超级会员免费看
基于Fisher局部保持投影方法的牛只实时识别
1 背景与需求
当前，全球面临着严重的生物多样性危机。据国际自然保护联盟（IUCN）报告，超过50%的物种受到威胁或已经灭绝，灵长类动物等物种在其栖息地受到严重威胁。例如，在西非赤道地区，濒危物种的总体数量有所下降；在科特迪瓦，1990 - 2007年间超过90%的黑猩猩消失。
宠物方面，全球宠物狗数量超过7亿，美国每年有700万只狗进入动物收容所，但只有10%能被领养或回到主人身边。美国一些城市的宠物数量持续增加，如西雅图和纽约，这给宠物的监测和识别带来了巨大挑战。
在印度，2016年牲畜牛的总数为5.1205亿，但由于缺乏适当的健康监测，与上一次普查相比，总数减少了约10.33%。传统的动物识别系统，如基于侵入式标记的技术（在RFID设备中嵌入微芯片），无法满足牲畜保护和健康监测的需求，也难以识别牛群中的感染动物。
因此，利用计算机视觉和动物生物识别技术的牛只识别方法受到了广泛关注，开发实时牛只识别系统对于个体牛只的识别和监测至关重要。
2 实时牛只识别系统
2.1 系统概述
实时牛只识别系统旨在为实时应用提供更好的解决方案。该系统基于牛只的口鼻点图像来识别个体牛只。通过智能设备（如相机）捕捉牲畜的口鼻点图像，并利用无线网络技术将其传输到服务器数据库。
2.2 系统流程
- 图像采集与传输 ：用户使用数字相机、智能手机等设备捕捉牛只的口鼻点图像，然后通过通信协议和架构将图像传输到牛只识别系统。
- 图像匹配与验证 ：传输的图像与存储在数据库中的口鼻点图像进行相似度匹配。匹配完成后，系统会向用户的注册手机号码发送认证消息，确认牛只的归属权。牛只通常会根据不同的政府保险计划进行注册，该系统的主要目标是为基于口鼻点图像生物特征的牛只验证提供经济有效的解决方案。
-
视频帧处理
：系统从捕获的视频中提取视频帧作为输入图像进行牛只识别。具体的处理步骤如下：
- 图像预处理与增强 ：预处理是特征提取和匹配的重要步骤。使用低通滤波等技术减轻提取的口鼻图像序列（视频）中的噪声，并应用对比度增强技术提高图像质量。
- 口鼻点图像分割 ：采用颜色K - 均值聚类和基于纹理的图像分割算法，检测口鼻点特征的珠子和脊线区域，定位和分割最具区分性和生物信息的区域。
2.3 特征提取与匹配技术
传统的基于线性投影的特征提取和表示技术无法处理捕获的口鼻点图像数据库中纹理特征的非线性变化。因此，一些非线性判别分析方法被应用于目标识别，如主核成分分析（KPCA）、核Fisher判别分析（KFDA）和广义判别分析（GDA）。
在计算机视觉领域，基于流形图的机器学习方法，如线性保持投影（LPPs）、拉普拉斯特征特征映射（LFEs）、线性判别投影嵌入（LDPE）和无监督特征判别投影（UDPs），在目标识别中也展现出了巨大潜力。
为了提高牛只识别系统的准确性，减少误拒率，本文提出了一种基于Fisher局部保持投影（FLPP）的方法，该方法可以同时提取和选择口鼻点图像中的区分性特征，并融合不同类别的口鼻点特征。
3 FLPP特征提取与表示方法
3.1 方法原理
Fisher线性保持投影（FLPP）通过线性投影确定特征空间中的方向，最大化类间散布矩阵并保持特征空间中的局部几何数据。相关的数学公式如下：
- 类间散布矩阵 (S_B)：
[S_B = \sum_{K = 1}^{N} (N_K(\mu_K - \mu) \cdot (\mu_K - \mu))^T]
- 类内散布矩阵 (S_W)：
[S_W = \sum_{K = 1}^{N} \sum_{x_k} (N_K(\mu_K - \mu) \cdot (\mu_K - \mu))^T]
- 类均值 (\mu)：
[\mu = \frac{1}{N} \sum_{K = 1}^{N} N_K]
- 最优投影方向 (W_{OPT})：
[W_{OPT} = \arg \max_{u} \frac{u^T S_B u}{u^T S_W u}]
[W_{OPT} = \arg \max_{u} \frac{u^T S_B u}{u^T (S_W + S_B) u}]
[W_{OPT} = \arg \max_{u} \frac{u^T S_B u}{u^T (S_R) u}]
- 总散布矩阵 (S_R)：
[S_R = \sum_{j = 1}^{N} \sum_{x_j \in X_i} (x_j - \mu_i) \cdot (x_j - \mu_i)^T]
总散布特征矩阵的计算可以转化为广义特征值问题：
[S_B V = \lambda S_R V]
3.2 算法步骤
下面是FLPP特征提取和表示方法的伪代码：
Algorithm 7.1: FLPP Feature Extraction and Representation approach
1. Begin Procedure: Training the learning of FLPP model
2. Initialization of muzzle point feature matrix: Initialize feature matrix of muzzle point image
of cattle X [] = [X1, X2, ..., Xn], between - class (SB) and within - class (SW) - based two simple
