计算机视觉国内外研究现状（综述）

1.国内外研究进展

1.2.1特征提取研究进展

特征提取是图像处理的一个重要环节，是进行身份识别和行为识别的重要部分。近年来，针对不同特征的提取，国内外学者提出了许多特征提取算法，同样特征提取的效果大都不错。但是在复杂的猪舍环境中提取猪的特征还是比较困难的。下面针对几种目前常用的特征提取算法进行一些介绍。

（1）传统的特征提取算法

传统特征提取算法已经发展了很久，现阶段比较成熟，是深度学习算法出来之前研究人员常用的一个特征提取方法。但是随着深度学习算法的不断发展，传统特征提取算法在特征提取的效果上已经不如深度学习算法了，但是传统算法依然有它的优势，比如深度学习提取的特征比较笼统，而传统算法能够具体化特征，在某个特定特征上面提取的效果会更好。

基于局部二值模式（Local Binary Pattern，LBP）的特征提取算法是提取纹理特征的主要算法。LBP是用来描述图像局部纹理特征的算子，它具有旋转不变性和灰度不变性的优点。LBP算子首先是由T. Ojala, M.Pietikäinen, 和 D. Harwood 在1994年提出的，接下来许多学者开始研究LBP算子，LBP算子得到了很大程度的创新发展。LBP对方向信息的提取不够充分，针对这一点，毕碧利用有限积分变换(FLIT, Finite Line Integral Transform)的方法来确定主方向，根据主方向来确定加权值，获得具有方向信息的LBP值，此方法简称FLIT-LBP[5]。针对LBP容易受到光照或者阴影的影响，徐一鸣等人提出了引入光照自适应特性的N-LBP[6]纹理特征描述子[6]，构建纹理-颜色联合直方图，N-LBP算子可以较好的解决光照和阴影带来的影响。为了提高边缘提取的效果，Li Zeng等人在LBP算子中增加了H函数，并把此算法命名为H-LBP[7]算法；赵辰一等人为了提高H-LBP的运算速度，减少其计算复杂度，提出了基于H-LBP的快速边缘提取算法,简称为FH-LBP[8]。为了增强不同尺度间的纹理相关性，齐宪标提出了一种联合编码的多尺度共生LBP特征（MSJ-LBP）[9]算法，通过捕捉不同尺度间的纹相似度来提高整体相关性。局部二值模式会存在采样不充分，并且受光照和噪声影响较大，杨恢先等人提出了改进梯度局部二值模式（IGLBP）[10]的人脸描述方法,通过对LBP的梯度值进行改进来增加编码信息，增加各种信息量来减少光照和噪声的影响，从而提高特征提取效果。为了适应不同尺度图片的特征提取，胡金裕提出了多分块中心对称局部二值模式（Multi Block -Center Symmetric Local Binary Pattern,MB-CSLBP），实验发现MB-CSLBP[11]可以适应不同尺寸的图片，并且在由于运用了中心对称，使得计算量大大减少，提高了算法的执行率。杨超为了减少光照对人脸识别的影响，又因为提取特征时邻域内等距离的点的权值不同，提出了一种基于距离加权的高斯加权局部二值模式（GWLBP）[12],这个方法能够扩大特征提取的尺度，突显了中心像素的重要性，从而加快识别速度。为了能够提高纹理特征提取的效果，减少光照变化带来的影响，庙传杰等人提出了加权MB-LBP算子，先提取标准LBP的特征值，再提取MB-LBP的特征值，然后选择适当的权重来融合两种特征值[13]，实验表明，这个方法可以在很大程度上提高外界因素所带来得影响。由于局部二值模式容易受噪声的影响，Obulesu等人提出了均匀局部二值模式U-LBP[14]；兰蓉等人发现U-LBP的编码会存在不同类像素之间干扰的问题，提出一种基于自适应阈值的均匀局部二值模式[15]算法，通过加入基于直觉模糊集理论相似度量得出的阈值参数来降低不同类像素之间的干扰。

