论文部分内容阅读
近年来基于机器视觉的身份识别系统在各种场景中得到了广泛运用,而现代规模化生猪养殖场对实时监控猪只生长活动、及时发现异常行为提出了新要求。要研究群养猪中猪个体的行为,首先得解决猪个体的身份识别问题。为了更好的利用图像处理技术监控猪只的生长活动,本文利用猪只背部毛发差异,提出了一种基于Gabor方向直方图和支持向量机的猪个体身份识别方法。针对猪的非刚体特性,其外部形状会随其姿态的改变而改变的特点。为了获取稳定的特征区域,首先利用猪体关键点检测算法,在猪只轮廓上找到若干猪只轮廓关键点。然后以这些关键点为基础,在猪只轮廓上划分出肩部和臀部两个特征区域,这两个特征区域受猪只形变影响较小,能保持相对稳定。本文提出的猪体背部毛发模式特征包含丰富的方向和密度信息,为了充分利用这些特征信息,我们采用Gabor滤波器对特征区域进行多尺度多方向滤波。考虑到猪只不同部位的毛发模式存在很大差异,为了充分利用毛发特征的位置信息,本文采用局部描述符而不是全局描述符来描述毛发特征。具体的做法是将特征区域进一步进行网格划分,然后在划分的每个网格中,利用滤波器输出的零直流响应计算Gabor方向直方图。本文利用这些Gabor方向直方图特征建立了一个样本库,样本库中存储着每只猪所有样本图像的Gabor方向直方图。建立样本库后,利用基于组合核函数的SVM对样本库中的样本特征进行训练生成分类器。最后,将测试样本图像中猪只的Gabor方向直方图输入分类器,进行猪个体身份识别。为了测试本文提出的毛发模式特征和Gabor方向直方图特征提取方法对猪只身份识别的有效性,我们采用累计匹配特性曲线(CMC)作为性能评价指标,将本文算法与传统的纹理特征提取算法LBP和HOG进行了实验比较。实验结果表明本文算法的平均识别率最高,达到了86.51%。在取得最高识别率的同时,本文算法也保持了最低的特征维数。在实验的最后部分,我们利用不同分辨率的图片测试了本文算法的识别性能。在图片分辨率由1760×1840降为880×920时,本文算法也能保持83.21%的识别率。实验结果表明,本文算法对于低分辨率图片也能取得不错的识别效果,具备一定的实用性。该项研究为无应激的猪个体识别提供了一种新思路,也为进一步探索群养猪个体行为分析提供了一定的技术支持。