CN105260750B - 一种奶牛识别方法及系统 - Google Patents
一种奶牛识别方法及系统 Download PDFInfo
- Publication number
- CN105260750B CN105260750B CN201510605219.9A CN201510605219A CN105260750B CN 105260750 B CN105260750 B CN 105260750B CN 201510605219 A CN201510605219 A CN 201510605219A CN 105260750 B CN105260750 B CN 105260750B
- Authority
- CN
- China
- Prior art keywords
- image
- realtime graphic
- milk cow
- template library
- characteristic point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种奶牛识别方法及系统,该方法包括获取待识别奶牛的实时图像;将所述实时图像与预先建立的图像模板库中图像进行匹配,获取所述图像模板库中与所述实时图像匹配的匹配图像;根据所述匹配图像的标识确定所述待识别奶牛的标识号。本发明增大了奶牛识别的范围,且不需在奶牛身体上安装电子标签。
Description
技术领域
本发明涉及奶牛智能化养殖领域,尤其涉及一种奶牛识别方法与系统。
背景技术
随着信息技术的发展,畜牧业也在快速地向现代化方向变革,物联网技术被应用到了畜牧业中,奶牛养殖是畜牧业的重要分支。随着居民生活水平的提高,居民对奶制品质量的关注度提高,需要优化奶牛智能化管理的技术。
现有技术中主要依靠在奶牛上安装射频识别(Radio FrequencyIdentification,RFID)电子耳标。RFID是一种通过无线电频率耦合实现的非接触式识别技术,使用专用的RFID读写器及电子标签,利用频率信号将信息由电子标签发送至读写器。电子耳标由电子标签和读写器组成,在识别范围内自动触发读写器获取电子耳标的的信息。但应用RFID的电子耳标的识别范围较短,必须在装有读写器的有效范围才能读取,且需要在奶牛的身体上安装电子标签。
发明内容
本发明所要解决的技术问题是:现有的奶牛识别技术识别范围小,且需要在奶牛的身体上安装电子标签。
为解决上述技术问题,本发明一方面提出了一种奶牛识别方法,该奶牛识别方法包括:
获取待识别奶牛的实时图像;
将所述实时图像与预先建立的图像模板库中图像进行匹配,获取所述图像模板库中与所述实时图像匹配的匹配图像;
根据所述匹配图像的标识确定所述待识别奶牛的标识号。
优选地,所述获取待识别奶牛的实时图像,包括:
分别获取所述待识别奶牛的背部、侧部和后部的图像。
优选地,在所述获取待识别奶牛的实时图像之前,所述方法还包括:
建立图像模板库;
其中,所述建立图像模板库包括:
获取预设范围内每头奶牛的背部、侧部和后部的图像,以每头奶牛的标识号及相应身体部位名称作为获取的图像的标识;
将带有标识的图像存入数据库中,得到图像模板库。
优选地,所述将所述实时图像与预先建立的图像模板库中图像进行匹配,获取所述图像模板库中与所述实时图像匹配的匹配图像,包括:
利用感知哈希算法从图像模板库中选出3幅与所述实时图像相似的图像;
判断3幅相似模板图像是否对应不同的奶牛,如果所述3幅相似模板图像对应不同的奶牛则利用图像尺度不变特征变换算法确定所述3幅相似模板图像中的一幅图像为所述匹配图像,如果所述3幅相似模板图像对应相同的奶牛则确定所述3幅相似模板图像的任意一幅为所述匹配图像。
优选地,所述图像尺度不变特征转换算法包括:
分别提取所述实时图像与所述3幅相似模板图像中的特征点;
分别计算所述3幅相似模板图像中的特征点与相应身体部位的实时图像中的特征点匹配的个数,所述3幅相似模板图像中的特征点与所述实时图像中的特征点匹配个数最多的相似模板图像为与所述实时图像匹配的匹配图像。
优选地,所述分别提取所述实时图像与所述3幅相似模板图像中的特征点包括:
建立尺度空间,检测特征点;
精确定位所述特征点;
为所述特征点指定方向参数;
生成特征点的描述子。
优选地,在所述将所述实时图像与预先建立的图像模板库中图像进行匹配之前,所述方法还包括,
对所述实时图像进行预处理;
其中,所述预处理包括对所述实时图像进行前背景分割、图像灰度化、图像增强和图像去噪。
另一方面,本发明还提出了一种奶牛识别系统,该系统包括:
包括图像获取单元、图像识别单元和标识号确定单元;
所述图像获取单元用于获取待识别奶牛的实时图像;
所述图像识别单元用于将所述实时图像与预先建立的图像模板库中图像进行匹配,获取所述图像模板库中与所述实时图像匹配的匹配图像;
所述标识号确定单元用于根据所述匹配图像的标识号确定所述待识别奶牛的标识号。
优选地,所述图像获取单元用于分别获取所述待识别奶牛的背部、侧部和后部的图像。
优选地,该系统还包括图像模板库建立单元;
所述图像模板库建立单元用于建立图像模板库;
其中,所述图像模板库包括每头奶牛的背部、侧部和后部的图像,以每头奶牛的标识号及相应身体部位名称作为每幅图像的标识。
通过采用本发明提出的奶牛识别方法及系统,解决了现有奶牛识别技术识别范围小的问题,实时获取奶牛图像,并将实时图像与图像模板库中图像进行匹配,增大了奶牛识别的范围,且不需在奶牛身体上安装电子标签。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点,附图是示意性的而不应理解为对本发明进行任何限制,在附图中:
图1示出了本发明一个实施例的奶牛识别方法示意图;
图2示出了本发明建立模板图像库的过程示意图;
图3示出了本发明另一个实施例的奶牛识别方法示意图;
图4示出了本发明对实时图像预处理的过程示意图;
图5示出了本发明一个实施例的奶牛识别系统的结构示意图;
图6示出了本发明奶牛识别系统的工作原理图。
具体实施方式
下面将结合附图对本发明的实施例进行详细描述。
图1示出了本发明一个实施例的奶牛识别方法示意图。如图1所示,该奶牛识别方法包括:
S1:获取待识别奶牛的实时图像;
S2:将所述实时图像与预先建立的图像模板库中图像进行匹配,获取所述图像模板库中与所述实时图像匹配的匹配图像;
S3:根据所述匹配图像的标识确定所述待识别奶牛的标识号。
本实施例的奶牛识别方法,解决了现有奶牛识别技术识别范围小的问题,实时获取奶牛图像,并将实时图像与图像模板库中图像进行匹配,增大了奶牛识别的范围,且不需在奶牛身体上安装电子标签。
在一种可选的实施方式中,获取待识别奶牛的实时图像,包括:
分别获取所述待识别奶牛的背部、侧部和后部的图像。
进一步地,在所述获取待识别奶牛的实时图像之前,所述方法还包括:
建立图像模板库;
其中,所述建立图像模板库包括:
获取预设范围内每头奶牛的背部、侧部和后部的图像,以每头奶牛的标识号及相应身体部位名称作为获取的图像的标识;
将带有标识的图像存入数据库中,得到图像模板库。
在实际应用中,建立图像模板库的过程如图2所示,利用高清照相机在背景单一的环境中采集每头奶牛背部、侧部和后部的图像,对采集的图像进行尺寸标准化,统一变为256*256,通过图像分割算法进行前背景分割,去除背景,以每头奶牛的标识号及相应身体部位名称作为图像的标识,将带有标识的图像存入数据库中,得到图像模板库。
图3示出了本发明另一个实施例的奶牛识别方法示意图。如图3所示,该奶牛识别方法包括:
获取实时图像,对所述实时图像进行预处理;
利用感知哈希算法从图像模板库中选出3幅与所述实时图像相似的图像;
判断3幅相似模板图像是否对应不同的奶牛,如果所述3幅相似模板图像对应不同的奶牛则利用图像尺度不变特征变换算法确定所述3幅相似模板图像中的一幅图像为所述匹配图像,如果所述3幅相似模板图像对应相同的奶牛则确定所述3幅相似模板图像的任意一幅为所述匹配图像;
根据所述匹配图像的标识确定所述待识别奶牛的标识号。
进一步地,对实时图像的预处理过程如图4所示:
(1)前背景分割:利用图割算法对实时图像进行前背景分割,得到去除背景后的实时图像的前景图;
(2)图像灰度化:将分割好的实时图像RGB前景图变换为灰度图,变换公式如下,其中Gray代表图像的灰度:
Gray=0.299*R+0.587*G+0.114*B
(3)图像增强:使用直方图函数对实时图像的灰度图像进行线性拉伸变化,再进行直方图均衡化;
(4)图像去噪:利用小波变换去除实时图像的噪声。
进一步地,感知哈希算法的计算步骤如下:
(1)缩小尺寸:将模板图像库中的图像和实时图像缩小到8×8的尺寸,总共64个像素;这一步的作用是去除图像的细节,只保留结构、明暗等基本信息,摒弃不同尺寸、比例带来的图像差异;
(2)简化色彩:将缩小后的图像,转为64级灰度;也就是说,所有像素点总共只有64种颜色;
(3)计算平均值:计算所有64个像素的灰度平均值;
(4)比较像素的灰度:将每个像素的灰度,与平均值进行比较;大于或等于平均值,记为1;小于平均值,记为0;
(5)计算哈希值:将比较结果组合在一起就构成了一个64位的整数,相当于这种图像的指纹。组合的次序并不重要,只要保证所有图像采用同样的次序。比较图像的指纹,结果越接近,就说明图像越相似。
图像模板库包括模板图像表,所述模板图像表中包括奶牛标识号及与奶牛标识号相对应的奶牛背部图像、奶牛侧部图像和奶牛后部图像。在进行模板图像库中的图像与实时图像的哈希值比较时,将模板图像库中图像与对应位置的实时图像的哈希值相比较,具体来说,将模板图像库中奶牛背部图像的哈希值与实时背部图像的哈希值进行比较,将模板图像库中奶牛侧部图像的哈希值与实时侧部图像的哈希值进行比较,将模板图像库中奶牛后部图像的哈希值与实时后部图像的哈希值进行比较。
