[发明专利]一种基于生成对抗网络的群猪姿态识别方法

说明书

本发明公开了一种基于生成对抗网络的群猪姿态识别方法，包括以下步骤，采集群猪初始数据集并对所述初始数据集进行预处理；构建包括依次设置的生成器、辨别器以及姿态估计模块三个部分的生成对抗网络模型所述姿态估计模块对所述生成器所输出的热图进行解码，并在图中提取出推测出的相应关键点位置，按照比例映射回原图；最后根据关键点位置的分布情况，组装成独立的群猪姿态完成识别。实验结果表明，能够以74.09％的mAP检测群猪的关键点，并对于被遮挡的关键点，PCK指标最高可达82.0％。

技术领域

本发明涉及的群猪姿态识别的技术领域，尤其涉及基于生成对抗网络的群猪姿态识别方法。

背景技术

动物的行为与其健康和福利有着密切的联系，然而在大规模农场进行人工的动物行为观察，不仅费时费力，还会产生巨大的人工成本。近年来深度卷积神经网络在人体姿态估计上取得了显著的成效。例如最近利用连续的多分辨率语义融合和高分辨率的热图表示有效的推断出了多人的姿态，以及在主干网络后添加了反卷积模块来预测热图，通过简单的设计获得了出色的性能。这些方法主要遵循深度神经网络回归人体各部位热图的策略，并表现出了较好的特征表示学习能力。

也有将人体姿态估计方法运用到动物上，如鸡和牛，小鼠等。然而有很少的研究关注群猪，仅有方法对猪背部的关键点进行了检测，而规避了具有难度但十分重要的四肢肘蹄关键点的检测。这可能是因为在实际的群养猪环境下进行群猪的姿态估计时，往往会存在如下问题：猪的体态毛色相近，四肢形体相似度大，难以区分；猪舍面积狭小且群猪具有聚集性的特点，导致肘蹄遮挡严重；猪作为四肢哺乳动物，其远离摄像机一侧的肢体易被自身遮挡。而遮挡一直是姿态估计中一个难以解决的问题，因为模型会缺少遮挡关键点的可视化信息而难以检测。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明解决的技术问题是：群猪的聚集性会产生遮挡，导致群猪姿态估计难度大。

为解决上述技术问题，本发明提供如下技术方案：一种基于生成对抗网络的群猪姿态识别方法，包括以下步骤，采集群猪初始数据集并对所述初始数据集进行预处理；构建包括依次设置的生成器、辨别器以及姿态估计模块三个部分的生成对抗网络模型，并利用预处理的数据集训练所述生成对抗网络模型；待识别数据输入至训练完成的所述生成对抗网络模型中，所述生成器输出热图，所述辨别器分析所述热力图与实际结果的差异，学习骨架的几何拓扑结构特征，进而根据骨架几何结构推测出被遮挡的关键点；所述姿态估计模块对所述生成器所输出的热图进行解码，并在图中提取出推测出的相应关键点位置，按照比例映射回原图；最后根据关键点位置的分布情况，组装成独立的群猪姿态完成识别。

优选的，所述生成器把HrNetV2作为生成器的主干网络，网络共分为4个阶段，包括以下步骤，网络在输入RGB图像后，经过含有2个3*3卷积层和池化层的初始阶段，产生尺度大小为原图1/8的高分辨率子网；每个阶段通过下采样的方式逐步增加分辨率由高到低的所述子网，并将多分辨率的子网并行连接，在整个过程中，并行多分辨率子网通过1个3*3卷积层和1个残差块来提取特征，并利用卷积层相加的方式反复交换信息；最后网络在输出阶段将其它几个低分辨卷积上采样连接后也作为特征输出，并用信息冗余小，映射能力大的转置卷积层将特征上采样得到用于编码关键点置信度信息的热力图和用于编码关键点连接关系的部分亲和场(PAF)。

优选的，所述热力图大小为原图分辨率的1/4，通道数为k，k表示关键点个数，所述PAF通过编码每个关节向量来捕获部位之间的关系，其分辨率大小与热力图相同，通道数为k*2，代表x，y平面上的每个关节分量。

优选的，所述生成对抗网络的训练为所述生成器和所述辨别器的对抗过程，表现如下式(1)和式(2)的损失函数：