其他分享
首页 > 其他分享> > 论文阅读笔记（二）——牛的人脸识别，能做到吗？

论文阅读笔记（二）——牛的人脸识别，能做到吗？

作者：互联网

论文阅读笔记（二）——牛的人脸识别，能做到吗？

论文简介

论文中文翻译：《牛的人脸识别，能做到吗？》
论文名称：《Face Recognition of Cattle: Can it be Done?》

期刊情况

期刊：《PROCEEDINGS OF THE NATIONAL ACADEMY OF SCIENCES OF THE UNITED STATES OF AMERICA》
期刊情况：

摘要

错过、交换、虚假保险索赔和屠宰场牛的重新分配是全世界的全球性问题。迄今为止，解决这些重大问题的研究很少。传统的身份识别方法和非生物识别技术由于其自身的边界和对牛的登记和可追溯性的限制而存在如此严重的问题。这些技术不能为牲畜/牛提供合格的安全等级。因此，牛识别需要创新性的研究，以开发高效、可扩展、负担得起、非侵入性的自动识别系统，从而更好地注册、跟踪和保护牲畜/牛。本文试图利用计算机视觉方法，利用牛的面部图像进行识别，以解决上述问题。本研究的主要贡献有三个方面:第一，牛的面部图像数据库的准备，第二，从数据库中提取一组识别特征，实现基于计算机视觉的人脸识别算法来识别牛，最后是人脸识别算法的实验结果和讨论。因此，本文综述了各种计算机视觉和模式识别方法在牛人脸识别中的应用。
关键词：Animal biometrics.Face recognition. Cattle identification.Gaussian pyramid.PCA. LDA.ICA

介绍

动物生物特征识别是近年来非常热门和有前途的研究领域[1]。动物生物测定学基于动物的视觉外观、形态和主要生物测定特征，如面部、皮毛图案(对于斑马和鲸鱼)、斑点点(对于老虎)和动物的口鼻图案(牛)，开发了表示和识别动物的量化方法。因此，基于动物生物特征的识别系统由于其在动物识别、关键疾病的爆发和控制、健康管理、个体行为、基于动物形态特征的动物表示和分类(例如，它包括基于形状、结构、颜色、模式和大小的视觉外观方面)的多种应用和用途而逐渐获得更多的发展[1]。然而，传统的牛识别方法(例如，耳朵标记、嵌入式微芯片、纹身和冷冻标记和刻痕)在全世界牲畜管理框架中的牛的注册和可追溯性以及育种协会[2]方面存在重大问题。此外，登记和可追溯性[2，3]过程对于肉牛的生产、养殖和销售非常重要。注册这一过程将停止操纵或交换肉牛的努力。传统的牛识别方法分为三类，即(1)永久识别方法，(2)半永久识别方法，(3)临时识别方法。永久识别方法(PIM)包括识别牛的“纹身”、“微芯片的实施”、“耳尖”或“凹口”和“冷冻烙印”。在传统的牛识别方法中，半永久性识别方法(SIM)用于通过使用“身份项圈”和“耳标”[4，5]为牛/牲畜提供所需的安全等级。此外，基于电信号的技术，如基于射频识别(RFID)和“素描”(如疼痛/染料)的识别方法，被称为临时识别方法(TIM) [6]。在不同的国家，如美国、澳大利亚、欧洲、加拿大和英国，已将嵌入耳标的射频识别技术应用于动物(牲畜/牛)的登记和可追溯性[4]。例如，在印度尼西亚，基于耳朵标记的识别技术已经成为识别肉牛最可行的方法，因为基于耳朵标记的技术使用起来不正式，并且在所有类型的天气条件下都很灵活[4]。耳标价格低廉，通常易于识别牛的耳标上的标签。耳朵标签技术在某些方面已经发展到牛的识别。然而，用于识别肉牛的基于耳朵标签的识别系统也有局限性，因为耳朵标签会从牛的耳朵上刮下，并且在长期使用中会分解牛的耳朵。如果没有正确贴在牛的耳朵上，耳朵标签就会丢失[4，5]。
Johnston等人[4]和Wardrome[5]在他们的研究中报告说，由于长期使用，耳标签的标签最终也会损坏和损坏，其低可靠性和识别率(准确性)一直是牛识别的主要问题(如表1所示)。因此，在传统的牛识别方法中，耳朵标记技术不能为牛/牲畜提供合格的安全等级。此外，素描图案和牛的皮毛也用于根据不同品种(如艾尔郡、根西岛和牛)的破损颜色来识别牛[4–6]。然而，在给牛的身体上色和绘制图案的过程中，需要个人娴熟的绘画能力。着色过程总是表现出缺乏标准质量(如高分辨率)的草图；因此，基于草图模式的技术影响了基于这些模式图像的牛的表示和识别。此外，不可能适用于不同牛种(如红牛、短角奶牛和棕色瑞士牛)的纯色基础图案的识别。因此，传统的牛识别方法通过使用基于入侵的技术(例如，耳朵标记、冷冻标记/刻痕)为动物提供安全性。在基于牲畜管理的框架中，开发用于动物识别的人工标记也需要更多的成本。因此，这些技术不能满足错过、交换、虚假保险索赔和屠宰场牛的再分配所需的安全水平[5，6]。牛的传统鉴定方法如表1所示。
《今日牛网》对13亿牛种群的调查显示，牛总种群的30 %左右在亚洲，20 %在南美，15 %在非洲，14 %在北美和中美洲，10 %在欧洲[7](资料来源:www . Cattle dayonline . com)。高效、可负担和可扩展的牲畜管理框架和基于动物生物识别的牲畜识别系统的不可用性，目前已经报告了许多基本问题，如识别遗漏、交换、虚假保险索赔、屠宰场重新分配、疾病爆发和控制以及健康管理条件、食品生产、控制全球牲畜安全政策[1–3]。此外，基于电和机械(非生物测定技术)的牛识别技术，例如基于耳朵刻痕、冷冻烙印和射频识别的牛识别技术，提供了识别牛的低可靠性、长寿命和最低识别率。因此，传统的基于非生物特征的识别技术在登记和可追溯性方面有其自身的界限，这些技术不能为牲畜/牛提供合格的安全等级，并使其容易被错过、交换、盗窃肉牛[6]。
对于牛来说，验证过程是一个严重的问题，因为传统的牛识别系统没有任何有效的方法来容易地对注册的和保险的牛/牲畜进行鲁棒的和自动的验证，而不需要切割牛的耳朵来由保险组织的验证官员对保险牲畜的耳标进行验证。因此，仍然难以防止伪造、复制、欺诈和操纵牲畜/牛的耳标号码等活动[4，6]。生物识别技术、科学家、专家和不同的多学科研究团体不能忽视牛的这些主要问题，为设计和开发健壮的、非侵入性的和自动的牛识别系统做出有价值的努力。除此之外，所有传统的人工标记技术基本上都可以复制。因此，很容易地，需要开发一种健壮的基于动物生物特征的识别系统和牲畜管理框架，用于识别牲畜，以便进行登记和追溯[4，5]。
动物生物识别是一种基于模式识别的系统。它从每个对象(牛)获取生物特征数据(例如，面部图像)，从数据中提取一组显著特征，将该组特征与存储在数据库中的特征组进行比较，并基于比较结果执行动作[1，8–10]。动物生物特征识别在多学科中发挥着重要作用，如基于动物视觉特征、传记、生态学、种群和不同物种行为研究的动物识别。斑马、企鹅的皮毛图案、牛的脸、枪口点图案是类似于人类指纹的例子[11，12]。
由于牛的面部具有丰富的皮肤纹理信息和清晰的面部特征，本文将牛的面部图像作为识别牛的主要生物特征。五官的主要属性包括普遍性、独特性和永久性。面部特征的无声集合(例如，像素强度)能够识别牛的脸。因此，提出的牛人脸识别方法可以为家畜提供一个负担得起的、非侵入性的、高效的、有成本效益的和鲁棒的识别系统。它还可以在牛的登记、牛的可追溯性(例如，对肉牛的饲养、生产和销售很重要)方面发挥重要作用[6]。牛的人脸识别是对传统识别方法的改进。这项研究的主要贡献如下:

