本发明涉及信息监控和处理技术领域,尤其涉及一种动物疼痛指数判断方法、装置及计算机可读存储介质。
背景技术:
随着社会的发展,许多珍稀的野生动物正濒临灭绝。为了保护这些珍稀的野生动物,在很多地方设立了动物养殖领域及珍稀野生动物保护区,并设立野生动物生长状态监控领域。动物在成长过程中经常发生受伤、生病、感染等问题,在发生这种问题时,动物还无法主动告诉人们自己当前所处的伤痛情况。为了减少动物生病死亡概率,有效降低动物的疼痛水平和持续时间,人们往往需要及时的发现动物所处的伤痛状况并做出应对。为此,兽医开发了一套规则,通过动物的面部表情评估动物所遭受的痛楚。
目前,这套规则是完全由人工来完成,人们在利用这套规则时往往依赖于自身的经验,对于不同的人而言,受自身主观因素的影响使得用这套规则评估时出现结果不一致的情况,动物所处的伤痛状况的人工识别准确率较低,而且效率低下、成本较高。
技术实现要素:
鉴于以上内容,本发明提供一种动物疼痛指数判断方法、装置及计算机可读存储介质,其主要目的在于利用预先训练的识别模型和分类模型对动物脸部的照片进行评分,根据预先确定的计算规则算出照片中对应动物的整体疼痛指数得分,提高判断效率和判断的准确性。
为实现上述目的,本发明提供一种动物疼痛指数判断方法,该方法包括:
提取步骤:根据包含动物脸部的动物照片,调用预先训练的识别模型从该动物照片中提取出动物的预设类型面部动作单元的图片区域,所述预设类型面部动作单元包括眼睛、鼻子、耳朵;
识别步骤:将提取出的各个图片区域输入到预先训练的分类模型,识别出各个图片区域中预设类型面部动作单元对应的疼痛指数得分;
计算步骤:基于各个图片区域中的预设类型面部动作单元对应的疼痛指数得分,利用预先确定的计算规则,计算出该动物照片对应的整体疼痛指数得分。
优选地,所述识别模型包括以下训练步骤:
a1、获取第一预设数量包含动物脸部的动物照片样本;
a2、在各个动物照片样本上标注出预设类型面部动作单元的面部标记,并根据标注的面部标记将对应的动物脸部进行水平姿态矫正;
a3、在水平姿态矫正后的动物照片样本上,根据各个预设类型面部动作单元对应的面部标记对各个预设类型面部动作单元的图片区域进行区域标记;
a4、将所述动物照片样本分成训练集和测试集,其中,训练集中的照片样本数量大于测试集中的照片样本数量;
a5、利用训练集中的照片样本进行识别模型训练,生成所述识别模型,并利用测试集中的照片样本对生成的所述识别模型进行验证;
a6、若验证通过率大于第一预设阈值,则训练完成,若验证通过率小于或等于第一预设阈值,则增加动物照片样本的数量,流程返回步骤a2。
优选地,所述识别步骤包括:
根据预先确定的面部动作单元与归一化像素尺寸的映射关系,确定图片区域中各个预设类型面部动作单元对应的归一化像素尺寸,将各个预设类型面部动作单元的图片区域按照对应的归一化像素尺寸进行归一化处理;
将归一化处理后的各个图片区域输入到预先训练的分类模型,识别出各个图片区域中预设类型面部动作单元对应的疼痛指数得分。
优选地,所述分类模型包括以下训练步骤:
b1、针对各个预设类型面部动作单元,获取第二预设数量归一化处理后的图片区域样本,并对各个图片区域样本进行疼痛指数分类标记;
b2、将所述图片区域样本分成训练集和测试集,其中,训练集中的图片区域样本数量大于测试集中的图片区域样本数量;
b3、利用训练集中的图片区域样本进行分类模型训练,以生成所述分类模型,并利用测试集中的图片区域样本对生成的所述分类模型进行验证;
b4、若验证通过率大于第二预设阈值,则训练完成,若验证通过率小于或等于第二预设阈值,则增加归一化处理后的图片区域样本的数量,流程返回步骤b2。
