許貝貝, 王文生,2*, 郭雷風(fēng), 陳桂鵬

(1.中國農(nóng)業(yè)科學(xué)院農(nóng)業(yè)信息研究所, 北京 100086; 2.農(nóng)業(yè)農(nóng)村部信息中心, 北京 100125; 3.江西省農(nóng)業(yè)科學(xué)院農(nóng)業(yè)經(jīng)濟(jì)與信息研究所, 南昌 330200)

畜牧業(yè)作為農(nóng)業(yè)農(nóng)村經(jīng)濟(jì)的主導(dǎo)產(chǎn)業(yè)，已成為保障城鄉(xiāng)居民肉、蛋、奶消費(fèi)和動物蛋白攝取的基礎(chǔ)性產(chǎn)業(yè)，特別是近年來，大力發(fā)展畜牧業(yè)又成為很多西部地區(qū)和少數(shù)民族聚居較多的省區(qū)扶貧攻堅新舉措。奶牛和肉牛養(yǎng)殖是整個農(nóng)業(yè)組成的重要部分,在農(nóng)業(yè)經(jīng)濟(jì)體系中占據(jù)重要地位。當(dāng)前養(yǎng)殖業(yè)中，瘋牛病、口蹄疫等具有強(qiáng)烈傳染性疾病的出現(xiàn)對奶制品和畜產(chǎn)品的質(zhì)量安全有極大的影響，因此對個體進(jìn)行精細(xì)化養(yǎng)殖是現(xiàn)代養(yǎng)殖的主要研究方向。隨著畜牧養(yǎng)殖業(yè)向規(guī)?；?、信息化、精細(xì)化的方向發(fā)展，集約化牛場將漸漸取代散戶養(yǎng)殖等小規(guī)模的養(yǎng)殖模式。在大規(guī)?；鲋幸獙崿F(xiàn)對牛個體自動化、信息化的日常精細(xì)化管理，實現(xiàn)對每頭牛的健康狀況追蹤以及奶源和肉制品追溯，必須實現(xiàn)質(zhì)量追溯體系的搭建與完善，而關(guān)鍵又在于對牛個體身份的識別。

因此，快速準(zhǔn)確的牛個體識別不僅是奶制品和肉制品溯源的基礎(chǔ)，也是奶牛生產(chǎn)性能記錄體系和遺傳改良體系最重要的組成部分，如選種選配和母牛產(chǎn)犢等生產(chǎn)管理都需要先快速識別個體身份。此外，肉牛保險政策作為我國政策性農(nóng)業(yè)保險制度的重要組成部分，目前已成為各級政府支持肉牛發(fā)展和保障養(yǎng)殖利益的重要手段，個體身份的準(zhǔn)確識別將促進(jìn)肉牛保險的順利開展，解決理賠肉牛與承保肉牛不能完全匹配的問題，提高核保理賠的準(zhǔn)確率。因此，實施牛個體身份識別，結(jié)合可穿戴式設(shè)備等采集其他生理信息建立全產(chǎn)業(yè)鏈質(zhì)量追溯體系，將大幅提高勞動生產(chǎn)率、提高奶制品和肉制品的產(chǎn)量和質(zhì)量，對改善消費(fèi)者健康水平具有非常重要的意義。同時，也對加強(qiáng)奶牛育種生產(chǎn)、有效的疾病防控和肉牛保險虛假索賠提供重要的信息，從而促進(jìn)畜牧飼養(yǎng)產(chǎn)業(yè)健康發(fā)展。

