一种基于局部不变特征的牛唇纹识别方法及系统

1.本发明涉及牛唇纹识别算法技术领域，尤其涉及一种基于局部不变特征的牛唇纹识别方法及系统。


背景技术：

2.牲畜是农业的重要组成部分，特别是大牲畜，在农民的发家致富中起到重要作用。然而一些农户养殖盲目，靠天吃饭，一但遇到天灾人祸或重大疫情，变得不知所措。大牲畜保险属于养殖业保险的一种，是指以牲畜的生命价值为保险标的保险。
3.牛保险政策作为我国政策性农业保险制度的重要组成部分，如果在养殖过程中牛因为疾病或者是天灾等外界因素引起的非自然死亡，保险公司赔付保险金给牧民，但是有缺乏牛识别的技术，会出现骗保、错赔等问题。同时牛保险政策已成为各级政府支持肉牛发展和保障养殖利益的重要手段，个体身份的准确识别将促进牛保险的顺利开展，同时解决理赔牛与承保牛不能完全匹配的问题，提高核保理赔的准确率。
4.为了切实保护牧民的权益，解决牧民保险行业难的问题，针对牛的识别，我们可以使用计算机视觉设计一个准确率高，鲁棒性强，成本较低的用于牲畜保险的识别系统。利用该系将牛的信息储存到数据库中，当需要进行牛身份识别时，将目标与数据库储存的牛身份信息做匹配，找到目标牛的身份信息。
5.许多国际组织，如食品安全和世界动物卫生组织，已经正式认识到动物识别和可追溯系统开发的重要价值，并进一步积极推动这些系统的发展。其中，牛的识别和可追溯性是控制动物安全政策和食品生产管理的关键。近年来，牛的识别已广泛应用于各种应用，例如动物登记、可追溯性、跟踪和控制严重疾病等。它在解决牛的虚假保险索赔、丢失、交换等问题和牲畜登记以及可追溯性过程中也发挥着重要作用。
6.传统的个体牛识别方法被分为几个类别，即永久性识别方法(pim)、半永久性识别方法(sim)和临时识别方法(tim)。基于pim的技术包括纹身、微芯片、耳尖或切口和烙印等。然而，pim方法是基于入侵的识别方法。sim方法已经应用于使用id涂料和耳朵标签对个体牛进行识别。此外，基于电信号的技术、射频识别(rfid)和使用油漆或染料的身体草图图案绘制技术已经用于tim的牛识别。在印度尼西亚，基于耳朵标签的技术非常适合于识别不同的家畜。此外，在美国、澳大利亚、欧洲、加拿大、英国等国家，耳标内置射频识别技术也在申请家畜的注册、追溯和识别中广泛应用。但是，牛的耳朵标签最终也会受到损坏，并由于长期使用，耳朵标签可能会很快出现欺诈和复制等现象。在牛识别的方向上，还可以使用不同品种的破碎颜色对牛进行识别。然而，牛的体表着色过程需要熟练的绘画能力，才能获得更好的图像图案。因此，传统的个体牛识别方法的识别效果大多不尽人意。
7.传统的动物识别方法在牛的识别方面有局限性，例如效率、经济、无创、低成本和可扩展等方面。而且它有严重的可追溯性问题，如识别丢失、交换和虚假的保险索赔。传统的动物识别系统和基于框架的畜禽识别系统中，在防控疾病暴发、健康管理和大量动物种群登记等方面也存在着严重的问题。除此之外，所有传统的动物识别技术，人工标记方法，
如嵌入式微芯片和rfid也可以被复制、欺诈，并且无法验证。因此，设计和开发一个基于动物生物特征的自动、无创、低成本、鲁棒的利用计算机视觉来识别个体牛的系统是有必要的。视觉动物生物特征学是在计算机视觉、模式识别、图像处理和认知科学之间进行的。基于动物的视觉识别系统或框架在不同的尺度上被应用于识别和分类不同的物种或个体。识别系统还可以检测不同物种行为的发生和变化，并计算形态模式，以及计算个体间和个体内部随时间变化的差异。由于进行动物的行为分析和生物特征检测等方面的多样性，它正逐渐获得更广泛的应用。动物生物识别技术对动物或物种的识别产生了很大的影响，这些技术对于开发基于计算机视觉的新方法具有重要意义。在现有文献中，牛的皮纹(即脊线、珠子和触须)显示在唇纹图像上，而且每种牛的唇纹具有唯一性。牛的唇纹图像识别与人体指纹细节点识别非常相似。因此，牛的唇纹图像识别是一种适合于家畜识别的动物生物识别方法，到目前为止，唇纹图像识别可以成功地用于动物个体的识别，它为以前的牛识别方法的这些主要问题提供了更好的解决方案。
