[发明专利]动物种类的分类方法、装置、计算机设备和存储介质

说明书

本申请中提供了一种动物种类的分类方法、装置、计算机设备和存储介质，包括：获取待分类的动物图像，并通过多个不同的网络模型分别提取所述动物图像的特征向量；将多个不同的网络模型分别提取的所述特征向量拼接为一个合并向量；将所述合并向量输入至训练完成的卷积神经网络中以输出所述待分类的动物图像的分类结果。本申请中提供的动物种类的分类方法、装置、计算机设备和存储介质，提升识别动物种类的准确率，克服目前识别准确率低的缺陷。

技术领域

本申请涉及计算机技术领域，特别涉及一种动物种类的分类方法、装置、计算机设备和存储介质。

背景技术

目前，常常用到对人脸进行识别，对狗等动物的种类进行识别分类却很少，通常为人工识别，人工识别准确性不高，且繁琐，造成人力成本太高。

狗的种类繁多，从斯坦福大学的狗种类数据集来看，狗的种类多达120种，其它动物的品种更加多种多样。在保险、科普等行业，识别动物的种类显得尤为重要。而目前，正确识别动物种类的准确率很低。

发明内容

本申请的主要目的为提供一种动物种类的分类方法、装置、计算机设备和存储介质，克服识别动物种类准确率低的缺陷。

为实现上述目的，本申请提供了一种动物种类的分类方法，其包括以下步骤：

获取待分类的动物图像，并通过多个不同的网络模型分别提取所述动物图像的特征向量；

将所述多个不同的网络模型分别提取的所述特征向量拼接为一个合并向量；

将所述合并向量输入至训练完成的卷积神经网络中以输出所述待分类的动物图像的分类结果。

进一步地，所述网络模型包括DenseNet，ResNet和Inception网络模型。

进一步地，所述获取待分类的动物图像，并通过多个不同的网络模型分别提取所述动物图像的特征向量的步骤之前，包括：

将训练集中每一张样本图片分别输入至多个不同的所述网络模型中分别训练各所述网络模型；

通过训练完成的多个所述网络模型分别提取所述训练集中每一张样本图片的特征向量；

将所述训练集中每一张样本图片对应的多个特征向量拼接为一个训练合并向量；

将所述训练合并向量输入至卷积神经网络中以训练所述卷积神经网络。

进一步地，所述将所述训练合并向量输入至卷积神经网络中以训练所述卷积神经网络的步骤之后，包括：

将测试集中每一张样本图片输入至多个训练完成的所述网络模型中以分别提取出测试集中每一张样本图片的特征向量；

将所述测试集中每一张样本图片对应的多个特征向量拼接为一个测试合并向量；

将所述测试合并向量输入至训练完成的所述卷积神经网络中以输出所述测试集的分类结果，并验证其是否与测试集的已知分类一致。

进一步地，所述训练集与所述测试集的样本数据量比例为8:2。

进一步地，所述将所述合并向量输入至训练完成的卷积神经网络中以输出所述待分类的动物图像的分类结果的步骤之后，包括：

根据所述待分类的动物图像的分类结果，确定所述待分类的动物图像中动物的种类名称；

根据所述动物的种类名称，在动物数据库中查询出所述动物的资料信息。

进一步地，所述将所述合并向量输入至训练完成的卷积神经网络中以输出所述待分类的动物图像的分类结果的步骤之后，包括：

根据所述待分类的动物图像的分类结果，确定所述待分类的动物图像中动物的种类名称；