研究背景

基于动物生物特征的识别系统是在长期的基础上发展起来的，广泛应用于记录和索引生态和进化物种的不同表现的研究中[1，20]。早在1991年代中期就已经进行了早期的识别方法工作，利用不同动物的有序草图集合[21]和照片图像记录[22，23]进行识别和行为分析。这种象征性的指数化方案被描述为斑马的被毛图案的接缝剥离的表示和识别[23]。但是，它会消耗大量的处理时间模式识别中观察者误差和偏差引起的识别过程。此外，数千年来，传统的识别方法还被用来通过对特别重要的动物(如马、斑马和企鹅)使用“冻结标记”、“耳朵标记”和符号索引来识别牲畜/牛[2，23]。
在另一个方向，基于身体状况评分的方法，通过牲畜/肉牛身体脂肪的薄度来测量能量储备。该测量是在基于5点人工标度的测量基础上进行的，用于分析牲畜/牛的健康问题[24，25]。但是这个过程对于评估牛的关键疾病的爆发和控制是非常耗时的。
王等[26]提出了基于射频识别技术的肉牛可追溯性管理框架，并获得了肉牛的可追溯性和登记信息[11，26]。射频识别可以很容易地部署在牛的检查站。然而，它不太可靠，并且识别精度较低。
最近，研究重点已经转移到对牛的识别上，这导致了基于用黑色墨水在A-5纸上捕获的枪口打印图像的牛的注册、可追溯性和监控的新范式[11][12]。枪口图像在采集过程中由蓝移、噪声和低质量图像组成。因此，需要进行图像数字化处理，将打印的枪口图像转换为高分辨率[即，每英寸300点(dpi)]图像，以获得更好的图像质量并进行分析，从而识别牛。
在类似的方向，研究工作如[12，27，28]；他们提出了一种基于枪口指纹图像的牛识别方法。他们基于枪口图像的联合像素强度评估了所提出的牛方法的性能。枪口打印图像的两个重要属性是已知的珠子和脊。这个岛是不规则的结构，它的形状类似于岛屿。山脊是形状像河流的结构[29]。巴拉诺夫等人[12]在这项研究中报告说，来自各种牛种的牛(即脊、格兰诺拉和触须)的鼻口皮纹是不同的(不相似)，牛的鼻口点模式识别类似于人的指纹识别。
Minagawa等人[27]提出了一种基于牛的打印枪口点图像的牛识别方法。通过应用图像分析、二值化变换和形态学方法(即细化操作)的滤波技术来寻找枪口印痕图像区域中的凹槽，对所提出的方法的性能进行了评估。他们从枪口印痕的凹槽接缝处提取特征(如接缝像素值)，并将特征关键点与数据库查询图像进行匹配。他们分别报告了0.419的等误差率。巴里等人[28]提出了一种不同于米那川等人[12]的利用枪口印图像识别肉牛的方法。然而，在这个提议的方法中，他们有241个错误的不匹配率(FNMR)超过560个真实接受率(GAR)，他们报告了5197个错误匹配超过12，160个冒名顶替匹配[27，28]，并且报告了相等错误率(EER)的值分别为0.429和0.0[28]。然而，在基于枪口指纹图像匹配的牛识别中，错误匹配分数被近似为总匹配分数的一半。枪口指纹数据库没有足够的图像质量，也没有采用标准的图像处理和滤波方法来预处理和增强有噪声的枪口指纹图像[28]。
Kim等人[30]提出了一种利用日本黑牛的面部图像识别它们的方法。图像处理技术已经被用于噪声的预处理和从牛(例如，荷斯坦牛品种)的黑白图案数据库中提取面部特征(颜色特征)。在人脸识别的方向上，不同物种的体表模式(即斑马、鲸鱼的皮毛模式)已经被伯格哈特等人[1，9]提出检测和识别。他们采集了不同物种的视频用于动物识别，并将动物人脸查询模板的相似度分数与视频帧数据库进行匹配[3，31]。此外，使用基于纹理的方法和描述符(例如加速鲁棒特征(SURF)特征)来识别牛的枪口点已经被用于识别牛[13]。与基于特征人脸的识别方法相比，基于kappa统计方法的SURF描述符大小(8 9 8)的性能度量提供了90 %的识别精度。此外，Noviyanto等人[14]提出了一种通过应用尺度不变特征变换(SIFT)方法和一些用于牛识别的细化匹配技术来匹配牛的枪口指纹图像的细化技术。该方法的实验结果已经在由20头肉牛的160张口鼻纹图像组成的数据集上进行了测试和评估，与之前的Minagawa [12]和Barry [28]的牛识别方法相比，原始SIFT方法中的匹配细化具有更好的识别率，并且等误差率的报告值等于0.0167 [14]。
最近，Awad等人[15]提出了一种利用尺度不变特征变换(SIFT)方法从枪口打印图像中识别牛的方法。对于一个稳健的识别方案，随机样本一致性(RANSAC)方法已经与SIFT输出相结合，以消除外部点。SIFT细化方法在合理的处理时间内产生80 %的牛的识别准确率。

