CN110008881B - 多运动目标的奶牛行为的识别方法及装置 - Google Patents
多运动目标的奶牛行为的识别方法及装置 Download PDFInfo
- Publication number
- CN110008881B CN110008881B CN201910242606.9A CN201910242606A CN110008881B CN 110008881 B CN110008881 B CN 110008881B CN 201910242606 A CN201910242606 A CN 201910242606A CN 110008881 B CN110008881 B CN 110008881B
- Authority
- CN
- China
- Prior art keywords
- image
- target
- cow
- feature
- identified
- 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
Images
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
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
- G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种多运动目标的奶牛行为的识别方法及装置,其中方法包括:从奶牛场场景的视频中选取一帧待识别图像,对所述待识别图像根据中值滤波法进行去噪;利用小波变换对去噪后的待识别图像进行多尺度分解,将最后一层输出的分解图像作为目标图,提取所述目标图的颜色特征、纹理特征和形状特征并进行多特征融合,作为所述待识别图像的特征向量;计算所述待识别图像的特征向量与预先获得的各样本图像的特征向量的欧氏距离,根据欧氏距离最近的一定数量的样本图像的奶牛行为标签,确定所述待识别图像中的奶牛行为。本发明实施例具有可靠性高、容错性好、结果准确的优势。
Description
技术领域
本发明实施例涉及图像识别技术领域,更具体地,涉及多运动目标的奶牛行为的识别方法及装置。
背景技术
近年来,无线传感器网络由于便于安装、低功耗、低成本、监测范围广等特点,被广泛应用于现代农业的环境信息检测。信息技术的飞速发展,农业现代化步伐不断加快,规模化奶牛养殖体系得到大力推广。应用无线传感器网络建立奶牛行为特征和环境信息的实时监测系统,有助于预防控制、发现和正确诊治奶牛疾病,及时准确发现问题奶牛,同时也保证了产奶量的稳定提高,促进奶业健康发展。通过无线传感器网络监测系统感知奶牛信息和行为是精准畜牧业的基础,而复杂环境中准确实时的奶牛目标识别是信息感知的基本前提。
在奶牛场养殖环境中,奶牛行走过程中的视频采集极易受光照变化和障碍物遮挡的影响。这种遮挡导致了部分固有特征的丢失和新特征的产生,这给奶牛目标识别和定位带来了很大的困难。考虑到奶牛场运动目标监测的随机干扰性、不可预测性,研究多运动目标奶牛识别跟踪方法,为实现奶牛精细养殖提供参考借鉴。目前传统算法能够准确的识别背景简单、无遮挡的目标,然而对于存在局部遮挡的目标常常会出现虚警或漏报。现有算法大多针对某类具体情况进行算法上的改进,并未对图像中目标遮挡的程度给出定量的评价模型,不能有效、全面的反映遮挡给目标探测与识别带来的影响。现有的研究都是在目标外观变化较小的前提下进行的,然而受光照、位姿等的影响,目标的外观在跟踪过程中不断变化且变化较大。
发明内容
本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的多运动目标的奶牛行为的识别方法及装置。
第一个方面,本发明实施例提供一种多运动目标的奶牛行为的识别方法,包括:
从奶牛场场景的视频中选取一帧待识别图像,对所述待识别图像根据中值滤波法进行去噪;
利用小波变换对去噪后的待识别图像进行多尺度分解,将最后一层输出的分解图像作为目标图,提取所述目标图的颜色特征、纹理特征和形状特征并进行多特征融合,作为所述待识别图像的特征向量;
计算所述待识别图像的特征向量与预先获得的各样本图像的特征向量的欧氏距离,根据欧氏距离最近的一定数量的样本图像的奶牛行为标签,确定所述待识别图像中的奶牛行为。
第二个方面,本发明实施例提供一种多运动目标的奶牛行为的识别装置,包括:
去噪模块,用于从奶牛场场景的视频中选取一帧待识别图像,对所述待识别图像根据中值滤波法进行去噪;
特征向量获取模块,用于利用小波变换对去噪后的待识别图像进行多尺度分解,将最后一层输出的分解图像作为目标图,提取所述目标图的颜色特征、纹理特征和形状特征并进行多特征融合,作为所述待识别图像的特征向量;
行为确定模块,用于计算所述待识别图像的特征向量与预先获得的各样本图像的特征向量的欧氏距离,根据欧氏距离最近的一定数量的样本图像的奶牛行为标签,确定所述待识别图像中的奶牛行为。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面所提供的方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。
本发明实施例提供的多运动目标的奶牛行为的识别方法及装置,通过以中值滤波法进行去噪,能够消除光照和图像中多运动目标等因素的干扰,提高识别准确性,对去噪后的图片从多特征融合的角度实现待识别图像的特征表征,最后结合欧氏距离实现奶牛行为的识别,具有可靠性高、容错性好、结果准确的优势。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的多运动目标的奶牛行为的识别方法的流程示意图;
图2为本发明实施例提供的多运动目标的奶牛行为的识别装置的结构示意图
图3为本发明实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例提供的多运动目标的奶牛行为的识别方法的流程示意图,如图所示,包括:
S101、从奶牛场场景的视频中选取一帧待识别图像,对所述待识别图像根据中值滤波法进行去噪。
需要说明的是,本发明实施例预先在奶牛场中设置拍摄装置,以对奶牛场中的奶牛行为进行拍摄获得奶牛场场景的视频,随机中视频中选取一帧图像进行识别。为了消除多运动目标遮挡、光照等多源干扰因素对待识别图像造成影响,本发明实施例基于中值滤波法消除图像中孤立的噪声点。具体地,对于一个像素点用该点的一个邻域中各点值的中值代替,让周围像素灰度值的差比较大的像素改取与周围的像素接近的值,从而消除孤立的噪声点。
S102、利用小波变换对去噪后的待识别图像进行多尺度分解,将最后一层输出的分解图像作为目标图,提取所述目标图的颜色特征、纹理特征和形状特征并进行多特征融合,作为所述待识别图像的特征向量。
需要说明的是,小波变换(wavelet transform,WT)是一种变换分析方法,它继承和发展了短时傅立叶变换局部化的思想,同时又克服了窗口大小不随频率变化等缺点,能够提供一个随频率改变的“时间-频率”窗口,是进行信号时频分析和处理的理想工具。所谓多尺度是指在RBF网中,采用了不同核函数方差的节点的作用是不同的,拥有大的核函数方差的节点所起的作用要大一些,因而就更倾向于代表训练集的整体信息。小波变换有两个因子:一个是时移因子,另一个就是尺度因子。尺度因子a,a》1表示伸展,a《1表示收缩。一般去根号a,目的是保证能量守恒。得到的小波信号是细节信号。本发明实施例对待识别图像进行多尺度分集,能够消除无用尺度信息对图像处理结果的影响,也可简化图像处理的难度和复杂性。选择最后一层输出的分解图像作为目标图的目的在于可以直接去掉若干层信息再重建,具有简洁方便的效果。
去噪后的待识别图像的灰度值Fr'与目标图的灰度值pr满足以下关系:
S103、计算所述待识别图像的特征向量与预先获得的各样本图像的特征向量的欧氏距离,根据欧氏距离最近的一定数量的样本图像的奶牛行为标签,确定所述待识别图像中的奶牛行为。
本发明实施例在获得待识别图像的特征向量后,与预先获得的各样本图像的特征向量计算欧氏距离,样本图像的特征向量的获取过程与步骤S101和S102一致,样本图像本身预先已知了图像中的奶牛行为标签(奶牛行为标签用于表征奶牛行为)。通过按照欧氏距离从小到大进行排序,从第一个样本图像开始按顺序选取一定数量的样本图像,并从中确定待识别图像中的奶牛行为。例如,可以选择第一个样本图像对应的奶牛行为作为待识别图像中的奶牛行为,也可以选取多个(例如10个),通过统计10张样本图像中最多数量的奶牛行为标签,确定待识别图像的奶牛行为。
在上述各实施例的基础上,作为一种可选实施例,提取目标图的颜色特征,具体为:
S201、在目标图中确定一个活动点,所述活动点的颜色分量为所述目标中所有像素点的颜色分量的平均值。
需要说明的是,本发明实施例在获取目标图后,首先统计目标图中所有像素点的颜色分量,然后统计颜色分量的平均值,然后将颜色分量为平均值的像素点作为活动点。当存在多个颜色分量为平均值的像素点时,从这些像素点中随机选择一个非边界点作为活动点。
S202、将所述目标图中与所述活动点的颜色满足|r'-r0|≤qr,|g'-g0|≤qg,|b'-b0|≤qb的一个像素点作为目标像素点;其中r'、g'、b'表示所述活动点的R、G、B分量,r0、g0、b0表示所述目标像素点的R、G、B分量,qr、qg、qb表示R、G、B分量的阈值。
本发明实施例通过设置R、G、B分量的阈值,从目标图中选取一个差值符合预设阈值的像素点作为目标像素点。由于在计算颜色特征时是根据颜色差值的分布计算的,因此只要任选出一个目标像素点即可。
S203、计算所述目标像素点的R、G、B分量与所述目标图中其他非边界点的R、G、B分量的差值,对差值分布设定一定数量的差值范围,统计每一种差值范围内的所述非边界点的个数,根据所述差值以及对应的非边界点个数作为所述目标图的颜色特征。