傳統(tǒng)的牛個體識別通過物理方法標(biāo)記身體某部位或者通過嵌入微芯片的標(biāo)記方法，但無法防止欺詐行為包括標(biāo)記被復(fù)制和設(shè)備被盜竊等，動物福利也較差。近年來，基于視覺生物特征的非接觸式識別已成為動物個體識別的新發(fā)展趨勢。我國在非接觸式牛個體身份識別研究方面剛起步，而國外在該領(lǐng)域已取得較大進(jìn)步。因此，本文立足于國內(nèi)外研究現(xiàn)狀，分別從不同識別部位綜述其研究進(jìn)展，重點關(guān)注牛臉識別，探討目前牛臉識別面臨的挑戰(zhàn)，在此基礎(chǔ)上，對深度學(xué)習(xí)在牛個體身份識別研究中的應(yīng)用進(jìn)行了設(shè)計與構(gòu)思，以期為國內(nèi)研究者開展非接觸式牛個體身份識別提供參考。

1 牛個體身份識別的方法

牛個體身份識別方法主要歸納為基于接觸式的識別技術(shù)和基于非接觸式的識別技術(shù)，如圖1所示?；诮佑|式的識別包括永久性識別(耳切口[2]、耳紋[3]、熱鐵烙印[4]、冷凍打號[5])、臨時識別(耳標(biāo)識別技術(shù)[6])以及電子方法(嵌入微芯片的標(biāo)記方法[7-9])。耳標(biāo)標(biāo)記是澳大利亞中小型農(nóng)場最廣泛使用的個體識別方法，耳標(biāo)由金屬或塑料部件構(gòu)成，同時打上數(shù)字進(jìn)行標(biāo)記。但永久性識別和耳標(biāo)識別的標(biāo)記方案都很容易被復(fù)制或盜竊，在身份識別方面不可靠[6]。嵌入微芯片的標(biāo)記方法通常是在耳標(biāo)或者其他穿戴式設(shè)備中利用嵌入式無線射頻識別 (radio frequency identification,RFID)技術(shù)，但局限于監(jiān)測的數(shù)量和成本以及監(jiān)測距離，且佩戴的設(shè)備可能會丟失或損壞[8-9]。因此，上述基于接觸式識別技術(shù)無法為牛只有效的身份識別提供保障，還會造成應(yīng)激反應(yīng)，影響動物福利，不適宜在現(xiàn)代化規(guī)模養(yǎng)殖中繼續(xù)采用，具體對比見表1。而基于生物識別的技術(shù)主要利用計算機(jī)視覺技術(shù)和智能監(jiān)控設(shè)備，根據(jù)牛只的生理特征如面部圖像、形態(tài)模式及其視覺特征等，利用圖像處理和分析技術(shù)構(gòu)建不同個體身份信息的數(shù)據(jù)庫，從而可為牛只身份識別提供高效的方法。

圖1 牛個體身份識別方法[1]Fig.1 Identification methods of cattle[1]

表1 接觸式識別方法對比Table 1 Comparison of contact identification methods

2 基于非接觸式的牛個體身份識別研究

傳統(tǒng)的牛個體身份識別需借助外部工具對身體某部位進(jìn)行標(biāo)記或者佩戴標(biāo)記裝置，識別方法具有侵入性，不僅嚴(yán)重影響日常行為，還可能引發(fā)安全隱患[10]。而基于生物特征的非接觸式識別可便捷快速地使用相機(jī)等拍照設(shè)備獲得牛的相關(guān)圖像數(shù)據(jù)進(jìn)行識別分析，如，分別利用牛個體中獨特的視網(wǎng)膜、虹膜、類似于人指紋的牛鼻紋以及牛臉圖像進(jìn)行身份識別。非接觸識別利用牛獨特而又穩(wěn)定不變的生物特征，即不易被復(fù)制或盜竊、采取低成本、容易操作的方式進(jìn)行識別，不僅可以提高動物福利，還可以幫助建立更可靠、更精確、更實用的識別系統(tǒng)，以提高牛場精細(xì)化管理水平并降低成本，有效減少對牛的刺激和物理傷害[11]。非接觸識別的不同方法對比見表2。

