一种基于图像增强和残差网络的多品种牛面部识别方法

本发明属于深度学习中的计算机视觉图像增强和人脸识别，尤其涉及一种基于图像增强和残差网络的多品种牛面部识别方法。

背景技术：

1、近年来，随着人们生活质量的逐步提高，消费者对高质量肉制品的需求不断增加。为了满足国内肉牛养殖市场规模不断扩大的市场需求，肉牛养殖业需要向大规模、集成化、精细化和数字化方向发展。为了实现肉牛养殖的数字化过程，关键在于个体牛的面部识别。通过个体牛的面部识别技术，可以实现每头牛的健康跟踪、信息监控、溯源、活体抵押和保险等关键核心技术支撑。这将为肉牛养殖业的发展提供更加高效、精确和可靠的管理手段。

2、目前，针对单一品种的牛，个体面部识别技术已经相当成熟。然而，随着牧场中牛的品种多样化和混合化趋势的增加，单一品种牛的个体面部识别技术显然无法很好地适应。因此，如何实现多品种牛的个体面部识别，是解决将牛面部识别技术应用于复合型牧场的关键。

技术实现思路

1、本发明目的在于提供一种基于图像增强和残差网络的多品种牛面部识别方法，以解决将牛面部识别技术应用于复合型牧场这一技术问题。

2、为实现上述目的，本发明的一种基于图像增强和残差网络的多品种牛面部识别方法的具体技术方案如下：

3、本发明的一种基于图像增强和残差网络的多品种牛面部识别方法，包括以下步骤：

4、步骤s1：对牛脸进行图像采集，获得牛脸视频数据，并对视频数据进行处理，构建牛脸检测模型的数据集。

5、步骤s2：使用图像标注软件对构建的数据集进行标注，获得标注后的数据集。

6、步骤s3：利用标注后的数据集训练牛脸检测模型，并用训练好的检测模型对牛脸图像进行检测，将检测到的牛脸区域裁剪出来，形成牛脸识别模型的数据集。

7、步骤s4：对识别模型的数据集进行处理，然后应用图像增强算法进行图像过滤，同时将global attention mechanism，gam注意力机制中的通道注意力模块替换成convolutional block attention module，cbam注意力机制中的通道注意力模块，形成改进的gam注意力机制，将所述改进的gam注意力机制嵌入到iresnet模型中，以达到对iresnet模型的改进；使用增强后的数据集训练改进后的iresnet模型。

8、步骤s5：利用训练好的识别模型对输入的牛面部图像提取特征，将提取到的特征向量与数据库中的特征向量进行求取欧几里得距离的平方。选取最小值与阈值进行比较，确定牛个体的身份。

