一種藏獒幼犬純度的自動(dòng)化識(shí)別系統(tǒng)的制作方法
【專利摘要】本發(fā)明公開(kāi)一種藏獒幼犬純度的自動(dòng)化識(shí)別系統(tǒng)，該系統(tǒng)包括用于采集藏獒幼犬圖像的攝像頭、用于藏獒幼犬純度識(shí)別的處理器、用于輸出識(shí)別結(jié)果的輸出裝置，所述處理器包括：視頻采集模塊，用于獲取所述攝像頭捕獲的藏獒幼犬的視頻，圖像處理模塊，用于對(duì)獲取的圖像進(jìn)行處理，純度識(shí)別模塊，用于對(duì)待檢測(cè)藏獒幼犬的純度進(jìn)行識(shí)別；所述圖像處理模塊，包括預(yù)處理模塊，用于對(duì)獲取的藏獒幼犬視頻進(jìn)行平滑處理，特征提取模塊，用于使用Tracking-Learning-Detection算法對(duì)藏獒幼犬進(jìn)行定位，并使用Gabor算法進(jìn)行特征提取；所述的純度識(shí)別模塊，包括一組基于類內(nèi)類間散度的模糊支持向量機(jī)分類器。本發(fā)明克服傳統(tǒng)方法主觀性強(qiáng)、可重復(fù)性差的缺點(diǎn)，具有可靠性高、適用性強(qiáng)的特點(diǎn)。
【專利說(shuō)明】一種藏獒幼犬純度的自動(dòng)化識(shí)別系統(tǒng)

【技術(shù)領(lǐng)域】
[0001] 本申請(qǐng)涉及一種藏獒幼犬純度的自動(dòng)化識(shí)別系統(tǒng)，屬于模式識(shí)別、計(jì)算機(jī)視覺(jué)等 相關(guān)領(lǐng)域。

【背景技術(shù)】
[0002] 藏獒產(chǎn)自于青藏高原，是舉世公認(rèn)的最古老、最稀有大型犬種，被譽(yù)為"東方神 犬"。巨大的經(jīng)濟(jì)利益，促使人們急切的追捧，成為熱門(mén)養(yǎng)殖的目標(biāo)之一。同時(shí)，由于價(jià)格原 因目前市場(chǎng)形成魚(yú)目混珠、以次充好的交易格局，給部分藏獒養(yǎng)殖者帶來(lái)巨大的損害。目前 對(duì)藏獒純度的識(shí)別主要依靠人工目視觀察判斷分析，其判斷結(jié)果受到觀察者知識(shí)水平、判 斷經(jīng)驗(yàn)的限制，存在主觀依賴性強(qiáng)、可重復(fù)性差的缺陷。藏獒幼犬的識(shí)別存在很多的不確定 性，其原因在于藏獒幼犬月齡小不具備成年藏獒外貌的大量特征，因此，對(duì)藏獒幼犬純度的 識(shí)別存在客觀評(píng)價(jià)依據(jù)少，識(shí)別準(zhǔn)確性差等不利因素，亟需一種藏獒幼犬純度的自動(dòng)化識(shí) 別系統(tǒng)。
[0003] 支持向量機(jī)（SupportVectorMachine,SVM)方法是一種非參數(shù)模式識(shí)別方法，以 結(jié)構(gòu)風(fēng)險(xiǎn)最小化為基本原則，根據(jù)有限的樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋找最 佳折中，以期獲得最好的泛化能力。SVM的基本思想是通過(guò)事先選擇的線性/非線性映射 將輸入向量映射到一個(gè)高維特征空間，然后在這個(gè)特征空間中構(gòu)造最優(yōu)化的數(shù)據(jù)分類超平 面。目前，SVM技術(shù)廣泛地應(yīng)用到人臉識(shí)別、圖像處理等領(lǐng)域。但是，SVM在學(xué)習(xí)過(guò)程中并沒(méi) 有充分考慮樣本之間的幾何結(jié)構(gòu)和樣本所隱含的判別信息，因此在一定程度上影響了對(duì)具 體模式進(jìn)行識(shí)別的能力，而且易受到噪聲的干擾，如果一個(gè)或幾個(gè)樣本點(diǎn)具有相對(duì)較大的 值，就會(huì)出現(xiàn)過(guò)擬合問(wèn)題，因此，在使用模式識(shí)別的方法進(jìn)行分類時(shí)，如何有效克服這兩個(gè) 困難是亟需解決的難題。
[0004]目前還未見(jiàn)到有關(guān)藏獒幼犬純度自動(dòng)檢測(cè)自動(dòng)識(shí)別方面的有關(guān)研究。


【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的在于針對(duì)現(xiàn)有技術(shù)的不足，提出一種可靠性高、適用性好的藏獒幼 犬純度的自動(dòng)化識(shí)別系統(tǒng)。