2.1 基于視網(wǎng)膜的身份識別

Simon等[12]于1935年發(fā)現(xiàn)人眼具有獨特的血管模式，每只眼睛都有不同的血管，即視網(wǎng)膜血管模式在人類中是獨一無二的。1978年,Huntzinger等[13]在人類雙胞胎中研究了視網(wǎng)膜脈管系統(tǒng)，證實了這一發(fā)現(xiàn)。因此，視網(wǎng)膜成像自20世紀(jì)70年代以來一直被美國海軍用作安全通道的手段。而視網(wǎng)膜圖案也幾乎存在于所有物種中，因此也被看作是獨特的適合用于生物個體識別的標(biāo)志[14-16]。Whittier等[17]通過人工觀察對比視網(wǎng)膜血管的位置和數(shù)量等特征來確定牛個體身份,如圖2所示。Rusk等[14]利用Optibrand 公司為捕獲牲畜視網(wǎng)膜圖像設(shè)計的OptiReader設(shè)備捕獲牛和羊的視網(wǎng)膜圖像，邀請志愿者比較兩幅圖像的差異進(jìn)行識別，結(jié)果表明，正確識別牛的概率可達(dá)96.2%，且無需聘請專業(yè)人員進(jìn)行驗證。基于視網(wǎng)膜圖案識別的缺點是如果因眼睛角膜受傷，識別將受到極大影響。

2.2 基于虹膜的身份識別

類似于人類虹膜，牛的虹膜也包含斑點、細(xì)絲、冠狀、條紋、隱窩等形狀特征，且組合方式自出生后便終生不會改變[18]，因此，可作為個體鑒別的重要特征。眼科科學(xué)家Flom等[19]在1987年首次提出利用虹膜自動識別身份，隨后，1991年美國洛斯阿莫斯國家實驗室Johnson[20]第一次開發(fā)了虹膜身份識別系統(tǒng)。牛眼虹膜識別的核心是虹膜定位和特征提取。Daugman[21]在1993年首先提出使用虹膜結(jié)合二維Gabor濾波器以調(diào)制虹膜相位信息，便于構(gòu)建虹膜特征。有學(xué)者也提出使用SIFT算法進(jìn)行特征表示構(gòu)建基于虹膜模式的牛個體識別[22]。特征表示通常會隨著圖像的屬性如強(qiáng)度、顏色和紋理特征改變，但研究中虹膜識別的局部特征是在圖像多個點處計算的，因此不受圖像比例和旋轉(zhuǎn)的影響。

表2 非接觸式識別方法對比Table 2 Comparison of non-contact identification methods

圖2 匹配的兩張牛視網(wǎng)膜圖像[17]Fig.2 Two retina images of cattle to be matched[17]

近幾年，有研究利用二維復(fù)小波變換特征(2D-CWT)方法研究牛的虹膜生物識別，對無接觸式手持設(shè)備收集的家畜虹膜圖像實驗，身份識別準(zhǔn)確度為98.33%[23]?？讖?qiáng)等[24]運(yùn)用改進(jìn)的Sobel算子并引入二次B樣條曲線算法完成牛眼虹膜的精確定位；盛大瑋[18]應(yīng)用最小二乘原理定位牛眼虹膜，通過Gabor濾波抽取特征，并按改進(jìn)的歐氏距離的匹配準(zhǔn)則進(jìn)行對比；李超等[25]設(shè)計了一種牛眼虹膜快速定位方法，即對內(nèi)邊界同時采用灰度均值法粗定位與“三點定圓”精定位相結(jié)合，對外邊界逐點掃描分層圓環(huán)算法來精確擬合；魏征[26]分別使用改進(jìn)的線性判別分析算法2DLP-LDA即引入了LPP算法和高斯權(quán)重函數(shù)，以及虛擬圖像和多流形判別分析的單樣本圖像識別算法(VI-MDA)用于特征表示和識別。

