CN104318267A - 一种藏獒幼犬纯度的自动化识别系统 - Google Patents

Abstract

本发明公开一种藏獒幼犬纯度的自动化识别系统，该系统包括用于采集藏獒幼犬图像的摄像头、用于藏獒幼犬纯度识别的处理器、用于输出识别结果的输出装置，所述处理器包括：视频采集模块，用于获取所述摄像头捕获的藏獒幼犬的视频，图像处理模块，用于对获取的图像进行处理，纯度识别模块，用于对待检测藏獒幼犬的纯度进行识别；所述图像处理模块，包括预处理模块，用于对获取的藏獒幼犬视频进行平滑处理，特征提取模块，用于使用Tracking-Learning-Detection算法对藏獒幼犬进行定位，并使用Gabor算法进行特征提取；所述的纯度识别模块，包括一组基于类内类间散度的模糊支持向量机分类器。本发明克服传统方法主观性强、可重复性差的缺点，具有可靠性高、适用性强的特点。

Description

一种藏獒幼犬纯度的自动化识别系统

技术领域

本申请涉及一种藏獒幼犬纯度的自动化识别系统，属于模式识别、计算机视觉等相关领域。

背景技术

藏獒产自于青藏高原，是举世公认的最古老、最稀有大型犬种，被誉为“东方神犬”。巨大的经济利益，促使人们急切的追捧，成为热门养殖的目标之一。同时，由于价格原因目前市场形成鱼目混珠、以次充好的交易格局，给部分藏獒养殖者带来巨大的损害。目前对藏獒纯度的识别主要依靠人工目视观察判断分析，其判断结果受到观察者知识水平、判断经验的限制，存在主观依赖性强、可重复性差的缺陷。藏獒幼犬的识别存在很多的不确定性，其原因在于藏獒幼犬月龄小不具备成年藏獒外貌的大量特征，因此，对藏獒幼犬纯度的识别存在客观评价依据少，识别准确性差等不利因素，亟需一种藏獒幼犬纯度的自动化识别系统。

支持向量机(Support Vector Machine，SVM)方法是一种非参数模式识别方法，以结构风险最小化为基本原则，根据有限的样本信息在模型的复杂性和学习能力之间寻找最佳折中，以期获得最好的泛化能力。SVM的基本思想是通过事先选择的线性/非线性映射将输入向量映射到一个高维特征空间，然后在这个特征空间中构造最优化的数据分类超平面。目前，SVM技术广泛地应用到人脸识别、图像处理等领域。但是，SVM在学习过程中并没有充分考虑样本之间的几何结构和样本所隐含的判别信息，因此在一定程度上影响了对具体模式进行识别的能力，而且易受到噪声的干扰，如果一个或几个样本点具有相对较大的值，就会出现过拟合问题，因此，在使用模式识别的方法进行分类时，如何有效克服这两个困难是亟需解决的难题。

目前还未见到有关藏獒幼犬纯度自动检测自动识别方面的有关研究。

发明内容

本发明的目的在于针对现有技术的不足，提出一种可靠性高、适用性好的藏獒幼犬纯度的自动化识别系统。

本发明的技术方案是：一种藏獒幼犬纯度的自动化识别系统，其特征在于，包括用于采集藏獒幼犬图像的摄像头，用于进行藏獒幼犬纯度识别的处理器，所述处理器包括：视频采集模块，用于获取所述摄像头捕获的藏獒幼犬的视频；图像处理模块，用于对获取的图像进行处理；纯度识别模块，使用基于类内类间散度模糊支持向量机的分类器对藏獒幼犬纯度的识别；识别结果输出装置，用于输出待识别藏獒幼犬纯度的识别结果；其中，所述图像处理模块，包括预处理模块，用于对获取的视频进行平滑处理；特征提取模块，用于使用TLD跟踪算法对藏獒幼犬的眼睛、鼻子、嘴巴、胸口、头部、躯干、尾巴等部位定位并进行图像的截取，接着使用Gabor算法对截取的图像进行特征提取。