[0006] 本發(fā)明的技術(shù)方案是：一種藏獒幼犬純度的自動(dòng)化識(shí)別系統(tǒng)，其特征在于，包括用 于采集藏獒幼犬圖像的攝像頭，用于進(jìn)行藏獒幼犬純度識(shí)別的處理器，所述處理器包括：視 頻采集模塊，用于獲取所述攝像頭捕獲的藏獒幼犬的視頻；圖像處理模塊，用于對(duì)獲取的圖 像進(jìn)行處理；純度識(shí)別模塊，使用基于類內(nèi)類間散度模糊支持向量機(jī)的分類器對(duì)藏獒幼犬 純度的識(shí)別；識(shí)別結(jié)果輸出裝置，用于輸出待識(shí)別藏獒幼犬純度的識(shí)別結(jié)果；其中，所述圖 像處理模塊，包括預(yù)處理模塊，用于對(duì)獲取的視頻進(jìn)行平滑處理；特征提取模塊，用于使用 TLD跟蹤算法對(duì)藏獒幼犬的眼睛、鼻子、嘴巴、胸口、頭部、軀干、尾巴等部位定位并進(jìn)行圖像 的截取，接著使用Gabor算法對(duì)截取的圖像進(jìn)行特征提取。
[0007] 作為優(yōu)選的一種方案，所述的純度識(shí)別模塊，所述純度識(shí)別模塊由10個(gè)基于類 內(nèi)類間散度模糊支持向量機(jī)分類器構(gòu)成。系統(tǒng)將藏獒幼犬的種類分為純度80%以上、純 度50% -80 %、純度30% -50 %、純度10% -30%、純度低于10 %共5類；并將所述的五 個(gè)種類進(jìn)行兩兩組合，組合成10組：純度80 %以上和純度50 % -80%，純度80 %以上和 純度30 % -50%，純度80 %以上和純度10% -30%，純度80 %以上和純度低于10%，純度 50% -80 %和純度 30% -50%，純度 50% -80 %和純度 10% -30%，純度 50% -80 %和純 度低于10%，純度30% -50 %和純度10% -30%，純度30% -50 %和純度低于10%，純度 10% -30%和純度低于10%，因此系統(tǒng)共構(gòu)建10個(gè)基于類內(nèi)類間散度模糊支持向量機(jī)分類 器。
[0008] 作為優(yōu)選的又一種方案，在所述的純度識(shí)別模塊中構(gòu)建基于類內(nèi)類間散度模糊支 持向量機(jī)方法的步驟如下：
[0009] 步驟一：對(duì)訓(xùn)練藏獒幼犬樣本使用TLD跟蹤算法定位并截取圖像，再使用Gabor算 法對(duì)截取的圖像進(jìn)行特征提取，并根據(jù)上述10種組合構(gòu)建相應(yīng)的藏獒幼犬訓(xùn)練樣本集；
[0010] 步驟二：在每個(gè)組合中構(gòu)建兩類訓(xùn)練樣本的類內(nèi)K-近鄰加權(quán)鄰接圖的權(quán)矩陣< 和類間K-近鄰加權(quán)鄰接圖的權(quán)矩陣及r;
[0011]

【權(quán)利要求】
1. 一種藏獒幼犬純度的自動(dòng)化識(shí)別系統(tǒng)，其特征在于，包括用于采集藏獒幼犬圖像的 攝像頭，用于進(jìn)行藏獒幼犬純度識(shí)別的處理器，所述處理器包括： 視頻采集模塊，用于獲取所述攝像頭捕獲的藏獒幼犬的視頻； 圖像處理模塊，用于對(duì)獲取的圖像進(jìn)行處理； 純度識(shí)別模塊，用于對(duì)待檢測(cè)藏獒幼犬純度的識(shí)別； 識(shí)別結(jié)果輸出裝置，用于輸出識(shí)別結(jié)果； 所述圖像處理模塊包括： 預(yù)處理模塊，用于對(duì)獲取的視頻進(jìn)行平滑處理； 特征提取模塊，首先使用TLD(Tracking-Learning-Detection)跟蹤算法對(duì)藏獒幼犬 的眼睛、鼻子、嘴巴、胸口、頭部、軀干、尾巴等部位定位并進(jìn)行圖像的截取，再使用Gabor算 法對(duì)截取的圖像進(jìn)行特征提取。