graphs GB(V1, E1) and GW(V2, E2). The graphs are applied for finding the feature representation
of muzzle point image of cattle. The simple graphs are defined as follows:
A. Definition of simple graph: Define two graphs GB(V1, E1) and GW(V2, E2) neighbors
sharing NWX(I) and NBX(I). These are the two subsets of neighbor sharing the similar class label
with (xi) and GW(X, SW), and GB(X, SB) is two simple graph structure to compact representation
and modeling of the within - class
B. The within - class (SW) compactness is build by joining an edge between two graph nodes
(xi, xj) if feature points belong to the same class. The computation of GW(X, SW) is given as
follows (shown in Eq. 7.8):
S00_W = ∑(i,j)xi∈NW ∑(xj∈NW(i,j)) (uTxi - uTxj) ⋅ 2uT ⋅ u(DW - SW)
The within - class (SW) is illustrated in Eq. (7.9):
SW = [exp(-(xi - xj)^2 / t), if (xi)∈NW(xj) and (xj)∈NW(xi); 0]
where (t) is a constant variable which can be calculated empirically. The similarly, the graph for
the scatter matrix is also measured based on the similarity matrix (SB). The calculation of
between - class (SB) scatter of muzzle point image calculated as follows (shown in Eq. 7.10):
SB = [exp(-(xi - xj)^2 / t), if (xi)∈NW(xj) and (xj)∈NW(xi); 0]
where DB is calculated as follows (Eq. 7.11):
DB = ∑N j = 1 SW
The separability between classes is evaluated by a defined class graph GW(X, SW) and GB(X, SB)
by connecting and inserting the two node values (xi), and (xj), if the two nodes belong to
different classes. The between - class of muzzle point image data is illustrated as follows (shown
in Eq. 7.12):
S00_B = ∑(i,j)xi∈NW ∑(xj∈NW(i,j)) (||uTxi - uTxj||) ⋅ SB
= 2uT ⋅ (DB - SB) ⋅ (XTu)
= 2uT ⋅ (T) ⋅ (XTu)
where T = (DB - S00_B) is defined as a Laplacian matrix. The objective function of Fisher
discriminant analysis is applied to represent muzzle point feature of cattle. The fisher
discriminant is applied to select the prominent muzzle point feature using proposed FLPP feature
extraction and representation learning model as follows (Eq. 7.13):
WOPT = arg maxu (uTS00_Bu / uTS00_Wu)
WOPT = arg maxu (uTXPXTu / uTXTXTu)
WOPT = arg maxu (uTXPXTu / C)
where uTXTXTu = C, C is a constant. The maximization problem of proposed FLPP approach
can be illustrated into Eigenvalues problem shown in Eq. (7.14):
XPXTW = λXTXTW
