一种识别奶牛花纹的方法和装置与流程

本申请涉及图像识别领域，具体涉及识别奶牛花纹的方法，以及识别奶牛花纹的装置。

背景技术：

奶牛业是畜牧业乃至整个农业的重要组成部分和分支产业，在国民经济和社会发展中占有及其重要地位。

当前，发源于智能监控的视频分析技术已逐步深入到智能畜禽养殖的许多领域，为养殖管理优化资源，节省成本。

智能感知和奶牛识别技术是整个智能畜牧业，精细养殖中的关键一环。传统的智能管理是采用无线射频识别(rfid)技术。但rfid技术识别视频对视野中的奶牛个体需要额外的设备与同步识别方法，增加了奶牛行为视频分析系统的复杂度和成本。图像匹配的方法则采用图像的传统特征，无法表达和描述高级的特征，在视频区域中识别的奶牛数量低，在遮挡或背景复杂的环境下准确率和泛化能力都比较低。

技术实现要素：

本申请提供一种识别奶牛花纹的方法，一种识别奶牛花纹的装置；以解决在遮挡或背景复杂条件下识别奶牛准确率低的问题。

为了解决上述技术问题，本申请实施例提供了如下的技术方案：

本申请提供了一种识别奶牛花纹的方法，包括：

获取待识别花纹的奶牛的切片图像；

将所述切片图像输入优化参数的度量学习网络模型，获取切片图像的表征图像特征；

获取所述表征图像特征对应的距离最小的第一图像特征。

可选的，所述获取所述表征图像特征对应的距离最小的第一图像特征，包括：

计算所述表征图像特征的第一哈希值；

根据与所述第一哈希值相比的预设相似条件检索所述图像特征数据集中的哈希值，获取第二哈希值并确定所述第二哈希值对应的第一图像特征；其中，所述图像特征数据集包括：每头奶牛的标签信息及对应的第一图像特征和第一图像特征的哈希值；

分别计算所述表征图像特征与所述第二哈希值对应的第一图像特征间的距离，并获取所述表征图像特征对应的距离最小的第一图像特征。

可选的，在所述获取待识别花纹的奶牛的切片图像前，还包括：

获取预设范围内的奶牛的多张图像，建立第一奶牛图像的集合；

分别为第一奶牛图像的集合中的每头奶牛标注标签信息；

从所述第一奶牛图像的集合中随机抽取预设奶牛头数的第二奶牛图像的集合，且每头奶牛出现在k张第二奶牛图像的集合中；其中，k是大于等于2的整数；

分别使每头奶牛出现的k张第二奶牛图像之间生成k×(k-1)个正样本对；

从第二奶牛图像的集合外分别为每个正样本对选取一个与正样本对距离最近的奶牛图像作为负样本，分别组成三元组；

依次利用每个三元组训练度量学习网络模型满足预设精度，从而获得优化参数的度量学习网络模型以及图像特征数据集；其中，所述图像特征数据集包括：标签信息及对应的第一图像特征和第一图像特征的哈希值。

可选的，所述度量学习网络模型是度量学习reid模型。

可选的，所述度量学习reid模型的损失函数是三元组损失函数。

可选的，所述表征图像特征或所述第一图像特征是256维向量。

本申请提供了一种识别奶牛花纹的装置，包括：

获取图像单元，用于获取待识别花纹的奶牛的切片图像；

获取特征单元，用于将所述切片图像输入优化参数的度量学习网络模型，获取切片图像的表征图像特征；

识别单元，用于获取所述表征图像特征对应的距离最小的第一图像特征。

可选的，在所述识别单元中，包括：

计算哈希值子单元，用于计算所述表征图像特征的第一哈希值；

检索哈希值子单元，根据与所述第一哈希值相比的预设相似条件检索所述图像特征数据集中的哈希值，获取第二哈希值并确定所述第二哈希值对应的第一图像特征；其中，所述图像特征数据集包括：每头奶牛的标签信息及对应的第一图像特征和第一图像特征的哈希值；

