摘要：將軀干圖像灰度化后經(jīng)插值運(yùn)算和歸一化變換為大小的矩陣，作為結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)的輸入進(jìn)行個(gè)體識別。卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建為減少數(shù)據(jù)量并保證輸入圖像的細(xì)節(jié)信息，將奶牛軀干圖像灰度化后通過插值計(jì)算變化為的圖像，并除以歸一化后作為輸入數(shù)據(jù)。

最近看了一個(gè)有趣的人工智能應(yīng)用，給大家分享一下~

這是一個(gè)人工智能與農(nóng)業(yè)的結(jié)合，在農(nóng)業(yè)中我們經(jīng)常需要給個(gè)體動物做標(biāo)記，目的是對奶牛做身份識別，然后可以對動物做養(yǎng)殖和繁殖的跟蹤，從而提供養(yǎng)殖管理的決策支持。我們比較熟悉的可能是人的人臉識別，于是，就有人想動物是否也可以做臉部識別來做身份識別呢？誠然，確實(shí)有研究在這么做，但是動物的臉部捕捉比人的臉部捕捉要難太多，特別是在戶外的情況下，于是，大家進(jìn)一步探討的就是，能否通過動物的軀干信息做身份識別呢？

本文就是通過奶牛的軀干信息做身份識別。

傳統(tǒng)方法

個(gè)體身份識別方法是自動分析奶牛行為的技術(shù)前提和應(yīng)用基礎(chǔ)。動物個(gè)體識別常采用無線射頻識別（RFID）技術(shù)。但RFID技術(shù)識別視頻視野中的奶牛個(gè)體時(shí)需要額外的設(shè)備與同步識別方法，增加了奶牛行為視頻分析系統(tǒng)的復(fù)雜度和成本。然而奶牛視頻中包含奶牛的個(gè)體信息，可直接對視頻進(jìn)行圖像處理實(shí)現(xiàn)奶牛個(gè)體識別。

識別方法介紹

該方法采集奶牛直線行走時(shí)的側(cè)視視頻，用幀間差值法計(jì)算奶牛粗略輪廓，并對其二值圖像進(jìn)行分段跨度分析，定位奶牛軀干區(qū)域，通過二值圖像比對跟蹤奶牛軀干目標(biāo)，得到每幀圖像中奶牛軀干區(qū)域圖像。將軀干圖像灰度化后經(jīng)插值運(yùn)算和歸一化變換為48×48大小的矩陣，作為4c-2s-6c-2s-30o結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)的輸入進(jìn)行個(gè)體識別。對30頭奶牛共采集360段視頻，隨機(jī)選取訓(xùn)練數(shù)據(jù)60000幀和測試數(shù)據(jù)21730幀。結(jié)果表明，在訓(xùn)練次數(shù)為10次時(shí)，代價(jià)函數(shù)收斂至0.0060，視頻段樣本的識別率為93.33%，單幀圖像樣本的識別率為90.55%。該方法可實(shí)現(xiàn)養(yǎng)殖場中奶牛個(gè)體無接觸較精確識別，具有適用性強(qiáng)、成本低的特點(diǎn)。

1. 軀干定位

幀間差值法對目標(biāo)的運(yùn)動邊緣具有優(yōu)良的檢測性能，對奶牛進(jìn)行幀間差值處理可得到奶牛的粗略輪廓，對得到的二值圖像進(jìn)行跨度分析，以剔除外部干擾，并分割出尾巴、頭和頸部，最終得到軀干區(qū)域。

如左圖所示，將得到的幀間差值圖像劃分成等間距的片段，分別計(jì)算每個(gè)片段內(nèi)二值圖像真值的上邊界和下邊界，并計(jì)算兩者的差值作為圖像跨度。

計(jì)算修剪后的二值圖像的外接矩形，其上半部分為軀干區(qū)域，下半部分為奶牛四肢。對于荷斯坦品種的奶牛，其軀干縱向高度與體高之比rb/t變化幅度較小。因此，本研究對30頭奶牛通過試驗(yàn)確定rb/t平均值為0.6。將定位的軀干區(qū)域以中心為基點(diǎn)縮小到80%，以去除邊界處的背景區(qū)塊。軀干定位結(jié)果如右圖所示。