牛人脸识别面临的挑战

人脸识别是计算机视觉领域中一个研究得很好的问题，其中几个主要的挑战是众所周知的，如姿势、表情、光照、衰老和伪装。牛脸图像表现出光照、姿态和图像质量差的挑战。然而，姿态和光照差是牛脸数据库中两个重要的协变量。在室内外环境光照不受控的情况下，光照协变量在人脸数据库获取过程中表现出来。
由于环境的非合作性和无约束性，牛人脸数据库的获取也存在一些问题。而且天气条件也影响牛脸的图像质量。因此，光照模糊和基于姿态的协变量是识别牛脸的主要挑战。图1显示了光照、模糊度和牛脸姿态的几个协变量。人脸数据库的获取和准备大约需要25-30分钟，以便在奶牛工作人员的帮助下组织一个良好的环境，用于捕获人脸图像作为单头牛的主要生物特征数据。如果被拍照时(例如在采集过程中)感到不舒服，这些牛还会表现出不同的姿势和身体动态。如果牛因为饥饿或疾病而不舒服，它们可能不会正确地站在正面位置，不停地移动他们的头，这使他们的身体变形。因此，牛会主动变形它们的形状，体表也可能在不同的光亮度下反射。在植物生长期间，人们经常看到牛的脸被部分遮住。牛在识别过程中非常不合作。

正文

数据准备和描述

为了准备牛的面部图像数据库，使用了2000万像素的照相机，并从印度瓦拉纳西农业科学研究所的畜牧和乳业系(巴纳拉斯印度教大学)采集了室内面部图像。为了进行牛识别的训练和测试过程，花了5个多月的时间拍摄了足够数量的个人(牛)的面部图像。
人脸数据库的准备分两次进行。牛面部图像数据库的大小为3000(例如，300个受试者和每个受试者10个图像)，一些面部样本图像如图2所示。表2说明了实验中面部图像的组成。数据取自两个主要牛种(如巴厘牛和安哥拉杂交牛)。
在这里插入图片描述
在这里插入图片描述

