基于小波變換和改進KPCA的奶牛個體識別研究

張滿囤， 單新媛， 于 洋，*， 米 娜， 閻 剛， 郭迎春

(1.河北工業大學 計算機科學與軟件學院，天津 300401； 2.河北省大數據計算重點實驗室，天津 300401)

基于小波變換和改進KPCA的奶牛個體識別研究

張滿囤1，2， 單新媛1，2， 于 洋1，2，*， 米 娜1，2， 閻 剛1，2， 郭迎春1，2

(1.河北工業大學 計算機科學與軟件學院，天津 300401； 2.河北省大數據計算重點實驗室，天津 300401)

為加快畜牧業現代化程度，克服傳統方法中奶牛個體識別正確率低的缺陷，針對奶牛個體紋理特征，對傳統KPCA(核主成分分析)方法從降低協方差矩陣維數和引入類別信息兩個角度進行改進，并與小波變換進行結合，應用于奶牛個體識別領域。首先對歸一化后的奶牛圖像進行一層小波分解得到4個分量子圖，然后對各子圖利用改進的KPCA進行特征提取并引入加權策略融合，最后構造出多類SVM分類器進行學習分類。將預先采集的20頭奶牛個體的視頻數據轉化成圖片序列并選取20 000張組成實驗數據集，通過多組對比實驗對小波融合系數、融合向量組數、特征維數三個重要參數進行設定，然后利用不同算法進行奶牛個體識別實驗。結果表明，提出方法在識別正確率達到96.31%時，僅用了4.20 s，較其他算法具有明顯優勢，可以有效地應用到奶牛個體識別領域，兼具高性能、低成本的優勢。

小波變換；改進KPCA；特征融合；奶牛；個體識別

信息技術飛速發展，農業現代化步伐不斷加快，集約化、規模化奶牛養殖體系得到大力推廣。奶牛個體識別作為奶牛信息化管理[1-4]的基礎，成為當前畜牧行業的一個研究熱點。隨著人工智能與模式識別領域研究的不斷深入，利用圖像處理算法將奶牛個體識別與計算機視覺相聯系，已逐漸成為一項推動大規模奶牛信息化管理的重要舉措。傳統地針對奶牛個體識別問題主要采取為每頭奶牛佩戴標簽[5]的方法，但是該方法人工量大、工作繁瑣，此外，標簽易破損、過多人為干涉會影響奶牛產奶量。目前畜牧業比較流行的識別方式主要基于無線射頻技術[6-8]，但是該技術無法實現遠距離識別，具有較大的局限性。隨著計算機視覺的發展，結合奶牛特有的黑白花紋信息，利用圖像處理算法實現奶牛個體識別逐步引起國內外相關學者的關注。Ahmed等[9]提出了運用SURF算子提取奶牛嘴部紋理特征點，然后利用SVM分類器對奶牛個體進行分類識別的方法，但是該方法中奶牛嘴部數據集的獲取具有一定的難度并且當奶牛所處環境復雜時識別效果較差。Cai等[10]提出了一種基于牛臉LBP紋理特征進行識別的方法，并通過稀疏化和低秩分解操作來提高圖片處理算法的魯棒性，結果表明，提取的LBP特征在一定程度上可以表征奶牛個體信息，但是奶牛臉部相比軀干包含的個體特有信息較少，區分度有限，識別正確率仍然不夠理想。

本文提出融合小波變換與改進KPCA的奶牛個體識別研究。小波變換以其多分辨率分析能力在數字圖像領域[11-14]備受青睞，但是直接將小波變換后的效果圖轉化為特征向量很容易造成維數災難，計算效率降低；KPCA即核主成分分析，是一種數據降維的有效方法，但是其定義僅僅從數學角度出發而沒有結合實際應用，所以，其得到的特征向量中依然存在冗余信息。近年來，小波變換和KPCA的圖像識別算法在人臉識別領域取得較高正確率，但是效率問題仍未很好解決[15-16]。本文針對奶牛黑白花紋的紋理信息，在保證正確率的前提下對傳統KPCA算法從協方差矩陣維數和類別信息兩方面進行了改進，進一步提升運行效率，依此方法對經過小波分解之后的各分量子圖特征進行降維，并引入加權策略融合處理之后的各分量，得到奶牛圖像的特征矩陣，最后構造出多類SVM分類器進行學習分類。

