为有效提高规模化奶牛养殖场的生产效益,需要实现奶牛的精细养殖。由于精细养殖是根据不同奶牛个体的生存状态采取相应的措施,奶牛的个体识别至关重要。在实际奶牛养殖场中,人工识别法的成本比较高,而电子识别法则受到识别距离的限制,并且多个信号之间会出现干扰,两者都不能满足需求。基于计算机视觉的个体识别方法能在保持识别准确率的前提下实现无接触的奶牛个体识别,具有实际应用价值。目前,基于计算机视觉的奶牛个体识别方法研究主要存在如下问题:1)数据集经过人为筛选,仅对特定环境、角度、部位的图像进行识别,导致算法的可移植性差。2)未涉及出现重叠或遮挡状态的奶牛个体识别。针对上述问题,本文提出了一种基于视频流的奶牛个体识别方法,该方法能够解决真实复杂场景中,重叠或遮挡奶牛的识别问题。本次研究首先采集了奶牛养殖场的监控视频,在获取关键帧和间隔帧后,得到图像集cowframe;在图像集上分别训练了奶牛目标的图像分割模型和目标检测模型。最后,输入视频,对初始帧进行奶牛目标检测,获取初始帧的奶牛位置信息;根据需求选定奶牛目标,对具有位置信息的奶牛目标进行目标跟踪,获取其下一帧中的位置;对目标奶牛区域进行图像分割,得到目标区域的分割二值图,对二值图像进行奶牛目标是否遮挡的判定,对脱离遮挡状态的奶牛目标进行识别。本文的主要研究内容如下:（1）基于视频的图像集获取从监控视频中获取的原始视频段,数据量大且信息冗余,无法直接进行处理和分析,因此需要从中抽取一定数量的视频帧。因为奶牛的状态主要有两种:其一长时间静止站立、躺卧或缓慢移动;其二短时间内相对快速地移动。因此等间隔法抽取视频帧虽然能覆盖全时间段,但存在大量冗余;而基于帧间差分法抽取关键帧的方法解决了冗余问题,却无法实现时间段的全覆盖。本文结合这两种方法将关键帧与等间隔帧进行融合,最终生成覆盖全时间段的图像集cowframe。（2）复杂场景中的奶牛分割在图像集cowframe上挑选出1000张图片进行标注,在数据集cowseg上,以8:2的比例划分训练集和测试集。采用PSPNet、SegNet和UNet等3个网络模型分别训练奶牛目标分割模型。损失函数为Focal loss。训练50轮次后,这3个分割网络最终在测试集上的交互比（IOU）评价指标分别为0.9383、0.9176和0.8960;每帧耗时为0.6968秒、1.6525秒和2.0315秒。实验结果表明,使用损失函数Focal loss的图像分割模型PSPNet能够有效对奶牛养殖场景中的奶牛目标进行分割。（3）基于改进YOLOv3模型的奶牛目标检测室外场地中运动的奶牛对象,因活动范围大,在视频帧中的奶牛尺度各不相同。而YOLOv3网络模型适用于检测不同尺度大小的目标,本次研究选用YOLOv3作为基础网络,并对网络做了如下改进:1)添加密集连接模块,提高了模型的特征提取能力。2)添加SPP模块,实现了局部特征与全局特征的融合,提高了最终特征图的表达能力。在奶牛目标检测数据集cowtag,以9:1的比例划分训练集和测试集。训练30000轮次后,在测试集上,最终改进模型的平均准确率（AP）达到0.9536,高于原YOLOv3的0.9344,虽然在模型预测时间上由0.017秒增加到0.02秒,但综合来看本文的改进模型满足复杂场景中奶牛的目标检测需求。（4）遮挡奶牛目标的分离算法为了解决被遮挡奶牛的识别问题,本文设计了一种基于时序视频帧的遮挡奶牛分离算法。首先基于改进YOLOv3模型获取视频帧奶牛的初始位置,然后进行奶牛对象跟踪,逐帧得到奶牛目标的二值分割结果后,判断互相遮挡的奶牛是否脱离遮挡状态,直至脱离,最终获取脱离遮挡后的奶牛对象。（5）个体奶牛识别首先使用残差网络ResNet18、ResNet50、ResNet101对上文获取的脱离遮挡奶牛目标进行分类识别。在涵盖各种角度姿态的8头奶牛组成的数据集cowide上,这些模型的识别准确率分别为0.3063、0.6938以及0.7094。残差网络的特征提取能力较强,但是奶牛目标的身份信息主要是由黑白花纹构成,过深的网络会学习图像中的噪声,造成过拟合。随后使用AlexNet进行识别,识别准确率达到0.9969。因此本文最终选取AlexNet作为图像分类网络来进行个体识别。