申请/专利权人：四川农业大学

申请日：2024-04-10

公开（公告）日：2024-06-28

公开（公告）号：CN118038498B

主分类号：G06V40/10

分类号：G06V40/10;G06V40/18;G06V10/82;G06N3/0464;G06N3/09

优先权：

专利状态码：有效-授权

法律状态：2024.06.28#授权;2024.05.31#实质审查的生效;2024.05.14#公开

摘要：本发明公开了一种基于细粒度的蜂猴身份识别方法,包括以下步骤：S1.对需要识别的多只蜂猴，在不同的拍摄条件下拍摄多张面部图像，并进行清洗和数据增强，得到蜂猴面部图像集合；S2.裁剪出蜂猴面部图像集合中所有图像的面部区域，得到蜂猴面部裁剪区域集合；S3.得到蜂猴面部裁剪区域集合中所有图像的眼睛轮廓；S4.对于蜂猴面部裁剪区域图像集合中的图像进行面部摆正，并构建样本集；S5.构建非对称双线性卷积神经网络，利用样本集中的样本进行非对称双线性卷积神经网络，并基于训练得到非对称双线性卷积神经网络进行蜂猴识别。本发明基于蜂猴面部细粒度图像识别，提高对蜂猴不同个体间微小差异的识别准确率。

主权项：1.一种基于细粒度的蜂猴身份识别方法，其特征在于：包括以下步骤：S1.对需要识别的多只蜂猴，在不同的拍摄条件下拍摄多张面部图像，并进行清洗和数据增强，得到蜂猴面部图像集合；S2.对蜂猴面部图像集合中的部分图像进行面部标注，利用标注图像对YOLOv8模型进行训练，然后利用训练得到的YOLOv8模型对未进行面部标注的图像进行面部识别，然后裁剪出蜂猴面部图像集合中所有图像的面部区域，得到蜂猴面部裁剪区域集合；S3.对蜂猴面部裁剪区域集合中部分图像中的蜂猴眼睛边缘轮廓进行标注，利用标注图像对U-Net模型进行训练，然后利用训练得到U-Net模型对蜂猴面部裁剪区域集合中未标注眼睛边缘轮廓的图像进行检测，得到蜂猴面部裁剪区域集合中所有图像的眼睛轮廓；S4.对于蜂猴面部裁剪区域图像集合中的图像进行面部摆正，并构建样本集；所述步骤S4包括：S401.对于蜂猴面部裁剪区域图像集合中的任一张图片进行面部摆正：B1、根据眼睛的边缘轮廓，计算其内部像素的均值，作为眼睛的中心点，几何中心的计算公式如下： 其中，（xc,yc）是眼睛的中心点，N是眼睛内部像素的个数，（xi,yi）是第i个像素的坐标；B2、旋转图像：使用仿射变换的方法，即根据两个眼睛的中心点，计算出旋转角度，然后构造一个旋转矩阵，将图像旋转到水平位置；仿射变换的计算公式如下： 计算旋转角度： 构造旋转矩阵：对图像中的每个像素点（x,y），应用旋转矩阵，得到旋转后的点（x′,y′）： 其中，（x1,y1）和（x2,y2）是两个眼睛的中心点，θ是旋转角度，R是旋转矩阵；S402.对于蜂猴面部裁剪区域图像集合中的每一张图像，重复执行步骤S401，完成所有图像的面部摆正；S403.对于蜂猴面部裁剪区域图像集合中的每一张图像进行面部摆正后，以摆正后的图像作为特征，以图像对应的蜂猴编号作为分类标签，构建样本，形成样本集；S5.构建非对称双线性卷积神经网络，利用样本集中的样本进行非对称双线性卷积神经网络，并基于训练得到非对称双线性卷积神经网络进行蜂猴识别；所述步骤S5包括：S501.构建非对称双线性卷积神经网络,包括VGG16网络、ResNet50网络、全连接层和softmax层；在非对称双线性卷积神经网络中，输入图像分别送入VGG16网络和ResNet50网络进行特征提取，然后将特征提取后的结果做外积融合以形成最终的个体身份特征，然后依次送入全连接层和softmax层，进行特征分类输出；S502.以样本集中的图像作为非对称双线性卷积神经网络的输入，以图像的分类标签作为非对称双线性卷积神经网络的期望输出，对所述非对称双线性卷积神经网络进行训练，得到训练好的非对称双线性卷积神经网络，用于蜂猴识别。

全文数据：

权利要求：

百度查询： 四川农业大学 一种基于细粒度的蜂猴身份识别方法

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