申请/专利权人：吉林农业大学

申请日：2021-09-30

公开（公告）日：2024-06-21

公开（公告）号：CN113947780B

主分类号：G06V40/10

分类号：G06V40/10;G06V10/25;G06V10/26;G06V10/774;G06V10/764;G06V10/82;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2022.02.08#实质审查的生效;2022.01.18#公开

摘要：本发明涉及一种基于改进卷积神经网络的梅花鹿面部识别方法。其中，基于改进卷积神经网络的梅花鹿面部识别方法包括：利用目标检测模型检测出梅花鹿个体，保存梅花鹿个体图片，从中截取梅花鹿面部图像并按照个体标签进行分类保存；使用图像分割模型对梅花鹿面部数据进行分割，得到无背景干扰的梅花鹿面部数据集；采用AM‑Softmax损失函数的SE‑ResNet作为主干网络构建梅花鹿面部识别模型：使用改进后网络提取梅花鹿面部特征，将网络提取的特征输入Softmax分类器进行分类识别出梅花鹿个体，使用训练集训练网络模型及对改进后的卷积网络模型进行调参优化；用测试集测试网络模型的识别性能。本发明在识别相似度较高的图像特征时具有较强的鲁棒性，实现非接触式梅花鹿的个体识别。

主权项：1.一种基于改进卷积神经网络的梅花鹿面部识别方法，其特征在于；包括以下步骤：步骤1、梅花鹿目标检测；利用YOLO目标检测模型检测视频中的梅花鹿，对每个感兴趣的梅花鹿目标个体进行定位，将检测到的目标梅花鹿应用图像工具截取每头目标梅花鹿的面部图像，分别按照梅花鹿个体标签保存至梅花鹿面部数据集；步骤2、图像分割；对所述梅花鹿面部数据集中的每个所述目标梅花鹿的面部图像进行图像分割，得到多个单一背景的梅花鹿面部图片；步骤3、基于多个单一背景的所述梅花鹿面部图片，构建用于模型训练的梅花鹿面部训练数据集，将所述梅花鹿面部训练数据集划分为训练数据集和验证数据集，同时建立测试数据集；步骤4、图像预处理；对所述梅花鹿面部训练数据集中的每个所述梅花鹿面部图片进行数据增强，得到数据增强后的训练数据集、验证数据集和测试数据集；步骤5、构建梅花鹿面部识别网络模型；基于改进后的残差训练网络构建用于提取梅花鹿面部特征的梅花鹿面部识别网络模型，采用AM-Softmax作为所述梅花鹿面部识别网络模型的输出层的损失函数；所述步骤5的具体实现方法为：所述改进后的残差训练网络包括四个se-layer模块，且所有的se-layer模块都具有相同的结构；输入图像首先输入通道数为64,大小为7*7的卷积层，在不增加通道数的同时保留原始图像信息；接着进入通道数为64,步长为2的3*3的最大池化层，对图片进行特征提取，以此压缩图片，随后依次第一se-layer、第二se-layer、第三se-layer和第四se-layer，在每个layer后连接se模块，对每个layer得到的特征信息进行压缩激励来提取耳朵、鼻子、眼睛等目标特征，对目标特征进行特征提取；接着通过步长为1，大小为7*7，通道数为2048的全局平均池化层，利用全局平均池来优化网络结构，为了防止过拟合，在全连接层加入了dropout层，增加模型的泛化性和抗过拟合能力；通过全连接层得到2048的特征向量；最后利用Softmax分类器输出梅花鹿个体；四个se-layer中的ResBlock模块数量分别为3、4、6和3，ResBlock模块用于对重要特征进行特征提取，Softmax分类层用于分类，所述卷积层包含卷积核Conv2d、归一化层BatchNorm2d和激活层ELU；所述步骤5的具体实现方法为：所述第一se-layer模块包括3个ResBlock模块和1个se模块，每个ResBlock模块由两个大小为1×1和一个大小为3×3的卷积层组成；所述第二se-layer模块包括4个ResBlock模块和1个se模块，每个ResBlock模块由两个大小为1×1和一个大小为3×3的卷积层组成；所述第三se-layer模块包括6个ResBlock模块和1个se模块，每个ResBlock模块由两个大小为1×1和一个大小为3×3的卷积层组成；所述第四se-layer模块包括3个ResBlock模块和1个se模块，每个ResBlock模块由两个大小为1×1和一个大小为3×3的卷积层组成；所述步骤5的具体实现方法为：所述ResBlock中的短接部分使用步长为2卷积核为3*3的最大池化层，所述最大池化层连接步长为1卷积核为1*1的卷积层和批量归一化层，所述梅花鹿面部识别网络模型均使用ELU激活函数；步骤6、使用数据增强后的所述梅花鹿面部训练数据集并采用梯度下降法训练所述梅花鹿面部识别网络模型及调参优化，通过数据增强后的所述验证数据集验证后获得网络权重参数；步骤7、测试时，利用数据增强后的所述测试数据集对所述梅花鹿面部识别网络模型进行测试，所述梅花鹿面部识别网络模型的模型参数为所述网络权重参数，测试通过时，确定所述梅花鹿面部识别网络模型训练完成；步骤8、识别时，向所述梅花鹿面部识别网络模型输入采集的梅花鹿面部图片，所述梅花鹿面部识别网络模型输出识别结果，所述识别结果包括梅花鹿个体标签。

全文数据：

权利要求：

百度查询： 吉林农业大学 一种基于改进卷积神经网络的梅花鹿面部识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD