[发明专利]一种改进的残差网络猪脸识别方法

说明书

本发明属于计算机视觉与深度学习领域，具体地来讲为一种改进的残差网络猪脸识别方法，该方法包括，采用固定摄像头同时采集多个猪栏视频，并将每个猪栏区域分割为单独图像；然后对猪栏图像进行图像复原处理，去除遮挡猪脸的围栏栏杆；以修复后的图像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；采用改进损失函数的残差网络(Residual Network,ResNet)作为主干网络构建猪脸识别模型，并用训练集对模型进行训练，用测试集验证识别效果。经试验，本方法有较强的抗噪声能力，而且改进的损失函数能够有效提高猪脸特征之间的类内紧凑性和类间可分离性，提高了猪脸识别的准确率。

技术领域

本发明涉及计算机视觉及深度学习领域，具体的而言为一种改进的残差网络猪脸识别方法。

背景技术

近年来，随着国家对养殖企业集约化管理与精确监控的要求，能够对牲畜进行有效的识别管理(例如身份确认、体重与体温的监测)，已日渐成为养殖业者的需求。目前牲畜身份识别的主要方式是通过在动物的耳朵上穿孔佩戴无线射频识别RFID标签。这种识别方法会引起动物的不适，咬标、掉标的情况经常发生。而且，预防非洲猪瘟的有效手段之一是减少场外人员和车辆进入猪场，因此对生猪实行非接触式身份识别与监控，是目前迫切需要解决的问题。

人脸识别通常用于非接触式的访问控制与监测，与养殖企业的应用场景非常相似。因此，理论上可以将人脸识别领域的相关技术迁移至牲畜的身份识别。

但是，猪脸识别又有其特殊性，采集图像中的猪通常关在猪栏内，因此会有猪的部分面部特征被栏杆遮挡的情况，同时长期不清洗也会造成部分面部特征被掩盖，给猪脸识别带来极大困难。构建的猪脸识别模型如何提取到更多、更细化的猪脸面部特征，并提高分类器模型的类内特征的紧凑型和类间特征的分离性，是解决上述问题的关键。

发明内容

本发明所要解决的技术问题在于提供一种改进的残差网络猪脸识别方法，利用ResNet提取深层猪脸特征，并提出用L-Softmax损失函数，增强分类器的特征分类学习能力，实现快速、准确的猪脸识别。

本发明是这样实现的，

一种改进的残差网络猪脸识别方法，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(Large MarginSoftmax,L-Softmax)损失函数作为输出层的损失函数构建构建猪脸识别的残差网络(Residual Network,ResNet)深度学习网络模型，并用训练集对模型进行训练；

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。

进一步地，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。

进一步地，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：用二维部分卷积层代替UNet架构的原有卷积层，并将激活函数修正线性单元(Rectified Linear Unit,ReLU)替换为带泄露修正线性单元(Leaky ReLU)，构建部分卷积(Partial Convolution,PConv)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；