计算距离子单元，用于分别计算所述表征图像特征与所述第二哈希值对应的第一图像特征间的距离，并获取所述表征图像特征对应的距离最小的第一图像特征。

可选的，所述装置，还包括：

训练单元，用于训练度量学习网络模型识别奶牛花纹；

在所述训练单元中，包括：

获取第一奶牛图像集合子单元，用于获取预设范围内的奶牛的多张图像，建立第一奶牛图像的集合；

标注子单元，用于分别为第一奶牛图像的集合中的每头奶牛标注标签信息；

抽取子单元，用于从所述第一奶牛图像的集合中随机抽取预设奶牛头数的第二奶牛图像的集合，且每头奶牛出现在k张第二奶牛图像的集合中；其中，k是大于等于2的整数；

生成正样本对子单元，用于分别使每头奶牛出现的k张第二奶牛图像之间生成k×(k-1)个正样本对；

组成三元组子单元，用于从第二奶牛图像的集合外分别为每个正样本对选取一个与正样本对距离最近的奶牛图像作为负样本，分别组成三元组；

训练子单元，用于依次利用每个三元组训练度量学习网络模型满足预设精度，从而获得优化参数的度量学习网络模型以及图像特征数据集；其中，所述图像特征数据集包括：标签信息及对应的第一图像特征和第一图像特征的哈希值。

可选的，所述度量学习网络模型是度量学习reid模型。

基于上述实施例的公开可以获知，本申请实施例具备如下的有益效果：

本申请提供了一种识别奶牛花纹的方法和装置，所述方法包括：获取待识别花纹的奶牛的切片图像；将所述切片图像输入优化参数的度量学习网络模型，获取切片图像的表征图像特征；获取所述表征图像特征对应的距离最小的第一图像特征。本申请提供一种利用奶牛花纹识别奶牛的深度学习方法，利用奶牛花纹的信息来解决奶牛之间的形体相近的问题，解决了在遮挡或背景复杂条件下识别奶牛准确率低的问题。且在大规模养殖场中仍然可以保证识别奶牛准确率及识别速度。

附图说明

图1为本申请实施例提供的识别奶牛花纹的方法的流程图；

图2为本申请实施例提供的识别奶牛花纹的方法的三元损失函数作用的示意图；

图3为本申请实施例提供的识别奶牛花纹的装置的单元框图。

具体实施方式

下面，结合附图对本申请的具体实施例进行详细的描述，但不作为本申请的限定。

应理解的是，可以对此处公开的实施例做出各种修改。因此，上述说明书不应该视为限制，而仅是作为实施例的范例。本领域的技术人员将想到在本申请的范围和精神内的其他修改。

包含在说明书中并构成说明书的一部分的附图示出了本申请的实施例，并且与上面给出的对本申请的大致描述以及下面给出的对实施例的详细描述一起用于解释本申请的原理。

通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述，本申请的这些和其它特性将会变得显而易见。

还应当理解，尽管已经参照一些具体实例对本申请进行了描述，但本领域技术人员能够确定地实现本申请的很多其它等效形式，它们具有如权利要求所述的特征并因此都位于借此所限定的保护范围内。

当结合附图时，鉴于以下详细说明，本申请的上述和其他方面、特征和优势将变得更为显而易见。

此后参照附图描述本申请的具体实施例；然而，应当理解，所公开的实施例仅仅是本申请的实例，其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以避免不必要或多余的细节使得本申请模糊不清。因此，本文所公开的具体的结构性和功能性细节并非意在限定，而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本申请。

本说明书可使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”，其均可指代根据本申请的相同或不同实施例中的一个或多个。

对本申请提供的第一实施例，即一种识别奶牛花纹的方法的实施例。

下面结合图1和图2对本实施例进行详细说明，其中，图1为本申请实施例提供的识别奶牛花纹的方法的流程图；图2为本申请实施例提供的识别奶牛花纹的方法的三元损失函数作用的示意图。

