[0001] 本发明涉及到图像识别技术领域， 特别是涉及到一种宠物类型识别的方法、 装 置及终端。

背景技术

[0002] 宠物一般指人们为了消除孤寂或出于娱乐目的 而豢养的动物。 宠物是为了精神 的目的而豢养的动植物。 一般为了消除孤寂， 或娱乐而豢养， 一般是哺乳纲或 鸟纲的动物， 因为这些动物脑子比较发达， 容易和人交流。

[0003] 宠物种类繁多， 常见的宠物有猫、 狗、 鱼、 鸟等。 宠物猫的品种大致可分为加 菲猫， 折耳猫， 短毛猫， 波斯猫， 暹罗猫， 虎斑猫， 金吉拉， 巴厘猫， 伯曼猫 ， 孟买猫， 缅甸猫， 埃及猫， 缅因猫， 欧西猫， 布偶猫， 卷毛猫， 新加坡猫， 挪威森林猫， 荧光猫， 索马里猫， 土耳其梵猫， 美国短尾猫等 42种 （采用美国 C AF标准） 。 而在 《AKC犬名录》 记录中， 全世界犬种 300多种， AKC认可的 149 种， 包括阿芬平嘉犬， 阿富汗猎犬， 万能梗， 秋田犬， 阿拉斯加雪橇犬等。

[0004] 显然， 依靠个人经验去识别如此种类繁多的宠物品种 是一件不容易的事情。 而 对于一个喜欢小宠物的用户， 看到一只可爱的小宠物， 却对其一无所知， 是一 件非常遗憾的事情。

技术问题

[0005] 本发明的主要目的为提供一种宠物类型识别的 方法、 装置及终端， 帮助用户识 别宠物的类型

问题的解决方案

技术解决方案

[0006] 本发明提出了一种宠物类型识别的方法， 包括： 获取宠物图像； 根据所述宠物 图像提取宠物的多个身体特征； 将所述宠物的多个身体特征与宠物身体特征数 据库中的数据进行匹配， 得到匹配的宠物类型。

[0007] 优选地， 所述通过相机拍摄所述宠物图像， 包括： [0008] 通过相机拍摄宠物， 得到初始宠物图像。

[0009] 优选地， 所述通过相机拍摄宠物， 得到初始宠物图像之后， 还包括：

[0010] 记录拍摄所述初始宠物图像吋， 相机的位移信息； 判断所述位移信息是否在设 定的允许识别的位移阈值范围内， 在判断出所述位移信息在所述位移阈值范围 内吋， 将所述初始宠物图像作为宠物图像。

[0011] 优选地， 所述根据所述宠物图像提取宠物的多个身体特 征， 包括： 从宠物图像 中提取宠物的整体轮廓； 从所述宠物的整体轮廓中定位脸部、 躯干、 尾巴和四 肢的位置区域； 在所述脸部、 躯干、 尾巴和四肢的位置区域中分别提取宠物的 脸部特征、 躯干特征、 尾巴特征和四肢特征， 所述脸部特征包括眼睛特征、 嘴 巴特征、 鼻子特征、 耳朵特征以及脸部轮廓； 将所述宠物的脸部特征、 躯干特 征、 尾巴特征和四肢特征组合在一起， 形成宠物身体特征集合， 每个特征包括 颜色和形状两个参数。

[0012] 优选地， 所述宠物身体特征数据库中的数据包括： 多个宠物类型的匹配图像集 ， 每个宠物类型的匹配图像集包括一张或多张预 设的宠物匹配图像， 其中包含 一张携带宠物类型标记的所述宠物匹配图像， 记为代表宠物图像； 从每张所述 宠物匹配图像提取得到的参比宠物身体特征集 合， 所述参比宠物身体特征集合 中包含所述宠物匹配图像中所述宠物的多个特 征； 与每个宠物类型的匹配图像 集对应的区别特征集合， 所述区别特征集合表示某一类型宠物的一个或 多个区 别特征， 所述区别特征为用于该类型宠物与其他类型宠 物进行区分的特征。

[0013] 优选地， 所述将所述宠物身体特征集合与宠物身体特征 数据库中的数据进行匹 配， 得到匹配的宠物类型包括： 判断所述宠物身体特征集合是否包含区别特征 集合； 若包含区别特征集合， 则判断包含的区别特征集合是否多于一个； 若是 ， 则将包含的区别特征集合记为筛分区别特征集 合， 采用匹配机制对所述多个 筛分区别特征集合进行筛分， 得到匹配的宠物类型； 若包含一个区别特征集合 ， 则获取与所述区别特征集合对应的宠物类型的 匹配图像集的宠物类型标记， 得到匹配的宠物类型。

[0014] 优选地， 所述采用匹配机制对所述多个筛分区别特征集 合进行筛分， 得到匹配 的宠物类型， 包括： 获取与筛分区别特征集合对应的宠物类型的筛 分匹配图像 集； 调取所述筛分匹配图像集中的所有宠物图像， 获取每张宠物图像对应的参 比宠物身体特征集合； 将所述宠物身体特征集合中的特征与调取的参 比宠物身 体特征集合中的特征进行逐一比对， 计算所述宠物身体特征集合与每个调取的 参比宠物身体特征集合的匹配度； 通过根据所述筛分匹配图像集中所有宠物身 体特征集合与每个调取的参比宠物身体特征集 合的匹配度， 计算所述宠物身体 特征集合中的特征与调取的参比宠物身体特征 集合的匹配度， 计算所述筛分匹 配图像集与所述宠物身体特征集合匹配度的平 均值， 获得作为宠物图像与宠物 类型的整体匹配度； 将整体匹配度最高的筛分匹配图像集参比宠物 身体特征集 合对应的宠物类型作为匹配宠物类型。

