基于骨架能量圖的奶牛步態(tài)識別

張滿囤　王萌萌　劉天鶴　溫素丹　于洋

摘要：為了提高奶牛步態(tài)識別領(lǐng)域中對遠(yuǎn)距離奶牛目標(biāo)的識別準(zhǔn)確率和算法的普遍適用性，提出一種基于奶牛骨架能量圖的步態(tài)識別算法。首先對奶牛視頻序列進(jìn)行前景提取，接著利用查表法對步態(tài)序列細(xì)化得到奶牛步態(tài)序列骨架圖，然后把奶牛骨架圖以周期為單位生成步態(tài)能量圖并進(jìn)行特征提取，最后比對奶牛骨架能量特征圖降維后與數(shù)據(jù)庫中步態(tài)數(shù)據(jù)，輸出步態(tài)識別結(jié)果。結(jié)果表明，在測試集中的奶牛步態(tài)識別正確率達(dá)87.6%，明顯高于其他算法，并且對遠(yuǎn)距離目標(biāo)有更好的識別效果，能更有針對性地分析四肢運(yùn)動，抑制與步態(tài)運(yùn)動無關(guān)的信息，提高了分類的準(zhǔn)確性。

關(guān)鍵詞：奶牛;個(gè)體識別;前景提取;骨架能量圖;分類

中圖分類號： TP391.41? 文獻(xiàn)標(biāo)志碼： A

文章編號：1002-1302（2020）19-0257-06

收稿日期：2019-12-06

基金項(xiàng)目：天津市科技支撐計(jì)劃（編號：15ZCZDNC00130）。

作者簡介：張滿囤（1971—），男，河北衡水人，博士，副教授，主要從事計(jì)算機(jī)圖形學(xué)、圖像處理、三維模型檢索和三維物體識別研究。E-mail：zhangmandun@scse.hebut.edu.cn。

隨著居民消費(fèi)觀念和飲食結(jié)構(gòu)的變化，我國乳制品產(chǎn)業(yè)得到快速發(fā)展，但當(dāng)前奶牛養(yǎng)殖行業(yè)仍然普遍存在著產(chǎn)奶量低、采食量高等現(xiàn)象，嚴(yán)重影響著我國奶牛養(yǎng)殖業(yè)的發(fā)展。奶牛個(gè)體識別作為奶牛飼養(yǎng)管理的基礎(chǔ)，是養(yǎng)殖業(yè)信息化的重要標(biāo)志，近年來逐漸引起人們的重視。精確地識別奶牛個(gè)體是精準(zhǔn)管理和高效管理的關(guān)鍵，只有這樣，才能更有針對性地完成飼養(yǎng)和疾病管理等工作，從而提供養(yǎng)殖管理的決策支持，提高我國奶牛養(yǎng)殖業(yè)的管理水平。在奶牛個(gè)體識別領(lǐng)域中，主要有基于統(tǒng)計(jì)特征的方法和基于模型的方法兩大類。傳統(tǒng)的識別方法是給奶牛佩戴標(biāo)簽[1]，但該方法不僅成本高，還要耗費(fèi)大量人力物力，而且標(biāo)簽容易被奶牛損壞。如今畜牧業(yè)大多采用無線射頻識別技術(shù)[2]，但該方法無法識別遠(yuǎn)距離的目標(biāo)，且成本較高。Kumar等提出在深度卷積神經(jīng)網(wǎng)絡(luò)中，應(yīng)用疊層去噪自動編碼器技術(shù)，對提取的鼻型圖像特征進(jìn)行編碼來識別奶牛，但是奶牛鼻型樣本數(shù)據(jù)的獲取有一定難度，并且難以應(yīng)用到實(shí)際中去，同時(shí)網(wǎng)絡(luò)模型建立過程比較困難，模型的魯棒性較低[3]。日本筑波大學(xué)的Mimura等采用三階高層次局部自相關(guān)技術(shù)分析運(yùn)動的奶牛視頻從而進(jìn)行步態(tài)識別，但該方法依賴高端技術(shù)，經(jīng)濟(jì)性較差[4]。