优选地,所述预先确定的计算规则包括:
根据面部动作单元与预先确定的疼痛指数权重值的映射关系,确定各个预设类型面部动作单元对应的疼痛指数权重值;
将各个图片区域中预设类型面部动作单元对应的疼痛指数得分,及各个预设类型面部动作单元对应的疼痛指数权重值代入预先确定的计算公式计算得到该动物照片对应的整体疼痛指数得分,计算公式如下:
其中,xi代表第i个面部动作单元的图片区域对应的疼痛指数得分,pi代表第i个面部动作单元对应的疼痛指数权重值,n代表有n个面部动作单元。
此外,本发明还提供一种电子装置,该电子装置包括:存储器、处理器及摄像装置,所述存储器上存储动物疼痛指数判断程序,所述动物疼痛指数判断程序被所述处理器执行,可实现如下步骤:
提取步骤:根据包含动物脸部的动物照片,调用预先训练的识别模型从该动物照片中提取出动物的预设类型面部动作单元的图片区域,所述预设类型面部动作单元包括眼睛、鼻子、耳朵;
识别步骤:将提取出的各个图片区域输入到预先训练的分类模型,识别出各个图片区域中预设类型面部动作单元对应的疼痛指数得分;
计算步骤:基于各个图片区域中的预设类型面部动作单元对应的疼痛指数得分,利用预先确定的计算规则,计算出该动物照片对应的整体疼痛指数得分。
优选地,所述识别模型包括以下训练步骤:
a1、获取第一预设数量包含动物脸部的动物照片样本;
a2、在各个动物照片样本上标注出预设类型面部动作单元的面部标记,并根据标注的面部标记将对应的动物脸部进行水平姿态矫正;
a3、在水平姿态矫正后的动物照片样本上,根据各个预设类型面部动作单元对应的面部标记对各个预设类型面部动作单元的图片区域进行区域标记;
a4、将所述动物照片样本分成训练集和测试集,其中,训练集中的照片样本数量大于测试集中的照片样本数量;
a5、利用训练集中的照片样本进行识别模型训练,生成所述识别模型,并利用测试集中的照片样本对生成的所述识别模型进行验证;
a6、若验证通过率大于第一预设阈值,则训练完成,若验证通过率小于或等于第一预设阈值,则增加动物照片样本的数量,流程返回步骤a2。
优选地,所述分类模型包括以下训练步骤:
b1、针对各个预设类型面部动作单元,获取第二预设数量归一化处理后的图片区域样本,并对各个图片区域样本进行疼痛指数分类标记;
b2、将所述图片区域样本分成训练集和测试集,其中,训练集中的图片区域样本数量大于测试集中的图片区域样本数量;
b3、利用训练集中的图片区域样本进行分类模型训练,以生成所述分类模型,并利用测试集中的图片区域样本对生成的所述分类模型进行验证;
b4、若验证通过率大于第二预设阈值,则训练完成,若验证通过率小于或等于第二预设阈值,则增加归一化处理后的图片区域样本的数量,流程返回步骤b2。
优选地,所述预先确定的计算规则包括:
根据面部动作单元与预先确定的疼痛指数权重值的映射关系,确定各个预设类型面部动作单元对应的疼痛指数权重值;
将各个图片区域中预设类型面部动作单元对应的疼痛指数得分,及各个预设类型面部动作单元对应的疼痛指数权重值代入预先确定的计算公式计算得到该动物照片对应的整体疼痛指数得分,计算公式如下:
其中,xi代表第i个面部动作单元的图片区域对应的疼痛指数得分,pi代表第i个面部动作单元对应的疼痛指数权重值,n代表有n个面部动作单元。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中包括动物疼痛指数判断程序,所述动物疼痛指数判断程序被处理器执行时,可实现如上所述动物疼痛指数判断方法中的任意步骤。
