資訊專欄INFORMATION COLUMN
摘要：將軀干圖像灰度化后經插值運算和歸一化變換為大小的矩陣，作為結構的卷積神經網絡的輸入進行個體識別。卷積神經網絡構建為減少數據量并保證輸入圖像的細節信息，將奶牛軀干圖像灰度化后通過插值計算變化為的圖像，并除以歸一化后作為輸入數據。
最近看了一個有趣的人工智能應用，給大家分享一下~
這是一個人工智能與農業的結合，在農業中我們經常需要給個體動物做標記，目的是對奶牛做身份識別，然后可以對動物做養殖和繁殖的跟蹤，從而提供養殖管理的決策支持。我們比較熟悉的可能是人的人臉識別，于是，就有人想動物是否也可以做臉部識別來做身份識別呢？誠然，確實有研究在這么做，但是動物的臉部捕捉比人的臉部捕捉要難太多，特別是在戶外的情況下，于是，大家進一步探討的就是，能否通過動物的軀干信息做身份識別呢？
本文就是通過奶牛的軀干信息做身份識別。
傳統方法
個體身份識別方法是自動分析奶牛行為的技術前提和應用基礎。動物個體識別常采用無線射頻識別（RFID）技術。但RFID技術識別視頻視野中的奶牛個體時需要額外的設備與同步識別方法，增加了奶牛行為視頻分析系統的復雜度和成本。然而奶牛視頻中包含奶牛的個體信息，可直接對視頻進行圖像處理實現奶牛個體識別。
識別方法介紹
該方法采集奶牛直線行走時的側視視頻，用幀間差值法計算奶牛粗略輪廓，并對其二值圖像進行分段跨度分析，定位奶牛軀干區域，通過二值圖像比對跟蹤奶牛軀干目標，得到每幀圖像中奶牛軀干區域圖像。將軀干圖像灰度化后經插值運算和歸一化變換為48×48大小的矩陣，作為4c-2s-6c-2s-30o結構的卷積神經網絡的輸入進行個體識別。對30頭奶牛共采集360段視頻，隨機選取訓練數據60000幀和測試數據21730幀。結果表明，在訓練次數為10次時，代價函數收斂至0.0060，視頻段樣本的識別率為93.33%，單幀圖像樣本的識別率為90.55%。該方法可實現養殖場中奶牛個體無接觸較精確識別，具有適用性強、成本低的特點。
1. 軀干定位
幀間差值法對目標的運動邊緣具有優良的檢測性能，對奶牛進行幀間差值處理可得到奶牛的粗略輪廓，對得到的二值圖像進行跨度分析，以剔除外部干擾，并分割出尾巴、頭和頸部，最終得到軀干區域。
如左圖所示，將得到的幀間差值圖像劃分成等間距的片段，分別計算每個片段內二值圖像真值的上邊界和下邊界，并計算兩者的差值作為圖像跨度。
計算修剪后的二值圖像的外接矩形，其上半部分為軀干區域，下半部分為奶牛四肢。對于荷斯坦品種的奶牛，其軀干縱向高度與體高之比rb/t變化幅度較小。因此，本研究對30頭奶牛通過試驗確定rb/t平均值為0.6。將定位的軀干區域以中心為基點縮小到80%，以去除邊界處的背景區塊。軀干定位結果如右圖所示。
2. 軀干跟蹤
考慮到奶牛行走過程中軀干無明顯的幾何變化，只產生平移運動，故采用在后續幀中跟蹤軀干的策略，以提高軀干圖像提取精度。常用的跟蹤方法有粒子濾波跟蹤法和Meanshift算法，粒子濾波對大目標跟蹤耗時長，不適于奶牛目標的跟蹤；試驗發現，Meanshift算法不能準確跟蹤行走中的奶牛目標。主要原因是基于顏色直方圖的Meanshift算法對于顏色變化敏感，奶牛軀干主要由白色和黑色組成，而背景中包含了過多的顏色信息，導致Meanshift極易跟蹤到背景區域。因此，用模板比對法對奶牛軀干區域進行跟蹤。其基本原理是以當前幀軀干區域所在的位置為中心，在下一幀中尋找與軀干區域最接近的圖像。
3. 卷積神經網絡構建
為減少數據量并保證輸入圖像的細節信息，將奶牛軀干圖像灰度化后通過插值計算變化為48×48的圖像，并除以255歸一化后作為輸入數據。