基于方向梯度直方图（Histogram of oriented gradients，HOG）主要是用来提取人体或者物体的外形信息和运动信息。2005年CVPR会议上，法国国家计算机科学及自动控制研究所的Dalal等人最早提出HOG概念，近年来众多学者开始对HOG进行研究。传统的梯度直方图对于一些细小部件的检测不能达到很好的效果，因此王子阳等人提出了HOG双线性差值算法[16]，通过对小部件某个块上进行双线性插值，再对这个处理好的差值块上进行HOG计算，这个方法有效提高了检测的效率。人脸识别的时候，会受到光照变化、遮挡、表情变化等因素的影响，张昊提出了一种多尺度金字塔特征块提取HOG特征[17]的方法，对预先处理好的图片今天HOG特征提取，提取出来后采用多尺度金字塔来构建邻近图，并且使用LPP算法来减少特征维度，最后送入分类器中进行分类识别，此方法的精度也达92.31%。传统的HOG特征对于一些运动十分迅速的物体，特征提取的效果并不理想，纪冕等人采用高斯平滑滤波器和双线性插值提取运动物体的HOG特征[18]，平滑滤波可以滤除噪声影响，让细节退化，使得运动物体的整体特征有效保留，双线性插值可以在此基础上增加局部细节，实验表明，此方法可以在迅速运动的情况下达到很好的特征提取和行为检测的效果。赵妍等人在双线性插值的基础上，提出了四线性插值结合HOG的方法[19],四线性插值算法比双线性插值算法在增加局部细节上面的效果更好。传统的HOG特征提取有着计算量相对较大，存在冗余，针对这一点，Nawari等人提出了基于分块的局部HOG特征提取，在分块的基础上，再进行局部提取，然后把提取的特征点再进行融合，这样的特征提取的精度相对传统的HOG要高许多，而且冗余项也减少了，效率也得到了提高。传统的HOG特征提取，不能有效提取对象的边缘信息，Karmaker等人提出了一种改进的HOG特征提取，即加权特征提取WHOG[20]它可以有效地减少复杂背景的影响，增强提取不同物体的轮廓边缘特征。现有的基于简单haar类特征的压缩跟踪算法在光照变化大、物体变形、背景杂波等情况下容易产生跟踪漂移和丢失，Z Jian提出了一种改进的基于方向梯度直方图(HOG)特征和扩展haar-like特征的压缩跟踪方法[21]。首先利用扩展的Haar类特征来搜索目标的粗定位，然后利用HOG特征来定位最优位置进行精细跟踪。

基于Gabor变换特征提取能够提供良好的方向选择和尺度选择特性，而且对于光照变化不敏感,能够提供对光照变化良好的适应性。Gabor特征提取的运用十分广泛，王春梦等人提出了用Gabor变换进行特征提取，再用PCA进行降维，最后用KNN分类器进行最终的分类识别[22]。对图片进行特征提取时，会受到光照、偏移等因素的影响，黄易豪等人把自适应直方图均衡化和Gabor滤波结合[23]，对图像进行增强，然后提取特征。李云红等人将Gabor特征提取运用到人脸识别上，人脸识别的准确率会受到表情变化的影响，她先标记关键点并进行区域划分，并用Gabor结合分块LBP的方法进行特征提取[24]，将所有得到的直方图进行级联，并进行身份认证。经实验表明，此算法的准确率达到98.5%。对一些纹理比较复杂的物体，或者其表面有许多缺陷，这样用普通的Gabor方法进行特征提取的效果并不是很好，王粟等人提出一种基于鲸鱼群算法的自适应优化Gabor滤波器。Gabor变换还能用来对指静脉进行特征提取，为了能够更好的对指静脉进行识别，杜梦丽提出了一种基于可变曲率Gabor滤波器的韦伯局部描述子（DCGWLD）[25]。实验表明，此方法的识别率达到99.89%。虹膜识别安全性高，可靠性好，受到广大学者的关注。刘文滔使用人工鱼群优化Gabor滤波器参数,从而得到一种自适应Gabor滤波器的特征提取方法[26]，将提取到的特征转换成二进制编码送入SVM进行虹膜识别，识别率非常高。

（2）基于深度学习的特征提取算法

深度学习是机器学习领域中一个全新的研究方向，深度学习的目的就是使得机器能够具有人一样的分析学习的能力，能够对图片、视频以及声音等进行识别。近年来，越来越多的学者对深度学习进行研究。现在深度学习已经涉及许多领域，比如农业、制造业、旅游业、服务业等。

相比于传统的特征提取算法，基于深度学习的方法有许多优势。传统方法主要还是靠人工设计的提取器，需要人工实时操作以及不断调参，而且设计出来的每个提取器都是针对特定的，泛化能力比较差，鲁棒性也不高。深度学习主要是要大量数据驱动来进行特征的提取，通过提前设计训练好的模型进行特征提取，泛化能力高，提取速度快，鲁棒性也高。但是，传统方法也有它的优势所在，传统和深度相结合的方法可以优势互补，达到意想不到的效果。

