首页 > 分享 > 一种宠物识别方法与流程

一种宠物识别方法与流程

萌宠菠菠乐园
2024-11-18 20:56

一种宠物识别方法与流程

1.本发明涉及图像识别技术领域，具体来说，涉及一种宠物识别方法。

背景技术：

2.现有的宠物图像识别中，由于宠物离探头的距离范围值较大，即宠物可能离探头比较近，也可能离探头比较远，因此，识别目标的尺度范围会比较大。再者，识别实际画面比较复杂，例如，存在遮挡、目标姿态众多以及模型性能、大小的问题，这些都给宠物的准确识别带来了难度。

技术实现要素：

3.本发明的目的在于提出一种宠物识别方法，以克服现有技术中存在的上述不足。
4.为实现上述技术目的，本发明的技术方案是这样实现的：一种宠物识别方法，所述方法包括以下步骤：1）使用yolov5作为宠物识别模型；2）采集若干含有宠物图像的图片；3）使用语义分割模型将图片中的宠物和背景分割开来，按照分割的结果把含有宠物的图片另存为具有透明通道的png图片，将背景的部分变为透明，使图片只保留宠物部分；4）对图片进行数据增强处理，具体为：读取原图片中宠物打标的框的尺寸，按照所述尺寸以及项目要求设定增强后的图片的尺寸，并使用对应场景图作为背景，再将宠物原图贴在背景上；5）使用程序按照一定随机的系数微调数据增强后的图片，具体为调整图片的色度、亮度和对比度；6）将调整后的图片输入宠物识别模型并使用generalized focal loss损失函数来训练宠物识别模型，得到训练好的宠物识别模型；7）采集含有宠物图像的图片并输入训练好的宠物识别模型中；8）获取采集的图片中宠物图像的特征，计算与训练好的宠物识别模型内存储的宠物的特征的相似度，输出宠物识别结果。
5.进一步的，步骤5）中使用python的pillow实现对图片色度、亮度和对比度的调整。
6.本发明的有益效果：对于含有宠物的视频图像中，本发明能够实现对较大范围尺寸的宠物的准确识别，避免实际中宠物遮挡和姿态众多对识别的影响。
附图说明
7.图1是本发明实施例所述方法的流程图。
具体实施方式
8.下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
9.如图1所示，根据本发明的实施例所述的一种宠物识别方法，所述方法包括以下步骤：步骤1：使用yolov5作为宠物识别模型，用于包括对猫狗等宠物实现分类检测。yolov5是一种目标检测模型，对不同尺度上的目标有较好的检测能力，本方案采用yolov5s的网络结构，该网络结构在yolov5系列中，参数量最少，速度最快，能够贴合本方案的要求。yolov5的网络在训练阶段采用了mosaic的数据增强方法，对图片采用随机缩放、随机裁剪、随机排布的方式进行拼接，该策略增强了模型对小目标的检测性能。在骨干网络中，采用了focus结构，利用切片的原理，对图像下采样，生成更多的特征图。采用csp模块，进行特征提取，该模块先将基础层的特征映射划分为两部分，然后通过跨层次结构将它们合并，在减少了计算量和内存访问量的同时可以保证准确率。在网络结构的末端，采用了spp模块，使用k={1*1,5*5,9*9,13*13}的最大池化方式，再将不同尺度的特征图进行concat操作，该模块可有效的增加主干特征的接收范围，显著的分离了最重要的上下文特征。采用fpn的结构对不同分支的特征进行融合，fpn是自顶向下的，将高层的特征信息通过上采样的方式进行传递融合，得到预测的特征图。还包含了一个自底向上的特征金字塔，该金字塔结构自底向上传达强定位特征，两两联手，从不同的主干层对不同的检测层进行参数聚合，使检测效果更佳。
10.步骤2：采集若干含有宠物图像的图片。
11.步骤3：由于实际场景的猫狗素材比较少，需要进行相应的的数据扩增来达到贴近实际场景的目的。为了让数据扩增更加贴近实际，使用语义分割模型将图片中的宠物和背景分割开来，按照分割的结果把含有宠物的图片另存为具有透明通道的png图片，将背景的部分变为透明，使图片只保留宠物部分。这样的图再拼接到实际场景作为背景的图，能够更好地贴近实际场景。