1 原理

1.1 小波變換

相對于傅里葉變換，小波變換具有良好的視頻優化能力，由于奶牛軀干黑白花紋的特征與人臉特征類似，是明顯的紋理特點，并且奶牛黑白花紋是局部分塊的，而小波變換對分塊特征的位置、尺度信息[17]處理效果較好，所以本文首先對奶牛圖像進行小波變換。

對于尺寸為M×N的圖像，其二維離散小波變換的計算公式為(1)、(2)所示：

(1)

(2)

很明顯，圖1-c中LL子圖包含了原始奶牛圖像的大部分信息，可以看成是圖1-b的近似；LH和HL子圖分別保留了奶牛軀干的水平和垂直紋理信息；HH子圖包含的信息很少。

1.2 KPCA核主成分分析方法

1.2.1 傳統的 KPCA算法

KPCA(核主成分分析)方法[18]由PCA(主成分分析)演化而來，并引入了支持向量機SVM中核函數的基本思想。

a，一層小波變換示意圖a，Sketch map of wavelet transform once

b，一頭奶牛原始圖像b， Original image of one head of dairy cattle

c， 經一層小波變換后圖像c， Map processed by wavelet transform once圖1 奶牛圖像一層小波變換效果圖Fig.1 Map of dairy cattle after wavelet transform once

KPCA具體算法步驟如下：

(1) 給定一組樣本X=(x1，x2，x3...xn)(n為樣本數目)，首先通過核函數來計算變換空間中的協方差矩陣A={Aij}n×n，其第i行，第j列元素計算公式如式(3)所示：

Aij=(φ(xi)·φ(xj))=a(xi，xj)。

(3)

其中：φ(·)是對應的非線性變換；α(·，·)表示核函數。

(2) 依照公式(4)計算協方差矩陣的特征方程：

Aα=nλα。

(4)

(5)

(3) 計算樣本在主成分構成的新空間上的投影：

由于非線性變換復雜，vr很難解出，但可直接計算樣本在第r個非線性主成分vr上的投影，如公式(6)所示：

(6)

若選定主成分的維數為d，則樣本在這d個主成分組成的特征空間中的投影即為

(7)

1.2.2 一種改進的KPCA算法

傳統的KPCA算法旨在簡化樣本特征向量的維數，但是在降維過程中僅強調了包含特征信息的最大化，并沒有結合樣本包含的類別信息，即忽略了后續需要分類的目的；并且當樣本的數據集過大時，利用傳統KPCA算法得到的主成分特征進行訓練和識別依然需要消耗較多時間。分析至此，本文提出一種改進的KPCA算法，將樣本特征從降低協方差矩陣維數和突出類別信息兩個角度進行簡化，同時保證識別正確率和傳統KPCA算法基本相當。

(1)引入融合向量降維：假設樣本總數為N，其中樣本類別為C，每類樣本個數為M，利用吳成東等[19]的方法將同類樣本類內分成P組，然后利用組內融合向量

(8)

(9)

(2) 引入類別參數降維：傳統KPCA算法降維過程僅考慮了信息最大化，并沒有結合類別信息，有理由相信降維后的特征依然包含對于分類來講的多余信息，所以本文通過設置類內聚合參數和類間散化參數定義度量參數，根據該度量參數選取相對最小化的特征維數。

類內聚合參數Ik計算公式：

(10)

類間散化參數Dk計算公式：

(11)

其中：mik表示第i類樣本第k維分量的綜合表達；zilk表示第i類中第l個樣本的第k維分量；參數Dk表征了異類樣本之間的散化程度。

由公式(10)和公式(11)，定義維數度量參數δ:

(12)

δ越小表示類別越分明，越有利于后續的分類識別。在結合實際情況的基礎上設定d的值，求取前d個最小的δ對應的主成分就得到了相對精簡且全面的類別特征信息。

綜上，本文改進的KPCA具體步驟如下：

(1) 設置融合信息組數，然后將樣本分成T組(各類別的融合組數之和)，分別計算各組的融合向量。

(2) 選擇合適的核函數，計算融合向量在特征空間中的協方差矩陣A={Aij}T×T，構造協方差矩陣的特征方程求得特征值和特征向量，利用累積貢獻率得到初始主成分維數Q。

