基於卷積神經網路的奶牛個體身份識別

最近看了一個有趣的人工智慧應用，給大家分享一下~

這是一個人工智慧與農業的結合，在農業中我們經常需要給個體動物做標記，目的是對奶牛做身份識別，然後可以對動物做養殖和繁殖的跟蹤，從而提供養殖管理的決策支持。我們比較熟悉的可能是人的人臉識別，於是，就有人想動物是否也可以做臉部識別來做身份識別呢？誠然，確實有研究在這麼做，但是動物的臉部捕捉比人的臉部捕捉要難太多，特別是在戶外的情況下，於是，大家進一步探討的就是，能否通過動物的軀幹信息做身份識別呢？

本文就是通過奶牛的軀幹信息做身份識別。

傳統方法

個體身份識別方法是自動分析奶牛行為的技術前提和應用基礎。動物個體識別常採用無線射頻識別（RFID）技術。但RFID技術識別視頻視野中的奶牛個體時需要額外的設備與同步識別方法，增加了奶牛行為視頻分析系統的複雜度和成本。然而奶牛視頻中包含奶牛的個體信息，可直接對視頻進行圖像處理實現奶牛個體識別。

識別方法介紹

該方法採集奶牛直線行走時的側視視頻，用幀間差值法計算奶牛粗略輪廓，並對其二值圖像進行分段跨度分析，定位奶牛軀幹區域，通過二值圖像比對跟蹤奶牛軀幹目標，得到每幀圖像中奶牛軀幹區域圖像。將軀幹圖像灰度化後經插值運算和歸一化變換為48×48大小的矩陣，作為4c-2s-6c-2s-30o結構的卷積神經網路的輸入進行個體識別。對30頭奶牛共採集360段視頻，隨機選取訓練數據60000幀和測試數據21730幀。結果表明，在訓練次數為10次時，代價函數收斂至0.0060，視頻段樣本的識別率為93.33%，單幀圖像樣本的識別率為90.55%。該方法可實現養殖場中奶牛個體無接觸精確識別，具有適用性強、成本低的特點。

1. 軀幹定位

幀間差值法對目標的運動邊緣具有優良的檢測性能，對奶牛進行幀間差值處理可得到奶牛的粗略輪廓，對得到的二值圖像進行跨度分析，以剔除外部干擾，並分割出尾巴、頭和頸部，最終得到軀幹區域。

如左圖所示，將得到的幀間差值圖像劃分成等間距的片段，分別計算每個片段內二值圖像真值的上邊界和下邊界，並計算兩者的差值作為圖像跨度。

計算修剪後的二值圖像的外接矩形，其上半部分為軀幹區域，下半部分為奶牛四肢。對於荷斯坦品種的奶牛，其軀幹縱向高度與體高之比rb/t變化幅度較小。因此，本研究對30頭奶牛通過試驗確定rb/t平均值為0.6。將定位的軀幹區域以中心為基點縮小到80%，以去除邊界處的背景區塊。軀幹定位結果如右圖所示。

2. 軀幹跟蹤

考慮到奶牛行走過程中軀幹無明顯的幾何變化，只產生平移運動，故採用在後續幀中跟蹤軀幹的策略，以提高軀幹圖像提取精度。常用的跟蹤方法有粒子濾波跟蹤法和Meanshift演算法，粒子濾波對大目標跟蹤耗時長，不適於奶牛目標的跟蹤；試驗發現，Meanshift演算法不能準確跟蹤行走中的奶牛目標。主要原因是基於顏色直方圖的Meanshift演算法對於顏色變化敏感，奶牛軀幹主要由白色和黑色組成，而背景中包含了過多的顏色信息，導致Meanshift極易跟蹤到背景區域。因此，用模板比對法對奶牛軀幹區域進行跟蹤。其基本原理是以當前幀軀幹區域所在的位置為中心，在下一幀中尋找與軀幹區域最接近的圖像。

3. 卷積神經網路構建

為減少數據量並保證輸入圖像的細節信息，將奶牛軀幹圖像灰度化後通過插值計算變化為48×48的圖像，併除以255歸一化後作為輸入數據。

採用2組卷積和下採樣層，由於軀幹圖像基本不存在扭轉、變形等影響，因此減少2個卷積層中特徵圖的數量，以提高網路對圖像宏觀信息的利用率。下採樣時對連接區域求均值得到輸出，不使用權重係數和閾值，省略函數轉換過程。

奶牛個體識別中的信息匹配可以通過單層感知器實現，在第2次下採樣後直接與輸出層連接，以大幅度簡化網路中的感知層。本研究牛群中共有30頭奶牛，故輸出層為30個感知器，與上一層全連接，輸出編碼採用one-of-c方式，即每種奶牛個體作為一個模式。

考慮到sigmoid函數有良好的非線性映射特性，故變換函數統一採用sigmoid函數。網路訓練中學習率取為1，訓練批大小為50，訓練終止條件為代價函數值小於0.01。由於變換函數為sigmoid函數，故網路輸出為一個長度為30的浮點型向量，將該向量中最大值置為1，其餘元素置0作為網路的輸出模式。若輸出模式與該輸入圖像的真實模式不匹配，則表明識別錯誤。

為進一步確定卷積層特徵圖最佳個數，對不同結構的卷積神經網路進行識別準確率及平均耗時試驗，結果表明，當兩個卷積層中特徵圖個數分別為4和6時，網路識別率和效率最高。

4. 實驗結果

卷積神經網路的識別準確率及效率：

圖像檢索法與卷積神經網路奶牛個體識別結果比較：

編者觀點

本文的特點是在於非常好的一個實際應用，具有很大的創新性，但是測試數據本身採集難度比較大，並且數據量還不算多，所以該方法的普適性並不能確保，另外結果對比中，與傳統方法的對比有點避重就輕，過於簡單，如果能和其他的網路結構作對比則更好。但是總體來說不妨礙這篇文章的趣味性，因為做了一個很好的嘗試和應用。

論文鏈接

基於卷積神經網路的奶牛個體身份識別方法-Recognition of individual dairy cattle based on convolutional neural networks

---人工智慧應用系列·介紹---

本人的Live：「跨領域人工智慧應用」系列Live的開篇--如何做跨領域人工智慧應用