[发明专利]CNN与SVM和ResNet相结合的牛脸识别方法

说明书

本发明提供CNN与SVM和ResNet相结合的牛脸识别方法，针对传统的牛个体身份识别需借助外部工具而产生的管理上的安全隐患及对牛身体的刺激和物理伤害问题。考虑CNN对硬件设备要求高且识别速度慢的问题，以及传统机器学习方法对先验知识的依赖性问题；并考虑到牛脸数据采集困难而产生的小样本问题，以及自然野外光照、视角、距离、运动等客观环境因素与牛脸特征复杂性，本发明具有训练收敛速度快、识别率高及泛化性强等特点。并在Andriod平台下运用该轻量型模型设计和实现了安卓手机APP，进而实现了移动便捷的实时识别系统，并通过了实验验证准确率达95.1％以上。

技术领域

本发明涉及牛只身份识别领域。

背景技术

奶牛和肉牛养殖是整个农业组成的重要部分，在农业经济体系中占据重要地位。随着畜牧养殖业向规模化、信息化、精细化的方向发展，集约化牛场将渐渐取代散户养殖等小规模的养殖模式。在大规模化牛场中要实现对牛个体自动化、信息化的日常精细化管理，实现对每头牛的健康状况追踪以及奶源和肉制品追溯，必须实现质量追溯体系的搭建与完善，而关键又在于对牛个体身份的识别。传统的牛个体身份识别需借助外部工具对身体某部位进行标记或者佩戴标记装置，识别方法具有侵入性，不仅严重影响日常行为，还可能引发全隐患。

自20世纪60年代起，基于生物特征中的人脸识别一直是学术领域探讨和研究的热点问题，引起了很多生物学家以及计算机视觉与图像处理领域研究人员的兴趣。目前，人脸检测和识别已趋于成熟。牛脸是个体最直接的外部可视信息，面部特征的差异性使牛脸得以作为个体身份的标识。鉴于目前人脸识别在诸多领域已经取得了广泛应用，则对牛脸识别技术的发展具有较强的可借鉴空间。国内最近几年才开始进行牛脸识别研究。蔡骋等和宋肖肖针对真实生产环境下，牛场视频监控图像中存在的拍摄角度差异大、光照不均匀、牛脸局部有遮挡等问题，首先对采集的牛脸正面图像采用级联式检测器进行定位，利用监督式梯度下降算法(Supervised Descent Method，SDM)、局部二值算法(Local BinaryFeature，LBF)和主动外观模型算法(Fast Active Appearance Model，FAAM)3种算法提取定位到的牛脸轮廓信息，验证了牛脸特征点检测的可行性和实用性。这类方法前期工作量也较大，且只关注牛的正脸，在实际应用中自动采集数据较难实现。由于人脸有结构化特征，五官部位的位置也较为稳定，便于识别。而牛脸有毛发和纹理变化等干扰因素，且图像采集更不可控，无法让牛自觉地将脸部较长时间稳定地静止在摄像头前。特别是在自然和野外的环境下，光照条件的变化、视角和距离的不同、复杂的背景、牛的运动等因素使图像采集更加困难。不理想的脸部图像会对模型训练和识别有负面影响。因而相较于人脸识别，由于牛脸特征的复杂性以及各种环境因素的影响，当前牛脸识别未能在实际中普及应用。故而，基于CNN在人脸识别上的优势，展开针对牛脸的CNN迁移与改进方法研究有一定的可行性并且也是非常重要的。