需要说明的是,本发明实施对差值的分布预先设定了分级,例如差值分别为0、2、4、6等等,然后统计各个分级的非边界点数量。即可获得目标图的颜色特征。可以理解的是,颜色特征的维度与差值分级的数目一致。本发明实施例的计算颜色特征的方法可以对不同颜色在整幅图像所占的比例以及各种色彩所处的空间位置进行描述,并且计算的颜色特征相比现有技术更具有代表性。
在上述各实施例的基础上,作为一种可选实施例,提取目标图的纹理特征的方法,具体为:
S301、通过以下公式计算所述目标图在各方向和各尺度的小波系数:
离散小波变换是对基本小波的尺度和平移进行离散化。本发明实施例将图像变换为一系列小波系数,这些系数可以被高效压缩和存储,此外,小波的粗略边缘可以更好地表现图像,因为消除了DCT压缩普遍具有的方块效应。
S302、在所述目标图中,以所述各方向和各尺度的小波系数为中心分别建立窗口,所述窗口的半径为预设大小,统计所述窗口内灰度值小于窗口中心像素点的灰度值的像素点,作为目标像素数值;
S303、以所述目标图中每一方向和尺度对应的窗口中目标像素数值确定所述纹理特征。若方向数为m,尺度数为n,则纹理特征的维度为m×n。本发明实施例提取的纹理特征具有维数较低、鉴别能力强、稳健性好,提取过程计算量小的优势,适用于奶牛纹理极为相似的情形。
在上述各实施例的基础上,作为一种可选实施例,本发明是矢量图提取分解图像的形状特征,具体为:对所述目标图提取不变矩,并作为所述形状特征。
矩特征主要表征了图像区域的几何特征,又称为几何矩,由于其具有旋转、平移、尺度等特性的不变特征,所以又称其为不变矩。在图像处理中,几何不变矩可以作为一个重要的特征来表示物体,可以据此特征来对图像进行分类等操作。
在上述各实施例的基础上,作为一种可选实施例根据欧氏距离最近的一定数量的样本图像的奶牛行为标签,确定所述待识别图像中的奶牛行为,具体为:
统计所述欧氏距离最近的一定数量的样本图像的奶牛行为标签;
将具有最多数量的奶牛行为标签的奶牛行为作为所述待识别图像中的奶牛行为。
其中,目标图x与样本图像xi的欧氏距离d通过以下公式计算:
其中,dC,dT,dS分别为颜色特征欧式距离,纹理特征欧式距离,形状特征欧式距离;ωC,ωT,ωS分别是颜色特征、纹理特征、形状特征的权重因子,权重因子的取值可以在实际应用中自定义。
在上述各实施例的基础上,作为一种可选实施例,样本图像通过不均匀采样规则获取。需要说明的是,按照量化级的划分方式分,有均匀量化和非均匀量化。均匀量化:ADC输入动态范围被均匀地划分为2n份。非均匀量化:ADC输入动态范围的划分不均匀,一般用类似指数的曲线进行量化。非均匀量化是针对均匀量化提出的,因为一般的语音信号中,绝大部分是小幅度的信号,且人耳听觉遵循指数规律。为了保证关心的信号能够被更精确的还原,本发明实施例将更多的bit用于表示小信号。
需要说明的是,只有采样频率大于等于采样时段内信号最高频率的2倍,采样后信号才不致丢失信息,才可以用样本值将原信号恢复)在采样的时段内信号频率随之间变化很大(时变很大),则传统的按照采样定理的均匀采样会造成很大的数据冗余,因此采用非均匀采样可减少数据冗余度。
本发明实施例的奶牛行为的识别方法,通过评价查全率(RR)、查准率(PR)、F1值以及分类精度(CA),可知识别准确性达到99.7%。
图2为本发明实施例提供的多运动目标的奶牛行为的识别装置的结构示意图,如图2所示,该奶牛行为的识别装置包括:去噪模块201、特征向量获取模块202和行为确定模块203,其中:
去噪模块201,用于从奶牛场场景的视频中选取一帧待识别图像,对所述待识别图像根据中值滤波法进行去噪;
特征向量获取模块202,用于利用小波变换对去噪后的待识别图像进行多尺度分解,将最后一层输出的分解图像作为目标图,提取所述目标图的颜色特征、纹理特征和形状特征并进行多特征融合,作为所述待识别图像的特征向量;
行为确定模块203,用于计算所述待识别图像的特征向量与预先获得的各样本图像的特征向量的欧氏距离,根据欧氏距离最近的一定数量的样本图像的奶牛行为标签,确定所述待识别图像中的奶牛行为。
本发明实施例提供的奶牛行为的识别装置,具体执行上述各奶牛行为的识别方法实施例流程,具体请详见上述各奶牛行为的识别方法实施例的内容,在此不再赘述。本发明实施例提供的奶牛行为的装置,通过以中值滤波法进行去噪,能够消除光照等因素的干扰,提高识别准确性,对去噪后的图片从多特征融合的角度实现待识别图像的特征表征,最后结合欧氏距离实现奶牛行为的识别,具有可靠性高、容错性好、结果准确的优势。
图3为本发明实施例提供的电子设备的实体结构示意图,如图3所示,该电子设备可以包括:处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340,其中,处理器310,通信接口320,存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储在存储器330上并可在处理器310上运行的计算机程序,以执行上述各实施例提供的奶牛行为的识别方法,例如包括:从奶牛场场景的视频中选取一帧待识别图像,对所述待识别图像根据中值滤波法进行去噪;利用小波变换对去噪后的待识别图像进行多尺度分解,将最后一层输出的分解图像作为目标图,提取所述目标图的颜色特征、纹理特征和形状特征并进行多特征融合,作为所述待识别图像的特征向量;计算所述待识别图像的特征向量与预先获得的各样本图像的特征向量的欧氏距离,根据欧氏距离最近的一定数量的样本图像的奶牛行为标签,确定所述待识别图像中的奶牛行为。
