CN107437068B - 基于Gabor方向直方图和猪体毛发模式的猪个体识别方法 - Google Patents
基于Gabor方向直方图和猪体毛发模式的猪个体识别方法 Download PDFInfo
- Publication number
- CN107437068B CN107437068B CN201710569030.8A CN201710569030A CN107437068B CN 107437068 B CN107437068 B CN 107437068B CN 201710569030 A CN201710569030 A CN 201710569030A CN 107437068 B CN107437068 B CN 107437068B
- Authority
- CN
- China
- Prior art keywords
- pig
- gabor
- histogram
- pigs
- contour
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 241000282887 Suidae Species 0.000 claims abstract description 42
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 230000011218 segmentation Effects 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 6
- 238000001914 filtration Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 7
- 238000005286 illumination Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 238000000691 measurement method Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000009395 breeding Methods 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000011160 research Methods 0.000 abstract description 3
- 230000001488 breeding effect Effects 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 8
- 210000001624 hip Anatomy 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000011731 head segmentation Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 240000005546 Piper methysticum Species 0.000 description 1
- 235000016787 Piper methysticum Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于Gabor方向直方图和猪体毛发模式的猪个体识别方法。首先利用一种基于自适应分割和多阈值分割的目标提取方法提取每张图片中的多个猪只目标。在提取出完整的猪只目标后,利用猪体关键点检测算法在猪只轮廓中提取稳定的特征区域,并对其进行网格划分。然后在选定特征区域上的每个网格中使用Gabor滤波器计算毛发模式方向场,并在每个网格中利用方向场信息计算出Gabor方向直方图。最后利用卡方距离衡量不同Gabor方向直方图之间的差异性并与数据库中的猪只进行匹配,达到猪个体身份识别的目的。该项研究为无应激的猪个体识别提供了一种新思路,也为进一步探索群养猪个体行为分析提供了一定的技术支持。
Description
技术领域
本发明涉及机器视觉技术与模式识别技术,具体涉及一种俯视状态下群养猪监控视频中猪个体识别方法。
背景技术
随着规模养猪业和计算机技术的发展,探讨基于机器视觉的俯视群养猪视频序列中的猪个体行为分析等已经越来越受到国内外学者的关注。其中难度最大而又关键的问题是在运动过程中猪个体的识别,目前广泛使用的方法是耳标RFID,利用机器视觉技术对规模养猪场群养猪个体识别的研究少有相关文献报道。本发明给出一种基于Gabor方向直方图和毛发模式特征的俯视群养猪个体识别方法,为将来进一步分析猪只个体行为等奠定了坚实基础。
发明内容
本发明的目的是对俯视状态下群养猪监控视频中的猪个体进行身份识别,为此提出一种基于Gabor方向直方图和毛发模式特征的俯视群养猪个体识别方法。