2006年，Geoffrey Hinton提出了深度学习的概念，经过许多学者的不断研究，深度学习在许多领域取得了巨大的成功，因此越来越多的学者开始关注深度学习。2012年，深度学习在计算机视觉领域取得了重大的突破，Hinton的研究小组在ImageNet图像分类的比赛采用深度学习方法进行图像分类，并赢得了比赛。经典的神经网络模型有着强大的特征提取的能力，叶绿等人分别用ResNet-34和VGG16模型来进行特征提取[27]，并把提取的图像信息进行特征融合，达到了很好的特征提取效果。樊伟等人才赢Mask R-CNN[28]网络中的ResNet-50-C4和ResNet-50/101-FPN的结构来进行特征提取，同样达到了很好的效果。深度学习需要大量的数据集，所以维度也会很大，杨博雄等人用VGG16网络进行特征提取，但是提取出来的特征维度很大，所以用PCA进行降维[29]，这样就得到的维度的特征信息。江彤彤等人为了提高特征提取的效率以及目标识别的精度，提出了基于卷积神经网络多层特征提取的目标识别方法[30],此方法在全连接层后进行特征提取，再把结果送入到分类器进行识别，卷积神经网络采用的是AlexNet模型，其中relu6层作为特征选取层，取得了很好的特征提取效果以及分类识别效果。深度学习特征和传统特征其实是可以互补的，种衍杰等人研究了手工特征和CNN特征的关联性，将LOMO特征融合到卷积神经网络中得到融合特征[31]，融合特征的区分度大大高于单一的特征。传统特征提取方法有提取特征较单一的不足，李敏等人提出了了一种结合加权特征向量空间模型和径向基概率神经网络(RBPNN)的方法[32]，达到了很好的特征提取以及分类效果。为了提高牦牛的身份识别精度，陈争涛等人提出了一种基于迁移学习的并行卷积神经网络牦牛脸识别算法[32]，将VGG16和CNN结合，提出了并行网络模型对牦牛进行身份识别，用VGG16进行初次提取特征，并把不同层次的特征放到CNN中进行二次提取，最后送入全连接层进行分类识别，实验结果表明，该方法达到了很好的效果，识别率达到91.2%。程冉等人为了实现在比较少数据集下进行对手势的分类识别，采用GoogLeNet模型和PNN模型进行特征提取和分类[33]，GoogLeNet模型具有很好的特征提取能力，PNN对于不同的样本有较强的容错性，两者结合可以让特征提取以及分类识别都达到很好的效果。用传统方法进行特征提取会存在运行效率低下、识别率低下的问题，针对这一点，吴云志等人提出一种基于DenseNet网络的现代卷积神经网络架构FI-Dense Net[34]，用该网络架构进行特征提取与分类识别，由于FI-Dense Net网络对于图像间的特征传递，有增强的作用，同时实验数据表明，用此网络进行特征提取与分类识别，精度可达98.97%。梁华刚等人提出一种增强可分离卷积通道特征的识别方法[35]，用来解决目前表情识别所存在的识别率不高、易受模型参数影响等问题，梁华刚等运用轻量型卷积神经网络来把表情特征提取出来，用深度可分离卷积来减少参数，不同的卷积层采用不同的压缩率来增强特征提取的能力，最后把特征提取的结果送入分类器中进行分类识别，实验结果表明了该方法的有效性，识别率提高了6.29%，并且模型参数量降低了四分之三。李大湘等人用非对称空间分块方法来扩充数据，来在AlexNet网络的基础上训练能够有多尺度特征提取能力的CNN神经网络模型[36]，取得了很好的分类效果。赵小虎等人用自己搭建的CNN网络模型进行图像全局特征的提取，再用属性提取模型（ATT）进行属性特征的提取，把这两种提取到的特征送入Bi-LSTM中进行分类识别[37]，同样也达到了很好的分类识别和特征提取的效果。

