[发明专利]自然采集牛脸图像的牛脸识别方法

说明书

本发明提供一种自然采集牛脸图像的牛脸识别方法，首先对自然状态下无遮挡的牛脸进行多视角拍摄，将牛脸视频进行过滤处理后，对得到的牛脸图像数据集进行牛脸关键点信息标注并进行数据增强，将增强后的训练数据集送入CowDetect网络进行训练，得到牛脸检测与牛脸关键点识别模型，继而将训练数据集输入牛脸检测与牛脸关键点识别模型中，得到带有牛脸关键点信息的牛脸图像数据集并进行牛脸姿态校正，将校正后的训练数据集作为牛脸识别训练数据集并送入CowFace网络进行训练，得到牛脸识别模型，最后通过牛脸识别模型比较特征向量的余弦相似度，对牛脸进行识别。本发明能够对实际农场环境中的牛脸进行精确识别，降低计算成本。

技术领域

本发明涉及图像识别技术领域，特别涉及一种自然采集牛脸图像的牛脸识别方法。

背景技术

在真实场景数据上的实验证明，我们发现牛脸采集在复杂环境中，同样的牛脸图像可能因为姿势、表情、光线以及遮挡等问题而对最终的检测识别产生难以估计的影响，对于图像实际采集方面可总结为以下三个难点：

（1）局部变量影响：牛在拍摄过程中无法像采集人脸数据一样规定人站在无遮挡无特殊表情的前提下进行，因此在对牛的实际采集过程中，牛的怪异表情和由于牛场环境不同而产生的局部光照、阴影或在采集过程中因牛群聚集产生的遮挡都会使牛脸采集的关键信息发生偏移甚至丢失。

（2）全局变量影响:实际采集过程中无法保证牛在农场中以直立姿势进行拍摄，这就代表我们多数时候无法获取牛的正面数据，这就会使得牛脸姿势从全局上影响图像中牛脸的情况。

（3）样本不均衡:由于现实采集的客观性，采集数据在经过筛选进入训练数据的过程中，导致不同类别的训练样本数目差别很大，因此使模型训练在不同情况下的算法精度不尽相同。

目前利用深度卷积学习网络进行牛只牛脸图像识别主要使用清洗过的牛正脸数据集，这就需要依靠前期清洗算法对数据进行筛选，使学习到的网络对数据具有选择性表达，由于训练时缺乏多姿态的数据，因此网络不能对实际环境中采集的数据都具有良好的表达效果。现有针对深度学习网络的牛脸识别方法中，多数是通过将摄像机固定在农场中牛的斜上方或牛的正上方，在自上而下的视角中获取关于牛的图像的自动化监控范围，处于同一视图的牛只随着视图和姿势的变化造成牛脸图像的关键信息发生偏移甚至丢失，但训练网络的过程中多数使用的是类似标准人脸的牛正脸数据，因此多数时候我们在牛场真实测试环境中的实验往往达不到我们训练时的精度。

发明内容

本发明的目的是为了克服在局部光照、存在阴影的条件下或在采集过程中牛群聚集产生的遮挡使牛脸采集的关键信息发生偏移甚至丢失，且样本信息不平衡的缺陷，提出一种自然采集牛脸图像的牛脸识别方法，能够在牛只出现大角度偏移的条件下，具有良好的识别效果，显著降低计算成本。

为实现上述目的，本发明采用以下具体技术方案：

本发明提供的自然采集牛脸图像的牛脸识别方法，包括如下步骤：

S1、对自然状态下无遮挡的牛脸进行多视角拍摄，获得牛脸视频。

S2、对牛脸视频进行过滤，获得牛脸图像数据集。

S3、采用图像标注软件对牛脸图像数据集进行牛脸关键点信息的标注。

S4、对标注的牛脸图像数据集进行数据增强，获取数据增强后的牛脸图像训练数据集。

S5、将训练数据集送入CowDetect网络进行训练，得到牛脸检测与牛脸关键点识别模型。

S6、将训练数据集输入牛脸检测与牛脸关键点识别模型中，得到带有牛脸关键点信息的牛脸图像数据集，利用牛脸图像数据集的牛脸关键点信息，进行牛脸姿态校正，将牛脸姿态校正后的训练数据集作为牛脸识别训练数据集。

S7、将牛脸识别训练数据集送入CowFace网络进行训练，得到牛脸识别模型，通过牛脸识别模型比较特征向量的余弦相似度，对牛脸进行识别。