針對以上問題，本研究從提高模型準(zhǔn)確性、高效性和實(shí)用性角度出發(fā)，研究奶牛個(gè)體識別技術(shù)，提出一種基于奶牛骨架能量圖的步態(tài)識別算法。首先對包含奶牛步態(tài)周期的視頻序列進(jìn)行前景提取，接著利用查表法對步態(tài)序列細(xì)化得到奶牛步態(tài)序列骨架，然后把奶牛骨架圖以周期為單位劃分，生成步態(tài)能量圖，并對步態(tài)能量圖進(jìn)行特征提取，最后對奶牛步態(tài)能量特征圖降維后與數(shù)據(jù)庫中的奶牛步態(tài)數(shù)據(jù)進(jìn)行比對，輸出分類結(jié)果。本算法是基于圖像處理的非接觸的奶牛個(gè)體識別算法，識別過程不需要奶牛的配合，克服了先前個(gè)體識別技術(shù)中數(shù)據(jù)采集困難、模型建立沒有統(tǒng)一標(biāo)準(zhǔn)、耗時(shí)的缺陷，同時(shí)解決了奶牛個(gè)體行走過程中，幾乎不發(fā)生變化的軀干占前景圖像較大部分影響識別準(zhǔn)確率的問題。試驗(yàn)結(jié)果表明，本算法在提高識別準(zhǔn)確率的同時(shí)，識別速度更快。

1 相關(guān)原理

1.1 步態(tài)識別

步態(tài)是以足來帶動身體運(yùn)動的一種行進(jìn)方式，步態(tài)識別是通過個(gè)體的體型和行走模式對個(gè)體進(jìn)行身份識別和認(rèn)證的一種個(gè)體識別技術(shù)，步態(tài)識別的關(guān)鍵是特征的表達(dá)和提取，其基本目標(biāo)是通過獲取一段待檢測模式正常行走的視頻，與步態(tài)數(shù)據(jù)庫中數(shù)據(jù)進(jìn)行對比，識別出待檢測模式的身份。與其他的生物識別技術(shù)相比，步態(tài)識別具有不需刻意配合、信息采集距離遠(yuǎn)、步態(tài)特征難以隱藏的優(yōu)點(diǎn)，因而適合對動物進(jìn)行個(gè)體識別。在智能視頻監(jiān)控領(lǐng)域，步態(tài)識別比傳統(tǒng)的圖像識別更具優(yōu)勢。動物的步態(tài)是動物的體質(zhì)量、肢體大小與運(yùn)動姿勢的綜合體現(xiàn)[5]，并且具有唯一性，可以用來作為動物個(gè)體的唯一標(biāo)識。通常情況下，基于光學(xué)圖像的步態(tài)識別算法的步驟如下：

（1）步態(tài)檢測以獲取個(gè)體步態(tài)數(shù)據(jù);（2）對步態(tài)數(shù)據(jù)進(jìn)行特征提取和特征檢測;（3）將步態(tài)特征與數(shù)據(jù)庫中的數(shù)據(jù)進(jìn)行對比并輸出分類結(jié)果。

1.2 旋轉(zhuǎn)不變LBP算子

局部二值模式（local binary pattern，簡稱LBP）算子是一種用來描述圖像局部特征的算子，用來提取圖像局部紋理特征。原始的LBP算子定義在3×3的窗口中，以窗口的中心元素為閾值，將其與周圍相鄰的8個(gè)像素的灰度值進(jìn)行比較，若相鄰像素的像素值大于閾值的像素值，則標(biāo)記為1，否則標(biāo)記為0。3×3鄰域內(nèi)經(jīng)過比較產(chǎn)生8個(gè)二進(jìn)制數(shù)，將這8位二進(jìn)制數(shù)依次排列形成一個(gè)二進(jìn)制數(shù)字（通常情況下轉(zhuǎn)化為十進(jìn)制數(shù)，共256種），這個(gè)二進(jìn)制數(shù)就是中心像素的LBP值。中心像素的LBP值是對該像素周圍區(qū)域紋理信息的一種反映。圖像中每個(gè)像素點(diǎn)都對應(yīng)一個(gè)LBP編碼，對一副圖像的灰度圖提取原始LBP算子以后，得到的原始LBP特征圖依然是一副圖像，此時(shí)每個(gè)像素點(diǎn)的像素值是其LBP編碼。采用LBP特征譜的統(tǒng)計(jì)直方圖作為特征向量進(jìn)行分類識別，步驟如下：

