基于牛鼻纹理的牛个体识别技术研究

发布时间：2021-10-13 16:11

　　目前,我国畜牧业呈现出规模化、集约化的发展趋势,采用人工的方式进行个体识别已无法满足需求,因此,需要个体识别系统进行现代化管理。近年来,基于射频识别（Radio Frequency Identification,RFID）技术的牛个体识别系统在一些养牛场得到应用,但RFID标签易损坏、丢失,且面临着信息篡改的风险。针对这一问题,本文提出基于牛鼻纹理图像的牛个体识别方法。牛鼻纹理作为生物特征具有唯一性,难以伪造修改,且图像识别系统成本低、速度快,可以获得显著的效果。本文主要工作如下:第一,本文提出了一种基于特征融合的牛个体识别方法,采用局部二值模式和韦伯局部描述符分别提取牛鼻纹理特征,由于提取的特征维数较大,因此采用主成分分析算法对两种特征降维,最后使用支持向量机采用交叉验证的方法对牛鼻纹理图像识别分类;本文对韦伯局部描述符方法的梯度方向计算部分作出了改进,使得识别效果有所提升;实验结果表明,基于特征融合的牛个体识别方法的准确率高于基于单一特征的牛个体识别方法,准确率达98.4%,并且该方法在图像旋转的情况下依然具有较高的鲁棒性。第二,在基于卷积神经网络的牛个体识别方法中,本文设计了一个... 

【文章来源】：中央民族大学北京市 211工程院校 985工程院校

【文章页数】：75 页

【学位级别】：硕士

【部分图文】：

图３－１牛鼻纹理特征图??牛鼻纹理可以被认为是一种精确的、永恒不变的生物识别标志，这种特征足以识别??

致［６２］。图像边缘区域则使用线性插值计算，角点处使用所在块的映射函数计算。??图３－２中，（ａ）为经过灰度处理后的图像；（ｂ）为灰度处理后，经过ＣＬＡＨＥ算法处理??后的图像。??ｙ．．?ＪＨｉｍｉ?ＬｉＳＨＨＨ??（ａ）灰度处理后的图像?（ｂ）?ＣＬＡＨＥ算法处理后的图像??图３－２预处理后的牛鼻图像??我们从图中可以看出，经过ＣＬＡＨＥ算法处理后的图片更加清晰，纹理细节、对比??度都有所增加。??３．２．３图像尺寸归一化??相机拍摄出来的图像分辨率很高，对算法以及存储要求都比较高，因此需要进行图??像尺寸归一化操作。为了研宄算法在图像不同尺寸情况下的效果，本章将图片分别归一??化为４００ｘ３００、２２４ｘ２２４、１２８ｘ１２８、６４ｘ６４像素这四种图像识别中常用的尺寸。完成以??上这一系列的操作后，对数据进行标注，完成数据集的制作。如图３－３所示，为６头牛??的牛鼻纹理图像。??議Ｉ邏??ｍｍｍ??图３－３部分牛鼻纹理图像数据集??２０??

３．３混合特征提取??３．３．１基于分块的ＬＢＰ算法??原始的ＬＢＰ算法具有一定的局限性，每个像素点只比较了周围邻域由８个点组成??的矩形区域的信息，范围较小，无法获取不同尺度的纹理特征。因此本文使用的是Ｏｊａｌａ??等人提出的圆形ＬＢＰ描述符，半径Ｒ的大小以及周围原形邻域均匀分布的点的数量Ｐ??不受限制，可以有任意多个（具体如图３－４所示）。使用不同的Ｐ和Ｒ，可以进行多分??辨率纹理分析，其中，参数Ｐ对角度空间量化，Ｒ控制ＬＢＰ描述符的空间分辨率。与??原始ＬＢＰ描述符编码过程基本相同，圆形ＬＢＰ描述符也是中心点与周围邻域的点进行??灰度值的比较，生成二进制编码。???—一一―???？丄？??？?？???？?？?？?？？籲??＝＝＝＝＝＝＝二??Ｐ＝８?Ｒ＝１?Ｐ＝１６?Ｒ－２??图３－４圆形ＬＢＰ描述符示意图??中心坐标为（ｕ?），则各个邻域点坐标（Ｘｐ，＾）为??（ｘｒ（ｘｃ?＋?Ｒｃ〇ｓ（＾＾），ｙｃ?－?Ｒｓｉｎ（＾＾））?（３－５）??其中，Ｐ?＝?０，１，．．．，Ｐ。当点落在网格时，可以直接得到灰度值。圆形邻域会产生不??完全在图像网格上的点，为了确定这些点的灰度值，一般采用双线性差值方法。??使用ＬＢＰ算法进行特征提取时，往往不直接使用ＬＢＰ算法处理图片得到的ＬＢＰ编??码，而是使用ＬＢＰ直方图。将ＬＢＰ的模式的分布信息表示为直方图，该直方图可用作??牛鼻特征描述符。整个编码图像生成的直方图会导致图像局部细节信息的丢失，而位置??和空间信息的存在提供了更好的特征表示，可以更准确地描述图像内容。因此，这里使??用基于分块的ＬＢＰ算法方法，将图像分为若干个不重叠的相

【参考文献】：
期刊论文
[1]改进的SURF特征快速匹配算法[J]. 张文卿,李为相,李为,陈鑫,倪再玥.  计算机工程与设计. 2019(12)
[2]基于2D-FFT的掌静脉图像Gabor滤波快速增强法[J]. 李苋兰,张顶,黄晞.  计算机系统应用. 2019(11)
[3]基于VGGNet的恶意代码变种分类[J]. 王博,蔡弘昊,苏旸.  计算机应用. 2020(01)
[4]卷积神经网络的发展及其在计算机视觉领域中的应用综述[J]. 陈超,齐峰.  计算机科学. 2019(03)
[5]基于卷积神经网络的图像分类算法综述[J]. 杨真真,匡楠,范露,康彬.  信号处理. 2018(12)
[6]深度学习原理及应用综述[J]. 付文博,孙涛,梁藉,闫宝伟,范福新.  计算机科学. 2018(S1)
[7]SVM在高光谱图像处理中的应用综述[J]. 王立国,赵亮,刘丹凤.  哈尔滨工程大学学报. 2018(06)
[8]卷积神经网络在图像分类和目标检测应用综述[J]. 周俊宇,赵艳明.  计算机工程与应用. 2017(13)
[9]实时鲁棒的特征点匹配算法[J]. 陈天华,王福龙.  中国图象图形学报. 2016(09)
[10]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航.  计算机应用. 2016(09)



本文编号：3434976