面向防诈骗畜牧养殖保险的猪脸识别系统综述

吴际 吴恋 廖成华 许云辉

摘要：猪脸识别技术新时代的产物，也是社会进步和科技发展的体现。技术与生活密切相关，既陌生又熟悉，我们陌生它的技术，而熟悉的是它的功能。它是通过收集猪脸部的特征进行分析，每一头猪有自己的独特特征，对这些特征进行收集和存储，通过收集的信息和数据能够高精准的识别和判定。针对特征的收集我们采取的收集方式可以是图像也可以是视频流，通过一系列猪脸识别的技术。

关键词：生物识别技术;深度学习;猪脸识别;Deep ID技术;卷神经网络

中图分类号：TP31       文献标识码：A

文章编号：1009-3044（2020）17-0175-02

开放科学（资源服务）标识码（OSID）：

1 引言

随着时代的进步，人们的生活节奏受到了物联网的改变，也加快了经济的发展。互联网的广泛推广，人们通过互联网解决了许多的难题。在养殖户与保险公司问题中，畜牧养殖保险可以帮助养殖户减少养殖过程中出现的意外造成的各种损失，如今得到很多的养殖户的认可和支持。然而，却存在着很多养殖户指鹿为马李代桃僵诈骗保险的现象。面向防诈骗畜牧养殖保险的猪脸识别系统利用深度学习技术进行动物猪脸的辨识，其识别准确率比传统方法高，其具有一定的市场应用价值，能防止一些农户恶意诈骗保险的情况，能够更加稳固各自的利益。

如果每头购买了保险的猪需要得到理赔，首先需要精准快速确认病猪的身份信息。我们就在想有没有一种方法，能将成本降低，操作简单，适合我们广大农民朋友们使用和保险行业的推广。最后我们想到用深度学习的方法中的识别技术去确定每头猪的主要信息，从而达到精准确认。把这种技术运，用到保险理赔中，由于操作过程方便快捷，进而可以让双方都可以尽快地解决问题，这样成本就可以从10元以上降低到1元以下。此外在实践中，小规模的死亡只需要农民对病死猪拍照上传拍摄病死猪照片上，这是非常方便快捷的。

当前深度算法在全球具有极大的影响力，深度学习在国外受到很多的国家的关注，如今已有很多国家已经在开展有关于深度学习这方面算法的研究。其中最受人们欢迎的就是Deep ID算法的研究，在日本、美国、欧洲国家等都有非常著名的研究机构。例如在大家都熟悉的麻省理工学院就设有人工智能实验室，在科技比较发达的美国在卡内基梅隆大学也设有微软研究院等。

对于我国来说，最近这几年才属于真正开始做有关于猪脸自动识别的研究，主要研究领域涉及计算机视觉、模式识别、机器学习等，尤其关注于猪脸识别以及多模式交互技术，其中支撑猪脸识别的主要算法就是我们都熟悉的Deep ID算法，它的发展历程和发展中的应用就造就了我们的——猪脸验证。它主要是让两张照片进行一个相似度的比对，从而判断是不是同一只猪。根据这样的猪脸验证方式可以解决很多问题，从而很容易将猪脸验证猪脸的问题转化为猪脸的识别问题。而猪脸的识别就是通过反复的猪脸的验证，我们再通过Deep ID算法结合PCA算法就可以达到的预期效果。

2 猪脸识别

如果说生物识别大家估计很陌生，但说人脸识别大家就比价熟悉了。猪脸识别和人脸识别是一个性质的存在，而他们都被统称为生物识别，都只是生物识别的一个分支。猪脸识别是通过对猪的脸部的特征进行收集、锁定、存储、分析，最后达到识别的功能。对于特征来说有很多，主要的有眼睛（视网膜和虹膜）、嘴的形状、鼻的形状、脸的形状、耳朵的形状、毛的颜色等主要的特征，能够支撑此等识别技术肯定是生物识别和计算机技术。以下的四个环节为识别的过程，分别是：1）图像采集;2）特征提取;3）身份确认;4）身份查找。流程如图1所示。

