图像处理的奶牛面部识别(附件)
随着信息时代的飞速发展，面部识别逐渐走向人们视线中，面部识别从日常生活、到农业生产，甚至国家安全等很多方面影响着人们。本文建立了多个奶牛标准图库，包括奶牛正脸、正脸和身体三类图库，通过对不同图库进行不同的预处理操作，如灰度处理和分级、边缘检测、图像分割等操作，获取不同的LBP特征向量和灰度共生矩阵特征向量，并通过机器学习实现分类和识别率计算，实现了基于图库匹配的传统识别算法、基于LBP-SVM特征向量分类算法以及基于灰度共生矩阵-SVM特征向量分类算法三种不同的算法。在基于LBP-SVM分类算法中，在旋转不分割的情况下提取LBP特征然后训练的识别率更高，并且图库匹配法在测试图片和训练图片十分接近时，也得到了了较好的识别结果，总体而言基于灰度共生矩阵的识别效果相对最差，基于LBP-SVM的识别效果最好。
目录
摘要 1
关键词 1
ABSTRACT 1
KEY WORDS 1
引言 1
1．综述 1
1.1 问题的提出 1
1.2 国内外研究状况 2
1.2.1 国外研究状况 2
1.2.2 国内研究状况 2
1.3 研究的目的和内容 2
2 奶牛识别算法比较分析 2
2.1 标准图库建立 2
2.2 图像预处理过程及相关算法 3
2.2.1 预处理基本流程 3
2.2.2 预处理实验结果分析 3
2.2.3 预处理难点分析 5
2.3 LBP特征提取过程分析 7
2.3.1 LBP特征 7
2.3.2 LBP特征提取原理分析 7
2.3.3 LBP特征提取过程简述 8
2.3.4 LBP特征向量矩阵的建立 8
2.4 基于LBP特征的图库匹配算法 8
2.4.1 图库匹配法思路 8
2.4.3 图库匹配法遇到的问题 9
2.5 牛脸检测的尝试 9
2.6 同类算法的比较分析 11
2.6.1 基于LBPSVM的奶牛面部识别 11 *好棒文|www.hbsrm.com +Q: #351916072#
2.6.2 基于灰度共生矩阵和SVM的奶牛面部识别 14
2.6.3 比较分析 16
3 不足和展望 17
致谢 17
参考文献 18
基于图像处理的奶牛面部识别
网络工程142 程博凯
引言
引言
1．综述
1.1 问题的提出
农业信息化是农业发展的重要方向，智慧化农业平台的发展也会极大促进中国农业发展，是中国农业发展的重要一极。其次，有生物学家提出，牧场中的奶牛会对人类产生敌视的心里，从而使奶牛长期处于抑郁状态，影响农业生产。于是，奶牛的身份识别有了产生的必要性。每头奶牛都会在固定的地点吃饭进食，从食槽或水槽上方能捕捉到精确的奶牛面部正脸照片，从而加大了识别的可能性和准确性。
1.2 国内外研究状况
1.2.1 国外研究状况
国外针对奶牛面部识别算法的研究有但并不算很多，大多数都是基于大量特征训练的偏向于深度学习的算法，也有少部分基于图像处理的图库匹配算法。但是单一从识别的角度来讲，来自埃及贝尼苏韦夫大学的科学家小组，通过对奶牛口鼻部分的特殊纹理进行识别，从而提升奶牛识别的精确性，他们研究表明，奶牛口鼻处的纹理就和人类指纹一样，属于每一个个体独一无二的纹路特征。他们运用名为多类支持向量机的故障机器学习，建立出的新型的生物电子识别系统，减少对于家畜的伤害的同时，拥有接近94%识别成功率。
1.2.2 国内研究状况