此外,上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的奶牛行为的识别方法,例如包括:从奶牛场场景的视频中选取一帧待识别图像,对所述待识别图像根据中值滤波法进行去噪;利用小波变换对去噪后的待识别图像进行多尺度分解,将最后一层输出的分解图像作为目标图,提取所述目标图的颜色特征、纹理特征和形状特征并进行多特征融合,作为所述待识别图像的特征向量;计算所述待识别图像的特征向量与预先获得的各样本图像的特征向量的欧氏距离,根据欧氏距离最近的一定数量的样本图像的奶牛行为标签,确定所述待识别图像中的奶牛行为。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种多运动目标的奶牛行为的识别方法,其特征在于,包括:
从奶牛场场景的视频中选取一帧待识别图像,对所述待识别图像根据中值滤波法进行去噪;
利用小波变换对去噪后的待识别图像进行多尺度分解,将最后一层输出的分解图像作为目标图,提取所述目标图的颜色特征、纹理特征和形状特征并进行多特征融合,作为所述待识别图像的特征向量;
计算所述待识别图像的特征向量与预先获得的各样本图像的特征向量的欧氏距离,根据欧氏距离最近的一定数量的样本图像的奶牛行为标签,确定所述待识别图像中的奶牛行为;
所述提取所述目标图的颜色特征,具体为:
在所述目标图中确定一个活动点,所述活动点的颜色分量为所述目标图中所有像素点的颜色分量的平均值;
将所述目标图中与所述活动点的颜色满足|r'-r0|≤qr,|g'-g0|≤qg,|b'-b0|≤qb的一个像素点作为目标像素点;其中r'、g'、b'表示所述活动点的R、G、B分量,r0、g0、b0表示所述目标像素点的R、G、B分量,qr、qg、qb表示R、G、B分量的阈值;
计算所述目标像素点的R、G、B分量与所述目标图中其他非边界点的R、G、B分量的差值,对差值分布设定一定数量的差值范围,统计每一种差值范围内的所述非边界点的个数,根据所述差值以及对应的非边界点个数作为所述目标图的颜色特征。
3.根据权利要求1所述的识别方法,其特征在于,所述提取所述目标图的形状特征,具体为:对所述目标图提取不变矩,并作为所述形状特征。
5.根据权利要求1所述的识别方法,其特征在于,所述样本图像通过不均匀采样规则获取。
7.一种多运动目标的奶牛行为的识别装置,其特征在于,包括:
去噪模块,用于从奶牛场场景的视频中选取一帧待识别图像,对所述待识别图像根据中值滤波法进行去噪;
特征向量获取模块,用于利用小波变换对去噪后的待识别图像进行多尺度分解,将最后一层输出的分解图像作为目标图,提取所述目标图的颜色特征、纹理特征和形状特征并进行多特征融合,作为所述待识别图像的特征向量;
行为确定模块,用于计算所述待识别图像的特征向量与预先获得的各样本图像的特征向量的欧氏距离,根据欧氏距离最近的一定数量的样本图像的奶牛行为标签,确定所述待识别图像中的奶牛行为;
所述提取所述目标图的颜色特征,具体为:
在所述目标图中确定一个活动点,所述活动点的颜色分量为所述目标图中所有像素点的颜色分量的平均值;
将所述目标图中与所述活动点的颜色满足|r'-r0|≤qr,|g'-g0|≤qg,|b'-b0|≤qb的一个像素点作为目标像素点;其中r'、g'、b'表示所述活动点的R、G、B分量,r0、g0、b0表示所述目标像素点的R、G、B分量,qr、qg、qb表示R、G、B分量的阈值;
计算所述目标像素点的R、G、B分量与所述目标图中其他非边界点的R、G、B分量的差值,对差值分布设定一定数量的差值范围,统计每一种差值范围内的所述非边界点的个数,根据所述差值以及对应的非边界点个数作为所述目标图的颜色特征。
8.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至6中任意一项所述的多运动目标的奶牛行为的识别方法。
9.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至6中任意一项所述的多运动目标的奶牛行为的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910242606.9A CN110008881B (zh) | 2019-03-28 | 2019-03-28 | 多运动目标的奶牛行为的识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910242606.9A CN110008881B (zh) | 2019-03-28 | 2019-03-28 | 多运动目标的奶牛行为的识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110008881A CN110008881A (zh) | 2019-07-12 |