本发明提出的动物疼痛指数判断方法、电子装置及计算机可读存储介质,利用预先训练的识别模型从收到包含动物脸部的照片中提取出动物的预设类型面部动作单元的图片区域,并输入到预先训练的分类模型识别出对应的疼痛指数得分,在利用预先确定的计算规则,计算出该动物照片对应的整体疼痛指数得分,提高动物疼痛程度评估的准确性,降低成本。
附图说明
图1为本发明电子装置较佳实施例的示意图;
图2为图1中动物疼痛指数判断程序较佳实施例的模块示意图;
图3为本发明动物疼痛指数判断方法较佳实施例的流程图;
图4为本发明识别模型训练的流程图;
图5为本发明分类模型训练的流程图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,是本发明电子装置1较佳实施例的示意图。
在本实施例中,电子装置1可以是服务器、智能手机、平板电脑、个人电脑、便携计算机以及其他具有运算功能的电子设备。
该电子装置1包括:存储器11、处理器12、网络接口13及通信总线14。其中,网络接口13可选地可以包括标准的有线接口、无线接口(如wi-fi接口)。通信总线14用于实现这些组件之间的连接通信。该电子装置1通过网络2连接一个或多个摄像装置3。其中摄像装置3安装于珍稀野生动物生长状态监控领域,如野生动物保护区域、野生动物养殖场,对进入该特定场所的动物实时拍摄得到其脸部图像,通过网络将拍摄得到的动物照片传输并存储至电子装置1的存储器11。网络2可选地可以包括局域网,广域网,城域网等类型的网络,可以为有线网络,也可以为无线网络(如wi-fi)。
存储器11至少包括一种类型的可读存储介质。所述至少一种类型的可读存储介质可为如闪存、硬盘、多媒体卡、卡型存储器等的非易失性存储介质。在一些实施例中,所述存储器11可以是所述电子装置1的内部存储单元,例如该电子装置1的硬盘。在另一些实施例中,所述存储器11也可以是所述电子装置1的外部存储单元,例如所述电子装置1上配备的插接式硬盘,智能存储卡(smartmediacard,smc),安全数字(securedigital,sd)卡,闪存卡(flashcard)等。
在本实施例中,所述存储器11不仅可以用于存储安装于所述电子装置1的应用软件及各类数据,例如动物疼痛指数判断程序10、动物脸部的照片,还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(centralprocessingunit,cpu),微处理器或其它数据处理芯片,用于运行存储器11中存储的程序代码或处理数据,例如执行动物疼痛指数判断程序10的计算机程序代码和模型的训练等。
优选地,该电子装置1还可以包括显示器,显示器可以称为显示屏或显示单元。在一些实施例中显示器可以是led显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(organiclight-emittingdiode,oled)触摸器等。显示器用于显示在电子装置1中处理的信息以及用于显示可视化的工作界面,如:显示照片中动物的整体疼痛指数得分。
优选地,该电子装置1还可以包括用户接口,用户接口可以包括输入单元比如键盘(keyboard)、语音输出装置比如音响、耳机等,可选地用户接口还可以包括标准的有线接口、无线接口。
在图1所示的装置实施例中,作为一种计算机存储介质的存储器11中存储动物疼痛指数判断程序10的程序代码,处理器12执行动物疼痛指数判断程序10的程序代码时,实现如下步骤:
提取步骤:根据包含动物脸部的动物照片,调用预先训练的识别模型从该动物照片中提取出动物的预设类型面部动作单元的图片区域,所述预设类型面部动作单元包括眼睛、鼻子、耳朵。