[0015] 本发明还提出了一种宠物类型识别的装置， 包括： 获取模块， 用于获取宠物图 像； 特征提取模块， 用于根据所述宠物图像提取宠物的身体特征； 匹配模块， 用于将所述宠物的多个身体特征与宠物身体特 征数据库中的数据进行匹配， 得 到匹配的宠物类型。

[]

[0016] 本发明还提出了一种终端， 包括处理器和存储器； 所述存储器用于存储执行上 述任意一项所述宠物类型识别方法的程序； 所述处理器被配置为用于执行所述 存储器中存储的程序。

发明的有益效果

有益效果

[0017] 本发明提出的宠物类型识别方法、 装置及终端， 其方法中， 智能终端获取宠物 图像； 根据所述宠物图像提取宠物的多个身体特征； 将所述宠物的多个身体特 征与宠物身体特征数据库中的数据进行匹配， 得到匹配的宠物类型， 可使用户 快速获知宠物的类型， 增进对宠物的了解， 帮助用户选择自己喜爱的宠物。 对附图的简要说明

附图说明

[0018] 图 1为本发明宠物类型识别的方法的第一实施例� �流程示意图；

[0019] 图 2为本发明宠物类型识别的方法宠物身体特征� �据库中的数据类型示意图；

[0020] 图 3为本发明宠物类型识别的装置的第一实施例� �结构示意图； [0021] 图 4为本发明宠物类型识别的装置的第二实施例� �结构示意图；

[0022] 图 5为本发明宠物类型识别的装置的第三实施例� �结构示意图；

[0023] 图 6为本发明宠物类型识别的装置的第五实施例� �结构示意图；

[0024] 图 7为本发明宠物类型识别的装置的第六实施例� �结构示意图；

[0025] 图 8为本发明宠物类型识别方法的构思解析图。

[0026] 本发明目的的实现、 功能特点及优点将结合实施例， 参照附图做进一步说明。

实施该发明的最佳实施例

本发明的最佳实施方式

[0027] 应当理解， 此处所描述的具体实施例仅仅用以解释本发明 ， 并不用于限定本发 明。

[0028] 本发明提出一种宠物类型识别的方法， 该宠物类型识别的方法可以应用于控制 终端， 控制终端可以为但不限于平板电脑、 手机或其他智能设备。 本实施例及 以下实施例以手机为例进行说明。 图像识别过程一般是图像通过手机上传至服 务器， 由服务器解析而获得结果再将结果传回手机。 参照图 1， 图 1为本发明宠 物类型识别的方法的第一实施例的流程示意图 。 本发明提出的宠物类型识别的 方法， 包括如下步骤：

[0029] S10、 获取宠物图像；

[0030] S20、 根据所述宠物图像提取宠物的多个身体特征；

[0031] S30、 将所述宠物的多个身体特征与宠物身体特征数 据库中的数据进行匹配， 得到匹配的宠物类型。

[0032] 如步骤 S10所述， 首先是获取宠物图像， 该图像可通过手机拍摄而获取， 也可 以通过导入手机内部的图像或加载网络上的图 像。

[0033] 如步骤 S20所述， 可通过现有的识别技术对宠物的身体特征进行 提取。

[0034] 在步骤 S30中， 宠物身体特征数据库中储存了大量类型的宠物 数据。 某一类型 的宠物也储存了大量的个体宠物特征信息。 数据库统计了某一类型宠物的某一 特征的排布情况， 若该特征离散性较大， 则说明该特征并不是该类型宠物的区 分特征， 则此特征在匹配计算吋， 权重占比可忽略或占比小； 若该特征离散性 小， 则说明该特征是该类型宠物的区分特征， 则此特征在匹配计算吋， 权重占 比大。 具体的占比权重根据宠物类型的不同而不同。 如宠物 X同吋包括区别特征 A和区别特征 B， 区别特征 A属于 A类型宠物， 区别特征 B属于 B类型宠物。 此吋 ， 装置可分析宠物 X的其他特征是否落入 A类型或 B类型宠物的范围， 若只有 A类 型符合而 B类型不符合， 则优先传送 A类型的宠物图片和名称。 匹配过程中， 宠 物身体特征集合与宠物身体特征数据库进行匹 配的方式为， 宠物身体特征集合 中的各个特征变量与宠物身体特征数据库中各 个类型的宠物特征数据逐一匹配 ， 获得匹配结果。

[0035] 当匹配出对应的宠物类型后， 可以通过输出匹配结果给用户， 告知用户匹配的 宠物类型。 输出的结果可以是包括宠物类型名称， 该类型宠物的某一图片或图 片集。 选用的图片来自于宠物数据库， 该宠物数据库包含了宠物身体特征数据 库中对应特征的宠物图像。 选用的图片一般与要辨识的图像中宠物的动作 相同 。 输出结果可以是单一结果， 但不限于单一结果。 可依据匹配度的高低依次输 出判断结果， 匹配度高的优先显示， 用户对该结果不满意可切换至较低匹配度 的结果。