(3) 根據公式(12)計算Q個初始主成分的度量參數δ，選取前d(d

(4) 按照傳統KPCA步驟(3)計算樣本在特征空間上的投影。

以上描述可以得出，改進KPCA在具有傳統KPCA信息全面性的同時，還引入了融合信息向量與類別信息的參與，進一步降低了特征向量的維數，提高算法效率。

1.3 SVM多類分類器

傳統的支持向量機SVM分類器是一種經典的二類分類器，相對于其他分類器，SVM對于小樣本、高維數分類問題表現出明顯的優勢[20-21]。

本文中待解決的奶牛個體識別問題是一個多分類問題，故需構造一個決策函數將多類問題向兩類問題轉化從而更好地使用SVM進行分類。常見的有“一對一”、“一對多”和“有向無環圖”等[22-24]方式。本文中采用“一對多”的方式進行處理，決策函數G(x)為公式(13)所示，即每次將全部奶牛訓練數據分為“屬于第k(k=1，2，3……)頭”和“不屬于第k頭”兩大類，然后訓練得到合適的SVM模型進行測試分類。

(13)

其中：x為待識別樣本；fm(x)為第m個傳統SVM二分類器的決策函數[25]。

2 研究算法具體實現

在人臉識別應用中，傳統方式都是在進行小波分解之后取出低頻分量直接作為該人臉特征[26-28]進行后續的處理，而圖1-c中很明顯看出，奶牛黑白條紋的邊緣信息在LH和HL分量子圖中得到了很好的體現，所以對于奶牛個體特征提取來說，高頻部分的信息也是十分必要的。因此，本文引入加權策略將經過小波分解、改進KPCA方法降維之后得到的特征向量進行融合，以此保證信息的有效性。

該算法的主要部分是將歸一化后的奶牛圖片進行一層小波分解，分別將4個分量子圖LL、LH、HL、HH按照公式(14)利用本文改進的KPCA方法進行特征提取。

(14)

ω1LLkpca+ω2LHkpca+ω3HLkpca+ω4HHkpca。

(15)

ω1+ω2+ω3+ω4=1。

(16)

綜上分析，本文算法的具體過程如下：

(1)對奶牛圖像進行前期的歸一化處理，構建實驗數據庫；

(2)依照公式(1)與(2)對奶牛圖像進行一層二維離散小波變換，得到LL，LH，HL，HH4個分量；

(3)依照公式(14)對步驟(2)中的4個分量分別進行改進的KPCA特征提取，得到各自特征矩陣；

(4)實驗選擇合適的權值進行4個分量特征融合，融合公式如公式(15)；

(5)將融合后的總特征Y作為奶牛圖像的特征；然后將所有奶牛數據分為訓練集和測試集，分別利用多類SVM進行訓練測試。

3 實驗

3.1 關于實驗數據

為保證樣本量的充足，實驗初始數據以視頻格式獲取。所有視頻段于2016年 9月采集自河北保定的一家規模為500頭的奶牛養殖公司，奶牛會固定在每天上午8：00—9：00以及下午13：00—14：00依次穿過一條長100 m、寬6 m、兩側裝有柵欄的特定窄道行走至擠奶廳擠奶，在緊鄰柵欄外側架兩臺攝像機，攝像機型號為Canon LEGRIA HF R38，幀率為25 FPS·s-1，內存為32 G，分辨率為1 920 PX(水平) ×1 080 PX (垂直)。設置攝像機高度使得奶牛個體經過時大致位于視頻圖像的中間位置；調整焦距使整個攝像視野大約為奶牛身體長度的2倍；固定兩臺攝像機水平間距約為10 m使兩臺攝像視野無交叉部分，從而保證數據量的充足和攝像機的高效利用。鑒于20頭奶牛數據的分類任務即可以驗證出算法的有效性，所以采集樣本對象為20頭奶牛個體。

