摘要：将躯干图像灰度化后经插值运算和归一化变换为大小的矩阵，作为结构的卷积神经网络的输入进行个体识别。卷积神经网络构建为减少数据量并保证输入图像的细节信息，将奶牛躯干图像灰度化后通过插值计算变化为的图像，并除以归一化后作为输入数据。
最近看了一个有趣的人工智能应用，给大家分享一下~
这是一个人工智能与农业的结合，在农业中我们经常需要给个体动物做标记，目的是对奶牛做身份识别，然后可以对动物做养殖和繁殖的跟踪，从而提供养殖管理的决策支持。我们比较熟悉的可能是人的人脸识别，于是，就有人想动物是否也可以做脸部识别来做身份识别呢？诚然，确实有研究在这么做，但是动物的脸部捕捉比人的脸部捕捉要难太多，特别是在户外的情况下，于是，大家进一步探讨的就是，能否通过动物的躯干信息做身份识别呢？
本文就是通过奶牛的躯干信息做身份识别。
传统方法
个体身份识别方法是自动分析奶牛行为的技术前提和应用基础。动物个体识别常采用无线射频识别（RFID）技术。但RFID技术识别视频视野中的奶牛个体时需要额外的设备与同步识别方法，增加了奶牛行为视频分析系统的复杂度和成本。然而奶牛视频中包含奶牛的个体信息，可直接对视频进行图像处理实现奶牛个体识别。
识别方法介绍
该方法采集奶牛直线行走时的侧视视频，用帧间差值法计算奶牛粗略轮廓，并对其二值图像进行分段跨度分析，定位奶牛躯干区域，通过二值图像比对跟踪奶牛躯干目标，得到每帧图像中奶牛躯干区域图像。将躯干图像灰度化后经插值运算和归一化变换为48×48大小的矩阵，作为4c-2s-6c-2s-30o结构的卷积神经网络的输入进行个体识别。对30头奶牛共采集360段视频，随机选取训练数据60000帧和测试数据21730帧。结果表明，在训练次数为10次时，代价函数收敛至0.0060，视频段样本的识别率为93.33%，单帧图像样本的识别率为90.55%。该方法可实现养殖场中奶牛个体无接触较精确识别，具有适用性强、成本低的特点。
1. 躯干定位
帧间差值法对目标的运动边缘具有优良的检测性能，对奶牛进行帧间差值处理可得到奶牛的粗略轮廓，对得到的二值图像进行跨度分析，以剔除外部干扰，并分割出尾巴、头和颈部，最终得到躯干区域。
如左图所示，将得到的帧间差值图像划分成等间距的片段，分别计算每个片段内二值图像真值的上边界和下边界，并计算两者的差值作为图像跨度。
计算修剪后的二值图像的外接矩形，其上半部分为躯干区域，下半部分为奶牛四肢。对于荷斯坦品种的奶牛，其躯干纵向高度与体高之比rb/t变化幅度较小。因此，本研究对30头奶牛通过试验确定rb/t平均值为0.6。将定位的躯干区域以中心为基点缩小到80%，以去除边界处的背景区块。躯干定位结果如右图所示。
2. 躯干跟踪
考虑到奶牛行走过程中躯干无明显的几何变化，只产生平移运动，故采用在后续帧中跟踪躯干的策略，以提高躯干图像提取精度。常用的跟踪方法有粒子滤波跟踪法和Meanshift算法，粒子滤波对大目标跟踪耗时长，不适于奶牛目标的跟踪；试验发现，Meanshift算法不能准确跟踪行走中的奶牛目标。主要原因是基于颜色直方图的Meanshift算法对于颜色变化敏感，奶牛躯干主要由白色和黑色组成，而背景中包含了过多的颜色信息，导致Meanshift极易跟踪到背景区域。因此，用模板比对法对奶牛躯干区域进行跟踪。其基本原理是以当前帧躯干区域所在的位置为中心，在下一帧中寻找与躯干区域最接近的图像。
3. 卷积神经网络构建
为减少数据量并保证输入图像的细节信息，将奶牛躯干图像灰度化后通过插值计算变化为48×48的图像，并除以255归一化后作为输入数据。
