[发明专利]一种基于深度学习的犬脸识别方法

权利要求书

1.一种基于深度学习的犬脸识别方法，其特征在于，包括如下步骤：

步骤S1：构建由第一检测网络、第二检测网络和特征提取网络依次连接的深度神经网络模型；

步骤S2：对犬只图像构造图像金字塔，将金字塔中的图像送入第一检测网络，得到大量候选犬脸区域；

步骤S3：对候选犬脸区域进行过滤和调整，缩放到合适尺寸，送入第二检测网络，得到最终的犬脸区域；

步骤S4：基于脸部特征点对犬脸图像进行仿射变换，得到对齐后的犬脸图像；

步骤S5：将对齐后的犬脸图像缩放到合适尺寸，并进行归一化后，送入特征提取网络，得到犬脸特征；

步骤S6：重复步骤S2至步骤S5，构造包含犬只信息和犬脸特征的犬只底库；

步骤S7：计算待识别的犬只图像的犬脸特征与步骤S6中犬只底库中每个犬脸特征的欧式距离，欧式距离最小的即为最终识别出的犬只；

其中，所述深度神经网络模型的训练步骤如下：

步骤S61：采集犬只图像，清洗和过滤掉不符合要求的图像，对犬只的犬脸部分进行标注，包括犬脸边框和脸部特征点；

步骤S62：使用上述图像和标注信息构建图像金字塔，得到大量的正负样本，训练第一检测网络，得到模型文件；

步骤S63：使用第一检测网络模型对部分犬只图像进行检测，将置信度高于阈值的区域作为困难样本挖掘的来源，获得部分正负样本；

步骤S64：将上述获得的正负样本与原始图像中的正负样本进行合并，缩放到合适尺寸，训练第二检测网络，得到模型文件；

步骤S65：使用第二检测网络模型对原始图像进行检测，获取裁剪后的犬脸部分图像；犬脸图像基于脸部特征点进行仿射变换，得到对齐后的图像；

步骤S66：使用上述犬脸图像和TripletLoss损失函数训练特征提取网络；

步骤S67：训练完成后，得到模型文件和一个距离阈值，当两个犬脸图像的欧式距离小于该阈值时，则认定为相同的犬只；否则，认定为不同的犬只。

2.根据权利要求1所述的一种基于深度学习的犬脸识别方法，其特征在于，所述步骤S2中，第一检测网络将犬只图像作为输入，经过三个轻量级卷积层后，通过一个犬脸二分类器softmax来判断该区域是否为犬脸，并通过边框特征和面部关键点特征的回归来进行犬脸区域的粗定位，最终会生成大量犬脸的候选区域。

3.根据权利要求1所述的一种基于深度学习的犬脸识别方法，其特征在于，所述步骤S3中，第二检测网络使用第一检测网络输出的候选犬脸区域作为输入，经过四个轻量级卷积层和一个全连接层后，通过一个犬脸二分类器softmax来判断该区域是否为犬脸，并通过边框特征和面部关键点特征的回归来进行犬脸的边框和面部特征点的精确定位，最终过滤掉效果差的犬脸的候选区域。

4.根据权利要求1所述的一种基于深度学习的犬脸识别方法，其特征在于，所述步骤S5中，候选犬脸区域输入特征提取网络处理时，选取MobileNetV2作为基准网络，使用全局Depthwise卷积层代替全局平均池化层。