9、优选地，步骤s1具体包括如下步骤：

10、步骤s1-1：对牛脸进行拍摄视频，获得牛脸视频数据；选择正常白天，使用手机摄像头进行牛脸拍摄。

11、步骤s1-2：对每头牛以平视的视角，从左到右进行拍摄5秒左右视频，左侧和右侧角度不超过15度。

12、步骤s1-3：对视频数据进行抽帧提取，提取间隔为5帧/秒，将提取出来的图像形成检测模型数据集。

13、优选地，步骤s2具体包括如下步骤：

14、步骤s2：使用标注软件labelme对牛脸检测模型数据集中的牛脸图像进行面部检测框的标注。

15、优选地，步骤s3具体包括如下步骤：

16、步骤s3-1：使用标注好的检测模型数据集，输入到检测模型中，进行检测模型的训练，检测模型为yolov8模型。

17、步骤s3-2：使用训练好的检测模型对牛面部图像进行检测，将检测到的牛脸区域裁剪出来，形成牛脸识别模型数据集。

18、优选地，步骤s4具体包括如下步骤：

19、步骤s4-1：对识别模型数据集进行处理主要是将牛脸图像缩放成112*112。

20、步骤s4-2：使用图像增强算法中的图像过滤对所述识别模型数据集进行过滤，过滤掉牛面部上的噪声，同时保留关键细节信息。

21、所述步骤s4-2中，图像增强算法将高斯金字塔中的高斯模糊替换成迭代最小二乘算法，然后将高斯金字塔中每一层的图像通过双线性插值进行融合，具体步骤如下：

22、步骤s4-2-1：输入图像，初始化参数。

23、步骤s4-2-2：根据初始化的缩放因子对图像进行缩放，将图像缩小和放大。

24、步骤s4-2-3：根据迭代最小二乘算法（ils）对所述步骤s4-2-2缩放后的图像和原始图像进行平滑，迭代最小二乘算法公式如下：

25、（1）

26、（2）

27、式中，u为平滑输出图像，f为输入图像，s表示像素位置，表示u沿着x轴/y轴的梯度，p为范数通常为0<p<=1，c为惩罚函数中的一个常数，λ为平滑强度参数，n为迭代次数。

28、步骤s4-2-4：将平滑后的缩小图像和放大图像进行双线性插值成原始图像大小，将三张同样大小的图像进行融合，双线性插值公式如下：

29、      (3)

30、      (4)

31、                 (5)

32、式中，，，， 分别表示四个最近的像素点，和表示水平方向上，表示垂直方向上和之间的线性插值结果。

33、步骤s4-3：对iresnet模型进行改进，同时使用图像增强算法对所述步骤s3中的识别模型数据集进行增强，然后对改进后的iresnet模型进行训练。

34、改进的iresnet模型改进方法为在原始模型的基础上添加改进的gam注意力机制。改进后的iresnet模型训练过程为：

35、iresnet模型的输入是大小为112*112的牛脸图像，输出维度为512维度。改进的iresnet模型所用损失函数cosface可以替换为其他用于脸部识别的损失函数，包括arcface、triplet、contrastive、softmax。

36、当采用损失函数cosface时，损失函数cosface的表达公式如下：

37、        （6)

38、公式（6）中，为预测类别对应的角度，其他非预测类别对应的角度，s为缩放因子，m为余弦边界。

39、改进的gam注意力机制主要是将gam注意力机制中的通道注意力模块替换成cbam注意力机制的通道注意力模块，改进的gam注意力机制包括以下两部分：

40、cbam注意力机制中的通道注意力模块（channel attention module ，cam）：通过全局平均池化和最大池化，获取每个通道的描述信息，然后通过多层全连接网络学习通道之间的依赖关系，最后生成每个通道的注意力权重。

41、gam注意力机制中的空间注意力模块（spatial attention module ，sam）：通过使用两个7*7的卷积层来进行空间信息的融合，使得网络能够更好地理解和利用不同位置的特征。

42、优选地，步骤s5具体包括如下步骤：

43、步骤s5-1：将牛脸识别模型学到的牛脸图像特征映射到欧几里得空间，通过映射出的特征向量，与数据库中的特征向量进行求取欧几里得距离的平方，计算公式如下：

44、      (7)

45、公式（7）中，v 和 w 表示两个向量。

46、步骤s5-2：通过求取的欧几里得距离的平方的最小距离与阈值0.3进行比较，小于阈值则可以判断牛的身份，大于阈值则无法确定牛的身份。

47、本发明的一种基于图像增强和残差网络的多品种牛面部识别方法具有以下优点：

48、本发明能够高效实现对多类别的牛进行个体面部识别，更好地满足实际应用的需求。通过深入的市场调研和文献查询，发现本发明的牛脸识别模型在针对多类别牛进行个体面部识别时具有最高的准确率。本发明不仅可以实现对每头牛的信息监控、溯源，还能为活体抵押和保险等关键领域提供核心技术支持。

49、本发明创新性地将牛面部识别技术成功应用于复合型牧场，为整个养殖行业带来了新的可能性。这种前瞻性的技术应用为养牛业界带来了全新的管理和运营方式，提高了生产效益，降低了风险，为牧场主和从业者提供了更为可靠和智能的解决方案。