本实施例中,当接收到包含动物脸部的动物照片后,需要调用预先训练的识别模型从该动物照片中提取出动物的预设类型面部动作单元的图片区域。其中所述预设类型面部动作单元包括眼睛、鼻子、耳朵。通过大量的数据研究表明,动物的疼痛状况主要通过眼睛、鼻子、耳朵这三个面部动作单元表达。例如,当动物受到疼痛时,该动物耳朵的旋转角度、瞳孔的缩小程度、鼻孔的变形大小都能反映出该动物此时所遭受的痛楚。
其中,所述识别模型是预先构建并训练好的,该识别模型为深度卷积神经网络模型。例如,该识别模型可以是在caffenet的环境下选取的基于深度卷积神经网络ssd算法模型。如图4所示,是本发明识别模型训练的流程图,所述识别模型的训练步骤如下:
a1、获取第一预设数量包含动物脸部的动物照片样本。例如,针对受伤的动物的照片,通过网络获取10万张包含动物脸部的受伤动物的照片样本。
a2、在各个动物照片样本上标注出预设类型面部动作单元的面部标记,并根据标注的面部标记将对应的动物脸部进行水平姿态矫正。当接收完照片样本后,对每张照片样本标注出预设类型面部动作单元的面部标记,例如定位8个预设类型面部动作单元的面部标记(p1-p8),其中p1、p2面部标记标注的面部动作单元是眼睛,p3、p4面部标记标注的面部动作单元是鼻孔,p5、p6面部标记标注的面部动作单元是左耳,p7、p8面部标记标注的面部动作单元是右耳。然后根据标注的面部标记将对应的动物脸部进行水平姿态矫正。例如,可以根据左眼对应的面部标记和右眼对应的面部标记的连线相对水平线的倾斜角度进行水平姿态矫正,即将左眼对应的面部标记和右眼对应的面部标记的连线矫正到水平状态。
a3、在水平姿态矫正后的动物照片样本上,根据各个预设类型面部动作单元对应的面部标记对各个预设类型面部动作单元的图片区域进行区域标记。对于水平姿态矫正后的动物照片样本,根据各个预设类型面部动作单元对应的面部标记对各个预设类型面部动作单元的图片区域进行框选标定。例如,可以利用方框对各个预设类型面部动作单元的图片区域进行框选标定。
a4、将所述动物照片样本分成训练集和测试集,其中,训练集中的照片样本数量大于测试集中的照片样本数量。例如,将框选标定后的照片样本按照8:2的比例分成训练集和测试集,训练集占照片样本总量的80%,剩余的20%照片样本作为测试集对模型的优劣进行检测。
a5、利用训练集中的照片样本进行识别模型训练,生成所述识别模型,并利用测试集中的照片样本对生成的所述识别模型进行验证。例如,将8万张训练集的照片样本输入到caffenet的环境下选取的基于深度卷积神经网络ssd算法模型中训练,生成识别模型,并将2万张测试集中的照片样本输入到生成的所述识别模型中进行验证。
a6、若验证通过率大于第一预设阈值,则训练完成,若验证通过率小于或等于第一预设阈值,则增加动物照片样本的数量,流程返回步骤a2。例如,若验证通过率大于96%,则训练完成,若验证通过率小于96%,则增加2万张动物照片样本,返回到步骤a2重新开始训练。
提取的同个预设类型面部动作单元的图片区域的尺寸不一定相同,因此需要根据预先确定的面部动作单元与归一化像素尺寸的映射关系,确定各个预设类型面部动作单元的图片区域对应的归一化像素尺寸,将提取出的各个预设类型面部动作单元的图片区域按照对应的归一化像素尺寸进行归一化处理。例如,将所有的鼻子的动作单元的图片区域归一化到48*48像素大小尺寸。
识别步骤:将提取出的各个图片区域输入到预先训练的分类模型,识别出各个图片区域中预设类型面部动作单元对应的疼痛指数得分。
本实施例中,归一化处理后的各个预设类型面部动作单元的图片区域被输入到预先训练的分类模型中,用以识别出各个预设类型面部动作单元的图片区域对应的疼痛指数得分。其中各个预设类型面部动作单元的图片区域对应的疼痛指数得分范围均为0-10,10表示疼痛等级最高。例如,将归一化处理后的鼻子动作单元的图片区域输入到训练的分类模型,识别出鼻子动作单元的图片区域对应的疼痛指数得分。