河北农业大学几个学者认为，虽然国内牧场现阶段的现状（规模小，管理方式老旧，人工劳动占据主导）没有使用奶牛识别的必要性，但是随着农业信息化和农业机械化的不断发展，大型的牧场最终可能会取代小型牧场，这时就需要精确的奶牛身份识别技术来协助农场主管理农场，他们提出RFID技术，为每头奶牛设置独立的电子标签，从而完成精细养牛的目的，这是一种基于无线射频的奶牛身份识别技术，和图像处理以及机器学习没有太大关联，但是国内其他的奶牛身份识别技术的推动进程还比较缓慢，使用的也是传统的机器学习或者图像处理算法。
1.3 研究的目的和内容
本次设计的主要内容和目的如下：
（1）通过牧场10天的监控录像截取需要的所有30头奶牛的图片资料，并且选取质量较好的图片建立识别系统的数据库。
（2）根据需求对图像进行预处理，预处理涉及常规的灰度化、二值化、轮廓提取、分割算法等处理方式，为后期特征提取或者机器学习做基础。
（3）尝试仅通过奶牛图片切割分离出奶牛面部，即给定一张奶牛证明图片，自动选取到奶牛的整个面部，希望可以减轻图像预处理压力。
（4）基于图库匹配的识别系统，对待识别奶牛图像进行预处理、分割、特征值提取等操作，将最终得到的特征值和建立的图片数据库中已有的奶牛特征值进行遍历对比，找到特征值与待识别奶牛图片最相似的奶牛图库编号（即奶牛编号），返回奶牛编号，完成第一种识别算法。
（5）基于LBP和灰度共生矩阵的分类算法，该算法依照网络上的人脸识别算法的步骤实现对奶牛面部识别的操作，通过对新建的ORL_BP图库的训练学习，完成对目标牛图片的识别目标，和图库匹配法在图库上保持一致的情况下，研究三种识别算法哪一个更适合奶牛面部识别的应用。
2 奶牛识别算法比较分析
2.1 标准图库建立
本次毕业设计的奶牛图库，是通过10天的农场监控录像，通过截图的方式得到需要的图片，从而建立标准奶牛图片库。
选取每天傍晚光线最好时的奶牛照片，先对图库进行简要分类，共得到如下几个图库：
（1）30头奶牛的正面侧面截图，30头奶牛中图片较为丰富的共有19头，按照奶牛数量在图库中创建相同数量的奶牛图片文件夹，并且给文件夹相应的编号，也就是后期识别算法呈现的奶牛编号。
（2）30头奶牛正面照片，用于此次图库匹配算法的面部识别。
（3）大小为200*186像素的奶牛面部照片（经过画图软件只保留奶牛面部），事先进行灰度化处理，从而建立奶牛面部的ORL_BP标准图库，用于后期基于机器学习的算法。
目录
摘要 1
关键词 1
ABSTRACT 1
KEY WORDS 1
引言 1
1．综述 1
1.1 问题的提出 1
1.2 国内外研究状况 2
1.2.1 国外研究状况 2
1.2.2 国内研究状况 2
1.3 研究的目的和内容 2
2 奶牛识别算法比较分析 2
2.1 标准图库建立 2
2.2 图像预处理过程及相关算法 3
2.2.1 预处理基本流程 3
2.2.2 预处理实验结果分析 3
2.2.3 预处理难点分析 5
2.3 LBP特征提取过程分析 7
2.3.1 LBP特征 7
2.3.2 LBP特征提取原理分析 7
2.3.3 LBP特征提取过程简述 8
2.3.4 LBP特征向量矩阵的建立 8
2.4 基于LBP特征的图库匹配算法 8
2.4.1 图库匹配法思路 8
2.4.3 图库匹配法遇到的问题 9
2.5 牛脸检测的尝试 9
2.6 同类算法的比较分析 11
2.6.1 基于LBPSVM的奶牛面部识别 11 *好棒文|www.hbsrm.com +Q: #351916072#
2.6.2 基于灰度共生矩阵和SVM的奶牛面部识别 14
2.6.3 比较分析 16
3 不足和展望 17
致谢 17
参考文献 18
基于图像处理的奶牛面部识别
网络工程142 程博凯
引言
引言
1．综述
1.1 问题的提出
