[发明专利]一种奶牛个体识别的方法

摘要

本发明一种奶牛个体识别的方法，涉及图像数据处理中的图像识别方法，步骤是：奶牛视频数据采集，将奶牛视频数据转化为图片序列并进行归一化，利用小波变换提取奶牛个体的四个不同分量特征，利用改进的KPCA方法进行四个不同分量特征降维，加权融合四个不同分量特征，将图像特征数据划分为训练集和测试集，分别进行SVM训练和SVM测试，最终识别出奶牛个体；该方法克服了现有技术中，奶牛个体的智能识别方法大都仍采用通用的图像处理方法，没有针对奶牛个体特点，尤其没有根据奶牛躯干黑白花纹形状的唯一性来选取出适合的图像处理方法，导致奶牛个体识别准确率低的缺陷。

主权项

一种奶牛个体识别的方法，其特征在于：利用小波变换结合改进的KPCA方法进行奶牛个体的特征提取，最后送入SVM多分类器进行学习分类，完成奶牛个体识别，具体步骤如下：第一步，奶牛视频数据采集：在奶牛数量>300头的规范奶牛养殖场，在自然良好的环境下利用摄像设备录制来回行走的20头奶牛，每头奶牛采集8段视频，不同侧面各4段，每段视频14s～16s，帧速度为29帧/秒，至此完成奶牛视频数据的采集；第二步，将奶牛视频数据转化为图片序列并进行归一化：分别将第一步采集的20头奶牛的视频数据转化成图片序列，初始图片大小为1920×1080像素，对初始图片进行截图，人工截取图片中奶牛个体，并去除多余的背景图像；从牛场所有奶牛个体中随机抽取总数1/10的样本，人工测量每头抽样奶牛个体身体部位宽度和高度比例，然后求取所有抽样个体该比例的平均值近似作为每头奶牛个体身体比例，至此确定出奶牛个体部位宽度和高度平均比例为8:5，在保证特征有效提取的前提下成比例缩小图片尺寸，最终利用编写的Matlab程序将经过上述处理的20头奶牛的图片序列中的每张图片归一化为128×80像素，将20头奶牛从1到20编号，表示20个待识别的不同奶牛个体，每头奶牛保留1000张有效图片，至此完成视频转化图片序列并进行归一化的操作；第三步，利用小波变换提取奶牛个体的四个不同分量特征：选取Haar型小波对上述第二步归一化后的奶牛个体图像做一层小波分解，得到尺寸大小相等的四个不同分量子图，分别用LL子图、LH子图、HL子图、HH子图表示，四个不同分量子图中不同程度的包含了奶牛个体的有效信息，LL子图低频部分是原始奶牛个体图像的近似，包含了奶牛个体的大部分信息；LH子图和HL子图部分分别包含了奶牛个体躯干中水平和垂直方向的黑白条纹的边缘信息；HH子图部分包含了对角方向信息，至此完成利用小波变换提取奶牛个体的四个不同分量特征；第四步，利用改进的KPCA方法进行四个不同分量特征降维：利用改进的KPCA方法对上述第三步利用小波变换提取的奶牛个体的四个不同分量特征，即LL分量特征、LH分量特征、HL分量特征和HH分量特征进行特征降维，步骤如下：(4.1)设置奶牛个体的融合信息组数，计算各组的融合向量：设置奶牛个体的融合信息组数，即设奶牛个体的样本总数为N＝20000，其中样本类别数为C＝20，每类样本个数即每类的各特征子图个数为M＝1000，向量化后具有M个特征向量，将同一类样本类内分成P组，用公式(1)计算各组的融合向量：x‾ip=Σj=1M/Pxij---(1)]]>式(1)中，表示第i类样本的某个分量子图第p组的融合向量，利用组内融合向量代表该组的特征信息，这样就用P组融合向量代表了原来M个特征向量，式(1)中xij表示第i类样本某分组内的第j个特征向量，当每组样本包含数量＞10时，融合向量的各维分量数据很大，此时将公式(1)变形成公式(2)：x‾ip=PMΣj=1M/Pxij---(2)]]>规定分组时候要遵从保持组内相似性的原则；(4.2)确定原空间的初始非线性主成分个数Q：通过选择RBF核函数来计算上述(4.1)步的融合向量在特征空间中的协方差矩阵A＝{Aij}n×n，其第i行，第j列元素Aij计算如公式(3)所示：Aij＝(φ(xi)·φ(xj))＝a(xi,xj)  (3)式(3)中，“·”表示向量内积运算符号，φ(·)是对应的非线性变换，其中“·”表示函数φ的一个自变量，a(·,·)表示核函数，其中两个“·”表示函数a的两个自变量；xi，xj表示第i个和第j个融合向量，依照公式(4)计算协方差矩阵A的特征方程：Aα＝nλα  (4)式(4)中，n表示分组之后所有融合向量的个数，n＝P×C，其中C＝20，表示奶牛类别数，将求解得到的n维特征向量αr,r＝1,2,...依据特征值λr(r＝1,2...)