1.2.2基于计算机视觉的家畜行为识别研究进展

随着我国家畜养殖业的不断发展，散户越来越少，规模化养殖已然成了一个趋势，因此养殖规模不断扩大。人工监察已经越来越不能满足需要了，计算机视觉也渐渐开始涉足农业、畜牧业等领域了。通过计算机视觉技术与农业、畜牧业结合，可以减轻管理压力，提高管理效果，实现更高收益，就比如现今的智慧猪场，它以智能化管理模式，实现生猪疫情的实时监控，确保猪肉的质量。动物行为是指在自然条件下或者某个特定条件下所做出的的反应，可以体现出动物的需求以及健康状态。动物的行为包括饮水、采食、分娩、排泄、打斗等，用计算机视觉对这些行为进行监测可以及时准确的反映出动物的需求以及健康状况，对规模化养殖具有十分重要的意义。

韩丁为了能够准确对羊的行走、躺卧、进食等行为进行识别[37]，采用K-means聚类算法，实验结果表明，躺卧的识别准确率达到95.6%，其他行为均在60%以上。韩佳臻为了能够取得良好的识别结果，采用DenseNet模型进行训练，并加入SE模块[38]，两者结合，加强了信息传递的效果，避免了梯度的消失以及提高了识别的准确率。朱健改进了双流网络，在双流网络中引入互相关矩阵来计算空间特征和时序特征之间的全局响应值，来得到两种特征间的非局部依赖关系，并且结合判别滤波网络来提高捕获到精细行为能力，实验结果表明，此方法准确率达到98.1%[39]。薛芳芳等人为了解决人工日常行为监测的局限性，提出了用特征部位的空间关系来识别牛的日常行为。具体来说，首先用YOLOv5网络在给牛的特征部位定位，然后再得出其空间关系向量，接着用全连接网络进行分类，最后统计一段视频来验证此方法可行性。实验结果表明此方法的行为识别率达90%以上[40]。何东健等人用视频分析的思路来解决传统的用接触式的方式来获得行为信息的局限性，用最大连通区域的目标循环搜索的方法来改进目标检测算法，使得在复杂背景下都能有效的对牛犊进行目标提取，最后对提取的目标特征用快速聚类算法进行行为识别，实验结果表明，此方法对躺着的行为检测的准确率可达100%，对其他行为检测准确率都在95%以上[41]。爬跨行为跟动物的健康状况、发情有着密切的联系，为了更好的识别出爬跨行为，郝玉胜等人先用WIFI设备获得奶牛的运动状态的数据，然后对提取的数据用载波聚集、移动加权平均滤波进行处理，再用局部离群因子LOF算法获取奶牛的动作信号信息，并送入长短时记忆网络进行分类识别，分类识别准确率达96.67%[42]。奶牛发情行为在奶牛养殖业中是十分重要的，及时检测出发情行为，并实施适当措施，可以提高牛奶产量。王少华等人首先用混合高斯模型来对运动的奶牛进行目标检测，再用提前训练好的AlexNet网络进行分类识别奶牛的发情行为，实验结果表明，此方法的识别率达100%[43]。任晓惠等人用萤火虫算法来优化支持向量机的参数，提高SVM的分类精度，用改进的SVM进行奶牛的行为识别，分类精度达到97.28%[44]。奶牛的反刍行为可以体现出奶牛的健康状况，宋怀波等人用Horn-Schunck光流法提取奶牛嘴部光流序列并叠加，利用奶牛嘴部区域检测模型进行最后的分类识别，真实充盈率为96.76%,最小真实充盈率为25.36%[45]，实验结果表明了此方法在识别奶牛反刍行为的有效性。Qiumei Yang等人提出了一种利用视频时空特征的猪的爬跨行为识别算法，先用Faster R–CNN进行目标检测，并提取空间特征和时间特征，运用数据挖掘，最后对于视频序列，采取诸如合并相邻帧和噪声过滤之类的措施，以实现动态和连续的爬跨行为识别。结果表明，准确度为97％，可以有效应用于猪的爬跨行为识别[46]。典型的奶牛跛行行为持续时间仅为几秒，呈现出特征性的时空结构。人工跛行检测存在着突发、严重或早期跛行检测困难等问题。Bo Jiang等人利用单流长时间光卷积神经网络学习视频表示。为了评价算法的性能，从1080个奶牛视频中随机选取756个视频作为原始训练视频，其余视频作为测试视频。实验结果表明，单流长时间光卷积网络模型具有时间范围增大的特点，提高了奶牛跛行动作识别的准确性。研究了各种低层表示方式（如视频像素原始值和光流场）对奶牛跛行行为模型学习的影响，并论证了高质量光流估计对学习奶牛跛行行为模型的重要性[47]。在精确畜牧业中，个体识别和饲养行为分析对优化生产力和改善健康监测有很大影响。传感器通常用于测量奶牛个体的几个参数（RFID、加速度计等），对动物来说具有侵入性、并且会不舒服。为了克服这些限制，Brahim Achour等人开发了一种完全基于图像分析的无创系统。以奶牛场拍摄的奶牛头部图像为感兴趣区域，采用基于卷积神经网络（CNN）模型的分类器对17头荷斯坦奶牛的摄食行为进行监测和个体识别。Brahim Achour等人使用一个CNN来检测饲养区中奶牛的存在。第二个CNN用于确定奶牛在喂食器前面的位置，站立或喂食。第三个CNN用于检查喂食器中食物的供应情况，如果是，则识别食物类别。最后一个CNN是关于奶牛的个体鉴定。此外，我们还探讨了CNN与支持向量机（SVM）的耦合以及多个CNN的组合在个体识别过程中的作用。在评估步骤中，我们使用了一个数据集，该数据集由17头荷斯坦奶牛在商业农场喂养期间的7265张图像组成。结果表明，我们的方法在算法的每一步都得到了很高的精度[48]。