2.3 基于鼻紋印的身份識別

牛鼻子區(qū)域有豐富濃郁的紋理特征，包含鼻子點的山脊以及表面的珠子特征，珠子圖像特征是一組突出的紋理特征模式，由非均勻圖像模式組成，脊部特征是均勻圖像圖案，類似于人類指紋圖像的脊(圖3)[27]。利用鼻印識別牛的身份最早在1922年被Petersen[28]首次發(fā)表，具體是將墨水噴灑到鼻子上并印在紙上；Barry等[29]研究指出，牛個體的差異可關(guān)注其鼻子區(qū)域，個體的差異類似于人類指紋的差異。通過掃描印在紙張上的牛鼻印圖像，Minagawa等[30]應(yīng)用濾波技術(shù)、二進(jìn)制轉(zhuǎn)換和形態(tài)學(xué)方法對牛鼻子區(qū)域進(jìn)行特征提取和功能關(guān)鍵點匹配。

圖3 牛鼻印圖像[27]Fig.3 Muzzleprint images of cattle[27]

Barry等[29]提出基于鼻印圖像特征值的歐幾里得距離分類(euclidean distance classification，EDC)技術(shù)和基于主成分分析(principal components analysis，PCA)的識別，但特征匹配時，出現(xiàn)嚴(yán)重的非惡意匹配；Awad等[31]針對牛鼻印圖像提出了一種改善性能的方法，使用尺度不變特征變換(scale Invariant feature transformation，SIFT)方法與隨機(jī)樣本共識(random sample consensus，RANSAC)耦合分別用于特征關(guān)鍵點檢測及特征分類，同時去除異常值，增強(qiáng)識別的魯棒性；而Tharwat等[32]嘗試使用基于Gabor濾波器的特征提取方法，并比較不同內(nèi)核(高斯、多項式、線性和Sigmoid)的支持向量機(jī)分類器(support vector machine，SVM)，結(jié)果表明，基于高斯的SVM分類器識別精度達(dá)到99.5%。此外，使用基于紋理和諸如加速魯棒特征(speeded up robust features，SURF)之類的表述方法描述牛鼻子特征也已被用于牛的身份識別[33]。Kumar等[34]對采集的鼻印圖像采用基于混合紋理特征提取的方法，對比使用K近鄰算法(K-nearest neighbors，K-NN)、模糊K近鄰算法(fuzzy K-nearest neighbors, FK-NN)、決策樹(desion tree，DT)、概率神經(jīng)網(wǎng)絡(luò)(probabilistic neural network，PNN)、徑向基函數(shù)(radial basis function, RBF)、多層感知機(jī)(multilayer perceptron, MLP)和樸素貝葉斯模型(naive Bayesian model，NBM)對提取的特征進(jìn)行分類，K-NN識別準(zhǔn)確率可達(dá)96.74%。Kusakunniran等[35]融合紋理特征提取的Gabor特征和局部二值模式(local binary pattern,LBP)直方圖表示牛鼻印特征，支持向量機(jī)用以分類。Kusakunniran等[36]還提出結(jié)合鼻印和牛臉多重特征的一種多模態(tài)分類器，使用基于群稀疏表示的分類技術(shù)(group sparse representation classification，GSRC)對牛鼻印圖像進(jìn)行識別。GSRC是為多模態(tài)多特征的面部和鼻印圖像提供更好的特征表示，并且通過求解組稀疏性標(biāo)準(zhǔn)來確定測試鼻印圖像的類別。

現(xiàn)有人工設(shè)計的紋理特征提取即基于外觀的特征表示，該方法無法滿足在無約束環(huán)境中實現(xiàn)牛身份識別。近年來，深度學(xué)習(xí)作為計算機(jī)視覺的新興領(lǐng)域，已成功用于檢測和表示物種和個體動物的表型外觀和視覺生物特征。Kumar等[37]結(jié)合卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks，CNN)和深度信念網(wǎng)絡(luò)(deep belief networks，DBN)方法來學(xué)習(xí)牛鼻印紋理特征的提取，引入疊加去噪自動編碼器(stacked denoising auto encoder，SDAE)框架對肉牛個體鼻子區(qū)域特征進(jìn)行編碼和解碼，便于更好的特征表示。為了有更好的分類效果，采用了Adaboost算法對提取特征進(jìn)行從弱分類器到強(qiáng)分類器的迭代。當(dāng)前已有的基于鼻印模式的牛個體識別方法總結(jié)如表3所示。