本发明采用的技术方案是:基于Gabor方向直方图和猪体毛发模式的猪个体识别方法,包括以下步骤:
(1)俯视群养猪视频采集与图像预处理,主要包括猪个体目标的提取和特征区域的划分;(2)猪体毛发模式特征的计算,利用Gabor滤波器进行多尺度多方向滤波,提取其零直流分量计算毛发模式方向场,再利用方向场信息计算Gabor方向直方图;(3)建立样本库,利用上述步骤(1)和步骤(2)中的预处理和特征提取方法,对样本图像进行处理,计算出所有样本图像中样本目标的Gabor方向直方图并保存到样本库中;(4)利用卡方距离测度方法计算测试样本目标的Gabor方向直方图与样本库中样本目标的Gabor方向直方图的距离,衡量它们之间的差异性,从而识别出待识别的目标。
进一步,所述步骤(1)中俯视群养猪视频采集具体包括:改建实验用猪舍,在猪舍正上方安装拍摄俯视视频的图像采集系统,获取俯视群养猪彩色视频片段,并选取符合条件的视频帧,具体的条件是猪个体之间无粘连和遮挡、没有猪只躺卧。
进一步,所述步骤(1)中图像预处理操作具体如下:
利用局部直方图均衡化和中值滤波进行图像增强;利用二次分割方法提取猪个体目标,利用猪体轮廓关键点算法找到猪体轮廓臀宽和肩宽,并以此为依据划分臀部和肩部两个稳定特征区域;最后利用对特征区域进行网格划分,通过试验确定了将每个特征区域划分为多个正方形网格。
进一步,所述步骤(2)中利用Gabor滤波器进行滤波的具体方法是先通过试验确定Gabor滤波器方向参数K和尺度参数M,这里设置为K=16,M=2;然后对特征区域的毛发图片进行滤波,得到滤波结果。
进一步,所述步骤(2)中毛发模式方向场的具体计算方法是采用滤波响应的零直流部分,提高特征对光照变化的鲁棒性,然后将每个像素的滤波响应量化到16个方向中的一个,反映着毛发的方向信息。
进一步,所述步骤(2)中Gabor方向直方图的具体计算方法是在每个网格中,统计像素的方向场信息并以直方图的形式进行表示,由于不同猪只的网格大小是不一样的,直方图必须被进一步归一化处理。
进一步,所述步骤(3)中样本库的建立具体操作如下:
1)样本图像的选取,本发明共选取了800帧满足条件的样本图像建立样本库,这800帧图像采集自同一个猪圈,每个猪圈7只猪,即7个待识别目标,选取规则是猪个体之间无粘连和遮挡、没有猪只躺卧;
2)图像预处理,预处理部分主要包括前文描述的图像增强,目标分割,特征区域划分和网格划分几个步骤,每只猪的特征区域均被划分为64个网格;
3)Gabor方向直方图特征提取,利用Gabor滤波器滤波响应的零直流部分计算出毛发模式方向场,并在每个网格中利用方向场信息计算出Gabor方向直方图,最后每个目标的64个归一化的Gabor方向直方图被保存在样本库中,建成样本库。
进一步,所述步骤(4)中识别出待识别的目标的具体方法是利用卡方距离计算测试图片目标的每个网格的Gabor方向直方图与样本库中样本目标的对应网格的Gabor方向直方图之间的距离,卡方距离X∈[0,1],X离越小,两个直方图之间的卡方距离越小,表明特征越相似,卡方距离最小的目标即为识别目标。
本发明的有益效果是:
传统人工观察识别猪个体的方式费时费力,且影响猪只的健康。耳标RFID方式虽然无需人工实时观察,但是也会一定程度上干扰猪只正常生长。通过机器视觉技术无应激对猪个体进行识别,即便于饲养员观察猪只活动,减少人为活动对猪只的干扰,又能提前发现猪只异常行为,减少疾病对养猪场的损失,对提高我国大型生猪养殖场的经济效益和竞争力具有深远的意义。
附图说明
下面结合附图和具体实施方式对本发明做进一步详细说明:
图1是猪个体识别流程图。
图2是本发明样本建立的过程图。
图3是猪体轮廓关键点示意图。
图4是头部分割点搜索示意图。
图5是矩形特征区域划分示意图。
图6是特征区域的网格划分示意图;(a)为肩部区域;(b)为臀部区域。
图7是毛发模式方向场的计算示意图。
具体实施方式
下面结合图1猪个体识别流程图和图2样本建立的过程图,进一步说明具体涉及的各部分具体实施方式。图1中,图像预处理的目的一是为了增强图片质量,完整的提取各个猪个体目标,二是为了找到稳定的特征区域,为后面的毛发模式特征提取做准备;特征提取包含Gabor滤波器滤波,毛发模式方向场的计算和Gabor方向直方图的计算;目标识别包括卡方距离计算和目标匹配。图2是本发明样本建立的过程图,主要介绍了本发明样本库的建立过程。
步骤1:采集俯视状态下的群养猪视频序列,从采集的视频中选取合适的样本帧,进行一系列的图像预处理操作,主要包括图像增强,目标提取,稳定特征区域的划分和网格划分。
(1)采集俯视状态下的群养猪视频序列,从采集的视频中选取合适的样本帧。
具体方法是在白天自然光照的情况下采用POINT GREY公司的FL-U3-88S2C-C(SonyCMOS)监控设备,在离地面3米的猪舍正上方俯视采集视频。猪场中每个猪圈中饲养生猪7头,实验设备分两天从上午10点到下午3点,共在同一猪圈采集了10小时的视频材料,采集视频的分辨率为1760×1840像素。在采集到足够视频材料后从视频中总共选择满足条件的1000帧图片用于实验,其中800帧用于建立样本库,200帧作为测试样本,具体选择条件是猪个体之间无粘连和遮挡、没有猪只躺卧。