8.将基于唇纹的牲畜个体识别应用于牲畜保险领域，研发保险服务平台接口，解决牧民保险难的行业痛点。牲畜保险业中，牲畜身份识别是最为关键的一个环节，也是目前制约草原畜牧业中保险行业接入和发展的关键问题。身份识别的准确性、唯一性、可实施性，是牲畜保险业中个体身份识别的重要指标。我国传统的动物身份识别有耳标和rfid等方法，以上方法均存在问题，如对牛本身有影响或使用寿命低等。牛的唇纹类似于人的指纹，不随牛的年龄、饲养环境变化而变化，具有较好的身份鉴别特性，利用这一特征，利用牛的唇纹图像识别牛身份，解决保险中牛身份识别难点问题，具有识别准确率高，易于操作，成本低等优点。


技术实现要素：

9.本发明的目的在于提供一种基于局部不变特征的牛唇纹识别方法及系统，使用照相机采集牛唇纹图像，通过远程服务器匹配唇纹图像来识别牛的身份信息，提高了畜牧保险行业对牛身份认定的准确率，可以解决背景技术中的问题。
10.为了解决上述技术问题，本发明提供的基于局部不变特征的牛唇纹识别方法及系统的技术方案具体如下：
11.第一方面，本发明实施例公开了一种基于局部不变特征的牛唇纹识别方法，所述方法包括以下步骤：
12.步骤1：实时获取牛唇纹图像，并对图像进行预处理；
13.步骤2：将获取的获取牛唇纹图像提取特征描述符，并储存到牛唇纹描述符数据库中，然后牛唇纹描述符数据库信息上传储存到牛身份信息数据库中，将数据库中的特征描述符和牛身份信息相对应并创建一个专属 id号；
14.步骤3：建立投保和验证系统，根据专属id号，对牛保险进行验证。
15.在上述任一方案中优选的是，所述牛身份信息数据库包含每头牛的耳标id、年龄、品种、性别和所属牧场信息，所述牛唇纹描述符数据库包括每头牛的唇纹图像和对应的若干个64维特征描述符。
16.在上述任一方案中优选的是，在牛保险验证时，上传待验证的牛唇纹图像和该牛的id号，后端将牛唇纹图像与该id号保存的特征描述符进行特征匹配，最后根据阈值评价
是否是同一头牛，如果是同一头牛则输出牛的身份信息。
17.在上述任一方案中优选的是，所述投保包括图像信息和牛养殖信息的采集、上传和存储，手持机摄像头采集图像并上传，牛养殖信息包括牛的年龄、牛隶属于的牛场信息，通过手持机录入并上传到服务器，存入牛身份信息数据库。
18.在上述任一方案中优选的是，将投保和验证功能集成在网页上，可使用智能设备进行访问，前端网页和后端服务相连接，前端将图像和相关指令发送到后端服务器，后端服务器使用牛唇纹识别算法处理前端指令并返回结果。
19.在上述任一方案中优选的是，所述的基于局部不变特征的牛唇纹识别方法，还包括对牛养殖进行赔偿，在牛出现事故后，手持机摄像头采集图像，然后选取待理赔牛身份上传到服务器，服务器将图像输入特征提取模型，提取特征，并从数据库中检索理赔牛已有特征，将其送入决策器，验证上传牛唇纹图像是否与理赔牛身份一致，并将结果发送到手持机。
20.在上述任一方案中优选的是，所述预处理包括：使用clahe处理图像，使不同灰度范围内的像素数量大致相同，当图像灰度直方图完全均匀分布时，图像的熵和对比度是最大的，