特征提取和匹配方法

特征提取是计算机视觉、模式识别和图像处理中预处理阶段的一项重要技术[16]。分类是一种基于提取的特征向量信息将对象分配到特定类别的技术[17]。
提出的特征提取技术的动机是观察到牛的面部图像具有丰富的皮肤、纹理信息和清晰的面部特征。在基于外观的人脸识别中，人脸特征被选为人脸图像中的像素强度值。像素强度直接对应于从图像中的物体沿着空间中的确定光线发射的光的辐射率[18，19]，并且这些像素强度特征通过应用基于外观的面部识别和表示方法来表示，例如主成分分析[32，33]，局部判别分析[34，35]，独立成分分析[36-38]，其修改的算法(例如，批量-偷拍无协方差增量主成分分析[39]，独立-偷拍无协方差增量主成分分析(IND-CCIPCP)。
应用增量支持向量机(ISVM) [43]的分类器模型背后的主要动机是，它可以连续地消除样本(人脸图像)的许多历史，并恢复最近实现的几个新样本，因为它定期更新以适应牛人脸数据库的人脸特征集中的像素强度的变化。ISVM分类器模型[43]的一个优点是，对于小的训练数据集，训练分类器模型的训练速度很简单，比标准的SVM分类算法消耗更少的内存。
基于外观的(整体)人脸识别方法提供了更好的识别准确性，因为丰富的皮肤、纹理(信息)和不同的面部特征，这些特征被表示到面部特征空间中。此外，在数据采集过程中，几类(受试者)的少数人脸图像受到主要协变量的影响，如光照差、模糊和姿态变化(如图1所示)。通过应用局部(例如，纹理特征及其描述符)特征提取技术，协变量(人脸图像)可以在特征提取和表示方面提供一些改进。通过应用局部特征及其描述，人脸图像局部邻域的紧凑矢量表示能够解决牛人脸图像的尺度变化、光照不佳、遮挡和旋转等问题，因此，局部(纹理)特征提取技术可以为识别牛人脸图像提供更好的改进。
人脸识别算法通常利用二维人脸图像进行特征提取和匹配处理。在牛脸数据库中实现对光照差、图像质量和姿态等协变量的更高弹性。为了减轻协变量问题，我们应用了高斯金字塔[44，45]，一种低通滤波器，用于人脸图像数据库的平滑度，达到四个级别(例如，高斯金字塔的缩减因子等于4)，用于识别牛的人脸。

识别牛的建议方法

本节提出了一种基于人脸图像数据库的牛识别方法。图3示出了所提出的用于牛的识别方法中所涉及的步骤，该方法包括几个模块，即:(1)传感器模块(数据采集阶段)(2)特征提取模块(3)在四层人脸图像上用高斯金字塔进行匹配的模块(例如，训练和测试阶段)[44，45]，(4)然后通过基于最小欧几里德距离的匹配算法来完成一对特征向量的匹配，以生成匹配分数，这些分数被基于SVM的分类算法[41，42]使用。匹配分数是生物统计学中两个模板之间相似性或距离的度量[9]。在牛面部的匹配期间，从对象(牛)的不同面部图像特征生成的匹配分数是不同的[17]。
在传感器模块中，牛的面部图像是用2000万像素的摄像机拍摄的。人脸图像被调整到200×9×200，以计算牛人脸数据库中所需特征的像素强度。在特征提取模块中，首先评估由传感器(例如，照相机)捕获的生物统计数据面部图像的质量，以便确定其是否适合进一步处理。对牛的人脸图像数据库进行预处理，去除因为这些图像是从不受约束的环境(即，差的照明、姿势和模糊)中捕获的，所以这些图像在某些方面可能是有缺陷和不足的，例如差的图像质量、对比度和模糊(图1中示出了几个样本图像)。人脸图像数据库需要通过图像增强、过滤噪声来提高图像质量[46]。因此，对比度受限的自适应直方图均衡(CLAHE) [46]技术被用于增强牛数据库的人脸图像。在生物特征数据质量增强之后，生物特征数据随后被处理，并且一组显著特征(例如，面部图像的像素强度)[18]被提取并通过应用基于外观(整体)的面部识别方法(例如，PCA [18，19，32，33，47]，LDA [34，35]，ICA[36-38]及其修改的变体算法)来表示，用于将特征表示到面部特征空间中以识别牛。
如前所述，所呈现的丰富的皮肤纹理信息和面部特征随着光照和面部图像中的姿态变化而变化。牛脸数据库的光照条件和光照条件较差，呈现的人脸图像质量较差，而剩余的人脸图像质量较好，没有任何协变量的挑战。使用基于高斯金字塔的平滑方法，可以最小化伪影等协变量的影响。高斯金字塔[44，45]是一种低通滤波技术，其中人脸图像通过应用高斯平均(例如，高斯模糊)并按比例缩小。图像的像素具有与像素相关的局部平均值高斯金字塔较低层的邻域[45]。因此，高斯金字塔的四个层次(平滑)已应用于牛人脸数据库，以确保过度的光照差，模糊和姿态变化信息得到充分过滤，同时保留了牛人脸数据库的识别特征。提取高斯金字塔的平滑层次的特征。为了从高斯金字塔的四个平滑水平图像中提取面部特征(作为像素强度)，基于外观的人脸识别和表示算法，如主成分分析[32，33]，局部判别分析[34，35]，独立成分分析[36–38]，其改进算法被应用于牛人脸的识别。高斯金字塔由一个低通滤波器组成，该滤波器降低了金字塔上一级图像的密度(即下采样)，其中高斯金字塔平滑图像的最低级别被定义为原始灰度(I，j)。最初的高斯图像(低层)是一个卷积高斯核函数(m，n)是一个加权函数(例如，在高斯金字塔的所有层都是相同的)，具有5×9×5的分离，称为生成核。应用了四个级别的高斯平滑[44，45]，以便在保留鉴别信息的同时充分滤除噪声。
在这里插入图片描述