该算法使用基于OSS的学习、距离匹配和增量SVM（在线）模型对牛只的口鼻点特征进行分类和识别。与传统的FLDA和线性保持投影（LPP）方法相比，该方法在口鼻点图像的类内特征表示方面表现更优，能够通过最小化特征点与其同类邻居之间的距离，提供更好的特征紧凑表示。
2.4 系统优势
与传统方法相比，该系统具有以下优势：
|比较项|传统方法|实时牛只识别系统|
| ---- | ---- | ---- |
|识别准确性|较低|较高，采用FLPP方法提高识别精度|
|健康监测能力|弱|强，可辅助监测牛只健康状况|
|处理效率|低|高，实时处理图像数据|
|成本|高|低，提供经济有效解决方案|
2.5 系统架构图
graph LR
A[智能设备（相机等）] --> B[图像采集]
B --> C[无线网络传输]
C --> D[服务器数据库]
D --> E[图像匹配]
E --> F[相似度计算]
F --> G{匹配成功?}
G -- 是 --> H[发送认证消息]
G -- 否 --> I[重新采集或确认]
3 FLPP特征提取与表示方法
3.1 方法原理
FLPP方法通过线性投影确定特征空间中的方向，其核心目标是最大化类间散布矩阵 (S_B)，同时保持特征空间中的局部几何数据。相关的数学公式如下：
-
类间散布矩阵 (S_B)
：
[S_B = \sum_{K = 1}^{N} (N_K(\mu_K - \mu) \cdot (\mu_K - \mu))^T]
-
类内散布矩阵 (S_W)
：
[S_W = \sum_{K = 1}^{N} \sum_{x_k} (N_K(\mu_K - \mu) \cdot (\mu_K - \mu))^T]
-
类均值 (\mu)
：
[\mu = \frac{1}{N} \sum_{K = 1}^{N} N_K]
-
最优投影方向 (W_{OPT})
：
[W_{OPT} = \arg \max_{u} \frac{u^T S_B u}{u^T S_W u}]
[W_{OPT} = \arg \max_{u} \frac{u^T S_B u}{u^T (S_W + S_B) u}]
[W_{OPT} = \arg \max_{u} \frac{u^T S_B u}{u^T (S_R) u}]
-
总散布矩阵 (S_R)
：
[S_R = \sum_{j = 1}^{N} \sum_{x_j \in X_i} (x_j - \mu_i) \cdot (x_j - \mu_i)^T]
总散布特征矩阵的计算可以转化为广义特征值问题：
[S_B V = \lambda S_R V]
3.2 算法步骤
下面是FLPP特征提取和表示方法的伪代码：
Algorithm 7.1: FLPP Feature Extraction and Representation approach
1. Begin Procedure: Training the learning of FLPP model
2. Initialization of muzzle point feature matrix: Initialize feature matrix of muzzle point image
of cattle X [] = [X1, X2, ..., Xn], between - class (SB) and within - class (SW) - based two simple
graphs GB(V1, E1) and GW(V2, E2). The graphs are applied for finding the feature representation
of muzzle point image of cattle. The simple graphs are defined as follows:
A. Definition of simple graph: Define two graphs GB(V1, E1) and GW(V2, E2) neighbors
sharing NWX(I) and NBX(I). These are the two subsets of neighbor sharing the similar class label
with (xi) and GW(X, SW), and GB(X, SB) is two simple graph structure to compact representation
and modeling of the within - class
B. The within - class (SW) compactness is build by joining an edge between two graph nodes
(xi, xj) if feature points belong to the same class. The computation of GW(X, SW) is given as
follows (shown in Eq. 7.8):
S00_W = ∑(i,j)xi∈NW ∑(xj∈NW(i,j)) (uTxi - uTxj) ⋅ 2uT ⋅ u(DW - SW)
The within - class (SW) is illustrated in Eq. (7.9):