其中,所述分类模型是预先构建并训练好的,该分类模型可以为支持向量机(supportvectormachine,svm)模型,如图5所示,是本发明分类模型训练的流程图,所述svm模型的训练步骤如下:
b1、针对该预设类型面部动作单元,获取第二预设数量归一化处理后的图片区域样本,并对各个图片区域样本进行疼痛指数分类标记。例如,针对鼻子动作单元,获取5万张归一化处理后的鼻子动作单元的图片区域样本,并对各个图片区域样本中鼻孔变形的大小进行从0到10的疼痛指数分类标记。
b2、将所述图片区域样本分成训练集和测试集,其中,训练集中的图片区域样本数量大于测试集中的图片区域样本数量。例如,对标记好的5万张鼻子动作单元的图片区域样本按照8:2的比例分成训练集和测试集,训练集占鼻子动作单元的图片区域样本总量的80%,剩余的20%鼻子动作单元的图片区域样本作为测试集。
b3、利用训练集中的图片区域样本进行分类模型训练,以生成所述分类模型,并利用测试集中的图片区域样本对生成的所述分类模型进行验证。例如,将4万张鼻子动作单元的图片区域样本输入到svm模型中训练,生成分类模型,并将1万张测试集中鼻子动作单元的照片样本输入到生成的分类模型中进行验证。
b4、若验证通过率大于第二预设阈值,则训练完成,若验证通过率小于或等于第二预设阈值,则增加归一化处理后的图片区域样本的数量,流程返回步骤b2。生成分类模型后,例如,若验证通过率大于98%,则训练完成,若验证通过率小于98%,则增加1万张归一化处理后的鼻子动作单元的图片区域样本,返回到步骤b2重新开始训练。
计算步骤:基于各个图片区域中的预设类型面部动作单元对应的疼痛指数得分,利用预先确定的计算规则,计算出该动物照片对应的整体疼痛指数得分。
本实施例中,根据预先确定的疼痛指数权重值与面部动作单元的映射关系,确定眼睛、鼻子和耳朵这三个面部动作单元对应的疼痛指数权重值。例如,瞳孔的缩小程度最能体现出动物的疼痛状况,鼻孔变形的大小最不能体现出动物的疼痛状况,因此眼睛、鼻子和耳朵这三个面部动作单元对应的疼痛指数权重值分别为50%、20%、30%。然后将各个预设类型面部动作单元的图片区域对应的疼痛指数得分,及各个预设类型面部动作单元对应的疼痛指数权重值代入预先确定的计算公式,算出该动物照片对应的整体疼痛指数得分。例如,眼睛、鼻子和耳朵这三个面部动作单元的图片区域对应的疼痛指数得分分别为7、6、8,代入到计算公式:
上述实施例提出的动物疼痛指数判断方法,通过调用训练好的识别模型从收到包含动物脸部的动物照片中提取出动物的预设类型面部动作单元的图片区域,并输入到训练好的分类模型中,识别出各个预设类型面部动作单元的图片区域对应的疼痛指数得分,再利用预先确定的计算规则,计算出该动物照片对应的整体疼痛指数得分,提高动物伤痛状况识别的准确率和客观性,降低成本。
如图2所示,是图1中动物疼痛指数判断程序较佳实施例的模块示意图。本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段。
在本实施例中,动物疼痛指数判断程序10包括:提取模块110、归一化模块120、识别模块130、计算模块140,所述模块110-140所实现的功能或操作步骤均与上文类似,此处不再详述,示例性地,例如其中:
提取模块110,用于根据包含动物脸部的动物照片,调用预先训练的识别模型从该动物照片中提取出动物的预设类型面部动作单元的图片区域,所述预设类型面部动作单元包括眼睛、鼻子、耳朵;
