[发明专利]基于卷积神经网络对图像中猪只的多部位检测与关联方法

权利要求书

1.基于卷积神经网络对图像中猪只的多部位检测与关联方法，其特征在于：包括以下步骤：

步骤1：获取包含猪只的初始图像，并对初始图像中猪只的部位进行像素点标记，其中，标记的部位包括猪只的尾巴，肩膀，左耳和右耳；

步骤2：将对猪只部位进行像素点标记后的初始图像映射到与初始图像大小相等的4通道输出，其中通道1、通道2、通道3、通道4分别代表像素点标记的左耳、右耳、肩膀和尾巴部位，并以标记的像素点为中心对通道1-4进行高斯滤波处理，像素点使用高斯核表示；

步骤3：将对猪只部位进行像素点标记后的初始图像映射到与初始图像大小相等的12通道输出，使用二维矢量相互关联被标记的猪只部位，其中通道5-8代表左耳到肩膀的双向矢量，通道9-12代表右耳到肩膀的双向矢量，通道13-16代表肩膀到尾部的双向矢量；

步骤4：将初始图像映射的共16通道通过计算转换为整体猪只对象；

步骤5：训练一个能将猪只的初始图像映射到与初始图像大小相等的16通道的全卷积神经网络，实现将猪只的初始图像输入进训练完成后的全卷积神经网络时，该卷积神经网络能自动对图像中的猪只进行多部位检测与关联，并通过计算检测出整体猪只对象。

2.根据权利要求1所述的基于卷积神经网络对图像中猪只的多部位检测与关联方法，其特征在于：所述在步骤1中，获取包含猪只的初始图像由安装在猪只上方的摄像头向下拍摄获得，将初始图像中的猪只进行左耳、右耳、尾巴、肩膀、部位的标记，其中尾巴是指位于猪只左右后腿之间背部中央的一个点，肩膀是指位于猪只肩胛骨之间背脊中央的一个点，左耳和右耳的位置分别用和表示，尾巴和肩膀的位置分别用和表示，其中n代表初始图像中的第n只猪只，且图像有N只猪只时n∈{1,...,N}，l_n、r_n、t_n和s_n代表第n只猪只的左耳、右耳、尾巴和肩膀，x和y各代表左耳、右耳、尾巴和肩膀部位在初始图像上的x坐标和y坐标。

3.根据权利要求1所述的基于卷积神经网络对图像中猪只的多部位检测与关联方法，其特征在于：所述在步骤2中，将对猪只部位进行像素点标记后的初始图像映射到与初始图像大小相等的4通道输出，其中通道1、通道2、通道3、通道4分别代表像素点标记的左耳、右耳、肩膀和尾巴部位，并以标记的像素点为中心对通道1-4进行高斯滤波处理，同时像素点使用高斯核表示，高斯滤波器是根据高斯函数的形状来选择权值的线性平滑滤波器，对于图像来说，高斯滤波器是利用高斯核的一个2维的卷积算子，用于图像模糊化(去除细节和噪声)，高斯滤波在对通道1-4进行处理时先移动相关核的中心元素，使它位于输入图像待处理像素的正上方，然后将输入图像的像素值作为权重，乘以相关核，最后将上面各步得到的结果相加做为输出。

4.根据权利要求3所述的基于卷积神经网络对图像中猪只的多部位检测与关联方法，其特征在于：所述在步骤3中，其中使用的高斯核可以用一个标准差σ_n乘以一个2*2的恒等矩阵来刻画，其中σ_n＝0.16×(μ_s→t+δ_s→t)式中，σ_n表示初始图像中第n只猪只的标准差，μ_s→t由计算初始图像中所有猪只的肩膀和尾巴之间的平均距离获得，δ_s→t由计算第n只猪只的肩膀到尾巴的距离获得。

5.根据权利要求1所述的基于卷积神经网络对图像中猪只的多部位检测与关联方法，其特征在于：所述在步骤3中，将对猪只部位进行像素点标记后的初始图像映射到与初始图像大小相等的12通道输出，使用二维矢量相互关联被标记的猪只部位，二维矢量表示一个被标记的猪只部位到另一个被标记的猪只部位的方向和距离，二维矢量是由一系列点、直线、折线、曲线等几何图元信息和颜色信息表示，通常被压缩为XML文件，这些图元信息通过公式计算获得，再根据计算栅格化显示，并不是由一个个像素存储显宗出来，矢量图只需要修改相应几何图元的参数信息即可实现缩放、旋转、拉申等编辑，同时矢量图易于缩放，不会造成图像的失真。