农业信息化是农业发展的重要方向，智慧化农业平台的发展也会极大促进中国农业发展，是中国农业发展的重要一极。其次，有生物学家提出，牧场中的奶牛会对人类产生敌视的心里，从而使奶牛长期处于抑郁状态，影响农业生产。于是，奶牛的身份识别有了产生的必要性。每头奶牛都会在固定的地点吃饭进食，从食槽或水槽上方能捕捉到精确的奶牛面部正脸照片，从而加大了识别的可能性和准确性。
1.2 国内外研究状况
1.2.1 国外研究状况
国外针对奶牛面部识别算法的研究有但并不算很多，大多数都是基于大量特征训练的偏向于深度学习的算法，也有少部分基于图像处理的图库匹配算法。但是单一从识别的角度来讲，来自埃及贝尼苏韦夫大学的科学家小组，通过对奶牛口鼻部分的特殊纹理进行识别，从而提升奶牛识别的精确性，他们研究表明，奶牛口鼻处的纹理就和人类指纹一样，属于每一个个体独一无二的纹路特征。他们运用名为多类支持向量机的故障机器学习，建立出的新型的生物电子识别系统，减少对于家畜的伤害的同时，拥有接近94%识别成功率。
1.2.2 国内研究状况
河北农业大学几个学者认为，虽然国内牧场现阶段的现状（规模小，管理方式老旧，人工劳动占据主导）没有使用奶牛识别的必要性，但是随着农业信息化和农业机械化的不断发展，大型的牧场最终可能会取代小型牧场，这时就需要精确的奶牛身份识别技术来协助农场主管理农场，他们提出RFID技术，为每头奶牛设置独立的电子标签，从而完成精细养牛的目的，这是一种基于无线射频的奶牛身份识别技术，和图像处理以及机器学习没有太大关联，但是国内其他的奶牛身份识别技术的推动进程还比较缓慢，使用的也是传统的机器学习或者图像处理算法。
1.3 研究的目的和内容
本次设计的主要内容和目的如下：
（1）通过牧场10天的监控录像截取需要的所有30头奶牛的图片资料，并且选取质量较好的图片建立识别系统的数据库。
（2）根据需求对图像进行预处理，预处理涉及常规的灰度化、二值化、轮廓提取、分割算法等处理方式，为后期特征提取或者机器学习做基础。
（3）尝试仅通过奶牛图片切割分离出奶牛面部，即给定一张奶牛证明图片，自动选取到奶牛的整个面部，希望可以减轻图像预处理压力。
（4）基于图库匹配的识别系统，对待识别奶牛图像进行预处理、分割、特征值提取等操作，将最终得到的特征值和建立的图片数据库中已有的奶牛特征值进行遍历对比，找到特征值与待识别奶牛图片最相似的奶牛图库编号（即奶牛编号），返回奶牛编号，完成第一种识别算法。
（5）基于LBP和灰度共生矩阵的分类算法，该算法依照网络上的人脸识别算法的步骤实现对奶牛面部识别的操作，通过对新建的ORL_BP图库的训练学习，完成对目标牛图片的识别目标，和图库匹配法在图库上保持一致的情况下，研究三种识别算法哪一个更适合奶牛面部识别的应用。
2 奶牛识别算法比较分析
2.1 标准图库建立
本次毕业设计的奶牛图库，是通过10天的农场监控录像，通过截图的方式得到需要的图片，从而建立标准奶牛图片库。
选取每天傍晚光线最好时的奶牛照片，先对图库进行简要分类，共得到如下几个图库：
（1）30头奶牛的正面侧面截图，30头奶牛中图片较为丰富的共有19头，按照奶牛数量在图库中创建相同数量的奶牛图片文件夹，并且给文件夹相应的编号，也就是后期识别算法呈现的奶牛编号。
（2）30头奶牛正面照片，用于此次图库匹配算法的面部识别。
（3）大小为200*186像素的奶牛面部照片（经过画图软件只保留奶牛面部），事先进行灰度化处理，从而建立奶牛面部的ORL_BP标准图库，用于后期基于机器学习的算法。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jsj/wljs/414.html
