[发明专利]基于特征融合的奶牛个体识别方法

权利要求书

1.基于特征融合的奶牛个体识别方法，其特征在于：是应用改进的LBP-HOG算法进行特征提取和主成分分析方法结合使用进行奶牛个体识别的方法，进一步说是依据不同奶牛个体头部的鼻镜和额部位存在明显差异的特点，使用改进的HOG进行边缘特征提取，得到奶牛头部的轮廓特征，与之后LBP局部纹理特征提取进行特征融合，再与主成分分析方法结合使用进行奶牛个体识别，具体步骤如下：

第一步，奶牛视频数据采集：

初始数据采用奶牛头部视频，视频采集自一个规范奶牛养殖场数量>300头的奶牛头部视频，应用摄像设备录制，视频采集时间集中在奶牛进食阶段，每次录制20头奶牛，每头奶牛录制时间为1分钟，帧速29帧/s，分别采集每头奶牛的抬头、偏头、低头和进食这几种状态，包含了奶牛头部的鼻镜和额部位差异明显的特点，至此完成奶牛视频数据采集；

第二步，视频转化图片并进行预处理：

分别将上述第一步采集的20头奶牛头部的视频数据转化成图片序列，初始图片大小为1920×1080像素，将彩色图片序列转为灰度图像，并使用photoshop软件的批量处理功能截取奶牛头部图像，然后通过高通滤波处理原图像，使模糊的图像更清晰，图像边缘纹理增强，最后将图片进行尺寸归一化到128*128像素，并将20头奶牛从1到20编号，表示20个待识别的不同个体，每头奶牛保留1000张有效图片，至此完成视频转化图片并进行预处理；

第三步，应用改进的LBP-HOG算法进行特征提取：

(3.1)求得图像的特征向量H_1＝[H₁₁，H₁₂，H₁₃]：

设上述第二步得到的图片的图像中某个3*3局部区域的任意像素为f(x_a,y_a)，其中心像素点为g_a,根据LBP编码得到图像的纹理特征T(x_a,y_a)；对窗口的邻域像素值进行二值化处理，得到图像的纹理特征T(x_b,y_b)，计算过程如下式(1)所示：

式(1)中，g₀、g₁……g₇为邻域像素值，T(x_b,y_b)为图像的纹理信息，s(x)是邻域像素进行二值化处理后的值，通过比较T(x_a,y_a)、T(x_b,y_b)，得到改进后的LBP编码为T(x_c,y_c),计算过程如下式(2)所示：

对像素的不同位置进行加权求和，得图像的LBP值为LBP(x_c,y_c)，计算过程如下式(3)所示：

将LBP值LBP(x_c,y_c)与循环移动后的一位进行位“与”操作，计算二进制为1的个数，标记小于等于2的为等价模式，其余的为混合模式，选择等价模式中LBP值LBP(x_c,y_c)最小的为等价模式中的代表值，更新LBP值LBP(x_c,y_c)；最后将LBP特征谱以6*6子窗口扫描整个图像，得到直方图H₁₁，在以4*4子窗口扫描整个图像，得到直方图H₁₂，最后以2*2子窗口扫描整个图像，得到直方图H₁₃，将不同尺度下的LBP直方图级联起来得到图像的特征向量H_1＝[H₁₁，H₁₂，H₁₃]；

(3.2)求得改进LBP-HOG算法的特征向量H：

用[-1,0,1]梯度算子对原图像做卷积运算，得到i方向的梯度分量G_i(i,j)，用[-1,0,1]^T梯度算子对原图像做卷积运算，得到j方向的梯度分量G_j(i,j),再用公式(4)计算该像素点的梯度大小,用如下式(5)计算该像素点的梯度方向:

式(4)中G(i,j)是像素点的梯度大小，式(5)中α(i,j)是像素点的梯度方向；

把[0,2π]的梯度方向划分成9个区间，计算每个像素点在不同区间的梯度幅值，将图像分割成cell单元，根据梯度方向和梯度幅值求得每个单元的梯度方向直方图，即每个单元的梯度累加和；然后将多个临近的cell组合成block，求得梯度方向直方图向量并对其进行L2-norm归一化操作，最后block相连得到图像的HOG特征向量H₂，通过级联特征向量H₁、H₂得到改进LBP-HOG算法的特征向量H；

至此完成应用改进的LBP-HOG算法进行特征提取；

第四步，应用主成分分析方法进行特征降维：

通过princomp函数初步求得特征向量、训练集数组和特征值数组，通过以下公式(6)计算特征值的累计贡献率，选择前95％的特征值对应的特征向量，通过以下公式(7)得到最终训练集数组、测试集数组：

式(6)中，latent为特征值数组，α为每个特征值的贡献率，α(n)为第n个特征值的贡献率，α(n-1)为第n-1个特征值的贡献率，β为特征值的累计贡献率，γ为符合条件的特征值；

式(7)中，X₀为训练集原始数据，为训练集的平均值，Y₀为测试集原始数据，pc_u为第u个特征值对应的特征向量，npc为符合条件的特征向量，X₁为降维之后的训练集数据，Y₁为降维之后的测试集数据，至此完成应用主成分分析方法进行特征降维；

第五步，将图像特征数据划分为训练集和测试集：

由于每头奶牛保留下1000张有效图片，在经过上述处理步骤之后具有相应的1000个特征向量，分别将每头奶牛的1000个特征向量以随机方式划分成800个训练数据和200个测试数据，最终组成包含16000个特征向量的训练矩阵和包含4000个特征向量的测试矩阵，至此完成图像数据划分为训练集和测试集；

第六步，SVM训练：

通过线性核函数的多分类libsvm进行训练，将第五步处理好的奶牛训练集数据送入SVM进行建模训练，得到训练好的模型，至此完成SVM训练；

第七步，SVM测试：

将第五步中处理好的奶牛测试集数据送入第六步完成SVM训练的模型中进行测试，得出预测结果，至此完成SVM测试；

第八步，实现对奶牛个体的有效识别：

根据第七步测试过程得到相应的预测结果，输出测试集中各特征向量对应的奶牛不同个体的标号，得到奶牛个体类别，至此实现对奶牛个体的有效识别。