基于深度卷积神经网络与SVM的奶牛个体识别算法研究
发布时间：2021-01-10 15:33
信息社会飞速发展,奶牛个体识别作为奶牛信息化管理的重要基础,成为当前畜牧业发展的一个研究热点。随着人工智能与模式识别领域研究的不断深入,利用图像处理算法将奶牛个体识别与计算机视觉相联系,已逐渐成为一项推动奶牛信息化管理的重要举措;而图像识别技术的关键在于特征提取与分类算法的设计。为了有效完成奶牛个体黑白花纹特征的提取与分类,提高奶牛个体识别正确率,本文主要工作如下:首先叙述了奶牛个体图像识别领域应用较多的特征提取算法,给出相应效果图与算法优缺点分析,并提出一种改进的核主成分分析算法;然后介绍了机器学习中经典支持向量机（Support Vector Machine,SVM）分类算法以及核函数的相关理论,并给出解决多分类问题的方案。其次,针对传统图像算法的局限性指出了深度卷积神经网络在图像特征提取方面的优势,结合奶牛黑白花纹特点,本文提出一种CowNetFull卷积神经网络模型,相较于现有奶牛个体识别模型,本文增加了网络层数,并将固定卷积核大小的模式转化为不同层灵活设置卷积核的方式;此外,模型选择Relu作为激活函数加速网络的收敛,并在全连接层后添加了Dropout层,避免了因参数过多而出...
【文章来源】： 单新媛 河北工业大学
【文章页数】：79 页
【学位级别】：硕士
【部分图文】：
奶牛图像
基于深度卷积神经网络与SVM的奶牛个体识别算法研究10GaussianDifferentofGaussian(DOG)图2.5高斯差分示意图iii)精确定位极值点；iv)生成每个特征点的方向参数，保证旋转不变的性质，如公式(2.2)(2.3)分别为特征点(x,y)处梯度的大小和方向，其中L(x,y)表示点(x,y)的尺度计算函数。22m(x,y)=（L(x+1,y)L(x1,y)）(L(x,y1)L(x,y1))(2.2)(x,y)arctan((L(x,y1)L(x,y1))/(L(x1,y)L(x1,y)))(2.3)v)生成特征点描述子：首先计算特征点邻域所在区域的每个像素点的梯度大小和方向信息，取出以特征点为中心的邻域作为采用窗口，如图2.6中(a)所示，箭头指向和长短分别代表该像素点的梯度方向和幅值大小；然后利用高斯邻域加权作用于采样点和特征点相对方向并划分到具有8个方向的直方图中，如图(b)所示，每一个特征描述向量是4×4×8=128维。(a)8×8邻域的梯度方向图(b)8方向统计直方图图2.6SIFT特征描述子图
河北工业大学硕士学位论文11(2)SIFT算法提取奶牛个体特征依照2.1.2.1节中叙述的流程，利用SIFT算子提取奶牛个体图像特征。首先是在不同的尺度空间中确定图像稳定的关键点，然后将每一个关键点的邻域由一个128维的向量来表示，其中每一维对应一个特征方向的统计量，具体效果如图2.7所示为原始图像及其对应提取出SIFT关键点的图像，图2.8中为同一头奶牛的两张不同图片及其特征点匹配的图像。图2.7奶牛原始图像及其SIFT特征点图像图2.8奶牛原始图像及相应SIFT特征点匹配效果图(3)SIFT算法分析SIFT是提取图像的局部性特征，其具有较高灵活性，同时对旋转、尺度缩放和亮度变化具有稳定性，但是该算法在确定主方向阶段受邻域像素点梯度方向影响程度较大，容易造成偏差；其次，图像金字塔的层数设置问题需要仔细考虑，如果层数较少会使尺度出现误差，从而导致特征向量信息不准确。
【参考文献】：
期刊论文
[1]基于小波变换和改进KPCA的奶牛个体识别研究[J]. 张满囤,单新媛,于洋,米娜,阎刚,郭迎春. 浙江农业学报. 2017(12)
[2]中国畜牧业物联网技术应用研究进展[J]. 韩春雨. 农民致富之友. 2017(23)
[3]基于深度卷积神经网络的图像检索算法研究[J]. 刘海龙,李宝安,吕学强,黄跃. 计算机应用研究. 2017(12)
[4]深度卷积神经网络的汽车车型识别方法[J]. 张军,张婷,杨正瓴,朱新山,杨伯轩. 传感器与微系统. 2016(11)
[5]基于改进特征袋模型的奶牛识别算法[J]. 陈娟娟,刘财兴,高月芳,梁云. 计算机应用. 2016(08)
[6]奶牛养殖信息化技术的发展与应用[J]. 李艳,宁素恒,赵国丽,曲立立. 中国乳业. 2016(03)
[7]基于卷积神经网络的手势识别初探[J]. 蔡娟,蔡坚勇,廖晓东,黄海涛,丁侨俊. 计算机系统应用. 2015(04)
[8]基于卷积神经网络的奶牛个体身份识别方法[J]. 赵凯旋,何东健. 农业工程学报. 2015(05)
[9]Log-Gabor小波和分数阶多项式KPCA的火焰图像状态识别[J]. 宋昱,吴一全. 中国图象图形学报. 2014(12)
[10]小样本条件下的人脸特征提取算法[J]. 钟森海,汪烈军,张莉. 计算机工程与应用. 2015(08)
博士论文
[1]中国奶牛养殖模式及其效率研究[D]. 李栋.中国农业科学院 2013
[2]奶牛数字化管理关键技术的研究[D]. 郭卫.河北农业大学 2010
硕士论文
[1]基于SVM及RF的CNN分类模型及其在人脸检测中的应用研究[D]. 张丹丹.南京邮电大学 2016
[2]基于射频技术的奶牛身份识别系统[D]. 耿丽微.河北农业大学 2009
本文编号：2968956
【文章来源】： 单新媛 河北工业大学
【文章页数】：79 页
【学位级别】：硕士
【部分图文】：
奶牛图像
基于深度卷积神经网络与SVM的奶牛个体识别算法研究10GaussianDifferentofGaussian(DOG)图2.5高斯差分示意图iii)精确定位极值点；iv)生成每个特征点的方向参数，保证旋转不变的性质，如公式(2.2)(2.3)分别为特征点(x,y)处梯度的大小和方向，其中L(x,y)表示点(x,y)的尺度计算函数。22m(x,y)=（L(x+1,y)L(x1,y)）(L(x,y1)L(x,y1))(2.2)(x,y)arctan((L(x,y1)L(x,y1))/(L(x1,y)L(x1,y)))(2.3)v)生成特征点描述子：首先计算特征点邻域所在区域的每个像素点的梯度大小和方向信息，取出以特征点为中心的邻域作为采用窗口，如图2.6中(a)所示，箭头指向和长短分别代表该像素点的梯度方向和幅值大小；然后利用高斯邻域加权作用于采样点和特征点相对方向并划分到具有8个方向的直方图中，如图(b)所示，每一个特征描述向量是4×4×8=128维。(a)8×8邻域的梯度方向图(b)8方向统计直方图图2.6SIFT特征描述子图
河北工业大学硕士学位论文11(2)SIFT算法提取奶牛个体特征依照2.1.2.1节中叙述的流程，利用SIFT算子提取奶牛个体图像特征。首先是在不同的尺度空间中确定图像稳定的关键点，然后将每一个关键点的邻域由一个128维的向量来表示，其中每一维对应一个特征方向的统计量，具体效果如图2.7所示为原始图像及其对应提取出SIFT关键点的图像，图2.8中为同一头奶牛的两张不同图片及其特征点匹配的图像。图2.7奶牛原始图像及其SIFT特征点图像图2.8奶牛原始图像及相应SIFT特征点匹配效果图(3)SIFT算法分析SIFT是提取图像的局部性特征，其具有较高灵活性，同时对旋转、尺度缩放和亮度变化具有稳定性，但是该算法在确定主方向阶段受邻域像素点梯度方向影响程度较大，容易造成偏差；其次，图像金字塔的层数设置问题需要仔细考虑，如果层数较少会使尺度出现误差，从而导致特征向量信息不准确。
【参考文献】：
期刊论文
[1]基于小波变换和改进KPCA的奶牛个体识别研究[J]. 张满囤,单新媛,于洋,米娜,阎刚,郭迎春. 浙江农业学报. 2017(12)
[2]中国畜牧业物联网技术应用研究进展[J]. 韩春雨. 农民致富之友. 2017(23)
[3]基于深度卷积神经网络的图像检索算法研究[J]. 刘海龙,李宝安,吕学强,黄跃. 计算机应用研究. 2017(12)
[4]深度卷积神经网络的汽车车型识别方法[J]. 张军,张婷,杨正瓴,朱新山,杨伯轩. 传感器与微系统. 2016(11)
[5]基于改进特征袋模型的奶牛识别算法[J]. 陈娟娟,刘财兴,高月芳,梁云. 计算机应用. 2016(08)
[6]奶牛养殖信息化技术的发展与应用[J]. 李艳,宁素恒,赵国丽,曲立立. 中国乳业. 2016(03)
[7]基于卷积神经网络的手势识别初探[J]. 蔡娟,蔡坚勇,廖晓东,黄海涛,丁侨俊. 计算机系统应用. 2015(04)
[8]基于卷积神经网络的奶牛个体身份识别方法[J]. 赵凯旋,何东健. 农业工程学报. 2015(05)
[9]Log-Gabor小波和分数阶多项式KPCA的火焰图像状态识别[J]. 宋昱,吴一全. 中国图象图形学报. 2014(12)
[10]小样本条件下的人脸特征提取算法[J]. 钟森海,汪烈军,张莉. 计算机工程与应用. 2015(08)
博士论文
[1]中国奶牛养殖模式及其效率研究[D]. 李栋.中国农业科学院 2013
[2]奶牛数字化管理关键技术的研究[D]. 郭卫.河北农业大学 2010
硕士论文
[1]基于SVM及RF的CNN分类模型及其在人脸检测中的应用研究[D]. 张丹丹.南京邮电大学 2016
[2]基于射频技术的奶牛身份识别系统[D]. 耿丽微.河北农业大学 2009
本文编号：2968956
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2968956.html
