[发明专利]一种金丝猴新个体识别方法

说明书

本发明涉及一种金丝猴新个体识别方法，采用基于孪生网络和深度特征聚类算法，对无身份信息金丝猴图像数据按个体分类。通过三个模块分别是金丝猴面部图像预训练编码器模块，金丝猴的类别数量估计模块，以及无标签数据进行聚类模块。来解决实际中一些身份信息缺失的图像数据，无身份信息野生灵长类动物数据，最终导致无法进行身份识别的问题。进一步将识别准确率高的灵长类动物新个体补充到原有数据集中，进行数据增强，提高模型对新个体的识别能力。从实验结果可以看出，估计的类别个数与实际类别个数误差在3个以内，SS‑NIR在金丝猴新个体识别上具有很好的性能。

技术领域

本发明属于计算机应用技术领域，涉及图像处理以及深度学习方法，具 体涉及一种金丝猴新个体识别方法。

背景技术

金丝猴具有复杂的社会结构，其行为研究需建立在能区分个体的基础上， 其中金丝猴的面部识别是金丝猴行为研究的重要前提，但基于金丝猴面部特 征的个体身份识别面临诸多挑战，包括：不同金丝猴个体面部特征的相似性 大以及新个体身份难以准确标记和识别等。现阶段，深度神经网络可以识别 数千种野生动物，但是需要依赖野生动物的辅助信息，比如动物的标签和外 观体型描述等。若缺少图像类似的信息时，深度学习缺乏构造数据以及在没 有外部监督的情况下理解对象类别概念的能力。在没有身份信息的情况下如 何使网络识别不同的金丝猴个体？与人类不同的是，神经网络并不知道识别 的是什么物体，网络通过从图像中提取关键信息，也可以称其为事物的属性 (比如眼睛信息，毛发信息等)，这些关键信息是它区分物体的依据。以往 的识别算法需要人工描述这些属性，并将其转换成机器语言，从而辅助网络 进行识别。但是由于金丝猴面部图像的特点，人工描述每只金丝猴个体的属 性是相当困难的，因为金丝猴个体之间具有极大地相似性，导致描述内容之 间的差异性较小。且金丝猴数据的采集工作时间跨度长，会在不同阶段采集 新的金丝猴数据(下文称为“新个体”)，这部分新个体并不能直接使用以 往训练过的模型进行识别，因为新个体与已经标记的个体并不重复。

虽然监督学习的方法在以往的研究中已经取得了显著的成效，并在许多 领域得到了实际应用。然而，在监督学习中，每张图像都需要标注信息才能 使网络进行学习。此外，经过学习的网络模型只能对经过训练的金丝猴个体 数据进行识别，缺乏对没有见过的图像数据进行准确识别的能力。还有一种 情况是在实际应用中，没有标记的数据中个别类可能没有足够的训练数据， 从而导致模型会更倾向于含训练样本多的类。在此背景下，运用图像处理以 及深度学习等领域的相关理论知识，研发一种基于孪生网络和深度特征聚类 算法来解决这些问题，十分具有现实意义。

发明内容

基于现有的灵长类动物的身份识别都需要大量的身份信息做有监督的 训练，本发明的目的在于，提供一种金丝猴新个体识别方法，以解决实际中 一些身份信息缺失的图像数据，无身份信息野生灵长类动物数据，最终导致 无法进行身份识别的问题。

为了实现上述任务，本发明采取如下的技术解决方案：

一种金丝猴新个体识别方法，其特征在于，该方法采用基于孪生网络和 深度特征聚类的自监督新个体识别算法，通过引入金丝猴面部图像预训练编 码器模块、金丝猴类别数量估计模块、以及无标签数据聚类模块对无身份信 息的金丝猴数据进行新个体识别，具体包括如下步骤：

步骤S1：首先使用高分辨率的摄像头采集行金丝猴视频；

步骤S2：对采集金丝猴图像使用图像质量评估算法MUSIQ进行评估，将 存在严重模糊，抖动的图像筛除；

步骤S3：使用labelme软件对金丝猴猴脸进行标注，采用目标检测网络 yolov5对含有金丝猴脸部信息的图像进行猴脸检测；再将定位好的猴脸从图 像分割出来，得到只包含金丝猴面部的图像。

步骤S4：对检测得到的金丝猴猴脸图进行数据预处理，裁剪尺寸大小进 行猴脸矫正处理；