[發明專利]基于特征融合的奶牛個體識別方法

有效

• 申請號: 201710443360.2
• 申請日: 2017-06-13
• 公開（公告）號: CN107256398B
• 公開（公告）日: 2020-04-07
• 發明（設計）人: 張滿囤;米娜;郭迎春;于洋;閻剛;王小芳;于明
• 申請（專利權）人: 河北工業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 天津翰林知識產權代理事務所(普通合伙) 12210
• 代理人: 胡安朋

1.基于特征融合的奶牛個體識別方法，其特征在于：是應用改進的LBP-HOG算法進行特征提取和主成分分析方法結合使用進行奶牛個體識別的方法，進一步說是依據不同奶牛個體頭部的鼻鏡和額部位存在明顯差異的特點，使用改進的HOG進行邊緣特征提取，得到奶牛頭部的輪廓特征，與之后LBP局部紋理特征提取進行特征融合，再與主成分分析方法結合使用進行奶牛個體識別，具體步驟如下：

第一步，奶牛視頻數據采集：

初始數據采用奶牛頭部視頻，視頻采集自一個規范奶牛養殖場數量>300頭的奶牛頭部視頻，應用攝像設備錄制，視頻采集時間集中在奶牛進食階段，每次錄制20頭奶牛，每頭奶牛錄制時間為1分鐘，幀速29幀/s，分別采集每頭奶牛的抬頭、偏頭、低頭和進食這幾種狀態，包含了奶牛頭部的鼻鏡和額部位差異明顯的特點，至此完成奶牛視頻數據采集；

第二步，視頻轉化圖片并進行預處理：

分別將上述第一步采集的20頭奶牛頭部的視頻數據轉化成圖片序列，初始圖片大小為1920×1080像素，將彩色圖片序列轉為灰度圖像，并使用photoshop軟件的批量處理功能截取奶牛頭部圖像，然后通過高通濾波處理原圖像，使模糊的圖像更清晰，圖像邊緣紋理增強，最后將圖片進行尺寸歸一化到128*128像素，并將20頭奶牛從1到20編號，表示20個待識別的不同個體，每頭奶牛保留1000張有效圖片，至此完成視頻轉化圖片并進行預處理；

第三步，應用改進的LBP-HOG算法進行特征提取：

(3.1)求得圖像的特征向量H_1＝[H₁₁，H₁₂，H₁₃]：

設上述第二步得到的圖片的圖像中某個3*3局部區域的任意像素為f(x_a,y_a)，其中心像素點為g_a,根據LBP編碼得到圖像的紋理特征T(x_a,y_a)；對窗口的鄰域像素值進行二值化處理，得到圖像的紋理特征T(x_b,y_b)，計算過程如下式(1)所示：

式(1)中，g₀、g₁……g₇為鄰域像素值，T(x_b,y_b)為圖像的紋理信息，s(x)是鄰域像素進行二值化處理后的值，通過比較T(x_a,y_a)、T(x_b,y_b)，得到改進后的LBP編碼為T(x_c,y_c),計算過程如下式(2)所示：

對像素的不同位置進行加權求和，得圖像的LBP值為LBP(x_c,y_c)，計算過程如下式(3)所示：

將LBP值LBP(x_c,y_c)與循環移動后的一位進行位“與”操作，計算二進制為1的個數，標記小于等于2的為等價模式，其余的為混合模式，選擇等價模式中LBP值LBP(x_c,y_c)最小的為等價模式中的代表值，更新LBP值LBP(x_c,y_c)；最后將LBP特征譜以6*6子窗口掃描整個圖像，得到直方圖H₁₁，在以4*4子窗口掃描整個圖像，得到直方圖H₁₂，最后以2*2子窗口掃描整個圖像，得到直方圖H₁₃，將不同尺度下的LBP直方圖級聯起來得到圖像的特征向量H_1＝[H₁₁，H₁₂，H₁₃]；

(3.2)求得改進LBP-HOG算法的特征向量H：

用[-1,0,1]梯度算子對原圖像做卷積運算，得到i方向的梯度分量G_i(i,j)，用[-1,0,1]^T梯度算子對原圖像做卷積運算，得到j方向的梯度分量G_j(i,j),再用公式(4)計算該像素點的梯度大小,用如下式(5)計算該像素點的梯度方向:

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

把[0,2π]的梯度方向劃分成9個區間，計算每個像素點在不同區間的梯度幅值，將圖像分割成cell單元，根據梯度方向和梯度幅值求得每個單元的梯度方向直方圖，即每個單元的梯度累加和；然后將多個臨近的cell組合成block，求得梯度方向直方圖向量并對其進行L2-norm歸一化操作，最后block相連得到圖像的HOG特征向量H₂，通過級聯特征向量H₁、H₂得到改進LBP-HOG算法的特征向量H；

至此完成應用改進的LBP-HOG算法進行特征提取；

第四步，應用主成分分析方法進行特征降維：

通過princomp函數初步求得特征向量、訓練集數組和特征值數組，通過以下公式(6)計算特征值的累計貢獻率，選擇前95％的特征值對應的特征向量，通過以下公式(7)得到最終訓練集數組、測試集數組：

式(6)中，latent為特征值數組，α為每個特征值的貢獻率，α(n)為第n個特征值的貢獻率，α(n-1)為第n-1個特征值的貢獻率，β為特征值的累計貢獻率，γ為符合條件的特征值；

式(7)中，X₀為訓練集原始數據，為訓練集的平均值，Y₀為測試集原始數據，pc_u為第u個特征值對應的特征向量，npc為符合條件的特征向量，X₁為降維之后的訓練集數據，Y₁為降維之后的測試集數據，至此完成應用主成分分析方法進行特征降維；

第五步，將圖像特征數據劃分為訓練集和測試集：

由于每頭奶牛保留下1000張有效圖片，在經過上述處理步驟之后具有相應的1000個特征向量，分別將每頭奶牛的1000個特征向量以隨機方式劃分成800個訓練數據和200個測試數據，最終組成包含16000個特征向量的訓練矩陣和包含4000個特征向量的測試矩陣，至此完成圖像數據劃分為訓練集和測試集；

第六步，SVM訓練：

通過線性核函數的多分類libsvm進行訓練，將第五步處理好的奶牛訓練集數據送入SVM進行建模訓練，得到訓練好的模型，至此完成SVM訓練；

第七步，SVM測試：

將第五步中處理好的奶牛測試集數據送入第六步完成SVM訓練的模型中進行測試，得出預測結果，至此完成SVM測試；

第八步，實現對奶牛個體的有效識別：

根據第七步測試過程得到相應的預測結果，輸出測試集中各特征向量對應的奶牛不同個體的標號，得到奶牛個體類別，至此實現對奶牛個體的有效識別。