作为优选的一种方案，所述的纯度识别模块，所述纯度识别模块由10个基于类内类间散度模糊支持向量机分类器构成。系统将藏獒幼犬的种类分为纯度80％以上、纯度50％-80％、纯度30％-50％、纯度10％-30％、纯度低于10％共5类；并将所述的五个种类进行两两组合，组合成10组：纯度80％以上和纯度50％-80％，纯度80％以上和纯度30％-50％，纯度80％以上和纯度10％-30％，纯度80％以上和纯度低于10％，纯度50％-80％和纯度30％-50％，纯度50％-80％和纯度10％-30％，纯度50％-80％和纯度低于10％，纯度30％-50％和纯度10％-30％，纯度30％-50％和纯度低于10％，纯度10％-30％和纯度低于10％，因此系统共构建10个基于类内类间散度模糊支持向量机分类器。

作为优选的又一种方案，在所述的纯度识别模块中构建基于类内类间散度模糊支持向量机方法的步骤如下：

步骤一：对训练藏獒幼犬样本使用TLD跟踪算法定位并截取图像，再使用Gabor算法对截取的图像进行特征提取，并根据上述10种组合构建相应的藏獒幼犬训练样本集；

步骤二：在每个组合中构建两类训练样本的类内K-近邻加权邻接图的权矩阵和类间K-近邻加权邻接图的权矩阵

其中，(k)表示该类训练样本的编号，x_i表示训练样本集中每个训练样本的特征值。

步骤三：生成两类训练样本的类内散度矩阵和类间散度矩阵；

类内散度矩阵S_w：

其中I^(k)是一个N_k行N_k列的对角矩阵且 表示矩阵的转置，x_i∈N(x_j)表示x_i在x_j的K-近邻内，是映射函数，

类间散度矩阵S_b：

其中是一个N_k行N_k列的对角矩阵且 $W_{b,\mathrm{ij}}^{\left(k\right)}=1/{\mathrm{\Σ}}_j{B}_{\mathrm{ij}}^{\left(k\right)};$

步骤四：将两类训练样本输入到基于类内类间散度模糊支持向量机中进行训练，基于类内类间散度模糊支持向量机的形式如下：

$\underset{w,b,\mathrm{\ξ}}{\min }\frac{1}{2}{w}^{T}w+C^{+}\underset{i=1}{\overset{N_1}{\mathrm{\Σ}}}{m}_i^{+}{\mathrm{\ξ}}_i+C^{-}\underset{j=1}{\overset{N_2}{\mathrm{\Σ}}}{m}_j^{-}{\mathrm{\ξ}}_j+\frac{{\mathrm{\η}}_1}{2}{w}^T{S}_{w}w+\frac{{\mathrm{\η}}_2}{2}{w}^T{S}_{b}w$

其中w表示系数矩阵，C⁺和C^-分别为两类的惩罚参数，ξ_i和ξ_j为松弛变量，y_i∈{+1,-1}通过将原先样本标签转换得到，和分别为两类的模糊因子，N₁和N₂分别是两类训练样本的个数，η₁和η₂是两个正常数；

上式可以转换成如下的二次规划形式：

$\underset{\mathrm{\β}}{\min }\frac{1}{2}{\mathrm{\β}}^T\mathrm{Q\β}$

$s.t.\underset{i=1}{\overset{N_1+N_2}{\mathrm{\Σ}}}{\mathrm{\β}}_i{y}_i=0$

$0\≤{\mathrm{\β}}_i\≤C^{+}{m}_i^{+},i=1,...,N_1$

$0\≤{\mathrm{\β}}_j\≤C^{-}{m}_j^{-},j=1,...,N_2---\left(6\right)$

其中，Q为(N₁+N₂)×(N₁+N₂)的半正定矩阵，

$\begin{array}{c}Q=K^T\left(\right[K+{\mathrm{\η}}_1{K}_1{(I_1-W_w^{\left(1\right)})}^T(I_1-W_w^{\left(1\right)})K_1^T+{\mathrm{\η}}_1{K}_2{(I_2-W_w^{\left(2\right)})}^T(I_2-W_w^{\left(2\right)})K_2^T\\ +{\mathrm{\η}}_2{K}_1{({\stackrel{\‾}{I}}_1-W_b^{\left(1\right)})}^T({\stackrel{\‾}{I}}_1-W_b^{\left(1\right)})K_1^T+{\mathrm{\η}}_2{K}_2{({\stackrel{\‾}{I}}_2-W_b^{\left(2\right)})}^T({\stackrel{\‾}{I}}_2-W_b^{\left(2\right)})K_2^T{]}^{-1}K\end{array}$

是核函数，K＝[K₁,K₂]，矩阵K₁是矩阵K的前N₁列，矩阵K₂是矩阵K的前N₂列，β＝[β₁,...,β_N]^T为拉格朗日系数向量；

步骤五：构建基于类内类间散度模糊支持向量机分类器，分类器的形式为：

$f\left(x\right)=\mathrm{sgn}(\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\β}}_i^{*}K(x,x_i)-\frac{1}{N_2}\underset{x_i\∈{\mathrm{sv}}_1}{\mathrm{\Σ}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\β}}_j^{*}{y}_{j}K(x_i,x_j)+\frac{1}{N_1}\underset{x_i\∈{\mathrm{sv}}_2}{\mathrm{\Σ}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\β}}_j^{*}{y}_{j}K(x_i,x_j))---\left(7\right)$

其中是求解公式(5)和(6)得到的最优解；

进一步地，在所述的纯度识别模块中，识别待检测藏獒幼犬纯度的步骤如下：

步骤一：使用所述的图像处理模块中提取的待检测藏獒幼犬的特征；

步骤二：将提取的特征输入10个基于类内类间散度模糊支持向量机分类器中，得到其判别结果；

步骤三：采用投票机制统计这10个分类器的判别结果，10个结果中哪一个占得多，则将该待检测藏獒幼犬识别为该类别。

本发明的有益效果表现在：(1)通过TLD方法直接识别出藏獒幼犬的特定部位，方便快捷。(2)用特征向量来表示藏獒幼犬的外貌特征，能捕捉到不同纯度的藏獒幼犬的细微差别信息，为藏獒幼犬纯度识别提供重要的数字特征。(3)基于类内类间散度模糊支持向量机在传统支持向量机的基础上能捕获样本数据的结构化信息，使用该分类器中对藏獒幼犬纯度进行识别，克服传统方法主观性强、可重复性差的缺点，有着藏獒幼犬纯度识别经验的总结和提高的积极意义。(4)该发明系统硬件成本低，算法精确，有良好的市场前景，对消费者和商家有效辩识纯度高的藏獒幼犬有着重要意义。

附图说明

图1是藏獒幼犬纯度的自动化识别系统的总体框架。

图2是藏獒幼犬特征提取算法的流程图。

图3是藏獒幼犬纯度识别算法的流程图。

图4是创建基于类内类间散度模糊支持向量机分类器的流程图。

图5是识别待检测藏獒幼犬纯度的流程图。

具体实施方式

图1是系统总框架图，整个硬件部分包含视频采集模块，图像处理模块和识别结果输出装置三个部分。

硬件部分：

(1)视频采集模块

CCD摄影头。

(2)图像处理模块

图像处理模块采用S3C6410处理器，扩展128 SDRAM和128MNANDFLASH，保证了多幅连续图像的保存；同时也便于图像的分析与处理。本发明的主要算法如视频的平滑处理和藏獒幼犬的特征提取在这部分实现。

(3)纯度识别模块

纯度识别模块和所述的图像处理模块采用同一个S3C6410处理器，扩展128SDRAM和128M NANDFLASH，本发明的主要算法如藏獒幼犬纯度识别的算法在这部分实现。