在传统的行为识别方法中，通常必须检测动物头部或依靠额外的工具。为了克服这些缺点，Min Jiang等人提出了一种基于深度学习的行为识别方法。首先，通过研究几种流行的深度学习方法的特点和适用性，设计了山羊个体检测方法。其次，我们提出了一个通用的群体行为识别框架，用于从顶部获取视频。通过分析山羊边界点与摄食区的空间位置关系，以及同一山羊边界点质心在连续帧间的时间移动量，识别出四种山羊行为。并且提出了一种推理策略来估计由于检测失败而导致的丢失行为。实验结果表明，YOLOv4在检测速度和准确率上均优于其他模型，在实验视频上对进食、饮酒、主动和非主动行为的平均识别准确率分别为97.87%、98.27%、96.86%和96.92%。结果表明，该方法可以为群体饲养家畜的行为自动识别提供一种有效的方法[49]。

1.2.3基于深度学习的身份识别研究进展

深度学习是源于人工神经网络的研究，深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，用来发现数据的分布式特征表示。传统身份识别主要根据可以证明身份的物品来进行识别，如依靠身份证、钥匙、磁卡、条形码等，或者是通过用户名和密码来进行识别，这种身份识别方式容易被别人仿冒，安全系数不高。生物识别技术就比传统身份识别可靠性要来得高一些。生物识别主要依靠生物自身特有的特征，如指纹、步态、静脉、掌纹、虹膜，这些特征都具有唯一性，所以能作为身份识别的依据。生物识别也渐渐运用到我们的生活中，如指纹锁，手机人脸识别，考勤市场的设备和系统等。深度学习就是在生物识别的基础上运用神经网络模型对生物特征进行提取，最后进行分类识别。

步态是指人行走时的姿态方式，每个人行走的姿态都是不同的，所以可以用步态来进行身份识别，但是步态识别易受观测视角、遮挡物品、光照强度等因素影响，导致识别率下降。针对这个问题，吴晓芳用Dense Net网络结合迁移学习来进行步态识别，首先根据步态视频提取出人体二值轮廓图，计算出能量图，输入Dense Net网络进行迁移训练，提取出深度步态特征后用最近邻分类器进行分类识别，实验结果表明此方法可以减少不同视角，遮挡物带来的影响，鲁棒性较好[50]。传统的神经网络模型在进行池化操作的时候会造成损失，且不能够较精确的反映出步态能量图之间的内部特征属性关系，侯健采用胶囊网络和反馈权重矩阵来解决这个问题；为了让步态识别更为灵活，侯健提出了集合池化层的方法，输入的步态轮廓图可以是无序的。实验结果表明，步态识别的时候采用胶囊网络顿、反馈权重矩阵以及结合池化层的方法可以大大提高步态识别的精度[51]。刘生智为了能够在比较复杂的环境中还能准确识别出奶牛的身份，将Inception V3卷积神经网络结合GrabCut图像分割，先将奶牛在复杂环境中用GrabCut方法分割出来，再送入神经网络中进行最后的身份识别[52]。智能联网汽车也慢慢成为一个新兴的发展方向，驾驶人的身份识别也就成了研究重点了，胡宏宇等人搭建一维卷积神经网络，并且结合了Adam算法、L2正则化以及梯度下降等方法来对驾驶人的身份进行识别，Adam算法可让神经网络的运行速度加快，并且减少噪声的影响；L2正则化可以防止过拟合现象的发生，并且可以让模型的复杂度和性能上达到平衡。实验表明，此方法的识别精度达到99.1%[53]。E. Rehn初步探讨了人工神经网络在化石木炭颗粒分析中的应用，利用U-Net网络进行木炭颗粒识别，VGG进行颗粒形态分类。两个神经网络都表现良好，颗粒识别和检测的准确率达到96%，分类准确率为75%。未来的工作将包括扩展训练数据集，包括粒子总数和站点数。该自动化系统的开发和应用将提高化石炭分析的效率[54]。