CN110008881B true CN110008881B (zh) | 2021-03-12 |
Family
ID=67168589
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910242606.9A Active CN110008881B (zh) | 2019-03-28 | 2019-03-28 | 多运动目标的奶牛行为的识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110008881B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111260590B (zh) * | 2020-02-29 | 2023-05-23 | 重庆港宇高科技开发有限公司 | 图像降噪方法及相关产品 |
CN114743219B (zh) * | 2022-04-12 | 2023-05-02 | 内蒙古农业大学 | 一种奶牛运动评分方法及系统,计算机可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102880873A (zh) * | 2012-08-31 | 2013-01-16 | 公安部第三研究所 | 基于图像分割和语义提取实现人员行为识别的系统及方法 |
US8732025B2 (en) * | 2005-05-09 | 2014-05-20 | Google Inc. | System and method for enabling image recognition and searching of remote content on display |
CN105654141A (zh) * | 2016-01-06 | 2016-06-08 | 江苏大学 | 基于Isomap和SVM算法的俯视群养猪个体识别方法 |
CN107256398A (zh) * | 2017-06-13 | 2017-10-17 | 河北工业大学 | 基于特征融合的奶牛个体识别方法 |
CN109171748A (zh) * | 2018-09-12 | 2019-01-11 | 内蒙古大学 | 一种草原放牧绵羊运动行为的检测识别方法及其装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106384079B (zh) * | 2016-08-31 | 2019-04-30 | 东南大学 | 一种基于rgb-d信息的实时行人跟踪方法 |
CN108133460B (zh) * | 2017-11-21 | 2021-10-12 | 武汉中元华电科技股份有限公司 | 一种适用于电力作业机器人的颜色型状态指示器识别方法 |
-
2019
- 2019-03-28 CN CN201910242606.9A patent/CN110008881B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8732025B2 (en) * | 2005-05-09 | 2014-05-20 | Google Inc. | System and method for enabling image recognition and searching of remote content on display |
CN102880873A (zh) * | 2012-08-31 | 2013-01-16 | 公安部第三研究所 | 基于图像分割和语义提取实现人员行为识别的系统及方法 |
CN105654141A (zh) * | 2016-01-06 | 2016-06-08 | 江苏大学 | 基于Isomap和SVM算法的俯视群养猪个体识别方法 |
CN107256398A (zh) * | 2017-06-13 | 2017-10-17 | 河北工业大学 | 基于特征融合的奶牛个体识别方法 |
CN109171748A (zh) * | 2018-09-12 | 2019-01-11 | 内蒙古大学 | 一种草原放牧绵羊运动行为的检测识别方法及其装置 |
Non-Patent Citations (2)
Title |
---|
Automatic Cattle Identification based on Fusion of Texture Features Extracted from Muzzle Images;Worapan Kusakunniran et al;《2018 IEEE International Conference on Industrial Technology (ICIT)》;20180430;1484-1489页 * |
