張滿囤， 單新媛， 于 洋，*， 米 娜， 閻 剛， 郭迎春

(1.河北工業(yè)大學(xué) 計(jì)算機(jī)科學(xué)與軟件學(xué)院，天津 300401； 2.河北省大數(shù)據(jù)計(jì)算重點(diǎn)實(shí)驗(yàn)室，天津 300401)

基于小波變換和改進(jìn)KPCA的奶牛個(gè)體識(shí)別研究

張滿囤1，2， 單新媛1，2， 于 洋1，2，*， 米 娜1，2， 閻 剛1，2， 郭迎春1，2

(1.河北工業(yè)大學(xué) 計(jì)算機(jī)科學(xué)與軟件學(xué)院，天津 300401； 2.河北省大數(shù)據(jù)計(jì)算重點(diǎn)實(shí)驗(yàn)室，天津 300401)

為加快畜牧業(yè)現(xiàn)代化程度，克服傳統(tǒng)方法中奶牛個(gè)體識(shí)別正確率低的缺陷，針對(duì)奶牛個(gè)體紋理特征，對(duì)傳統(tǒng)KPCA(核主成分分析)方法從降低協(xié)方差矩陣維數(shù)和引入類別信息兩個(gè)角度進(jìn)行改進(jìn)，并與小波變換進(jìn)行結(jié)合，應(yīng)用于奶牛個(gè)體識(shí)別領(lǐng)域。首先對(duì)歸一化后的奶牛圖像進(jìn)行一層小波分解得到4個(gè)分量子圖，然后對(duì)各子圖利用改進(jìn)的KPCA進(jìn)行特征提取并引入加權(quán)策略融合，最后構(gòu)造出多類SVM分類器進(jìn)行學(xué)習(xí)分類。將預(yù)先采集的20頭奶牛個(gè)體的視頻數(shù)據(jù)轉(zhuǎn)化成圖片序列并選取20 000張組成實(shí)驗(yàn)數(shù)據(jù)集，通過多組對(duì)比實(shí)驗(yàn)對(duì)小波融合系數(shù)、融合向量組數(shù)、特征維數(shù)三個(gè)重要參數(shù)進(jìn)行設(shè)定，然后利用不同算法進(jìn)行奶牛個(gè)體識(shí)別實(shí)驗(yàn)。結(jié)果表明，提出方法在識(shí)別正確率達(dá)到96.31%時(shí)，僅用了4.20 s，較其他算法具有明顯優(yōu)勢(shì)，可以有效地應(yīng)用到奶牛個(gè)體識(shí)別領(lǐng)域，兼具高性能、低成本的優(yōu)勢(shì)。

小波變換；改進(jìn)KPCA；特征融合；奶牛；個(gè)體識(shí)別

信息技術(shù)飛速發(fā)展，農(nóng)業(yè)現(xiàn)代化步伐不斷加快，集約化、規(guī)?；膛ｐB(yǎng)殖體系得到大力推廣。奶牛個(gè)體識(shí)別作為奶牛信息化管理[1-4]的基礎(chǔ)，成為當(dāng)前畜牧行業(yè)的一個(gè)研究熱點(diǎn)。隨著人工智能與模式識(shí)別領(lǐng)域研究的不斷深入，利用圖像處理算法將奶牛個(gè)體識(shí)別與計(jì)算機(jī)視覺相聯(lián)系，已逐漸成為一項(xiàng)推動(dòng)大規(guī)模奶牛信息化管理的重要舉措。傳統(tǒng)地針對(duì)奶牛個(gè)體識(shí)別問題主要采取為每頭奶牛佩戴標(biāo)簽[5]的方法，但是該方法人工量大、工作繁瑣，此外，標(biāo)簽易破損、過多人為干涉會(huì)影響奶牛產(chǎn)奶量。目前畜牧業(yè)比較流行的識(shí)別方式主要基于無線射頻技術(shù)[6-8]，但是該技術(shù)無法實(shí)現(xiàn)遠(yuǎn)距離識(shí)別，具有較大的局限性。隨著計(jì)算機(jī)視覺的發(fā)展，結(jié)合奶牛特有的黑白花紋信息，利用圖像處理算法實(shí)現(xiàn)奶牛個(gè)體識(shí)別逐步引起國內(nèi)外相關(guān)學(xué)者的關(guān)注。Ahmed等[9]提出了運(yùn)用SURF算子提取奶牛嘴部紋理特征點(diǎn)，然后利用SVM分類器對(duì)奶牛個(gè)體進(jìn)行分類識(shí)別的方法，但是該方法中奶牛嘴部數(shù)據(jù)集的獲取具有一定的難度并且當(dāng)奶牛所處環(huán)境復(fù)雜時(shí)識(shí)別效果較差。Cai等[10]提出了一種基于牛臉LBP紋理特征進(jìn)行識(shí)別的方法，并通過稀疏化和低秩分解操作來提高圖片處理算法的魯棒性，結(jié)果表明，提取的LBP特征在一定程度上可以表征奶牛個(gè)體信息，但是奶牛臉部相比軀干包含的個(gè)體特有信息較少，區(qū)分度有限，識(shí)別正確率仍然不夠理想。

