[go: up one dir, main page]

CN116189228A - 牛脸检测方法、装置、计算机设备及可读存储介质 - Google Patents

牛脸检测方法、装置、计算机设备及可读存储介质 Download PDF

Info

Publication number
CN116189228A
CN116189228A CN202211415034.8A CN202211415034A CN116189228A CN 116189228 A CN116189228 A CN 116189228A CN 202211415034 A CN202211415034 A CN 202211415034A CN 116189228 A CN116189228 A CN 116189228A
Authority
CN
China
Prior art keywords
cow
face
face detection
detection model
cow face
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202211415034.8A
Other languages
English (en)
Inventor
张锦华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Property and Casualty Insurance Company of China Ltd
Original Assignee
Ping An Property and Casualty Insurance Company of China Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ping An Property and Casualty Insurance Company of China Ltd filed Critical Ping An Property and Casualty Insurance Company of China Ltd
Priority to CN202211415034.8A priority Critical patent/CN116189228A/zh
Publication of CN116189228A publication Critical patent/CN116189228A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/70—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in livestock or poultry

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Collating Specific Patterns (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例属于人工智能领域，涉及一种牛脸检测方法，包括：采集牛脸数据并进行数据处理，得到牛脸数据集；预构建牛脸检测模型，并使用所述牛脸数据集训练和测试预构建好的牛脸检测模型，得到目标牛脸检测模型；获取待检测的牛脸数据，输入所述目标牛脸检测模型，检测出对应的目标牛脸。本申请通过专门采集和制作的牛脸数据集来训练预构建的牛脸检测模型，得到的单阶段目标牛脸检测网络，可同时进行多面牛脸的检测和多个牛脸关键点定位的任务，可以使目标牛脸检测模型对关键点的定位更加精准，稳定性好，有助于后续进行牛脸识别，该目标牛脸检测网络具有结构简洁、后处理简单、算法效率高、计算量小、收敛速度快的优点。

Description

牛脸检测方法、装置、计算机设备及可读存储介质
技术领域
本申请涉及人工智能技术领域，尤其涉及牛脸检测方法、装置、计算机设备及可读存储介质。
背景技术
如今，动物养殖越来越向集中化、规模化、自动化发展，通过对每只动物建立数字档案从而可以对动物进行全生命周期的数字化管理，如牛只的保险投保、理赔、医疗管理等等，但首先都需要对动物进行身份识别，而现代动物身份识别技术主要有下面几类：传统式的(如烙印、纹身等)、电子式的(如耳标、可植入式ID芯片等)、生物特征式的(如鼻纹印、虹膜识别，牛脸识别等)。传统式的、电子式的动物身份识别方法都具有动物福利低、造价高、重复利用率低、操作难、丢失率高、以及可篡改难度低等缺点。牛脸识别技术是基于图像中牛脸部特征的差异进行区分的牛只身份识别方法。整个过程包括牛脸检测、牛脸特征点检测以及牛脸识别三个主要步骤。牛脸检测和牛脸关键点检测是牛脸识别的基础，这一步骤存在的主要问题在于：
1、目前没有专门的牛脸(左中右脸)检测方法，若直接使用人脸检测的方案，存在关键点回归效果差且不稳定的问题，无法满足业务场景需求；
2、目前没有针对关于牛脸检测的公开数据集，牛脸关键点的制定也没有参考方案；
3、两阶段的牛脸检测及关键点检测方法模型计算量大，后处理复杂，落地难度大，稳定性差；
4、牛脸立体感强，具有三个面，且每个面关键点不一致，只检测一个面存在关键点被遮挡的情况，不利于后续牛脸识别。
发明内容
本申请实施例的目的在于提出一种牛脸检测方法，通过该方法专门采集和制作的牛脸数据集来训练预构建的牛脸检测模型，得到的单阶段目标牛脸检测网络，可同时进行多面牛脸的检测和多个牛脸关键点定位的任务，有助于后续进行牛脸识别，且牛脸关键点的定位更加精准，稳定性好。
为了解决上述技术问题，本申请实施例提供一种牛脸检测方法，采用了如下所述的技术方案：
采集牛脸数据并进行数据处理，得到牛脸数据集；
预构建牛脸检测模型，并使用所述牛脸数据集训练和测试预构建好的牛脸检测模型，得到目标牛脸检测模型；
获取待检测的牛脸数据，输入所述目标牛脸检测模型，检测出对应的目标牛脸。
进一步的，所述预构建牛脸检测模型的步骤包括：
使用ResNet50构建牛脸检测模型的骨干网络层；
通过卷积核和反卷积核构建牛脸检测模型的颈部网络层；
根据预设的分类和/或回归任务构建头部网络层。
进一步的，所述使用所述牛脸数据集训练和测试预构建好的牛脸检测模型，得到目标牛脸检测模型包括:
对所述牛脸数据集进行数据预处理，并按预设比例随机划分为训练集和测试集；
初始化所述预构建好的牛脸检测模型，并通过所述训练集训练和所述测试集测试所述牛脸检测模型，直到满足预设训练条件后得到所述目标牛脸检测模型。
进一步的，所述获取待检测的牛脸数据，输入所述目标牛脸检测模型，检测出对应的目标牛脸包括：
通过所述目标牛脸检测模型的骨干网络层从所述待检测的牛脸数据提取待识别牛脸的特征组成特征图；
通过所述目标牛脸检测模型的颈部网络层进一步从所述特征图中自适应提取待识别牛脸的特征信息；
通过所述目标牛脸检测模型的头部网络层对所述特征信息进行分类和回归，得到目标牛脸的关键信息。
进一步的，所述根据预设的分类和/或回归任务构建头部网络层包括：
基于基本卷积、激活函数和瓶颈卷积，至少按预设的牛脸中心点热力图分类任务、牛脸中心点的偏移量回归任务、牛脸区域框的宽高回归任务、牛脸关键点的热力图分类任务、牛脸关键点的偏移量回归任务以及牛脸关键点指向牛脸中心点向量值的回归任务，分别构建对应的任务分支网络组成所述头部网络层。
进一步的，所述通过所述目标牛脸检测模型的头部网络层对所述特征信息进行分类和回归，得到目标牛脸的关键信息包括：
通过所述目标牛脸检测模型的头部网络层的各个分支网络从所述特征信息中对应获取目标牛脸的左中右脸型、牛脸中心点的偏移量、牛脸区域框的宽高值、至少5个牛脸的关键点、牛脸关键点的偏移量以及牛脸关键点指向牛脸中心点向量值。
为了解决上述技术问题，本申请实施例还提供一种牛脸检测装置，采用了如下所述的技术方案：
所述牛脸检测装置包括：
采集模块，用于采集牛脸数据并进行数据处理，得到牛脸数据集；
构建模块，用于预构建牛脸检测模型，并使用所述牛脸数据集训练和测试预构建好的牛脸检测模型，得到目标牛脸检测模型；
检测模块，用于获取待检测的牛脸数据，输入所述目标牛脸检测模型，检测出对应的目标牛脸。
进一步的，所述构建模块包括：
第一构建子模块，用于使用ResNet50构建牛脸检测模型的骨干网络层；
第二构建子模块，用于通过卷积核和反卷积核构建牛脸检测模型的颈部网络层；
第三构建子模块，用于根据预设的分类和/或回归任务构建头部网络层。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
所述计算机设备包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现所述的牛脸检测方法的步骤。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现所述的牛脸检测方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：本申请通过专门采集和制作的牛脸数据集来训练预构建的牛脸检测模型，得到的单阶段目标牛脸检测网络，可同时进行多面牛脸的检测和多个牛脸关键点定位的任务，有助于后续进行牛脸识别，且其中牛脸关键点的预测是基于热力图的，可以使目标牛脸检测模型对关键点的定位更加精准，稳定性好，该目标牛脸检测网络具有结构简洁、后处理简单、算法效率高、计算量小、收敛速度快的优点。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性系统架构图；
图2是根据本申请的牛脸检测方法的一个实施例的流程图；
图3是根据本申请的预构建的牛脸检测模型的模型结构示意图；
图4是根据本申请的牛脸检测模型的头部网络层的6个分支网络结构示意图；
图5是根据本申请的牛脸检测装置的一个实施例的结构示意图；
图6是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，图1是本申请可以应用于其中的示例性系统架构图，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持APP、网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture E后端接口访问pertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(MovingPictureE后端接口访问perts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的牛脸检测方法一般由服务器/终端设备执行，相应地，牛脸检测装置一般设置于服务器/终端设备中，用户可以通过终端设备和网络将采集的牛脸数据传输到服务器，从而在服务器端实现牛脸的检测并将检测结果返回到终端设备。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的牛脸检测方法的一个实施例的流程图。所述的牛脸检测方法，包括以下步骤：
步骤201：采集牛脸数据并进行数据处理，得到牛脸数据集。
在本实施例中，可以通过人工收集牛脸数据并对其进行数据标注处理，具体地，首先人工使用手机、相机等摄像设备实地拍摄真实牛只的牛脸图像数据，每隔一定帧数(如10帧)抽取一帧图片，剔除没有牛脸的图片，从中选取多张(如10000)包含牛脸的图像作为牛脸数据；然后分析牛脸数据特点并制定牛脸及关键点检测标注方案，按照标注方案标注牛脸数据中的牛脸，得到牛脸数据集；还可以根据需要将牛脸数据集按照一定的比例随机划分为训练集和测试集。
其中采集牛脸数据时尽可能覆盖不同场景(棚内、棚外，存在相互遮挡)、不同牛脸姿态(低头和抬头)、不同牛脸拍摄角度(正脸、左脸和右脸)以及不同光照条件(明亮、昏暗、逆光等)下牛的录像视频。牛的品种有黑白花奶牛、西门塔尔牛及黄牛等；标注牛的正脸时使用如下关键点：鼻尖、左眼、右眼、左耳根及右耳根共5个牛脸关键点；标注牛的左脸使用如下关键点：鼻尖、左眼、左耳根共3个牛脸关键点；标记牛的右脸使用如下关键点：鼻尖、右眼、右耳根共3个牛脸关键点。特别地，无需标注侧脸被遮挡的牛脸关键点。对牛脸数据进行标注时，需要同时标注完整包括牛脸的矩形框和牛脸类别以及各个牛脸关键点的位置和类别等。通过上述牛脸数据采集和处理的步骤，可以建立比较完整和多样化的牛脸数据集，用来训练下述牛脸检测模型后可以使得模型鲁棒性更强、准确率更高。
步骤202：预构建牛脸检测模型，并使用所述牛脸数据集训练和测试预构建好的牛脸检测模型，得到目标牛脸检测模型。
进一步的，所述预构建牛脸检测模型的步骤包括：
使用ResNet50构建牛脸检测模型的骨干网络层；
通过卷积核和反卷积核构建牛脸检测模型的颈部网络层；
根据预设的分类和/或回归任务构建头部网络层。
在本发明实施例中，预构建的牛脸检测模型的模型结构如图3所示，牛脸检测模型300主要由相互连接的骨干网络层301、颈部网络层302和头部网络层303；上述牛脸检测模型的骨干网络层使用ResNet50构建，主要由5个stage(阶段)组成，state0为简单的网络结构，如全连接的神经网络，后面4个state都是由Bottleneck的结构组成，结构较为相似，其中，Bottleneck是1×1的卷积神经网络。state1包含3个Bottleneck，剩下的3个stage分别包括4、6、3个Bottleneck。使用1×1的Bottleneck卷积神经网络结构可以方便输出的改变维度，并且减小计算量，如输入为3*320*320的图像，经过上述骨干网络层之后会得到2048*10*10的牛脸特征图。上述骨干网络层可以提取牛脸图像数据中牛脸的纹理、颜色和尺度等特征并组成特征图，供后续网络层使用。
上述牛脸检测模型的颈部网络层通过卷积核(Conv)和反卷积核(Deconv)进行构建，负责对上述骨干网络层输出的牛脸特征图做更进一步的特征信息提取，并可以将提取的特征信息组成和还原到原图的1/4大小。在此颈部网络层中，在每次进行反卷积前使用了可变形卷积，不同位置的卷积核采样点位置会根据图像内容发生自适应的变化，使得颈部网络层能够适应不同牛脸的形状、大小等几何形变，从而通过卷积和反卷积的上采样操作提取到更加准确的牛脸特征信息。
上述牛脸检测模型的头部网络层可以根据预设的分类和/或回归任务进行构建，具体可以基于基本卷积、激活函数和瓶颈卷积，至少按预设的牛脸中心点热力图(center_heatmap)分类任务、牛脸中心点的偏移量(center_offset)回归任务、牛脸区域框的宽高(wh)回归任务、牛脸关键点的热力图分(keypoint_heatmap)类任务、牛脸关键点的偏移量(keypoint_offset)回归任务以及牛脸关键点指向牛脸中心点向量值(keypoint_center)的回归任务，分别构建对应的任务分支网络组成所述头部网络层。举例而言，上述头部网络层可以由并行的6个分支组成，所有分支均由一个3*3的基本卷积、Relu激活函数以及一个1*1的卷积组成，其网络结构如图4所示。其中，第一个分支，即牛脸中心点热力图分类任务分支，用于预测牛脸中心点的热力图，其预测结果(热力图)的通道数为3，分别对应牛的左中右脸类别；第二个分支，即牛脸中心点的偏移量回归任务分支，用于回归牛脸中心点的偏移量，其预测结果的通道数为2，分别对应中心点在图像坐标系中在x轴和y轴的偏移量；第三个分支，即牛脸区域框的宽高回归任务分支，用于回归牛脸区域框的宽高，其回归结果的通道数为2，分别对应牛脸区域的宽高回归值；第四个分支，即牛脸关键点的热力图分类任务分支，用于预测牛脸关键点的热力图，其中预测结果的通道数为5，分别对应5个牛脸关键点，如牛脸的鼻尖、左眼、右眼、左耳根及右耳根；第五个分支，即牛脸关键点的偏移量回归任务分支，用于回归5个牛脸关键点的偏移量，其预测结果的通道数为2，分别对应牛脸关键点在x轴和y轴的偏移量；第六个分支，即牛脸关键点指向牛脸中心点向量值的回归任务分支，用于回归由各个牛脸关键点指向牛脸区域框中心点的向量值，其通道数为2，特别地若某个牛脸关键点指向某个区域框中心，则该牛脸关键点属于该区域框所属的牛脸实例。本发明实施例构建的牛脸检测模型是单阶段的检测网络，可同时进行多面(左、中、右脸)牛脸检测和5个牛脸关键点定位的任务，有助于后续进行牛脸识别，且其中牛脸关键点的预测是基于热力图的，可以使目标牛脸检测模型对关键点的定位更加精准，稳定性好；上述目标牛脸检测网络具有算法结构简洁、后处理简单、算法效率高、收敛速度快的优点。
更进一步的，所述使用所述牛脸数据集训练和测试预构建好的牛脸检测模型，得到目标牛脸检测模型包括:
对所述牛脸数据集进行数据预处理，并按预设比例随机划分为训练集和测试集；
初始化所述预构建好的牛脸检测模型，并通过所述训练集训练和所述测试集测试所述牛脸检测模型，直到满足预设训练条件后得到所述目标牛脸检测模型。
在本发明实施例中，首先对采集到的牛脸数据集进行数据预处理，如数据增强和归一化预处理，数据增强具体可以采用图像亮度、饱和度和对比度随机变换、通道交换、图像随机水平翻转、运动模糊、中值模糊、图像质量压缩、随机旋转、随机平移、多尺度缩放、通道像素抖动等方式实现，归一化预处理可以将输入的牛脸图像数据归一化到[-1,1]之间，通过上述数据预处理，使得数据具有多样性，便于数据符合构建的牛脸检测模型的标准，从而提高模型的鲁棒性和准确性；最后按预设比例，如9:1将预处理后的牛脸数据集随机划分为训练集和测试集。
然后初始化上述预构建好的牛脸检测模型，其中骨干网络层初始化时采用在coco数据集上训练得到预训练模型的参数来初始化，颈部网络层和头部网络层采用随机初始化的方式。初始化后通过上述训练集对牛脸检测模型进行训练，训练时使用AdamW优化器，初始学习率设置为0.0001，权重衰减系数为0.05；采用“CosineAnnealing”和“warmup”的学习策略，其中warmup的迭代步数为200，最小学习率为5.0e-6，训练最大迭代epoch数是300，batchsize批处理大小为64，直至损失小于一定的值或者达到最大epoch数后停止训练；整个牛脸检测模型的损失由上述头部网络层的6个分支的损失进行加权求和得到，其中，heatmap热力图相关分支的损失采用的是GaussianFocalLoss，其余分支的损失采用的是L1Loss，可以降低训练数据中异常样本的权重，从而起到均衡训练数据的作用，使得训练过程合理，提高了模型的性能。
