[发明专利]一种基于检材多视角形态图像和深度学习的生物鉴别方法

权利要求书

1.一种基于检材多视角形态图像和深度学习的生物鉴别方法，其特征在于，该鉴别方法包括有以下步骤：

S1：建立模型：建立卷积神经网络预模型并进行预训练，得到合适可用的卷积神经网络模型，在卷积神经网络中内置标准生物特征数据库；

S2：检材采样：处理检材并获取检材至少两个视角的外部形态图像；

S3：特征提取：分别输入单张外部形态图像，卷积神经网络模型对其分别对应提取图像特征；

S4：重复S3，直至提取完所有不同视角下获取到的外部形态图像对应的图像特征；

S5：特征组合：组合每个图像特征得到组合特征；

S6：比对鉴别：将组合特征与标准生物特征数据库进行比对，选取特征距离最小的种属输出为鉴定结果。

2.如权利要求1所述的基于检材多视角形态图像和深度学习的生物鉴别方法，其特征在于，所述S1包括有以下子步骤：

S11：建立卷积神经网络预模型；

S12：对卷积神经网络预模型输入具有已知种属信息的生物图像对其进行训练；

S13：重复多次S12，使卷积神经网络预模型训练过程中从已知种属信息的生物图像自行学习，建立生物鉴别方法直至得到合适可用的卷积神经网络模型。

3.如权利要求2所述的基于检材多视角形态图像和深度学习的生物鉴别方法，其特征在于，所述S1还包括有：S14：在卷积神经网络预模型中，根据基于生物分类学的标准生物检索表建立对应的生物特征数据库。

4.如权利要求1所述的基于检材多视角形态图像和深度学习的生物鉴别方法，其特征在于，所述S2包括有以下子步骤：

S21：清洁检材，除去检材表面尘垢；

S22：对检材摄录其俯视视角、仰视视角以及侧视视角中至少两个视角的外部形态原始图像；

S23：对原始图像做白平衡处理，调整其尺寸大小，得到合适可用的外部形态图像作为样本图像。

5.如权利要求1所述的基于检材多视角形态图像和深度学习的生物鉴别方法，其特征在于，所述S3包括有以下子步骤：

S31：提取并跨层融合样本图像的高层特征以及底层特征，得到其嵌入特征；

S32：利用卷积神经网络向前传递而来的嵌入特征，以紧凑的双线性池化来获得二阶信息。

6.如权利要求5所述的基于检材多视角形态图像和深度学习的生物鉴别方法，其特征在于，所述S31具体为：

S311：卷积神经网络对输入的检材的外部形态图像进行下采样，得到高层特征Xq以及多个低层特征Xri(i＝1,...,n)；

S312：将高层特征与多个低层特征点乘后得到点积；

S313：对点积进行概率映射后处理得到反映每个特征元素的重要程度的概率图；

S314：将概率图与对应的低层特征点乘后得到注意力图；

S315：将注意力图与高层特征相加得到该次输入的样本图像的嵌入特征，Xs。

7.如权利要求6所述的基于检材多视角形态图像和深度学习的生物鉴别方法，其特征在于，所述S32具体为：

计算局部描述符：其中x＝(x₁，x₂，...，x_|S|，x_s∈R^c)为一组本地描述符，Xs为卷积神经网络向前传递而来的嵌入特征；

定义两组局部描述符X和Y，利用线性核机器比较二者：

当dc2时，有：

即：

8.如权利要求1所述的基于检材多视角形态图像和深度学习的生物鉴别方法，其特征在于，所述S3采用circle loss来进行优化，具体为：

定义非负整数权重因子和令：

以和对circleloss作出自适应加权：

其中，γ为尺度因子，m个设定阈值，Δ_n为类间距离设定阈值，Δ_p为类内距离设定阈值；即：