采用2组卷积和下采样层，由于躯干图像基本不存在扭转、变形等影响，因此减少2个卷积层中特征图的数量，以提高网络对图像宏观信息的利用率。下采样时对连接区域求均值得到输出，不使用权重系数和阈值，省略函数转换过程。
奶牛个体识别中的信息匹配可以通过单层感知器实现，在第2次下采样后直接与输出层连接，以大幅度简化网络中的感知层。本研究牛群中共有30头奶牛，故输出层为30个感知器，与上一层全连接，输出编码采用one-of-c方式，即每种奶牛个体作为一个模式。
考虑到sigmoid函数有良好的非线性映射特性，故变换函数统一采用sigmoid函数。网络训练中学习率取为1，训练批大小为50，训练终止条件为代价函数值小于0.01。由于变换函数为sigmoid函数，故网络输出为一个长度为30的浮点型向量，将该向量中较大值置为1，其余元素置0作为网络的输出模式。若输出模式与该输入图像的真实模式不匹配，则表明识别错误。
为进一步确定卷积层特征图较佳个数，对不同结构的卷积神经网络进行识别准确率及平均耗时试验，结果表明，当两个卷积层中特征图个数分别为4和6时，网络识别率和效率较高。
4. 实验结果
卷积神经网络的识别准确率及效率：
图像检索法与卷积神经网络奶牛个体识别结果比较：
欢迎加入本站公开兴趣群商业智能与数据分析群
兴趣范围包括各种让数据产生价值的办法，实际应用案例分享与讨论，分析工具，ETL工具，数据仓库，数据挖掘工具，报表系统等全方位知识
QQ群：81035754
文章版权归作者所有，未经允许请勿转载,若此文章存在违规行为，您可以联系管理员删除。
转载请注明本文地址：https://www.ucloud.cn/yun/4491.html
摘要：行为识别包含两个研究方向个体行为识别与群体行为事件识别。同时，随着行人智能分析与群体事件感知的需求与日俱增，一系列行为分析与事件识别算法在深度学习技术的推动下应运而生。 行为识别是指通过分析视频、深度传感器等数据，利用特定的算法，对行人的行为进行识别、分析的技术。这项技术被广泛应用在视频分类、人机交互、安防监控等领域。行为识别包含两个研究方向：个体行为识别与群体行为（事件）识别。近年来，深度...
摘要：但是，有一些研究人员在同一个深度神经网络中巧妙地实现了二者能力的结合。一次读取并解释输入文本中的一个字或字符图像，因此深度神经网络必须等待直到当前字的处理完成，才能去处理下一个字。 从有一些有趣的用例看，我们似乎完全可以将 CNN 和 RNN/LSTM 结合使用。许多研究者目前正致力于此项研究。但是，CNN 的研究进展趋势可能会令这一想法不合时宜。一些事情正如水与油一样，看上去无法结合在一起...
摘要：图基于的识别方法它的基本思想是用对帧的最后一层的激活在时间轴上进行整合。这个是学习长度为帧采样后视频片段的基础网络结构。 深度学习在最近十来年特别火，几乎是带动AI浪潮的最大贡献者。互联网视频在最近几年也特别火，短视频、视频直播等各种新型UGC模式牢牢抓住了用户的消费心里，成为互联网吸金的又一利器。当这两个火碰在一起，会产生什么样的化学反应呢？ 不说具体的技术，先上一张福利图，该图展示...
阅读 1786·2021-09-22 15:29
阅读 3300·2019-08-30 15:44
阅读 3520·2019-08-30 15:43
阅读 1735·2019-08-30 13:48
阅读 1454·2019-08-29 13:56
阅读 2430·2019-08-29 12:12
阅读 927·2019-08-26 11:35
阅读 1005·2019-08-26 10:25