归一化模块120,用于根据预先确定的面部动作单元与归一化像素尺寸的映射关系,确定图片区域中各个预设类型面部动作单元对应的归一化像素尺寸,将各个预设类型面部动作单元的图片区域按照对应的归一化像素尺寸进行归一化处理;
识别模块130,用于将归一化处理后的各个图片区域输入到预先训练的分类模型,识别出各个图片区域中预设类型面部动作单元对应的疼痛指数得分;
计算模块140,用于基于各个图片区域中的预设类型面部动作单元对应的疼痛指数得分,利用预先确定的计算规则,计算出该动物照片对应的整体疼痛指数得分。
如图3所示,是本发明动物疼痛指数判断方法较佳实施例的流程图。
在本实施例中,处理器12执行存储器11中存储的动物疼痛指数判断程序10的计算机程序时实现动物疼痛指数判断方法包括:步骤s10-步骤s30:
步骤s10,当接收到包含动物脸部的动物照片后,需要调用预先训练的识别模型标记该动物的预设类型面部动作单元并提取出照片中该动物的预设类型面部动作单元的图片区域,其中所述预设类型面部动作单元包括眼睛、鼻子、耳朵。例如,当接收到一张包含脸部的猴子的照片时,调用训练好的识别模型对该照片处理,标记出照片中猴子的眼睛、鼻子和耳朵,利用方框选定、提取出猴子的眼睛、鼻子和耳朵所对应的图片区域。通过大量的数据研究表明,动物的疼痛状况主要通过眼睛、鼻子和耳朵这三个面部动作单元表达。例如,当动物受到疼痛时,该动物耳朵的旋转角度、瞳孔的缩小程度、鼻孔的变形大小都能反映出该动物此时所遭受痛楚的大小。
其中,所述识别模型是预先构建并训练好的,该识别模型为深度卷积神经网络模型。例如,该识别模型可以是在caffenet的环境下选取的基于深度卷积神经网络ssd算法模型。如图4所示,是本发明识别模型训练的流程图,所述识别模型的训练步骤如下:
a1、获取第一预设数量包含动物脸部的动物照片样本。例如,针对受伤的动物的照片,通过网络获取10万张包含动物脸部的受伤动物的照片样本。
a2、在各个动物照片样本上标注出预设类型面部动作单元的面部标记,并根据标注的面部标记将对应的动物脸部进行水平姿态矫正。当接收完照片样本后,对每张照片样本标注出预设类型面部动作单元的面部标记,例如定位8个预设类型面部动作单元的面部标记(p1-p8),其中p1、p2面部标记标注的面部动作单元是眼睛,p3、p4面部标记标注的面部动作单元是鼻孔,p5、p6面部标记标注的面部动作单元是左耳,p7、p8面部标记标注的面部动作单元是右耳。然后根据标注的面部标记将对应的动物脸部进行水平姿态矫正。例如,可以根据左眼对应的面部标记和右眼对应的面部标记的连线相对水平线的倾斜角度进行水平姿态矫正,即将左眼对应的面部标记和右眼对应的面部标记的连线矫正到水平状态。
a3、在水平姿态矫正后的动物照片样本上,根据各个预设类型面部动作单元对应的面部标记对各个预设类型面部动作单元的图片区域进行区域标记。对于水平姿态矫正后的动物照片样本,根据各个预设类型面部动作单元对应的面部标记对各个预设类型面部动作单元的图片区域进行框选标定。例如,可以利用方框对各个预设类型面部动作单元的图片区域进行框选标定。
a4、将所述动物照片样本分成训练集和测试集,其中,训练集中的照片样本数量大于测试集中的照片样本数量。例如,将框选标定后的照片样本按照8:2的比例分成训练集和测试集,训练集占照片样本总量的80%,剩余的20%照片样本作为测试集对模型的优劣进行检测。
a5、利用训练集中的照片样本进行识别模型训练,生成所述识别模型,并利用测试集中的照片样本对生成的所述识别模型进行验证。例如,将8万张训练集的照片样本输入到caffenet的环境下选取的基于深度卷积神经网络ssd算法模型中训练,生成识别模型,并将2万张测试集中的照片样本输入到生成的所述识别模型中进行验证。