12.步骤4：对图片进行数据增强处理，具体为：读取原图片中宠物打标的框的尺寸，按照所述尺寸以及项目要求设定增强后的图片的尺寸，并使用对应场景图作为背景，再将宠物原图贴在背景上。项目要求具体为模型训练中要求宠物图占整个图片的尺寸范围，例如要求宠物画面只占短边的几分之一。
13.步骤5：为了增强模型的泛化能力，使模型能够在更复杂的场景准确检测到画面中的宠物。使用程序按照一定随机的系数微调数据增强后的图片，具体为调整图片的色度、亮度和对比度。具体的，可以使用python的pillow实现。为实现调整图片的色度、亮度和对比度，可以使用interpolation and extrapolation的方式来进行调控，公式为：out = image1 * (1.0
ꢀ‑ꢀ
alpha) + image2 * alpha。其原理为：设定一个退化到极点的对象，以及原图，根据alpha来控制两张图合并的比例，从而实现程度变化。比如对比度变化，完全没对比度的图就是画面完全没有变化的图，即全图所有元素均为均值，以此作为退化到极点的对象。而当alpha大于1的时候，就可以对原图进行对比度增强。
14.步骤6：由于训练数据在经过增强之后比原来要更加复杂，即学习难度会有较大的提升，直接使用普通的损失函数可能学习效果会不太好。为了能够让模型更好的拟合较为
复杂的图片数据，将调整后的图片输入宠物识别模型并使用（gfl）generalized focal loss损失函数来训练宠物识别模型，得到训练好的宠物识别模型，gfl公式如下所示：gfl去掉了难以训练的centerness，而且省去了这一分支上的大量卷积，减少了检测头的计算开销，非常适合移动端的轻量化部署。
15.步骤7：采集含有宠物图像的图片并输入训练好的宠物识别模型中；步骤8：获取采集的图片中宠物图像的特征，计算与训练好的宠物识别模型内存储的宠物的特征的相似度，输出宠物识别结果。
16.以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种宠物识别方法，其特征在于，所述方法包括以下步骤：1）使用yolov5作为宠物识别模型；2）采集若干含有宠物图像的图片；3）使用语义分割模型将图片中的宠物和背景分割开来，按照分割的结果把含有宠物的图片另存为具有透明通道的png图片，将背景的部分变为透明，使图片只保留宠物部分；4）对图片进行数据增强处理，具体为：读取原图片中宠物打标的框的尺寸，按照所述尺寸以及项目要求设定增强后的图片的尺寸，并使用对应场景图作为背景，再将宠物原图贴在背景上；5）使用程序按照一定随机的系数微调数据增强后的图片，具体为调整图片的色度、亮度和对比度；6）将调整后的图片输入宠物识别模型并使用generalized focal loss损失函数来训练宠物识别模型，得到训练好的宠物识别模型；7）采集含有宠物图像的图片并输入训练好的宠物识别模型中；8）获取采集的图片中宠物图像的特征，计算与训练好的宠物识别模型内存储的宠物的特征的相似度，输出宠物识别结果。2.根据权利要求1所述的方法，其特征在于，步骤5）中使用python的pillow实现对图片色度、亮度和对比度的调整。

技术总结
本发明公开了一种宠物识别方法，使用yolov5作为宠物识别模型，使用语义分割模型的方式实现宠物素材的扩增，对扩增后的图片进行数据增强，对数据增强后的图片进行色度、亮度和对比度的调整，将调整后的图片输入宠物识别模型并使用Generalized Focal Loss损失函数来训练宠物识别模型，得到训练好的宠物识别模型，利用训练好的模型实现对宠物的识别。本发明能够实现对较大范围尺寸的宠物的准确识别，避免实际中宠物遮挡和姿态众多对识别的影响。避免实际中宠物遮挡和姿态众多对识别的影响。避免实际中宠物遮挡和姿态众多对识别的影响。

技术研发人员：蔡子轩盛鹏乔国坤
受保护的技术使用者：新疆爱华盈通信息技术有限公司
技术研发日：2021.06.16
技术公布日：2021/9/14