CN110751085B - 一种小鼠行为识别方法 - Google Patents
一种小鼠行为识别方法 Download PDFInfo
- Publication number
- CN110751085B CN110751085B CN201910988760.0A CN201910988760A CN110751085B CN 110751085 B CN110751085 B CN 110751085B CN 201910988760 A CN201910988760 A CN 201910988760A CN 110751085 B CN110751085 B CN 110751085B
- Authority
- CN
- China
- Prior art keywords
- image
- footprint
- mouse
- initial
- extracting
- 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
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06V10/457—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 analysing connectivity, e.g. edge linking, connected component analysis or slices
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及生物特征识别技术领域,具体涉及一种小鼠行为识别系统。具体方案为:一种小鼠行为识别系统,采集小鼠不同行为时的初始动作图像,从初始动作图像中提取小鼠的足印与躯体特征,整合后得到原始特征集;将原始特征集划分为训练集和测试集,通过训练集样本训练支持向量机的分类器,最后用分类器对测试集样本进行行为判定。本发明可以同时在黑暗和光亮条件下对小鼠进行行为识别的系统,可以提取小鼠精确的足印图像与躯体图像,解决了目前对小鼠进行行为识别时存在的依赖光照、易被遮挡、难以提取小鼠精确的足印图像等问题。
Description
技术领域
本发明涉及生物特征识别技术领域,具体涉及一种小鼠行为识别系统。
背景技术
实验动物(主要为啮齿类如大鼠、小鼠、豚鼠)的行为识别具有重要的科学意义,不仅可以为疾病动物模型和药理学的研究提供支撑,也可以为动物疾病预防、环境对动物的影响提供科学依据。在实验动物中,小鼠被认为是最重要的模型之一。
传统的小鼠行为判定是研究人员进行人工注释完成的,消耗大量人力,工作繁琐且结果主观。这种行为判定方式具有耗时、昂贵、效率低和可重复性差等缺点。随着人工智能的发展,相对于传统行为判定方式,智能行为识别技术逐渐显示出全方位的优势。
近年来动物行为识别方法主要基于对动物的躯体特征点进行跟踪,通过摄像机俯视向下或侧面拍摄动物行为。这种传统方法容易受到遮挡、光照、拍摄角度的影响,依赖动物躯体运动特征,忽略了动物的足部特征。仅跟踪目标的质心及其随时间的位置或方向的变化,不足以准确识别大多数行为。为了提高行为识别的准确度,很多学者做了不同的尝试。近年来,有学者尝试从动物活动室下方竖直向上拍摄,得到动物的足部数据。但这种方式依赖于良好的光照条件,强烈的光线会干扰啮齿动物的正常行为,较弱的光线则会导致足印图像难以被分离。
受抑全反射是光线在介质中进行全内反射并被限制在其中,当介质的边界条件变化时,全内反射受到了削弱。受抑全反射可以清晰的得到接触区域散射的光成像,从而区分接触区域和非接触区域。
支持向量机(Support Vector Machine,简称SVM)是根据结构风险最小化原则提出的一种机器学习方法,在小样本、非线性及高维模式识别等方面具有优秀的泛化能力。
发明内容
本发明的目的是提供一种小鼠行为识别系统,可以同时在黑暗和光亮条件下对小鼠进行行为识别的系统,可以提取小鼠精确的足印图像与躯体图像,解决了目前对小鼠进行行为识别时存在的依赖光照、易被遮挡、难以提取小鼠精确的足印图像等问题。
为实现上述发明目的,本发明所采用的技术方案是:
本发明提供一种小鼠行为识别系统,采集小鼠不同行为时的初始动作图像,从初始动作图像中提取小鼠的足印与躯体特征,整合后得到原始特征集;将原始特征集划分为训练集和测试集,通过训练集样本训练支持向量机的分类器,最后用分类器对测试集样本进行行为判定。
优选的,从初始动作图像中提取小鼠的足印与躯体特征,包括以下步骤:
(1)对初始动作图像进行处理,将小鼠的足印、躯体与背景分离;