21.其中，变量r为原图像中的像素灰度级，进行归一化处理后；变量s为变换后图像中的像素灰度级；概率密度 pr(r)是原图像灰度级的分布。
22.在上述任一方案中优选的是，所述预处理还包括：在数字图像实际处理中需要引入离散形式，离散化的直方图均衡化计算方式为：散形式，离散化的直方图均衡化计算方式为：
23.其中，变量n为图像中的总像素个数；变量k为灰度级数，普通的 rgb图像的灰度级数是0～255。
24.在上述任一方案中优选的是，所述变量r的大小范围为0到1，0代表黑色，1代表白色。
25.本发明与现有技术相比，具有如下有益效果：
26.使用照相机采集牛唇纹图像，通过远程服务器匹配唇纹图像来识别牛的身份信息，提高了畜牧保险行业对牛身份认定的准确率。
27.第二方面，一种基于局部不变特征的牛唇纹识别系统，包括：
28.获取模块，用于实时获取牛唇纹图像，并对图像进行预处理；
29.处理模块，用于将获取的获取牛唇纹图像提取特征描述符，并储存到牛唇纹描述符数据库中，然后牛唇纹描述符数据库信息上传储存到牛身份信息数据库中，将数据库中的特征描述符和牛身份信息相对应并创建一个专属id号；
30.建立模块，用于建立投保和验证系统，根据专属id号，对牛保险进行验证。
31.本发明与现有技术相比，具有如下有益效果：使用照相机采集牛唇纹图像，通过远程服务器匹配唇纹图像来识别牛的身份信息，提高了畜牧保险行业对牛身份认定的准确率。
附图说明
32.附图用于对本发明的进一步理解，与本发明的实施例一起用于解释本发明，并不
构成对本发明的限制。
33.图1投保理赔系统示意图。
34.图2图像存储流程图。
35.图3牛唇纹图像clahe处理。
36.图4高斯差分金字塔。
37.图5定位空间关键点。
38.图6关键点主方向分配。
39.图7牛唇纹图像的关键点和主方向。
40.图8特征描述子生成示意图。
41.图9牛唇纹数据集示例图。
42.图10相同id唇纹图像的匹配结果。
43.图11不同id唇纹图像的匹配结果。
具体实施方式
44.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
45.一种基于局部不变特征的牛唇纹识别方法，具体内容包括：
46.牛唇纹识别模型的设计，牛唇纹识别方法包括两个阶段:训练阶段和测试段。在训练阶段，使用相机采集牛的唇纹图像。将图像的分辨率调整后，进行限制对比度自适应直方图均衡化(clahe)，从而获得特征增强的牛唇纹图像。然后，使用加速鲁棒特征(surf)特征提取算法将每头牛最清晰的一张图像生成64维特征描述符，并将每个特征描述符储存到牛唇纹数据库中；在测试阶段，重复上述的步骤，获得测试牛唇纹图像的特征描述符之后，使用knn分类器将测试图像的描述符与牛唇纹数据库中的所有描述符进行匹配，最后输出识别结果。
47.建立投保子系统，投保子系统包括图像信息和牛养殖信息的采集、上传和存储。通过手持机摄像头采集牛唇纹图像和养殖信息。牛养殖信息包括牛的年龄、牛隶属于的牛场等信息，通过手持机录入并上传到服务器，存入牛身份信息数据库。如图1投保理赔系统示意图所示。
48.将图像信息上传，图像采集手持机摄像头采集图像:本装置的数据采集来自察哈尔右旗和土默特左旗的牛场和奶站，数据的采集在不同场景、角度、光照等条件下进行采集。将牛唇纹图像上传到数据库中，做为理赔阶段验证的标准。如图2图像存储流程图所示。
49.对养殖信息进行采集，身份基本信息的录入，包括牛的出生时间、年龄等。完成牛基本信息的录入通过手持机录入，并且将信息存到数据库 information表中。