(3)识别结果输出装置

LED显示频，显示S3C6410芯片的识别结果。

软件部分：

软件部分是用C++语言实现，包括视频的平滑处理、藏獒幼犬的特征提取和藏獒幼犬纯度识别三部分的算法。

藏獒幼犬的特征提取算法的流程图如图2所示，具体步骤如下：

第一步，采用TLD跟踪算法来定位每只幼犬的眼睛、鼻子、嘴、耳朵、腿、尾巴、头骨、胸、躯干区域；

第二步，将彩色图像从RGB空间转换成HIS空间，通过提取色调直方图特征向量来获取幼犬的颜色特征；

第三步，使用公式：x＝0.3R+0.59G+0.11B，将彩色图像转换为灰度图像，其中，x是转换后的灰度图像中像素点的灰度值，R、G、B分别表示该像素点在彩色图像中对应的红基色、绿基色和蓝基色的分量值；

第四步，选定区域的Gabor特征向量的提取，Gabor滤波器具有0°、45°、90°和135°四个方向和5个尺度，使用灰值游离矩阵对藏獒幼犬的纹理特征进行提取。

本实施例中，采集1000只不同纯度的藏獒幼犬特征向量信息，将这1000只藏獒幼犬的纯度按照纯度80％以上、纯度50％-80％、纯度30％-50％、纯度10％-30％、纯度低于10％共分为5类，组成训练样本集X，X＝{X⁽¹⁾,X⁽²⁾,X⁽³⁾,X⁽⁴⁾,X⁽⁵⁾}，其中X^(k)＝{(x_i,y_i),i＝1,…,N_k}为第k类训练样本集(k＝1,…,5)，x_i表示训练样本集中每个训练样本的特征值，y_i表示样本类别。

将这5个不同纯度的藏獒训练样本集进行两两组合，组合成10组组合：纯度80％以上和纯度50％-80％，纯度80％以上和纯度30％-50％，纯度80％以上和纯度10％-30％，纯度80％以上和纯度低于10％，纯度50％-80％和纯度30％-50％，纯度50％-80％和纯度10％-30％，纯度50％-80％和纯度低于10％，纯度30％-50％和纯度10％-30％，纯度30％-50％和纯度低于10％，纯度10％-30％和纯度低于10％。

参见图3所示，藏獒幼犬纯度的识别算法分成构建基于类内类间散度模糊支持向量机分类器和识别两个部分。本实施例共需构建10个基于类内散度和类间散度模糊支持向量机构建分类器，参见图4，创建该分类器的具体步骤如下：

步骤一：对训练藏獒幼犬样本使用TLD跟踪算法定位并截取图像，再使用Gabor算法对截取的图像进行特征提取，并根据上述10种组合构建相应的藏獒幼犬训练样本集；

步骤二：在每个组合中分别构建X^(k)数据集的类内K-近邻加权邻接图的权矩阵和类间K-近邻加权邻接图的权矩阵

其中，(k)表示该类数据集的编号，x_i表示训练样本集中每个训练样本的特征值。

步骤三：生成两类训练样本的类内散度矩阵S_w和类间散度矩阵S_b，

类内散度矩阵S_w的计算公式为：

其中I^(k)是一个N_k行N_k列的对角矩阵且 表示矩阵的转置，x_i∈N(x_j)表示x_i在x_j的K-近邻内，是映射函数。

类间散度矩阵S_b的计算公式为：

其中是一个N_k行N_k列的对角矩阵且 $W_{b,\mathrm{ij}}^{\left(k\right)}=1/{\mathrm{\Σ}}_j{B}_{\mathrm{ij}}^{\left(k\right)}.$