进一步地,所述图像尺度不变特征转换算法包括:
分别提取所述实时图像与所述3幅相似模板图像中的特征点;
找出每幅相似模板图像与相应身体部位的实时图像欧式距离最近的前两个特征点,如果最近的特征点的欧式距离与次近的特征点的欧式距离的比值小于阈值,则该幅相似模板图像中的特征点与相应身体部位的实时图像匹配,否则不匹配。特别地,阈值为0.36。分别计算所述3幅相似模板图像中的特征点与相应身体部位的实时图像中的特征点匹配的个数,所述3幅相似模板图像中的特征点与所述实时图像中的特征点匹配个数最多的相似模板图像为与所述实时图像匹配的匹配图像。
进一步地,所述分别提取所述实时图像与所述3幅相似模板图像中的特征点包括:
(1)建立尺度空间,检测特征点:
根据高斯卷积公式建立尺度空间,包括高斯金字塔的建立和DoG金字塔的建立两个过程,并寻找特征点。
一幅二维图像的尺度空间定义为:
L(x,y,σ)=G(x,y,σ)*I(x,y)
其中,(x,y)是空间坐标,G(x,y,σ)是尺度可变高斯函数,符号*表示卷积,I(x,y)代表图像的像素位置,σ是尺度空间因子,值越小表示图像被平滑的越少,相应的尺度也就越小。大尺度对应于图像的概貌特征,小尺度对应于图像的细节特征。
为了有效的在尺度空间检测到稳定的特征点,提出了高斯差分尺度空间(DOGscale-space),通过在高斯差分尺度空间上寻找得到特征点,利用不同尺度的高斯差分核与图像卷积生成,
D(x,y,σ)=(G(x,y,kσ)-G(x,y,σ))*I(x,y)=L(x,y,kσ)-L(x,y,σ)
其中,D(x,y,σ)表示高斯差分尺度函数,G(x,y,kσ)-G(x,y,σ)是高斯差分算子,k是算子的一个计算常数,它不会影响特征点的位置
(2)精确定位所述特征点:
对于已经找到的特征点,通过三维二次拟合方法和去掉不稳定边缘相应点得到精确的特征点。
(3)为所述特征点指定方向参数:
利用特征点邻域像素的梯度方向分布特征为每个特征点指定方向参数,使算子具备旋转不变性。
(x,y)处梯度的模值m(x,y)和方向θ(x,y)公式如下,其中L所用的尺度为每个关键点各自所在的尺度
θ(x,y)=tan-1((L(x,y+1)-L(x,y-1))/L(x+1,y)-L(x-1,y)))
(4)生成特征点的描述子:
根据特征点的方向和大小,生成特征点的描述子,首先将坐标轴旋转为特征点的方向,以确保旋转不变性。以特征点为中心取8*8的邻域作为采样窗口,将采样点与特征点的相对方向通过高斯加权后归入包含8个方向直方图,最后获得2*2*8的32维特征描述子。
利用感知哈希算法进行图像匹配速度快,但准确度比SIFT算法低。SIFT算法是一种提取局部特征的算法,在尺度空间寻找特征点,提取位置、尺度、旋转不变特征向量,并根据两幅图像特征向量之间的距离实现图像匹配。利用SIFT算法进行图像匹配准确度高,但匹配效率较低。本实施例的奶牛识别方法先利用感知哈希算法从图像模板库中选出3幅与所述实时图像相似的图像,再利用SIFT算法确定所述3幅图像中与实时图像匹配的作为匹配图像,并根据匹配图像的标识确定待识别奶牛的标识号,匹配效率高,并且具有较高准确率。
图5示出了本发明一个实施例的奶牛识别系统的结构示意图。如图5所示,本实施例的奶牛识别系统包括图像获取单元1、图像识别单元2和标识号确定单元3;
图像获取单元1用于获取待识别奶牛的实时图像;
图像识别单元2用于将所述实时图像与预先建立的图像模板库中图像进行匹配,获取所述图像模板库中与所述实时图像匹配的匹配图像;
标识号确定单元3用于根据所述匹配图像的标识号确定所述待识别奶牛的标识号。
进一步地,图像获取单元1用于分别获取所述待识别奶牛的背部、侧部和后部的图像。
在一种可选的实施方式中,该实施例的奶牛识别系统还包括图像模板库建立单元;
所述图像模板库建立单元用于建立图像模板库;
其中,所述图像模板库包括每头奶牛的背部、侧部和后部的图像,以每头奶牛的标识号及相应身体部位名称作为每幅图像的标识。
图6示出了本发明奶牛识别系统的工作原理图。在实际应用中,图像获取单元包括3个高清红外摄像头和红外传感器控制设备,其中,高清红外摄像头安装在挤奶厅过道中段的识别区内,红外传感器控制设备设置在挤奶厅过道的预设位置。3个高清红外摄像头分别采集待识别奶牛的背部、侧部和后部的图像,当待识别奶牛的前蹄触发红外传感器时,通过红外传感器触动高清红外摄像头摄像,采集奶牛实时图像。
本实施例的奶牛识别系统,增大了奶牛识别的范围,且不需要在奶牛身体上安装电子标签,适应性强,受外界环境状况影响小,对提高奶牛福利、实现奶牛养殖智能化管理发挥有利作用。