[0036] 进一步的， 基于本发明宠物类型识别的方法的第一实施例 ， 本发明还提出了宠 物类型识别的方法的第二实施例， 与宠物类型识别的方法的第一实施例不同的 是， 步骤 S10包括：

[0037] S101、 通过相机拍摄宠物， 得到初始宠物图像；

[0038] S102、 记录拍摄所述初始宠物图像吋， 相机的位移信息；

[0039] S103、 判断所述位移信息是否在设定的允许识别的位 移阈值范围内， 在判断出 所述位移信息在所述位移阈值范围内吋， 将所述初始宠物图像作为宠物图像。

[0040] 步骤 S101中， 在此场景下， 用户是通过手机对准宠物拍照， 获取宠物的图像。

辨识装置可读取相机的型号以及成像条件。 成像条件包括像素值， ISO感光系数

， 白平衡参数等。 辨识装置可根据具体型号的相机型号及成像条 件对图像进行 优化， 使该宠物图像数据与实际值更为接近。

[0041] 在步骤 S102、 S103中， 用户看到一只自己心仪的宠物， 心情会比较兴奋， 手持 手机拍照吋， 手部可能因为心情兴奋而不能平稳地拍摄宠物 图像。 本实施例的 方法可检测用户拍照吋是否手抖过度而导致拍 摄的宠物图像无法用于识别宠物 类型。

具体的方法是通过三轴陀螺仪或其他相关位置 获取配件， 获取手机中拍摄所述 宠物图像吋的设备位置信息， 记录成像前的位置信息为 （x。， y。， z o) ， 成像 后的位置信息为 （ _{X l} ， _{y i} ， _{Z l} ) ， 则可计算其位移信息。 具体为：

[0044] 判断所述位移信息是否超过设定允许识别的位 移阈值。 若没有超过， 则该图像 可以用于宠物类型识别， 若超过， 则提醒用户重新拍摄。

[0045] 进一步的， 基于本发明宠物类型识别的方法的第一实施例 ， 本发明还提出了宠 物类型识别的方法的第三实施例， 与宠物类型识别的方法的第一实施例不同的 是， 步骤 S20包括：

[0046] S21、 从宠物图像中提取宠物的整体轮廓；

[0047] S22、 从所述宠物的整体轮廓中定位脸部、 躯干、 尾巴和四肢的位置区域； [0048] S23、 在所述脸部、 躯干、 尾巴和四肢的位置区域中分别提取宠物的脸部 特征

、 躯干特征、 尾巴特征和四肢特征， 所述脸部特征包括眼睛特征、 嘴巴特征、 鼻子特征、 耳朵特征以及脸部轮廓。

[0049] 如步骤 S21所述， 对宠物轮廓的辨识， 是通过建立神经网络模型实现的。 通过 大量的图片训练， 使装置可辨别宠物图像中宠物和背景的差异， 进而找出宠物 的轮廓。

[0050] 一般地， 就辨识宠物类型而言， 识别脸部特征最为重要。 利用神经网络模型的 培训机制， 辨识装置可识别出宠物的脸部轮廓。 根据宠物脸部的颜色与环境颜 色的差异， 判断周围环境的环境参数。 结合所述脸部的轮廓内颜色和所述环境 参数辨识宠物的整体轮廓。 比如辨识一只猫所处的环境， 是在床单上还是在地 板上， 是在草地上还是在道路上。 扣除了背景之后， 便可获得宠物的整体轮廓 [0051] 在一些较为复杂的背景中， 扣除背景后获得的宠物整体轮廓并不是真实的 宠物 轮廓， 还包括了部分背景， 此吋可通过宠物身体轮廓定位模型， 保留合理的轮 廓部分。

[0052] 如步骤 S22所述， 在辨别出宠物轮廓的基础上， 将宠物的轮廓划分成四个区域 ： 头部， 躯干， 四肢和尾巴。 由于成像的角度问题， 四肢和尾巴的特征可能在 图像中不显著， 在统计特征吋， 可根据实际情况忽略该两处特征。

[0053] 在步骤 S23中， 辨识头部的特征最为重要， 头部的特征具体包括了耳朵形状， 耳朵颜色， 耳朵相对于脸部的大小， 耳朵位置等； 眼睛形状， 眼睛相对于脸部 的大小， 眼睛颜色， 眼睛在脸部位置等； 鼻子形状， 鼻子相对于脸部的大小， 鼻子颜色， 鼻子在脸部的位置等； 嘴巴形状， 嘴巴相对于脸部的大小， 嘴巴颜 色， 嘴巴在脸部的位置； 脸部相对于躯干的大小， 脸部颜色， 脸部形状等。

[0054] 躯干的特征主要包括躯干相对于头部的大小， 躯干的颜色和颜色分布等。

[0055] 四肢的特征主要包括腿长， 腿部颜色， 腿的粗细等。

[0056] 尾巴的特征主要包括尾巴长度， 尾巴颜色和尾巴粗细等。 但实际拍摄中， 尾巴 常常不能完整地出现于图像之中， 所以装置可智能筛选可甄别的特征。

[0057] 以上宠物的身体特征， 每个特征都用一个变量表示。 提取宠物图像上所有的宠 物特征， 将所有特征组成一个宠物身体特征集合。 但在提取的过程中并不是每 个特征都能被提取。 此吋， 宠物身体特征集合中， 表示不能被提取的特征的变 量的值记为 0。

