[发明专利]一种融合多区域深度特征的奶牛个体身份识别方法

说明书

本发明公开了一种融合多区域深度特征的奶牛个体身份识别方法，所述方法首先通过图像采集设备采集奶牛通过挤奶通道的侧视图像序列，然后对YOLO目标检测模型进行了微调，提取每一帧图像中的奶牛整体区域作为待检测图像。接下来，提出一个区域划分方法，将检测到的奶牛目标划分为头部，躯干和腿部三个区域，并训练了三个独立的卷积神经网络(CNNs)，以从这三个区域分别提取深度特征。最后，设计了一个特征融合策略将提取到的特征进行融合，并使用融合特征训练SVM模型，完成奶牛的个体识别。本发明能够更好地利用奶牛侧视目标图像的各个区域的深度特征，并更好地探索每个区域和多区域组合对奶牛个体识别的影响。

技术领域

本发明涉及一种奶牛个体身份识别方法，具体涉及一种融合多区域深度特征(Deep Part Feature Fusion，DPFF)的奶牛个体识别方法。

背景技术

奶牛的个体识别对精确畜牧业具有重要意义，可用于品种关联、自动行为分析、智能挤奶、奶牛健康监测、体重管理和其它活动。因此，奶牛的个体识别是其它应用的基础。

最近，计算机视觉已广泛应用于动物生物识别。基于计算机视觉的方法可以非接触地识别奶牛，分析奶牛行为。这些非接触式方法提高了个体识别实用性及其自动化程度，从而降低了管理成本。

综合现有文献可知，奶牛个体识别的相关工作主要利用到奶牛的四个区域，即口鼻部、脸部、背部和躯干，这四个区域的一些样本示例如图1(a-d)所示。Kumar等提出了一种自动奶牛识别系统，该系统采用卷积神经网络(CNNs)和深度置信网络(DBNs)提取奶牛口鼻部图像的特征进行奶牛识别。尽管该系统具有较高的准确率，但是待识别的口鼻部区域太小，很难应用于实际生产。Kumar等同时还提出了一种基于奶牛脸部图像的识别方法。该方法首先使用Adaboost脸部检测算法来检测牛脸，并利用PCA、LDA、ICA等技术提取牛脸特征。最后，通过训练支持向量机(SVM)和增量支持向量机(ISVM)来对牛脸进行分类。然而，由于头部运动和不均匀光照等因素增加了所采集脸部图像的复杂性，限制了基于脸部图像的奶牛个体识别性能。Zin等使用帧间差和水平直方图来提取在旋转挤奶厅上的奶牛的背部图像，然后训练卷积神经网络识别奶牛。该方法验证了牛背图像用于奶牛个体识别的可能性。赵凯旋等提出了一种结合帧间差法和分段跨度分析提取奶牛躯干图像，然后使用卷积神经网络识别躯干图像的个体识别方法。在这种方法中，深度特征仅从奶牛的躯干区域中提取而来。

然而，使用奶牛躯干区域进行个体识别不仅取决于奶牛的目标检测，还取决于躯干区域的检测。此外，除了躯干区域，奶牛的侧视图像中的奶牛整体区域(图1e)还包含脖子以上(以下称为头部)区域和腿部区域，这些区域也能够提供有效的身份识别信息。与奶牛的口鼻部和脸部相比，奶牛的侧面更稳定，更容易检测，且当前几乎没有其它工作将奶牛侧视图像用于个体识别，因此，在之前的关于奶牛个体识别的工作中，使用105头奶牛的侧视目标图像训练了卷积神经网络。然而，奶牛各个区域都具有识别能力，现有的工作并不能通过对各个区域进行加权来完成奶牛个体识别。

发明内容

为了更好地利用奶牛侧视目标图像的各个区域的深度特征，并更好地探索每个区域和多区域组合对奶牛个体识别的影响，本发明提供了一种融合多区域深度特征的奶牛个体身份识别方法。

本发明的目的是通过以下技术方案实现的：

一种融合多区域深度特征的奶牛个体身份识别方法，包括如下步骤：

步骤一、数据采集

通过图像采集设备采集奶牛通过挤奶通道的侧视图像序列；

步骤二、目标检测

将待检测图像输入到YOLO目标检测模型中，提取每一帧图像中的奶牛整体区域作为待识别图像，并划分为两个数据集，一个作为训练集，一个作为验证集，其中，待识别图像按照下式进行选取：