一种基于深度残差收缩网络的犬鼻纹识别方法和模型

技术特征：
1.一种基于深度残差收缩网络的犬鼻纹识别方法，其特征在于，包括步骤：s10：构建深度残差收缩网络模型；其中，所述深度残差收缩网络模型执行步骤：s11：对输入的所述犬鼻纹图像进行图像预处理，获得原始特征向量；s12：对所述原始特征向量进行特征提取和噪声滤除，获得分类特征向量；s13：判断分类特征向量的计算次数是否达到预设循环次数，若否，则将当前的分类特征向量作为原始特征向量，返回步骤s12，若是，执行步骤s14；s14：根据所述分类特征向量进行打分预测，输出识别结果；s20：输入构建的犬鼻纹数据集的犬鼻纹图像，将所述深度残差收缩网络模型训练至收敛，获得训练后的深度残差收缩网络模型；s30：将待识别的犬鼻纹图像输入训练后的深度残差收缩网络模型，输出识别结果。2.根据权利要求1所述的一种基于深度残差收缩网络的犬鼻纹识别方法，其特征在于，步骤s12具体为：对所述原始特征向量进行特征提取，获得第一特征向量；然后通过注意力机制对所述第一特征向量进行处理，获得自适应阈值；再根据所述自适应阈值，对所述第一特征向量进行软阈值化处理，获得第二特征向量；最后根据所述原始特征向量和所述第二特征向量进行残差计算，获得所述分类特征向量。3.根据权利要求2所述的一种基于深度残差收缩网络的犬鼻纹识别方法，其特征在于：所述自适应阈值的获取过程为：计算所述第一特征向量的绝对值，然后经过全局均值池化获得中间特征向量；通过全连接网络对所述中间特征向量进行计算，获得一个自适应系数；根据所述自适应系数和所述中间特征向量，计算得到所述自适应阈值；所述自适应阈值的计算公式为：τ＝α
×
a(2)式中，τ表示所述自适应阈值，α表示所述自适应系数，a表示所述中间特征向量，其中，α∈[0,1]。4.根据权利要求3所述的一种基于深度残差收缩网络的犬鼻纹识别方法，其特征在于：所述第二特征向量的获取过程为：将绝对值小于等于所述自适应阈值的所述第一特征向量直接赋值为零，将绝对值大于所述自适应阈值的所述第一特征向量朝着零的方向进行收缩；所述第二特征向量的计算公式为：式中，f'(x)表示所述第二特征向量，f(x)表示所述第一特征向量，x表示所述原始特征向量。5.根据权利要求4所述的一种基于深度残差收缩网络的犬鼻纹识别方法，其特征在于：所述原始特征向量经过至少一个卷积组的特征提取，获得所述第一特征向量；所述分类特征向量的获取方式为：将所述原始特征向量经过快捷连接添加到所述第二分类特征向量；
所述分类特征向量的计算公式为：h(x)＝f'(x) x(4)式中，h(x)表示所述分类特征向量。6.根据权利要求5所述的一种基于深度残差收缩网络的犬鼻纹识别方法，其特征在于：所述预设循环次数为8，所述卷积组的个数为2。7.根据权利要求1所述的一种基于深度残差收缩网络的犬鼻纹识别方法，其特征在于，步骤s20具体为：将所述犬鼻纹数据集中的犬鼻纹图像按9:1的比例随机划分为训练集和测试集，将所述训练集中的犬鼻纹图像随机分为多个批次；初始化所述深度残差收缩网络模型的网络参数，按批次将所述训练集中的犬鼻纹图像输入所述深度残差收缩网络模型进行训练，通过sgd算法优化所述深度残差收缩网络模型的网络参数；训练过程中采用softmaxloss损失函数进行损失计算；每次迭代后，输入所述测试集中的犬鼻纹图像对所述深度残差收缩网络模型的性能进行测试；重复多个迭代直至所述深度残差收缩网络模型达到收敛状态，获得训练后的深度残差收缩网络模型。8.一种基于深度残差收缩网络的犬鼻纹识别模型，其特征在于，所述犬鼻纹识别模型根据下述步骤构建：s10：构建深度残差收缩网络模型；其中，所述深度残差收缩网络模型执行步骤：s11：对输入的所述犬鼻纹图像进行图像预处理，获得原始特征向量；s12：对所述原始特征向量进行特征提取和噪声滤除，获得分类特征向量；s13：判断分类特征向量的计算次数是否达到预设循环次数，若否，则将当前的分类特征向量作为原始特征向量，返回步骤s12，若是，执行步骤s14；s14：根据所述分类特征向量进行打分预测，输出识别结果；s20：输入构建的犬鼻纹数据集的犬鼻纹图像将所述深度残差收缩网络模型训练至收敛，获得训练后的深度残差收缩网络模型。9.一种基于深度残差收缩网络的犬鼻纹识别装置，其特征在于，包括：犬鼻纹数据集，存储有大量犬鼻纹图像；训练后的深度残差收缩网络模型，包括图像预处理模块、至少一个残差收缩模块和分类识别模块；所述图像预处理模块用于对所述犬鼻纹图像进行图像预处理，输出原始特征向量；所述残差收缩模块包括残差单元、注意力机制单元和软阈值化单元；所述残差单元用于对所述原始特征向量进行特征提取，获得第一特征向量；所述注意力机制模块用于根据所述第一特征向量计算获得自适应阈值；所述软阈值化单元用于根据所述自适应阈值对所述第一特征向量进行软阈值化处理，获得第二特征向量；所述残差单元还用于对所述第二特征向量进行残差计算，获得分类特征向量；所述分类识别模块用于根据所述分类特征向量进行打分预测，输出识别结果。10.一种计算机可读存储介质，所述存储介质存储有计算机程序，其特征在于：所述计算机程序被计算机执行时实现权利要求1至7中任一项所述方法的步骤。

技术总结
本发明涉及一种基于深度残差收缩网络的犬鼻纹识别方法。本发明所述的犬鼻纹识别方法包括步骤：S10：构建深度残差收缩网络模型；其中，深度残差收缩网络模型执行步骤：S11：对输入的犬鼻纹图像进行图像预处理，获得原始特征向量；S12：对原始特征向量进行特征提取和噪声滤除，获得分类特征向量；S13：判断分类特征向量的计算次数是否达到预设循环次数，若否，则将当前的分类特征向量作为原始特征向量，返回步骤S12，若是，执行步骤S14；S14：根据分类特征向量进行打分预测，输出识别结果；S20：将所述深度残差收缩网络模型训练至收敛；S30：将待识别的犬鼻纹图像输入训练后的深度残差收缩网络模型，输出识别结果。该法滤除冗余噪声，提高犬鼻纹识别的准确率。犬鼻纹识别的准确率。犬鼻纹识别的准确率。


技术研发人员：严玉琮 邵志刚
受保护的技术使用者：华南师范大学
技术研发日：2022.02.22
技术公布日：2022/5/17