[发明专利]基于卷积神经网络和分类器模型的牛脸识别方法

权利要求书

1.基于卷积神经网络和分类器模型的牛脸识别方法，其特征在于，采用深度学习当中卷积神经网络提取特征，结合分类器模型，通过对牛脸的识别，实现对牛只个体的身份识别，包括以下步骤：

S1. 采集所有待注册牛只牛脸数据，生成待注册牛只数据集，并按比例随机分为训练数据集和测试数据集；

S2. 设计卷积神经网络模型，所述卷积神经网络模型至少包括输入层、隐藏层和输出层，其中隐藏层最后一层是一个维度为2ⁿ的全连接层，作为特征提取层，其中n为5-9之间的整数；

S3. 训练卷积神经网络，记录该网络模型参数λ；

S4. 将由步骤S1得到的所有待注册牛只牛脸数据输入到使用网络参数λ初始化的卷积神经网络模型中，提取特征提取层的特征；

S5. 使用待注册牛只的特征提取层的特征，利用分类器模型，进行牛只注册；

S6. 利用步骤S5的分类器模型进行牛脸识别。

2.如权利要求1所述基于卷积神经网络和分类器模型的牛脸识别方法，其特征在于，所述步骤S1具体为，使用固定位置的摄像头以视频方式收集所有需注册牛只数据，采集数据时调整摄像头位置使得视野宽度为3至4个牛脸宽度，视野高度为1.2至1.5个牛脸长度；从每头牛的所有图片数据中随机挑选3000至5000张图片，统一图片大小，形成待注册牛只数据集；将待注册牛只数据集中每头牛的样本图像按8:2的比例随机分为训练数据集和测试数据集，训练集数据与测试集数据无重叠。

3.如权利要求1所述基于卷积神经网络和分类器模型的牛脸识别方法，其特征在于，步骤S2中，所述卷积神经网络模型包括10层，其中第一层为输入层、第二层至第八层为隐藏层，第十层为输出层，各层结构如下：

第一层：输入层：以leveldb数据格式输入训练集的图片数据和每张图片的真实标签；

第二层：隐藏层：包含一个卷积层，一个激活函数层和一个池化层；

第三层：隐藏层：包含一个卷积层，一个激活函数层和一个池化层；

第四层：隐藏层：包含一个卷积层和一个激活函数层；

第五层：隐藏层：包含一个卷积层和一个激活函数层；

第六层：隐藏层：包含一个卷积层，一个激活函数层和一个池化层；

第七层：隐藏层：包含一个全连接层，一个激活函数层和一个dropout层；

第八层：隐藏层：包含一个全连接层，一个激活函数层和一个dropout层；

第九层：隐藏层：包含一个全连接层；

第十层：输出层：包含一个全连接层。

4.如权利要求1所述基于卷积神经网络和分类器模型的牛脸识别方法，其特征在于，步骤S2中，所述n=6，即特征提取层共有64个神经元。

5.如权利要求1所述基于卷积神经网络和分类器模型的牛脸识别方法，其特征在于，步骤S3 中，所述训练方法如下：利用步骤S1 所述训练数据集中的图像及其真实标签，训练卷积神经网络，具体为：

S3.1. 使用高斯分布算法初始化卷积神经网络的所有权重项和使用固定常数初始化偏置项；

S3.2. 神经网络前向运算；

S3.3. 神经网络后向运算；

S3.4. 网络停止训练后，保存网络中的所有参数λ，包括权重参数和偏置参数。

6.如权利要求1所述基于卷积神经网络和分类器模型的牛脸识别方法，其特征在于，步骤S5中，所述分类器模型为稀疏表示分类模型，低秩表示分类器模型，逻辑回归分类器模型，支持向量机分类器模型，贝叶斯分类器模型，决策树分类器模型和集成学习分类器模型中的一种。

7.如权利要求6所述基于卷积神经网络和分类器模型的牛脸识别方法，其特征在于，所述分类器模型为稀疏表示分类模型，用于牛只注册的具体方法为：

将步骤S4提取的各标识号牛只的特征提取层的特征调整为一列，加入到稀疏表示分类模型字典中，该字典包含各个子字典，子字典即为每一头牛的所有图片的特征数据，子字典中每一列的原子即为每头牛每一幅图片的特征数据，每头牛有且仅有一个标识号；完成稀疏表示字典构造后，待注册牛只即完成注册，成为已注册牛只。