[发明专利]家畜脸部图像识别方法及装置

说明书

本发明实施例提供一种家畜脸部图像识别方法及装置，该方法包括：对家畜脸部图像的多个局部区域分别进行特征提取，得到多个局部特征；将每个局部特征和所有局部特征的融合特征，分别输入与每个特征对应的第一分类网络模型，得到每个局部特征和融合特征对应的家畜编号识别结果；将所有编号识别结果作为特征向量，输入预设的第二分类网络模型，得到最终的编号识别结果。该方法通过多个局部特征，得到对应的家畜编号识别结果，可利用各个局部特征对猪脸识别的影响进行相关性分析，减少冗余特征的影响。同时，将所有编号识别结果作为特征向量输入第二分类网络模型，考虑到了所有局部特征的识别结果和全局特征的识别结果，从而能显著提高识别的准确率。

技术领域

本发明涉及图像识别技术领域，尤其涉及一种家畜脸部图像识别方法及装置。

背景技术

近年来，现代畜牧业不断向规模化和集约化方向发展，动物疫病、动物行为异常等动物健康福利问题也越来越严重。随着智慧农业和自动化养殖的发展，传统的养猪行业也开始向高科技养殖模式转变，大规模集成化养殖进程明显加快，多种先进技术应用于大规模养猪场，打造无人化养猪工厂成为行业的发展趋势。传统的基于RFID耳标技术的生猪个体身份识别方法容易引起猪的应激反应，耳标缝隙易滋生细菌产生并发症，且容易脱落。传统的非接触式生猪识别方法中对于猪脸特征的提取信息较少，识别精度不高，往往难以达到准确、快速以及监测的目的。

随着深度学习、计算机视觉技术的发展，为传统的生猪个体识别带来全新的技术手段和实用工具，利用深度学习较强的特征提取能力，实现准确、高效、快速的生猪个体身份识别，为猪场管理提供实时准确的数据支持，对推动现代化猪场管理和快速发展有着巨大的促进作用。

由于猪脸与人脸不同，不同猪之间脸部特征相似性高，耳部和眼睛部位特征明显，直接借用人脸识别方法效果并不理想。当前研究中，具有6个卷积层和3个全连接层的CNN实现了猪脸识别，将其称为M-CNN网络。在猪的饮水处安置摄像头，捕捉喝水时的猪脸图像，通过识别猪脸确定猪的个体身份。

目前，深度学习多采用单卷积网络、双线性卷积网络以及多路卷积网络等对猪脸整体特征提取，构建猪脸模型库，在利用网络学习实现生猪个体识别，这种方法容易提取较多的冗余特征导致过拟合，从而猪脸识别率和鲁棒性不高。

发明内容

本发明实施例提供一种家畜脸部图像识别方法及装置，用以解决现有技术中的缺陷。

本发明实施例提供一种家畜脸部图像识别方法，包括：根据本发明一个实施例的家畜脸部图像识别方法，对家畜脸部图像的多个局部区域分别进行特征提取，得到多个局部特征；将每个局部特征和所有局部特征的融合特征，分别输入至与每个特征对应的第一分类网络模型，得到每个局部特征和融合特征对应的家畜编号识别结果；将所有编号识别结果作为特征向量，输入预设的第二分类网络模型，得到最终的编号识别结果；其中，所述第一分类网络模型为多个，分别以确定编号的家畜脸部图像提取的每一局部特征和融合特征作为样本，编号作为标签，进行训练得到；所述第二分类网络模型为，以确定编号的家畜脸部图像，经训练后的第一分类网络模型输出结果作为样本，确定的编号作为标签，进行训练得到。

根据本发明一个实施例的家畜脸部图像识别方法，所述多个局部区域，包括脸部区域、耳朵区域、嘴巴区域和眼睛区域中至少两个。

根据本发明一个实施例的家畜脸部图像识别方法，所述对家畜脸部图像的多个局部区域分别进行特征提取，得到多个局部特征，包括：将每个局部区域，分别输入对应的卷积神经网络的多层卷积层进行特征提取；其中，所述卷积神经网络有多个，每一卷积神经网络分别对应于一个局部区域。

根据本发明一个实施例的家畜脸部图像识别方法，所述第一分类网络模型为支持向量机分类器。

根据本发明一个实施例的家畜脸部图像识别方法，所述第二分类网络模型为多层感知机。