SW = [exp(-(xi - xj)^2 / t), if (xi)∈NW(xj) and (xj)∈NW(xi); 0]
where (t) is a constant variable which can be calculated empirically. The similarly, the graph for
the scatter matrix is also measured based on the similarity matrix (SB). The calculation of
between - class (SB) scatter of muzzle point image calculated as follows (shown in Eq. 7.10):
SB = [exp(-(xi - xj)^2 / t), if (xi)∈NW(xj) and (xj)∈NW(xi); 0]
where DB is calculated as follows (Eq. 7.11):
DB = ∑N j = 1 SW
The separability between classes is evaluated by a defined class graph GW(X, SW) and GB(X, SB)
by connecting and inserting the two node values (xi), and (xj), if the two nodes belong to
different classes. The between - class of muzzle point image data is illustrated as follows (shown
in Eq. 7.12):
S00_B = ∑(i,j)xi∈NW ∑(xj∈NW(i,j)) (||uTxi - uTxj||) ⋅ SB
= 2uT ⋅ (DB - SB) ⋅ (XTu)
= 2uT ⋅ (T) ⋅ (XTu)
where T = (DB - S00_B) is defined as a Laplacian matrix. The objective function of Fisher
discriminant analysis is applied to represent muzzle point feature of cattle. The fisher
discriminant is applied to select the prominent muzzle point feature using proposed FLPP feature
extraction and representation learning model as follows (Eq. 7.13):
WOPT = arg maxu (uTS00_Bu / uTS00_Wu)
WOPT = arg maxu (uTXPXTu / uTXTXTu)
WOPT = arg maxu (uTXPXTu / C)
where uTXTXTu = C, C is a constant. The maximization problem of proposed FLPP approach
can be illustrated into Eigenvalues problem shown in Eq. (7.14):
XPXTW = λXTXTW
该算法使用基于OSS的学习、距离匹配和增量SVM（在线）模型对牛只的口鼻点特征进行分类和识别。与传统的FLDA和线性保持投影（LPP）方法相比，该方法在口鼻点图像的类内特征表示方面表现更优，能够通过最小化特征点与其同类邻居之间的距离，提供更好的特征紧凑表示。
3.3 算法流程图
graph LR
A[开始训练FLPP模型] --> B[初始化口鼻点特征矩阵]
B --> C[定义简单图GB和GW]
C --> D[计算类内散布矩阵SW]
D --> E[计算类间散布矩阵SB]
E --> F[计算总散布矩阵SR]
F --> G[求解广义特征值问题]
G --> H[选择最优投影方向WOPT]
H --> I[分类和识别口鼻点特征]
4 总结
实时牛只识别系统结合了计算机视觉和动物生物识别技术，通过FLPP方法提高了牛只识别的准确性和效率。该系统能够有效解决传统动物识别系统的不足，为牛只的保护、健康监测和管理提供了有力支持。未来，随着技术的不断发展，该系统有望在畜牧业中得到更广泛的应用。
4 特征Fisher编码与图像匹配
4.1 特征Fisher编码
在牛只口鼻点图像的特征处理中，线性判别分析（FLDA）技术被用于特征Fisher编码。FLDA通过最大化类间散布和最小化类内散布，找到最具区分性的特征投影方向，从而将高维的口鼻点图像特征映射到低维空间，同时保留类别之间的判别信息。
4.2 口鼻点图像匹配
使用基于学习距离的相似度匹配方法对牛只的口鼻点图像进行匹配。具体步骤如下：
1.
特征提取
：从预处理和分割后的口鼻点图像中提取特征，如使用FLPP方法提取的特征。
2.
距离计算
：计算待匹配图像特征与数据库中图像特征之间的距离，常用的距离度量方法有欧氏距离、余弦距离等。
3.
相似度评估
：根据计算得到的距离，评估待匹配图像与数据库中图像的相似度。相似度越高，表明两者可能属于同一头牛只。
4.