在攝像機采光自然、成像清晰、適宜視頻錄制的自然光照條件下，溫度約20 ℃、濕度適宜、無霾、空氣質量等級為良的天氣環境，在奶牛進行擠奶的兩個固定時段采集20頭身體健康、自然行走的奶牛視頻。奶牛行走的窄道假設用線段AB表示，每頭奶牛分別從A端出發，從奶牛進入1號攝像機的攝像范圍開始到奶牛完全離開1號攝像機攝像范圍為止作為該奶牛個體的視頻段1，然后從進入2號攝像機的攝像范圍開始到完全離開2號攝像機攝像范圍為止作為該奶牛個體的視頻段2。每天上午、下午為選定的20頭奶牛各采集一次視頻，同樣的光照、溫度以及時間段等條件共采集4 d，即每頭奶牛16段視頻，每段時長約為10 s。

分別將上述采集的20頭奶牛視頻數據轉化成圖片序列，初始圖片大小為1920 PX(水平) ×1080 PX (垂直)，人工截取出每張圖像中的奶牛個體，旨在去除圖像中的大部分噪聲。從牛場500頭奶牛個體中隨機抽取總數1/10的樣本，人工測量每頭抽樣奶牛個體身體部位寬度和高度比例，然后求取所有抽樣個體該比例的平均值近似作為每頭奶牛個體身體比例，依此確定出奶牛個體部位寬度和高度平均比例為8∶5，在保證特征有效提取的前提下成比例縮小圖片尺寸，最終利用相關程序將經過上述處理的20頭奶牛的所有圖片歸一化為128 PX(水平) ×80 PX (垂直)，人工選取包含某頭奶牛身長一半及以上的圖片作為實驗的有效圖片。

將20頭奶牛從1到20編號，表示20個待識別的不同奶牛個體，每頭奶牛保留1 000張有效圖片，隨機選擇800張用于訓練，剩余200張用于測試。

3.2 實驗結果及分析

本實驗選擇常用的Haar型小波，其函數實現簡單并且兼具緊支撐性和雙正交性，運算速度快；所以實驗部分對歸一化后128 PX(水平) ×80 PX (垂直)的奶牛圖像進行一層Haar小波分解，然后將得到的LL、LH、HL、HH4個不同分量對應的4個64 PX(水平) ×40 PX (垂直)的小波系數分別作為改進KPCA特征提取的輸入向量，本文采用應用最廣泛的RBF函數作為KPCA核函數，設定0.95的閾值選擇初始主成分的個數。

為充分顯示本研究算法的有效性，首先對相關參數選取進行對比實驗。為除去隨機結果的干擾，以下數據均是相同條件下重復10次實驗得到的平均結果。

3.2.1 小波分量的不同融合權值對比實驗

由圖1及其分析可以得到4個分量融合權值的關系應滿足：ω1>ω2=ω3>ω4，表1是選取不同特征融合權值序列進行實驗得到的結果。

實驗1、2、3顯示：當LL所占比例較小時，隨著LL比例增加、HH比例減少，識別正確率上升，說明LL包含的信息對識別結果影響更大。實驗3、4顯示：雖然HH比例對實驗結果影響較小，但是依然包含對識別結果有促進作用的信息，所以傳統方法中直接舍棄該部分信息是不合理的。當[ω1，ω2，ω3，ω4]序列取[0.80，0.085，0.085，0.03]時，算法正確率高達96.55%。實驗4、5顯示：在實驗4條件下繼續增加LL所占比例 ，減少LH、HL比例，識別正確率出現下降趨勢，進一步驗證了高頻信息的有效性；實驗4、6同理。

實驗結果表明：小波變換分解得到的各分量均包含有效信息，缺一不可，選擇恰當的融合權值，可以提高識別正確率。

3.2.2 改進KPCA中融合信息向量組數對比實驗

為了對比的嚴謹性，本組實驗使用的改進KPCA算法僅引入融合向量，這里稱作“小波+改進KPCA算法1”，其他部分均與傳統KPCA算法步驟相同。通過分析拍攝的奶牛視頻幀速度為25 FPS·s-1，即每秒刷新25張圖片，結合奶牛行走速度，每秒內的奶牛外形信息基本相同，所以對于小波變換后的奶牛圖像的某一分量來說將同一秒內的特征向量劃為一組是合理的，由于實驗數據庫每頭奶牛1 000張圖片，所以實驗討論將每頭奶牛某一分量的特征向量劃為40組左右的對比實驗。