2.4 基于牛臉的身份識別

牛臉是個體最直接的外部可視信息，面部特征的差異性使牛臉得以作為個體身份的標(biāo)識。2005年Kim等[46]為調(diào)查圖像處理技術(shù)是否可用于無花紋特征的牛個體識別，采集了12頭日本和牛進(jìn)食時的圖像數(shù)據(jù)，計算其特征參數(shù)，輸入到聯(lián)想記憶神經(jīng)網(wǎng)絡(luò)中進(jìn)行學(xué)習(xí)，并變換圖像亮度、扭曲度、噪聲以及旋轉(zhuǎn)角度以驗證算法的健壯性。該方法證明使用牛臉圖像識別牛個體是可行的，但該算法識別耗時長，不適用于運(yùn)動中牛只的實時識別，可用于靜止牛只的識別。Xia等[47]提出一種基于局部二值模式(LBP)紋理特征的臉部描述模型，并使用主成分分析(PCA)結(jié)合稀疏編碼分類(sparse representation classifier，SRC)對肉牛臉部圖像進(jìn)行識別。但識別時對采集的肉牛臉部圖像位置和角度要求很高，因此，很難實現(xiàn)自動化識別。Cai等[48]基于人臉識別方法提出了基于 LBP 改進(jìn)后的牛臉模型，且由于光照變化、局部遮擋以及圖像尺寸偏差的影響，使用稀疏和低秩分解對牛臉測試圖像進(jìn)行校準(zhǔn)。該模型針對灰度牛臉圖像，因此無法在真實的肉牛養(yǎng)殖環(huán)境中應(yīng)用。這類方法前期工作量也較大，且只關(guān)注牛的正臉，在實際應(yīng)用中自動采集數(shù)據(jù)較難實現(xiàn)。有學(xué)者將各種特征提取、特征降維方法與分類器模型結(jié)合，包括PCA、局部判別分析(LDA)分析對比了這些傳統(tǒng)方法在牛臉識別應(yīng)用中的結(jié)果[49-51]。

表3 基于鼻印模式的牛個體識別方法對比Table 3 Comparison of cattle identification methods based on muzzleprint pattern

國內(nèi)最近幾年才開始進(jìn)行牛臉識別研究。蔡騁等[52]和宋肖肖[53]針對真實生產(chǎn)環(huán)境下,牛場視頻監(jiān)控圖像中存在的拍攝角度差異大、光照不均勻、牛臉局部有遮擋等問題，首先對采集的牛臉正面圖像采用級聯(lián)式檢測器進(jìn)行定位，利用監(jiān)督式梯度下降算法(supervised descent method，SDM)、局部二值算法(local binary feature, LBF)和主動外觀模型算法(fast active appearance model, FAAM)3種算法提取定位到的牛臉輪廓信息，驗證了牛臉特征點檢測的可行性和實用性。呂昌偉[54]以荷斯坦奶牛為研究對象，針對牛臉識別提出增量識別框架，提出了一種增量識別算法框架，充分利用卷積神經(jīng)網(wǎng)絡(luò)特征可判別性好、遷移能力強(qiáng)，稀疏表示分類器矩陣運(yùn)算速度快、追加特征容易等優(yōu)點，實現(xiàn)了復(fù)雜環(huán)境下牛臉實時準(zhǔn)確增量識別的目的。姚禮垚等[55]針對傳統(tǒng)檢測方法在牛臉檢測應(yīng)用方面存在的檢測設(shè)備易損、檢測結(jié)果不理想等問題，對比分析了目前有代表性的幾種基于深度網(wǎng)絡(luò)模型目標(biāo)檢測方法，分別用于牛臉識別，結(jié)果表明，對不同角度和不同光照下的牛臉檢測準(zhǔn)確率較高，說明檢測模型能很好地適應(yīng)角度和光照變化，但是對于遮擋和多牛臉信息的檢測效果明顯下降。茍先太等[56]針對多牛檢測場景精度的需求，使用Inception v2替換ZF網(wǎng)絡(luò)作為Faster R-CNN的基礎(chǔ)網(wǎng)絡(luò),并且對非極大值抑制(non-maximum suppression, NMS)進(jìn)行相應(yīng)優(yōu)化,牛臉識別模型召回率大幅提升。