L1Loss如下:
Figure BDA0003938357880000111
GaussianFocalLoss如下:
Figure BDA0003938357880000112
训练结束后再在上述测试集测试所述牛脸检测模型，直到满足预设训练条件(如测试误差小于预设值)后得到所述目标牛脸检测模型。
步骤203：获取待检测的牛脸数据，输入所述目标牛脸检测模型，检测出对应的目标牛脸。
在本实施例中，上述牛脸检测方法运行于其上的电子设备(例如图1所示的服务器/终端设备)可以通过有线连接方式或者无线连接方式从终端设备获取待检测的牛脸数据。需要指出的是，上述无线连接方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAX、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
进一步的，上述步骤203具体包括：
通过所述目标牛脸检测模型的骨干网络层从所述待检测的牛脸数据提取待检测牛脸的特征组成特征图；通过所述目标牛脸检测模型的颈部网络层进一步从所述特征图中自适应提取待识别牛脸的特征信息；通过所述目标牛脸检测模型的头部网络层对所述特征信息进行分类和回归，得到目标牛脸的关键信息。通过上述步骤，具体可以获取到目标牛脸(即待检测牛脸)的左中右脸型、牛脸中心点的偏移量、牛脸区域框的宽高值、至少5个牛脸的关键点、牛脸关键点的偏移量以及牛脸关键点指向牛脸中心点向量值等牛脸关键信息，从而可以根据检测出的这些牛脸关键信息对目标牛作进一步的识别和追踪。本发明实施例针对牛脸立体感强且侧脸容易存在关键点被遮挡的问题，选取了5个牛脸关键点(左眼、右眼、鼻尖、左耳根和右耳根)，并根据是否被遮挡对关键点进行标注，可以提高牛脸检测的准确性；且其中牛脸关键点的预测是基于热力图的，可以使目标牛脸检测模型对关键点的定位更加精准，稳定性好。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图5，作为对上述图2所示方法的实现，本申请提供了一种牛脸检测装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例所述的牛脸检测装置500包括：
采集模块501，用于采集牛脸数据并进行数据处理，得到牛脸数据集；
构建模块502，用于预构建牛脸检测模型，并使用所述牛脸数据集训练和测试预构建好的牛脸检测模型，得到目标牛脸检测模型；
检测模块503，用于获取待检测的牛脸数据，输入所述目标牛脸检测模型，检测出对应的目标牛脸。
在本实施例的一些可选的实现方式中，上述构建模块502包括：
第一构建子模块5021，用于使用ResNet50构建牛脸检测模型的骨干网络层；
第二构建子模块5022，用于通过卷积核和反卷积核构建牛脸检测模型的颈部网络层；
第三构建子模块5023，用于根据预设的分类和/或回归任务构建头部网络层。
本发明实施例中的上述牛脸检测装置能够实现对应上述牛脸检测方法的功能并带来相同的有益效果，为避免重复此处不再赘述。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图6，图6为本实施例计算机设备基本结构框图。
所述计算机设备6包括通过系统总线相互通信连接存储器61、处理器62、网络接口63。需要指出的是，图中仅示出了具有组件61-63的计算机设备6，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器61至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器61可以是所述计算机设备6的内部存储单元，例如该计算机设备6的硬盘或内存。在另一些实施例中，所述存储器61也可以是所述计算机设备6的外部存储设备，例如该计算机设备6上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，所述存储器61还可以既包括所述计算机设备6的内部存储单元也包括其外部存储设备。本实施例中，所述存储器61通常用于存储安装于所述计算机设备6的操作系统和各类应用软件，例如牛脸检测方法的计算机可读指令等。此外，所述存储器61还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器62在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器62通常用于控制所述计算机设备6的总体操作。本实施例中，所述处理器62用于运行所述存储器61中存储的计算机可读指令或者处理数据，例如运行所述牛脸检测方法的计算机可读指令。