（1）將一幅圖像劃分為若干子區(qū)域;（2）對子區(qū)域內(nèi)的每個(gè)像素點(diǎn)提取LBP特征;（3）在每個(gè)子區(qū)域內(nèi)建立LBP特征的統(tǒng)計(jì)直方圖作為對該圖像的描述;（4）利用相似性度量函數(shù)判斷圖像間的相似性。

從LBP的定義可以看出，LBP算子具有灰度不變性，但是并不具有旋轉(zhuǎn)不變性。圖像的旋轉(zhuǎn)會得到不同的LBP值。旋轉(zhuǎn)不變LBP算子[6]解決了LBP算子的此種缺陷。旋轉(zhuǎn)不變LBP算子可以將LBP的3×3矩形鄰域范圍調(diào)整到可以擴(kuò)展任意大小的圓形鄰域，并且不斷旋轉(zhuǎn)，從而產(chǎn)生一串初始的LBP編碼，將其中的最小編碼作為該圓形鄰域內(nèi)的中心像素點(diǎn)最終編碼，以此來確保LBP編碼的旋轉(zhuǎn)不變性。

2 模型介紹

本模型在步態(tài)能量圖[7]的基礎(chǔ)上提出，針對行進(jìn)中幾乎不發(fā)生變化的軀干占前景區(qū)域較大部分影響識別準(zhǔn)確率的問題，提出一種基于骨架能量圖的步態(tài)識別算法。本算法模型見圖1，首先，對奶牛視頻按幀裁剪的同時(shí)進(jìn)行前景提取，接著利用查表法對步態(tài)序列細(xì)化得到奶牛步態(tài)序列骨架圖，然后把奶牛骨架圖以周期為單位劃分，生成步態(tài)能量，最后對奶牛步態(tài)能量特征圖降維后與數(shù)據(jù)庫中的奶牛步態(tài)數(shù)據(jù)進(jìn)行對比，得到步態(tài)識別結(jié)果并輸出。

2.1 奶牛前景序列提取

對數(shù)據(jù)集中奶牛完整個(gè)體進(jìn)入攝錄區(qū)域到牛頭到達(dá)攝錄區(qū)域邊緣記為一個(gè)周期。將步態(tài)視頻在按幀裁剪的同時(shí)進(jìn)行灰度化與前景提取操作，前景提取流程見圖2，目的是獲取前景目標(biāo)。其中后處理指對原始前景圖進(jìn)行的一系列形態(tài)學(xué)操作以減少奶牛花紋和噪聲的影響。

本模型使用ViBe算法對預(yù)處理后的奶牛步態(tài)視頻進(jìn)行前景檢測，同時(shí)將步態(tài)視頻以幀為單位進(jìn)行裁剪。ViBe算法通過判斷某一像素點(diǎn)的值與其對應(yīng)樣本集中的存儲值是否接近來判斷該像素點(diǎn)是否為背景點(diǎn)[8]，但存在可能引入拖影區(qū)域的缺點(diǎn)。為了能夠適應(yīng)不斷變化的背景，本試驗(yàn)中采用了傳統(tǒng)更新策略與前景點(diǎn)計(jì)數(shù)方法、隨機(jī)子采樣相結(jié)合的更新策略。前景點(diǎn)計(jì)數(shù)的更新策略記錄像素點(diǎn)狀態(tài)，若某一像素點(diǎn)連續(xù)多次檢測為前景點(diǎn)，則將該像素點(diǎn)進(jìn)行更新，設(shè)置為背景像素點(diǎn)。ViBe算法能夠比較好地實(shí)時(shí)檢測出前景。