对于本系统的开发肯定是少不了神经网络的识别方法，此方法目前相对成熟并且应用广泛。对于神经网络识别是通过对生物神经网络的模拟，将神经元转化为计算机编码，此方法可以有效地避开复杂特征的数据提取。在应对大型的图片处理这方面肯定不会错过卷积神经网络（CNN），它是一种前馈的神经网络，它的人工神经元能够响应部分覆盖范围内的周围单元，在处理大型图片有很突出的表现。当然，计算机也可以做简单的分类图片处理，得到一系列卷积层级，最后建构出更为抽象的概念。神经网络已经成为21世纪计算机领域中最具有影响力成熟新技术，大量公司开始将深度学习用作服务的核心。在图片提取以及图片识别是起主导作用，也是一个是时代的革新。

3 Deep ID技术

Deep ID技术是人脸算法的核心也可以说是生物算法，所以对于我们研究的畜牧业是很实用;Deep ID通过CNN的学习作用，在LFW中测试的精准度非常之高，承受影响因素的能力也是非常强大。而图片再通过Deep ID得到一个160维度的向量，然后通过贝叶斯算法整合分类，最后推理出报告;通过Deep ID之后还进行了降维处理，则需要用到PAC算法，由鲁棒核模糊 PCA 算法本身属于局部最优迭代算法且初始隶属度设置为1，这样就会使得算法进入一个局部值解，稳定性差因此为解决算法对初始值敏感的问题通过相对密度来确定样本初始化隶属度。这样会使我们的精准度得到一个最高值，对实现识别技术的问题得到更加有力的解决方案。可以说Deep ID技术也是我们本系统开发的和核心，也是功能实现的出发点;也可以达到我们要的要求，用最简单的方式做最有用的事，可以通过照片就可以进行准确的分析。Deep ID技术流程如图2所示。

4 总结

随着全面网络管理化方面知识的提升，畜牧养殖保险可以很容易推广面向防诈骗畜牧养殖保险的猪脸识别系统，畜牧养殖户也意识到未来的市场会走向网络化，科学的网络化系统可以给自己减少不必要的损失。利用Deep ID和PAC算法可以解决系统中猪脸特征难题，通过数据的处理、分析、整合，能够达到识别的效果，从而达到预期想要的结果。社会的进步也是意味着技术的改革，利用现代化技术解决生活中遇见的难题，让社会的发展更加的迅速、更稳健、更超前。让科技走向生活，让科技融入最底层的生活，推动社会的进步，用机器来弥补人力的不足。最后，面向防诈骗畜牧养殖保险的猪脸识别系统可以使养殖户与保险公司实现合作共赢，加快牧养养殖业的系统化管理历程。

参考文献：

[1] 陶新民，常瑞，沈微，等.密度敏感鲁棒模糊核主成分分析算法[J].东北林业大学工程技术学院，2018（11）.

[2] 廖列法，勒孚刚，朱亚兰.LDA模型在专利文本分类中的应用[J].现代情报，2017，37（3）：35-39.

[3] 苏金树，张博锋，徐昕.基于机器学习的文本分类技术研究进展[J].软件学报，2006，17（9）：1848-1859.

[4] Sun Y， Wang X， Tang X. Deep learning face representation from predicting 10，000 classes[C]//Computer Vision and Pattern Recognition （CVPR）， 2014 IEEE Conference on. IEEE， 2014： 1891-1898.

[5] Sun Y， Chen Y， Wang X， et al. Deep learning face representation by joint identification-verification[C]//Advances in Neural Information Processing Systems. 2014： 1988-1996.

[6] Sun Y， Wang X， Tang X. Deeply learned face representations are sparse， selective， and robust[J]. arXiv preprint arXiv：1412.1265， 2014.

【通聯编辑：梁书】