(2)局部直方图均衡化和中值滤波图像增强操作。
考虑到大型养猪场采用集中饲养、封闭管理,从这些猪场中采集图像的亮度通常较弱,而且光照分布并不均匀,在目标提取之前需要对片进行一些图像增强操作。具体做法是先通过局部直方图均衡化提高图片的对比度,消除光照分布不均匀造成的图片局部过亮或过暗现象,得到具有较大的灰度动态范围的图片。然后利用中值滤波消除图像中的孤立噪声点(比如椒盐噪声),同时能够很好的保护图像的细节信息。
(3)猪个体目标提取,在群养猪图片中完整的提取所有猪个体目标。
具体做法是首先利用全局阈值分割方法对图像进行粗分割,初步提取所有的目标;然后利用粗分割后每个子块的质心,计算分块圆的半径,并将原始帧自适应的分割为多个子块,再对每个子块进行二次分割。两次分割均采用最大熵法,图像的灰度级分布范围为[0,a]。首先,计算出图像中的所有像素的分布概率。其次,确定初始阈值将图像分为两类C1和C2,分别计算两个类的平均相对熵。如果图像根据一定的阈值被分为C1和C2两类,以及由此产生的熵满足{E1+E2}最大,那么这个阈值为最优阈值。熵E1和E2的计算公式如下:
(4)选择稳定的特征区域并对特征区域进一步进行网格划分。
1)稳定的特征区域对下文的Gabor方向直方图提取至关重要。观察视频材料发现猪只头尾属于活动较为频繁的部位,分割去除头尾有助于保证轮廓质心的稳定,提高本发明中特征区域的稳定性。图3中,a、b为头部分割点,c、d为尾部分割点,下面以头部分割点a点的搜索为例进行算法的说明。
图4中的坐标系参照图3中的坐标系,首先是获取猪只的包络线,在猪体轮廓上找到一个面积最小且能包络整个轮廓的凸多边形,如图4中的虚线所示。然后是找到头部分割点a,M点和N点均为猪体头部包络线与其轮廓线的交点,该范围内轮廓线的上各点到线段MN的距离d可以由式(3)计算:
式(3)中ax+by+c=0为包络线段MN的直线方程,(x,y)为MN之间轮廓线上的任意一点,从M点开始沿着轮廓线在M点和N点之间计算各点(x,y)到线段MN的距离d,求得最大距离d对应的轮廓点就是所求的头部分割点a。用类似的方法,可以求得其它分割点。在计算出所有分割点后,我们利用这些分割点去除头尾,再计算出躯干轮廓质心点O(x0,y0)。
式(4)和式(5)中,Nb为边缘点总数,(xi,yi)为某一边缘点。计算出质心点后,再找到猪体轮廓后半段垂直于猪体中线OL的最大体宽距离AA′(臀宽)和猪体轮廓前半段垂直于猪体中线OH的最大体宽距离BB′(肩宽),如图6所示。以臀宽AA′和肩宽BB′作为矩形的长中轴,分别作出两个长宽比为2:1的矩形区域作为本发明的特征提取区域。
2)网格划分有助于本发明充分利用毛发模式特征的位置信息。在固定的网格这一较小区域中计算Gabor方向直方图既能较好的利用毛发的位置信息,也对特征区域进行了约束。即使图像无法完全对齐,也仅会影响轮廓边缘部分的少量网格区域。图6显示了前文预处理后的图像进行网格划分的结果,图6中矩形特征区域的长中轴即为图5中AA′和BB′,肩部区域和臀部区域均为长宽比为2:1的矩形,我们将每个特征区域划分为了8行、4列的正方形网格,每个特征区域为32个网格,每只猪总共64个网格。
步骤2:利用Gabor滤波器提取毛发模式特征,计算Gabor方向直方图。
(1)Gabor滤波器滤波,本发明的Gabor方向直方图特征提取算法利用Gabor滤波器的实部,捕获方向信息和尺度变化,如下定义:
公式(6)中x′=x cosθk+y sinθk和y′=-x sinθk+y cosθk是以θk=kπ/8为方向的旋转坐标系。λmk表示正弦分量的波长,σm是以x′为方向的椭圆高斯窗的标准偏差,γ是空间纵横比。分别是尺度和方向指数,本发明将m设置为2,k设置为16。去除Gabor滤波器响应的直流部分能提高图片对光照变化的鲁棒性,所以本发明采用其零直流分量。
公式(7)中*表示二维卷积运算。一个像素的方向由下面公式计算:
本发明将公式(9)中的O(x,y)称作方向场,图7展示了方向场的计算过程。
(2)计算Gabor方向直方图,上一步中以及计算出了每个网格的毛发模式方向场,接下来直接统计每个网格中各方向的信息,生成方向直方图。由于在不同的图像中块的大小是不一样的,直方图必须被归一化。归一化的直方图实际上是一个数学分布,其计算公式如下:
公式(10)中,Bj是第j块中像素的坐标,|Bj|是Bj的基数,σ是Kronecker函数,k是方向指标,这些直方图被称为Gabor方向直方图。
步骤3:计算直方图之间的卡法距离,识别目标。