表1不同的特征融合權值序列識別正確率

Table1Accuracy of different fusion weight sequences

序號Sequencenumber權值序列[ω1，ω2，ω3，ω4]Weightsequence[ω1，ω2，ω3，ω4]識別正確率/%Recognitionaccuracy1[075，010，010，005]95132[078，010，010，002]95373[080，010，010，0]96014[080，0085，0085，003]96555[082，0075，0075，003]95336[082，0085，0085，001]9574

表2給出融合組數分別為20、30、40、50的對比實驗條件及結果，可以得到：組數取20和30時識別速度很快，但是識別正確率和傳統方法有一定的差距，這是因為組數較少可能導致組內信息差異較大，此時選取的融合向量并不能很好地代表整組信息。當組數達到40組時，識別結果和傳統方法識別正確率基本相當，但是識別速度上升明顯，約為傳統方法的6倍。繼續增加組數，識別正確率基本不變，時間上升，此時引入融合向量的優勢不再明顯。

3.2.3 改進KPCA中不同特征維數對比實驗

為了選取改進KPCA算法中依據度量參數確定的主成分維數，表3給出三種算法的對比實驗，“小波+改進KPCA算法1”同2)中解釋。其中，小波+改進KPCA算法1和本文算法中每類融合向量組數均設定為40，由此可根據累計貢獻率公式得到初始主成分維數為37。由表3可以看出，傳統KPCA算法得到的主成分中確實存在大量的多余信息；當KPCA算法引入度量參數之后，可以得到：當特征維數選取25時，識別正確率和識別速度都較高；繼續減少特征維數，識別正確率出現下滑趨勢，這是因為有效特征缺失，導致識別信息不充分。2，3組對比實驗表明，引入度量參數可以在保證有效信息的同時實現特征維數的進一步簡化，提高識別效率。

表2不同融合向量組數對比實驗結果

Table2Results of experiments for different groups of combination vectors

算法類型Algorithmtype融合向量組數Numberoffusionvectorgroups識別正確率Recognitionaccuracy/%識別時間Recognitiontime/s小波+傳統KPCA算法Wavelettransform+traditionalKPCAalgorithm-96554067小波+改進KPCA算法1209019283Wavelettransform+improvedKPCAalgorithm1309420374409639680509643827

3.2.4 不同處理算法對比實驗

為了驗證本文算法的有效性，表4為本文算法與其他算法的對比實驗結果：

實驗1、2分別采用本文算法與僅本文改進KPCA算法對奶牛個體識別進行實驗，在融合組數和選取特征維數均相同的條件下，本文算法的識別正確率明顯高于僅采用本文改進KPCA算法的結果。這是由于小波變換在壓縮圖片的同時加權融合了各分量，在減小圖像尺寸的基礎上能夠比較全面地表征原始圖像，并且一定程度上消除了噪聲信息，提高了有效信息的比例；但在僅采用本文改進的KPCA算法時，由于圖片尺寸相比小波變換之后圖片較大，在參數選擇與本文算法一致時會導致圖像的必要信息不足并可能含有噪聲，從而導致識別率下降；本組對比實驗體現了引入小波變換的有效性。

實驗1、3表明，本文算法較小波結合傳統KPCA算法在識別結果基本相當的情況下，識別速度僅用了4.20 s，體現了本文算法在保證識別準確率的同時，大大減小了時間消耗；實驗1和4、5表明，本文算法較傳統奶牛識別算法雖然識別速度略低，但是平均識別率有了明顯提升，比文獻[9]方法提高了3.34%，比文獻[10]方法提高了5.83%。綜上分析，本文算法在識別正確率和識別速度方面均達到了較好的效果。