人工智能的发展和这项技术几乎在所有领域的引入，都创造了一种需要通过在图像处理领域使用人工智能来尽量减少人为因素，并从时间和劳动方面获利。Ayad Saad Almryad等人提出了一种基于深度神经网络的蝴蝶物种自动识别模型。他收集了土耳其不同位置、拍摄角度、蝶距、遮挡度和背景复杂度等104种蝴蝶的44659幅图像。由于许多物种都有一些图像样本，我们构建了一个基于现场的数据集，其中有17769只蝴蝶，其中10种。采用卷积神经网络（CNN）对蝴蝶进行了鉴定。对三种不同网络结构的实验结果进行了比较和评价。对10种常见蝴蝶进行了实验，结果表明，该方法成功地识别出各种蝴蝶[55]。在奶牛识别方面，基于计算机视觉的方法由于具有非接触性和实用性等优点而得到了广泛的运用。Hengqi Hu等人提出了一种基于深度特征融合的非接触奶牛识别方法。首先获取一组奶牛侧视图像，然后应用YOLO目标检测模型对每幅原始图像中的奶牛目标进行定位，然后采用帧差分和跨度分析的局部分割算法将奶牛目标分为头、躯干和腿三部分。然后，训练三个独立的卷积神经网络，从这三部分中提取深层特征，并设计了一种特征融合策略，即深层特征融合。最后，利用融合特征训练的支持向量机分类器对每头奶牛进行分类识别。该方法在包含93头奶牛侧视图像的数据集上获得了98.36%的识别准确率，优于现有的方法。实验结果表明，所提出的奶牛识别方法是有效的，在其他家畜的个体识别中具有良好的应用前景[56]。手指静脉识别是近年来发展起来的生物特征识别技术，近年来已成为生物特征学中的一个重要领域，受到越来越多的关注。作为一种生物特征，使用静脉识别可以实现高度安全的个人识别。Ismail Boucherit等人采用了一种改进的深部网络，即合并卷积神经网络，它使用了多个路径短的CNN。该方案是基于多个输入图像维度相同的CNN，并将输出统一为一个层。为此，我们设计了不同的网络，并用FV-USM数据集对其进行训练。利用6幅图像进行训练，在FV-USM数据库中获得了识别率为96.75%。对于使用5幅图像进行学习的SDUMLA-HMT数据库，该方法的识别率为99.48%[57]。大熊猫是一种标志性的保护物种。然而，长期监测野生大熊猫一直是一个挑战，主要是由于缺乏合适的方法来识别目标大熊猫个体。因此，Jin Hou等人探索一种可靠有效的大熊猫个体识别方法。他运用深度学习技术，提出了一种基于卷积神经网络的大熊猫识别模型。该模型能够识别验证数据集中95%的大熊猫个体。在模拟的野外环境中，当照片数据的质量下降时，该模型仍然准确地识别了90%以上的大熊猫个体。模型的识别精度对照片的亮度、小旋转和清洁度具有较强的鲁棒性。该模型可用于大熊猫的长期监测、大数据行为分析等研究，也可用于其他野生动物物种的个体识别[58]。

[5]毕碧. 局部二值模式的改进及其在工业X射线图像中的应用研究[D].重庆大学,2012.

[6]徐一鸣,陆观,顾菊平. 基于N-LBP纹理与色度信息的Camshift跟踪算法[J]. 计算机科学,2015,42(06):313-316.

[7]Bi Bi,Li Zeng,Kuan Shen,Haina Jiang. An effective edge extraction method using improved local binary pattern for blurry digital radiography images[J]. NDT and E International,2013,53:.

[8]赵辰一,乔双,孙佳宁. 基于H-LBP的快速边缘提取算法及其在核成像中的应用研究[A]. 中国核学会.中国核科学技术进展报告（第五卷）——中国核学会2017年学术年会论文集第9册（核情报分卷、核技术经济与管理现代化分卷、核电子学与核探测技术分卷）[C].中国核学会:中国核学会,2017:5.