其中,代表输入图像的Gabor方向直方图,代表样本库图像的Gabor方向直方图,Bt表示第t个块,k表示方向。两幅图像Gabor方向直方图的卡方距离越小,猪只毛发模式的相似性越高。本发明将测试图片目标的64个Gabor方向直方图与样本库样本目标对应的Gabor方向直方图之间计算卡方距离,距离最小的即为识别目标。经上述步骤,可以实现对待识猪个体的识别。
表1样本库特征存储情况
综上,本发明的基于Gabor方向直方图和猪体毛发模式的猪个体识别方法。首先利用一种基于自适应分割和多阈值分割的目标提取方法提取每张图片中的多个猪只目标。在提取出完整的猪只目标后,利用猪体关键点检测算法在猪只轮廓中提取稳定的特征区域,并对其进行网格划分。然后在选定特征区域上的每个网格中使用Gabor滤波器计算毛发模式方向场,并在每个网格中利用方向场信息计算出Gabor方向直方图。最后利用卡方距离(Chi-square distance)衡量不同Gabor方向直方图之间的差异性并与数据库中的猪只进行匹配,达到猪个体身份识别的目的。该项研究为无应激的猪个体识别提供了一种新思路,也为进一步探索群养猪个体行为分析提供了一定的技术支持。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (4)
1.基于Gabor方向直方图和猪体毛发模式的猪个体识别方法,其特征在于,包括以下步骤:
(1)俯视群养猪视频采集与图像预处理,主要包括猪个体目标的提取和特征区域的划分;(2)猪体毛发模式特征的计算,利用Gabor滤波器进行多尺度多方向滤波,提取其零直流分量计算毛发模式方向场,再利用方向场信息计算Gabor方向直方图;(3)建立样本库,利用上述步骤(1)和步骤(2)中的预处理和特征提取方法,对样本图像进行处理,计算出所有样本图像中样本目标的Gabor方向直方图并保存到样本库中;(4)利用卡方距离测度方法计算测试样本目标的Gabor方向直方图与样本库中样本目标的Gabor方向直方图的距离,衡量它们之间的差异性,从而识别出待识别的目标;
所述步骤(1)中图像预处理操作具体如下:
利用局部直方图均衡化和中值滤波进行图像增强;利用二次分割方法提取猪个体目标,利用猪体轮廓关键点算法找到猪体轮廓臀宽和肩宽,并以此为依据划分臀部和肩部两个稳定特征区域;最后利用对特征区域进行网格划分,通过试验确定了将每个特征区域划分为多个正方形网格;
所述步骤(2)中利用Gabor滤波器进行滤波的具体方法是先通过试验确定Gabor滤波器方向参数K和尺度参数M,这里设置为K=16,M=2;然后对特征区域的毛发图片进行滤波,得到滤波结果;
所述步骤(2)中毛发模式方向场的具体计算方法是采用滤波响应的零直流部分,提高特征对光照变化的鲁棒性,然后将每个像素的滤波响应量化到16个方向中的一个,反映着毛发的方向信息;
所述步骤(3)中样本库的建立具体操作如下:
1)样本图像的选取,共选取了800帧满足条件的样本图像建立样本库,这800帧图像采集自同一个猪圈,每个猪圈7只猪,即7个待识别目标,选取规则是猪个体之间无粘连和遮挡、没有猪只躺卧;
2)图像预处理,预处理部分主要包括所述步骤(1)中的图像增强,目标分割,特征区域划分和网格划分几个步骤,每只猪的特征区域均被划分为64个网格;
其中,网格划分首先是获取猪只的包络线,在猪体轮廓上找到一个面积最小且能包络整个轮廓的凸多边形,然后是找到头部分割点a,M点和N点均为猪体头部包络线与其轮廓线的交点,该包络线范围内轮廓线上的各点到线段MN的距离d可以由式(3)计算:
式(3)中ax+by+c=0为包络线段MN的直线方程,(x,y)为MN之间轮廓线上的任意一点,从M点开始沿着轮廓线在M点和N点之间计算各点(x,y)到线段MN的距离d,求得最大距离d对应的轮廓点就是所求的头部分割点a,用类似的方法,可以求得其它分割点,在计算出所有分割点后,利用这些分割点去除头尾,再计算出躯干轮廓质心点O(x0,y0);
式(4)和式(5)中,Nb为边缘点总数,(xi,yi)为某一边缘点,计算出质心点后,再找到猪体轮廓后半段垂直于猪体中线OL的最大体宽距离AA′和猪体轮廓前半段垂直于猪体中线OH的最大体宽距离BB′,以臀宽AA′和肩宽BB′作为矩形的长中轴,分别作出两个长宽比为2:1的矩形区域作为特征提取区域;
3)Gabor方向直方图特征提取,利用Gabor滤波器滤波响应的零直流部分计算出毛发模式方向场,并在每个网格中利用方向场信息计算出Gabor方向直方图,最后每个目标的64个归一化的Gabor方向直方图被保存在样本库中,建成样本库。
2.根据权利要求1所述的基于Gabor方向直方图和猪体毛发模式的猪个体识别方法,其特征在于:所述步骤(1)中俯视群养猪视频采集具体包括:改建实验用猪舍,在猪舍正上方安装拍摄俯视视频的图像采集系统,获取俯视群养猪彩色视频片段,并选取符合条件的视频帧,具体的条件是猪个体之间无粘连和遮挡、没有猪只躺卧。
3.根据权利要求1所述的基于Gabor方向直方图和猪体毛发模式的猪个体识别方法,其特征在于:所述步骤(2)中Gabor方向直方图的具体计算方法是在每个网格中,统计像素的方向场信息并以直方图的形式进行表示,由于不同猪只的网格大小是不一样的,直方图必须被进一步归一化处理。
