[发明专利]猫脸识别方法、系统、电子装置及存储介质在审
申请号: | 202110253387.1 | 申请日: | 2021-03-08 |
公开(公告)号: | CN112926479A | 公开(公告)日: | 2021-06-08 |
发明(设计)人: | 申啸尘;周有喜;乔国坤 | 申请(专利权)人: | 新疆爱华盈通信息技术有限公司 |
主分类号: | G06K9/00 | 分类号: | G06K9/00;G06K9/62;G06N7/00 |
代理公司: | 深圳市嘉勤知识产权代理有限公司 44651 | 代理人: | 邬剑星 |
地址: | 830000 新疆维吾尔自治区乌鲁木齐市经济技术开*** | 国省代码: | 新疆;65 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 识别 方法 系统 电子 装置 存储 介质 | ||
1.一种猫脸识别方法,其特征在于,包括:
获取在预定地点采集的猫的正脸图像;
对所述正脸图像进行猫脸关键点提取,所述猫脸关键点包括猫的两只眼睛及鼻头的关键点;
对所述猫脸关键点进行仿射变换,得到固定点;
将所述固定点输入预先训练的猫脸识别模型,得到所述猫脸识别模型的输出结果,所述输出结果至少包含一个猫脸标签,不同猫的猫脸标签不同;
获取所述猫在所述预定地点的行为信息、时间信息,并与所述猫脸标签关联,并记录保存。
2.根据权利要求1所述的猫脸识别方法,其特征在于,
所述猫脸识别模型的训练方法包括:
建立万量级特征库的原始人脸识别模型,所述原始人脸识别模型至少包括一个全连接层及一个特征层;
对所述原始人脸识别模型进行优化;
将猫脸样本数据输入所述原始人脸识别模型进行训练,得到猫脸识别模型,所述猫脸样本数据至少包括猫的猫脸特征及猫脸标签。
3.根据权利要求2所述的猫脸识别方法,其特征在于,
所述对所述原始人脸识别模型进行优化包括:
构建交叉熵损失函数;
获取所述特征层输出的特征向量,以及所述分类网络输出的权重;
将所述特征向量与所述权重进行L2范数归一化,以将所述特征向量间的距离表现为余弦相似度,完成对所述原始人脸识别模型的优化。
4.根据权利要求3所述的猫脸识别方法,其特征在于,
所述对所述原始人脸识别模型进行优化还包括:
筛选所述猫脸样本数据中的困难样本,并构建三元组损失函数;
利用所述三元组损失函数计算所述困难样本的余弦相似度,完成对所述原始人脸识别模型的优化。
5.根据权利要求4所述的猫脸识别方法,其特征在于,
所述困难样本包括:具有相同猫脸标签,且余弦相似度相差最大的N个样本数据,以及具有不同猫脸标签,且余弦相似度相差最小的N个样本数据,N大于或等于二。
6.根据权利要求2所述的猫脸识别方法,其特征在于,
所述对所述原始人脸识别模型进行优化包括:
向所述原始人脸识别模型输入两组猫脸样本数据,并在所述特征层构建交叉熵损失函数、三元组损失函数;
利用所述交叉熵损失函数计算第一组猫脸样本数据与猫脸标签的交叉熵损失值;
利用所述原始人脸识别模型筛选出第二组猫脸样本数据中的困难样本;
对所述困难样本使用所述三元组损失函数计算三元组损失值;
将所述三元组损失值及所述交叉熵损失值进行相加求和,得到原始人脸识别模型的最终损失值,完成对所述原始人脸识别模型的优化。
7.根据权利要求6所述的猫脸识别方法,其特征在于,
所述交叉熵损失函数计算的数据量级为所述三元组损失函数计算的数据量级的十倍。
8.一种猫脸识别系统,其特征在于,包括:
图像获取模块,用于获取在预定地点采集的猫的正脸图像;
猫脸关键点提取模块,用于所述正脸图像进行猫脸关键点提取,所述猫脸关键点包括猫的两只眼睛及鼻头的关键点;
仿射变换模块,用于将所述猫脸关键点提取模块提取的猫脸关键点进行仿射变换,得到固定点;
猫脸识别模块,用于集成预先使用猫脸样本数据训练出能够识别猫脸的猫脸识别模型,猫脸识别模型的输出结果至少包含一个猫脸标签,不同猫的猫脸标签不同;
数据交互模块,用于将所述仿射变换模块得到的固定点输入所述猫脸识别模块,并获取所述猫脸识别模块中的猫脸识别模型的输出结果;
关联记录模块,用于获取所述猫在所述预定地点的行为信息、时间信息,并与所述猫脸标签关联,并记录保存。
9.一种电子装置,包括:包括存储器和处理器,所述存储器上存储有程序,其特征在于,所述程序用于被所述处理器执行时,实现权利要求1至7中的任意一项所述方法。
10.一种可读存储介质,其上存储有程序,其特征在于,所述程序用于被处理器执行时,实现权利要求1至7中的任意一项所述方法。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于新疆爱华盈通信息技术有限公司,未经新疆爱华盈通信息技术有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202110253387.1/1.html,转载请声明来源钻瓜专利网。