2.5 非接觸式牛個體身份識別方法對比分析

基于非接觸式的牛個體身份識別使用計算機(jī)視覺和模式識別方法來提取生物特征用于識別個體身份，盡管在動物福利、準(zhǔn)確性和實用性等方面有很大優(yōu)勢，但也面臨一些難題。如牛視網(wǎng)膜血管識別方法，由于數(shù)據(jù)收集操作有較高要求，尤其是捕獲有眼疾的視網(wǎng)膜圖像，導(dǎo)致在實際應(yīng)用時可接受性差，圖像分析也較為麻煩。虹膜識別時，如果被牛眼瞼或睫毛遮擋將會影響識別精度，且虹膜的某些紋理等外觀可能隨著疾病和藥物而變化。如果牛鼻子在日?；顒踊蛘唢嬍硶r有濕潤臟物堆積，或者未能保持固定姿態(tài)導(dǎo)致圖像不清，均會極大降低識別效果。因此，從應(yīng)用角度，與虹膜、指紋、視網(wǎng)膜、鼻印等生物識別技術(shù)相比，牛臉識別更符合習(xí)慣，具有自然、直觀、非接觸的優(yōu)點，不需要牛固定姿態(tài)等的配合；從技術(shù)角度，與人臉識別類似，牛臉識別不但在抗干擾性和接受性方面有較大的優(yōu)勢，還具有較好的普遍性、唯一性和擴(kuò)展性。正因為這些特點，牛臉識別更易于被牧場管理者或者農(nóng)產(chǎn)品保險企業(yè)接受，具有廣泛的應(yīng)用前景和潛在價值。

3 牛臉識別面臨的挑戰(zhàn)及對策

3.1 牛臉識別的難點

自20世紀(jì)60年代起，基于生物特征中的人臉識別就一直是學(xué)術(shù)領(lǐng)域探討和研究的熱點問題，引起了很多生物學(xué)家以及計算機(jī)視覺與圖像處理領(lǐng)域研究人員的興趣。目前，人臉檢測和識別已趨于成熟。由于人臉有結(jié)構(gòu)化特征，五官部位的位置也較為穩(wěn)定，便于識別。而牛臉有毛發(fā)和紋理變化等干擾因素，且圖像采集更不可控，無法讓牛自覺地將臉部較長時間穩(wěn)定地靜止在攝像頭前。特別是在自然和野外的環(huán)境下，光照條件的變化、視角和距離的不同、復(fù)雜的背景、牛的運(yùn)動等因素使圖像采集更加困難。不理想的臉部圖像會對模型訓(xùn)練和識別有負(fù)面影響。因此，相較于人臉識別，由于牛臉特征的復(fù)雜性以及各種環(huán)境因素的影響，當(dāng)前牛臉識別未能在實際中普及應(yīng)用。

因此，需要開展面向牛場真實養(yǎng)殖環(huán)境下個體身份識別的研究，建立同時適用牛場白天和晚上以及運(yùn)動狀態(tài)場景，拍攝像素差別大、光照不均勻、姿態(tài)多樣、面部局部有遮擋等的牛臉識別模型，解決復(fù)雜背景下牛個體識別精度低以及動物福利差的問題，實現(xiàn)準(zhǔn)確實時地獲取牛個體信息，為畜產(chǎn)品質(zhì)量追溯、疾病防控、驗證農(nóng)業(yè)保險假保險索賠以及奶牛育種監(jiān)測和品種生產(chǎn)等提供重要的技術(shù)支撐，提高奶牛養(yǎng)殖的經(jīng)濟(jì)效益和生產(chǎn)效率，增強(qiáng)我國畜產(chǎn)品的核心競爭力。