本文提出融合小波變換與改進(jìn)KPCA的奶牛個(gè)體識(shí)別研究。小波變換以其多分辨率分析能力在數(shù)字圖像領(lǐng)域[11-14]備受青睞，但是直接將小波變換后的效果圖轉(zhuǎn)化為特征向量很容易造成維數(shù)災(zāi)難，計(jì)算效率降低；KPCA即核主成分分析，是一種數(shù)據(jù)降維的有效方法，但是其定義僅僅從數(shù)學(xué)角度出發(fā)而沒有結(jié)合實(shí)際應(yīng)用，所以，其得到的特征向量中依然存在冗余信息。近年來，小波變換和KPCA的圖像識(shí)別算法在人臉識(shí)別領(lǐng)域取得較高正確率，但是效率問題仍未很好解決[15-16]。本文針對(duì)奶牛黑白花紋的紋理信息，在保證正確率的前提下對(duì)傳統(tǒng)KPCA算法從協(xié)方差矩陣維數(shù)和類別信息兩方面進(jìn)行了改進(jìn)，進(jìn)一步提升運(yùn)行效率，依此方法對(duì)經(jīng)過小波分解之后的各分量子圖特征進(jìn)行降維，并引入加權(quán)策略融合處理之后的各分量，得到奶牛圖像的特征矩陣，最后構(gòu)造出多類SVM分類器進(jìn)行學(xué)習(xí)分類。

1 原理

1.1 小波變換

相對(duì)于傅里葉變換，小波變換具有良好的視頻優(yōu)化能力，由于奶牛軀干黑白花紋的特征與人臉特征類似，是明顯的紋理特點(diǎn)，并且奶牛黑白花紋是局部分塊的，而小波變換對(duì)分塊特征的位置、尺度信息[17]處理效果較好，所以本文首先對(duì)奶牛圖像進(jìn)行小波變換。

對(duì)于尺寸為M×N的圖像，其二維離散小波變換的計(jì)算公式為(1)、(2)所示：

(1)

(2)

很明顯，圖1-c中LL子圖包含了原始奶牛圖像的大部分信息，可以看成是圖1-b的近似；LH和HL子圖分別保留了奶牛軀干的水平和垂直紋理信息；HH子圖包含的信息很少。

1.2 KPCA核主成分分析方法

1.2.1 傳統(tǒng)的 KPCA算法

KPCA(核主成分分析)方法[18]由PCA(主成分分析)演化而來，并引入了支持向量機(jī)SVM中核函數(shù)的基本思想。

a，一層小波變換示意圖a，Sketch map of wavelet transform once

b，一頭奶牛原始圖像b， Original image of one head of dairy cattle

c， 經(jīng)一層小波變換后圖像c， Map processed by wavelet transform once圖1 奶牛圖像一層小波變換效果圖Fig.1 Map of dairy cattle after wavelet transform once

KPCA具體算法步驟如下：

(1) 給定一組樣本X=(x1，x2，x3...xn)(n為樣本數(shù)目)，首先通過核函數(shù)來計(jì)算變換空間中的協(xié)方差矩陣A={Aij}n×n，其第i行，第j列元素計(jì)算公式如式(3)所示：

Aij=(φ(xi)·φ(xj))=a(xi，xj)。

(3)

其中：φ(·)是對(duì)應(yīng)的非線性變換；α(·，·)表示核函數(shù)。

(2) 依照公式(4)計(jì)算協(xié)方差矩陣的特征方程：

Aα=nλα。

(4)

(5)

(3) 計(jì)算樣本在主成分構(gòu)成的新空間上的投影：

由于非線性變換復(fù)雜，vr很難解出，但可直接計(jì)算樣本在第r個(gè)非線性主成分vr上的投影，如公式(6)所示：

(6)

若選定主成分的維數(shù)為d，則樣本在這d個(gè)主成分組成的特征空間中的投影即為

(7)

1.2.2 一種改進(jìn)的KPCA算法

傳統(tǒng)的KPCA算法旨在簡(jiǎn)化樣本特征向量的維數(shù)，但是在降維過程中僅強(qiáng)調(diào)了包含特征信息的最大化，并沒有結(jié)合樣本包含的類別信息，即忽略了后續(xù)需要分類的目的；并且當(dāng)樣本的數(shù)據(jù)集過大時(shí)，利用傳統(tǒng)KPCA算法得到的主成分特征進(jìn)行訓(xùn)練和識(shí)別依然需要消耗較多時(shí)間。分析至此，本文提出一種改進(jìn)的KPCA算法，將樣本特征從降低協(xié)方差矩陣維數(shù)和突出類別信息兩個(gè)角度進(jìn)行簡(jiǎn)化，同時(shí)保證識(shí)別正確率和傳統(tǒng)KPCA算法基本相當(dāng)。

(1)引入融合向量降維：假設(shè)樣本總數(shù)為N，其中樣本類別為C，每類樣本個(gè)數(shù)為M，利用吳成東等[19]的方法將同類樣本類內(nèi)分成P組，然后利用組內(nèi)融合向量

(8)

(9)

(2) 引入類別參數(shù)降維：傳統(tǒng)KPCA算法降維過程僅考慮了信息最大化，并沒有結(jié)合類別信息，有理由相信降維后的特征依然包含對(duì)于分類來講的多余信息，所以本文通過設(shè)置類內(nèi)聚合參數(shù)和類間散化參數(shù)定義度量參數(shù)，根據(jù)該度量參數(shù)選取相對(duì)最小化的特征維數(shù)。

類內(nèi)聚合參數(shù)Ik計(jì)算公式：

(10)

類間散化參數(shù)Dk計(jì)算公式：

(11)

其中：mik表示第i類樣本第k維分量的綜合表達(dá)；zilk表示第i類中第l個(gè)樣本的第k維分量；參數(shù)Dk表征了異類樣本之間的散化程度。

由公式(10)和公式(11)，定義維數(shù)度量參數(shù)δ:

(12)

δ越小表示類別越分明，越有利于后續(xù)的分類識(shí)別。在結(jié)合實(shí)際情況的基礎(chǔ)上設(shè)定d的值，求取前d個(gè)最小的δ對(duì)應(yīng)的主成分就得到了相對(duì)精簡(jiǎn)且全面的類別特征信息。

綜上，本文改進(jìn)的KPCA具體步驟如下：

(1) 設(shè)置融合信息組數(shù)，然后將樣本分成T組(各類別的融合組數(shù)之和)，分別計(jì)算各組的融合向量。

(2) 選擇合適的核函數(shù)，計(jì)算融合向量在特征空間中的協(xié)方差矩陣A={Aij}T×T，構(gòu)造協(xié)方差矩陣的特征方程求得特征值和特征向量，利用累積貢獻(xiàn)率得到初始主成分維數(shù)Q。

(3) 根據(jù)公式(12)計(jì)算Q個(gè)初始主成分的度量參數(shù)δ，選取前d(d

(4) 按照傳統(tǒng)KPCA步驟(3)計(jì)算樣本在特征空間上的投影。

以上描述可以得出，改進(jìn)KPCA在具有傳統(tǒng)KPCA信息全面性的同時(shí)，還引入了融合信息向量與類別信息的參與，進(jìn)一步降低了特征向量的維數(shù)，提高算法效率。

1.3 SVM多類分類器

傳統(tǒng)的支持向量機(jī)SVM分類器是一種經(jīng)典的二類分類器，相對(duì)于其他分類器，SVM對(duì)于小樣本、高維數(shù)分類問題表現(xiàn)出明顯的優(yōu)勢(shì)[20-21]。

本文中待解決的奶牛個(gè)體識(shí)別問題是一個(gè)多分類問題，故需構(gòu)造一個(gè)決策函數(shù)將多類問題向兩類問題轉(zhuǎn)化從而更好地使用SVM進(jìn)行分類。常見的有“一對(duì)一”、“一對(duì)多”和“有向無環(huán)圖”等[22-24]方式。本文中采用“一對(duì)多”的方式進(jìn)行處理，決策函數(shù)G(x)為公式(13)所示，即每次將全部奶牛訓(xùn)練數(shù)據(jù)分為“屬于第k(k=1，2，3……)頭”和“不屬于第k頭”兩大類，然后訓(xùn)練得到合適的SVM模型進(jìn)行測(cè)試分類。

(13)

其中：x為待識(shí)別樣本；fm(x)為第m個(gè)傳統(tǒng)SVM二分類器的決策函數(shù)[25]。

2 研究算法具體實(shí)現(xiàn)

在人臉識(shí)別應(yīng)用中，傳統(tǒng)方式都是在進(jìn)行小波分解之后取出低頻分量直接作為該人臉特征[26-28]進(jìn)行后續(xù)的處理，而圖1-c中很明顯看出，奶牛黑白條紋的邊緣信息在LH和HL分量子圖中得到了很好的體現(xiàn)，所以對(duì)于奶牛個(gè)體特征提取來說，高頻部分的信息也是十分必要的。因此，本文引入加權(quán)策略將經(jīng)過小波分解、改進(jìn)KPCA方法降維之后得到的特征向量進(jìn)行融合，以此保證信息的有效性。

該算法的主要部分是將歸一化后的奶牛圖片進(jìn)行一層小波分解，分別將4個(gè)分量子圖LL、LH、HL、HH按照公式(14)利用本文改進(jìn)的KPCA方法進(jìn)行特征提取。

(14)

ω1LLkpca+ω2LHkpca+ω3HLkpca+ω4HHkpca。

(15)

ω1+ω2+ω3+ω4=1。

(16)

綜上分析，本文算法的具體過程如下：

(1)對(duì)奶牛圖像進(jìn)行前期的歸一化處理，構(gòu)建實(shí)驗(yàn)數(shù)據(jù)庫；

(2)依照公式(1)與(2)對(duì)奶牛圖像進(jìn)行一層二維離散小波變換，得到LL，LH，HL，HH4個(gè)分量；

(3)依照公式(14)對(duì)步驟(2)中的4個(gè)分量分別進(jìn)行改進(jìn)的KPCA特征提取，得到各自特征矩陣；

(4)實(shí)驗(yàn)選擇合適的權(quán)值進(jìn)行4個(gè)分量特征融合，融合公式如公式(15)；

(5)將融合后的總特征Y作為奶牛圖像的特征；然后將所有奶牛數(shù)據(jù)分為訓(xùn)練集和測(cè)試集，分別利用多類SVM進(jìn)行訓(xùn)練測(cè)試。

3 實(shí)驗(yàn)

3.1 關(guān)于實(shí)驗(yàn)數(shù)據(jù)

為保證樣本量的充足，實(shí)驗(yàn)初始數(shù)據(jù)以視頻格式獲取。所有視頻段于2016年 9月采集自河北保定的一家規(guī)模為500頭的奶牛養(yǎng)殖公司，奶牛會(huì)固定在每天上午8：00—9：00以及下午13：00—14：00依次穿過一條長100 m、寬6 m、兩側(cè)裝有柵欄的特定窄道行走至擠奶廳擠奶，在緊鄰柵欄外側(cè)架兩臺(tái)攝像機(jī)，攝像機(jī)型號(hào)為Canon LEGRIA HF R38，幀率為25 FPS·s-1，內(nèi)存為32 G，分辨率為1 920 PX(水平) ×1 080 PX (垂直)。設(shè)置攝像機(jī)高度使得奶牛個(gè)體經(jīng)過時(shí)大致位于視頻圖像的中間位置；調(diào)整焦距使整個(gè)攝像視野大約為奶牛身體長度的2倍；固定兩臺(tái)攝像機(jī)水平間距約為10 m使兩臺(tái)攝像視野無交叉部分，從而保證數(shù)據(jù)量的充足和攝像機(jī)的高效利用。鑒于20頭奶牛數(shù)據(jù)的分類任務(wù)即可以驗(yàn)證出算法的有效性，所以采集樣本對(duì)象為20頭奶牛個(gè)體。

在攝像機(jī)采光自然、成像清晰、適宜視頻錄制的自然光照條件下，溫度約20 ℃、濕度適宜、無霾、空氣質(zhì)量等級(jí)為良的天氣環(huán)境，在奶牛進(jìn)行擠奶的兩個(gè)固定時(shí)段采集20頭身體健康、自然行走的奶牛視頻。奶牛行走的窄道假設(shè)用線段AB表示，每頭奶牛分別從A端出發(fā)，從奶牛進(jìn)入1號(hào)攝像機(jī)的攝像范圍開始到奶牛完全離開1號(hào)攝像機(jī)攝像范圍為止作為該奶牛個(gè)體的視頻段1，然后從進(jìn)入2號(hào)攝像機(jī)的攝像范圍開始到完全離開2號(hào)攝像機(jī)攝像范圍為止作為該奶牛個(gè)體的視頻段2。每天上午、下午為選定的20頭奶牛各采集一次視頻，同樣的光照、溫度以及時(shí)間段等條件共采集4 d，即每頭奶牛16段視頻，每段時(shí)長約為10 s。

分別將上述采集的20頭奶牛視頻數(shù)據(jù)轉(zhuǎn)化成圖片序列，初始圖片大小為1920 PX(水平) ×1080 PX (垂直)，人工截取出每張圖像中的奶牛個(gè)體，旨在去除圖像中的大部分噪聲。從牛場(chǎng)500頭奶牛個(gè)體中隨機(jī)抽取總數(shù)1/10的樣本，人工測(cè)量每頭抽樣奶牛個(gè)體身體部位寬度和高度比例，然后求取所有抽樣個(gè)體該比例的平均值近似作為每頭奶牛個(gè)體身體比例，依此確定出奶牛個(gè)體部位寬度和高度平均比例為8∶5，在保證特征有效提取的前提下成比例縮小圖片尺寸，最終利用相關(guān)程序?qū)⒔?jīng)過上述處理的20頭奶牛的所有圖片歸一化為128 PX(水平) ×80 PX (垂直)，人工選取包含某頭奶牛身長一半及以上的圖片作為實(shí)驗(yàn)的有效圖片。

將20頭奶牛從1到20編號(hào)，表示20個(gè)待識(shí)別的不同奶牛個(gè)體，每頭奶牛保留1 000張有效圖片，隨機(jī)選擇800張用于訓(xùn)練，剩余200張用于測(cè)試。

3.2 實(shí)驗(yàn)結(jié)果及分析

本實(shí)驗(yàn)選擇常用的Haar型小波，其函數(shù)實(shí)現(xiàn)簡(jiǎn)單并且兼具緊支撐性和雙正交性，運(yùn)算速度快；所以實(shí)驗(yàn)部分對(duì)歸一化后128 PX(水平) ×80 PX (垂直)的奶牛圖像進(jìn)行一層Haar小波分解，然后將得到的LL、LH、HL、HH4個(gè)不同分量對(duì)應(yīng)的4個(gè)64 PX(水平) ×40 PX (垂直)的小波系數(shù)分別作為改進(jìn)KPCA特征提取的輸入向量，本文采用應(yīng)用最廣泛的RBF函數(shù)作為KPCA核函數(shù)，設(shè)定0.95的閾值選擇初始主成分的個(gè)數(shù)。

為充分顯示本研究算法的有效性，首先對(duì)相關(guān)參數(shù)選取進(jìn)行對(duì)比實(shí)驗(yàn)。為除去隨機(jī)結(jié)果的干擾，以下數(shù)據(jù)均是相同條件下重復(fù)10次實(shí)驗(yàn)得到的平均結(jié)果。

3.2.1 小波分量的不同融合權(quán)值對(duì)比實(shí)驗(yàn)

由圖1及其分析可以得到4個(gè)分量融合權(quán)值的關(guān)系應(yīng)滿足：ω1>ω2=ω3>ω4，表1是選取不同特征融合權(quán)值序列進(jìn)行實(shí)驗(yàn)得到的結(jié)果。

實(shí)驗(yàn)1、2、3顯示：當(dāng)LL所占比例較小時(shí)，隨著LL比例增加、HH比例減少，識(shí)別正確率上升，說明LL包含的信息對(duì)識(shí)別結(jié)果影響更大。實(shí)驗(yàn)3、4顯示：雖然HH比例對(duì)實(shí)驗(yàn)結(jié)果影響較小，但是依然包含對(duì)識(shí)別結(jié)果有促進(jìn)作用的信息，所以傳統(tǒng)方法中直接舍棄該部分信息是不合理的。當(dāng)[ω1，ω2，ω3，ω4]序列取[0.80，0.085，0.085，0.03]時(shí)，算法正確率高達(dá)96.55%。實(shí)驗(yàn)4、5顯示：在實(shí)驗(yàn)4條件下繼續(xù)增加LL所占比例 ，減少LH、HL比例，識(shí)別正確率出現(xiàn)下降趨勢(shì)，進(jìn)一步驗(yàn)證了高頻信息的有效性；實(shí)驗(yàn)4、6同理。

實(shí)驗(yàn)結(jié)果表明：小波變換分解得到的各分量均包含有效信息，缺一不可，選擇恰當(dāng)?shù)娜诤蠙?quán)值，可以提高識(shí)別正確率。

3.2.2 改進(jìn)KPCA中融合信息向量組數(shù)對(duì)比實(shí)驗(yàn)

為了對(duì)比的嚴(yán)謹(jǐn)性，本組實(shí)驗(yàn)使用的改進(jìn)KPCA算法僅引入融合向量，這里稱作“小波+改進(jìn)KPCA算法1”，其他部分均與傳統(tǒng)KPCA算法步驟相同。通過分析拍攝的奶牛視頻幀速度為25 FPS·s-1，即每秒刷新25張圖片，結(jié)合奶牛行走速度，每秒內(nèi)的奶牛外形信息基本相同，所以對(duì)于小波變換后的奶牛圖像的某一分量來說將同一秒內(nèi)的特征向量劃為一組是合理的，由于實(shí)驗(yàn)數(shù)據(jù)庫每頭奶牛1 000張圖片，所以實(shí)驗(yàn)討論將每頭奶牛某一分量的特征向量劃為40組左右的對(duì)比實(shí)驗(yàn)。

表1不同的特征融合權(quán)值序列識(shí)別正確率

Table1Accuracy of different fusion weight sequences

序號(hào)Sequencenumber權(quán)值序列[ω1，ω2，ω3，ω4]Weightsequence[ω1，ω2，ω3，ω4]識(shí)別正確率/%Recognitionaccuracy1[075，010，010，005]95132[078，010，010，002]95373[080，010，010，0]96014[080，0085，0085，003]96555[082，0075，0075，003]95336[082，0085，0085，001]9574

表2給出融合組數(shù)分別為20、30、40、50的對(duì)比實(shí)驗(yàn)條件及結(jié)果，可以得到：組數(shù)取20和30時(shí)識(shí)別速度很快，但是識(shí)別正確率和傳統(tǒng)方法有一定的差距，這是因?yàn)榻M數(shù)較少可能導(dǎo)致組內(nèi)信息差異較大，此時(shí)選取的融合向量并不能很好地代表整組信息。當(dāng)組數(shù)達(dá)到40組時(shí)，識(shí)別結(jié)果和傳統(tǒng)方法識(shí)別正確率基本相當(dāng)，但是識(shí)別速度上升明顯，約為傳統(tǒng)方法的6倍。繼續(xù)增加組數(shù)，識(shí)別正確率基本不變，時(shí)間上升，此時(shí)引入融合向量的優(yōu)勢(shì)不再明顯。

3.2.3 改進(jìn)KPCA中不同特征維數(shù)對(duì)比實(shí)驗(yàn)

為了選取改進(jìn)KPCA算法中依據(jù)度量參數(shù)確定的主成分維數(shù)，表3給出三種算法的對(duì)比實(shí)驗(yàn)，“小波+改進(jìn)KPCA算法1”同2)中解釋。其中，小波+改進(jìn)KPCA算法1和本文算法中每類融合向量組數(shù)均設(shè)定為40，由此可根據(jù)累計(jì)貢獻(xiàn)率公式得到初始主成分維數(shù)為37。由表3可以看出，傳統(tǒng)KPCA算法得到的主成分中確實(shí)存在大量的多余信息；當(dāng)KPCA算法引入度量參數(shù)之后，可以得到：當(dāng)特征維數(shù)選取25時(shí)，識(shí)別正確率和識(shí)別速度都較高；繼續(xù)減少特征維數(shù)，識(shí)別正確率出現(xiàn)下滑趨勢(shì)，這是因?yàn)橛行卣魅笔?，?dǎo)致識(shí)別信息不充分。2，3組對(duì)比實(shí)驗(yàn)表明，引入度量參數(shù)可以在保證有效信息的同時(shí)實(shí)現(xiàn)特征維數(shù)的進(jìn)一步簡(jiǎn)化，提高識(shí)別效率。

表2不同融合向量組數(shù)對(duì)比實(shí)驗(yàn)結(jié)果

Table2Results of experiments for different groups of combination vectors

算法類型Algorithmtype融合向量組數(shù)Numberoffusionvectorgroups識(shí)別正確率Recognitionaccuracy/%識(shí)別時(shí)間Recognitiontime/s小波+傳統(tǒng)KPCA算法Wavelettransform+traditionalKPCAalgorithm-96554067小波+改進(jìn)KPCA算法1209019283Wavelettransform+improvedKPCAalgorithm1309420374409639680509643827

3.2.4 不同處理算法對(duì)比實(shí)驗(yàn)

為了驗(yàn)證本文算法的有效性，表4為本文算法與其他算法的對(duì)比實(shí)驗(yàn)結(jié)果：

實(shí)驗(yàn)1、2分別采用本文算法與僅本文改進(jìn)KPCA算法對(duì)奶牛個(gè)體識(shí)別進(jìn)行實(shí)驗(yàn)，在融合組數(shù)和選取特征維數(shù)均相同的條件下，本文算法的識(shí)別正確率明顯高于僅采用本文改進(jìn)KPCA算法的結(jié)果。這是由于小波變換在壓縮圖片的同時(shí)加權(quán)融合了各分量，在減小圖像尺寸的基礎(chǔ)上能夠比較全面地表征原始圖像，并且一定程度上消除了噪聲信息，提高了有效信息的比例；但在僅采用本文改進(jìn)的KPCA算法時(shí)，由于圖片尺寸相比小波變換之后圖片較大，在參數(shù)選擇與本文算法一致時(shí)會(huì)導(dǎo)致圖像的必要信息不足并可能含有噪聲，從而導(dǎo)致識(shí)別率下降；本組對(duì)比實(shí)驗(yàn)體現(xiàn)了引入小波變換的有效性。

實(shí)驗(yàn)1、3表明，本文算法較小波結(jié)合傳統(tǒng)KPCA算法在識(shí)別結(jié)果基本相當(dāng)?shù)那闆r下，識(shí)別速度僅用了4.20 s，體現(xiàn)了本文算法在保證識(shí)別準(zhǔn)確率的同時(shí)，大大減小了時(shí)間消耗；實(shí)驗(yàn)1和4、5表明，本文算法較傳統(tǒng)奶牛識(shí)別算法雖然識(shí)別速度略低，但是平均識(shí)別率有了明顯提升，比文獻(xiàn)[9]方法提高了3.34%，比文獻(xiàn)[10]方法提高了5.83%。綜上分析，本文算法在識(shí)別正確率和識(shí)別速度方面均達(dá)到了較好的效果。

表3不同特征維數(shù)對(duì)比實(shí)驗(yàn)結(jié)果

Table3Results of experiments for different feature dimensions

序號(hào)Sequencenumber算法類型Algorithmtype特征維數(shù)Featuredimension識(shí)別正確率Recognitionaccuracy/%識(shí)別時(shí)間Recognitiontime/s1小波+傳統(tǒng)KPCA算法Wavelettransform+traditionalKPCAalgorithm868965540672小波+改進(jìn)KPCA算法1Wavelettransform+improvedKPCAalgorithm13796396803本文算法359640643Algorithminthispaper309637565259631420209317297189109256

表4不同算法對(duì)比識(shí)別結(jié)果

Table4Recognition results of different algorithms

序號(hào)Sequencenumber算法類型Algorithmtype融合向量組數(shù)Numberoffusionvectorgroups特征維數(shù)Featuredimension識(shí)別正確率Recognitionaccuracy/%識(shí)別時(shí)間Recognitiontime/s1本文算法Algorithminthispaper402596314202僅本文KPCA算法OnlyKPCAalgorithminthispaper402590254183小波+傳統(tǒng)KPCA算法Wavelettransform+traditionalKPCAalgorithm＿868965540674文獻(xiàn)[9]方法Algorithminreference[9]＿＿92973085文獻(xiàn)[10]方法Algorithminreference[10]＿＿9048251

4 結(jié)論

本文在結(jié)合奶牛紋理分布特點(diǎn)分析小波變換和KPCA特征提取的基礎(chǔ)上，對(duì)傳統(tǒng)KPCA進(jìn)行了兩方面的改進(jìn)，然后將融合小波變換和改進(jìn)后的KPCA方法應(yīng)用于奶牛個(gè)體識(shí)別。通過實(shí)驗(yàn)選取設(shè)定相關(guān)參數(shù)值，使用不同算法對(duì)20頭奶牛進(jìn)行個(gè)體識(shí)別的實(shí)驗(yàn)，結(jié)果表明，本文算法在保證識(shí)別率與傳統(tǒng)小波變換和KPCA算法基本不變的前提下，時(shí)間縮減到其1/10，同時(shí)本文算法較文獻(xiàn)[9]與文獻(xiàn)[10]算法識(shí)別正確率分別提高了3.34%與5.83%?？梢缘贸?，本文算法可以有效地應(yīng)用到奶牛個(gè)體識(shí)別領(lǐng)域，對(duì)于加快奶牛等畜牧業(yè)的信息化管理具有一定的現(xiàn)實(shí)意義。

[1] 靳蜜肖， 李亞敏， 曾立華. 一種犢牛飼喂控制系統(tǒng)的設(shè)計(jì)[J]. 浙江農(nóng)業(yè)學(xué)報(bào)， 2014， 26(1):206-209.

JIN M X， LI Y M， ZENG L H. A design of the feeding control system for calf[J].ActaAgriculturaeZhejiangensis， 2014， 26(1):206-209.(in Chinese with English abstract)

[2] 葉耿坪， 劉光磊， 張春剛，等. 物聯(lián)網(wǎng)在奶牛養(yǎng)殖及生鮮乳質(zhì)量控制中的應(yīng)用進(jìn)展[J]. 中國奶牛， 2015(21):43-47.

YE G P， LIU G L， ZHANG C G， et al. Application of internet of things in dairy farming and quality control of fresh milk[J].ChinaDairyCattle， 2015(21):43-47.(in Chinese with English abstract)

[3] 岳慶磊， 李明貴. 規(guī)?；膛?chǎng)數(shù)字化集成技術(shù)應(yīng)用試驗(yàn)[J]. 中國畜禽種業(yè)， 2017， 13(3):76-77.

YUE Q L， LI M G. Application test of digital integrated technology in large-scale dairy farm[J].TheChineseLivestockandPoultryBreeding，2017， 13(3):76-77.(in Chinese with English abstract)

[4] 田富洋，王冉冉，劉莫塵，等. 基于神經(jīng)網(wǎng)絡(luò)的奶牛發(fā)情行為辨識(shí)與預(yù)測(cè)研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2013，44(S1):277-281.

TIAN F Y， WANG R R， LIU M C， et al. Oestrus detection and prediction in dairy cows based on neural networks[J].TransactionsoftheChineseSocietyforAgriculturalMachinery， 2013， 44(S1):277-281.(in Chinese with English abstract)

[5] 金一初. 基于小波矩的奶牛識(shí)別算法研究[D]. 上海:上海師范大學(xué)， 2011.

JIN Y C. The research on algorithms for recognition of cow image based on wavelet moment[D].Shanghai: Shanghai Normal University，2011. (in Chinese with English abstract)

[6] 陳紅莉. 基于RFID技術(shù)在規(guī)模化奶牛場(chǎng)中的應(yīng)用[J]. 獸醫(yī)導(dǎo)刊， 2015(4):6-8.

CHEN H L. Application of RFID technology in large-scale dairy farms[J].VeterinaryOrientation， 2015(4):6-8.(in Chinese with English abstract)

[7] 鄧群芳， 沈維政， 劉笑然. 基于RFID和GPRS技術(shù)的奶牛生產(chǎn)管理手持式終端的設(shè)計(jì)[J]. 自動(dòng)化技術(shù)與應(yīng)用， 2014， 33(1):49-52.

DENG Q F， SHEN W Z， LIU X R. The development of handy terminal for cow’s production management based on RFID and GPRS[J].TechniquesofAutomation&Applications， 2014， 33(1):49-52.(in Chinese with English abstract)

[8] 龐超，何東健，李長悅，等.基于RFID與WSN的奶牛養(yǎng)殖溯源信息采集與傳輸方法[J].農(nóng)業(yè)工程學(xué)報(bào)，2011，27(9):147-152.

PANG C， HE D J， LI C Y， et al. Method of traceability information acquisition and transmission for dairy cattle based on integrating of RFID and WSN[J].TransactionsofChineseSocietyofAgriculturalEngineering， 2011， 27(9): 147-152(in Chinese with English abstract)

[9] AHMED S， GABER T， THARWAT A， et al. Muzzle-Based cattle identification using speed up robust feature approach[C]// International Conference on Intelligent NETWORKING and Collaborative Systems. IEEE Computer Society， 2015:99-104.

[10] CAI C， LI J. Cattle face recognition using local binary pattern descriptor[C]// Signal and Information Processing Association Summit and Conference. IEEE， 2013:1-4.

[11] CHAUX C， DUVAL L， PESQUET J C. Image analysis using a dual-tree m-band wavelet transform[J].IEEETransactionsonImageProcessingAPublicationoftheIEEESignalProcessingSociety， 2017， 15(8):2397-412.

[12] ABED M A， ALASADI H A A. Cuckoo search algorithm and discrete wavelet transform for Iraqi road signs recognition system[J].SocialScienceElectronicPublishing， 2017.

[13] 張軍，成禮智，楊海濱，等. 基于紋理的自適應(yīng)提升小波變換圖像壓縮[J]. 計(jì)算機(jī)學(xué)報(bào)，2010，33(1):184-192.

ZHANG J， CHENG L Z， YANG H B， et al. Adaptive lifting wavelet transform and image compression via texture[J].ChineseJournalofComputers， 2010， 33(1):184-192. (in Chinese with English abstract)

[14] 王劍平， 張捷. 小波變換在數(shù)字圖像處理中的應(yīng)用[J]. 現(xiàn)代電子技術(shù)， 2011， 34(1):91-94.

WANG J P， ZHANG J. Application of wavelet transform in digital image processing[J].ModernElectronicsTechnique， 2011， 34(4): 91-94. (in Chinese with English abstract)

[15] 王曉華， 趙志雄. 結(jié)合伽馬變換和小波變換的PCA人臉識(shí)別算法[J]. 計(jì)算機(jī)工程與應(yīng)用， 2016， 52(5):190-193.

WANG X H， ZHAO Z X. PCA face recognition algorithm combined with gamma transform and wavelet transform[J].ComputerEngineeringandApplications， 2016， 52(5)：190-193. (in Chinese with English abstract)

[16] 趙煥利，王玉德，張學(xué)志，等. 小波變換和特征加權(quán)融合的人臉識(shí)別[J]. 中國圖象圖形學(xué)報(bào)，2012，17(12):1522-1527.

ZHAO H L， WANG Y D， ZHANG X Z， et al. Face recognition based on wavelet transform and weighted fusion of face features[J].JournalofImage&Graphics， 2012， 17(12):1522-1527. (in Chinese with English abstract)

[17] GONZALEZ R C， WINTZ P. Digital image processing[M]. 3rd Edition. Addison-Wesley， 2010:483-484.

[18] FENG D， XIAO M， LIU Y， et al. A kernel principal component analysis-based degradation model and remaining useful life estimation for the turbofan engine[J].AdvancesinMechanicalEngineering， 2016， 8(5)：1-13.

[19] 吳成東， 樊玉泉， 張?jiān)浦?，? 基于改進(jìn)KPCA算法的車牌字符識(shí)別方法[J]. 東北大學(xué)學(xué)報(bào)(自然科學(xué)版)， 2008， 29(5):629-632.

WU C D， FAN Y Q， ZHANG Y Z， et al. License plate recognition method based on improved KPCA algorithm[J].JournalofNortheasternUniversity(NaturalScience)， 2008， 29(5):629-632. (in Chinese with English abstract)

[20] KIM S K， PARK Y J， TOH K A， et al. SVM-based feature extraction for face recognition[J].PatternRecognition， 2010， 43(8):2871-2881.

[21] LI W， LIU L， GONG W. Multi-objective uniform design as a SVM model selection tool for face recognition[J].ExpertSystemswithApplicationsAnInternationalJournal， 2011， 38(6):6689-6695.

[22] 孫少乙， 黃志波. 一種SVM多分類算法[J]. 微型機(jī)與應(yīng)用， 2016， 35(8):12-14.

SUN S J， HUANG Z B. A multi-class SVM classification algorithm[J].Microcomputer&ItsApplications， 2016， 35(8):12-14. (in Chinese with English abstract)

[24] 沈健， 蔣蕓， 鄒麗，等. 基于節(jié)點(diǎn)選擇優(yōu)化的DAG-SVM多類別分類[J]. 計(jì)算機(jī)工程， 2015， 41(6):143-146.

SHEN J， JIANG Y， ZOU L， et al. DAG-SVM Multi-class classification based on nodes selection optimization[J].ComputerEngineering，2015，41(6):143-146. (in Chinese with English abstract)

[25] 張學(xué)工.模式識(shí)別[M].三版.北京：清華大學(xué)出版社，2010: 71-73.

[26] BUI T T T， PHAN N H， SPITSYN V G， et al. Development of algorithms for face and character recognition based on wavelet transforms， PCA and neural networks[C]// International Siberian Conference on Control and Communications. IEEE， 2015:1-6.

[27] MUKHEDKAR M M， POWALKAR S B. Fast face recognition based on Wavelet Transform on PCA[C]// International Conference on Energy Systems and Applications. IEEE， 2015:761-764.

[28] 鐘森海， 汪烈軍， 張莉. 小樣本條件下的人臉特征提取算法[J]. 計(jì)算機(jī)工程與應(yīng)用， 2015， 51(8):165-169.

ZHONG S H， WANG L J， ZHANG L. Face feature extraction algorithm for small training sets[J].ComputerEngineeringandApplications， 2015， 51(8):165-169. (in Chinese with English abstract)

ResearchofindividualdairycattlerecognitionbasedonwavelettransformandimprovedKPCA

ZHANG Mandun1，2， SHAN Xinyuan1，2， YU Yang1，2，*， MI Na1，2， YAN Gang1，2， GUO Yingchun1，2

(1.SchoolofComputerScienceandEngineering，HebeiUniversityofTechnology，Tianjin300401，China; 2.HebeiProvinceKeyLaboratoryofBigDataCalculation，Tianjin300401，China)

To speed up the modernization of stockbreeding and overcome the defects of the low accuracy of individual dairy cattle recognition with traditional methods， the traditional KPCA (kernel principal component analysis) method was improved from two angles of reducing the covariance matrix dimension and introducing category information. The research of combining wavelet transform with improved KPCA was applied for recognition dairy cattle based on the texture feature. Firstly， the normalized dairy cattle image was decomposed by wavelet transform to obtain four sub-graphs. Then an improved KPCA algorithm was used for feature extraction of each sub-graph and the feature matrix was obtained by weighting the feature components. Finally， multi-class SVM algorithm was built for training and classification. The pre-collected 20 dairy cattle’s videos were converted into image sequence and 20 000 images were chosen to form experiment data sets. Through several groups of experiments for three important parameters of the wavelet fusion weights， the number of fusion vector groups and the feature dimension， values were set and then experiments of individual dairy cattle recognition were performed using different algorithms. The results showed that it took only 4.20 s for the proposed method reach the accuracy of 96.31%， which has obvious advantages over other algorithms. It can be appropriately applied to the field of dairy cattle individual recognition with high performance and low cost.

wavelet transform; improved KPCA; feature fusion; dairy cattle; individual recognition

浙江農(nóng)業(yè)學(xué)報(bào)ActaAgriculturaeZhejiangensis， 2017，29(12): 2000-2008

http://www.zjnyxb.cn

張滿囤， 單新媛， 于洋，等. 基于小波變換和改進(jìn)KPCA的奶牛個(gè)體識(shí)別研究[J].浙江農(nóng)業(yè)學(xué)報(bào)，2017，29(12): 2000-2008.

10.3969/j.issn.1004-1524.2017.12.07

2017-06-13

天津市科委科技支撐計(jì)劃項(xiàng)目(15ZCZDNC00130)

張滿囤(1971—)，男，天津人，博士，副教授，主要從事模式識(shí)別、人機(jī)交互、計(jì)算機(jī)圖形學(xué)研究。E-mail：zhangmandun@scse.hebut.edu.cn

*通信作者，于洋，E-mail: yuyang@scse.hebut.edu.cn

TP391.41；S823.9+1

A

1004-1524(2017)12-2000-09

(責(zé)任編輯張 韻)