f（a，b）=1-2（a+b）×（a-b）（a+1）+（b+1）×2（256-a）×（256-b）（256-a）+（256-b）。（1）

為達(dá)到更好的試驗(yàn)效果，用式（1）替換ViBe算法中的普通差分函數(shù)。式（1）中，0≤f（a，b）<1，式中a、b的具體表達(dá)式為a（x，y）、b（x，y），其中a（x，y）≥0，b（x，y）≤255，a（x，y）、b（x，y）分別表示當(dāng)前圖像和背景圖像在像素（x，y）處的亮度值。圖3為經(jīng)過上述處理后的原始視頻和前景圖像。

ViBe算法在提取目標(biāo)前景時(shí)會受到奶牛花紋的影響[9]，因而在試驗(yàn)過程中加入了后處理操作。后處理操作主要包括形態(tài)學(xué)閉運(yùn)算處理與單連通區(qū)域提取處理，應(yīng)用閉運(yùn)算來填充前景圖中的細(xì)小的孔洞和噪聲，單連通區(qū)域提取處理可消除前景圖像中的花紋，從而將特征聚集到奶牛的步態(tài)上。后處理操作效果見圖4。

2.2 基于奶牛骨架的步態(tài)能量圖

2.2.1 奶牛骨架能量圖生成

奶牛骨架能量圖的生成過程與步態(tài)能量圖的生成類似，主要包含構(gòu)建骨架圖和生成骨架能量圖2個(gè)步驟，下面分步介紹骨架能量圖的生成過程。

2.2.1.1 查表法構(gòu)建骨架

骨架是待識別目標(biāo)的抽象表現(xiàn)形式，可以有效地表達(dá)對象形狀的幾何特征和拓?fù)浣Y(jié)構(gòu)。圖像骨架[10]提取也稱為圖像的細(xì)化。由于骨架提取出的特征的高度抽象化，經(jīng)過骨架提取的圖像去掉了冗余信息，更加真實(shí)地反映奶牛運(yùn)動的實(shí)際步態(tài)。在奶牛步態(tài)識別研究中，奶牛四肢的運(yùn)動狀態(tài)極為關(guān)鍵，而骨架圖能夠保留這些關(guān)鍵信息，將研究的關(guān)鍵點(diǎn)聚集到奶牛的四肢及軀干上，解決了奶牛行進(jìn)中幾乎不發(fā)生變化的軀干占前景圖像較大部分影響識別準(zhǔn)確率的問題。

典型生成骨架圖的算法是查表法[11]，選取某一像素點(diǎn)，在3×3鄰域內(nèi)以相鄰8個(gè)點(diǎn)作為依據(jù)判斷，具體過程如下：（1）作為內(nèi)部的像素點(diǎn)不能被刪除;（2）作為孤立的像素點(diǎn)不能被刪除;（3）像素點(diǎn)作為直線端點(diǎn)時(shí)不能被刪除;（4）設(shè)P為邊界點(diǎn)，若刪除P，連通分量不增加，則P可以刪除。

選取奶牛步態(tài)周期中前7幅圖像進(jìn)行骨架提取，效果如圖5所示。雖然經(jīng)過單連通處理后前景圖像與原始前景圖像存在一定誤差，但由于骨架提取的高度抽象化，此誤差對試驗(yàn)結(jié)果影響可忽略不計(jì)。

2.2.1.2 奶牛骨架能量圖生成

將“2.2.1.1”節(jié)中生成的奶牛步態(tài)骨架序列生成骨架能量圖，生成過程如下：首先對奶牛步態(tài)骨架序列進(jìn)行尺度歸一化和大小歸一化處理;再將經(jīng)過2次歸一化后的步態(tài)骨架序列按周期生成奶牛步態(tài)骨架能量圖;可通過式（2）生成步態(tài)能量圖：