步骤四：将两类训练样本输入到基于类内类间散度模糊支持向量机中训练，基于类内类间散度模糊支持向量机的形式如下：

$\underset{w,b,\mathrm{\ξ}}{\min }\frac{1}{2}{w}^{T}w+C^{+}\underset{i=1}{\overset{N_1}{\mathrm{\Σ}}}{m}_i^{+}{\mathrm{\ξ}}_i+C^{-}\underset{j=1}{\overset{N_2}{\mathrm{\Σ}}}{m}_j^{-}{\mathrm{\ξ}}_j+\frac{{\mathrm{\η}}_1}{2}{w}^T{S}_{w}w+\frac{{\mathrm{\η}}_2}{2}{w}^T{S}_{b}w$

其中w表示系数矩阵，C⁺和C^-分别为两类的惩罚参数C⁺和C^-的值在网格{0.01,0.05,0.1,0.5,1,5,10,50,100,500}内寻优得到，ξ_i和ξ_j为松弛变量，y_i∈{+1,-1}通过将原先样本标签变形得到，和分别为两类的模糊因子，N₁和N₂分别是两类训练样本的个数，η₁和η₂的值在网格{2^-10,2^-9,2^-8,…,2⁸,2⁹,2¹⁰}内寻优得到；

上式可以转换成如下的二次规划形式：

$\underset{\mathrm{\β}}{\min }\frac{1}{2}{\mathrm{\β}}^T\mathrm{Q\β}$

$s.t.\underset{i=1}{\overset{N_1+N_2}{\mathrm{\Σ}}}{\mathrm{\β}}_i{y}_i=0$

$0\≤{\mathrm{\β}}_i\≤C^{+}{m}_i^{+},i=1,...,N_1$

$0\≤{\mathrm{\β}}_j\≤C^{-}{m}_j^{-},j=1,...,N_2---\left(6\right)$

其中，Q为(N₁+N₂)×(N₁+N₂)的半正定矩阵，

$\begin{array}{c}Q=K^T\left(\right[K+{\mathrm{\η}}_1{K}_1{(I_1-W_w^{\left(1\right)})}^T(I_1-W_w^{\left(1\right)})K_1^T+{\mathrm{\η}}_1{K}_2{(I_2-W_w^{\left(2\right)})}^T(I_2-W_w^{\left(2\right)})K_2^T\\ +{\mathrm{\η}}_2{K}_1{({\stackrel{\‾}{I}}_1-W_b^{\left(1\right)})}^T({\stackrel{\‾}{I}}_1-W_b^{\left(1\right)})K_1^T+{\mathrm{\η}}_2{K}_2{({\stackrel{\‾}{I}}_2-W_b^{\left(2\right)})}^T({\stackrel{\‾}{I}}_2-W_b^{\left(2\right)})K_2^T{]}^{-1}K\end{array}$

是核函数，K＝[K₁,K₂]，矩阵K₁是K的前N₁列，矩阵K₂是K的前N₂列，β＝[β₁,...,β_N]^T为拉格朗日系数向量；

核函数有多种，在本实施例中，使用高斯核函数：K(x_i,x_j)＝exp(-r||x_i-x_j||²)，其中r是核宽参数，r的值在网格{2^-15,2^-13,…,2³}内寻优获得，x_i、x_j分别为第i个和第j个样本的特征向量，||·||²表示欧氏距离。

模糊因子和的选取也有多种方法，在本实施例中，使用以下公式计算模糊因子：

其中， $\mathrm{\φ}\left({\stackrel{\‾}{x}}_{+}\right)=\frac{1}{m_1}\underset{x_i\∈c_1}{\mathrm{\Σ}}\mathrm{\φ}\left(x_i\right),\mathrm{\φ}\left({\stackrel{\‾}{x}}_{-}\right)=\frac{1}{N-m_1}\underset{x_i\∈c_2}{\mathrm{\Σ}}\mathrm{\φ}\left(x_i\right),$ 本实施例中δ取10^-6，和的值可用下式计算：

