融合超像素分割算法與肢體特征的奶牛軀干精確分割方法

楊奕銘 邸馨瑤 宋懷波

摘要：為了實(shí)現(xiàn)奶牛軀干的精確分割，以荷斯坦奶牛為研究對(duì)象，首先采用超像素分割算法（simple linear iterative cluster，簡(jiǎn)稱(chēng)SLIC）與顯著性分析相結(jié)合的方法獲得完整奶牛目標(biāo);然后通過(guò)設(shè)置傅里葉描述子以平滑Canny算子邊緣檢測(cè)的奶牛輪廓;最后采用基于奶牛肢體特征的分割點(diǎn)提取方法提取各分割點(diǎn)并依次連接生成奶牛軀干的分割線。為了驗(yàn)證本研究結(jié)果的有效性，使用試驗(yàn)圖像庫(kù)中隨機(jī)抽取的20幅圖像進(jìn)行了測(cè)試，試驗(yàn)結(jié)果表明，本研究所提取的奶牛目標(biāo)與手動(dòng)提取目標(biāo)的平均重疊率為96.83%，可以實(shí)現(xiàn)不同背景下奶牛目標(biāo)的準(zhǔn)確分割。本研究所提出的奶牛軀干分割方法的平均重疊率為99.86%，表明該方法在奶牛軀干精確分割中準(zhǔn)確率較高且相對(duì)穩(wěn)定，可以實(shí)現(xiàn)不同站立體態(tài)奶牛的高精度分割。

關(guān)鍵詞：奶牛;軀干分割;SLIC算法;顯著性分析;傅里葉描述子

中圖分類(lèi)號(hào)： TP391.41 ?文獻(xiàn)標(biāo)志碼： A ?文章編號(hào)：1002-1302（2020）15-0253-07

奶牛的頭部、頸部、軀干及四肢包含著諸多奶牛的運(yùn)動(dòng)信息，開(kāi)展奶牛軀干的精細(xì)分割方法研究，可為奶牛體態(tài)檢測(cè)、體況評(píng)價(jià)、運(yùn)動(dòng)評(píng)分、目標(biāo)識(shí)別及行為分析等研究奠定基礎(chǔ)，對(duì)于提升奶牛養(yǎng)殖場(chǎng)的現(xiàn)代化和智能化水平具有重要的促進(jìn)作用[1-5]。

在奶牛目標(biāo)識(shí)別、分割、行為分析等方面，國(guó)內(nèi)外研究已經(jīng)取得了大量成果。在奶牛行為識(shí)別方面，Martiskainen等使用三軸加速度計(jì)和支持向量機(jī)（support vector machine，簡(jiǎn)稱(chēng)SVM）方法，實(shí)現(xiàn)了奶牛站立、躺臥、反芻、進(jìn)食、正常行走和跛行等行為的識(shí)別，平均識(shí)別正確率為78.00%[6]。顧靜秋等提出了一種基于圖像熵的奶牛目標(biāo)識(shí)別方法[7]，利用最小包圍盒面積識(shí)別奶牛連續(xù)7 d的運(yùn)動(dòng)量，該方法對(duì)奶牛發(fā)情、蹄病行為的識(shí)別率超過(guò)80.00%。Ahn等提出了基于運(yùn)動(dòng)歷史圖像特征的SVM分類(lèi)器識(shí)別奶牛行為，識(shí)別準(zhǔn)確率為72.00%[8]。在奶牛目標(biāo)分割與軀干精確分割方面，金一初等將奶牛圖像轉(zhuǎn)換到LUV顏色空間并對(duì)各子塊進(jìn)行塊內(nèi)顏色聚類(lèi)，基于奶牛顏色和紋理特征對(duì)子塊作區(qū)域生長(zhǎng)，實(shí)現(xiàn)了奶牛目標(biāo)的分割，準(zhǔn)確率在80.00%以上[9]。Nahari等利用局部閾值分割與K-means聚類(lèi)算法相結(jié)合的方法將奶牛圖像分為2簇并提取奶牛目標(biāo)，分割結(jié)果優(yōu)于局部閾值分割與邊緣檢測(cè)相結(jié)合的方法[10]。趙凱旋等基于深度圖像的機(jī)器學(xué)習(xí)方法，選取不同采樣半徑下的像素點(diǎn)帶閾值局部二值式序列作為深度特征值，并用決策樹(shù)森林機(jī)器學(xué)習(xí)方法實(shí)現(xiàn)了奶牛軀干的精細(xì)分割，平均識(shí)別率為95.15%[11]。李國(guó)強(qiáng)等提出了基于奶牛骨架特征的肢體分割方法，在提取奶牛肢體骨架的基礎(chǔ)上，以骨架分叉點(diǎn)作為奶牛肢體的分解線來(lái)分割奶牛肢體，該方法對(duì)各肢體分解的平均正確率為95.09%[12]。

綜上所述，在動(dòng)物軀干分割方面，基于深度圖像的奶牛分割方法易受圖像背景環(huán)境、光照及奶牛毛色變化等因素的影響[13];輪廓提取算法得到的輪廓冗余信息較多，不利于軀干分割點(diǎn)提取[14];角點(diǎn)檢測(cè)算法存在誤差較大等問(wèn)題[15-17]。針對(duì)上述問(wèn)題，本研究擬從奶牛目標(biāo)提取方法、奶牛輪廓提取方法及奶牛軀干分割方法這3個(gè)方面展開(kāi)研究。通過(guò)結(jié)合SLIC算法與顯著性分析方法提取奶牛目標(biāo)，并采用Canny算子獲得奶牛目標(biāo)輪廓，再設(shè)定傅里葉描述子個(gè)數(shù)得到相對(duì)平滑的奶牛目標(biāo)輪廓。最后，利用奶牛肢體特征提取奶牛軀干部位的分割特征點(diǎn)，并按照設(shè)定的約束條件生成分割線，以期實(shí)現(xiàn)奶牛軀干的精確分割，為進(jìn)行奶牛體況評(píng)價(jià)、體姿和體態(tài)監(jiān)管等研究奠定基礎(chǔ)。

1 材料與方法

1.1 試驗(yàn)材料

本研究試驗(yàn)數(shù)據(jù)采集于陜西省楊凌高新農(nóng)業(yè)示范區(qū)楊凌科元克隆股份有限公司的奶牛養(yǎng)殖場(chǎng)，采用布置于牛場(chǎng)的DS-2DM1-714圓頂攝像機(jī)（?？低?，中國(guó)杭州）的監(jiān)控視頻作為原始試驗(yàn)數(shù)據(jù)。為方便后續(xù)研究，所有奶牛圖像分辨率統(tǒng)一設(shè)置為670×420像素，JPEG格式。圖像庫(kù)共包含210幅不同姿態(tài)的奶牛圖像，其中，奶牛抬頭圖像90幅，低頭圖像120幅。在210幅圖像中，奶牛四肢存在重疊的圖像80幅。本研究使用的計(jì)算機(jī)配置如下：Intel Core i3 CPU，i3-330 M，內(nèi)存2 GB，顯卡為NVDIA GeForce G 310M，所有算法均在MATLAB 2017a上運(yùn)行。

1.2 方法

1.2.1 基于SLIC算法的奶牛目標(biāo)分割 SLIC算法首先確定超像素種子點(diǎn)。若圖像有N個(gè)像素點(diǎn)，預(yù)計(jì)分割為K個(gè)相同超像素，則每個(gè)超像素的大小為N/K，相鄰種子點(diǎn)的距離為S=sqrt（N/K）。然后計(jì)算種子點(diǎn)的3×3鄰域內(nèi)所有像素點(diǎn)的梯度值，將種子點(diǎn)移到鄰域內(nèi)梯度值最小的區(qū)域，在每個(gè)種子點(diǎn)周?chē)泥徲騼?nèi)為每個(gè)像素點(diǎn)分配標(biāo)簽[18]。其次利用{L，a*，b*，X，Y}向量計(jì)算距離度量，如公式（1）～公式（3）所示：

