淺析豬臉識別的困難及可行性
發布日期:2019-05-31    來源:中國高科技行業門戶    

主題詞豬臉識別

近年來,隨著集約化管理與精確測量的要求,更有效地進行牲畜識別管理(如體重、健康等)的客觀測量已經成為緊迫的問題。在當下,最佳的實踐為RFID標簽方案,但對于農民或者管理人員而言,這個方案不僅耗時與成本高,而且也讓動物難以適應,人臉識別技術的發展,讓人們看到非接觸式識別的方便性,因此便有不少人提出了通過動物的面部進行非接觸式識別的方案。

 

在國外也有不少專家對于牲畜識別的可行性進行了一番研究,本文根據Mark F. Hansen等人《利用卷積神經網絡進行農場豬臉識別》的文章談談牲畜識別存在的困難及可行性分析。

 

從幾何特征識別到整體匹配,人類對于人臉識別的研究已經超過了五十年,隨著深度學習算法與最新的識別技術相互結合,才能實現接近甚至超越人類的水平。但是在相關牲畜的識別,如關于牛、豬、羊、犬等識別及行為分析的研究仍然不多,雖然當下也有一些不錯的報告數據(如對鼻子與眼睛等小區域的識別)結果較為不錯,但終究是經過人手動分割裁剪的“臉”,在實驗室之外很難落地。如何在自然條件下對農場的牲畜進行數據采集,從而進行數據集訓練完成學習都具有一定的挑戰性。

 

(1)數據的采集

 

保證清晰且光線好的正臉圖像,是面部識別應用的基礎。對于用戶而言,利用現有的網絡攝像頭完成牲畜“臉”的采集是最為方便的,但現實中,一是攝像機要應對環境的挑戰,光照、高度、環境等等都會造成識別的困難,二是牲畜的配合意愿要遠遠低于人類,舔、轉身避開、破壞攝像頭等狀況時有發生。

 

更讓人無奈的是,動物面部識別需要數百個參考點(遠多于人臉),才能獲得達到與人臉識別同等水平的算法。在報告中,Mark F. Hansen等人采取的是在飲水器安裝攝像頭,借而在他們自愿接近時,完成抓拍。

 

在國內也有廠商采取更直接的方式,讓攝影師去抓拍豬們的相片,為了讓結果更加精準,除了正面照外也要添加動物的側面照,因為相對于人類而言,動物的側臉更具辨識度,甚至可以根據眼的傾斜角度與嘴部形狀進行區分它們。

 

(2)數據清理

 

為了避免連續幀之間低方差的缺點,在報告中,Mark F. Hansen等人采用了結構相似性指數測量(SSIM)來測量圖像之間的相似性。這種方法試圖更接近人類的感知,而不是替代和常用的均方誤差(MSE)測量報告圖像之間的相似性。它考慮了方差、協方差和平均強度在兩個圖像,x和y,情商所示。其中,μx,μy是平均值,σx,σy是方差,σxy是圖像x和y的協方差。c1,c2是常數,以避免分母接近零時的不穩定性,將每個圖像與后續圖像進行比較,直到找到足夠的差異。

 

(3)討論

 

在報告中,雖然僅僅針對的是10只豬,并最終得到78.4%的準確率(指正確的識別圖像占據整個書數集的百分比),這也意味著在一個不約束的場景中,準確識別出豬的個體是存在可能性的,經過不斷訓練的數據,將會提升準確率。

 

在國內正在做牲畜識別的廠商也不少,例如廣州影子科技推出豬的臉部識別與身份識別服務等,但目前以豬的識別為例,仍然需要克服不少困難:

 

一是豬的生長導致體型及面部的變化,要遠遠比人臉大,而且品種較多,這意味著需要積累不同品種的豬在生長過程中變化數據;

 

二是相對于其他的成熟的技術,豬臉識別仍需要實踐去證明。目前識別豬最好的方案是耳標或植入芯片,雖然有不少人反對這種方式是在傷害牲畜,但無論是豬臉識別還是戴上耳標,豬都無法擺脫痛苦死去的命運,站在技術的角度而言,豬臉識別仍然受到質疑。

 

在京東舉辦的“豬臉識別”比賽中,冠軍團隊采用的是遷移學習的體系,傳統的人工智能技術來實現視覺識別的原理利用計算機神經網絡的深度學習,學到每一頭豬的特征,然后利用深度學習的模型 ,針對測試數據集,得到每一頭豬的概率,最后來判別哪頭豬是哪頭豬。而遷移學習不拋棄從之前數據里得到的有用信息,同時應對新進來的大量數據的缺少標簽或者由于數據更新而導致的標簽變異情況。該團隊表示剛拿到數據集時,很難分辨哪頭豬是哪頭。而當他們使用模型再運行數據,發現豬臉識別的最后運行效果達到比模型跑人臉的效果還好。

 

采用遷移學習識別算是開啟了一種全新的思路,先找到一個人臉和動物臉相似性較大的一個映射空間,然后使得人臉的訓練數據可以被有效的利用起來訓練動物臉的識別。但無論如何在牲畜識別上,可能要走的路要比人臉要艱難與長久得多。



版權所有@ 北京市電子科技情報研究所 透码精准网址香港

地址:北京市東城區北河沿大街79號  郵編:100009  Email:[email protected]

在線人數:140

當日訪問計數:485

累計訪問計數:49416105