$\left|\right|\mathrm{\φ}\left(x_i\right)-\mathrm{\φ}\left({\stackrel{\‾}{x}}_{+}\right)\left|\right|=\sqrt{K(x_i,x_i)-\frac{2}{N_1}\underset{x_j\∈C_1}{\mathrm{\Σ}}K(x_i,x_j)+\frac{1}{N_1^2}\underset{x_s\∈C_1}{\mathrm{\Σ}}\underset{x_t\∈C_1}{\mathrm{\Σ}}K(x_s,x_t)}---\left(8\right)$

$\left|\right|\mathrm{\φ}\left(x_i\right)-\mathrm{\φ}\left({\stackrel{\‾}{x}}_{-}\right)\left|\right|=\sqrt{K(x_i,x_i)-\frac{2}{N_2}\underset{x_j\∈C_2}{\mathrm{\Σ}}K(x_i,x_j)+\frac{1}{N_2^2}\underset{x_s\∈C_2}{\mathrm{\Σ}}\underset{x_t\∈C_2}{\mathrm{\Σ}}K(x_s,x_t)}---\left(9\right)$

求解公式(5)和(6)得到最优解

步骤五：构建基于类内类间散度模糊支持向量机分类器，分类器的判别式为：

$f\left(x\right)=\mathrm{sgn}(\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\β}}_i^{*}K(x,x_i)-\frac{1}{N_2}\underset{x_i\∈{\mathrm{sv}}_1}{\mathrm{\Σ}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\β}}_j^{*}{y}_{j}K(x_i,x_j)+\frac{1}{N_1}\underset{x_i\∈{\mathrm{sv}}_2}{\mathrm{\Σ}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\β}}_j^{*}{y}_{j}K(x_i,x_j))---\left(7\right)$

其中是上述的最优解。

图5展示了藏獒幼犬纯度识别算法中识别部分的流程图，具体步骤如下：

步骤一：使用所述的图像处理模块中提取的待检测藏獒幼犬的特征；

步骤二：将提取的特征输入10个基于类内类间散度模糊支持向量机分类器中，得到其判别结果。

例如：当分类器中使用的是纯度80％以上和纯度50％-80％的藏獒幼犬训练样本，识别结果是：纯度80％以上；

当分类器中使用的是纯度80％以上和纯度30％-50％的藏獒幼犬训练样本，识别结果是：纯度80％以上；

当分类器中使用的是纯度80％以上和纯度10％-30％的藏獒幼犬训练样本，识别结果是：纯度80％以上；

当分类器中使用的是纯度80％以上和纯度低于10％的藏獒幼犬训练样本，识别结果是：纯度80％以上；

当分类器中使用的是纯度50％-80％和纯度30％-50％的藏獒幼犬训练样本，识别结果是：纯度50％-80％；

当分类器中使用的是纯度50％-80％和纯度10％-30％的藏獒幼犬训练样本，识别结果是：纯度50％-80％；

当分类器中使用的是纯度50％-80％和纯度低于10％的藏獒幼犬训练样本，识别结果是：纯度50％-80％；

当分类器中使用的是纯度30％-50％和纯度10％-30％的藏獒幼犬训练样本，识别结果是：纯度30％-50％；

当分类器中使用的是纯度30％-50％和纯度低于10％的藏獒幼犬训练样本，识别结果是：纯度30％-50％；

当分类器中使用的是纯度10％-30％和纯度低于10％的藏獒幼犬训练样本，识别结果是：纯度10％-30％；

步骤三：采用投票机制统计这10个分类器的判别结果，10个结果中哪一个占得多，则将该待检测藏獒幼犬纯度识别为该类别。

此时，采用投票机制统计上述10个分类器的判别结果，得到纯度80％以上的票数最高，则最终将该待检测藏獒幼犬的纯度识别为纯度80％以上。

以上所述的实例只是用于说明本发明，而不构成对本发明的限制。本领域的技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种修改和变更，这些修改和变更仍然在本发明的保护范围内。

Claims (3)