实验结果与讨论

在牛脸数据库的实验结果上，分析了不同的基于外观的特征提取方法的性能。在人脸识别过程中利用Adaboost人脸检测算法检测牛、牛的人脸[48]。然而，牛人脸图像具有更多的无声纹理信息(特征)，人脸图像在大部分牛人脸数据库中是向下的。在非正面位置拍摄的人脸图像很少。这种非正面图像提供了大量的牛的错误人脸检测。

实验结果

为了评估实验结果，牛的面部数据库被分成两部分:(1)训练(画廊)部分(2)测试(探针)部分，每个受试者(牛)的六个面部图像被随机选择用于训练过程(例如，300个9×6 = 1800个面部图像，从总共300个受试者中每个受试者9×10个图像)，其余的面部图像被用作测试目的。对人脸数据库进行5次训练和测试分割，进行交叉验证，计算1级识别准确率。
通过应用基于外观(整体方法)的人脸识别算法，如主成分分析(PCA) [18，19，32，33，47]，局部判别分析(LDA) [34，35]，独立成分分析(ICA)[36–38]及其修改版本算法(如BatchCCICA[39]，Ind-CCICA[39]，PCA-LiBSVM [32，33，41，42]，LDA-LiBSVM [34，35，42，42]，完成了性能评估基于外观的(整体)人脸识别算法简要讨论如下:

Principal Component Analysis (PCA)

主成分分析是一种经典的特征提取和数据表示方法，广泛应用于计算机视觉和模式识别领域[50]。它也被称为卡亨-洛夫展开定理[50]。根据西罗维奇和柯蒂[19，50，51]，主成分分析可以有效地用于个人面部图像的表示。任何单独的面部图像可以近似地被重建为定义特征图像(例如，面部基础)和面部平均图像的面部图像的小集合的加权和。它找到线性子空间中的最小均方误差，该线性子空间从原始的N维数据空间映射到M维特征空间[32，33]。通过这个程序，本征图像(脸)(M<<N)利用最大特征值对应的协方差矩阵的M个特征向量实现降维。通过寻找使总数最大化的最佳基向量来获得结果基向量投影数据的方差(即最能描述数据的一组基向量)[32]。

Linear Discriminant Analysis (LDA)

线性判别分析(LDA) [34，35]是最流行的基于线性投影的特征提取和分类技术之一。它是一种基于所有样本人脸图像的类别可分性的线性分类技术，用于识别目的。线性判别分析的主要目标是找到能够将高维样本映射到低维空间(特征空间)的最具鉴别性的人脸特征投影向量集。
以LDA确定的特征投影向量集为投影轴，所有投影样本将在投影特征空间中同时形成最大类间散射[如类间散射矩阵(SB)]和最小类内散射(如类内散射矩阵(SW)]。此外，LDA方法最大化信噪比，同时最小化信噪比，换句话说，最大化信噪比。当投影矩阵的列向量是(Sw -19 SB) [35]的特征向量时，它可以最大化。

Independent Component Analysis (ICA)

独立成分分析[36–38]是主成分分析的一种通用方法[18，19，32，33]。它最小化了输入数据中的二阶和高阶相关性，并试图找到数据(投影到其上)在统计上独立的基线[36，37]。主成分分析技术[19，50，51]不能表现对高阶关系的敏感性。二阶关系在主成分分析中是有利的。

Candid Covariance Free-Incremental PCA (CCIPCA) Approach

**坦率的无协方差增量主成分分析(CCICA)[39]方法是一种众所周知的基于外观的人脸识别和表示方法。它增量计算样本序列的快速主成分(特征向量)，而不需要估计图像像素强度的协方差矩阵。**因此被称为无协方差增量PCA (CCIPCA) [39]。这是由给定观测数据的最小方差统计测量的概念所推动的。

Incremental Local Discriminant Analysis (ILDA) Approach

增量局部判别分析(ILDA) [40]方法是一种超越线性判别分析的增量技术[34，35]用于最大化特定相关数据库的类间散射矩阵和总散射矩阵的比率的费希尔准则的估计[40]。在更新过程中，它被用来保存有区别的信息。ILDA [40]技术的工作原理是更新两个散射矩阵的主成分(特征向量)，然后从这两组主成分计算鉴别成分。增量-局部鉴别分析(ILDA)人脸识别在时间和记忆方面都是准确和有效的，并且有效地处理具有许多类别的巨大数据集[34，35]。

实验分析

基于人脸图像的牛识别的实验结果以累积匹配特征曲线的形式呈现，其在图3、4和5中示出，并且也分别在表3、4和5中总结。累积匹配曲线(CMC)测量识别系统(1: m)相对于“未知”探测图像对登记的面部数据库中的个体的身份进行排序的程度。

在这里插入图片描述
在这里插入图片描述
牛的面部识别的性能评估已经用特征提取和表示技术完成(例如，batch-CCIPCA [39]，Ind-CCIPCA [39]，PCA-LiBSVM [32，33，41，42]，LDA-LiBSVM [34，35，42，43]，batch-iLDA [32]，和iLDA-LiBSVM [34，35，41，42])。表3说明了外观人脸识别算法；独立分量分析(ICA)[36–38]在高斯金字塔的起始水平产生86.95 %的识别准确率[44，45]。与主成分分析[19，32，33，47，50，51]和线性判别分析[34，35]方法相比，它可以考虑输入牛的面部图像中的更多变化(例如，面部图像的照明和姿态)。图3显示了主成分分析[19，32，33，47，50，51]和线性判别分析[34，35]以及独立成分分析[36–38]人脸识别算法性能的临界胶束浓度曲线，通过提高高斯平滑水平[45]得到放大。
图4给出了基于表3的牛面部识别准确度的临界胶束浓度曲线。结果表明，增量支持向量机(ISVM) [43]算法的识别准确率为95.87 %，高于其他人脸识别方法。由于所选特征面的数量在每一级都减少，所以独立坦诚协方差增量主成分分析(IND-CCICA)[39]的识别精度随着高斯金字塔的每一平滑级的增加而缓慢增加。
在这里插入图片描述
在这里插入图片描述
主成分分析[19，32，33，47，50，51]的识别准确率为83.86 %。此外，在这个实验中，由于以下原因，10个特征脸没有被考虑用于牛的人脸识别面部特征的最小方差(牛脸的像素强度)。背后的原因是，主成分分析完全依赖于像素协方差矩阵的计算，因此，如果人脸的表示要携带关于人脸图像之间差异的有用信息，则相关信息必须出现在协方差矩阵中。如果面部特征没有正确对齐或标准化，那么一个像素的变化很大程度上是由于它对应于特征空间中的不同位置[52]。因此，主成分分析找到了输入(特征)的线性投影，它捕获了最大的方差，并最小化了重建误差用最小二乘法计算输入。主成分分析技术产生新的维度(例如，特征向量或特征面)，这些维度可以线性组合以形成输入面的良好表示。通常情况下，具有最大方差的少数特征脸的组合足以产生用于识别牛脸的合理重构[19，50–53]。
图5显示了基于表4评估的牛面部识别准确性的临界胶束浓度曲线。结果表明，增量支持向量机(ISVM) [16]算法相对于其他算法的识别准确率为95.87 %。与批次无关的坦诚协方差增量主成分分析的识别精度随着高斯水平的增加而缓慢增加，因为在每个高斯水平下选择的特征面的数量减少。由于预测了测试人脸图像的特征脸的最大方差，与主成分分析方法相比，主成分分析-LiBSVM [32，33，41，43]识别方法获得了更高的识别精度。类似地，LDA-LiBSVM [34，35，42，43]识别方法在高斯金字塔[44，45]的每个层次上提供了比LDA [34，35]技术相对更高的识别精度(93.91 %)。而独立成分分析在识别牛面部时的识别准确率为89.75 %.
图6显示了基于外观的算法的临界胶束浓度曲线[18，19，32]；与其他人脸识别算法的识别精度相比，独立分量分析-LibSVM[36–38]的识别精度更高，达到高斯平滑[44，45]起始水平的95.87 %。在一个级别之后，人脸识别算法的性能下降，因为人脸数量在高斯金字塔的每一层。LDA-LiBSVM [34，35，42，43]的识别精度高于batch-LDA [34，35，39]，CCIPCA-LiBSVM [39，41，42]和ILDA [40]，因为它预测同一类的特征集彼此接近。它最小化类内方差，最大化分配给黑白像素类的灰度级内/之间的类间方差[34]。
在这里插入图片描述