3.2 基于深度學(xué)習(xí)的牛臉識別模型設(shè)計構(gòu)思

基于國內(nèi)外奶牛養(yǎng)殖個體身份研究發(fā)展現(xiàn)狀，針對基于生物特征的牛臉識別，結(jié)合計算機(jī)視覺領(lǐng)域深度學(xué)習(xí)算法，參考人臉識別的最新研究進(jìn)展，把握當(dāng)前研究重點方法以及未來發(fā)展趨勢。借鑒人臉識別模型，根據(jù)牛場實際養(yǎng)殖環(huán)境下牛臉識別遇到的瓶頸，在現(xiàn)有模型的基礎(chǔ)上，采用多任務(wù)學(xué)習(xí)和改進(jìn)深度網(wǎng)絡(luò)結(jié)構(gòu)來提高基準(zhǔn)點定位準(zhǔn)確性，同時引入稀疏跨模態(tài)度量集成學(xué)習(xí)進(jìn)行牛臉特征度量，以適用非限定條件下的多模態(tài)牛臉識別，具體的模型設(shè)計見圖4。

首先，針對牛場養(yǎng)殖真實環(huán)境下，由于姿態(tài)、光照、面部遮擋以及不同拍攝設(shè)備等干擾，致使牛臉識別模型的魯棒性較差，需要構(gòu)建多模態(tài)(不同的圖像傳感器以及不同的圖像分辨率)和無約束條件(存在姿態(tài)、光照、遮擋等變化)的牛臉數(shù)據(jù)。分別在夜間和白天采集近紅外和可見光的牛臉圖像，采集不同分辨率、不同姿態(tài)、有無面部遮擋以及不同光照的圖像。但需要通過牛臉切割、數(shù)據(jù)規(guī)整、平滑去噪和姿態(tài)矯正進(jìn)行預(yù)處理，用于克服冗余信息的干擾，減弱噪聲的影響，降低牛臉數(shù)據(jù)集的類內(nèi)差異。

其次，牛臉識別的過程主要包括牛臉定位、牛臉特征提取及牛臉分類。牛臉定位和特征提取是牛臉識別中的核心模塊，需要從解決跨模態(tài)和增加對復(fù)雜環(huán)境(姿態(tài)、光照、遮擋等)的魯棒性角度進(jìn)行算法模型的設(shè)計。

①在實際生產(chǎn)環(huán)境中無約束牛臉基準(zhǔn)點定位是牛臉識別的重要處理步驟，即通過定位牛臉基準(zhǔn)點將牛臉圖像變換至標(biāo)準(zhǔn)姿態(tài)，以降低識別難度。稀疏牛臉基準(zhǔn)點定位是指給定任意牛臉圖像，定位兩個眼睛中心、兩個鼻口和兩邊嘴角這六點的一類問題。因為這六個點鄰域的特征豐富，因此容易精確可靠的定位。另外，基于六點建立的變換也能較好地對齊牛臉，稀疏基準(zhǔn)點定位也是人臉識別系統(tǒng)中常采用的關(guān)鍵環(huán)節(jié)[57-58]。然而，無約束牛臉基準(zhǔn)點定位是需要提取牛臉的本質(zhì)特征用于基準(zhǔn)點定位，但易受到表情和姿態(tài)等的干擾，一定程度上增加了準(zhǔn)確定位的難度。深度卷積神經(jīng)網(wǎng)絡(luò)(deep convolutional neural network，DCNN)[59]通過多個隱層的網(wǎng)絡(luò)結(jié)構(gòu)能有效提取圖像的高層語義特征，并且已經(jīng)在人臉識別等多個計算機(jī)視覺領(lǐng)域應(yīng)用[60-62]。以非特定牛的無約束牛臉基準(zhǔn)點定位為研究對象，同時針對DCNN級聯(lián)框架訓(xùn)練耗時、模型復(fù)雜的問題，采用修正線性單元、填充卷積層和局部響應(yīng)歸一化等新的模型結(jié)構(gòu)元素構(gòu)造深度模型應(yīng)用于稀疏牛臉基準(zhǔn)點定位問題。此外，在同一數(shù)據(jù)增強(qiáng)程序的基礎(chǔ)上選用多模型平均方法，對各個DCNN以直接回歸方式的訓(xùn)練,且運(yùn)用多層級組合方式提升定位巧度。