所述网络接口63可包括无线网络接口或有线网络接口，该网络接口63通常用于在所述计算机设备6与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的牛脸检测方法的步骤，实现同时进行牛脸检测和关键点定位任务，算法结构简洁，后处理简单，算法效率高，收敛速度快，且算法更加精准。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种牛脸检测方法，其特征在于，包括下述步骤：
采集牛脸数据并进行数据处理，得到牛脸数据集；
预构建牛脸检测模型，并使用所述牛脸数据集训练和测试预构建好的牛脸检测模型，得到目标牛脸检测模型；
获取待检测的牛脸数据，输入所述目标牛脸检测模型，检测出对应的目标牛脸。
2.根据权利要求1所述的牛脸检测方法，其特征在于，所述预构建牛脸检测模型的步骤包括：
使用ResNet50构建牛脸检测模型的骨干网络层；
通过卷积核和反卷积核构建牛脸检测模型的颈部网络层；
根据预设的分类和/或回归任务构建头部网络层。
3.根据权利要求2所述的牛脸检测方法，其特征在于，所述使用所述牛脸数据集训练和测试预构建好的牛脸检测模型，得到目标牛脸检测模型包括:
对所述牛脸数据集进行数据预处理，并按预设比例随机划分为训练集和测试集；
初始化所述预构建好的牛脸检测模型，并通过所述训练集训练和所述测试集测试所述牛脸检测模型，直到满足预设训练条件后得到所述目标牛脸检测模型。
4.根据权利要求3所述的牛脸检测方法，其特征在于，所述获取待检测的牛脸数据，输入所述目标牛脸检测模型，检测出对应的目标牛脸包括：
通过所述目标牛脸检测模型的骨干网络层从所述待检测的牛脸数据提取待检测牛脸的特征组成特征图；
通过所述目标牛脸检测模型的颈部网络层进一步从所述特征图中自适应提取待识别牛脸的特征信息；
通过所述目标牛脸检测模型的头部网络层对所述特征信息进行分类和回归，得到目标牛脸的关键信息。
5.根据权利要求4所述的牛脸检测方法，其特征在于，所述根据预设的分类和/或回归任务构建头部网络层包括：
基于基本卷积、激活函数和瓶颈卷积，至少按预设的牛脸中心点热力图分类任务、牛脸中心点的偏移量回归任务、牛脸区域框的宽高回归任务、牛脸关键点的热力图分类任务、牛脸关键点的偏移量回归任务以及牛脸关键点指向牛脸中心点向量值的回归任务，分别构建对应的任务分支网络组成所述头部网络层。
6.根据权利要求5所述的牛脸检测方法，其特征在于，所述通过所述目标牛脸检测模型的头部网络层对所述特征信息进行分类和回归，得到目标牛脸的关键信息包括：
通过所述目标牛脸检测模型的头部网络层的各个分支网络从所述特征信息中对应获取目标牛脸的左中右脸型、牛脸中心点的偏移量、牛脸区域框的宽高值、至少5个牛脸的关键点、牛脸关键点的偏移量以及牛脸关键点指向牛脸中心点向量值。
7.一种牛脸检测装置，其特征在于，包括：
采集模块，用于采集牛脸数据并进行数据处理，得到牛脸数据集；
构建模块，用于预构建牛脸检测模型，并使用所述牛脸数据集训练和测试预构建好的牛脸检测模型，得到目标牛脸检测模型；
检测模块，用于获取待检测的牛脸数据，输入所述目标牛脸检测模型，检测出对应的目标牛脸。
8.根据权利要求7所述的牛脸检测装置，其特征在于，所述构建模块包括：
第一构建子模块，用于使用ResNet50构建牛脸检测模型的骨干网络层；
第二构建子模块，用于通过卷积核和反卷积核构建牛脸检测模型的颈部网络层；
第三构建子模块，用于根据预设的分类和/或回归任务构建头部网络层。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至6中任一项所述的牛脸检测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至6中任一项所述的牛脸检测方法的步骤。
CN202211415034.8A 2022-11-11 2022-11-11 牛脸检测方法、装置、计算机设备及可读存储介质 Pending CN116189228A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211415034.8A CN116189228A (zh) 2022-11-11 2022-11-11 牛脸检测方法、装置、计算机设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211415034.8A CN116189228A (zh) 2022-11-11 2022-11-11 牛脸检测方法、装置、计算机设备及可读存储介质

