[發明專利]基于卷積神經網絡的視頻圖像中家畜識別方法及裝置

在審

• 申請號: 202110047803.2
• 申請日: 2021-01-14
• 公開（公告）號: CN112651381A
• 公開（公告）日: 2021-04-13
• 發明（設計）人: 陳明;劉維豐;王豐
• 申請（專利權）人: 南京通盛弘數據有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 馮艷芬

本發明公開了一種基于卷積神經網絡的視頻圖像中家畜識別方法及裝置，主要包括：(1)建立家畜識別網絡，所述家畜網絡具體為YOLOv3改進網絡，所述YOLOv3改進網絡將YOLOv3網絡的損失函數進行了改進；(2)采集若干已知家畜的圖像，對圖片進行特征提取，將提取的特征作為訓練樣本，輸入家畜識別網絡進行訓練；(3)獲取待識別家畜視頻，將視頻劃分為若干圖像幀，對圖像幀進行特征提取，并輸入訓練好的家畜識別網絡，從而識別出所有家畜。本發明識別性能和效果更好。

技術領域

本發明涉及計算機視覺技術領域，尤其涉及一種基于卷積神經網絡的視頻圖像中家畜識別方法及裝置。

背景技術

計算機視覺技術起源于20世紀50年代，經過半個世紀的發展，目前已經廣泛地應用于工業、醫療保險、航空航天、軍事等各個領域，也劃分出不同的方向，如圖像分割、目標檢測與目標跟蹤等。隨著人們對各個領域更加深入的研究，處理計算機視覺問題的技術也在不斷更新。

目標檢測，是指通過圖像處理技術、模式識別、深度學習等領域的知識與方法，對視頻圖像中感興趣的對象實現定位和分類。目標檢測任務主要分為目標定位和目標分類兩個任務。目標定位負責檢測目標的位置，目標分類負責判斷目標的類別。傳統的目標檢測算法主要分為兩種：基于特征點匹配的目標檢測算法和基于滑窗定位的目標檢測算法。隨著神經網絡的發展，基于神經網絡的目標檢測技術發展起來，包括R-CNN，YOLO，SSD等算法，此類算法能夠識別多種目標，在許多測試數據集上擁有優異的表現，但將此類算法在處理視頻圖像中的效果不好，性能有待提高。

發明內容

發明目的：本發明針對現有技術存在的問題，提供一種性能和效果更好的基于卷積神經網絡的視頻圖像中家畜識別方法及裝置。

技術方案：本發明所述的基于卷積神經網絡的視頻圖像中家畜識別方法包括：

(1)建立家畜識別網絡，所述家畜網絡具體為YOLOv3改進網絡，所述YOLOv3改進網絡將YOLOv3網絡的損失函數改進為：

式中，S²為網格的數目，B為先驗框的數目，表示第i個網格的第j個先驗框是否存在目標，存在為1不存在為0，

表示第i個網格的第j個先驗框的坐標向量，坐標向量中從第一項到第四項分別對應表示該框中心點橫坐標、縱坐標、寬、高，表示第i個網格的第j個真實框的坐標向量，表示第i個網格的第j個預測框的坐標向量；C_ij為實際置信度，為預測置信度，p_ij(c)為c類存在的概率，為預測框中c類存在的概率；

(2)采集若干已知家畜的圖像，對圖片進行特征提取，將提取的特征作為訓練樣本，輸入家畜識別網絡進行訓練；

(3)獲取待識別家畜視頻，將視頻劃分為若干圖像幀，對圖像幀進行特征提取，并輸入訓練好的家畜識別網絡，從而識別出所有家畜。

進一步的，步驟(2)和(3)中特征提取的步驟具體為：將圖片進行放縮變換，變換到416×416像素的同一尺度；使用darknet53網絡對圖片進行特征提取，得到三個尺度的特征。

進一步的，對家畜識別網絡進行訓練時采用遷移學習方式。識別到的所有家畜采用矩形框標記。

本發明所述的基于卷積神經網絡的視頻圖像中家畜識別裝置包括處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執行所述程序時實現上述方法。

有益效果：本發明與現有技術相比，其顯著優點是：本發明對YOLOv3網絡進行了改進，改進后的網絡提高了邊緣目標和模糊目標的檢測效果，性能進一步提高，檢測準確率為84.52％，可以使家畜管理者更加方便的利用視頻監控，減輕牧場管理者的壓力。

附圖說明