步骤s101，获取待识别花纹的奶牛的切片图像。

本实施例利用奶牛花纹的信息来解决奶牛之间的形体相近的问题。

所述切片图像就是从一张奶牛图像中提取的一头待识别花纹的奶牛的图像。该奶牛图像可以是一头奶牛的图像，也可以是多头奶牛的图像。

步骤s102，将所述切片图像输入优化参数的度量学习网络模型，获取切片图像的表征图像特征。

所述优化参数的度量学习网络模型是一个已训练的网络模型。通过优化参数的度量学习网络模型可以获取切片图像的表征图像特征。

可选的，所述度量学习网络模型是度量学习reid模型。

reid模型，也称行人重识别模型，是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术。广泛被认为是一个图像检索的子问题。给定一个监控行人图像，检索跨设备下的该行人图像。本实施例采用迁移的方法，将reid模型用于识别奶牛花纹。

度量学习reid模型是广泛用于图像检索领域的一种方法。旨在通过网络学习出两张图片的相似度。在行人重识别问题上，具体为同一行人的不同图片相似度大于不同行人的不同图片。

可选的，所述度量学习reid模型的损失函数是三元组损失函数。

三元组损失函数是一种被广泛应用的度量学习损失，之后的大量度量学习方法也是基于三元组损失演变而来。顾名思义，三元组损失需要三张输入图像。和对比损失不同，一个输入的三元组包括一对正样本对和一对负样本对。三张图像分别命名为固定图像a，正样本图像p和负样本图像n。图像a和图像p为一对正样本对，图像a和图像n为一对负样本对。