(2)对小鼠的足印特征和躯体特征进行提取。
优选的,步骤(1)中,对初始工作图像进行处理包括以下步骤:
(1a)对初始动作图像进行滤波,提取RGB图像的第二层进行归一化,再对归一化后的图像进行二值化,得到初始足印图像;继续对初始动作图像进行滤波,将RGB图像转化为灰度图像,并对灰度图像进行归一化,再对归一化后的图像进行二值化,得到初始躯体图像;
(1b)对初始足印图像进行形态学处理,提取小鼠精确的足印图像;
(1c)通过足印定位初始躯体图像中躯体所在的连通域,对初始躯体图像进行形态学处理,提取小鼠精确的躯体图像;
(1d)通过小鼠精确的躯体图像的角点分布判断躯体的前后,定位左前足、左后足、右前足、右后足。
优选的,步骤(1b)中,对初始足印图像进行形态学处理,包括以下步骤:
(b1)对初始足印图像进行形态处理的开运算,断开足印之间、足印与干扰光斑区域之间的连接;
(b2)对经过开运算的足印图像,设定足印面积最小值,去掉图像中的非足印的微小光斑区域;对去掉微小光斑区域的足印图像,设定足印面积最大值,去掉图像中的非足印的大光斑模块,得到小鼠精确的足印图像。
优选的,步骤(1c)中,对初始躯体图像进行形态学处理,包括以下步骤:
(c1)对初始躯体图像进行形态处理的开运算,断开躯体与干扰光斑之间的连接;
(c2)提取初始躯体图像中,覆盖小鼠足印图像质心位置的面积最大连通域;对躯体图像进行膨胀,对小鼠躯体图像的空洞进行填充,得到小鼠精确的躯体图像。
优选的,步骤(2)中,小鼠的足印特征和躯体特征进行提取,包括以下步骤:
(2a)在小鼠精确的足印图像上提取小鼠的落脚位置、支撑方式、足印面积;
(2b)在小鼠精确的躯体图像上提取小鼠的躯体质心位置、躯体面积、躯体轮廓周长、身体中心线。
本发明具有以下有益效果:
本发明针对以往识别系统依赖于良好光线、易受遮挡等问题,提出了一种基于近红外条件下的受抑全反射的小鼠行为识别系统,该方法具有良好的识别精度和稳定性,可以为医学研究同时提供明亮和黑暗条件下的啮齿动物行为数据;不仅可以为疾病动物模型以及药理学的研究提供信息,也可以为动物疾病预防、环境对动物的影响提供科学依据。
附图说明
图1为本发明小鼠行为识别的流程图;
图2为小鼠初始动作图像采集设备图;
图3为小鼠提取初始足印图像与初始躯体图像的流程图;
图4为提取小鼠精确的足印图像与精确的躯体图像的流程图;
图5为对测试集进行行为识别的流程图。
具体实施方式
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,所描述的实施例仅仅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做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。
若未特别指明,实施举例中所用的技术手段为本领域技术人员所熟知的常规手段。
传统的啮齿动物行为识别系统具有依赖良好的光照条件、易受遮挡等缺点,本发明针对这些问题,公开一种基于受抑全反射的小鼠行为识别系统,利用支持向量机对小鼠行为进行分类。而且,本发明的识别系统还可以应用到对小鼠以外的其它啮齿动物的行为识别。
参考图1所示,本发明提供了一种小鼠行为识别系统,基于受抑全反射原理采集小鼠不同行为时的初始动作图像,从初始动作图像中提取小鼠的足印与躯体特征,整合后得到原始特征集;将原始特征集划分为训练集和测试集,通过训练集样本训练支持向量机的分类器,最后用分类器对测试集样本进行行为判定。
具体包括以下步骤:
步骤1,基于受抑全反射原理对小鼠脚掌或足印进行近红外条件下的光成像,搭建一套小鼠活动室,参考图2所示,小鼠活动室长28cm宽28cm高12cm,当然,该活动室的大小只是为了对本发明进行辅助说明,其大小根据实际使用需要进行常规设置,活动室上方配套网盖,放置饮水器与适量饲料。底部为8mm厚度的透明亚克力板,亚克力板四周贴有波长为850nm的红外光(LED)灯条。活动室底部的摄像机为去除原装滤镜的尼康D7200,通过在摄像机内部CMOS处安装850nm的红外滤镜,滤掉可见光,拍摄红外光像,即用红外摄像机从活动室下方竖直向上拍摄,采集小鼠不同行为时的初始动作图像。设备侧面安置监控,监控型号为波粒BL-CS7200IB-P(ND)WL-ISG,分辨率1080P,作为实验记录。
步骤2,参考图3~图4所示,用小鼠行为图像采集设备采集到初始动作图像后,用Matlab对初始动作图像进行滤波,提取RGB图像的第二层即绿色层进行归一化,再用Matlab对归一化后的图像进行二值化,得到初始足印图像;用Matlab对初始动作图像进行滤波,将RGB图像转化为灰度图像,并对灰度图像进行归一化,再对归一化后的图像进行二值化,得到初始躯体图像。
步骤3,用Matlab对初始足印图像进行形态处理的开运算,断开足印之间、足印与干扰光斑区域之间的连接;再对经过开运算的足印图像,设定足印面积最小值,去掉图像中的非足印的微小光斑区域;最后对去掉微小光斑区域的足印图像,设定足印面积最大值,去掉图像中的非足印的大光斑模块,提取足印图的质心,得到小鼠精确的足印图像。
步骤4,用Matlab对初始躯体图像进行开运算,断开躯体与干扰光斑之间的连接;在提取初始躯体图像中,覆盖小鼠足印图像质心位置的面积最大连通域(即提取包括足印图质心的最大连通域);最后对躯体图像进行膨胀,对小鼠躯体图像的空洞进行填充,得到小鼠精确的躯体图像。
步骤5,通过对小鼠精确的躯体图像的角点分布判断躯体的前后,定位左前足、左后足、右前足、右后足;提取小鼠的躯体质心位置、躯体面积、躯体轮廓周长、身体中心线。需要说明的是:由于鼻子、耳朵、头具有较多角点,因此躯体前半部分的角点比躯体后半部分多。在角点数量接近的情况下,躯体后半部分的面积比躯体前半部分的面积大,因此面积较大的部分为躯体后半部分,面积较小的部分为躯体前半部分,从而确定身体的前后。
确定小鼠四肢的位置:以不包括尾部的躯体末端为起始点,以鼻尖为重点做基准向量。以不包括尾部的躯体末端为起始点,以单个足印的质心为终点做足印向量。若足印向量以不大于180°的角度、以穿过躯体末端并垂直于图像平面的直线为旋转轴,可以逆时针旋转至基准向量,则该足印为右方的足印;由于足印是从下向上拍摄,则对应到小鼠则为左肢。同理,若足印向量以不大于180°的角度、以穿过躯体末端并垂直于图像平面的直线为旋转轴,可以顺时针旋转至基准向量,则该足为小鼠的右肢。
若有两足同时为左足/右足,则判断这两足的足印质心距鼻尖的距离,距离近的为前肢,距离远的为后肢。
若只得到一只左足/右足,则判断该足印质心距鼻尖与不包括尾部的躯体末端的距离,距鼻尖比距身体末端近,则为前足,反之则为后足。
步骤6,在小鼠精确的足印图像上提取小鼠的落脚位置、支撑方式、足印面积。小鼠的落脚位置为采集到的足印质心位置,支撑方式为落足个数,足印面积有最大足印面积、最小足印面积、平均足印面积。
步骤7,将小鼠的躯体图像与足印图像叠加在一起,作为最终的图像样本;整合图像样本中小鼠的躯体特征和足印特征,得到原始特征集,对原始特征集进行归一化处理;提取躯体特征、足印特征作为主要特征。
其中,躯体特征包括:躯体质心位置、躯体面积、躯体轮廓周长、身体中心线;足印特征包括:落脚位置、支撑方式、足印最大面积、足印最小面积;躯体与足印特征结合包括:躯体质心位置、躯体面积、躯体轮廓周长、身体中心线,落脚位置、支撑方式、足印最大面积、足印最小面积。
步骤8,参考图5所示,将归一化处理后的原始特征集划分为训练集和测试集,训练集样本和测试集样本数量的比例为4:1;通过训练集样本训练支持向量机的分类器,得到SVM模型,用SVM模型对测试集样本进行行为识别。训练集和测试集均包括小鼠的行走、饮水、进食、修饰、悬挂、直立6种行为。
实施例
采用3种不同的特征提取方式分别在支持向量机上独立运行30次,得到平均准确率与平均消耗时间,具体见下表1所示。躯体特征包括:躯体质心位置、躯体面积、躯体轮廓周长、身体中心线;足印特征包括:落脚位置、支撑方式、足印最大面积、足印最小面积。躯体与足印特征结合包括:躯体质心位置、躯体面积、躯体轮廓周长、身体中心线,落脚位置、支撑方式、足印最大面积、足印最小面积。每种提取特征方式中都加入最终图像样本的HU7个不变矩作为辅助特征,HU7个不变矩具有旋转、缩放和平移不变性,可以保证足印和躯体图像在经过旋转、缩放、平移后依旧保有原本的图形特性。
实验仿真平台为Matlab R2014a,操作系统:Windows 10,处理器为Intel(R)Core(TM)I5-9400 CPU,内存:8GB。
表1不同特征提取方式的准确率和消耗时间
提取特征方式 | 平均准确率(%) | 平均消耗时间(s) |
仅有躯体特征 | 75.8 | 259 |
仅有足印特征 | 76.3 | 284 |
结合躯体与足印的特征 | 82.7 | 220.14 |
传统的动物行为识别只注重对躯体特征的利用,而忽略了足部特征的提取,从表1中可以看出,仅有躯体特征得到的行为识别率比结合躯体与足部的特征得到的识别率低6.9%;仅有躯体特征的行为识别耗时比结合躯体与足部的特征的行为识别耗时多38.86s。因此,本发明中躯体与足部特征结合的行为识别效果比仅有躯体特征的行为识别好,耗时少且精度高。
以上所述的实施例仅是对本发明的优选方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (4)
1.一种小鼠行为识别方法,其特征在于:采集小鼠不同行为时的初始动作图像,从初始动作图像中提取小鼠的足印与躯体特征,整合后得到原始特征集;将原始特征集划分为训练集和测试集,通过训练集样本训练支持向量机的分类器,最后用分类器对测试集样本进行行为判定;
从初始动作图像中提取小鼠的足印与躯体特征,包括以下步骤:
(1)对初始动作图像进行处理,将小鼠的足印、躯体与背景分离;
(2)对小鼠的足印特征和躯体特征进行提取;
步骤(1)中,对初始工作图像进行处理包括以下步骤:
(1a)对初始动作图像进行滤波,提取RGB图像的第二层进行归一化,再对归一化后的图像进行二值化,得到初始足印图像;继续对初始动作图像进行滤波,将RGB图像转化为灰度图像,并对灰度图像进行归一化,再对归一化后的图像进行二值化,得到初始躯体图像;
(1b)对初始足印图像进行形态学处理,提取小鼠精确的足印图像;
(1c)通过足印定位初始躯体图像中躯体所在的连通域,对初始躯体图像进行形态学处理,提取小鼠精确的躯体图像;
(1d)通过小鼠精确的躯体图像的角点分布判断躯体的前后,定位左前足、左后足、右前足、右后足。
2.根据权利要求1所述的一种小鼠行为识别方法,其特征在于:步骤(1b)中,对初始足印图像进行形态学处理,包括以下步骤:
(b1)对初始足印图像进行形态处理的开运算,断开足印之间、足印与干扰光斑区域之间的连接;
(b2)对经过开运算的足印图像,设定足印面积最小值,去掉图像中的非足印的微小光斑区域;对去掉微小光斑区域的足印图像,设定足印面积最大值,去掉图像中的非足印的大光斑模块,得到小鼠精确的足印图像。
3.根据权利要求2所述的一种小鼠行为识别方法,其特征在于:步骤(1c)中,对初始躯体图像进行形态学处理,包括以下步骤:
(c1)对初始躯体图像进行形态处理的开运算,断开躯体与干扰光斑之间的连接;
(c2)提取初始躯体图像中,覆盖小鼠足印图像质心位置的面积最大连通域;对躯体图像进行膨胀,对小鼠躯体图像的空洞进行填充,得到小鼠精确的躯体图像。
4.根据权利要求3所述的一种小鼠行为识别方法,其特征在于:步骤(2)中,小鼠的足印特征和躯体特征进行提取,包括以下步骤:
(2a)在小鼠精确的足印图像上提取小鼠的落脚位置、支撑方式、足印面积;
(2b)在小鼠精确的躯体图像上提取小鼠的躯体质心位置、躯体面积、躯体轮廓周长、身体中心线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910988760.0A CN110751085B (zh) | 2019-10-17 | 2019-10-17 | 一种小鼠行为识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910988760.0A CN110751085B (zh) | 2019-10-17 | 2019-10-17 | 一种小鼠行为识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110751085A CN110751085A (zh) | 2020-02-04 |
CN110751085B true CN110751085B (zh) | 2023-06-16 |
Family
ID=69278711
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910988760.0A Active CN110751085B (zh) | 2019-10-17 | 2019-10-17 | 一种小鼠行为识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110751085B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112699783A (zh) * | 2020-12-29 | 2021-04-23 | 深圳力维智联技术有限公司 | 脚印识别方法、装置以及计算机可读存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109101924A (zh) * | 2018-08-14 | 2018-12-28 | 武汉大学 | 一种基于机器学习的路面交通标志识别方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100589117C (zh) * | 2007-04-18 | 2010-02-10 | 中国科学院自动化研究所 | 一种基于步态的性别识别方法 |
CN202563526U (zh) * | 2012-03-22 | 2012-11-28 | 北京尚易德科技有限公司 | 一种基于视频的交通车辆检测识别系统 |
CN108830144B (zh) * | 2018-05-03 | 2022-02-22 | 华南农业大学 | 一种基于改进Faster-R-CNN的哺乳母猪姿态识别方法 |
-
2019
- 2019-10-17 CN CN201910988760.0A patent/CN110751085B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109101924A (zh) * | 2018-08-14 | 2018-12-28 | 武汉大学 | 一种基于机器学习的路面交通标志识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110751085A (zh) | 2020-02-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109858540B (zh) | 一种基于多模态融合的医学图像识别系统及方法 | |
CN108960068A (zh) | 用于采集手指静脉图像的光源亮度调节装置及方法 | |
CN108717523A (zh) | 基于机器视觉的母猪发情行为检测方法 | |
CN111914685B (zh) | 母猪发情检测方法、装置、电子设备及存储介质 | |
CN104482860A (zh) | 鱼类形态参数自动测量装置和方法 | |
CN102509085A (zh) | 基于轮廓不变矩特征的猪行走姿态识别系统和方法 | |
CN107077626A (zh) | 动物用非侵入式多模态生物特征辨识系统 | |
CN109034016A (zh) | 一种普适性的基于s-cnn模型的手背静脉图像识别方法 | |
CN112288793B (zh) | 畜类个体背膘检测方法、装置、电子设备及存储介质 | |
CN114596448A (zh) | 一种肉鸭健康管理方法及其管理系统 | |
Almaadeed et al. | Partial shoeprint retrieval using multiple point-of-interest detectors and SIFT descriptors | |
CN110751085B (zh) | 一种小鼠行为识别方法 | |
CN111178172A (zh) | 实验鼠嗅探动作识别方法、模块及系统 | |
CN106960199B (zh) | 一种真彩色眼象图白睛区域的完整提取方法 | |
CN108664942A (zh) | 小鼠视频多维特征值的提取方法及视频分类方法 | |
CN116682106A (zh) | 一种基于深度学习的柑橘木虱智能检测方法及装置 | |
Wei et al. | Using threshold method to separate the edge, coating and body of tongue in automatic tongue diagnosis | |
CN117351404A (zh) | 一种奶牛分娩应激程度判识方法及系统 | |
CN106991371A (zh) | 一种基于中医五行人体质分类的面型采集与分析系统 | |
CN108664979A (zh) | 基于图像识别的玉米叶部病虫害检测模型的构建方法及应用 | |
JP3045129B2 (ja) | 動物の個体識別装置 | |
CN109711306B (zh) | 一种基于深度卷积神经网络获取面部特征的方法及设备 | |
Ibaraki et al. | Image analysis for plants: basic procedures and techniques | |
CN113627255A (zh) | 一种小鼠行为量化分析方法、装置、设备及可读存储介质 | |
Hipiny et al. | Towards Automated Biometric Identification of Sea Turtles (Chelonia mydas) |
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 |