圖4 基于深度學(xué)習(xí)的牛臉識別模型Fig.4 Model of cattle face recognition based on deep learning

②在特征提取時，針對帶有模態(tài)干擾(有待比對識別的牛臉來自不同的模態(tài))的牛臉特征表示，學(xué)習(xí)距離度量[63]消除模態(tài)的干擾，使得不同模態(tài)牛臉的同類與不同類距離可分。此外，針對遮擋、光照等干擾，創(chuàng)建稀疏跨模態(tài)度量集成學(xué)習(xí)方法，不僅可消除模態(tài)的干擾，還可進(jìn)行更具判別性的特征選擇(消除遮擋、光照變化等干擾)。主要基于弱的跨模態(tài)距離度量學(xué)習(xí)方法，進(jìn)行基于組的稀疏特征選擇來消除牛臉特征中的噪聲特征(對應(yīng)于遮擋、光照變化等)，通過集成學(xué)習(xí)的方法來學(xué)習(xí)一系列可相互補(bǔ)充的弱距離度量，并將它們集成為一個強(qiáng)距離度量可處理多種噪聲對跨模態(tài)特征提取時的干擾。

4 展望

我國畜牧業(yè)的發(fā)展依次經(jīng)歷了“家庭散養(yǎng)、自給自足”為主、市場供給為輔的傳統(tǒng)畜牧1.0時代、“搭棚圈地、作坊式粗放養(yǎng)殖”的畜牧2.0時代、“企業(yè)規(guī)?；F(xiàn)代化、信息化養(yǎng)殖”的畜牧3.0時代。然而在當(dāng)前傳統(tǒng)向現(xiàn)代畜牧業(yè)轉(zhuǎn)型的重要時期，隨著經(jīng)濟(jì)社會發(fā)展與轉(zhuǎn)型，制約畜牧業(yè)發(fā)展的內(nèi)外部因素也日益復(fù)雜多樣，如缺乏勞動力、牧場管理困難以及成本高等問題。未來，我國畜牧業(yè)若想實現(xiàn)既快又好的可持續(xù)發(fā)展，現(xiàn)代信息技術(shù)必將是重要的推動力。推動信息技術(shù)尤其是人工智能在農(nóng)業(yè)的應(yīng)用，大力發(fā)展智慧畜牧養(yǎng)殖，是加快推進(jìn)農(nóng)業(yè)現(xiàn)代化、全面建成小康社會的迫切需要。未來畜牧4.0必將是融合互聯(lián)網(wǎng)的“高度智能化、生態(tài)化”的精準(zhǔn)養(yǎng)殖管理。

利用牛臉識別技術(shù)確定牛個體的獨特身份是計算機(jī)視覺、模式識別和和認(rèn)知科學(xué)前沿領(lǐng)域?qū)嶋H應(yīng)用的探索嘗試。緊密結(jié)合計算機(jī)視覺領(lǐng)域深度學(xué)習(xí)算法和人臉識別的最新研究成果，并在此基礎(chǔ)上研究發(fā)展新的適用于牛場養(yǎng)殖非接觸、非限定條件下的多模態(tài)牛臉識別算法模型，滿足現(xiàn)代畜牧業(yè)精準(zhǔn)、健康、福利養(yǎng)殖的需求，進(jìn)而為復(fù)雜背景下奶牛個體識別提供理論和算法支撐，提升奶牛養(yǎng)殖精細(xì)化管理的智能化水平。