CN107330472A - 一种无标记模式动物个体的自动识别方法 - Google Patents
一种无标记模式动物个体的自动识别方法 Download PDFInfo
- Publication number
- CN107330472A CN107330472A CN201710544932.6A CN201710544932A CN107330472A CN 107330472 A CN107330472 A CN 107330472A CN 201710544932 A CN201710544932 A CN 201710544932A CN 107330472 A CN107330472 A CN 107330472A
- Authority
- CN
- China
- Prior art keywords
- image
- animal
- target
- model animal
- individual
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种无标记模式动物个体的自动识别方法。该方法的特点是预先获得适用于提取方向梯度直方图(Histogram of Oriented Gradient,HOG)特征的无标记模式动物图像样本,进而建立模式动物个体图像分类器,最终实现模式动物个体的自动识别。该方法包括:采集模式动物运动图像序列,建立图像序列背景模型;在图像序列中提取包含模式动物的图像感兴趣区域,通过图像处理形成图像样本;针对多个模式动物的图像样本建立视觉分类器;利用分类器对模式动物进行个体识别。该方法无需对模式动物进行生物标记,且具有适用于多种模式生物、特征稳定、识别正确率高等优点。
Description
技术领域
本发明属于动物个体识别技术领域,一种无标记模式动物个体的自动识别方法。
背景技术
个体动物的行为通过群体交互影响到整个生态圈,准确、快速地识别动物个体并收集其行为学数据对于生态系统的机理分析与预测理解至关重要。除人工识别外,目前动物个体识别大都需要对动物个体进行标记,如加环、染料标记、微电子芯片皮下掩埋等等。此类生物标记提供了动物个体的轨迹、生活情况等信息,实现了行为学信息的远程重建。然而,动物个体标记有其局限性,当动物体型过小不易进行生物标记,如多种模式生物,如斑马鱼、果蝇等,或者标记自身会影响到动物的行为,则无法使用。
近年来,基于图像的识别方法越来越多的用于动物个体识别,此类技术无需标记、适用范围广泛,且可观察到图像拍摄区域所有信息,越来越受到研究者的重视。基于图像的识别方法通常与视觉跟踪技术相结合,当动物个体在图像中出现频繁交叉后,很容易出现轨迹关联错误,导致识别出错。Alfonso Pérez-Escudero等人在2014年提出了一种基于模式动物背部纹理特征识别动物个体的方法,文中指出,动物背部纹理类似于人类的指纹,可作为生物的唯一性标志。文中将动物图像变换到与颜色相关的三维空间,用于动物个体识别,该方法在动物跟踪领域取得了很好的效果。然而,该方法对样本的质量和数量提出了较高的要求,且处理速度较慢,识别成功率达不到预期,无法实际使用,因此设计一种速度快、识别成功率高、适用于不同种类的无标记模式动物的个体自动识别方法是十分必要的。
发明内容
本发明目的是解决现有动物个体识别方法或需要标记,或速度慢、准确率低等问题,提供一种无标记模式动物个体的自动识别方法,通过图像处理与分析等手段,高速、准确地识别模式动物个体,用于生命科学中的模式动物识别、行为学分析等。
本发明提供了一种无标记模式动物个体的自动识别方法,所述方法特别在于获取适用于提取方向梯度直方图(Histogram ofOriented Gradient,HOG)特征的图像样本,进而使用HOG特征和支持向量机(SupportVector Machine,SVM)建立模式动物个体图像分类器,最终利用该分类器实现了模式动物个体的自动识别。
所述方法具体包括以下步骤:
1)采集模式动物运动图像序列,建立图像序列背景模型。具体操作:
循环读取采集到的模式动物运动图像序列,对一段时间的背景进行统计,静态建模,将得到的均值统计作为背景。
2)在图像序列中提取包含模式动物的图像感兴趣区域,通过图像处理形成图像样本。具体操作:
制定目标图像灰度阈值和面积阈值,采用背景减除算法提取包含模式动物的图像感兴趣区域,椭圆拟合获取目标相关信息,根据倾斜角度将获得的目标旋转到正右方,并截取右侧头部部分图像,将图像缩放到指定的尺度大小作为图像样本。
3)针对多个模式动物的图像样本建立SVM分类器。具体操作:
采用HOG算法处理目标图像样本,提取目标图像样本HOG特征,对目标特征进行SVM训练,即得到SVM分类器。
4)利用SVM分类器对模式动物进行个体识别。具体操作:
将待识别的目标图像序列进行上述处理,获得待识别目标的HOG特征,输入到已经训练好的SVM分类器中,对其进行分析处理,得到每幅目标图像被判别为每一类样本的概率,由此达到个体识别的目的。
本发明的优点和积极效果:
本发明实现了一种无标记模式动物个体的自动识别方法。
1)与以往各类模式动物自动识别方法相比,本方法无需对模式动物进行生物标记,自动识别模式动物背部纹理作为唯一性特征,一定程度上解决人工作业问题,简单,适用性强;
2)本方法通过图像处理的方式提取模式动物背部纹理,,可用于多种模式动物个体识别,适用范围广泛。在良好光照下获取清晰的模式动物背部纹理即可实现对目标个体的识别;
