[发明专利]一种基于深度神经网络的牛脸识别方法

说明书

本发明公开了一种基于深度神经网络的牛脸识别方法，包括如下步骤：1.从奶牛的正面照片中检测出牛脸和耳标，获得牛脸和耳标在照片中的位置和大小信息；2.使用深度卷积网络算法提取牛脸图片的抽象特征，记为X1：一个由128个的实数组成的向量；3.使用BiLSTM和CTC构成的深度循环网络识别耳标号，将耳标图片转成文字；4.用耳标号从牛脸库中检索出相应的奶牛及其抽象特征，记为X2；5.比较两个牛脸的抽象特征的相似性，此处计算X1、X2两个向量的余弦相似性或欧式距离。本发明基于深度神经网络的方法在人脸识别中能获取极高的准确率，再使用迁移学习技术对人脸识别的算法和模型进行修改优化，使之在牛脸识别的场景也能达到超高准确率，可在大型奶牛场里使用。

技术领域

本发明涉及一种识别方法，具体是一种基于深度神经网络的牛脸识别方法。

背景技术

2012年以来，深度学习在图片识别领域取得非常大的进步。相比传统的图片识别方法使用的色彩、HOG等低级视觉特征；深度神经网络能学得更多高级的、抽象的特征，这使得深度神经网络的性能远远超越传统方法。

2014年以来，深度学习开始在人脸识别领域飞速发展，涌现出DeepID，DeepFace，FaceNet等一序列方法，识别准确率已经超越了人类识别人脸的水平，并在生成环境中得到大规模使用。

深度学习在奶牛个体识别的领域进行的工作比较少，2016年左右开始有人尝试。但是受限于数据获取的难度，这个领域一直紧张比较慢，目前也还没有一个可以落地使用的系统或方法。

现有技术方案

1. 基于深度卷积神经网络的奶牛个体识别方法(CN106778902A): 是一种采用深度卷积神经网络提取特征，结合对奶牛纹理特征实现对奶牛个体的方法。该方法是使用奶牛视频做为训练识别数据，采集数据要求高，适应场景苛刻；只能在奶牛数目很少(如：不超过20头奶牛)的情况下取得较高的识别准确率，无法推广到拥有成千上万头奶牛的大型奶牛场使用。

2. 一种奶牛识别方法及系统(CN105260750A):是一种使用传统的图片特征和匹配的算法，每头奶牛建立背部，侧部，后部三个图片特征库，然后比较各头牛的特征相似性。由于该方法使用图像的传统特征，无法表达和描述高级的特征，因而准确率和泛化能力都比较低。

3. FaceNet(https://arxiv.org/abs/1503.03832）：Google发布的基于深度学习的人脸识别算法，在人脸数据集上取得极好的效果。但该方法需要海量（千万或亿级）的训练样本才能达到最优效果。且无法直接用来做牛脸识别。

4. DeepID，DeepFace等基于深度学习的人脸识别算法，它们都面向人脸识别的；可以借鉴它们的方法，但直接去识别牛脸的话，效果都不好。

现有的奶牛个体识别方法存在以下问题：

1.识别准确率低，仅能在20头奶牛的规模上实现较好的准确率，无法在大型牛场使用；

2.对奶牛照片的拍摄要求高，或要多个角度照片，导致采集奶牛图片难度大，不便大规模使用；

3.使用耳标号的奶牛识别方法容易被攻破，无法防止造假行为。

发明内容

本发明的目的在于提供一种基于深度神经网络的牛脸识别方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：