目前,我國(guó)畜牧業(yè)呈現(xiàn)出規(guī)�；�、集約化的發(fā)展趨勢(shì),采用人工的方式進(jìn)行個(gè)體識(shí)別已無(wú)法滿足需求,因此,需要個(gè)體識(shí)別系統(tǒng)進(jìn)行現(xiàn)代化管理。近年來(lái),基于射頻識(shí)別（Radio Frequency Identification,RFID）技術(shù)的牛個(gè)體識(shí)別系統(tǒng)在一些養(yǎng)牛場(chǎng)得到應(yīng)用,但RFID標(biāo)簽易損壞、丟失,且面臨著信息篡改的風(fēng)險(xiǎn)。針對(duì)這一問(wèn)題,本文提出基于牛鼻紋理圖像的牛個(gè)體識(shí)別方法。牛鼻紋理作為生物特征具有唯一性,難以偽造修改,且圖像識(shí)別系統(tǒng)成本低、速度快,可以獲得顯著的效果。本文主要工作如下:第一,本文提出了一種基于特征融合的牛個(gè)體識(shí)別方法,采用局部二值模式和韋伯局部描述符分別提取牛鼻紋理特征,由于提取的特征維數(shù)較大,因此采用主成分分析算法對(duì)兩種特征降維,最后使用支持向量機(jī)采用交叉驗(yàn)證的方法對(duì)牛鼻紋理圖像識(shí)別分類;本文對(duì)韋伯局部描述符方法的梯度方向計(jì)算部分作出了改進(jìn),使得識(shí)別效果有所提升;實(shí)驗(yàn)結(jié)果表明,基于特征融合的牛個(gè)體識(shí)別方法的準(zhǔn)確率高于基于單一特征的牛個(gè)體識(shí)別方法,準(zhǔn)確率達(dá)98.4%,并且該方法在圖像旋轉(zhuǎn)的情況下依然具有較高的魯棒性。第二,在基于卷積神經(jīng)網(wǎng)絡(luò)的牛個(gè)體識(shí)別方法中,本文設(shè)計(jì)了一個(gè)... 

【文章來(lái)源】：中央民族大學(xué)北京市 211工程院校 985工程院校

【文章頁(yè)數(shù)】：75 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖３－１牛鼻紋理特征圖??牛鼻紋理可以被認(rèn)為是一種精確的、永恒不變的生物識(shí)別標(biāo)志，這種特征足以識(shí)別??

致［６２］。圖像邊緣區(qū)域則使用線性插值計(jì)算，角點(diǎn)處使用所在塊的映射函數(shù)計(jì)算。??圖３－２中，（ａ）為經(jīng)過(guò)灰度處理后的圖像；（ｂ）為灰度處理后，經(jīng)過(guò)ＣＬＡＨＥ算法處理??后的圖像。??ｙ．．?ＪＨｉｍｉ?ＬｉＳＨＨＨ??（ａ）灰度處理后的圖像?（ｂ）?ＣＬＡＨＥ算法處理后的圖像??圖３－２預(yù)處理后的牛鼻圖像??我們從圖中可以看出，經(jīng)過(guò)ＣＬＡＨＥ算法處理后的圖片更加清晰，紋理細(xì)節(jié)、對(duì)比??度都有所增加。??３．２．３圖像尺寸歸一化??相機(jī)拍攝出來(lái)的圖像分辨率很高，對(duì)算法以及存儲(chǔ)要求都比較高，因此需要進(jìn)行圖??像尺寸歸一化操作。為了研宄算法在圖像不同尺寸情況下的效果，本章將圖片分別歸一??化為４００ｘ３００、２２４ｘ２２４、１２８ｘ１２８、６４ｘ６４像素這四種圖像識(shí)別中常用的尺寸。完成以??上這一系列的操作后，對(duì)數(shù)據(jù)進(jìn)行標(biāo)注，完成數(shù)據(jù)集的制作。如圖３－３所示，為６頭牛??的牛鼻紋理圖像。??議Ｉ邏??ｍｍｍ??圖３－３部分牛鼻紋理圖像數(shù)據(jù)集??２０??

３．３混合特征提取??３．３．１基于分塊的ＬＢＰ算法??原始的ＬＢＰ算法具有一定的局限性，每個(gè)像素點(diǎn)只比較了周圍鄰域由８?jìng)€(gè)點(diǎn)組成??的矩形區(qū)域的信息，范圍較小，無(wú)法獲取不同尺度的紋理特征。因此本文使用的是Ｏｊａｌａ??等人提出的圓形ＬＢＰ描述符，半徑Ｒ的大小以及周圍原形鄰域均勻分布的點(diǎn)的數(shù)量Ｐ??不受限制，可以有任意多個(gè)（具體如圖３－４所示）。使用不同的Ｐ和Ｒ，可以進(jìn)行多分??辨率紋理分析，其中，參數(shù)Ｐ對(duì)角度空間量化，Ｒ控制ＬＢＰ描述符的空間分辨率。與??原始ＬＢＰ描述符編碼過(guò)程基本相同，圓形ＬＢＰ描述符也是中心點(diǎn)與周圍鄰域的點(diǎn)進(jìn)行??灰度值的比較，生成二進(jìn)制編碼。???—一一―???？丄？??？?？???？?？?？?？？籲??＝＝＝＝＝＝＝二??Ｐ＝８?Ｒ＝１?Ｐ＝１６?Ｒ－２??圖３－４圓形ＬＢＰ描述符示意圖??中心坐標(biāo)為（ｕ?），則各個(gè)鄰域點(diǎn)坐標(biāo)（Ｘｐ，＾）為??（ｘｒ（ｘｃ?＋?Ｒｃ〇ｓ（＾＾），ｙｃ?－?Ｒｓｉｎ（＾＾））?（３－５）??其中，Ｐ?＝?０，１，．．．，Ｐ。當(dāng)點(diǎn)落在網(wǎng)格時(shí)，可以直接得到灰度值。圓形鄰域會(huì)產(chǎn)生不??完全在圖像網(wǎng)格上的點(diǎn)，為了確定這些點(diǎn)的灰度值，一般采用雙線性差值方法。??使用ＬＢＰ算法進(jìn)行特征提取時(shí)，往往不直接使用ＬＢＰ算法處理圖片得到的ＬＢＰ編??碼，而是使用ＬＢＰ直方圖。將ＬＢＰ的模式的分布信息表示為直方圖，該直方圖可用作??牛鼻特征描述符。整個(gè)編碼圖像生成的直方圖會(huì)導(dǎo)致圖像局部細(xì)節(jié)信息的丟失，而位置??和空間信息的存在提供了更好的特征表示，可以更準(zhǔn)確地描述圖像內(nèi)容。因此，這里使??用基于分塊的ＬＢＰ算法方法，將圖像分為若干個(gè)不重疊的相

【參考文獻(xiàn)】：
期刊論文
[1]改進(jìn)的SURF特征快速匹配算法[J]. 張文卿,李為相,李為,陳鑫,倪再玥.  計(jì)算機(jī)工程與設(shè)計(jì). 2019(12)
[2]基于2D-FFT的掌靜脈圖像Gabor濾波快速增強(qiáng)法[J]. 李莧蘭,張頂,黃晞.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2019(11)
[3]基于VGGNet的惡意代碼變種分類[J]. 王博,蔡弘昊,蘇旸.  計(jì)算機(jī)應(yīng)用. 2020(01)
[4]卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展及其在計(jì)算機(jī)視覺領(lǐng)域中的應(yīng)用綜述[J]. 陳超,齊峰.  計(jì)算機(jī)科學(xué). 2019(03)
[5]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類算法綜述[J]. 楊真真,匡楠,范露,康彬.  信號(hào)處理. 2018(12)
[6]深度學(xué)習(xí)原理及應(yīng)用綜述[J]. 付文博,孫濤,梁藉,閆寶偉,范福新.  計(jì)算機(jī)科學(xué). 2018(S1)
[7]SVM在高光譜圖像處理中的應(yīng)用綜述[J]. 王立國(guó),趙亮,劉丹鳳.  哈爾濱工程大學(xué)學(xué)報(bào). 2018(06)
[8]卷積神經(jīng)網(wǎng)絡(luò)在圖像分類和目標(biāo)檢測(cè)應(yīng)用綜述[J]. 周俊宇,趙艷明.  計(jì)算機(jī)工程與應(yīng)用. 2017(13)
[9]實(shí)時(shí)魯棒的特征點(diǎn)匹配算法[J]. 陳天華,王福龍.  中國(guó)圖象圖形學(xué)報(bào). 2016(09)
[10]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 李彥冬,郝宗波,雷航.  計(jì)算機(jī)應(yīng)用. 2016(09)



本文編號(hào)：3434976