为了减小高维特征算子的计算复杂度、提高识别算法的准确率,提出一种基于GLOH(Gradient Location and OrientationHistogram)算子的人脸识别算法。首先将人脸图像划分为4个独立的子区域并对提取的特征点进行聚类。为了更有效地描述人脸特征以及特征匹配,为不同的区域赋予不同的权重值,并采取整体结合局部聚类子区域的方法进行人脸识别。通过在ORL人脸图像库上的实验,验证了算法的有效性,特别是在不同表情、不同姿态等干扰因素的条件下,表现出了较好的稳定性和鲁棒性。
针对目前人工识别羊个体疼痛过程中存在的经验要求高、识别准确率低、消耗成本高、延误疾病治疗等问题,引入当前主流图像分类网络VGGNet(Visual geometry group network)对有疼痛和无疼痛的羊脸表情进行识别,提出一种基于改进VGGNet的羊脸痛苦表情识别算法,改进后的网络为STVGGNet(Spatial transformer visual geometry group network)。该算法将空间变换网络引入VGGNet,通过空间变换网络增强对羊脸痛苦表情特征区域的关注程度,提高对羊脸痛苦表情的识别准确率。本文对原有的羊脸表情数据集进行了扩充,新增887幅羊脸表情图像。但是新的数据集图像数量仍然较少,所以本文利用ImageNet数据集进行迁移学习,微调后用来自动分类有痛苦和无痛苦的羊脸表情。对羊面部表情数据集的实验结果表明,使用STVGGNet实现的最佳训练准确率为99.95%,最佳验证准确率为96.06%,分别比VGGNet高0.15、0.99个百分点。因此,本文采用的模型在羊脸痛苦表情识别中有非常好的识别效果并且具有较强的鲁棒性,为畜牧业中羊的疾病检测智能化发展提供了技术支撑。