[9]齐宪标. 共生局部二值模式及其应用[D].北京邮电大学,2015.

[10]杨恢先,陈永,张翡,周彤彤. 基于改进梯度局部二值模式的人脸识别[J]. 激光与光电子学进展,2018,55(06):124-131.

[11]胡金裕. 基于改进LBP特征和人脸能量图的多姿态人脸识别研究[D].哈尔滨工程大学,2015.

[12]杨超. 复杂光照下的人脸识别算法研究[D].武汉科技大学,2019.

[13]庙传杰,史东承. 基于改进的局部二值模式和SVM的人脸识别[J]. 长春工业大学学报,2020,41(03):257-262.

[14]Obulesu A , Kumar V V , Sumalatha L , et al. Region based image retrieval using ranking concept of local binary pattern[C]// 2017 International Conference on Big Data Analytics and Computational Intelligence (ICBDAC). IEEE, 2017.

[15]兰蓉,马威,程阳子. 基于自适应阈值的均匀局部二值模式[J]. 西安邮电大学学报,2020,25(01):68-73.

[16]王子阳,魏丹,胡晓强,罗一平,方轶. 基于HOG局部双线性插值的机械零部件检测与识别[J]. 轻工机械,2020,38(01):65-70.

[17]张昊. 基于多尺度金字塔特征块提取HOG特征的新型人脸识别算法[D].吉林大学,2017.

[18]纪冕,张欣,徐海. 基于改进HOG特征和SVM分类器的行人检测[J]. 软件,2020,41(02):70-74.

[19]Alb Ad Awi M ,  Nawari M . A patch-based local features and HOG integration model in context of visual categorization[C]// International Conference on Computing. IEEE, 2016.

[20]D  Karmaker,  Schiffner I ,  Strydom R , et al. WHoG: A weighted HoG-based scheme for the detection of birds and identification of their poses in natural environments[C]// 2016 14th International Conference on Control, Automation, Robotics and Vision (ICARCV). IEEE, 2017.

[21] Jian Z . Compressive tracking based on HOG and extended Haar-like feature[C]// 2016 2nd IEEE International Conference on Computer and Communications (ICCC). IEEE, 2016.

[22]王春梦,王子熠,孟凡彬,孔繁之,高建强. 基于Gabor和PCA的面部图像识别方法[J]. 信息技术,2021,(02):20-25+32.

[23]黄易豪,周颖玥,徐苏,刘银辉. 基于精选SURF特征点的手指静脉识别算法[J]. 计算机仿真,2021,38(02):389-393.

[24]李云红,聂梦瑄,苏雪平,周小计,何琛. 分区域特征提取的人脸识别算法[J]. 西北大学学报(自然科学版),2020,50(05):811-818.

[25]杜梦丽. 指静脉图像特征提取算法研究[D].安徽大学,2020.

[26]刘文滔. 基于人工鱼群优化改进的虹膜特征提取与识别算法的研究[D].吉林大学,2020.

[27]叶绿,朱家懿,段婷. 基于深度学习的行驶视觉图像分割模型设计[J]. 实验室研究与探索,2020,39(10):88-92.

[28]樊玮,刘挺,黄睿,郭青,张宝. 卷积神经网络低层特征辅助的图像实例分割方法[J]. 计算机科学,2020,47(11):186-191.

[29]杨博雄,杨雨绮. 利用PCA进行深度学习图像特征提取后的降维研究[J]. 计算机系统应用,2019,28(01):279-283.

[30]江彤彤,成金勇,鹿文鹏. 基于卷积神经网络多层特征提取的目标识别[J]. 计算机系统应用,2017,26(12):64-70.

[31]李敏,余正涛. 结合加权特征向量空间模型和RBPNN的文本分类方法[J]. 计算机系统应用,2012,21(12):85-89+71.

[32]陈争涛,黄灿,杨波,赵立,廖勇. 基于迁移学习的并行卷积神经网络牦牛脸识别算法[J]. 计算机应用,,:1-7.

[33]程冉,史健芳. 基于卷积神经网络的手势识别算法研究[J]. 电子设计工程,2021,29(02):179-184.

[34]吴云志,刘翱宇,朱小宁,刘晨曦,范国华,乐毅,张友华. 一种植物病害图像识别卷积网络架构[J]. 安徽农业大学报,2021,48(01):150-156.

