基于谱图理论和弹性网稀疏表示的荷斯坦牛图像识别研究

Object recognition is a hot research topic in the field of image processing and pattern recognition. It has theoretical significance, and has important application value in practical fields. With the development of China's dairy cow industries, automatic dairy cow image identification is required. Through the research of the project, the research field for biometric identification technology has been expanded and the safety of dairy product has been protected. Although various biometric identification methods are proposed, different identification methods are suitable for different object. The back patterns of Holstein dairy cow are the basis of identification in the project. Local features and shape features are extracted and recognized to perform dairy cow image identification, including: (1) describe image local features being robust to large scale change and illumination change; (2) offer the optimal spatial relationship of local feature descriptor combined with spectral graph theory; (3) shape feature representation combined with elastic net sparse representation; (4) acquire sparse base and sparse coefficients with good feature selection capability; (5) experimental design and data analysis of above methods for feature extraction and recognition.

目标图像识别是图像处理和模式识别领域的研究热点，不仅有其理论意义，在实际领域也具有重要的应用价值。随着我国奶业的发展，提出了奶牛图像自动身份识别的要求。通过本项目的研制，拓展了生物特征识别技术的研究范围，并且将有效保障乳制品的安全性。现有多种生物特征识别方法被提出，但不同识别方法的适用对象各不相同。本项目以荷斯坦奶牛背部图案为识别依据，通过局部特征和形状特征的提取和识别，完成奶牛图像识别，包括：（1）抗大尺度变化和光照变化的图像局部特征描述；（2）结合谱图理论的局部特征描述符的最优空间关系的构造；（3）结合弹性网稀疏编码的形状特征表示；（4）具有良好特征选择能力的稀疏基和稀疏系数的获取；（5）上述方法的特征提取和识别方法的实验设计和数据分析。

本项目对于图像局部特征、形状特征的提取开展了深入研究，主要研究成果包括：（1）构建具有镜像翻转不变性的图像局部特征二值描述子，并应用于图像识别与分类，较好地解决了图像局部特征描述子在大尺度变化和光照变化下稳定性差的问题；（2）提出基于特征描述子邻接矩阵的奇异值分解匹配方法，通过最小生成树来构造最优空间关系，引入Fisher判别准则，提取高鉴别力特征，并应用于词袋模型，获得了理想的实验效果；（3）构建由局部特征描述子与形状上下文描述子构成的联合描述子，在局部块和整体块上建立稀疏模型；（4）针对词袋模型中的k-means方法，提出基于混合距离的初始聚类中心选取算法，解决了任意形状数据集的聚类问题。. 在本基金的支持下，项目组按照研究计划圆满完成了规定的研究内容，发表论文31篇，其中，SCI收录4篇，EI收录12篇，ISTP收录1篇，中文核心期刊上发表13篇。另外，项目组申请发明专利8项，1项专利获得授权，获得软件著作权13项。培养硕士研究生29人，其中19人获得硕士学位。项目研究成果大大超出了预期成果。