结论和未来方向

本文尝试应用人脸识别方法解决牲畜屠宰场的漏保、换保、误保和再分配问题。本研究展示了在动物生物特征识别和计算机视觉的新兴研究领域中，基于人脸图像的牛识别技术的研究现状。基于外观(整体)的人脸识别方法，独立分量分析(ICA)[36–38]算法在高斯平滑的初始水平产生86.95 %的识别精度。主成分分析-LibSVm[17–19，32，33，41，43]和独立成分分析-LibSVm[36–38，41，43]人脸识别方法的识别准确率分别为95.62%和95.87 %。在3000张人脸图像的牛人脸数据库上的实验结果(例如，300个受试者，每个受试者的9×10个图像)说明了牛的人脸识别是可行的。
一个300头牛(受试者)的面部图像数据库已经用来自农业科学研究所的日记和畜牧部门的20兆像素照相机准备好了(印度科学院)，印度瓦拉纳西巴纳拉斯印度大学(BHU)，并与研究团体分享，以促进这一领域的进一步研究。一份详细的实验方案以及训练测试的分割也计划分享，以鼓励其他研究人员报告比较结果。因此，我们得出结论，如果自动最佳匹配算法的性能令人满意的话，牛的面部识别可以以更友好的、成本有效的和非侵入性的方式进行。
与人们普遍认为所有的牛看起来都是一样的相反，本文介绍了基于动物生物特征的识别系统的研究现状，该系统为基于牛的面部图像识别牛提供了重要的见解。牛的面部数据库已经用基于计算机视觉的方法实现了牛的面部识别，并且已经产生了最好的结果。因此，在动物生物识别这一方向开展良好的研究至关重要，为多学科研究、科学家、生物学家和多个生物识别社区提供更好的平台，以设计和开发识别系统和算法，解决与全球不同物种识别相关的主要问题和挑战。未来将展示动物生物识别技术能否实现其承诺，即彻底改变我们看待表型、形态和生物特征的不同主要特征的方式。今后，我们计划在以下领域开展进一步研究:

标签：人脸识别,特征,论文,面部,笔记,人脸,图像,识别
来源： https://blog.csdn.net/weixin_52777338/article/details/116032045