(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210292944.5 (22)申请日 2022.03.24 (71)申请人 华南农业大 学 地址 510642 广东省广州市天河区五山路 483号 (72)发明人 田绪红　黎京晔　熊浩　高月芳　 (74)专利代理 机构 广州市华学知识产权代理有 限公司 4 4245 专利代理师 李君 (51)Int.Cl. G06V 40/10(2022.01) G06V 10/44(2022.01) G06V 10/42(2022.01) G06V 10/764(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) (54)发明名称 基于图卷积网络模型的牛脸识别方法、 系 统、 设备及 介质 (57)摘要 本发明公开了一种基于图卷积网络模型的 牛脸识别方法、 系统、 设备及介质， 所述方法包 括： 获取牛脸图像； 利用特征提取网络对牛脸图 像进行初步特征提取， 得到原始特征图； 基于原 始特征图， 进行多尺度多层次的特征划分并初始 化图卷积网络的节点， 利用图卷积网络进行多尺 度多层次的全局 ‑局部信息交互， 实现进一步特 征提取； 使用经过全局 ‑局部信息交互的特征进 行分类， 得到当前牛脸对应的身份标识。 本发明 通过图卷积网络对提取到的原始特征进行多层 次多尺度的全局 ‑局部信息交互， 有效地融合了 牛脸图像的全局 ‑局部信息， 从而明显提高牛脸 识别的准确率。 权利要求书2页 说明书8页 附图5页 CN 114743215 A 2022.07.12 CN 114743215 A 1.一种基于图卷积网络模型的牛脸识别方法， 其特 征在于， 所述方法包括： 获取牛脸图像； 利用特征提取网络对牛脸图像进行初步特 征提取， 得到原 始特征图； 基于原始特征图， 进行多尺度多层次的特征划分并初始化图卷积网络的节点， 利用图 卷积网络进行多尺度多层次的全局 ‑局部信息交 互， 实现进一 步特征提取； 使用经过全局‑局部信息交 互的特征进行分类， 得到当前 牛脸对应的身份标识。 2.根据权利要求1所述的牛脸识别方法， 其特征在于， 所述基于原始特征图， 进行多尺 度多层次的特征划分 并初始化图卷积网络的节点， 利用图卷积网络进 行多尺度多层次的全 局‑局部信息交 互， 具体包括： 基于原始特征图， 构造三层结构的图， 作为图卷积网络中的图结构； 基于三层结构的图， 使用不同大小的池化操作将原 始特征图转换成三层特 征矩阵； 利用三层特征矩阵初始化对应层的图节点， 得到每层各图节点的信 息来源区域大小和 位置； 根据每层各图节点的信息来源区域大小和位置， 构建出一个三层立体结构； 根据三层特 征矩阵， 重整得到图卷积网络中的邻接矩阵； 基于图卷积网络中的邻接矩阵， 使用图卷积网络中的一层图卷积层进行信息交互融 合。 3.根据权利要求2所述的牛脸识别方法， 其特征在于， 所述基于三层结构的图， 使用不 同大小的池化操作将原 始特征图转换成三层特 征矩阵， 如下式： fmatrix‑i＝φi(fI) 其中， fmatrix‑i表示第i层的特征矩阵， 大小为n ×m， n表示第i层的图节点个数， m表示原 始特征图的通道数， fI表示原始特征图， φi表示第i层使用相应池化操作从fI中提取特征向 量并依次排列成特 征矩阵的操作； 所述第i层使用相应层池化操作从fI中提取特征向量并依次排列成特征矩阵的操作， 具 体包括： 使用相应池化核从原 始特征图中提取 出i×i×C的特征图； 将i×i×C的特征图重组成i ×i行、 C列的特征矩阵， 其中， i表示对应层数， C表示原始 特征图的通道数。 4.根据权利要求2所述的牛脸识别方法， 其特征在于， 所述三层立体结构中， 第一层有 一个图节点， 第二层有四个图节点， 第三层有九个图节点； 每层内的图节点按获取信 息区域在原始特征图中的位置进行排布； 同层相邻图节点和 不同层相邻图节点均采用边 缘重叠的信息提取 方式， 并依据覆盖关系建立连接 。 5.根据权利要求2所述的牛脸识别方法， 其特征在于， 所述根据三层特征矩阵， 重整得 到图卷积网络中的邻接矩阵， 如下式： A＝Ψ(fmatrix‑1,fmatrix‑2,fmatrix‑3) 其中， A表示图卷积网络中的邻接矩阵， Ψ表示重整特征矩阵的方法， fmatrix‑1,fmatrix‑2, fmatrix‑3分别表示 三个层次抽取 出的特征矩阵。 6.根据权利要求2所述的牛脸识别方法， 其特征在于， 所述基于图卷积网络 中的邻接矩 阵， 使用图卷积网络中的一层图卷积层进行信息交 互融合， 如下式：权　利　要　求　书 1/2 页 2 CN 114743215 A 2其中， A表示图卷积网络中的邻接矩阵， X表示所有图节点的特征向量 组成的 特征矩阵， W表示图卷积网络的权 重。 7.根据权利要求1 ‑6任一项所述的牛脸识别方法， 其特征在于， 所述特征提取网络选择 ResNet50的前41层； 所述利用特 征提取网络对牛脸图像进行初步特 征提取， 得到原 始特征图， 具体如下： 将牛脸图像输入特征提取网络， 得到尺寸为W ×H×C的原始特征图， 其中W表示宽度、 H 表示高度和C表示 通道数。 8.一种基于图卷积网络模型的牛脸识别系统， 其特 征在于， 所述系统包括： 获取单元， 用于获取 牛脸图像； 第一特征提取单元， 用于利用特征提取网络对牛脸图像进行初步特征提取， 得到原始 特征图； 第二特征提取单元， 用于基于原始特征图， 进行多尺度多层次的特征划分并初始化图 卷积网络的节点， 利用图卷积网络进 行多尺度多层次的全局 ‑局部信息交互， 实现进一步特 征提取； 分类单元， 用于使用经过全局 ‑局部信息交互的特征进行分类， 得到当前牛脸对应的身 份标识。 9.一种计算机设备， 包括处理器以及用于存储处理器可执行程序的存储器， 其特征在 于， 所述处 理器执行存储器存储的程序时， 实现权利要求1 ‑7任一项所述的牛脸识别方法。 10.一种存储介质， 存储有程序， 其特征在于， 所述程序被处理器执行时， 实现权利要求 1‑7任一项所述的牛脸识别方法。权　利　要　求　书 2/2 页 3 CN 114743215 A 3