50.获取理赔子系统，在牛出现事故后，手持机摄像头采集牛唇纹图像，然后选取待理赔牛身份上传到服务器，服务器将图像输入牛唇纹识别模型中进行特征提取，并从数据库中检索理赔牛已有特征，将其送入决策器，验证上传牛唇纹图像是否与理赔牛身份一致，并将结果发送到前端网页或手持机。
51.实时获取图像信息，当牛出现事故后，经过手持机摄像头采集牛唇纹图像，并且将
待理赔牛的id号和图片地址上传到服务器中。
52.对牛唇纹特征提取，服务器将获得的图像输入到牛唇纹识别模型中进行特征提取，将图片信息转换成64维向量，并从数据库中检索理赔牛已有的特征，使用最近邻分类器(knn)来对比牛唇纹64特征向量的相似度，将与理赔牛特征向量相似度最高的特征向量作为匹配结果。查询该特征向量的身份信息是为是待理赔牛，输出“是”或“否”。
53.为了更好地理解上述技术方案，下面将结合说明书附图及具体实施方式对本发明技术方案进行详细说明。
54.实施例：
55.本发明设计的一种基于局部不变特征的牛唇纹识别方法，包括三个方面，分别为身份识别模型设计、投保子系统和理赔子系统。
56.一、身份识别模型设计
57.1、牛唇纹图像预处理
58.拍摄得到的牛面部图像包含了牛唇纹部位，需要将唇纹部位裁剪出来。由于牛头部照片拍摄距离不同，裁剪的牛唇纹图像分辨率也不同，影响唇纹识别的准确率。使用三次双线性插值将唇纹图像分辨率指定为 300*300。
59.接下来使用clahe处理图像，使不同灰度范围内的像素数量大致相同。当图像灰度直方图完全均匀分布时，图像的熵和对比度是最大的。满足此条件的公式见式1。
[0060][0061]
式1中，变量r为原图像中的像素灰度级，进行归一化处理后，该值大小范围为0到1，0代表黑色，1代表白色；变量s为变换后图像中的像素灰度级；概率密度pr(r)是原图像灰度级的分布。该公式是连续的，在数字图像实际处理中需要引入离散形式，离散化的直方图均衡化见式 2。
[0062][0063]
式2中，变量n为图像中的总像素个数；变量k为灰度级数，普通的 rgb图像的灰度级数是0～255。如图3牛唇纹图像clahe处理所示， clahe将图像灰度分布变得均匀，特征更容易识别。
[0064]
2、加速鲁棒特征(surf)提取
[0065]
2.1构造hessian矩阵
[0066]
surf构造的金字塔图像与sift有很大不同，就是因为这些不同才加快了其检测的速度。sift采用的是dog图像，而surf采用的是hessian 矩阵行列式近似值图像。首先是图像中某个像素点的hessian矩阵，见式 3。
[0067][0068]
其中，l
xx
、l
xy
、l
yy
为高斯滤波后图像g(σ)在各个方向的二阶导数。
[0069]
为了找出图像中的特征点，需要对原图进行变换，该变换图就是原图每个像素的hessian矩阵行列式的近似值构成的。见式4，其中，0.9为算法实践的一个经验值。
[0070]
det(h
approx
)＝l
xx
l
yy-(0.9l
xy
)2ꢀꢀꢀ
(4)
[0071]
2.2构建高斯金字塔
[0072]
传统的图像金字塔为了让尺度体现其连续性，在简单降采样的基础上加上高斯滤波。如图4高斯差分金字塔所示，将牛唇纹图像金字塔每层的一张图像使用不同尺度核参数σ做高斯模糊，形成高斯差分金字塔 (dog)。
[0073]
其中，σ是正态分布的标准差，σ值越大，图像越模糊。r为模糊半径，模糊半径是指模板元素到模板中心的距离。如二维模板大小为(m
×ꢀ