a6、若验证通过率大于第一预设阈值,则训练完成,若验证通过率小于或等于第一预设阈值,则增加动物照片样本的数量,流程返回步骤a2。例如,若验证通过率大于96%,则训练完成,若验证通过率小于96%,则增加2万张动物照片样本,返回到步骤a2重新开始训练。
步骤s20,提取的同个预设类型面部动作单元的图片区域的尺寸不一定相同,因此需要根据预先确定的面部动作单元与归一化像素尺寸的映射关系,确定各个预设类型面部动作单元的图片区域对应的归一化像素尺寸,将提取出的各个预设类型面部动作单元的图片区域按照对应的归一化像素尺寸进行归一化处理。例如,将所有的鼻子的动作单元的图片区域归一化到48*48像素大小尺寸。然后将归一化处理后的各个预设类型面部动作单元的图片区域输入到预先训练的分类模型中,识别出各个预设类型面部动作单元的图片区域对应的疼痛指数得分。其中各个预设类型面部动作单元的图片区域对应的疼痛指数得分范围均为0-10,10表示疼痛等级最高。例如,将归一化处理后的鼻子动作单元的图片区域输入到预先训练的分类模型,识别出鼻子动作单元的图片区域对应的疼痛指数得分为6。
其中,所述分类模型是预先构建并训练好的,该分类模型可以为svm模型,如图5所示,是本发明分类模型训练的流程图,所述分类模型的训练步骤如下:
b1、针对各个预设类型面部动作单元,获取第二预设数量归一化处理后的图片区域样本,并对各个图片区域样本进行疼痛指数分类标记。例如,针对鼻子动作单元,获取5万张归一化处理后的鼻子动作单元的图片区域样本,并对各个图片区域样本中鼻孔变形的大小进行从0到10的疼痛指数分类标记。其中,其他预设类型面部动作单元类似,这里不再赘述。
b2、将所述图片区域样本分成训练集和测试集,其中,训练集中的图片区域样本数量大于测试集中的图片区域样本数量。例如,对标记好的5万张鼻子动作单元的图片区域样本按照8:2的比例分成训练集和测试集,训练集占鼻子动作单元的图片区域样本总量的80%,剩余的20%鼻子动作单元的图片区域样本作为测试集。
b3、利用训练集中的图片区域样本进行分类模型训练,以生成所述分类模型,并利用测试集中的图片区域样本对生成的所述分类模型进行验证。例如,将4万张鼻子动作单元的图片区域样本输入到svm模型中训练,生成分类模型,并将1万张测试集中鼻子动作单元的照片样本输入到生成的分类模型中进行验证。
b4、若验证通过率大于第二预设阈值,则训练完成,若验证通过率小于或等于第二预设阈值,则增加归一化处理后的图片区域样本的数量,流程返回步骤b2。生成分类模型后,例如,若验证通过率大于98%,则训练完成,若验证通过率小于98%,则增加1万张归一化处理后的鼻子动作单元的图片区域样本,返回到步骤b2重新开始训练。
步骤s30,根据预先确定的疼痛指数权重值与面部动作单元的映射关系,确定眼睛、鼻子和耳朵这三个面部动作单元对应的疼痛指数权重值。例如,瞳孔的缩小程度最能体现出动物的疼痛状况,鼻孔变形的大小最不能体现出动物的疼痛状况,因此眼睛、鼻子和耳朵这三个面部动作单元对应的疼痛指数权重值分别为50%、20%、30%。然后将各个预设类型面部动作单元的图片区域对应的疼痛指数得分,及各个预设类型面部动作单元对应的疼痛指数权重值代入预先确定的计算公式,算出该动物照片对应的整体疼痛指数得分。例如,眼睛、鼻子和耳朵这三个面部动作单元的图片区域对应的疼痛指数得分分别为7、6、8,代入到计算公式:
上述实施例提出的动物疼痛指数判断方法,通过调用训练好的识别模型从收到包含动物脸部的动物照片中提取出动物的预设类型面部动作单元的图片区域,并输入到训练好的分类模型中,识别出各个预设类型面部动作单元的图片区域对应的疼痛指数得分,再利用预先确定的计算规则,计算出该动物照片对应的整体疼痛指数得分,提高动物伤痛状况识别的准确率和客观性,降低成本。