3)本方法将模式动物背部纹理特征与机器学习分类算法相结合,识别正确率高,且获取特征稳定,为进行后续的动物行为学分析和生态研究打下坚实的基础
附图说明
图1为实验流程框图。
图2为获取模式动物图像样本的流程示意图。
具体实施方式
实施例1
本发明提供的无标记模式动物个体的自动识别方法可用于多种模式动物个体的自动识别,具体实施情况如下:
1、采集模式动物运动图像序列,建立图像序列背景模型。循环读取采集到的模式动物运动图像序列,对一段时间的背景进行统计,均值建模,将得到的均值统计作为背景。其中,为解决光斑和波纹的影响,将当前视频帧中灰度值>(平均背景灰度值+阈值)的部分的灰度值赋为(背景灰度平均值+阈值),较好解决光照不均匀问题。
2、在图像序列中提取包含模式动物的图像感兴趣区域,通过图像处理形成图像样本。根据样本拍摄情况制定目标图像灰度阈值和面积阈值,采用背景减除算法提取包含模式动物的图像感兴趣区域,椭圆拟合获取目标相关信息,譬如运动倾斜角度,目标外接矩形边长等;根据倾斜角度将获得的目标旋转到正右方,并截取右侧头部部分。其中,根据目标外接矩形长宽比阈值,剔除可能对识别造成影响的目标动物身体发生明显弯曲的情况。采用尺度缩放方法将系列图像样本缩放到指定的尺度大小,保证获取到的HOG特征维数一致性。
3、将上述多个模式动物只含头部区域的图像样本建立SVM分类器。采用HOG算法处理目标图像样本,遍历输出可标识模式动物的HOG特征,通过SVM算法对所得特征进行处理参数寻优,确定适用于该动物个体识别的SVM分类器参数。在此参数基础上,对目标特征进行训练,求取特征空间上间隔最大的线性分类器,即得到SVM分类器。
4、利用训练好的SVM分类器对模式动物进行个体识别。采集待识别的目标运动图像序列,进行相同的上述处理,如此获得待识别目标的HOG特征,输入到已经训练好的SVM分类器中,对其进行分析处理,得到每个目标分别被判别为每一类样本的概率,选取其中最大分类概率确定为该目标分类类别,由此达到个体识别的目的。
验证实验一:
斑马鱼个体识别实验
采用斑马鱼进行实验,用分辨率为1280*960的工业相机进行运动图像样本采集,镜头焦距8mm,。斑马鱼实验目标个数为30条。
将30条斑马鱼分别单独培养,确保目标的身份明确,与算法得到的分类结果进行对比,统计目标识别的正确率。将前1000帧作为训练样本,后500帧作为测试样本,进行目标识别,其中30条鱼均能被正确识别,测试目标的正确识别率为100%,测试图像的平均正确分类率为86.7%。具体结果如表1。
表1
验证实验二:
老鼠个体识别实验
采用小黑鼠进行实验,用分辨率为659*494的工业相机进行运动图像样本采集,镜头焦距为5mm。实验目标个数为3只。
分别采集单只小黑鼠运动图像样本,将前1000帧作为训练样本,后500帧作为测试样本,进行目标识别,其中3只均能被正确识别,测试目标的正确识别率为100%,测试图像的平均正确分类率为73.63%。具体结果如表2。
表2
验证实验三:
果蝇个体识别实验
采用果蝇进行实验,用分辨率为2592*1944的工业相机进行运动图像样本采集,实验目标个数为3只。
将果蝇翅膀减去,方便进行图像样本采集。分别采集单只果蝇图像样本,将前1000帧作为训练样本,后500帧作为测试样本,进行目标识别,其中3只均能被正确识别,测试目标的正确识别率为100%,测试图像的平均正确分类率为91%。具体结果如表3。
表3
以上实施方式仅用于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况,还可以做出各种变化,因此所有的等同的技术方案也属于本发明的范畴,本发明的专利保护范围应由其权利要求限定。
Claims (5)
1.一种无标记模式动物个体的自动识别方法,其特征在于该方法包括:
1)采集模式动物运动图像序列,建立图像序列背景模型;
2)在图像序列中提取包含模式动物的图像感兴趣区域,通过图像处理形成图像样本;
3)针对多个模式动物的图像样本建立视觉分类器;
4)利用视觉分类器对模式动物进行个体识别。
2.根据权利要求1所述的方法,其特征在于:
步骤1)中,循环读取采集到的模式动物图像序列,对一段时间序列图像进行静态建模,选取统计均值作为背景;选择适应性背景阈值,解决光照不均匀导致的光斑问题。
3.根据权利要求1所述的方法,其特征在于:
步骤2)中,根据样本拍摄情况制定目标图像灰度阈值和面积阈值,采用背景减除算法提取包含模式动物的图像感兴趣区域,椭圆拟合获取目标相关信息;同时根据目标躯体倾斜角度将其旋转到正右方,并截取运动过程中不易发生变形的刚性躯体部分;用尺度缩放方法将系列图像样本缩放到指定的尺度大小,保证获取到的HOG特征维数一致性。
4.根据权利要求1所述的方法,其特征在于:
步骤3)中,采用HOG算法处理目标图像样本,遍历输出可标识模式动物的HOG特征,通过SVM算法对所得特征进行处理参数寻优,确定适用于该动物个体识别的SVM分类器参数;在此参数基础上,对目标特征进行训练,求取特征空间上间隔最大的线性分类器,即得到SVM分类器。
5.根据权利要求1所述的方法,其特征在于:
步骤4)中,采集待识别的目标运动图像序列,获得待识别目标的HOG特征,输入到已经训练好的SVM分类器中,对其进行分析处理,得到每个目标分别被判别为每一类样本的概率,选取其中最大分类概率确定为该目标分类类别,由此达到个体识别的目的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710544932.6A CN107330472A (zh) | 2017-07-06 | 2017-07-06 | 一种无标记模式动物个体的自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710544932.6A CN107330472A (zh) | 2017-07-06 | 2017-07-06 | 一种无标记模式动物个体的自动识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107330472A true CN107330472A (zh) | 2017-11-07 |
Family
ID=60195827
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710544932.6A Pending CN107330472A (zh) | 2017-07-06 | 2017-07-06 | 一种无标记模式动物个体的自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107330472A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110456831A (zh) * | 2019-08-16 | 2019-11-15 | 南开大学 | 一种基于主动视觉的小鼠接触行为追踪平台 |
CN110826581A (zh) * | 2018-08-10 | 2020-02-21 | 京东数字科技控股有限公司 | 一种动物数量识别方法、装置、介质及电子设备 |
CN112425159A (zh) * | 2018-06-18 | 2021-02-26 | 拉姆西尔涂料公司 | 用于鉴别动物的设备 |
CN114220120A (zh) * | 2021-12-01 | 2022-03-22 | 中林信达(北京)科技信息有限责任公司 | 一种东北虎个体识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202976212U (zh) * | 2012-03-21 | 2013-06-05 | 东北大学 | 一种基于fpga的背景差分法目标检测跟踪系统 |
CN104298989A (zh) * | 2014-08-20 | 2015-01-21 | 深圳大学 | 基于斑马线红外图像特征的鉴伪方法及其系统 |
CN104657712A (zh) * | 2015-02-09 | 2015-05-27 | 惠州学院 | 一种监控视频中蒙面人检测方法 |
-
2017
- 2017-07-06 CN CN201710544932.6A patent/CN107330472A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202976212U (zh) * | 2012-03-21 | 2013-06-05 | 东北大学 | 一种基于fpga的背景差分法目标检测跟踪系统 |
CN104298989A (zh) * | 2014-08-20 | 2015-01-21 | 深圳大学 | 基于斑马线红外图像特征的鉴伪方法及其系统 |
CN104657712A (zh) * | 2015-02-09 | 2015-05-27 | 惠州学院 | 一种监控视频中蒙面人检测方法 |
Non-Patent Citations (1)
Title |
---|
ALFONSO PÉREZ-ESCUDERO等: "idTracker: tracking individuals in a group by automatic identification of unmarked animals", 《NATURE METHODS》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112425159A (zh) * | 2018-06-18 | 2021-02-26 | 拉姆西尔涂料公司 | 用于鉴别动物的设备 |
CN110826581A (zh) * | 2018-08-10 | 2020-02-21 | 京东数字科技控股有限公司 | 一种动物数量识别方法、装置、介质及电子设备 |
CN110826581B (zh) * | 2018-08-10 | 2023-11-07 | 京东科技控股股份有限公司 | 一种动物数量识别方法、装置、介质及电子设备 |
CN110456831A (zh) * | 2019-08-16 | 2019-11-15 | 南开大学 | 一种基于主动视觉的小鼠接触行为追踪平台 |
CN110456831B (zh) * | 2019-08-16 | 2022-06-14 | 南开大学 | 一种基于主动视觉的小鼠接触行为追踪平台 |
CN114220120A (zh) * | 2021-12-01 | 2022-03-22 | 中林信达(北京)科技信息有限责任公司 | 一种东北虎个体识别方法 |
CN114220120B (zh) * | 2021-12-01 | 2024-07-19 | 中林信达(北京)科技信息有限责任公司 | 一种东北虎个体识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | Transferring deep knowledge for object recognition in low-quality underwater videos | |
Faillettaz et al. | Imperfect automatic image classification successfully describes plankton distribution patterns | |
Ma et al. | A state-of-the-art survey of object detection techniques in microorganism image analysis: from classical methods to deep learning approaches | |
US10565429B2 (en) | Image analysis system using context features | |
Guijarro et al. | Discrete wavelets transform for improving greenness image segmentation in agricultural images | |
Hu et al. | Automatic plankton image recognition with co-occurrence matrices and support vector machine | |
CN107330472A (zh) | 一种无标记模式动物个体的自动识别方法 | |
Leow et al. | Automated identification of copepods using digital image processing and artificial neural network | |
CN107330403B (zh) | 一种基于视频数据的牦牛计数方法 | |
Cisar et al. | Computer vision based individual fish identification using skin dot pattern | |
CN104751475B (zh) | 一种面向静态图像对象识别的特征点优选匹配方法 | |
CN103177266A (zh) | 储藏物害虫智能识别系统 | |
Khan et al. | Comparitive study of tree counting algorithms in dense and sparse vegetative regions | |
Crescitelli et al. | NorFisk: fish image dataset from Norwegian fish farms for species recognition using deep neural networks | |
Liu et al. | Recognition of pyralidae insects using intelligent monitoring autonomous robot vehicle in natural farm scene | |
Bergler et al. | FIN-PRINT a fully-automated multi-stage deep-learning-based framework for the individual recognition of killer whales | |
Shan et al. | Automated red tide algae recognition by the color microscopic image | |
Farhood et al. | Recent advances of image processing techniques in agriculture | |
Gan et al. | High‐speed identification system for fresh tea leaves based on phenotypic characteristics utilizing an improved genetic algorithm | |
Prasenan et al. | Fish species classification using a collaborative technique of firefly algorithm and neural network | |
Miranda et al. | Pest identification using image processing techniques in detecting image pattern through neural network | |
CN113627255B (zh) | 一种小鼠行为量化分析方法、装置、设备及可读存储介质 | |
CN112464742B (zh) | 赤潮图像自动识别的方法及装置 | |
Rao et al. | Convolutional Neural Network Model for Traffic Sign Recognition | |
CN114758356A (zh) | 一种基于局部不变特征的牛唇纹识别方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171107 |