[发明专利]动物面部识别方法、装置、计算机设备和存储介质

权利要求书

1.一种动物面部识别方法，其特征在于，包括：

将动物面部训练图像数据和标签值数据输入初始卷积神经网络，得到初始分类结果；其中，所述动物面部训练图像数据和标签值数据用于对所述初始卷积神经网络进行训练；

将所述初始分类结果与标签值的误差作为网络模型的损失值并反向传播回初始卷积神经网络的卷积层，通过优化初始卷积神经网络的各卷积层的参数，得到收敛的神经网络模型；

将动物面部验证图像数据输入所述收敛的神经网络模型，得到最终分类结果；

其中，所述动物面部训练图像数据与所述动物面部验证图像数据通过同一动物获取；所述初始卷积神经网络为双线性卷积神经网络结构；

其中，所述将动物面部训练图像数据和标签值数据输入初始卷积神经网络，得到初始分类结果，包括：

对所述动物面部训练图像数据和标签值数据通过所述卷积神经网络进行特征提取，得到不同层次的动物面部的高维抽象特征；其中，不同层次为不同卷积层；

对所述不同层次的动物面部的高维抽象特征使用矩阵外积进行特征组合，得到三组双线性特征，并对三组双线性特征进行连接得到多层次融合的双线性特征数据；其中，三组双线性特征为通道CNN stream A中的三个输出分别与通道CNN stream B中一个输出卷积得到的三个矩阵外积，所述通道CNN stream A中的三个输出为通道CNN stream A中中间两个卷积层和最后一个卷积层的输出，所述通道CNN stream B中一个输出为通道CNN stream B最后一个卷积层的输出；

对所述多层次融合的双线性特征数据通过池化函数和分类函数进行分类，得到初始分类结果。

2.根据权利要求1所述的方法，其特征在于，所述将动物面部验证图像数据输入所述收敛的神经网络模型，得到最终分类结果，包括：

对所述动物面部验证图像数据通过所述收敛的神经网络模型进行特征提取，得到不同层次的动物面部的高维抽象特征；

对所述不同层次的动物面部的高维抽象特征使用矩阵外积进行特征组合，得到三组双线性特征，并对三组双线性特征进行连接得到多层次融合的双线性特征数据；

对所述多层次融合的双线性特征数据通过池化函数和分类函数进行分类，得到最终分类结果。

3.根据权利要求1所述的方法，其特征在于，在所述将动物面部训练图像数据和标签值数据输入初始卷积神经网络，得到初始分类结果之前，包括：

采集初始动物面部图像数据；

对所述初始动物面部图像数据进行数据清洗和预处理，得到动物面部图像数据；

其中，同一动物的所述动物面部图像数据分为动物面部训练图像数据和动物面部验证图像数据。

4.根据权利要求3所述的方法，其特征在于，所述对所述初始动物面部图像数据进行数据清洗，得到动物面部图像数据，包括：

对所述初始动物面部图像数据根据结构相似性指数剔除相似图像数据，得到预处理动物面部图像数据；

根据所述预处理动物面部图像数据，进行动物面部区域提取，得到动物面部图像数据。

5.根据权利要求4所述的方法，其特征在于，所述进行动物面部区域提取包括：基于目标检测的深度神经网络yolo-9000自动标记图片中的动物面部区域；或使用标记工具labelImg标记图片中的动物面部区域。

6.根据权利要求1所述的方法，其特征在于，所述将动物面部训练图像数据和标签值数据输入初始卷积神经网络，得到初始分类结果，包括：

将所述动物面部训练图像数据和标签值数据通过实时的数据增强后输入初始卷积神经网络，得到初始分类结果；

其中，所述实时的数据增强包括：图像旋转、随机改变对比度、随机改变亮度和随机修剪中至少一种。