1.一种藏獒幼犬纯度的自动化识别系统，其特征在于，包括用于采集藏獒幼犬图像的摄像头，用于进行藏獒幼犬纯度识别的处理器，所述处理器包括： 

视频采集模块，用于获取所述摄像头捕获的藏獒幼犬的视频； 

图像处理模块，用于对获取的图像进行处理； 

纯度识别模块，用于对待检测藏獒幼犬纯度的识别； 

识别结果输出装置，用于输出识别结果； 

所述图像处理模块包括： 

预处理模块，用于对获取的视频进行平滑处理； 

特征提取模块，首先使用TLD(Tracking-Learning-Detection)跟踪算法对藏獒幼犬的眼睛、鼻子、嘴巴、胸口、头部、躯干、尾巴等部位定位并进行图像的截取，再使用Gabor算法对截取的图像进行特征提取。 

2.如权利要求1所述的藏獒幼犬纯度的自动化识别系统，其特征在于：所述纯度识别模块由10个基于类内类间散度模糊支持向量机分类器构成。系统将藏獒幼犬的种类分为纯度80％以上、纯度50％-80％、纯度30％-50％、纯度10％-30％、纯度低于10％共5类；并将所述的五个种类进行两两组合，组合成10组：纯度80％以上和纯度50％-80％，纯度80％以上和纯度30％-50％，纯度80％以上和纯度10％-30％，纯度80％以上和纯度低于10％，纯度50％-80％和纯度30％-50％，纯度50％-80％和纯度10％-30％，纯度50％-80％和纯度低于10％，纯度30％-50％和纯度10％-30％，纯度30％-50％和纯度低于10％，纯度10％-30％和纯度低于10％，因此系统共构建10个基于类内类间散度模糊支持向量机分类器； 

其中，构建基于类内类间散度模糊支持向量机分类器的步骤如下： 

2.1对训练藏獒幼犬样本使用TLD跟踪算法定位并截取图像，再使用Gabor算法对截取的图像进行特征提取，并根据上述10种组合构建相应的藏獒幼犬训练样本集； 

2.2在每个组合中构建两类训练样本的类内K-近邻加权邻接图的权矩阵和类间K-近邻加权邻接图的权矩阵

其中，(k)表示该类数据集的编号，x_i表示训练样本集中每个训练样本的特征值。 

2.3生成两类训练样本的类内散度矩阵和类间散度矩阵； 

类内散度矩阵S_w： 

其中 ^T表示矩阵的转置，x_i∈N(x_j)表示x_i在x_j的K-近邻内，是映射函数， 

类间散度矩阵S_b： 

其中

2.4将两类训练样本输入到基于类内散度和类间散度模糊支持向量机中进行训练，基于类内类间散度模糊支持向量机的形式如下： 

其中w表示系数矩阵，C⁺和C^-分别为正负类的惩罚参数，ξ_i和ξ_j为松弛变量，y_i∈{+1,-1}通过将原先样本标签变形得到，和分别为正负类的模糊因子，N₁和N₂分别是两类训练样本的个数，η₁和η₂是两个正常数； 

上式可以转换成如下的二次规划形式： 

其中，Q为(N₁+N₂)×(N₁+N₂)的半正定矩阵 

是核函数，矩阵K＝[K₁,K₂]，矩阵K₁是矩阵K的前N₁列，矩阵K₂是矩阵K的前N₂列，β＝[β₁,...,β_N]^T为拉格朗日系数向量； 

2.5构建基于类内类间散度模糊支持向量机分类器，分类器的形式为： 

其中是公式(6)的最优解。 

3.如权利要求1所述的藏獒幼犬纯度的自动化识别系统，其特征在于：在所述的纯度识别模块中，识别待检测藏獒幼犬纯度的步骤如下： 

3.1使用所述的图像处理模块中提取的待检测藏獒幼犬的特征； 

3.2将提取的特征输入10个基于类内类间散度模糊支持向量机分类器中，得到其判别结果； 

3.3采用投票机制统计这10个分类器的判别结果，10个结果中哪一个占得多，则将该待检测藏獒幼犬识别为该类别。