G（x，y）=1NB（x，y，z）。（2）

式中：N表示奶牛步態(tài)周期;B（x，y，z）為歸一化的奶牛骨架序列;t為奶牛步態(tài)中隨時(shí)間變化的圖像;x與y為坐標(biāo)值;G（x，y）為該奶牛前景序列的步態(tài)能量。奶牛骨架能量圖不僅可以更加直接表示出奶牛的實(shí)際步態(tài)，而且可以抑制行進(jìn)過程中幾乎不發(fā)生變化的軀干影響步態(tài)識別準(zhǔn)確率的問題。將6幀步態(tài)骨架序列通過公式（2）生成圖6中最右側(cè)的骨架能量圖。

2.2.2 奶牛骨架能量圖特征提取

直接將骨架能量圖與數(shù)據(jù)庫中的數(shù)據(jù)進(jìn)行模式匹配的速度和準(zhǔn)確率較低，因此本算法對骨架能量圖進(jìn)行特征提取，并對其進(jìn)行降維處理后與數(shù)據(jù)庫中數(shù)據(jù)進(jìn)行匹配，以提高模式匹配的準(zhǔn)確率和速度。試驗(yàn)部分選取旋轉(zhuǎn)不變LBP算子、方向梯度直方圖（histogram of oriented gradient，簡稱HOG）特征算子[12]和尺度不變特征變換（scale-invariant feature transform，簡稱SIFT）[13]分別對骨架能量圖進(jìn)行特征提取，以選取效果最好的特征提取方法（圖7）。

3 數(shù)據(jù)集及評價(jià)指標(biāo)

3.1 試驗(yàn)數(shù)據(jù)采集

為保證數(shù)據(jù)集中樣本數(shù)量的充足，本試驗(yàn)的初始數(shù)據(jù)以視頻格式獲取。奶牛會固定在每天16：00—17：00依次穿過一條長100 m、寬15 m，兩側(cè)裝有格柵的特定通道，在緊鄰格柵外側(cè)使用攝像機(jī)對奶牛的行進(jìn)狀態(tài)進(jìn)行錄像，錄像機(jī)距離牛的距離不固定。每一頭奶牛的數(shù)據(jù)分為牛頭向左和牛頭向右2種情況，每種情況下的數(shù)據(jù)中包含該奶牛的15個(gè)完整周期，數(shù)據(jù)集中共2×15×100=3 000個(gè)周期，每個(gè)周期提取出20幀前景圖像，表示該周期內(nèi)奶牛的步態(tài)序列。將100頭奶牛個(gè)體進(jìn)行編號，表示100個(gè)待識別的模式。由此，構(gòu)建了一個(gè)小型的奶牛步態(tài)序列數(shù)據(jù)庫，用于奶牛個(gè)體步態(tài)識別試驗(yàn)。隨機(jī)抽取100頭奶牛中牛頭向左和牛頭向右各300個(gè)周期進(jìn)行測試，其他奶牛步態(tài)周期作為訓(xùn)練集。

3.2 模型評價(jià)指標(biāo)

本模型的輸出為對當(dāng)前個(gè)體的步態(tài)識別結(jié)果，將經(jīng)過降維處理后的骨架能量圖與數(shù)據(jù)庫中的數(shù)據(jù)進(jìn)行對比，所以用正確識別率和識別時(shí)間來對模型進(jìn)行評價(jià)。正確識別率的定義見公式（3）。公式（3）中CCR代表正確識別率，樣本總數(shù)目指測試集中奶牛周期的總數(shù)目，TP指被正確識別的奶牛周期數(shù)目。

CCR=TP樣本總數(shù)目×100%。（3）

另外一個(gè)評價(jià)指標(biāo)是識別時(shí)間，指本研究模型對測試集中所有數(shù)據(jù)進(jìn)行一次識別所耗費(fèi)的時(shí)間，單位為s，用以衡量算法的時(shí)間復(fù)雜度。