Publications (1)

Publication Number Publication Date
CN116189228A true CN116189228A (zh) 2023-05-30

Family

ID=86444863

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211415034.8A Pending CN116189228A (zh) 2022-11-11 2022-11-11 牛脸检测方法、装置、计算机设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN116189228A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117058421A (zh) * 2023-07-28 2023-11-14 江西超音速人工智能科技有限公司 基于多头模型的图像检测关键点方法、系统、平台及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111368766A (zh) * 2020-03-09 2020-07-03 云南安华防灾减灾科技有限责任公司 一种基于深度学习的牛脸检测与识别方法
CN112257581A (zh) * 2020-10-21 2021-01-22 广州云从凯风科技有限公司 一种人脸检测方法、装置、介质及设备
CN114332956A (zh) * 2022-03-15 2022-04-12 华中农业大学 一种基于卷积神经网络的牛脸检测和牛脸关键点定位方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111368766A (zh) * 2020-03-09 2020-07-03 云南安华防灾减灾科技有限责任公司 一种基于深度学习的牛脸检测与识别方法
CN112257581A (zh) * 2020-10-21 2021-01-22 广州云从凯风科技有限公司 一种人脸检测方法、装置、介质及设备
CN114332956A (zh) * 2022-03-15 2022-04-12 华中农业大学 一种基于卷积神经网络的牛脸检测和牛脸关键点定位方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117058421A (zh) * 2023-07-28 2023-11-14 江西超音速人工智能科技有限公司 基于多头模型的图像检测关键点方法、系统、平台及介质

Similar Documents

Publication Publication Date Title
CN110929622B (zh) 视频分类方法、模型训练方法、装置、设备及存储介质
US11487995B2 (en) Method and apparatus for determining image quality
WO2021238281A1 (zh) 一种神经网络的训练方法、图像分类系统及相关设备
US10936919B2 (en) Method and apparatus for detecting human face
CN111639544B (zh) 基于多分支跨连接卷积神经网络的表情识别方法
US11238272B2 (en) Method and apparatus for detecting face image
WO2021078157A1 (zh) 图像处理方法、装置、电子设备及存储介质
WO2021077984A1 (zh) 对象识别方法、装置、电子设备及可读存储介质
CN111814620B (zh) 人脸图像质量评价模型建立方法、优选方法、介质及装置
CN110163080A (zh) 人脸关键点检测方法及装置、存储介质和电子设备
CN113743426A (zh) 一种训练方法、装置、设备以及计算机可读存储介质
WO2018188453A1 (zh) 人脸区域的确定方法、存储介质、计算机设备
CN114550053A (zh) 一种交通事故定责方法、装置、计算机设备及存储介质
WO2019033715A1 (zh) 人脸图像数据采集方法、装置、终端设备及存储介质
CN112395979A (zh) 基于图像的健康状态识别方法、装置、设备及存储介质
CN112132197A (zh) 模型训练、图像处理方法、装置、计算机设备和存储介质
US11893773B2 (en) Finger vein comparison method, computer equipment, and storage medium
WO2021184754A1 (zh) 视频对比方法、装置、计算机设备和存储介质
CN110866469A (zh) 一种人脸五官识别方法、装置、设备及介质
CN113887319B (zh) 三维姿态的确定方法、装置、电子设备及存储介质
WO2022111387A1 (zh) 一种数据处理方法及相关装置
CN111967406A (zh) 人体关键点检测模型生成方法、系统、设备和存储介质
CN109871751A (zh) 基于人脸表情识别的服务态度评估方法、装置及存储介质
CN110490959A (zh) 三维图像处理方法及装置、虚拟形象生成方法以及电子设备
CN112101109B (zh) 人脸关键点检测模型训练方法、装置、电子设备和介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination