面向防詐騙畜牧養殖保險的豬臉識別系統綜述

吳際 吳戀 廖成華 許云輝

摘要：豬臉識別技術新時代的產物，也是社會進步和科技發展的體現。技術與生活密切相關，既陌生又熟悉，我們陌生它的技術，而熟悉的是它的功能。它是通過收集豬臉部的特征進行分析，每一頭豬有自己的獨特特征，對這些特征進行收集和存儲，通過收集的信息和數據能夠高精準的識別和判定。針對特征的收集我們采取的收集方式可以是圖像也可以是視頻流，通過一系列豬臉識別的技術。

關鍵詞：生物識別技術;深度學習;豬臉識別;Deep ID技術;卷神經網絡

中圖分類號：TP31 ? ? ? 文獻標識碼：A

文章編號：1009-3044（2020）17-0175-02

開放科學（資源服務）標識碼（OSID）：

1 引言

隨著時代的進步，人們的生活節奏受到了物聯網的改變，也加快了經濟的發展。互聯網的廣泛推廣，人們通過互聯網解決了許多的難題。在養殖戶與保險公司問題中，畜牧養殖保險可以幫助養殖戶減少養殖過程中出現的意外造成的各種損失，如今得到很多的養殖戶的認可和支持。然而，卻存在著很多養殖戶指鹿為馬李代桃僵詐騙保險的現象。面向防詐騙畜牧養殖保險的豬臉識別系統利用深度學習技術進行動物豬臉的辨識，其識別準確率比傳統方法高，其具有一定的市場應用價值，能防止一些農戶惡意詐騙保險的情況，能夠更加穩固各自的利益。

如果每頭購買了保險的豬需要得到理賠，首先需要精準快速確認病豬的身份信息。我們就在想有沒有一種方法，能將成本降低，操作簡單，適合我們廣大農民朋友們使用和保險行業的推廣。最后我們想到用深度學習的方法中的識別技術去確定每頭豬的主要信息，從而達到精準確認。把這種技術運，用到保險理賠中，由于操作過程方便快捷，進而可以讓雙方都可以盡快地解決問題，這樣成本就可以從10元以上降低到1元以下。此外在實踐中，小規模的死亡只需要農民對病死豬拍照上傳拍攝病死豬照片上，這是非常方便快捷的。

當前深度算法在全球具有極大的影響力，深度學習在國外受到很多的國家的關注，如今已有很多國家已經在開展有關于深度學習這方面算法的研究。其中最受人們歡迎的就是Deep ID算法的研究，在日本、美國、歐洲國家等都有非常著名的研究機構。例如在大家都熟悉的麻省理工學院就設有人工智能實驗室，在科技比較發達的美國在卡內基梅隆大學也設有微軟研究院等。

對于我國來說，最近這幾年才屬于真正開始做有關于豬臉自動識別的研究，主要研究領域涉及計算機視覺、模式識別、機器學習等，尤其關注于豬臉識別以及多模式交互技術，其中支撐豬臉識別的主要算法就是我們都熟悉的Deep ID算法，它的發展歷程和發展中的應用就造就了我們的——豬臉驗證。它主要是讓兩張照片進行一個相似度的比對，從而判斷是不是同一只豬。根據這樣的豬臉驗證方式可以解決很多問題，從而很容易將豬臉驗證豬臉的問題轉化為豬臉的識別問題。而豬臉的識別就是通過反復的豬臉的驗證，我們再通過Deep ID算法結合PCA算法就可以達到的預期效果。

2 豬臉識別

如果說生物識別大家估計很陌生，但說人臉識別大家就比價熟悉了。豬臉識別和人臉識別是一個性質的存在，而他們都被統稱為生物識別，都只是生物識別的一個分支。豬臉識別是通過對豬的臉部的特征進行收集、鎖定、存儲、分析，最后達到識別的功能。對于特征來說有很多，主要的有眼睛（視網膜和虹膜）、嘴的形狀、鼻的形狀、臉的形狀、耳朵的形狀、毛的顏色等主要的特征，能夠支撐此等識別技術肯定是生物識別和計算機技術。以下的四個環節為識別的過程，分別是：1）圖像采集;2）特征提取;3）身份確認;4）身份查找。流程如圖1所示。

對于本系統的開發肯定是少不了神經網絡的識別方法，此方法目前相對成熟并且應用廣泛。對于神經網絡識別是通過對生物神經網絡的模擬，將神經元轉化為計算機編碼，此方法可以有效地避開復雜特征的數據提取。在應對大型的圖片處理這方面肯定不會錯過卷積神經網絡（CNN），它是一種前饋的神經網絡，它的人工神經元能夠響應部分覆蓋范圍內的周圍單元，在處理大型圖片有很突出的表現。當然，計算機也可以做簡單的分類圖片處理，得到一系列卷積層級，最后建構出更為抽象的概念。神經網絡已經成為21世紀計算機領域中最具有影響力成熟新技術，大量公司開始將深度學習用作服務的核心。在圖片提取以及圖片識別是起主導作用，也是一個是時代的革新。

3 Deep ID技術

Deep ID技術是人臉算法的核心也可以說是生物算法，所以對于我們研究的畜牧業是很實用;Deep ID通過CNN的學習作用，在LFW中測試的精準度非常之高，承受影響因素的能力也是非常強大。而圖片再通過Deep ID得到一個160維度的向量，然后通過貝葉斯算法整合分類，最后推理出報告;通過Deep ID之后還進行了降維處理，則需要用到PAC算法，由魯棒核模糊 PCA 算法本身屬于局部最優迭代算法且初始隸屬度設置為1，這樣就會使得算法進入一個局部值解，穩定性差因此為解決算法對初始值敏感的問題通過相對密度來確定樣本初始化隸屬度。這樣會使我們的精準度得到一個最高值，對實現識別技術的問題得到更加有力的解決方案。可以說Deep ID技術也是我們本系統開發的和核心，也是功能實現的出發點;也可以達到我們要的要求，用最簡單的方式做最有用的事，可以通過照片就可以進行準確的分析。Deep ID技術流程如圖2所示。

4 總結

隨著全面網絡管理化方面知識的提升，畜牧養殖保險可以很容易推廣面向防詐騙畜牧養殖保險的豬臉識別系統，畜牧養殖戶也意識到未來的市場會走向網絡化，科學的網絡化系統可以給自己減少不必要的損失。利用Deep ID和PAC算法可以解決系統中豬臉特征難題，通過數據的處理、分析、整合，能夠達到識別的效果，從而達到預期想要的結果。社會的進步也是意味著技術的改革，利用現代化技術解決生活中遇見的難題，讓社會的發展更加的迅速、更穩健、更超前。讓科技走向生活，讓科技融入最底層的生活，推動社會的進步，用機器來彌補人力的不足。最后，面向防詐騙畜牧養殖保險的豬臉識別系統可以使養殖戶與保險公司實現合作共贏，加快牧養養殖業的系統化管理歷程。

參考文獻：

[1] 陶新民，常瑞，沈微，等.密度敏感魯棒模糊核主成分分析算法[J].東北林業大學工程技術學院，2018（11）.

[2] 廖列法，勒孚剛，朱亞蘭.LDA模型在專利文本分類中的應用[J].現代情報，2017，37（3）：35-39.

[3] 蘇金樹，張博鋒，徐昕.基于機器學習的文本分類技術研究進展[J].軟件學報，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.

【通聯編輯：梁書】