n)，则模板上的元素(x,y)对应的高斯计算公式见式5：
[0074][0075]
式中，m,n表示高斯模板的维度，由σ确定。(x,y)代表图像的像素位置。σ是尺度空间因子，值越小表示图像被平滑的越少，相应的尺度也就越小。
[0076]
相比于上文算法的高斯金字塔构造过程，surf算法速度有所提高。在surf算法中，每一组的图像大小是不一样的，下一组是上一组图像的降采样(1/4大小)。在每一组里面的几幅图像中，他们的大小是一样的，不同的是他们采用的尺度σ不同。而且在模糊的过程中，他们的高斯模板大小总是不变的，只是尺度σ改变。对于surf算法，图像的大小总是不变的，改变的只是高斯模糊模板的尺寸，当然，尺度σ也是在改变的。
[0077]
2.3提取关键点
[0078]
将经过hessian矩阵处理过的每个像素点和它所有的相邻点比较。如图5提取关键点所示，中间的检测点与同尺度的8个相邻点、上方相邻尺度对应的9个点和下方相邻尺度对应的9个点共26个点比较，以确保在尺度空间和二维图像空间都检测到极值点。
[0079]
根据关键点所在的尺度σ，可以得到关键点所在的尺度图像。尺度图像的计算如式4所示。式中，i(x,y)表示图像i上的元素，g(x,y,σ)为式3 中高斯图像金字塔上对应的元素。
[0080]
l(x,y)＝g(x,y,σ)
×
i(x,y)
ꢀꢀꢀꢀ
(6)
[0081]
2.4关键点主方向分配
[0082]
为了保证旋转不变性，在surf中，不统计其梯度直方图，而是统计特征点领域内的harr小波特征。即以特征点为中心，计算半径为6s(s为特征点所在的尺度值)的邻域内，统计60度扇形内所有点在x(水平)和 y(垂直)方向的haar小波响应总和(haar小波边长取4s)，并给这些响应值赋高斯权重系数，使得靠近特征点的响应贡献大，而远离特征点的响应贡献小，然后60度范围内的响应相加以形成新的矢量，遍历整个圆形区域，选择最长矢量的方向为该特征点的主方向。这样，通过特征点逐个进行计算，得到每一个特征点的主方向。该过程示意图如图6所示。
[0083]
在牛唇纹图像中，使用此算法提取关键点并分配主方向如图7牛唇纹图像的关键点和主方向所示。主方向的提取可以使唇纹图像匹配具有旋转不变性。
[0084]
2.5生成特征描述子
[0085]
在特征点周围取一个正方形框，框的边长为20s(s是所检测到该特征点所在的尺度)。该框的方向是2.4检测出来的主方向。然后把该框分为 16个子区域，每个子区域统计25个像素的水平方向和垂直方向的haar 小波特征，这里的水平和垂直方向都是相对主方向而言的。该haar小波特征为水平方向值之和，水平方向绝对值之和，垂直方向之和，垂直
方向绝对值之和。生成特征描述子示意图见图8。
[0086]
二、投保子系统
[0087]
投保子系统包括图像信息和牛养殖信息的采集、上传和存储。图像采集手持机摄像头采集图像，手持机摄像头采集牛唇纹图像并上传。牛养殖信息包括通过手持机录入并上传到服务器，存入牛身份信息数据库。如图 1投保理赔系统示意图所示，投保子系统的工作流程为：
[0088]
图像上传到服务器中后，利用训练好的模型将图像信息转换为64维特征向量信息，并将向量信息存储到mysql数据库，store表中；
[0089]
图像上传到服务器中后，对应的将牛的基本信息，如牛的年龄、牛隶属的牛场主等牛的基本养殖信息存储到mysql数据库，information表中。
[0090]
1、图像信息的上传
[0091]
1.1图像采集手持机摄像头采集图像
[0092]