采用2組卷積和下采樣層，由于軀干圖像基本不存在扭轉、變形等影響，因此減少2個卷積層中特征圖的數量，以提高網絡對圖像宏觀信息的利用率。下采樣時對連接區域求均值得到輸出，不使用權重系數和閾值，省略函數轉換過程。
奶牛個體識別中的信息匹配可以通過單層感知器實現，在第2次下采樣后直接與輸出層連接，以大幅度簡化網絡中的感知層。本研究牛群中共有30頭奶牛，故輸出層為30個感知器，與上一層全連接，輸出編碼采用one-of-c方式，即每種奶牛個體作為一個模式。
考慮到sigmoid函數有良好的非線性映射特性，故變換函數統一采用sigmoid函數。網絡訓練中學習率取為1，訓練批大小為50，訓練終止條件為代價函數值小于0.01。由于變換函數為sigmoid函數，故網絡輸出為一個長度為30的浮點型向量，將該向量中較大值置為1，其余元素置0作為網絡的輸出模式。若輸出模式與該輸入圖像的真實模式不匹配，則表明識別錯誤。
為進一步確定卷積層特征圖較佳個數，對不同結構的卷積神經網絡進行識別準確率及平均耗時試驗，結果表明，當兩個卷積層中特征圖個數分別為4和6時，網絡識別率和效率較高。
4. 實驗結果
卷積神經網絡的識別準確率及效率：
圖像檢索法與卷積神經網絡奶牛個體識別結果比較：
歡迎加入本站公開興趣群商業智能與數據分析群
興趣范圍包括各種讓數據產生價值的辦法，實際應用案例分享與討論，分析工具，ETL工具，數據倉庫，數據挖掘工具，報表系統等全方位知識
QQ群：81035754
文章版權歸作者所有，未經允許請勿轉載,若此文章存在違規行為，您可以聯系管理員刪除。
轉載請注明本文地址：http://specialneedsforspecialkids.com/yun/4491.html
摘要：行為識別包含兩個研究方向個體行為識別與群體行為事件識別。同時，隨著行人智能分析與群體事件感知的需求與日俱增，一系列行為分析與事件識別算法在深度學習技術的推動下應運而生。 行為識別是指通過分析視頻、深度傳感器等數據，利用特定的算法，對行人的行為進行識別、分析的技術。這項技術被廣泛應用在視頻分類、人機交互、安防監控等領域。行為識別包含兩個研究方向：個體行為識別與群體行為（事件）識別。近年來，深度...
摘要：但是，有一些研究人員在同一個深度神經網絡中巧妙地實現了二者能力的結合。一次讀取并解釋輸入文本中的一個字或字符圖像，因此深度神經網絡必須等待直到當前字的處理完成，才能去處理下一個字。 從有一些有趣的用例看，我們似乎完全可以將 CNN 和 RNN/LSTM 結合使用。許多研究者目前正致力于此項研究。但是，CNN 的研究進展趨勢可能會令這一想法不合時宜。一些事情正如水與油一樣，看上去無法結合在一起...
摘要：圖基于的識別方法它的基本思想是用對幀的最后一層的激活在時間軸上進行整合。這個是學習長度為幀采樣后視頻片段的基礎網絡結構。 深度學習在最近十來年特別火，幾乎是帶動AI浪潮的最大貢獻者。互聯網視頻在最近幾年也特別火，短視頻、視頻直播等各種新型UGC模式牢牢抓住了用戶的消費心里，成為互聯網吸金的又一利器。當這兩個火碰在一起，會產生什么樣的化學反應呢？ 不說具體的技術，先上一張福利圖，該圖展示...
閱讀 1859·2021-09-22 15:29
閱讀 3351·2019-08-30 15:44
閱讀 3558·2019-08-30 15:43
閱讀 1763·2019-08-30 13:48
閱讀 1489·2019-08-29 13:56
閱讀 2474·2019-08-29 12:12
閱讀 965·2019-08-26 11:35
閱讀 1051·2019-08-26 10:25