此外,本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质中包括动物疼痛指数判断程序10,所述动物疼痛指数判断程序10被处理器执行时实现如下操作:
提取步骤:根据包含动物脸部的动物照片,调用预先训练的识别模型从该动物照片中提取出动物的预设类型面部动作单元的图片区域,所述预设类型面部动作单元包括眼睛、鼻子、耳朵;
识别步骤:将提取出的各个图片区域输入到预先训练的分类模型,识别出各个图片区域中预设类型面部动作单元对应的疼痛指数得分;
计算步骤:基于各个图片区域中的预设类型面部动作单元对应的疼痛指数得分,利用预先确定的计算规则,计算出该动物照片对应的整体疼痛指数得分。
优选地,所述识别模型包括以下训练步骤:
a1、获取第一预设数量包含动物脸部的动物照片样本;
a2、在各个动物照片样本上标注出预设类型面部动作单元的面部标记,并根据标注的面部标记将对应的动物脸部进行水平姿态矫正;
a3、在水平姿态矫正后的动物照片样本上,根据各个预设类型面部动作单元对应的面部标记对各个预设类型面部动作单元的图片区域进行区域标记;
a4、将所述动物照片样本分成训练集和测试集,其中,训练集中的照片样本数量大于测试集中的照片样本数量;
a5、利用训练集中的照片样本进行识别模型训练,生成所述识别模型,并利用测试集中的照片样本对生成的所述识别模型进行验证;
a6、若验证通过率大于第一预设阈值,则训练完成,若验证通过率小于或等于第一预设阈值,则增加动物照片样本的数量,流程返回步骤a2。
优选地,所述识别步骤包括:
根据预先确定的面部动作单元与归一化像素尺寸的映射关系,确定图片区域中各个预设类型面部动作单元对应的归一化像素尺寸,将各个预设类型面部动作单元的图片区域按照对应的归一化像素尺寸进行归一化处理;
将归一化处理后的各个图片区域输入到预先训练的分类模型,识别出各个图片区域中预设类型面部动作单元对应的疼痛指数得分。
优选地,所述分类模型包括以下训练步骤:
b1、针对各个预设类型面部动作单元,获取第二预设数量归一化处理后的图片区域样本,并对各个图片区域样本进行疼痛指数分类标记;
b2、将所述图片区域样本分成训练集和测试集,其中,训练集中的图片区域样本数量大于测试集中的图片区域样本数量;
b3、利用训练集中的图片区域样本进行分类模型训练,以生成所述分类模型,并利用测试集中的图片区域样本对生成的所述分类模型进行验证;
b4、若验证通过率大于第二预设阈值,则训练完成,若验证通过率小于或等于第二预设阈值,则增加归一化处理后的图片区域样本的数量,流程返回步骤b2。
优选地,所述预先确定的计算规则包括:
根据面部动作单元与预先确定的疼痛指数权重值的映射关系,确定各个预设类型面部动作单元对应的疼痛指数权重值;
将各个图片区域中预设类型面部动作单元对应的疼痛指数得分,及各个预设类型面部动作单元对应的疼痛指数权重值代入预先确定的计算公式计算得到该动物照片对应的整体疼痛指数得分,计算公式如下:
其中,xi代表第i个面部动作单元的图片区域对应的疼痛指数得分,pi代表第i个面部动作单元对应的疼痛指数权重值,n代表有n个面部动作单元。
本发明之计算机可读存储介质的具体实施方式与上述动物疼痛指数判断方法的具体实施方式大致相同,在此不再赘述。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如rom/ram、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。