4 試驗(yàn)結(jié)果及分析

4.1 不同特征提取算法對比試驗(yàn)

按照第“3”節(jié)中所述步驟進(jìn)行試驗(yàn)，計(jì)算采取不同特征提取算法時(shí)本研究算法的各種評價(jià)指標(biāo)，并將所有特征提取算法的試驗(yàn)結(jié)果進(jìn)行對比。最終試驗(yàn)結(jié)果見表1。

試驗(yàn)1取得了所有算法中最高正確識別率，這表明本研究提出的基于奶牛骨架的步態(tài)能量圖更適合奶牛個(gè)體步態(tài)識別。相同的閾值設(shè)定下，試驗(yàn)1的正確識別率最高。試驗(yàn)3、4和試驗(yàn)9、10的對比進(jìn)一步表明，在相同閾值下，本研究提出的骨架能量圖相比傳統(tǒng)能量圖在提高了正確識別率的同時(shí)，縮短了識別時(shí)間。

試驗(yàn)1采用PCA進(jìn)行降維，相對于沒有進(jìn)行降維處理的試驗(yàn)2，試驗(yàn)1的識別率更高并且識別時(shí)間更短，說明通過降維處理，大大縮短了測試集中數(shù)據(jù)與數(shù)據(jù)庫數(shù)據(jù)的匹配時(shí)間。試驗(yàn)2、3表明，相同條件下采取旋轉(zhuǎn)不變LBP算子比傳統(tǒng)LBP算子識別率更高。試驗(yàn)5、6采用HOG算法分別對奶牛骨架能量圖和傳統(tǒng)步態(tài)能量圖進(jìn)行提取特征。HOG首先要將圖像進(jìn)行Gamma標(biāo)準(zhǔn)化，根據(jù)先驗(yàn)知識，在此將Gamma值設(shè)定為0.5，然后計(jì)算圖像的梯度，求取圖像的梯度直方圖，最后歸一化單元塊得到圖像特征，耗費(fèi)時(shí)間較長。但對于基于骨架的步態(tài)能量圖，HOG算法只需提取奶牛細(xì)化后的四肢的特征，相較于其他方法，特征提取的時(shí)間明顯減少，同時(shí)識別率優(yōu)于傳統(tǒng)能量圖。試驗(yàn)7、8數(shù)據(jù)結(jié)果顯示，用SIFT算法求取階段過于依賴鄰域像素點(diǎn)梯度方向，同時(shí)圖像金字塔的層數(shù)設(shè)置不足會導(dǎo)致尺度出現(xiàn)誤差，從而導(dǎo)致特征向量信息不準(zhǔn)確，因而正確識別率較低。

4.2 不同分類器算法對比試驗(yàn)

本研究用SVM、最鄰近節(jié)點(diǎn)算法（k-nearest neighbors，簡稱KNN）、隨機(jī)森林這幾種常見的分類器分別進(jìn)行對比試驗(yàn)，得到最終分類結(jié)果（表2）。特征提取算法為表1中試驗(yàn)1的方法。

結(jié)果表明，KNN通過數(shù)據(jù)之間的度量進(jìn)行，運(yùn)算量較大且不適合高維特征向量，識別率較低;SVM的分類識別會通過訓(xùn)練生成一個(gè)超平面，以此來預(yù)測待識別模式的標(biāo)簽，準(zhǔn)確率最高。使用隨機(jī)森林分類器可以處理高維數(shù)據(jù)，但是最優(yōu)樹的選擇個(gè)數(shù)沒有具體的標(biāo)準(zhǔn)，一般是根據(jù)先驗(yàn)知識設(shè)置。隨機(jī)森林在分類過程中很容易出現(xiàn)過擬合現(xiàn)象，這里根據(jù)先驗(yàn)知識將ntree的值設(shè)置為500。為保證分類算法的泛化能力，本研究分別對25、50、75、100頭奶牛的數(shù)據(jù)化進(jìn)行試驗(yàn)，分類結(jié)果見圖8。分析得出在奶牛步態(tài)識別分類器的選擇上，SVM的結(jié)果最理想。究其原因，是因?yàn)镾VM適合小樣本集的學(xué)習(xí)，并且因?yàn)橛泻撕瘮?shù)的存在，當(dāng)面對線性不可分的樣本時(shí)，SVM使用核函數(shù)向高維空間映射以保證樣本的可分。本質(zhì)上，SVM避開了從歸納到演繹的傳統(tǒng)過程，實(shí)現(xiàn)了高效的從訓(xùn)練樣本到預(yù)報(bào)樣本的轉(zhuǎn)導(dǎo)推理。