4.根据权利要求1所述的基于Gabor方向直方图和猪体毛发模式的猪个体识别方法,其特征在于:所述步骤(4)中识别出待识别的目标的具体方法是利用卡方距离计算测试图片目标的每个网格的Gabor方向直方图与样本库中样本目标的对应网格的Gabor方向直方图之间的距离,卡方距离X∈[0,1],X距离越小,两个直方图之间的卡方距离越小,表明特征越相似,卡方距离最小的目标即为识别目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710569030.8A CN107437068B (zh) | 2017-07-13 | 2017-07-13 | 基于Gabor方向直方图和猪体毛发模式的猪个体识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710569030.8A CN107437068B (zh) | 2017-07-13 | 2017-07-13 | 基于Gabor方向直方图和猪体毛发模式的猪个体识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107437068A CN107437068A (zh) | 2017-12-05 |
CN107437068B true CN107437068B (zh) | 2020-11-20 |
Family
ID=60461234
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710569030.8A Active CN107437068B (zh) | 2017-07-13 | 2017-07-13 | 基于Gabor方向直方图和猪体毛发模式的猪个体识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107437068B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108090426A (zh) * | 2017-12-07 | 2018-05-29 | 江苏大学 | 一种基于机器视觉的群养猪身份识别方法 |
CN109344798B (zh) * | 2018-10-24 | 2022-08-12 | 艾凯克斯(嘉兴)信息科技有限公司 | 一种基于三维网格及神经网络的三维物体识别检测方法 |
CN109359605A (zh) * | 2018-10-24 | 2019-02-19 | 艾凯克斯(嘉兴)信息科技有限公司 | 一种基于三维网格与神经网络的零件相似性处理方法 |
CN109446971A (zh) * | 2018-10-24 | 2019-03-08 | 艾凯克斯(嘉兴)信息科技有限公司 | 基于三维网格及神经网络解决三维物体旋转不变性的方法 |
CN112233122A (zh) * | 2019-06-28 | 2021-01-15 | 深圳市理邦精密仪器股份有限公司 | 超声图像中对象提取、测量方法及装置 |
CN111242035B (zh) * | 2020-01-14 | 2023-08-22 | 江苏大学 | 一种基于局部特征的群养猪身份识别方法 |
CN111294565A (zh) * | 2020-03-10 | 2020-06-16 | 福建农业职业技术学院 | 一种智能化养猪监测方法和管理端 |
CN115239692B (zh) * | 2022-08-12 | 2023-06-27 | 广东科学技术职业学院 | 一种基于图像识别技术的电子元器件检测方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763507B (zh) * | 2010-01-20 | 2013-03-06 | 北京智慧眼科技发展有限公司 | 人脸识别方法及人脸识别系统 |
US8385652B2 (en) * | 2010-03-31 | 2013-02-26 | Microsoft Corporation | Segmentation of textual lines in an image that include western characters and hieroglyphic characters |
CN105740753A (zh) * | 2014-12-12 | 2016-07-06 | 比亚迪股份有限公司 | 指纹识别方法及指纹识别系统 |
-
2017
- 2017-07-13 CN CN201710569030.8A patent/CN107437068B/zh active Active
Non-Patent Citations (1)
Title |
---|
