当前位置：首页 > news >正文

猫咪如厕检测与分类识别系统系列【一】功能需求分析及猫咪分类特征提取

news 来源：原创 2025/9/17 5:48:47

开发背景

家里养了三只猫咪，其中一只布偶猫经常出入厕所。但因为平时忙于学业，没法时刻关注牠的行为。我知道猫咪的如厕频率和时长与健康状况密切相关，频繁如厕可能是泌尿问题，停留过久也可能是便秘或不适。为了更科学地了解牠的如厕习惯，我计划搭建一个基于视频监控和AI识别的系统，自动识别猫咪进出厕所的行为，记录如厕时间和停留时长，并区分不同猫咪。这样即使我不在家，也能掌握猫咪的健康状态，更安心地照顾它们。

🎯 核心需求拆解：

1. 区域检测

指定一个“如厕区域”，只在这个区域内检测是否有猫咪。
可通过自定义矩形坐标或交互式选择方式设置该区域。

2. 猫咪检测 + 分类

使用 YOLOv11 做目标检测，识别猫咪是否进入区域。
分类出是哪只猫（通过猫脸识别或自定义分类模型实现）。
支持动态添加新猫类别

3. 事件记录与图片保存

检测到猫咪“进入区域”时：
- 记录时间戳
- 保存一张图片（入场图）
检测到“离开区域”时：
- 记录时间戳
- 保存一张图片（离场图）
- 计算如厕时间并保存（离开时间 - 进入时间）

4. 记录保存

记录内容包括：
- 猫咪ID / 名称
- 进入时间
- 离开时间
- 如厕时长
- 图片路径
保存为 SQLite 数据库

🛠️ 技术栈：

检测模型：YOLOv11 进行目标检测（识别是否为猫及位置）
分类模型：使用一个轻量 CNN 或 ArcFace + ResNet 的猫脸识别模型（支持增量学习或动态注册）
逻辑判断：跟踪猫咪是否进入区域（通过目标跟踪或 ID 跟踪）

✅ UI 界面设计：

区域选择（绘制检测区域）【待更新】
视频流预览（摄像头或视频）【待更新】
猫咪管理（添加猫照片及名字）【已完成】
事件记录展示（列表、时间线）【已完成】
导出功能（CSV / Excel / 图片）【待更新】

✅ 一、猫咪分类模块（支持添加新猫）

思路：

我们用猫脸图片提特征，然后进行“最近邻”匹配：

初次录入时，提取特征 + 存入特征库（保存为 .npy 或 SQLite）
实时推理时，检测到猫 → 裁剪猫脸 → 提特征 → 与已知猫对比 → 分类结果

模型选型（轻量）：

使用 ResNet18 或 MobileFaceNet 做猫脸识别
特征距离：欧氏距离 / 余弦相似度

✅ 二、YOLOv11 + 摄像头区域检测

功能：

启动摄像头实时检测
在图像中标注“如厕区域”
判断猫是否进入区域
裁剪猫图并交给分类模块识别
管理状态（进入 / 离开）并记录时间

🧱 项目目录构建：

cat_monitor/
├── detector/               # YOLOv11 推理代码
│   └── yolo_detector.py
├── recognizer/             # 猫咪识别代码
│   ├── embedder.py         # 提取猫脸特征
│   ├── database.py         # 猫脸数据库管理
│   └── matcher.py          # 分类识别逻辑
├── data/
│   └── embeddings/         # 猫脸特征向量存储
├── records/                # 图片与如厕记录
├── web/                    # Flask 前端展示
├── main.py                 # 实时主程序
└── config.py

🐱 猫咪分类模块目标

✅ 功能概述：

用户上传猫咪脸部图片 + 输入名字 → 添加新猫
每张图提取特征（使用轻量模型）
将猫的特征保存（后续用于识别）
实时时：检测到猫 → 裁剪猫图 → 提特征 → 与库里比对 → 得出是哪只猫

🧠 分类逻辑核心流程：

提特征（使用预训练猫脸模型 or 自训练轻量 CNN）
保存特征向量（.npy）+ 名称映射
比对：通过余弦相似度 / 欧氏距离 → 找出最接近的猫

✅ 模块设计方案

🔹 1. `embedder.py` – 提取猫脸特征

import torch
import torchvision.transforms as transforms
from torchvision.models import resnet18
from PIL import Imageclass CatEmbedder:def __init__(self, model_path=None):self.model = resnet18(pretrained=True)  # 可替换为你训练的猫脸模型self.model.fc = torch.nn.Identity()self.model.eval()self.transform = transforms.Compose([transforms.Resize((224, 224)),transforms.ToTensor(),])def extract(self, img_path):img = Image.open(img_path).convert('RGB')img = self.transform(img).unsqueeze(0)with torch.no_grad():features = self.model(img)return features.squeeze().numpy()

🔹 2. `database.py` – 管理猫的特征库

import os
import numpy as np
import jsonclass CatDatabase:def __init__(self, db_path='data/embeddings'):self.db_path = db_pathself.mapping_file = os.path.join(db_path, 'cat_names.json')os.makedirs(db_path, exist_ok=True)if os.path.exists(self.mapping_file):with open(self.mapping_file, 'r') as f:self.name_map = json.load(f)else:self.name_map = {}def add_cat(self, name, embedding):cat_id = str(len(self.name_map))np.save(os.path.join(self.db_path, f"{cat_id}.npy"), embedding)self.name_map[cat_id] = namewith open(self.mapping_file, 'w') as f:json.dump(self.name_map, f)def get_all(self):embeddings = []names = []for cat_id, name in self.name_map.items():vec = np.load(os.path.join(self.db_path, f"{cat_id}.npy"))embeddings.append(vec)names.append(name)return embeddings, names

🔹 3. `matcher.py` – 识别猫咪身份

from sklearn.metrics.pairwise import cosine_similarity
import numpy as npclass CatMatcher:def __init__(self, db):self.db = dbdef match(self, query_vec, threshold=0.7):embeddings, names = self.db.get_all()if not embeddings:return "Unknown"sims = cosine_similarity([query_vec], embeddings)[0]best_idx = np.argmax(sims)if sims[best_idx] > threshold:return names[best_idx]return "Unknown"

✅ 流程示意图：

【上传猫脸图 + 名字】↓extract → embedding↓database.add_cat(name, embedding)↓
【实时分类时】→ 提特征 → matcher.match() → 猫名 / Unknown

✅ 测试：

# 测试添加猫
from recognizer.embedder import CatEmbedder
from recognizer.database import CatDatabaseembedder = CatEmbedder()
db = CatDatabase()vec = embedder.extract("cat_face_1.jpg")
db.add_cat("Mimi", vec)

# 测试识别
from recognizer.matcher import CatMatchermatcher = CatMatcher(db)
query_vec = embedder.extract("some_query_cat.jpg")
print(matcher.match(query_vec))

接下来制作一个猫咪添加页面的 Web 前端，用 Flask 实现，功能如下：

🧩 功能：

上传猫咪脸部图片（JPEG/PNG）
输入猫咪的名字
点击提交 → 提取特征并存入数据库
页面展示已有猫咪列表（含名字）

📁 项目结构（简化版）

cat_monitor/
├── recognizer/
│   ├── embedder.py
│   ├── database.py
│   └── matcher.py
├── web/
│   ├── app.py          ← Flask 主程序
│   ├── templates/
│   │   └── index.html  ← 上传页面
│   └── static/
│       └── uploads/    ← 存猫图

🔧 1. Flask 后端 (`web/app.py`)

from flask import Flask, render_template, request, redirect, url_for
import os
from recognizer.embedder import CatEmbedder
from recognizer.database import CatDatabaseapp = Flask(__name__)
UPLOAD_FOLDER = 'web/static/uploads'
app.config['UPLOAD_FOLDER'] = UPLOAD_FOLDER
os.makedirs(UPLOAD_FOLDER, exist_ok=True)embedder = CatEmbedder()
db = CatDatabase()@app.route('/', methods=['GET', 'POST'])
def index():if request.method == 'POST':name = request.form['name']file = request.files['image']if name and file:img_path = os.path.join(app.config['UPLOAD_FOLDER'], file.filename)file.save(img_path)vec = embedder.extract(img_path)db.add_cat(name, vec)return redirect(url_for('index'))# 显示已有猫_, names = db.get_all()return render_template('index.html', cats=names)if __name__ == '__main__':app.run(debug=True)

🖼️ 2. HTML 页面 (`web/templates/index.html`)

<!DOCTYPE html>
<html>
<head><title>猫咪识别管理</title>
</head>
<body><h2>添加新猫咪</h2><form method="POST" enctype="multipart/form-data"><input type="text" name="name" placeholder="猫咪名字" required><input type="file" name="image" accept="image/*" required><input type="submit" value="添加猫咪"></form><h3>已录入猫咪：</h3><ul>{% for name in cats %}<li>{{ name }}</li>{% endfor %}</ul>
</body>
</html>

✅ 使用方法

启动 Flask 服务：

cd web
python app.py

打开浏览器访问 http://127.0.0.1:5000/
添加猫咪并上传图片，后台会自动提特征并保存

✅ 前端效果展示

在这里插入图片描述