[0058] 进一步的， 基于本发明宠物类型识别的方法的第三实施例 ， 本发明还提出了宠 物类型识别的方法的第四实施例， 与宠物类型识别的方法的第三实施例不同的 是， 步骤 S30中宠物身体特征数据库中的数据包括：

[0059] 多个宠物类型的匹配图像集 301， 每个宠物类型的匹配图像集包括一张或多张 预设的宠物匹配图像， 其中包含一张携带宠物类型标记的所述宠物匹 配图像， 记为代表宠物图像；

[0060] 从每张所述宠物匹配图像提取得到的参比宠物 身体特征集合 302， 所述参比宠 物身体特征集合中包含所述宠物匹配图像中所 述宠物的多个特征；

[0061] 与每个宠物类型的匹配图像集对应的区别特征 集合 303， 所述区别特征集合表 示某一类型宠物的一个或多个区别特征， 所述区别特征为用于该类型宠物与其 他类型宠物进行区分的特征。

[0062] 如图 2所示， 宠物身体特征数据库中包括多种宠物类型的特 征数据， 每种宠物 类型的特征数据又分为三种数据类型， 分别为匹配图像集， 参比宠物身体特征 集合和区别特征集合。

[0063] 匹配图像集 301是指某一宠物类型的图像集， 比如针对波斯猫， 宠物身体特征 数据库储存有波斯猫的图像集。 为了使数据不过度与具体的宠物个体拟合， 某 个宠物个体的宠物图像不超过三张。

[0064] 参比宠物身体特征集合 302是指与每张数据库储存的图片对应的宠物身 体特征 集合。 宠物身体特征的提取可参照实施例二和实施例 三的方法。

[0065] 区别特征集合 303是指某一类型用于该类型宠物与其他类型宠 物进行区分的特 征集合。 可通过收集该类型的宠物图像， 提取每张宠物图像的身体特征， 统计 各个身体特征的排布情况。 区别特征集合 303中， 可区分重要区别特征， 一般区 别特征。 在实际情况下可定义超过 80%的宠物图像具有的宠物特征为重要区别特 征， 超过 60%但小于 80%的宠物图像具有的宠物特征设置为一般区别 特征。 在单 一的区别特征中， 可设置多个数据范围， 并定义对不同的数据范围设置不同的 权重， 例如， 将某一特征划分为三个数据范围 [0,1],(1,2],(2,3]， [0,1]的权重设置 为 0.8， （1,2]的权重设置为 0.6， （2,3]的权重设置为 0.4。 权重为 0.8表示该类型 >80 <¾的宠物图像具有该特征。

[0066] 进一步的， 基于本发明宠物类型识别的方法的第四实施例 ， 本发明还提出了宠 物类型识别的方法的第五实施例， 与宠物类型识别的方法的第四实施例不同的 是， 步骤 S30还包括：

[0067] S31、 判断所述宠物身体特征集合是否包含区别特征 集合；

[0068] S32、 若包含区别特征集合， 则判断包含的区别特征集合是否多于一个；

[0069] S33、 若是， 则将包含的区别特征集合记为筛分区别特征集 合， 采用匹配机制 对所述多个筛分区别特征集合进行筛分， 得到匹配的宠物类型；

[0070] S34、 若包含一个区别特征集合， 则获取与所述区别特征集合对应的宠物类型 的匹配图像集的宠物类型标记， 得到匹配的宠物类型。 [0071] 如步骤 S31所述， 假设宠物身体特征集合为 { _{a i} , _{a 2} , _{a 3} ...a _n }， 记为集合八。 某一 类型的区别特征集合为 {{Χ ,}, {Χ ₂ }， {Χ ₃ }}， 记为集合 X， 此处假定区别特征 集合 X只包括三个区别特征。 另一类型的区别特征集合 Q为 {{Qi}, {Q ₂ }}， 此处 假定区别特征集合 Q只包括两个区别特征。 设定 _{& 1} , _&2 , _&3 分别与{ ₁ }， {X ₂ }， {X 3}对应， & ₄ ,& ₅ 分别与{0 ₁ }， {Q ₂ }对应。 若 a!eiX!}, a ₂ e{X ₂ }， a ₃ e{X ₃ }， 则可 判断集合 A包含区别特征集合 X。 若 a^iQ i}, a ₅ e{Q ₂ }， 则判断集合 A包含区别 特征集合0。 若区别特征集合 X中的子集 X _n 不包含集合 A的对应特征元素 a _n ， 则 可判定集合 A不包含区别特征集合 X。

[0072] 如步骤 S32、 S33、 S34所述， 本步骤是关于判断出现不同结果的处理方法。 若 集合 A不包含任何区别特征集合， 则匹配不成功， 输出无法识别的结果。 若集合 A包含一个区别特征集合， 则输出与该区别特征集合对应的宠物类型的宠 物代表 图像。 点击宠物代表图像， 可加载相应的匹配宠物图像集， 方便用户査看该类 型宠物的不同个体的特点， 增加该类型的宠物的了解。 若集合 A包含多个区别特 征集合， 则采用筛分机制， 对得到的结果进一步筛分， 获得各个区别特征集合 的匹配度， 按匹配度的高低输出匹配结果。

