[发明专利]一种基于深度学习的牛脸检测与识别方法

权利要求书

1.一种基于深度学习的牛脸检测与识别方法，其特征在于：包括下列步骤：

步骤一：分别采集牛的正脸、左侧脸、右侧脸图像，随后对采集的牛脸图像数据进行预处理，勾勒出图片中的牛脸部分，并对牛进行身份标注；

步骤二：将经过预处理后的牛脸图像转换成JSON(JavaScript Object Notation)格式文件，其中JSON文件包含图像中牛脸部分的坐标，牛只的身份信息和图片所在的目录路径；

步骤三：基于卷积神经网络——101层的残差网络(Residual Network 101，ResNet101)，利用深度学习算法提取JSON文件中牛脸部分的数据进行学习，获取牛脸特征提取模型，并将提取出的牛脸图像特征根据实际情况分别储存在不同的特征向量数据库中，其中特征向量数据库分为正脸特征向量数据库、左侧脸特征向量数据库、右侧脸特征向量数据库；

所述步骤三的牛脸特征提取模型的训练时的损失函数表达式为：

其中，L_c代表损失函数，M代表牛的总数量，y_i代表指示变量，如果当前观测牛只与第i头牛的训练样本是相同的则为1，不同为0；p_i表示当前牛只为第i头牛的预测概率；

步骤四：基于卷积神经网络ResNet101，采用掩码区域卷积神经网络(Mask Region-Convolutional Neural Networks，Mask R-CNN)框架对经过步骤二处理的JSON文件进行学习，获得牛脸检测模型；

所述步骤四的牛脸检测模型具体为：

L_d＝L_cls+L_box+L_mask

其中，L_d为牛脸检测模型，L_cls为目标的分类损失值，L_box为目标的回归损失值，L_mask为目标识别损失值；L_cls采用多分类交叉熵的方式进行计算，因此L_cls可直接采用所述步骤三的L_c的表达式进行计算；

L_box采用下述表达式进行计算：

其中，N代表特征图像中的像素点总数，t_i为训练阶段的预测偏移向量，为训练阶段的实际偏移向量，函数R(x)为Smooth _L1函数，具体表达式为：

L_mask采用二分类交叉熵的方式进行计算，具体表达式为：

其中，N代表特征图像中的像素点总数，y_i表示类别，正类为1，负类为0，p_i表示样本预测为正的概率；

步骤五：采用牛脸检测模型对待识别牛的正脸、左侧脸、右侧脸分别进行牛脸检测，检测出图片中牛脸部分，并采用牛脸特征提取模型对检测出的牛脸部分进行特征提取，分别记为正脸特征向量X、左侧脸特征向量Y、右侧脸特征向量Z；

步骤六：根据步骤五获得的特征向量X、Y、Z，采用图像检索技术进行牛的身份鉴定，最终实现牛脸识别；

所述的步骤六具体包括下述步骤：

Step 1)初始化：迭代次数计数器i＝1，正脸特征向量数据库中储存的特征向量个数N，系数α＝0.5，β＝0.25，γ＝0.25；

Step 2)从正脸特征向量数据库、左侧脸特征向量数据库和右侧脸特征向量数据库分别取出第i头牛的正脸特征向量X_i、左侧脸特征向量Y_i和右侧脸特征向量Z_i；

Step 3)计算特征向量X与特征向量X_i的夹角余弦值

Step 4)计算特征向量Y与特征向量Y_i的夹角余弦值

Step 5)计算特征向量Z与特征向量Z_i的夹角余弦值

Step 6)计算第i头牛的得分s_i＝αd_i,x+βd_i,y+γd_i,z；

Step 7)i＝i+1，如果i≤N，转到Step 2)，如果iN，转到Step 8)；

Step 8)从s₁，s₂，……，s_N中选出得分最高的个体，并将其作为识别结果输出。

2.如权利要求1所述的一种基于深度学习的牛脸检测与识别方法，其特征在于：所述步骤一采集牛的正脸、左侧脸、右侧脸图像至少各两副。