2. 軀干跟蹤

考慮到奶牛行走過程中軀干無明顯的幾何變化，只產(chǎn)生平移運(yùn)動，故采用在后續(xù)幀中跟蹤軀干的策略，以提高軀干圖像提取精度。常用的跟蹤方法有粒子濾波跟蹤法和Meanshift算法，粒子濾波對大目標(biāo)跟蹤耗時(shí)長，不適于奶牛目標(biāo)的跟蹤；試驗(yàn)發(fā)現(xiàn)，Meanshift算法不能準(zhǔn)確跟蹤行走中的奶牛目標(biāo)。主要原因是基于顏色直方圖的Meanshift算法對于顏色變化敏感，奶牛軀干主要由白色和黑色組成，而背景中包含了過多的顏色信息，導(dǎo)致Meanshift極易跟蹤到背景區(qū)域。因此，用模板比對法對奶牛軀干區(qū)域進(jìn)行跟蹤。其基本原理是以當(dāng)前幀軀干區(qū)域所在的位置為中心，在下一幀中尋找與軀干區(qū)域最接近的圖像。

3. 卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建

為減少數(shù)據(jù)量并保證輸入圖像的細(xì)節(jié)信息，將奶牛軀干圖像灰度化后通過插值計(jì)算變化為48×48的圖像，并除以255歸一化后作為輸入數(shù)據(jù)。

采用2組卷積和下采樣層，由于軀干圖像基本不存在扭轉(zhuǎn)、變形等影響，因此減少2個(gè)卷積層中特征圖的數(shù)量，以提高網(wǎng)絡(luò)對圖像宏觀信息的利用率。下采樣時(shí)對連接區(qū)域求均值得到輸出，不使用權(quán)重系數(shù)和閾值，省略函數(shù)轉(zhuǎn)換過程。

奶牛個(gè)體識別中的信息匹配可以通過單層感知器實(shí)現(xiàn)，在第2次下采樣后直接與輸出層連接，以大幅度簡化網(wǎng)絡(luò)中的感知層。本研究牛群中共有30頭奶牛，故輸出層為30個(gè)感知器，與上一層全連接，輸出編碼采用one-of-c方式，即每種奶牛個(gè)體作為一個(gè)模式。

考慮到sigmoid函數(shù)有良好的非線性映射特性，故變換函數(shù)統(tǒng)一采用sigmoid函數(shù)。網(wǎng)絡(luò)訓(xùn)練中學(xué)習(xí)率取為1，訓(xùn)練批大小為50，訓(xùn)練終止條件為代價(jià)函數(shù)值小于0.01。由于變換函數(shù)為sigmoid函數(shù)，故網(wǎng)絡(luò)輸出為一個(gè)長度為30的浮點(diǎn)型向量，將該向量中較大值置為1，其余元素置0作為網(wǎng)絡(luò)的輸出模式。若輸出模式與該輸入圖像的真實(shí)模式不匹配，則表明識別錯(cuò)誤。

為進(jìn)一步確定卷積層特征圖較佳個(gè)數(shù)，對不同結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行識別準(zhǔn)確率及平均耗時(shí)試驗(yàn)，結(jié)果表明，當(dāng)兩個(gè)卷積層中特征圖個(gè)數(shù)分別為4和6時(shí)，網(wǎng)絡(luò)識別率和效率較高。

4. 實(shí)驗(yàn)結(jié)果

卷積神經(jīng)網(wǎng)絡(luò)的識別準(zhǔn)確率及效率：

圖像檢索法與卷積神經(jīng)網(wǎng)絡(luò)奶牛個(gè)體識別結(jié)果比較：

商業(yè)智能與數(shù)據(jù)分析群

興趣范圍包括各種讓數(shù)據(jù)產(chǎn)生價(jià)值的辦法，實(shí)際應(yīng)用案例分享與討論，分析工具，ETL工具，數(shù)據(jù)倉庫，數(shù)據(jù)挖掘工具，報(bào)表系統(tǒng)等全方位知識

QQ群：81035754