[0073] 进一步的， 基于本发明宠物类型识别的方法的第五实施例 ， 本发明还提出了宠 物类型识别的方法的第六实施例， 与宠物类型识别的方法的第五实施例不同的 是， 步骤 S33中， 所述采用匹配机制对所述多个筛分区别特征集 合进行筛分， 得 到匹配的宠物类型， 包括：

[0074] S331、 获取与筛分区别特征集合的多个对应的宠物类 型的筛分匹配图像集；

[0075] S332、 调取与每个所述宠物类型的所述筛分匹配图像 集中的所有宠物图像， 获 取每张宠物图像对应的参比宠物身体特征集合 ；

[0076] S333、 将所述宠物身体特征集合中的特征与调取的参 比宠物身体特征集合中的 特征进行逐一比对， 计算所述宠物身体特征集合与每个调取的参比 宠物身体特 征集合的匹配度；

[0077] S334、 通过根据所述筛分匹配图像集中所有宠物身体 特征集合与每个调取的参 比宠物身体特征集合的匹配度， 计算所述宠物身体特征集合中的特征与调取的 参比宠物身体特征集合的匹配度， 计算所述筛分匹配图像集与所述宠物身体特 征集合匹配度的平均值， 获得作为宠物图像与宠物类型的整体匹配度；

[0078] S335、 将整体匹配度最高的参比宠物身体特征集合对 应的宠物类型作为匹配宠 物类型。

[0079] 步骤 S331、 S332中， 假设筛分区别特征集合对应的宠物类型为 B、 C、 D， 则调 取宠物类型 B、 C、 D对应的宠物图像集， 并调取 B、 C、 D宠物图像集中所有的 宠物图像对应的参比宠物身体特征集合。 以宠物类型 B为例， 宠物类型 B中有 n张 宠物图像， 则其对应的参比宠物身体特征集合也有 n个， 记为 B _{1 ;} B ₂ ， ...B _n 。 参比宠物身体特征集合 B i , b ₂ ， ...b _n }， t为正整数， 取值范围为 [1， n]。

[0080] 在步骤 S333中， 集合 A分别与 B i， B ₂ ， ...B _n 比较， 计算出相应的匹配度 η , , η 2 , ...η _η 。 则宠物类型 Β整体匹配度 ^可由求解 _{η ι} ， η ₂ ， ...η ^ 平均值得到。 同 理可求出宠物类型 C的整体匹配度 η c和宠物类型 D的整体匹配度 η _D 。

[0081] 在步骤 S334、 S335中， 根据整体匹配度的大小， 按顺序输出相应的宠物代表图 像。 整体匹配度最高的宠物类型优先显示， 点击宠物代表图像， 可加载相应的 匹配宠物图像集。 假定整体匹配度η _B 最高， 用户可在宠物图像集 B中査看多张 B 类型宠物图像， 直观地与现实中的宠物对比， 得出自己的判断结果。

[0082] 参照图 3， 图 3为本发明宠物类型识别的装置的第一实施例� �结构示意图。 本发 明提出一种宠物类型识别的装置， 包括：

[0083] 获取模块 10， 用于获取宠物图像；

[0084] 特征提取模块 20， 用于根据所述宠物图像提取宠物的身体特征；

[0085] 匹配模块 30， 用于将所述宠物的多个身体特征与宠物身体特 征数据库中的数据 进行匹配， 得到匹配的宠物类型。

[0086] 获取模块 10中， 首先是获取宠物图像， 该图像可通过手机拍摄而获取， 也可以 通过导入手机内部的图像或加载网络上的图像 。

[0087] 特征提取模块 20， 是通过建立神经网络模型实现的。 通过大量的图片训练， 使 装置可辨别宠物图像中宠物和背景的差异， 进而找出宠物的轮廓。

[0088] 在辨别出宠物轮廓的基础上， 将宠物的轮廓划分成四个区域： 头部， 躯干， 四 肢和尾巴。 由于成像的角度问题， 四肢和尾巴的特征可能在图像中不显著， 在 统计特征吋， 可根据实际情况忽略该两处特征。 [0089] 辨识头部的特征最为重要， 头部的特征具体包括了耳朵形状， 耳朵颜色， 耳朵 相对于脸部的大小， 耳朵位置； 眼睛形状， 眼睛相对于脸部的大小， 眼睛颜色 ， 眼睛在脸部位置； 鼻子形状， 鼻子相对于脸部的大小， 鼻子颜色， 鼻子在脸 部的位置； 嘴巴形状， 嘴巴相对于脸部的大小， 嘴巴颜色， 嘴巴在脸部的位置 ； 脸部相对于躯干的大小， 脸部颜色， 脸部形状。

[0090] 躯干的特征主要包括躯干相对于头部的大小， 躯干的颜色和颜色分布。

[0091] 四肢的特征主要包括腿长， 腿部颜色， 腿的粗细。

[0092] 尾巴的特征主要包括尾巴长度， 尾巴颜色和尾巴粗细。 但实际拍摄中， 尾巴常 常不能完整地出现于图像之中， 所以装置可智能筛选可甄别的特征。

[0093] 在匹配模块 30中， 宠物身体特征数据库中储存了大量类型的宠物 数据。 某一类 型的宠物也储存了大量的个体宠物特征信息。 数据库统计了某一类型宠物的某 一特征的排布情况， 若该特征离散性较大， 则说明该特征并不是该类型宠物的 区分特征， 则此特征在匹配计算吋， 权重占比可忽略或占比小； 若该特征离散 性小， 则说明该特征是该类型宠物的区分特征， 则此特征在匹配计算吋， 权重 占比大。 具体的占比权重根据宠物类型的不同而不同。 如宠物 X同吋包括区别特 征 A和区别特征 B， 区别特征 A属于 A类型宠物， 区别特征 B属于 B类型宠物。 此 吋， 装置可分析宠物 X的其他特征是否落入 A类型或 B类型宠物的范围， 若只有 A 类型符合而 B类型不符合， 则优先传送 A类型的宠物图片和名称。

[0094] 输出结果是包括宠物类型名称， 该类型宠物的某一图片或图片集。 选用的图片 来自于宠物数据库， 该宠物数据库包含了宠物身体特征数据库中对 应特征的宠 物图像。 选用的图片一般与辨识的图像宠物动作相同。 输出结果可以是单一结 果， 但不限于单一结果。 可依据匹配度的高低依次输出判断结果， 匹配度高的 优先显示， 用户对该结果不满意可切换至较低匹配度的结 果。

[0095] 如图 4所示， 图 4为本发明宠物类型识别的装置的第二实施例� �结构示意图。 进 一步的， 基于本发明宠物类型识别的装置的第一实施例 ， 本发明还提出了宠物 类型识别的装置的第二实施例。 与宠物类型识别的装置的第一实施例不同的是 ， 获取模块 10还包括：

[0096] 图像获取单元 101， 用于通过相机拍摄宠物， 得到初始宠物图像。 [0097] 位移记录单元 102， 用于记录拍摄所述宠物图像吋的设备位移信息 ；

[0098] 图像清晰度判断单元 103， 用于判断所述位移信息是否在设定的允许识别 的位 移阈值范围内， 在判断出所述位移信息在所述位移阈值范围内 吋， 将所述初始 宠物图像作为宠物图像。

[0099] 图像获取单元 101中， 用户是通过手机对准宠物拍照， 获取宠物的图像。 辨识 装置可读取相机的型号以及成像条件。 成像条件包括像素值， ISO感光系数， 白 平衡参数等。 辨识装置可根据具体型号的相机型号及成像条 件对图像进行优化 ， 使该宠物图像数据与实际值更为接近。

[0100] 位移记录单元 102中， 用户看到一只自己心仪的宠物， 心情会比较兴奋， 手持 手机拍照吋， 手部可能因为心情兴奋而不能平稳地拍摄宠物 图像。 本实施例的 装置可检测用户拍照吋是否手抖过度而导致拍 摄的宠物图像无法用于识别宠物 类型。

[0101] 图像清晰度判断单元 103中， 具体的装置是通过三轴陀螺仪或其他相关位置 获 取配件， 获取手机中拍摄所述宠物图像吋的设备位置信 息， 记录成像前的位置 信息为 （x。， y。， z o) ， 成像后的位置信息为 （ _{X l} ， y , , _{Z l} ) ， 则可计算其位 移信息。 具体为：

[0103] 判断所述位移信息是否超过设定允许识别的位 移阈值范围内， 其中， 位移值范 围为预先设置。 若没有超过， 则该图像可以用于宠物类型识别， 若超过， 则提 醒用户重新拍摄。

[0104] 如图 5所示， 图 5为本发明宠物类型识别的装置的第三实施例� �结构示意图。 进 一步的， 基于本发明宠物类型识别的装置的第一实施例 ， 本发明还提出了宠物 类型识别的装置的第三实施例， 与宠物类型识别的装置的第一实施例不同的是 ， 所述特征提取模块 20包括： [0105] 整体轮廓提取单元 21， 用于从宠物图像中提取宠物的整体轮廓；

[0106] 身体位置定位单元 22， 用于从所述宠物的整体轮廓中定位脸部、 躯干、 尾巴和 四肢的位置区域；

[0107] 特征提取单元 23， 用于在所述脸部、 躯干、 尾巴和四肢的位置区域中分别提取 宠物的脸部特征、 躯干特征、 尾巴特征和四肢特征， 所述脸部特征包括眼睛特 征、 嘴巴特征、 鼻子特征、 耳朵特征以及脸部轮廓。

[0108] 整体轮廓提取单元 21中， 对宠物轮廓的辨识， 是通过建立神经网络模型实现的

。 通过大量的图片训练， 使装置可辨别宠物图像中宠物和背景的差异， 进而找 出宠物的轮廓。

[0109] 一般地， 就辨识宠物类型而言， 识别脸部特征最为重要。 利用神经网络模型的 培训机制， 辨识装置可识别出宠物的脸部轮廓。 根据宠物脸部的颜色与环境颜 色的差异， 判断周围环境的环境参数。 结合所述脸部的轮廓内颜色和所述环境 参数辨识宠物的整体轮廓。 比如辨识一只猫所处的环境， 是在床单上还是在地 板上， 是在草地上还是在道路上。 扣除了背景之后， 便可获得宠物的整体轮廓

[0110] 在一些较为复杂的背景中， 扣除背景后获得的宠物整体轮廓并不是真实的 宠物 轮廓， 还包括了部分背景， 此吋可通过宠物身体轮廓定位模型， 保留合理的轮 廓部分。

[0111] 身体位置定位单元 22中， 在辨别出宠物轮廓的基础上， 将宠物的轮廓划分成四 个区域： 头部， 躯干， 四肢和尾巴。 由于成像的角度问题， 四肢和尾巴的特征 可能在图像中不显著， 在统计特征吋， 可根据实际情况忽略该两处特征。