基于局部小波二值模式的笔迹鉴定算法研究;杜亮;《中国优秀硕士学位论文全文数据库 信息科技辑》;20120215;第2012年卷(第02期);I138-2400页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110008881A (zh) | 2019-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105938564B (zh) | 基于主成分分析和神经网络的水稻病害识别方法及系统 | |
Guo et al. | Multi-object extraction from topview group-housed pig images based on adaptive partitioning and multilevel thresholding segmentation | |
CN110837768B (zh) | 一种面向珍稀动物保护的在线检测与识别方法 | |
Xie et al. | Image de-noising algorithm based on Gaussian mixture model and adaptive threshold modeling | |
CN110797021A (zh) | 混合语音识别网络训练方法、混合语音识别方法、装置及存储介质 | |
de Araujo et al. | New artificial life model for image enhancement | |
CN111863232B (zh) | 基于区块链和医学影像的远程疾病智能诊断系统 | |
CN110008881B (zh) | 多运动目标的奶牛行为的识别方法及装置 | |
CN113850204A (zh) | 一种基于深度学习和超宽带雷达的人体动作识别方法 | |
CN114399480A (zh) | 蔬菜叶片病害严重程度检测方法及装置 | |
WO2011055164A1 (en) | Method for illumination normalization on a digital image for performing face recognition | |
CN112017155A (zh) | 健康体征数据的测量方法、装置、系统和存储介质 | |
CN109448024B (zh) | 利用深度数据构建约束相关滤波器的视觉跟踪方法、系统 | |
CN115601301B (zh) | 鱼类表型特征测量方法、系统、电子设备及存储介质 | |
CN117253192A (zh) | 用于桑蚕养殖的智能系统及方法 | |
CN110163253B (zh) | 鱼浮头程度检测方法及系统 | |
CN117132482A (zh) | 一种基于红外热成像的智能图像算法的方法 | |
Tang et al. | Learning from natural noise to denoise micro-doppler spectrogram | |
Pao et al. | Locating the typhoon center from the IR satellite cloud images | |
Li | Research on camera-based human body tracking using improved cam-shift algorithm | |
Mishra et al. | Convolutional neural network method for effective plant disease prediction | |
Neelakanteswara et al. | Computer based advanced approach for MRI image classification using neural network with the texture features extracted | |
He et al. | An image segmentation algorithm based on double-layer pulse-coupled neural network model for kiwifruit detection | |
Scharfenberger et al. | Image saliency detection via multi-scale statistical non-redundancy modeling | |
CN113238014A (zh) | 一种基于鱼群行为的水质溶解氧预测方法及装置 |
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 |