[35]梁华刚,雷毅雄. 增强可分离卷积通道特征的表情识别研究[J]. 计算机工程与应用,,:1-13.

[36]李大湘,张玥. 基于多尺度CNN特征的国画图像分类算法[J]. 西安邮电大学学报,2021,26(01):104-110.

[37]韩丁. 草原放牧绵羊牧食行为检测识别方法研究[D].内蒙古农业大学,2018.

[38]韩佳臻. 基于卷积神经网络的奶山羊行为识别方法研究[D].西北农林科技大学,2019.

[39]朱健. 基于互相关融合和判别滤波的动物动作识别算法研究[D].浙江大学,2020.

[40]薛芳芳,王月明,李琦. 基于特征部位空间关系的牛日常行为识别[J]. 激光与光电子学进展,,:1-14.

[41]何东健,孟凡昌,赵凯旋,张昭. 基于视频分析的犊牛基本行为识别[J]. 农业机械学报,2016,47(09):294-300.

[42]郝玉胜,林强,王维兰,郭敏,逯玉兰. 基于Wi-Fi无线感知技术的奶牛爬跨行为识别[J]. 农业工程学报,2020,36(19):168-176.

[43]王少华,何东健,刘冬. 基于机器视觉的奶牛发情行为自动识别方法[J]. 农业机械学报,2020,51(04):241-249.

[44]任晓惠,刘刚,张淼,司永胜,张馨月,马丽. 基于支持向量机分类模型的奶牛行为识别方法[J]. 农业机械学报,2019,50(S1):290-296.

[45]宋怀波,李通,姜波,吴倩,何东健. 基于Horn-Schunck光流法的多目标反刍奶牛嘴部自动监测[J]. 农业工程学报,2018,34(10):163-171.

[46]Yang Q ,  Xiao D ,  Cai J . Pig mounting behaviour recognition based on video spatial–temporal features[J]. Biosystems Engineering, 2021, 206:55-66.

[47]Bo J ,  Xyab C ,  Hsab C . Single-stream long-term optical flow convolution network for action recognition of lameness dairy cow - ScienceDirect[J]. Computers and Electronics in Agriculture, 175.

[48]Ba A ,  Mb A ,  If A , et al. Image analysis for individual identification and feeding behaviour monitoring of dairy cows based on Convolutional Neural Networks (CNN)[J]. Biosystems Engineering, 2020, 198:31-49.

[49]Min Jiang,Yuan Rao,Jingyao Zhang,Yiming Shen. Automatic behavior recognition of group-housed goats using deep learning[J]. Computers and Electronics in Agriculture,2020,177:.

[50]吴晓芳. 基于深度迁移学习的步态识别方法研究[D].暨南大学,2020.

[51]侯健. 基于深度学习的非模型法步态识别研究[D].湘潭大学,2020.

[52]刘生智. 基于深度学习的奶牛目标检测与身份识别研究[D].塔里木大学,2020.

[53]胡宏宇,刘家瑞,高菲,高振海,梅兴泰,杨光. 基于一维卷积神经网络的驾驶人身份识别方法[J]. 中国公路学报,2020,33(08):195-203.

[54]E. Rehn,A. Rehn,A. Possemiers. Fossil charcoal particle identification and classification by two convolutional neural networks[J]. Quaternary Science Reviews,2019,226:.

[55]Ayad Saad Almryad,Hakan Kutucu. Automatic identification for field butterflies by convolutional neural networks[J]. Engineering Science and Technology, an International Journal,2020,23(1):.

[56]Hengqi Hu,Baisheng Dai,Weizheng Shen,Xiaoli Wei,Jian Sun,Runze Li,Yonggen Zhang. Cow identification based on fusion of deep parts features[J]. Biosystems Engineering,2020,192:.

[57]Ismail Boucherit,Mohamed Ould Zmirli,Hamza Hentabli,Bakhtiar Affendi Rosdi. Finger vein identification using deeply-fused Convolutional Neural Network[J]. Journal of King Saud University - Computer and Information Sciences,2020,:.

[58]Jin Hou,Yuxin He,Hongbo Yang,Thomas Connor,Jie Gao,Yujun Wang,Yichao Zeng,Jindong Zhang,Jinyan Huang,Bochuan Zheng,Shiqiang Zhou. Identification of animal individuals using deep learning: A case study of giant panda[J]. Biological Conservation,2020,242:.