在内蒙古察哈尔右旗和土默特左旗的牛场和奶站，使用3000万像素单反数码相机采集了牛头部照片。从牛头部照片中将唇纹区域裁剪出来，组成牛唇纹图像数据集。在牛唇纹部位没有饲料和汗水遮挡且相机对焦到该部位时，照片像素值越大牛唇纹越清晰，识别效果越好。
[0093]
采集的牛唇纹图像包含各种协变量形式的模糊图像。如图9所示，该图第一行是模糊的牛唇纹图像，第二行是清晰的牛唇纹图像。由图9第一行可见，从左到右四幅图片依次是是汗水反光、汗水遮挡、食物遮挡和牛头部运动造成的模糊，以上四种为影响牛唇纹图像的协变量。从采集的全部牛唇纹图像中，需要手动过滤协变量图像以及模糊的牛唇纹图像。最后获得了475张清晰的可用于牛唇纹识别的图像，其中包含51头受试牛，每头5到30张数量不等。图9牛唇纹数据集示例图所示。
[0094]
1.2牛唇纹部位检测
[0095]
准确的从图像中获取牛唇纹部位图像能极大的提高身份识别的准确率，基于深度学习的目标检测技术发展迅速，为提高牛唇纹部位检测提供了有益的基础。现在检测的方法很多，本装置中采用yolov5目标检测方法，实现牛唇纹部位检测功能。
[0096]
1.3图像上传
[0097]
将牛唇纹图像上传到服务器，通过训练模型，将图像信息转换为特征向量信息，并且将转换后的特征向量信息存入store表中，表中存储牛的 id号、牛的特征向量信息和牛图片所在的地址。
[0098]
2、养殖信息的采集
[0099]
牛身份养殖信息通过键盘采集，在拍摄牛唇纹部位图像时，每拍一头牛将这头牛的基本信息存入数据库中information表中，存档的信息包括牛的id号、出生牧场、隶属于农场主，牛的年龄等信息。
[0100]
三、理赔子系统
[0101]
1、图像信息获取
[0102]
当牛出现事故需要理赔时，重复投保子系统进行的操作，使用手持机拍摄牛面部的图像，使用yolov5目标检测模型检测牛的唇纹部位，并将唇纹区域图像进行裁剪，获得事故牛的唇纹部位图像。将事故牛唇纹图像和id号上传到服务器。如图1投保理赔系统示意图
所示。
[0103]
2、牛唇纹特征提取
[0104]
通过surf算法提取牛唇纹图像的特征，形成若干个64维特征向量，形成特征描述符。
[0105]
3、knn分类器
[0106]
获得事故牛唇纹图像的特征描述符之后，使用knn特征匹配算法将事故牛唇纹图像的描述符与牛唇纹数据库中的所有描述符进行匹配，输出识别结果，该事故牛与上传id号的对应关系，“是”或“否”，并将结果发送到手持机。
[0107]
在牛唇纹特征匹配中，通过surf特征提取算法将待测试的牛唇纹图像提取n个64维的特征描述符。使用knn将测试图片与数据库匹配，针对每个id的每个特征描述符，k值为2，从测试图像上使用欧氏距离匹配得到两个匹配的描述符。一个是最接近的，距离记为m，一个是次接近的，距离记为n。使用比值检测来评判匹配程度的好坏，m《0.7n时，此最接近特征描述符为正确匹配。正确匹配特征描述符数量大于10，则此测试图片与此id匹配成功。匹配成功id有多个时，将正确匹配描述符数量最多的id作为正确匹配。
[0108]
在实际试验中，同一头牛的唇纹图像之间，匹配成功的特征描述符数量很多，如图10相同id唇纹图像的匹配结果所示。不同牛的唇纹图像之间，匹配成功的特征描述符数量很少，如图11不同id唇纹图像的匹配结果所示。通过特征描述符的数量可以分辨出测试图像属于哪头牛。
[0109]
以上仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。