A Study on Low Resolution Androgenic Hair Patterns for Criminal and Victim Identification;Han Su et.al;《IEEE TRANSACTIONS ON INFORMATION FORENSICS AND SECURITY》;20140430;第9卷(第4期);第670页右栏第1段,第671页左栏第2段,第672页右栏第2段,第673页右栏第1段,第674页左栏第1-2段、右栏第1-2段,第675页左栏第1-2段 * |
Also Published As
Publication number | Publication date |
---|---|
CN107437068A (zh) | 2017-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107437068B (zh) | 基于Gabor方向直方图和猪体毛发模式的猪个体识别方法 | |
Gaikwad et al. | Wheat disease detection using image processing | |
CN110120042B (zh) | 一种基于slic超像素和自动阈值分割的农作物图像病虫害区域提取方法 | |
CN112598713A (zh) | 一种基于深度学习的近岸海底鱼类检测、跟踪统计方法 | |
Zhou et al. | An integrated skeleton extraction and pruning method for spatial recognition of maize seedlings in MGV and UAV remote images | |
CN105069818A (zh) | 一种基于图像分析的皮肤毛孔识别方法 | |
CN106067026A (zh) | 一种中药材显微图像的特征提取与识别检索方法 | |
CN107230203A (zh) | 基于人眼视觉注意机制的铸件缺陷识别方法 | |
CN110415208A (zh) | 一种自适应目标检测方法及其装置、设备、存储介质 | |
CN111080696A (zh) | 一种基于计算机视觉的水下海参识别及定位方法 | |
CN104217213A (zh) | 一种基于对称性理论的医学图像多阶段分类方法 | |
CN109886170A (zh) | 一种钉螺智能检测识别与统计系统 | |
Tripathy | Detection of cotton leaf disease using image processing techniques | |
CN110176020A (zh) | 一种融合2d和3d图像的燕窝杂质分拣方法 | |
CN113706512B (zh) | 一种基于深度学习和深度相机的生猪体重测量方法 | |
Shire et al. | A review paper on: agricultural plant leaf disease detection using image processing | |
CN109815784A (zh) | 一种基于红外热像仪的智能分类方法、系统及存储介质 | |
Fang et al. | Images crack detection technology based on improved K-means algorithm | |
Jeyavathana et al. | An efficient feature extraction method for tuberculosis detection using chest radiographs | |
Neelakanteswara et al. | Computer based advanced approach for MRI image classification using neural network with the texture features extracted | |
US10115195B2 (en) | Method and apparatus for processing block to be processed of urine sediment image | |
CN116843906A (zh) | 基于拉普拉斯特征映射的目标多角度本征特征挖掘方法 | |
CN108967246B (zh) | 虾苗定位方法 | |
CN112541471A (zh) | 一种基于多特征融合的遮挡目标识别方法 | |
Gill | Detection of diseased section in leaves using image processing |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |