[发明专利]一种改进的残差网络猪脸识别方法

权利要求书

1.一种改进的残差网络猪脸识别方法，其特征在于，该方法包括以下步骤：

S1：采用固定在墙壁的摄像头，同时采集多个猪栏的视频数据，将每一帧分解为静态图像，并将每个猪栏区域分割为单独图像，然后筛选其中光线充足、较为清晰的作为有效的猪栏图像；

S2：构建图像复原深度学习模型，对S1图像进行图像修复处理，去除遮挡猪脸的围栏栏杆；

S3：对修复后猪脸图像根据猪的身份将图像划分到相应的身份标签目录，建立猪脸图像数据集，无需对猪脸部分进行坐标标注和剪裁；

S4：采用改进的残差网络作为主干网络，采用大裕度Softmax损失函数作为输出层的损失函数构建猪脸识别的残差网络深度学习网络模型，并用训练集对ResNet深度学习网络模型进行训练；

S5：将测试集图像输入至识别模型，进行自动识别验证识别效果；

S2中，构建图像复原深度学习模型包括：

S21：构建二维部分卷积层；

S22：用部分卷积层代替U-Net架构的原有卷积层，并将激活函数修正线性单元替换为带泄露修正线性单元，构建部分卷积网络修复模型；

S23：按照3:1的比例划分将图像随机为训练集和测试集，用训练集和测试集训练和测试上述模型；

S24：进行复原处理，输入待修复图像，输出即为去除猪脸遮挡物后的图像；

图像复原深度学习模型对图像修复方法包括：将待修复图像的损坏区域用0像素值标记为掩膜，为图像的无效区域，未被损坏的区域为图像有效区域，部分卷积层只在图片的有效区域进行卷积、池化操作，图片的掩膜会随着网络层数的加深，经过不断迭代对掩膜周围区域进行预测并填充有效值，计算过程如下：

如上式所示，W表示卷积层滤波器的权重，b表示卷积层滤波器的偏差值，X表示输入的图片，M表示掩膜，⊙表示元素点乘运算，x'表示输入图片经过卷积后的输出，m'表示输入掩膜经过卷积后的输出；

步骤4中，采用改进的残差网络作为主干网络，采用大裕度Softmax损失函数作为输出层的损失函数构建猪脸识别的残差网络深度学习网络模型包括：在Linux系统环境下，搭建改进的残差网络深度学习网络模型，并进行训练与验证，

所述残差网络深度学习网络模型包括卷积层、池化层、以及多个全连接层，其运算步骤依次为：

S41：用8×8的卷积核对输入训练集图像进行卷积、线性激活，经池化层池化后，导入全连接层，通过全连接层输出64×36×36的图像P₁；

S42：使用4×4的卷积核对图像P₁进行卷积、线性激活，经池化层池化后，导入全连接层，通过全连接层输出128×16×16的图像P₂；

S43：使用4×4的卷积核对图像P₂进行卷积、线性激活，经池化层池化后，导入全连接层，通过全连接层输出512×6×6的多维矩阵P₃；

S44：将多维矩阵P₃通过Flatten层变成一维数列，导入全连接层得到数据P₄；

S45：将数据P₄送入输出层，输出层使用大裕度Softmax损失函数作为目标函数，当损失函数值收敛时，模型训练完成。

2.按照权利要求1所述的方法，其特征在于，所述步骤S2配置GPU图形处理器，在Linux系统环境下应用部分卷积层法进行猪脸图像修复，去除遮挡猪脸的栏杆。

3.按照权利要求1所述的方法，其特征在于，大裕度Softmax损失函数表达式如下：

其中，

W为权值向量，x为特征向量，θ为特征向量x与权值向量W间的夹角；m是常数，控制类别之间的差距，D(θ)为是一个单调减函数且保证为一个连续函数。

4.按照权利要求1所述的方法，其特征在于，采用改进的残差网络作为主干网络，采用大裕度Softmax损失函数作为输出层的损失函数构建猪脸识别的残差网络深度学习网络模型还包括：在CNN网络上加入残差网络，残差网络中增加直连通道，将原始输入信息直接传到后面的层中，并将权值小于0.1的神经元进行Dropout的操作，将其丢弃。