表3不同特征維數對比實驗結果

Table3Results of experiments for different feature dimensions

序號Sequencenumber算法類型Algorithmtype特征維數Featuredimension識別正確率Recognitionaccuracy/%識別時間Recognitiontime/s1小波+傳統KPCA算法Wavelettransform+traditionalKPCAalgorithm868965540672小波+改進KPCA算法1Wavelettransform+improvedKPCAalgorithm13796396803本文算法359640643Algorithminthispaper309637565259631420209317297189109256

表4不同算法對比識別結果

Table4Recognition results of different algorithms

序號Sequencenumber算法類型Algorithmtype融合向量組數Numberoffusionvectorgroups特征維數Featuredimension識別正確率Recognitionaccuracy/%識別時間Recognitiontime/s1本文算法Algorithminthispaper402596314202僅本文KPCA算法OnlyKPCAalgorithminthispaper402590254183小波+傳統KPCA算法Wavelettransform+traditionalKPCAalgorithm＿868965540674文獻[9]方法Algorithminreference[9]＿＿92973085文獻[10]方法Algorithminreference[10]＿＿9048251

4 結論

本文在結合奶牛紋理分布特點分析小波變換和KPCA特征提取的基礎上，對傳統KPCA進行了兩方面的改進，然后將融合小波變換和改進后的KPCA方法應用于奶牛個體識別。通過實驗選取設定相關參數值，使用不同算法對20頭奶牛進行個體識別的實驗，結果表明，本文算法在保證識別率與傳統小波變換和KPCA算法基本不變的前提下，時間縮減到其1/10，同時本文算法較文獻[9]與文獻[10]算法識別正確率分別提高了3.34%與5.83%。可以得出，本文算法可以有效地應用到奶牛個體識別領域，對于加快奶牛等畜牧業的信息化管理具有一定的現實意義。

[1] 靳蜜肖， 李亞敏， 曾立華. 一種犢牛飼喂控制系統的設計[J]. 浙江農業學報， 2014， 26(1):206-209.

JIN M X， LI Y M， ZENG L H. A design of the feeding control system for calf[J].ActaAgriculturaeZhejiangensis， 2014， 26(1):206-209.(in Chinese with English abstract)

[2] 葉耿坪， 劉光磊， 張春剛，等. 物聯網在奶牛養殖及生鮮乳質量控制中的應用進展[J]. 中國奶牛， 2015(21):43-47.

YE G P， LIU G L， ZHANG C G， et al. Application of internet of things in dairy farming and quality control of fresh milk[J].ChinaDairyCattle， 2015(21):43-47.(in Chinese with English abstract)

[3] 岳慶磊， 李明貴. 規模化奶牛場數字化集成技術應用試驗[J]. 中國畜禽種業， 2017， 13(3):76-77.

YUE Q L， LI M G. Application test of digital integrated technology in large-scale dairy farm[J].TheChineseLivestockandPoultryBreeding，2017， 13(3):76-77.(in Chinese with English abstract)

[4] 田富洋，王冉冉，劉莫塵，等. 基于神經網絡的奶牛發情行為辨識與預測研究[J]. 農業機械學報，2013，44(S1):277-281.

TIAN F Y， WANG R R， LIU M C， et al. Oestrus detection and prediction in dairy cows based on neural networks[J].TransactionsoftheChineseSocietyforAgriculturalMachinery， 2013， 44(S1):277-281.(in Chinese with English abstract)

[5] 金一初. 基于小波矩的奶牛識別算法研究[D]. 上海:上海師范大學， 2011.

JIN Y C. The research on algorithms for recognition of cow image based on wavelet moment[D].Shanghai: Shanghai Normal University，2011. (in Chinese with English abstract)

[6] 陳紅莉. 基于RFID技術在規模化奶牛場中的應用[J]. 獸醫導刊， 2015(4):6-8.

CHEN H L. Application of RFID technology in large-scale dairy farms[J].VeterinaryOrientation， 2015(4):6-8.(in Chinese with English abstract)

[7] 鄧群芳， 沈維政， 劉笑然. 基于RFID和GPRS技術的奶牛生產管理手持式終端的設計[J]. 自動化技術與應用， 2014， 33(1):49-52.