4.3 算法泛化能力評估

為驗(yàn)證本研究提出的基于骨架能量圖的奶牛步態(tài)識別算法的魯棒性特點(diǎn)，挑選3種有代表性的算法進(jìn)行算法泛化能力評估，生成接收者操作（ROC）特征曲線。試驗(yàn)將測試集組合成正樣本對與負(fù)樣本對序列，計(jì)算樣本對距離，通過固定負(fù)樣本對的誤識別率（FPR），選出對應(yīng)的距離閾值，然后以同樣的閾值檢測正樣本對的接受率（TPR）。圖9表示3種算法分別選定FPR、TPR點(diǎn)擬合得到的ROC曲線。在圖例中“骨架能量圖-旋轉(zhuǎn)不變LBP”使用SEGI-pro-LBP表示，“骨架能量圖-傳統(tǒng)LBP”使用SEGI-LBP表示，“傳統(tǒng)能量圖-傳統(tǒng)LBP”使用GEI-LBP表示。

試驗(yàn)結(jié)果表明，本研究算法對應(yīng)的ROC曲線位于所有曲線的最左、最上的位置，即負(fù)樣本對的誤識別率一定時(shí)，本研究算法得到正樣本對的正確識別率最高，進(jìn)一步體現(xiàn)了本研究算法的可行性和有效性。

5 結(jié)束語

本研究在步態(tài)能量圖的基礎(chǔ)上，提出了一種基于奶牛骨架能量圖的步態(tài)識別算法，將奶牛行進(jìn)過程中的特征聚集到運(yùn)動著的軀干上，極大地抑制了與步態(tài)運(yùn)動無關(guān)的信息，所提取特征更加準(zhǔn)確地反映了奶牛運(yùn)動的實(shí)際步態(tài)，提高了正確識別率，測試集中正確識別率達(dá)到了87.6%。并且在使用相同圖像特征提取算法時(shí)，本研究算法分類識別時(shí)間更短。將本研究算法與傳統(tǒng)算法進(jìn)行多組對比試驗(yàn)，通過試驗(yàn)結(jié)果可以該算法均高于現(xiàn)有步態(tài)識別算法應(yīng)用在奶牛步態(tài)識別領(lǐng)域的識別結(jié)果。未來會將本算法應(yīng)用到實(shí)際生產(chǎn)，并結(jié)合具體問題探索更優(yōu)的方法和策略。

參考文獻(xiàn)：

[1]靳蜜肖，李亞敏，曾立華. 一種犢牛飼喂控制系統(tǒng)的設(shè)計(jì)[J]. 浙江農(nóng)業(yè)學(xué)報(bào)，2014，26（1）：206-209.

[2]龐 超，何東健，李長悅，等. 基于RFID與WSN的奶牛養(yǎng)殖溯源信息采集與傳輸方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2011，27（9）：147-152.

[3]Kumar S，Pandey A，Satwik K R，et al. Deep learning framework for recognition of cattle using muzzle point image pattern[J]. Measurement，2018，116（6）：1-17.

[4]Mimura S，Itoh K，Kobayashi T，et al. The cow gait recognition using CHLAC[C]//Proceedings of the 2008 Bio-inspired，Learning and Intelligent Systems for Security. Washington DC：IEEE Computer Society，2008.