论文部分内容阅读
互联网的兴起使得现今各行业逐渐朝着工业化、智能化发展。随着人工智能与模式识别领域研究的不断深入,利用图像处理算法将奶牛个体识别与计算机视觉相联系,已逐渐成为一项推动大规模奶牛信息化管理的重要举措,而图像识别与分类的关键在于图像特征提取器和分类器的选取和设计。早期针对奶牛个体识别问题主要采取人工观察方式,但该方法误识别率很高。之后发展为采用标签识别的方法,但是标签容易破损、对奶牛造成了过多日常干扰,可能降低奶牛产奶量。近年来对奶牛个体进行自动化识别,自动、精准、高效的提取奶牛图像特征成为普遍方式。为了有效完成对奶牛个体特征提取与分类,提高奶牛个体识别正确率,本文主要工作如下:首先,利用LBP、HOG、Harris以及SIFT算法对奶牛头部图像进行了特征提取,分别用PCA、LDA、LPP进行了特征降维,使用SVM、KNN、随机森林分别进行了奶牛分类实验,并指出了各种算法存在的不足之处。其次,根据特征提取算法的比较结果,本文提出了一种改进的LBP算法和优化的HOG算法联合起来形成融合的特征向量。改进的LBP算法通过比较相邻像素值更新LBP码,利用等价模式减少特征向量维数,采用不同块计算图像分布直方图;优化的HOG算法对灰度图采用简单模板计算方向梯度和大小,省去了三线性差值步骤,减少了特征提取的时间。再次,将融合的特征向量通过主成分分析进行特征降维之后,本文通过比较几种分类器的实验结果,在分类时间较短、分类识别率更高的SVM分类器基础上,本文使用网络搜索算法对SVM分类器进行了参数寻优,寻找最佳参数进行分类识别。此外,为了缩短奶牛头部图像特征提取的时间、丰富奶牛头部图像特征提取的信息,本文在特征提取之前加入了归一化和高通滤波预处理操作。最后,将上述方法应用于奶牛个体识别中,对20头奶牛,包含16000个特征向量的训练集和包含4000个特征向量的测试集进行实验,识别正确率可达99%以上,验证了本文算法的有效性和可行性,同时实验部分给出算法中涉及到参数的讨论,保证了实验结果的严谨性。