DENG Q F， SHEN W Z， LIU X R. The development of handy terminal for cow’s production management based on RFID and GPRS[J].TechniquesofAutomation&Applications， 2014， 33(1):49-52.(in Chinese with English abstract)

[8] 龐超，何東健，李長悅，等.基于RFID與WSN的奶牛養殖溯源信息采集與傳輸方法[J].農業工程學報，2011，27(9):147-152.

PANG C， HE D J， LI C Y， et al. Method of traceability information acquisition and transmission for dairy cattle based on integrating of RFID and WSN[J].TransactionsofChineseSocietyofAgriculturalEngineering， 2011， 27(9): 147-152(in Chinese with English abstract)

[9] AHMED S， GABER T， THARWAT A， et al. Muzzle-Based cattle identification using speed up robust feature approach[C]// International Conference on Intelligent NETWORKING and Collaborative Systems. IEEE Computer Society， 2015:99-104.

[10] CAI C， LI J. Cattle face recognition using local binary pattern descriptor[C]// Signal and Information Processing Association Summit and Conference. IEEE， 2013:1-4.

[11] CHAUX C， DUVAL L， PESQUET J C. Image analysis using a dual-tree m-band wavelet transform[J].IEEETransactionsonImageProcessingAPublicationoftheIEEESignalProcessingSociety， 2017， 15(8):2397-412.

[12] ABED M A， ALASADI H A A. Cuckoo search algorithm and discrete wavelet transform for Iraqi road signs recognition system[J].SocialScienceElectronicPublishing， 2017.

[13] 張軍，成禮智，楊海濱，等. 基于紋理的自適應提升小波變換圖像壓縮[J]. 計算機學報，2010，33(1):184-192.

ZHANG J， CHENG L Z， YANG H B， et al. Adaptive lifting wavelet transform and image compression via texture[J].ChineseJournalofComputers， 2010， 33(1):184-192. (in Chinese with English abstract)

[14] 王劍平， 張捷. 小波變換在數字圖像處理中的應用[J]. 現代電子技術， 2011， 34(1):91-94.

WANG J P， ZHANG J. Application of wavelet transform in digital image processing[J].ModernElectronicsTechnique， 2011， 34(4): 91-94. (in Chinese with English abstract)

[15] 王曉華， 趙志雄. 結合伽馬變換和小波變換的PCA人臉識別算法[J]. 計算機工程與應用， 2016， 52(5):190-193.

WANG X H， ZHAO Z X. PCA face recognition algorithm combined with gamma transform and wavelet transform[J].ComputerEngineeringandApplications， 2016， 52(5)：190-193. (in Chinese with English abstract)

[16] 趙煥利，王玉德，張學志，等. 小波變換和特征加權融合的人臉識別[J]. 中國圖象圖形學報，2012，17(12):1522-1527.

ZHAO H L， WANG Y D， ZHANG X Z， et al. Face recognition based on wavelet transform and weighted fusion of face features[J].JournalofImage&Graphics， 2012， 17(12):1522-1527. (in Chinese with English abstract)

[17] GONZALEZ R C， WINTZ P. Digital image processing[M]. 3rd Edition. Addison-Wesley， 2010:483-484.

[18] FENG D， XIAO M， LIU Y， et al. A kernel principal component analysis-based degradation model and remaining useful life estimation for the turbofan engine[J].AdvancesinMechanicalEngineering， 2016， 8(5)：1-13.

[19] 吳成東， 樊玉泉， 張云洲，等. 基于改進KPCA算法的車牌字符識別方法[J]. 東北大學學報(自然科學版)， 2008， 29(5):629-632.

WU C D， FAN Y Q， ZHANG Y Z， et al. License plate recognition method based on improved KPCA algorithm[J].JournalofNortheasternUniversity(NaturalScience)， 2008， 29(5):629-632. (in Chinese with English abstract)

[20] KIM S K， PARK Y J， TOH K A， et al. SVM-based feature extraction for face recognition[J].PatternRecognition， 2010， 43(8):2871-2881.

[21] LI W， LIU L， GONG W. Multi-objective uniform design as a SVM model selection tool for face recognition[J].ExpertSystemswithApplicationsAnInternationalJournal， 2011， 38(6):6689-6695.