请参见图2所示，三元组可以拉近正样本对之间的距离，推开负样本对之间的距离，最后使得相同标记的奶牛图像在特征空间里形成聚类，达到行人重识别的目的。

获取优化参数的度量学习网络模型，包括以下步骤：

步骤s100-1，获取预设范围内的奶牛的多张图像，建立第一奶牛图像的集合。

可选的，获取多台摄像机摄取的第一奶牛图像的集合，且每台摄像机摄取的第一奶牛图像的集合中包括预设范围内所有奶牛的图像。

可选的，所述多台摄像机至少包括4台摄像机。4台摄像机可以完全覆盖奶牛的活动场所。

步骤s100-2，分别为第一奶牛图像的集合中的每头奶牛标注标签信息。

步骤s100-3，从所述第一奶牛图像的集合中随机抽取预设奶牛头数的第二奶牛图像的集合，且每头奶牛出现在k张第二奶牛图像的集合中；其中，k是大于等于2的整数。

所述每头奶牛出现在k张第二奶牛图像的集合中，每张第二奶牛图像中可以只有一头奶牛，也可以是有多头奶牛。

k是超参数，通常是一个批次的数据，一般k等于128或64或32。

步骤s100-4分别使每头奶牛出现的k张第二奶牛图像之间生成k×(k-1)个正样本对。

步骤s100-5，从第二奶牛图像的集合外分别为每个正样本对选取一个与正样本对距离最近的奶牛图像作为负样本，分别组成三元组。

所述第二奶牛图像的集合外，也就是不包括第二奶牛图像的集合。

步骤s100-6，依次利用每个三元组训练度量学习网络模型满足预设精度，从而获得优化参数的度量学习网络模型以及图像特征数据集。

其中，所述图像特征数据集包括：标签信息及对应的第一图像特征和第一图像特征的哈希值。

哈希值，又称散列函数(或散列算法，又称哈希函数，hashfunction)是一种从任何一种数据中创建小的数字“指纹”的方法。

在度量学习reid模型中，损失函数是三元组损失函数时，所述预设精度就是三元组损失函数的最小值。

步骤s103，获取所述表征图像特征对应的距离最小的第一图像特征。

所述距离就是两点间的直线距离。

本步骤的目的就是从图像特征数据集找到与输入切片图像相关联的表征图像特征距离最小的第一图像特征，该第一图像特征相关联的奶牛也就是与切片图像同一花纹的奶牛。

获取所述表征图像特征对应的距离最小的第一图像特征，包括以下步骤：

步骤s103-1，计算所述表征图像特征的第一哈希值。

步骤s103-2，根据与所述第一哈希值相比的预设相似条件检索所述图像特征数据集中的哈希值，获取第二哈希值并确定所述第二哈希值对应的第一图像特征。

其中，所述图像特征数据集包括：每头奶牛的标签信息及对应的第一图像特征和第一图像特征的哈希值。

步骤s103-3，分别计算所述表征图像特征与所述第二哈希值对应的第一图像特征间的距离，并获取所述表征图像特征对应的距离最小的第一图像特征。

可选的，所述表征图像特征或所述第一图像特征是256维向量。

本实施例提供一种利用奶牛花纹识别奶牛的深度学习方法，利用奶牛花纹的信息来解决奶牛之间的形体相近的问题，解决了在遮挡或背景复杂条件下识别奶牛准确率低的问题。且在大规模养殖场中仍然可以保证识别奶牛准确率及识别速度。

与本申请提供的第一实施例相对应，本申请还提供了第二实施例，即一种识别奶牛花纹的装置。由于第二实施例基本相似于第一实施例，所以描述得比较简单，相关的部分请参见第一实施例的对应说明即可。下述描述的装置实施例仅仅是示意性的。

图3示出了本申请提供的一种识别奶牛花纹的装置的实施例。图3为本申请实施例提供的识别奶牛花纹的装置的单元框图。

请参见图3所示，本申请提供一种识别奶牛花纹的装置，包括：获取图像单元201，获取特征单元202，识别单元203。

获取图像单元201，用于获取待识别花纹的奶牛的切片图像；

获取特征单元202，用于将所述切片图像输入优化参数的度量学习网络模型，获取切片图像的表征图像特征；

识别单元203，用于获取所述表征图像特征对应的距离最小的第一图像特征。

可选的，在所述识别单元203中，包括：

计算哈希值子单元，用于计算所述表征图像特征的第一哈希值；

检索哈希值子单元，根据与所述第一哈希值相比的预设相似条件检索所述图像特征数据集中的哈希值，获取第二哈希值并确定所述第二哈希值对应的第一图像特征；其中，所述图像特征数据集包括：每头奶牛的标签信息及对应的第一图像特征和第一图像特征的哈希值；

计算距离子单元，用于分别计算所述表征图像特征与所述第二哈希值对应的第一图像特征间的距离，并获取所述表征图像特征对应的距离最小的第一图像特征。

可选的，所述装置，还包括：训练单元，用于训练度量学习网络模型识别奶牛花纹；

在所述训练单元中，包括：

获取第一奶牛图像集合子单元，用于获取预设范围内的奶牛的多张图像，建立第一奶牛图像的集合；

标注子单元，用于分别为第一奶牛图像的集合中的每头奶牛标注标签信息；

抽取子单元，用于从所述第一奶牛图像的集合中随机抽取预设奶牛头数的第二奶牛图像的集合，且每头奶牛出现在k张第二奶牛图像的集合中；其中，k是大于等于2的整数；

生成正样本对子单元，用于分别使每头奶牛出现的k张第二奶牛图像之间生成k×(k-1)个正样本对；

组成三元组子单元，用于从第二奶牛图像的集合外分别为每个正样本对选取一个与正样本对距离最近的奶牛图像作为负样本，分别组成三元组；

训练子单元，用于依次利用每个三元组训练度量学习网络模型满足预设精度，从而获得优化参数的度量学习网络模型以及图像特征数据集；其中，所述图像特征数据集包括：标签信息及对应的第一图像特征和第一图像特征的哈希值。

可选的，所述度量学习网络模型是度量学习reid模型。

可选的，所述度量学习reid模型的损失函数是三元组损失函数。

可选的，所述表征图像特征或所述第一图像特征是256维向量。

本实施例提供一种利用奶牛花纹识别奶牛的深度学习奶方法，利用奶牛花纹的信息来解决奶牛之间的形体相近的问题，解决了在遮挡或背景复杂条件下识别奶牛准确率低的问题。且在大规模养殖场中仍然可以保证识别奶牛准确率及识别速度。

以上实施例仅为本申请的示例性实施例，不用于限制本申请，本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本申请做出各种修改或等同替换，这种修改或等同替换也应视为落在本申请的保护范围内。