本发明提出的奶牛识别方法及系统,解决了现有奶牛识别技术识别范围小的问题,实时获取奶牛图像,并将实时图像与图像模板库中图像进行匹配,增大了奶牛识别的范围,且不需在奶牛身体上安装电子标签。
虽然结合附图描述了本发明的实施方式,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (5)
1.一种奶牛识别方法,其特征在于,包括:
获取待识别奶牛的实时图像;
将所述实时图像与预先建立的图像模板库中图像进行匹配,获取所述图像模板库中与所述实时图像匹配的匹配图像;
根据所述匹配图像的标识确定所述待识别奶牛的标识号;
其中,所述获取待识别奶牛的实时图像,包括:
分别获取所述待识别奶牛的背部、侧部和后部的图像;
其中,在所述获取待识别奶牛的实时图像之前,所述方法还包括:
建立图像模板库;
其中,所述建立图像模板库包括:
获取预设范围内每头奶牛的背部、侧部和后部的图像,以每头奶牛的标识号及相应身体部位名称作为获取的图像的标识;
将带有标识的图像存入数据库中,得到图像模板库;
其中,所述将所述实时图像与预先建立的图像模板库中图像进行匹配,获取所述图像模板库中与所述实时图像匹配的匹配图像,包括:
利用感知哈希算法从图像模板库中选出3幅与所述实时图像相似的图像;
判断3幅相似模板图像是否对应不同的奶牛,如果所述3幅相似模板图像对应不同的奶牛则利用图像尺度不变特征变换算法确定所述3幅相似模板图像中的一幅图像为所述匹配图像,如果所述3幅相似模板图像对应相同的奶牛则确定所述3幅相似模板图像的任意一幅为所述匹配图像。
2.根据权利要求1所述的奶牛识别方法,其特征在于,所述图像尺度不变特征转换算法包括:
分别提取所述实时图像与所述3幅相似模板图像中的特征点;
分别计算所述3幅相似模板图像中的特征点与相应身体部位的实时图像中的特征点匹配的个数,所述3幅相似模板图像中的特征点与所述实时图像中的特征点匹配个数最多的相似模板图像为与所述实时图像匹配的匹配图像。
3.根据权利要求2所述的奶牛识别方法,其特征在于,所述分别提取所述实时图像与所述3幅相似模板图像中的特征点包括:
建立尺度空间,检测特征点;
精确定位所述特征点;
为所述特征点指定方向参数;
生成特征点的描述子。
4.根据权利要求1所述的奶牛识别方法,其特征在于,在所述将所述实时图像与预先建立的图像模板库中图像进行匹配之前,所述方法还包括:
对所述实时图像进行预处理;
其中,所述预处理包括对所述实时图像进行前背景分割、图像灰度化、图像增强和图像去噪。
5.一种奶牛识别系统,其特征在于,包括图像获取单元、图像识别单元和标识号确定单元;
所述图像获取单元,用于获取待识别奶牛的实时图像;
所述图像识别单元,用于将所述实时图像与预先建立的图像模板库中图像进行匹配,获取所述图像模板库中与所述实时图像匹配的匹配图像;
所述标识号确定单元,用于根据所述匹配图像的标识号确定所述待识别奶牛的标识号;
其中,所述图像获取单元用于分别获取所述待识别奶牛的背部、侧部和后部的图像;
其中,所述系统还包括图像模板库建立单元;
所述图像模板库建立单元用于建立图像模板库;
其中,所述图像模板库包括每头奶牛的背部、侧部和后部的图像,以每头奶牛的标识号及相应身体部位名称作为每幅图像的标识;
其中,所述图像识别单元,具体用于:
利用感知哈希算法从图像模板库中选出3幅与所述实时图像相似的图像;
判断3幅相似模板图像是否对应不同的奶牛,如果所述3幅相似模板图像对应不同的奶牛则利用图像尺度不变特征变换算法确定所述3幅相似模板图像中的一幅图像为所述匹配图像,如果所述3幅相似模板图像对应相同的奶牛则确定所述3幅相似模板图像的任意一幅为所述匹配图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510605219.9A CN105260750B (zh) | 2015-09-21 | 2015-09-21 | 一种奶牛识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510605219.9A CN105260750B (zh) | 2015-09-21 | 2015-09-21 | 一种奶牛识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105260750A CN105260750A (zh) | 2016-01-20 |
CN105260750B true CN105260750B (zh) | 2018-09-11 |
Family
ID=55100431
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510605219.9A Active CN105260750B (zh) | 2015-09-21 | 2015-09-21 | 一种奶牛识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105260750B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105784083B (zh) * | 2016-04-05 | 2018-05-18 | 北京农业信息技术研究中心 | 基于立体视觉技术的奶牛体型测量方法和系统 |
CN108287833A (zh) * | 2017-01-09 | 2018-07-17 | 北京艺鉴通科技有限公司 | 一种用于艺术品鉴定的以图搜图方法 |
CN108288012B (zh) * | 2017-01-09 | 2022-03-08 | 北京新知堂教育科技开发有限公司 | 一种基于手机实现的艺术品备案验证方法及其系统 |
CN106960216A (zh) * | 2017-02-24 | 2017-07-18 | 北京农业智能装备技术研究中心 | 一种农机作业机具类型的识别方法和装置 |
CN107644214A (zh) * | 2017-09-27 | 2018-01-30 | 广州市万表科技股份有限公司 | 一种手上佩戴物品试戴方法和系统 |
CN108052971A (zh) * | 2017-12-11 | 2018-05-18 | 奕响(大连)科技有限公司 | 一种基于hog改进的图片相似判定方法 |
CN108764045B (zh) * | 2018-04-26 | 2019-11-26 | 平安科技(深圳)有限公司 | 牲畜识别方法、装置及存储介质 |
CN110070521A (zh) * | 2019-03-19 | 2019-07-30 | 广东工业大学 | 一种基于视觉神经学习的3d打印模型瑕疵预判系统及方法 |
CN112189588B (zh) * | 2020-10-10 | 2022-04-05 | 东北农业大学 | 一种奶牛图像信息收集处理方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8249354B2 (en) * | 2007-12-27 | 2012-08-21 | Hong Fu Jin Precision Industry (Shenzhen) Co., Ltd. | System and method for finding edge points of an object |
CN103473551A (zh) * | 2013-09-16 | 2013-12-25 | 中国传媒大学 | 基于sift算子的台标识别方法及系统 |
CN103996046A (zh) * | 2014-06-11 | 2014-08-20 | 北京邮电大学 | 基于多视觉特征融合的人员识别方法 |
CN104969237A (zh) * | 2012-12-07 | 2015-10-07 | 隆沙有限公司 | 匹配采集到的可视数据的特征 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102201061B (zh) * | 2011-06-24 | 2012-10-31 | 常州锐驰电子科技有限公司 | 基于多阶层过滤人脸识别的智能安全监控系统及方法 |
CN103077512B (zh) * | 2012-10-18 | 2015-09-09 | 北京工业大学 | 基于主成分析的数字图像的特征提取与匹配方法 |
WO2015132548A1 (en) * | 2014-03-07 | 2015-09-11 | Fractograf, LLC | Method and apparatus for generating interactive photo mosaic images |
CN104182973A (zh) * | 2014-08-11 | 2014-12-03 | 福州大学 | 基于圆形描述算子csift的图像复制粘贴检测方法 |
-
2015
- 2015-09-21 CN CN201510605219.9A patent/CN105260750B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8249354B2 (en) * | 2007-12-27 | 2012-08-21 | Hong Fu Jin Precision Industry (Shenzhen) Co., Ltd. | System and method for finding edge points of an object |
CN104969237A (zh) * | 2012-12-07 | 2015-10-07 | 隆沙有限公司 | 匹配采集到的可视数据的特征 |
CN103473551A (zh) * | 2013-09-16 | 2013-12-25 | 中国传媒大学 | 基于sift算子的台标识别方法及系统 |
CN103996046A (zh) * | 2014-06-11 | 2014-08-20 | 北京邮电大学 | 基于多视觉特征融合的人员识别方法 |
Non-Patent Citations (2)
Title |
---|
A traceability system for beef products based on radio frequency identification technology in China;Chuanheng Sun等;《New Zealand Journal of Agricultural Research》;20071231;第1268-1275页 * |
一种改进的基于区域生长的彩色图像分割方法;刘俊等;《计算机应用与软件》;20121130;第288-291页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105260750A (zh) | 2016-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105260750B (zh) | 一种奶牛识别方法及系统 | |
US8379920B2 (en) | Real-time clothing recognition in surveillance videos | |
EP3499414B1 (en) | Lightweight 3d vision camera with intelligent segmentation engine for machine vision and auto identification | |
CN105740780B (zh) | 人脸活体检测的方法和装置 | |
CN108985170A (zh) | 基于三帧差分法及深度学习的输电线路悬挂物识别方法 | |
CN108335331A (zh) | 一种钢卷双目视觉定位方法及设备 | |
CN108764159A (zh) | 小样本条件下的动物面部识别方法和系统 | |
CN111582126A (zh) | 基于多尺度行人轮廓分割融合的行人重识别方法 | |
CN109063669B (zh) | 一种基于图像识别的桥区船舶航行态势分析方法及装置 | |
CN108830222A (zh) | 一种基于信息性和代表性主动学习的微表情识别方法 | |
Ahmad et al. | AI-Driven livestock identification and insurance management system | |
CN111105427A (zh) | 一种基于连通区域分析的肺部图像分割方法及系统 | |
CN117275080B (zh) | 基于计算机视觉的眼部状态识别方法及系统 | |
CN107729863B (zh) | 人体指静脉识别方法 | |
CN117558068A (zh) | 基于多源数据融合的智能设备手势识别方法 | |
CN111079617B (zh) | 家禽识别方法、装置、可读存储介质及电子设备 | |
CN111199228B (zh) | 一种车牌定位的方法及装置 | |
CN109509194B (zh) | 一种复杂背景下正面人体图像分割方法及装置 | |
CN109635692B (zh) | 基于超声波传感器的场景再识别方法 | |
US10115195B2 (en) | Method and apparatus for processing block to be processed of urine sediment image | |
CN114743224B (zh) | 一种基于计算机视觉的畜牧业家畜体温监控方法与系统 | |
CN114926635A (zh) | 与深度学习方法相结合的多焦图像中目标分割方法 | |
CN114758356A (zh) | 一种基于局部不变特征的牛唇纹识别方法及系统 | |
CN113743368A (zh) | 一种行为监测方法、装置、存储介质及电子设备 | |
CN113221704A (zh) | 基于深度学习的动物姿态识别方法、系统及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |