趙建敏,姜世奇,李 琦

(內(nèi)蒙古科技大學(xué) 信息工程學(xué)院，內(nèi)蒙古 包頭 014000)

0 引 言

目前傳統(tǒng)畜牧業(yè)正在不斷尋找新的發(fā)展模式，不再僅以增產(chǎn)為主，轉(zhuǎn)而更加注重產(chǎn)品的質(zhì)量與品種，向智能化、精細(xì)化、規(guī)?；较虬l(fā)展，提出了精準(zhǔn)畜牧業(yè)的發(fā)展理念，這也是由我國(guó)目前的發(fā)展現(xiàn)狀與時(shí)代特征所決定的，同時(shí)也對(duì)牲畜的個(gè)體身份識(shí)別提出了更高的要求。目前主流的牛個(gè)體識(shí)別都是采用基于射頻識(shí)別(radio frequency identification,RFID)的識(shí)別方式[1～3]，這種方法不僅識(shí)別距離有限，而且存在被替換、損壞和丟失導(dǎo)致無(wú)法準(zhǔn)確識(shí)別的潛在風(fēng)險(xiǎn)。因此，國(guó)內(nèi)外學(xué)者利用圖像處理技術(shù)對(duì)牲畜的識(shí)別展開(kāi)了廣泛的研究。Xia M等人[4]提出了利用稀疏表示分類(lèi)器(SRC)對(duì)牛臉圖像進(jìn)行識(shí)別，通過(guò)主成分分析(PCA)進(jìn)行特征提取后利用SRC進(jìn)行識(shí)別。陳娟娟等人[5]用改進(jìn)的特征袋模型(BOF)對(duì)奶牛頭部圖像進(jìn)行識(shí)別，在基于空間金字塔匹配原理(SPM)的BOF模型上，引入了HOG特征替換SIFT特征，針對(duì)奶牛圖像降低特征復(fù)雜度，提升了識(shí)別性能。深度學(xué)習(xí)的興起使得卷積神經(jīng)網(wǎng)絡(luò)(CNN)對(duì)圖像識(shí)別表現(xiàn)優(yōu)異，很多學(xué)者利用CNN進(jìn)行牛的個(gè)體識(shí)別[6，7]，取得了較好的識(shí)別效果，但基于CNN的網(wǎng)絡(luò)模型需要大量人工標(biāo)注的數(shù)據(jù)進(jìn)行訓(xùn)練與測(cè)試，對(duì)于人力成本要求較高，在實(shí)際牧場(chǎng)應(yīng)用中難以大范圍開(kāi)展。Kumar S等人[8,9]利用牛的鼻口點(diǎn)(muzzle point)信息來(lái)進(jìn)行個(gè)體識(shí)別，這些信息與人類(lèi)指紋類(lèi)似具有較高的辨識(shí)度，但相比臉部圖像獲取，鼻口點(diǎn)數(shù)據(jù)的實(shí)際采集過(guò)程對(duì)人工成本要求較高，采集難度較大，實(shí)際應(yīng)用困難。

對(duì)此，本文將字典學(xué)習(xí)理論結(jié)合牛臉圖像識(shí)別應(yīng)用到牛的個(gè)體身份識(shí)別，在經(jīng)典K-SVD算法[10]基礎(chǔ)上進(jìn)行了改進(jìn)，對(duì)于輸入的牛臉圖像，通過(guò)構(gòu)造冗余字典原子的線性組合來(lái)對(duì)樣本進(jìn)行稀疏表示，在稀疏表示過(guò)程中加強(qiáng)了原子的優(yōu)化策略，求解樣本在不同字典下的重構(gòu)誤差，針對(duì)牛臉識(shí)別問(wèn)題，有了明顯改善。

1 材 料

數(shù)據(jù)來(lái)源于內(nèi)蒙古自治區(qū)烏蘭察布市察哈爾地區(qū)某牧場(chǎng)，為了更好地采集完整的牛臉圖像，選取了牛在飲水期間進(jìn)行圖像采集，經(jīng)過(guò)挑選后構(gòu)造了一個(gè)牛臉圖像數(shù)據(jù)集IMCFR20。該數(shù)據(jù)集中包含20頭牛，每頭牛挑選20張正面牛臉圖片，共計(jì)400張。采集時(shí)間為2018年7月，采集設(shè)備為高清數(shù)碼攝像機(jī)。

圖1為IMCFR20數(shù)據(jù)集中部分牛只ID對(duì)應(yīng)的牛臉圖像，可以看出除ID17的花紋毛色呈現(xiàn)明顯區(qū)別外，其余ID02，03，06，15所代表的牛只外形極為相似，只在牛角以及毛發(fā)的彎曲程度以及其他細(xì)節(jié)特征上有所區(qū)別。除此以外，相似的養(yǎng)殖環(huán)境進(jìn)一步提升了識(shí)別難度，依賴(lài)人的主觀判斷很難對(duì)其進(jìn)行準(zhǔn)確識(shí)別。

圖1 IMCFR20部分牛臉圖像

2 方 法

2.1 K-SVD算法

K-SVD算法的提出將K-Means與SVD進(jìn)行了有機(jī)結(jié)合，通過(guò)得到一個(gè)對(duì)原始樣本進(jìn)行學(xué)習(xí)的冗余字典，利用其原子的線性組合來(lái)實(shí)現(xiàn)近似表示。對(duì)于樣本集合Y=[y1,…,yN]∈Rn×N，可以近似描述為Y≈DX，D=[d1,…,dK]∈Rn×K表示過(guò)完備字典，X=[x1,…,xN]∈RK×N表示Y對(duì)應(yīng)稀疏系數(shù)構(gòu)成的矩陣。算法可表示為以下問(wèn)題的優(yōu)化

(1)

在求解過(guò)程中大致分為三個(gè)步驟：第一步是初始化D0，在Y中隨機(jī)選取K個(gè)樣本對(duì)字典進(jìn)行初始化。第二步是稀疏編碼過(guò)程，將式(1)的優(yōu)化問(wèn)題轉(zhuǎn)換為求解Y對(duì)應(yīng)稀疏矩陣X，這里采用OMP算法[11]進(jìn)行求解，通過(guò)不斷迭代計(jì)算樣本向量與字典原子的內(nèi)積，選擇與信號(hào)殘差最匹配的原子，直到滿足稀疏度限制。第三步是字典更新過(guò)程，交替優(yōu)化求解X和D。在更新時(shí)對(duì)X中非零列逐次更新，將式(1)轉(zhuǎn)換為

(2)

(3)

2.2 K-SVD算法的改進(jìn)

K-SVD在稀疏編碼階段是通過(guò)求解一個(gè)稀疏矩陣來(lái)對(duì)算法進(jìn)行優(yōu)化，通常采用OMP算法。具體是通過(guò)反復(fù)迭代求解樣本向量與字典原子的內(nèi)積來(lái)尋找一個(gè)最佳的正交投影進(jìn)行信號(hào)的稀疏逼近。在利用牛臉圖像進(jìn)行牛個(gè)體身份的識(shí)別問(wèn)題上，希望通過(guò)輸入的牛臉圖像盡可能準(zhǔn)確地對(duì)牛個(gè)體進(jìn)行分類(lèi)和識(shí)別，不需要對(duì)原始的牛臉圖像進(jìn)行精準(zhǔn)的重構(gòu)，而對(duì)于輸入樣本的稀疏表達(dá)形式提出了不同要求。因此針對(duì)分類(lèi)與識(shí)別問(wèn)題，使殘差盡可能取最小并不是目的，而是需要使稀疏向量的系數(shù)盡可能非負(fù)。借鑒文獻(xiàn)[12]的思想對(duì)OMP算法進(jìn)行改進(jìn)，為了使負(fù)值系數(shù)盡可能少出現(xiàn)，在迭代過(guò)程中不再選取使內(nèi)積最大的字典原子作為最優(yōu)解，而是保留使系數(shù)取最大值的原子，將其余原子去除，進(jìn)而實(shí)現(xiàn)稀疏表示的優(yōu)化。具體流程如下：

輸入：字典D，樣本Y，稀疏度L，迭代次數(shù)N

輸出：稀疏矩陣X

初始化：殘差r0=y，索引集Λ(0)=?，J=1

過(guò)程：

1)計(jì)算rJ-1與D中原子dj內(nèi)積，求取使系數(shù)最大的原子(Pdj表示在原子dj上的投影)

2)更新索引集和字典原子：Λ(J)J=λ，D(J)J=D(︰,Λ(J)J(1︰J))；

3)x(J)=‖y-D(J)x‖2；

4)更新殘差r(J)=D(J)x(J),J=J+1；

5)若J>N,則停止迭代，否則,循環(huán)步驟(1)～步驟(5)。

3 結(jié)果與分析

實(shí)驗(yàn)環(huán)境為CPU：Intel Core i7—7700K；內(nèi)存：32 GB；顯卡：GTX 1080Ti；OS：Ubuntu16.04；MATLAB 2016a。IMCFR20數(shù)據(jù)集中包含20頭牛的400張牛臉圖像，樣本大小為128×128。

通過(guò)牛臉圖像數(shù)據(jù)集IMCFR20對(duì)本文算法進(jìn)行驗(yàn)證。首先進(jìn)行數(shù)據(jù)的預(yù)處理，將IMCFR20數(shù)據(jù)集中的圖像進(jìn)行灰度變換，針對(duì)每個(gè)ID的樣本數(shù)據(jù)隨機(jī)選取70 %作為訓(xùn)練數(shù)據(jù)，剩余30 %作為測(cè)試數(shù)據(jù)。在訓(xùn)練階段，對(duì)于每個(gè)輸入的訓(xùn)練樣本，將128×128維度下采樣為256維，將所有訓(xùn)練樣本映射為R256×280的矩陣，迭代次數(shù)設(shè)為60，稀疏度閾值為10，字典原子K初始設(shè)為300。由于改變了K-SVD的稀疏編碼過(guò)程中字典原子的選取原則，分別測(cè)試改進(jìn)后的算法與原始K-SVD算法在不同迭代次數(shù)下的重構(gòu)誤差，結(jié)果如圖2所示。

圖2 重構(gòu)誤差與迭代次數(shù)的關(guān)系

通過(guò)表1可以看出將字典原子的選擇方式變?yōu)楸Ａ羰瓜禂?shù)最大的原子后，相比原算法的重構(gòu)性能會(huì)有一定下降。為了進(jìn)一步分析驗(yàn)證改進(jìn)后算法的識(shí)別效果，在IMCFR20數(shù)據(jù)集上分別對(duì)K-SVD與改進(jìn)K-SVD算法進(jìn)行測(cè)試，由于稀疏度大小與字典原子的不同取值都會(huì)對(duì)識(shí)別結(jié)果產(chǎn)生影響，針對(duì)以上兩個(gè)參數(shù)分別進(jìn)行實(shí)驗(yàn)。首先分析稀疏度取值的不同對(duì)識(shí)別效果的影響，分別選取L=2，L=4，L=6，L=8，L=10進(jìn)行實(shí)驗(yàn)，測(cè)試結(jié)果如表1所示。實(shí)驗(yàn)表明，改進(jìn)后算法的識(shí)別率增加3 %左右，提升效果較為明顯。隨著稀疏度的增加，重構(gòu)誤差會(huì)不斷減小，但識(shí)別效果會(huì)呈現(xiàn)先上升后下降的趨勢(shì)，稀疏度在L=6時(shí)識(shí)別率最佳。

表1 不同稀疏度對(duì)識(shí)別率的影響

分析字典原子數(shù)量對(duì)識(shí)別效果的影響，隨機(jī)選取每類(lèi)牛臉圖像中的16張用于訓(xùn)練，4張用于測(cè)試，共20類(lèi)。稀疏度L=6，字典原子數(shù)K分別取300，400，500進(jìn)行測(cè)試，結(jié)果如表2所示。

表2 不同數(shù)量的字典原子對(duì)識(shí)別率的影響

實(shí)驗(yàn)表明，在一定范圍內(nèi)增加字典原子個(gè)數(shù)可以提升識(shí)別效果，當(dāng)K=500時(shí)，本文算法可以達(dá)到90.9 %，具有較好的識(shí)別性能。K在300～500的變化范圍內(nèi)，K-SVD算法的識(shí)別率波動(dòng)了1.5 %，改進(jìn)K-SVD算法的識(shí)別率波動(dòng)了0.8 %，可見(jiàn)本文對(duì)字典原子數(shù)量的改變所造成的結(jié)果影響波動(dòng)較小。

4 結(jié) 論

本文在K-SVD算法的基礎(chǔ)上，對(duì)稀疏編碼階段的字典原子選擇方式進(jìn)行了改進(jìn)，使得改進(jìn)后的算法更適用于圖像分類(lèi)與識(shí)別問(wèn)題。在構(gòu)造的牛臉圖像數(shù)據(jù)集IMCFR20上的實(shí)驗(yàn)結(jié)果表明：本文算法的牛臉圖像識(shí)別準(zhǔn)確率達(dá)到了90 %以上，識(shí)別效果較好，對(duì)通過(guò)圖像方式進(jìn)行牛個(gè)體身份識(shí)別問(wèn)題提供了一種可行的方案。