脸检测与搜索方法 |
CN115311689A (zh) * | 2022-09-01 | 2022-11-08 | 内蒙古科技大学 | 牛脸身份识别特征提取模型构建方法及牛脸身份识别方法 |
CN116343284A (zh) * | 2022-12-19 | 2023-06-27 | 四川农业大学 | 基于注意力机制的多特征户外环境情绪识别方法 |
CN117351537A (zh) * | 2023-09-11 | 2024-01-05 | 中国科学院昆明动物研究所 | 一种基于深度学习的猕猴脸部智能识别方法及*** |
-
2024
- 2024-04-10 CN CN202410426112.7A patent/CN118038498B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086792A (zh) * | 2018-06-26 | 2018-12-25 | 上海理工大学 | 基于检测和识别网络架构的细粒度图像分类方法 |
CN109522853A (zh) * | 2018-11-22 | 2019-03-26 | 湖南众智君赢科技有限公司 | 面向监控视频的人脸检测与搜索方法 |
CN115311689A (zh) * | 2022-09-01 | 2022-11-08 | 内蒙古科技大学 | 牛脸身份识别特征提取模型构建方法及牛脸身份识别方法 |
CN116343284A (zh) * | 2022-12-19 | 2023-06-27 | 四川农业大学 | 基于注意力机制的多特征户外环境情绪识别方法 |
CN117351537A (zh) * | 2023-09-11 | 2024-01-05 | 中国科学院昆明动物研究所 | 一种基于深度学习的猕猴脸部智能识别方法及*** |
Non-Patent Citations (2)
Title |
---|
YAN GUAN等: "Face recognition of a Lorisidae species based on computer vision", 《GLOBAL ECOLOGY AND CONSERVATION》, vol. 45, 30 September 2023 (2023-09-30), pages 1 - 10 * |
赵玄润: "基于分级集成网络和自监督聚类的金丝猴面部识别算法研究", 《中国优秀硕士学位论文全文数据库 (基础科学辑)》, 15 February 2023 (2023-02-15), pages 006 - 3232 * |
Also Published As
Publication number | Publication date |
---|---|
CN118038498B (zh) | 2024-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | Transferring deep knowledge for object recognition in low-quality underwater videos | |
CN108960245B (zh) | 轮胎模具字符的检测与识别方法、装置、设备及存储介质 | |
CN110334706B (zh) | 一种图像目标识别方法及装置 | |
Mohamed et al. | Msr-yolo: Method to enhance fish detection and tracking in fish farms | |
CN108520226B (zh) | 一种基于躯体分解和显著性检测的行人重识别方法 | |
Lin | Face detection in complicated backgrounds and different illumination conditions by using YCbCr color space and neural network | |
Mathur et al. | Crosspooled FishNet: transfer learning based fish species classification model | |
Cong et al. | Speedup 3-D texture-less object recognition against self-occlusion for intelligent manufacturing | |
CN1975759A (zh) | 一种基于结构主元分析的人脸识别方法 | |
CN108764159A (zh) | 小样本条件下的动物面部识别方法和*** | |
CN111274883B (zh) | 基于多尺度hog特征和深层特征的合成素描人脸识别方法 | |
WO2013075295A1 (zh) | 低分辨率视频的服装识别方法及*** | |
CN110188646B (zh) | 基于梯度方向直方图与局部二值模式融合的人耳识别方法 | |
Naseer et al. | Multimodal Objects Categorization by Fusing GMM and Multi-layer Perceptron | |
CN112825120B (zh) | 人脸光照评价方法、装置、计算机可读存储介质及设备 | |
CN112101293A (zh) | 人脸表情的识别方法、装置、设备及存储介质 | |
CN118038498B (zh) | 一种基于细粒度的蜂猴身份识别方法 | |
Curran et al. | The use of neural networks in real-time face detection | |
KR100703528B1 (ko) | 영상 인식 장치 및 방법 | |
CN113658223B (zh) | 一种基于深度学习的多行人检测与跟踪方法及*** | |
Yi et al. | Face detection method based on skin color segmentation and facial component localization | |
Jain et al. | Effective approach for facial expression recognition using hybrid square-based diagonal pattern geometric model | |
CN109614877B (zh) | 低分辨率监控场景中具有遮挡的行人属性识别方法 | |
CN109886265B (zh) | 一种基于Adaboost和模板匹配的车门限位器检测方法 | |
CN107491761B (zh) | 一种基于深度学习特征和点到集合距离度量学习的目标跟踪方法 |
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 | ||
GR01 | Patent grant |