[发明专利]一种基于改进Faster-R-CNN的哺乳母猪姿态识别方法

权利要求书

1.一种基于改进Faster-R-CNN的哺乳母猪姿态识别方法，其特征在于，包括以下步骤：

S1、采集哺乳母猪的RGB-D视频图像，并建立母猪姿态识别深度视频图像库；

S2、对基础ZF网络增加深度、并引入残差结构，设计成具有高精度、实时性和鲁棒性的CNN网络结构；

S3、使用设计的CNN网络结构，构建Faster-R-CNN模型结构，并对Faster-R-CNN模型结构引入Center Loss监督信号，与SoftmaxLoss联合构成分类损失函数，最终建立改进的Faster-R-CNN母猪姿态识别模型；

S4、使用训练集训练Faster-R-CNN母猪姿态识别模型，使用测试集测试模型性能，最终筛选最佳性能模型，用于哺乳母猪姿态识别；

所述步骤S1的具体过程如下：

S11、RGB-D视频图像数据采集：通过三脚架将RGB-D传感器固定俯视拍摄获取RGB-D图像；

S12、深度图像预处理：对采集到的深度视频图像，用中值滤波器去除大量干扰噪声，用限制对比度自适应直方图均衡化进行增强；

S13、构建深度视频图像数据库：对每小段不同姿态的视频图像数据随机抽取一帧，获得站立、坐立、俯卧、腹卧和侧卧五类姿态原始训练样本集和测试集；

S14、准备训练样本：对原始训练样本集中图像进行母猪外包围框标注和类别标注，再对标注后的样本图像进行90度、180度、270度、水平镜像和垂直镜像扩增，获得训练样本集。

2.根据权利要求1所述的基于改进Faster-R-CNN的哺乳母猪姿态识别方法，其特征在于，所述步骤S2的具体过程如下：

S21、选择使用基础卷积神经网络ZF网络；

S22、对ZF网络中添加卷积核大小为3×3、步长为1，且通道数与上层相同的卷积层，增加网络深度；

S23、对加深后的网络以输入和输出特征图通道数相同两层卷积为一组，通过捷径连接，构造残差结构；

S24、卷积层激活函数使用PReLU。

3.根据权利要求2所述的基于改进Faster-R-CNN的哺乳母猪姿态识别方法，其特征在于，所述步骤S3的具体过程如下：

S31、利用改进后的CNN结构构建Faster-R-CNN网络结构，以其卷积层作为Faster-R-CNN的共享卷积层部分，其全连接层作为Fast-R-CNN检测器的全连接层部分；

S32、将Center Loss与Fast-R-CNN的SoftmaxLoss监督信号联合构建分类损失函数：

L_s即是SoftmaxLoss函数，L_c即为Center Loss函数，λ在式中用于平衡两个损失函数，x_i∈R^d表示第y_i类的第i张图片的特征，m为训练过程中mini-batch的数量，表示第y_i类的特征的中心，W_j∈R^d表示在最后一个全连接层中权值矩阵W∈R^d*n的第j列，b∈Rⁿ为偏置值，其中n为类别数量，d为特征维度；

S33、由RPN生成的同一类感兴趣区域特征的平均值计算获得特征中心在每小批量数据训练中，特征中心仅更新一次，并使用标量权值参数α∈[0，1]控制的学习率进行更新：

其中，t表示为第t次迭代，同时当条件(y_i＝j)成立时δ(y_i＝j)＝1，否则δ(y_i＝j)＝0。