从大到小顺序进行排列，然后通过公式(5)设置特征值贡献率β的值来选取特征值和对应特征向量的个数Q，即确定原空间的初始非线性主成分个数为Q；β=Σr=1QλrΣr=1nλr---(5)]]>(4.3)选出维数相对最小的主成分：引入表征类别信息的维数度量参数来衡量上述(4.2)步中的初始非线性主成分的有效性，进而选出维数相对最小的主成分，该维数度量参数可以通过类内聚集程度和类间离散程度求得，维数度量参数如公式(6)所示：δ=IkDk---(6)]]>式(6)中，Ik表示同类样本第k维分量的聚集程度，Dk表示不同类样本第k维分量的离散程度，维数度量参数δ越小表示类别越分明，越有利于后续的分类识别；利用枚举法从初值Q逐渐减小主成分个数并反复进行相应的实验，直到奶牛个体识别正确率较前一次正确率下降幅度大于3％时结束，在平衡识别率和识别速率两方面性能的前提下，确定出维数相对最小个数d(d＜Q)的值，选取前d个最小的δ对应的主成分，即为该奶牛个体图像类别信息最全面和维数相对最小的主成分，由此选出维数相对最小的主成分；(4.4)计算奶牛个体样本在特征空间上的投影：计算奶牛个体样本在上述(4.3)步中得到的维数相对最小的主成分组成的特征空间上的投影：第r个非线性主成分vr如公式(7)所示：vr=Σi=1nαirφ(xi)---(7)]]>式(7)中，表示上述(4.2)步中求得的n维特征向量αr的第i维分量，φ(xi)表示融合向量xi经过函数φ非线性变换后的向量；对奶牛个体样本x在第r个非线性主成分vr上的投影如公式(8)所示：bkx=(vr·φ(x))=Σi=1nαir(φ(xi),φ(x))=Σi=1nαira(xi,x)---(8)]]>式(8)中，“·”表示向量内积运算符号，则奶牛个体样本x在公式(9)中选取的这d个主成分组成的特征空间中的投影Bx即为：Bx=[b1x,b2x,...bdx]---(9)]]>式(9)中，“[]”表示组成向量的符号；至此完成利用改进的KPCA方法进行四个不同分量特征降维；第五步，加权融合四个不同分量特征：对上述第四步利用改进的KPCA方法进行四个不同分量特征降维之后的各子图特征进行加权融合，其中LL子图、LH子图、HL子图和HH子图所占比例别用ω1、ω2、ω3和ω4表示，满足方程组(10)：0<ω1,ω2,ω3,ω4<1ω1>ω2=ω3>ω4ω1+ω2+ω3+ω4=1---(10)]]>ω1、ω2、ω3和ω4作为四个分量子图的融合权值，将经过改进的KPCA方法降维之后的四个不同分量特征按照公式(11)和(12)进行加权融合得到奶牛图像的最终的特征矩阵Y；加权融合计算公式如公式(11)：Y＝ω1LLkpca+ω2LHkpca+ω3HLkpca+ω4HHkpca  (11)式(11)中Y表示加权融合总特征，即奶牛图像的最终特征矩阵；LLkpca、LHkpca、HLkpca和HHkpca分别表示LL子图、LH子图、HL子图和HH子图经过改进的KPCA方法处理之后得到的特征矩阵；partkpca=Bpart=[b1part,b2part,...bdpart](part=LL,LH,HL,HH)---(12)]]>式(12)中part表示某一子图分量，分别取LL、LH、HL和HH，partkpca表示part分量经KPCA方法降维之后的特征向量，“[]”表示组成向量的符号；至此完成加权融合四个不同分量特征；第六步，将图像特征数据划分为训练集和测试集：由于依据上述第二步的每头奶牛保留下1000张图片，在经过上述处理步骤之后具有相应的1000个特征向量，分别将每头奶牛的1000个特征向量以随机方式划分成800个训练数据和200个测试数据，最终组成包含16000个特征向量的训练矩阵和包含4000个特征向量的测试矩阵，至此完成将图像特征数据划分为训练集和测试集；第七步，SVM训练：(7.1)构造SVM多分类器：构造通过一个决策函数将多类问题向两类问题转化的“一对多”的方式进行处理的SVM多分类器，该SVM多分类器的决策函数G(x)如公式(13)所示，即每次将全部奶牛训练数据分为“属于第k(k＝1,2,3......)头”和“不属于第k头”两大类，设定好SVM参数进行学习，然后利用测试数据进行测试；G(x)=argmaxm(fm(x)),m=1,...C---(13)]]>其中x为待识别奶牛个体样本，C表示所有奶牛个体类别数，fm(x)表示第m类的分类函数，为传统的SVM二分类器决策函数形式，可以直接调用Matlab语言的SVM工具包；(7.2)利用SVM多分类器进行训练：选取线性核函数，将上述第六步处理好的奶牛训练集数据送入SVM进行建模训练，得到训练好的模型，至此完成SVM训练；第八步，SVM测试：将上述第六步中处理好的奶牛测试集数据送入第七步训练好的模型中进行测试，得出预测结果，至此完成SVM测试；第九步，识别出奶牛个体：根据第八步测试过程得到相应的预测结果，输出测试集中各特征向量对应的奶牛不同个体的标号，识别出奶牛个体；由此完成对奶牛个体的有效识别。