买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉杭州电子科技大学申请的专利一种改进光照与摄像头差异的牛脸识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116012887B 。

龙图腾网通过国家知识产权局官网在2026-04-28发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310057421.7，技术领域涉及：G06V40/10；该发明授权一种改进光照与摄像头差异的牛脸识别方法是由黄安祥;沈雷;郑鹏;蓝雷斌;方一昊设计研发完成，并于2023-01-21向国家知识产权局提交的专利申请。

本一种改进光照与摄像头差异的牛脸识别方法在说明书摘要公布了：针对在复杂环境牧场时由于牧场环境光照和摄像头差异导致算法在新环境的识别性能显著下降的问题，本发明公开了一种改进光照与摄像头差异的牛脸识别方法，构建Style‑ResNet模型进行牛脸识别。本发明在ResNet模型的基础上对复杂牛场环境设计了全新的特征归一化。style‑block利用批归一化后的特征和风格归一化特征计算残差特征，并通过自注意力机制从残差特征中恢复实例归一化丢失的识别特征,并公开了Style‑Loss损失函数，在拉近风格归一化特征和识别特征之间的距离的同时拉远风格归一化特征和分割特征之间的距离，增强模型区分类别相关特征和风格特征的能力，提高牛脸识别算法在复杂场景的泛化性。

本发明授权一种改进光照与摄像头差异的牛脸识别方法在权利要求书中公布了：1.一种改进光照与摄像头差异的牛脸识别方法，其特征在于，包括以下步骤：S1采集牛脸数据： 在若干种不同的光照条件下，使用若干款不同的摄像头采集牛脸视频，从所述牛脸视频中截取牛脸图像并进行分类、编号和筛选，构建COWYCTC-868数据集；将所述COWYCTC-868数据集分为训练集和验证集； S2Style-ResNet模型建立与数据训练 S2.1构建特征归一化模块Style-Block 在style-block中，首先按下式所示的方法，对包含风格信息的特征F通过实例归一化得到不包含风格信息的风格归一化特征 式中μ和σ为牛脸图像特征在每一个通道统计的均值和方差，γ和β为实例归一化中的可学习参数；之后再通过包含风格信息的特征F和不包含风格信息的风格归一化特征按下式所示的方法，计算包含实例归一化丢失牛脸图像内容信息的残差特征R： 所述残差特征R∈Rc×h×w,该特征是一个c×h×w的三维数组，所述残差特征R中包含和类别相关的识别特征以及由于光照和摄像头差异产生的风格特征其中c,h,w表示特征的通道数、高度和宽；在所述残差特征R的通道维度，按如下式所示的方法，运用自注意力机制获得残差特征R和识别任务之间的关系向量V： V＝SigmoidConvReLuConvpoolR 式中，关系向量V＝[V0,V1,....,Vc-1]，Sigmoid为激活函数，pool为全局平均池化层、ReLu是激活函数，Conv是卷积层；通过关系向量V，按如下式所示的方法，计算出残差特征R中的类别信息相关的识别特征R+和风格信息特征R-： R+k,:,:＝VkRk,:,: R-k,:,:＝1-VkRk,:,: 其中为特征R的第k个通道的特征，Vk为关系向量V的第k个维度值，最后将恢复的识别特征R+和实例归一化特征相加，得到最后只包含类别信息的输出特征 将style-block从残差特征R中提取的风格特征R-和实例归一化特征相加，得到最后包含风格信息的输出特征 所述风格信息由牛场光照差异和摄像头差异产生； S2.2构建风格归一化残差块Style-Resnet-Block 所述风格归一化残差块的主干框架是使用残差块形式； 所述风格归一化残差块的输入为经过归一化后的图片特征所述经过归一化后的图片特征是通过将输入图像经过3×3卷积层、最大值池化层后得到的；对所述归一化后的图片特征进行若干次卷积归一化和Mish激活函数处理，得到的结果，与所述归一化后的图片特征相加，再经过Mish激活函数处理后，输入特征归一化模块Style-Block，输出只包含类别信息的输出特征S2.3构建Style-Resnet模型 所述Style-Resnet模型的输入为步骤S1中所述的牛脸图像，所述Style-Resnet模型包括一个卷积层Conv,所述卷积层Conv之后设置一个最大池化层MaxPooling,之后设置若干个风格归一化残差块Style-Resnet-Block，之后设置一个平均池化层AvgPooling； S2.4Style-Resnet模型训练 构建Style-Loss损失函数，所述Style-Loss损失函数包含类别信息损失函数和风格信息损失函数； 所述类别信息损失函数的定义式，如下式所示： 式中，为一个训练批次中选择的样本，这类牛的特征经过平均值池化得到最后的识别特征这类牛的特征经过平均值池化得到最后的识别特征对于这个类别而言，其他类别的牛的经过平均池化得到最后的识别特征其他类别的牛的经过平均池化得到最后的识别特征表示和之间的距离；在计算类别信息部分损失时，只包含类别信息所以和是属于同类的他们之间的距离应该尽可能的接近，而中既含有风格信息，也含有类别信息，和的距离应该趋于中间值，和之间的距离小于和之间的距离；对于不同类别的样本和之间的距离也小于和之间的距离； 风格信息损失函数为： 在训练时，同类样本和之间的距离大于和之间的距离，不同类样本和之间的距离小于和之间的距离； 所述Style-Loss损失函数为所述类别信息损失函数和所述风格信息损失函数的加和，如下式所示： 建构总体损失函数，如下式所示： 式中，Lsoftmax为用于类别约束的交叉熵损失，λ为每一级网络块对应Lstyle的正则化系数； 输入步骤S1中所述的训练集，通过所述总体损失函数进行Style-Resnet模型训练，得到训练完成的Style-Resnet模型； S3.向步骤S2.4得到的训练完成的Style-Resnet模型中，输入待识别的牛脸数据，对所述待识别的牛脸数据进行识别，输出识别结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人杭州电子科技大学，其通讯地址为：310018 浙江省杭州市钱塘区白杨街道2号大街1158号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。