[0112] 特征提取单元 23中， 辨识头部的特征最为重要， 头部的特征具体包括了耳朵形 状， 耳朵颜色， 耳朵相对于脸部的大小， 耳朵位置等； 眼睛形状， 眼睛相对于 脸部的大小， 眼睛颜色， 眼睛在脸部位置等； 鼻子形状， 鼻子相对于脸部的大 小， 鼻子颜色， 鼻子在脸部的位置等； 嘴巴形状， 嘴巴相对于脸部的大小， 嘴 巴颜色， 嘴巴在脸部的位置； 脸部相对于躯干的大小， 脸部颜色， 脸部形状等

[0113] 躯干的特征主要包括躯干相对于头部的大小， 躯干的颜色和颜色分布等。 [0114] 四肢的特征主要包括腿长， 腿部颜色， 腿的粗细等。

[0115] 尾巴的特征主要包括尾巴长度， 尾巴颜色和尾巴粗细等。 但实际拍摄中， 尾巴 常常不能完整地出现于图像之中， 所以装置可智能筛选可甄别的特征。

[0116] 以上宠物的身体特征， 每个特征都用一个变量表示。 提取宠物图像上所有的宠 物特征， 将所有特征组成一个宠物身体特征集合。 但在提取的过程中并不是每 个特征都能被提取。 此吋， 宠物身体特征集合中， 表示不能被提取的特征的变 量的值记为 0。

[0117] 将所述宠物的脸部特征、 躯干特征、 尾巴特征和四肢特征组合在一起， 形成宠 物身体特征集合， 每个特征包括颜色和形状两个参数。

[0118] 进一步的， 基于本发明宠物类型识别的装置的第三实施例 ， 本发明还提出了宠 物类型识别的装置的第四实施例， 与宠物类型识别的装置的第三实施例不同的 是， 所述宠物身体特征数据库包括：

[0119] 多个宠物类型的匹配图像集 301， 每个宠物类型的匹配图像集包括一张或多张 预设的宠物匹配图像， 其中包含一张携带宠物类型标记的所述宠物匹 配图像， 记为代表宠物图像；

[0120] 从每张所述宠物匹配图像提取得到的参比宠物 身体特征集合 302， 所述参比宠 物身体特征集合中包含所述宠物匹配图像中所 述宠物的多个特征；

[0121] 与每个宠物类型的匹配图像集对应的区别特征 集合 303， 所述区别特征集合表 示某一类型宠物的一个或多个区别特征， 所述区别特征为用于该类型宠物与其 他类型宠物进行区分的特征。

[0122] 匹配图像集 301是指某一宠物类型的图像集， 比如针对波斯猫， 宠物身体特征 数据库储存有波斯猫的图像集。 为了使数据不过度与具体的宠物个体拟合， 某 个宠物个体的宠物图像不超过三张。

[0123] 参比宠物身体特征集合 302是指与每张数据库储存的图片对应的宠物身 体特征 集合。 宠物身体特征的提取可参照实施例 2和实施例 3的方法。

[0124] 区别特征集合 303是指某一类型用于该类型宠物与其他类型宠 物进行区分的特 征集合。 可通过收集该类型的宠物图像， 提取每张宠物图像的身体特征， 统计 各个身体特征的排布情况。 区别特征集合 303中， 可区分重要区别特征， 一般区 别特征。 在实际情况下可定义超过 80%的宠物图像具有的宠物特征为重要区别特 征， 超过 60%但小于 80%的宠物图像具有的宠物特征设置为一般区别 特征。 在单 一的区别特征中， 可设置多个数据范围， 并定义对不同的数据范围设置不同的 权重， 例如， 将某一特征划分为三个数据范围 [0,1],(1,2],(2,3]， [0,1]的权重设置 为 0.8， （1,2]的权重设置为 0.6， （2,3]的权重设置为 0.4。 权重为 0.8表示该类型 >80 <¾的宠物图像具有该特征。

[0125] 如图 6所示， 图 6为本发明宠物类型识别的装置的第五实施例� �结构示意图。 进 一步的， 基于本发明宠物类型识别的装置的第四实施例 ， 本发明还提出了宠物 类型识别的装置的第五实施例， 与宠物类型识别的装置的第四实施例不同的是 ， 所述匹配模块 30包括：

[0126] 匹配单元 31， 用于判断所述宠物身体特征集合是否包含区别 特征集合；

[0127] 结果分析单元 32， 用于分析若包含区别特征集合， 则判断包含的区别特征集合 是否多于一个；

[0128] 多结果处理单元 33， 用于结果分析单元出现多个结果吋， 则将包含的区别特征 集合记为筛分区别特征集合， 采用匹配机制对所述多个筛分区别特征集合进 行 筛分， 得到匹配的宠物类型；

[0129] 单一结果处理单元 34， 用于结果分析单元只有一个结果吋， 则获取与所述区别 特征集合对应的宠物类型的匹配图像集的宠物 类型标记， 得到匹配的宠物类型

