[發明專利]一種基于深度殘差收縮網絡的犬鼻紋識別方法和模型

在審

• 申請號: 202210162323.5
• 申請日: 2022-02-22
• 公開（公告）號: CN114511886A
• 公開（公告）日: 2022-05-17
• 發明（設計）人: 嚴玉琮;邵志剛
• 申請（專利權）人: 華南師范大學
• 主分類號: G06V40/10
• 分類號: G06V40/10;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廣州駿思知識產權代理有限公司 44425
• 代理人: 張金龍

1.一種基于深度殘差收縮網絡的犬鼻紋識別方法，其特征在于，包括步驟：

S10：構建深度殘差收縮網絡模型；其中，所述深度殘差收縮網絡模型執行步驟：

S11：對輸入的所述犬鼻紋圖像進行圖像預處理，獲得原始特征向量；

S12：對所述原始特征向量進行特征提取和噪聲濾除，獲得分類特征向量；

S13：判斷分類特征向量的計算次數是否達到預設循環次數，若否，則將當前的分類特征向量作為原始特征向量，返回步驟S12，若是，執行步驟S14；

S14：根據所述分類特征向量進行打分預測，輸出識別結果；

S20：輸入構建的犬鼻紋數據集的犬鼻紋圖像，將所述深度殘差收縮網絡模型訓練至收斂，獲得訓練后的深度殘差收縮網絡模型；

S30：將待識別的犬鼻紋圖像輸入訓練后的深度殘差收縮網絡模型，輸出識別結果。

2.根據權利要求1所述的一種基于深度殘差收縮網絡的犬鼻紋識別方法，其特征在于，步驟S12具體為：

對所述原始特征向量進行特征提取，獲得第一特征向量；然后通過注意力機制對所述第一特征向量進行處理，獲得自適應閾值；再根據所述自適應閾值，對所述第一特征向量進行軟閾值化處理，獲得第二特征向量；最后根據所述原始特征向量和所述第二特征向量進行殘差計算，獲得所述分類特征向量。

3.根據權利要求2所述的一種基于深度殘差收縮網絡的犬鼻紋識別方法，其特征在于：

所述自適應閾值的獲取過程為：計算所述第一特征向量的絕對值，然后經過全局均值池化獲得中間特征向量；通過全連接網絡對所述中間特征向量進行計算，獲得一個自適應系數；根據所述自適應系數和所述中間特征向量，計算得到所述自適應閾值；

所述自適應閾值的計算公式為：

τ＝α×A (2)

式中，τ表示所述自適應閾值，α表示所述自適應系數，A表示所述中間特征向量，其中，α∈[0,1]。

4.根據權利要求3所述的一種基于深度殘差收縮網絡的犬鼻紋識別方法，其特征在于：

所述第二特征向量的獲取過程為：將絕對值小于等于所述自適應閾值的所述第一特征向量直接賦值為零，將絕對值大于所述自適應閾值的所述第一特征向量朝著零的方向進行收縮；

所述第二特征向量的計算公式為：

式中，F'(x)表示所述第二特征向量，F(x)表示所述第一特征向量，x表示所述原始特征向量。

5.根據權利要求4所述的一種基于深度殘差收縮網絡的犬鼻紋識別方法，其特征在于：

所述原始特征向量經過至少一個卷積組的特征提取，獲得所述第一特征向量；

所述分類特征向量的獲取方式為：將所述原始特征向量經過快捷連接添加到所述第二分類特征向量；

所述分類特征向量的計算公式為：

H(x)＝F'(x)+x (4)

式中，H(x)表示所述分類特征向量。

6.根據權利要求5所述的一種基于深度殘差收縮網絡的犬鼻紋識別方法，其特征在于：

所述預設循環次數為8，所述卷積組的個數為2。

7.根據權利要求1所述的一種基于深度殘差收縮網絡的犬鼻紋識別方法，其特征在于，步驟S20具體為：

將所述犬鼻紋數據集中的犬鼻紋圖像按9:1的比例隨機劃分為訓練集和測試集，將所述訓練集中的犬鼻紋圖像隨機分為多個批次；

初始化所述深度殘差收縮網絡模型的網絡參數，按批次將所述訓練集中的犬鼻紋圖像輸入所述深度殘差收縮網絡模型進行訓練，通過SGD算法優化所述深度殘差收縮網絡模型的網絡參數；訓練過程中采用softmax loss損失函數進行損失計算；

每次迭代后，輸入所述測試集中的犬鼻紋圖像對所述深度殘差收縮網絡模型的性能進行測試；

重復多個迭代直至所述深度殘差收縮網絡模型達到收斂狀態，獲得訓練后的深度殘差收縮網絡模型。