匹配决策
：设定一个相似度阈值，当相似度超过该阈值时，判定为匹配成功；否则，判定为匹配失败。
4.3 匹配流程表
| 步骤 | 操作内容 |
|---|---|
| 特征提取 | 从预处理和分割后的口鼻点图像中提取特征 |
| 距离计算 | 计算待匹配图像特征与数据库中图像特征的距离 |
| 相似度评估 | 根据距离评估相似度 |
| 匹配决策 | 根据相似度阈值判断是否匹配成功 |
4.4 匹配流程图
graph LR
A[待匹配口鼻点图像] --> B[特征提取]
B --> C[距离计算]
C --> D[相似度评估]
D --> E{相似度 > 阈值?}
E -- 是 --> F[匹配成功]
E -- 否 --> G[匹配失败]
5 实验结果与分析
5.1 实验设置
为了评估所提出的特征提取和表示方法的性能，进行了一系列实验。实验使用了不同的图像数据库，包括不同牛只的口鼻点图像。实验设置了多种识别场景，以模拟实际应用中的不同情况。
5.2 实验结果
实验结果表明，所提出的方法在牛只识别方面取得了较好的效果。具体数据如下：
-
识别率
：该方法的识别率达到了96.87%，表明其能够准确地识别个体牛只。
-
识别时间
：在不同的图像数据库上，该方法对牛只生物特征口鼻点特征的注册和识别时间平均为10.25秒，具有较高的处理效率。
5.3 结果分析
与现有的手工纹理特征和基于外观的特征提取技术相比，所提出的方法在识别准确性和处理效率方面都具有明显优势。这主要得益于FLPP方法能够最大化类间散布矩阵，同时最小化类内散布矩阵，从而提高了特征的区分性和识别的准确性。
5.4 实验对比表
| 方法 | 识别率 | 识别时间（秒） |
|---|---|---|
| 提出的方法 | 96.87% | 10.25 |
| 现有手工纹理特征方法 | 较低 | 较长 |
| 基于外观的特征提取技术 | 较低 | 较长 |
6 总结
6.1 主要成果
本文提出了一种基于Fisher局部保持投影（FLPP）的牛只实时识别框架。该框架通过计算机视觉和动物生物识别技术，实现了对牛只口鼻点图像的实时采集、处理和识别。主要成果如下：
- 提出了FLPP方法，该方法能够最大化牛只口鼻点的类间散布，同时最小化类内散布，有效提高了牛只识别的准确性。
- 开发了一套完整的实时牛只识别系统，包括图像采集、预处理、特征提取、匹配和验证等环节，为牛只的保护、健康监测和管理提供了有效的解决方案。
6.2 应用前景
该系统在畜牧业中具有广阔的应用前景。可以用于牛只的身份识别、健康监测、养殖管理等方面，帮助养殖户提高养殖效率，降低养殖成本，同时也有助于保障牛只的健康和福利。
6.3 未来展望
未来，可以进一步优化该系统的性能，例如提高识别的准确性和处理效率，增加系统的鲁棒性和适应性。此外，还可以探索将该系统与其他技术相结合，如物联网、大数据等，实现更加智能化的牛只管理。
6.4 整体流程回顾表
| 步骤 | 操作 |
|---|---|
| 背景分析 | 了解生物多样性危机和传统动物识别系统的不足 |
| 系统设计 | 构建实时牛只识别系统，包括图像采集、传输、处理等环节 |
| 特征提取 | 使用FLPP方法提取牛只口鼻点图像的特征 |
| 特征编码与匹配 | 使用FLDA进行特征Fisher编码，基于学习距离进行图像匹配 |
| 实验验证 | 在不同图像数据库上进行实验，验证方法的性能 |
| 总结展望 | 总结成果，展望未来发展方向 |
6.5 整体流程图
graph LR
A[背景分析] --> B[系统设计]
B --> C[特征提取]
C --> D[特征编码与匹配]
D --> E[实验验证]
E --> F[总结展望]
扫一扫
22
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