[22] 孫少乙， 黃志波. 一種SVM多分類算法[J]. 微型機與應用， 2016， 35(8):12-14.

SUN S J， HUANG Z B. A multi-class SVM classification algorithm[J].Microcomputer&ItsApplications， 2016， 35(8):12-14. (in Chinese with English abstract)

[24] 沈健， 蔣蕓， 鄒麗，等. 基于節點選擇優化的DAG-SVM多類別分類[J]. 計算機工程， 2015， 41(6):143-146.

SHEN J， JIANG Y， ZOU L， et al. DAG-SVM Multi-class classification based on nodes selection optimization[J].ComputerEngineering，2015，41(6):143-146. (in Chinese with English abstract)

[25] 張學工.模式識別[M].三版.北京：清華大學出版社，2010: 71-73.

[26] BUI T T T， PHAN N H， SPITSYN V G， et al. Development of algorithms for face and character recognition based on wavelet transforms， PCA and neural networks[C]// International Siberian Conference on Control and Communications. IEEE， 2015:1-6.

[27] MUKHEDKAR M M， POWALKAR S B. Fast face recognition based on Wavelet Transform on PCA[C]// International Conference on Energy Systems and Applications. IEEE， 2015:761-764.

[28] 鐘森海， 汪烈軍， 張莉. 小樣本條件下的人臉特征提取算法[J]. 計算機工程與應用， 2015， 51(8):165-169.

ZHONG S H， WANG L J， ZHANG L. Face feature extraction algorithm for small training sets[J].ComputerEngineeringandApplications， 2015， 51(8):165-169. (in Chinese with English abstract)

ResearchofindividualdairycattlerecognitionbasedonwavelettransformandimprovedKPCA

ZHANG Mandun1，2， SHAN Xinyuan1，2， YU Yang1，2，*， MI Na1，2， YAN Gang1，2， GUO Yingchun1，2

(1.SchoolofComputerScienceandEngineering，HebeiUniversityofTechnology，Tianjin300401，China; 2.HebeiProvinceKeyLaboratoryofBigDataCalculation，Tianjin300401，China)

To speed up the modernization of stockbreeding and overcome the defects of the low accuracy of individual dairy cattle recognition with traditional methods， the traditional KPCA (kernel principal component analysis) method was improved from two angles of reducing the covariance matrix dimension and introducing category information. The research of combining wavelet transform with improved KPCA was applied for recognition dairy cattle based on the texture feature. Firstly， the normalized dairy cattle image was decomposed by wavelet transform to obtain four sub-graphs. Then an improved KPCA algorithm was used for feature extraction of each sub-graph and the feature matrix was obtained by weighting the feature components. Finally， multi-class SVM algorithm was built for training and classification. The pre-collected 20 dairy cattle’s videos were converted into image sequence and 20 000 images were chosen to form experiment data sets. Through several groups of experiments for three important parameters of the wavelet fusion weights， the number of fusion vector groups and the feature dimension， values were set and then experiments of individual dairy cattle recognition were performed using different algorithms. The results showed that it took only 4.20 s for the proposed method reach the accuracy of 96.31%， which has obvious advantages over other algorithms. It can be appropriately applied to the field of dairy cattle individual recognition with high performance and low cost.

wavelet transform; improved KPCA; feature fusion; dairy cattle; individual recognition

浙江農業學報ActaAgriculturaeZhejiangensis， 2017，29(12): 2000-2008

http://www.zjnyxb.cn

張滿囤， 單新媛， 于洋，等. 基于小波變換和改進KPCA的奶牛個體識別研究[J].浙江農業學報，2017，29(12): 2000-2008.

10.3969/j.issn.1004-1524.2017.12.07

2017-06-13

天津市科委科技支撐計劃項目(15ZCZDNC00130)

張滿囤(1971—)，男，天津人，博士，副教授，主要從事模式識別、人機交互、計算機圖形學研究。E-mail：zhangmandun@scse.hebut.edu.cn

*通信作者，于洋，E-mail: yuyang@scse.hebut.edu.cn

TP391.41；S823.9+1

A

1004-1524(2017)12-2000-09

(責任編輯張 韻)