2. 如權(quán)利要求1所述的藏獒幼犬純度的自動(dòng)化識(shí)別系統(tǒng)，其特征在于：所述純度識(shí)別 模塊由10個(gè)基于類內(nèi)類間散度模糊支持向量機(jī)分類器構(gòu)成。系統(tǒng)將藏獒幼犬的種類分 為純度80%以上、純度50% -80%、純度30% -50%、純度10% -30%、純度低于10%共5 類；并將所述的五個(gè)種類進(jìn)行兩兩組合，組合成10組：純度80%以上和純度50% -80%， 純度80 %以上和純度30 % -50%，純度80 %以上和純度10% -30%，純度80 %以上和純度 低于10%，純度50% -80 %和純度30% -50%，純度50% -80 %和純度10% -30%，純度 50% -80 %和純度低于10%，純度30 % -50 %和純度10% -30%，純度30 % -50 %和純度低 于10%，純度10% -30%和純度低于10%，因此系統(tǒng)共構(gòu)建10個(gè)基于類內(nèi)類間散度模糊支 持向量機(jī)分類器； 其中，構(gòu)建基于類內(nèi)類間散度模糊支持向量機(jī)分類器的步驟如下： 2. 1對(duì)訓(xùn)練藏獒幼犬樣本使用TLD跟蹤算法定位并截取圖像，再使用Gabor算法對(duì)截取 的圖像進(jìn)行特征提取，并根據(jù)上述10種組合構(gòu)建相應(yīng)的藏獒幼犬訓(xùn)練樣本集； 2. 2在每個(gè)組合中構(gòu)建兩類訓(xùn)練樣本的類內(nèi)K-近鄰加權(quán)鄰接圖的權(quán)矩陣和類間K-近鄰加權(quán)鄰接圖的權(quán)矩陣> ·， |ι 若力在6的K-近鄰內(nèi)且4和1/具有相同的標(biāo)簽 （1) I0 若x,_在X/的K-近鄰內(nèi)且Xi?和X/具有不同的標(biāo)簽 Jl 若X/在X/的K-近鄰內(nèi)且X/和X/具有不同的標(biāo)簽 （2) 若X,.在X/的K-近鄰內(nèi)且X;和X/具有相同的標(biāo)簽 其中，（k)表示該類數(shù)據(jù)集的編號(hào)，Xi表示訓(xùn)練樣本集中每個(gè)訓(xùn)練樣本的特征值。 2. 3生成兩類訓(xùn)練樣本的類內(nèi)散度矩陣和類間散度矩陣； 類內(nèi)散度矩陣Sw :
其中產(chǎn)，T表示矩陣的轉(zhuǎn)置，Xie N(Xj)表示\在\的 Nk K-近鄰內(nèi)，供(·)是映射函數(shù)， 類間散度矩陣Sb:
:?:中產(chǎn))=("叫(丨,i，.··，1,0,.·，("，0/(/.) = |/yi^ui . z、 '一Nt-''~N^ b，V^lj，J 2. 4將兩類訓(xùn)練樣本輸入到基于類內(nèi)散度和類間散度模糊支持向量機(jī)中進(jìn)行訓(xùn)練，基 于類內(nèi)類間散度模糊支持向量機(jī)的形式如下：
其中W表示系數(shù)矩陣，C+和σ分別為正負(fù)類的懲罰參數(shù)，〖1和h為松弛變量，yie{+1，-1}通過(guò)將原先樣本標(biāo)簽變形得到，^和<分別為正負(fù)類的模糊因子，N1和N2 分別是兩類訓(xùn)練樣本的個(gè)數(shù)，H1和H2是兩個(gè)正常數(shù)； 上式可以轉(zhuǎn)換成如下的二次規(guī)劃形式：
其中，Q為（NJN2)X(NfN2)的半正定矩陣
A'U,，七）=& =P(XiXxy)是核函數(shù)，矩陣κ= [K1,K2]，矩陣K1是矩陣K的前N1列，矩 陣1(2是矩陣K的前N2列，β= [?^，...，βΝ]τ為拉格朗日系數(shù)向量； 2. 5構(gòu)建基于類內(nèi)類間散度模糊支持向量機(jī)分類器，分類器的形式為：
其中/=[式,...,武]^是公式（6)的最優(yōu)解。
3. 如權(quán)利要求1所述的藏獒幼犬純度的自動(dòng)化識(shí)別系統(tǒng)，其特征在于：在所述的純度 識(shí)別模塊中，識(shí)別待檢測(cè)藏獒幼犬純度的步驟如下： 3. 1使用所述的圖像處理模塊中提取的待檢測(cè)藏獒幼犬的特征； 3. 2將提取的特征輸入10個(gè)基于類內(nèi)類間散度模糊支持向量機(jī)分類器中，得到其判別 結(jié)果； 3. 3采用投票機(jī)制統(tǒng)計(jì)這10個(gè)分類器的判別結(jié)果，10個(gè)結(jié)果中哪一個(gè)占得多，則將該 待檢測(cè)藏獒幼犬識(shí)別為該類別。
【文檔編號(hào)】G06K9/66GK104318267SQ201410591352
【公開(kāi)日】2015年1月28日 申請(qǐng)日期:2014年10月28日 優(yōu)先權(quán)日:2014年10月28日
【發(fā)明者】倪彤光, 顧曉清, 王洪元, 劉鎖蘭 申請(qǐng)人:常州大學(xué)