互聯(lián)網(wǎng)的興起使得現(xiàn)今各行業(yè)逐漸朝著工業(yè)化、智能化發(fā)展。隨著人工智能與模式識別領(lǐng)域研究的不斷深入,利用圖像處理算法將奶牛個體識別與計(jì)算機(jī)視覺相聯(lián)系,已逐漸成為一項(xiàng)推動大規(guī)模奶牛信息化管理的重要舉措,而圖像識別與分類的關(guān)鍵在于圖像特征提取器和分類器的選取和設(shè)計(jì)。早期針對奶牛個體識別問題主要采取人工觀察方式,但該方法誤識別率很高。之后發(fā)展為采用標(biāo)簽識別的方法,但是標(biāo)簽容易破損、對奶牛造成了過多日常干擾,可能降低奶牛產(chǎn)奶量。近年來對奶牛個體進(jìn)行自動化識別,自動、精準(zhǔn)、高效的提取奶牛圖像特征成為普遍方式。為了有效完成對奶牛個體特征提取與分類,提高奶牛個體識別正確率,本文主要工作如下:首先,利用LBP、HOG、Harris以及SIFT算法對奶牛頭部圖像進(jìn)行了特征提取,分別用PCA、LDA、LPP進(jìn)行了特征降維,使用SVM、KNN、隨機(jī)森林分別進(jìn)行了奶牛分類實(shí)驗(yàn),并指出了各種算法存在的不足之處。其次,根據(jù)特征提取算法的比較結(jié)果,本文提出了一種改進(jìn)的LBP算法和優(yōu)化的HOG算法聯(lián)合起來形成融合的特征向量。改進(jìn)的LBP算法通過比較相鄰像素值更新LBP碼,利用等價模式減少特征向量維數(shù),采用不同塊計(jì)算圖像分... 

【文章來源】：河北工業(yè)大學(xué)天津市 211工程院校

【文章頁數(shù)】：59 頁

【學(xué)位級別】：碩士

【部分圖文】：

LBP編碼示意圖

，歸一化的方式有四種：L2-norm、L1-norm、L1-sqrt、L2-Hys，我們選擇最常見的L2-norm方式。將一個塊內(nèi)所有單元的特征向量串聯(lián)起來得到該塊的HOG特征。最后我們將歸一化之后的塊描述符稱為HOG描述符。（2）HOG算法提取奶牛個體特征依照上述流程，利用HOG邊緣特征提取奶牛個體圖像特征。首先是對預(yù)處理后的圖片，分別求取在不同方向的梯度分量，根據(jù)求得的梯度方向和梯度大小得到每一個圖片在不同方向的梯度直方圖，最后將不同單元的梯度直方圖組合成塊的梯度直方圖，每一個塊梯度直方圖就是測試圖片的HOG特征，具體效果如圖2.4所示為原始圖像及其對應(yīng)的灰度圖像，圖2.5中為灰度圖像對應(yīng)的每個cell不同方向塊的大小圖，從圖2.5中可以看到奶牛頭部的邊緣梯度變化強(qiáng)烈，非邊緣部分例如耳朵和額頭的中部梯度變化比較單一。圖2.4奶牛原始圖像及其灰度圖像

基于特征融合的奶牛個體識別的研究8圖2.5奶�；叶葓D對應(yīng)的每個cell不同方向塊大小圖2.1.3Harris角點(diǎn)特征提取算法（1）Harris算法模型角點(diǎn)檢測(CornerDetection)[27-29]是計(jì)算機(jī)視覺系統(tǒng)中用來獲得圖像特征的一種方法，廣泛應(yīng)用于運(yùn)動檢測、圖像匹配、視頻跟蹤等領(lǐng)域，也稱為特征點(diǎn)檢測。Harris算法[30]基本思想是使用一個固定窗口在圖像上進(jìn)行任意方向上的滑動，比較滑動前、后窗口中像素灰度變化的程度，假如此窗口在任意的方向上滑動都有較大的灰度變化，我們則認(rèn)為該窗口內(nèi)存在角點(diǎn)。Harris角點(diǎn)檢測算法的具體流程是：1）首先利用水平、豎直差分算子對圖像的每個像素進(jìn)行濾波以求得、，進(jìn)而求得M中的四個元素的值如式（2.1）所示。M=∑(x,y)[22],（2.1）其中代表圖像在水平方向的梯度，代表在垂直方向的梯度，W函數(shù)代表窗口函數(shù)，可見M矩陣中的特征值是函數(shù)的一階曲率，曲率值越高，那么該點(diǎn)越符合角點(diǎn)的特征。2）然后對M中的四個元素使用高斯函數(shù)進(jìn)行平滑濾波，可以消除無用的孤立點(diǎn)和凸點(diǎn)，而使用矩形的窗口進(jìn)行過濾，可以過濾一些邊緣的信息。通過上面的操作可以得到新的矩陣M。

【參考文獻(xiàn)】：
期刊論文
[1]奶牛行為特征識別方法的研究與實(shí)現(xiàn)——基于支持向量機(jī)[J]. 侯云濤,蔡曉華,吳澤全,東忠閣.  農(nóng)機(jī)化研究. 2018(08)
[2]SLSB-forest:高維數(shù)據(jù)的近似k近鄰查詢[J]. 錢途,錢江波,董一鴻,陳華輝.  電信科學(xué). 2017(09)
[3]基于改進(jìn)密度聚類算法的天體光譜自動分類處理[J]. 鄧詩宇,屠良平.  電子技術(shù)與軟件工程. 2017(17)
[4]基于融合圖像與運(yùn)動量的奶牛行為識別方法[J]. 顧靜秋,王志海,高榮華,吳華瑞.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2017(06)
[5]抗噪的多尺度形態(tài)學(xué)邊緣檢測算法[J]. 劉黎輝,張劍,譚芳芳,李巍.  數(shù)據(jù)采集與處理. 2017(03)
[6]基于歸一化和非下采樣Contourlet變換的數(shù)字水印方案[J]. 朱丹丹,呂鯉志.  北京理工大學(xué)學(xué)報(bào). 2017(04)
[7]基于高通濾波和直方圖均衡的鋼軌裂紋紅外圖像增強(qiáng)技術(shù)[J]. 賈文晶,顧桂梅,劉麗.  鐵道標(biāo)準(zhǔn)設(shè)計(jì). 2016(11)
[8]基于改進(jìn)特征袋模型的奶牛識別算法[J]. 陳娟娟,劉財(cái)興,高月芳,梁云.  計(jì)算機(jī)應(yīng)用. 2016(08)
[9]基于深度學(xué)習(xí)網(wǎng)絡(luò)的射線圖像缺陷識別方法[J]. 余永維,殷國富,殷鷹,杜柳青.  儀器儀表學(xué)報(bào). 2014(09)
[10]基于CNN和隨機(jī)彈性形變的相似手寫漢字識別[J]. 高學(xué),王有旺.  華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2014(01)

博士論文
[1]我國畜牧業(yè)生態(tài)經(jīng)濟(jì)發(fā)展的系統(tǒng)分析[D]. 孟凡東.青島大學(xué) 2012
[2]奶牛數(shù)字化管理關(guān)鍵技術(shù)的研究[D]. 郭衛(wèi).河北農(nóng)業(yè)大學(xué) 2010

碩士論文
[1]基于Bag of Features的圖像分類和檢索研究[D]. 唐建鑫.西安電子科技大學(xué) 2012
[2]基于小波矩的奶牛識別算法研究[D]. 金一初.上海師范大學(xué) 2011



本文編號：3289149