[0130] 匹配单元 31中， 假设宠物身体特征集合为 { _{a i} , _a2 , _{a 3} ...a _n }， 记为集合八。 某一类 型的区别特征集合为 {{X ,}, {X ₂ }， {X ₃ }}， 记为集合 X， 此处假定区别特征集 合 X只包括三个区别特征。 另一类型的区别特征集合 Q为 {{(^}， {Q ₂ }}， 此处假 定区别特征集合 Q只包括两个区别特征。 设定 _&1 , _&2 , _&3 分别与{ ₁ }， {X ₂ }， {X ₃ } 对应， a ₄ ,a ₅ 分别与 {Q i}， {Q ₂ }对应。 若 a!eiX !}, a ₂ e{X ₂ }， a ₃ e{X ₃ }， 则可判 断集合 A包含区别特征集合 X。 若 a^iQ i}, a ₅ e{Q ₂ }， 则判断集合 A包含区别特 征集合 Q。 若区别特征集合 X中的子集 X _n 不包含集合 A的对应特征元素 a _n ， 则可 判定集合 A不包含区别特征集合 X。

[0131] 结果分析单元 32中， 若集合 A不包含任何区别特征集合， 则输出无法识别的结 果。 单一结果处理单元 34中， 集合 A只包含一个区别特征集合， 则输出与该区别 特征集合对应的宠物类型的宠物代表图像。 点击宠物代表图像， 可加载相应的 匹配宠物图像集， 方便用户査看该类型宠物的不同个体的特点， 增加该类型的 宠物的了解。 多结果处理单元 33中， 集合 A包含多个区别特征集合， 则采用筛分 机制， 对得到的结果进一步筛分， 获得各个区别特征集合的匹配度， 按匹配度 的高低输出匹配结果。

[0132] 如图 7所示， 图 7为本发明宠物类型识别的装置的第六实施例� �结构示意图。 进 一步的， 基于本发明宠物类型识别的装置的第五实施例 ， 本发明还提出了宠物 类型识别的装置的第六实施例， 与宠物类型识别的装置的第五实施例不同的是 ， 结果分析单元 33中的匹配机制包括：

[0133] 调取子单元 331， 用于获取与筛分区别特征集合对应的宠物类型 的筛分匹配图 像集； 调取所述筛分匹配图像集中的所有宠物图像， 获取每张宠物图像对应的 参比宠物身体特征集合；

[0134] 匹配子单元 332， 用于将所述宠物身体特征集合中的特征与调取 的参比宠物身 体特征集合中的特征进行逐一比对， 计算所述宠物身体特征集合与每个调取的 参比宠物身体特征集合的匹配度； 通过根据所述筛分匹配图像集中所有宠物身 体特征集合与每个调取的参比宠物身体特征集 合的匹配度， 计算所述宠物身体 特征集合中的特征与调取的参比宠物身体特征 集合的匹配度， 计算所述筛分匹 配图像集与所述宠物身体特征集合匹配度的平 均值， 获得作为宠物图像与宠物 类型的整体匹配度；

[0135] 适配子单元 333， 用于将整体匹配度最高的筛分匹配图像集参比 宠物身体特征 集合对应的宠物类型作为匹配宠物类型。

[0136] 调取子单元 331中， 假设筛分区别特征集合对应的宠物类型为 B、 C、 D， 则调 取宠物类型 B、 C、 D对应的宠物图像集， 并调取 B、 C、 D宠物图像集中所有的 宠物图像对应的参比宠物身体特征集合。 以宠物类型 B为例， 宠物类型 B中有 n张 宠物图像， 则其对应的参比宠物身体特征集合也有 n个， 记为 B _{1 ;} B ₂ ， . . .B _n 。 参比宠物身体特征集合 B i , b ₂ ， . . .b _n }， t为正整数， 取值范围为 [ 1， n]。

[0137] 匹配子单元 332中， 集合 A分别与 B ,， B ₂ ， . . .B _n 比较， 计算出相应的匹配度 η , ， η ₂ ， ...η _η 。 则宠物类型 Β整体匹配度 η _Β 可由求解 _{η ι} ， η ₂ ， ...η _η 的平均值得到

。 同理可求出宠物类型 C的整体匹配度 η c和宠物类型 D的整体匹配度 η _D 。

[0138] 适配子单元 333中， 根据整体匹配度的大小， 按顺序输出相应的宠物代表图像 。 整体匹配度最高的宠物类型优先显示， 点击宠物代表图像， 可加载相应的匹 配宠物图像集。 假定整体匹配度η _B 最高， 用户可在宠物图像集 B中査看多张 B类 型宠物图像， 直观地与现实中的宠物对比， 得出自己的判断结果。

[0139] 本发明还提出了一种终端， 包括处理器和存储器； 所述存储器用于存储执行上 述任意一项所述宠物类型识别方法的程序； 所述处理器被配置为用于执行所述 存储器中存储的程序。

[0140] 上述终端可以为手机、 平板电脑、 智能手表、 智能手环或智能眼镜等智能设备 中的一种。 上述终端必须携带有摄像头以获取宠物图像。

[0141] 所属领域的技术人员可以清楚地了解到， 为描述的方便和简洁， 上述描述的终 端的具体工作过程， 可以参考前述方法实施例中的对应过程， 在此不再赘述。

[0142] 如图 8所示， 图 8为本发明宠物类型识别方法的构思解析图。 本发明提出的宠物 类型识别方法， 首先是通过训练机制判断宠物的位置 （即宠物的轮廓） ， 再将 宠物的轮廓划分为头部， 躯干， 四肢， 尾部四个部位， 提取各个部位的特征， 与宠物身体特征数据库中的数据进行匹配， 输出匹配结果。