式中：NS=S=sqrt（N/K）為類(lèi)內(nèi)最大空間距離，Nc為設(shè)定的最大顏色距離，dc為顏色距離，dS為空間距離，D′為像素點(diǎn)與聚類(lèi)中心的距離。同一個(gè)像素點(diǎn)可被多個(gè)種子點(diǎn)搜索，取每一個(gè)像素點(diǎn)與周?chē)N子點(diǎn)之間的距離最小值所對(duì)應(yīng)的種子點(diǎn)作為標(biāo)記像素點(diǎn)，可通過(guò)多次迭代減少誤差。SLIC算法將圖像轉(zhuǎn)換為L(zhǎng)a*b*顏色空間，在XY坐標(biāo)下提取圖像{L，a*，b*，X，Y}向量并構(gòu)造距離度量標(biāo)準(zhǔn)[19]，對(duì)各像素進(jìn)行局部聚類(lèi)處理，可以較好地保持目標(biāo)輪廓。

基于上述方法分割的結(jié)果見(jiàn)圖1，示例為奶牛處于低頭姿態(tài)的圖像，圖1-a為奶牛的原始圖像，圖1-b為提取出的奶牛目標(biāo)。其中圖1-c、圖1-e、圖1-g所示像素塊K個(gè)數(shù)分別選用80、200、500個(gè)像素塊分割圖像，其對(duì)應(yīng)的顯著性分析結(jié)果如圖1-d、圖1-f、圖1-h所示?？梢?jiàn)當(dāng)選擇 K=80時(shí)分割結(jié)果不夠精細(xì)，且顯著性檢測(cè)結(jié)果中目標(biāo)部分區(qū)域與背景環(huán)境相連，無(wú)法實(shí)現(xiàn)奶牛目標(biāo)的完整分割;K=200、K=500時(shí)分割結(jié)果更加準(zhǔn)確且可以較好地分割奶牛目標(biāo);考慮到算法執(zhí)行效率因素，本研究選擇K=200進(jìn)行分割。

1.2.2 顯著性檢測(cè)與閾值分割 目標(biāo)的準(zhǔn)確識(shí)別是奶牛軀干分割的基礎(chǔ)。顯著性檢測(cè)通過(guò)模擬人類(lèi)的視覺(jué)注意機(jī)制來(lái)篩選圖像中顯著的目標(biāo)，將顯著區(qū)域作為目標(biāo)輸出。利用SLIC算法將圖像分為K個(gè)像素塊，將任一像素塊Pi與其他像素塊Pj在La*b*空間作對(duì)比，差距越大像素塊Pi越顯著。同時(shí)利用顯著性區(qū)域越相似的區(qū)域距離越接近的原理計(jì)算2像素塊間的差異值，如公式（4）所示。

對(duì)奶牛SLIC超像素分割結(jié)果顯著性檢測(cè)結(jié)果見(jiàn)圖2-a。為得到完整的奶牛目標(biāo)，采用自適應(yīng)大津法對(duì)奶牛顯著性圖進(jìn)行分割，結(jié)果見(jiàn)圖2-b，可見(jiàn)目標(biāo)分割完整，可為奶牛的輪廓提取與軀干分割奠定良好基礎(chǔ)。

1.2.3 奶牛邊緣輪廓提取檢測(cè)算法 目標(biāo)輪廓的準(zhǔn)確提取是奶牛軀干精確分割的前提。本研究使用Sobel算子與Canny算子提取奶牛圖像輪廓的結(jié)果見(jiàn)圖3，可見(jiàn)Canny算子對(duì)邊緣點(diǎn)定位較好，所提取的結(jié)果對(duì)輪廓細(xì)節(jié)信息響應(yīng)較強(qiáng)，因此，本研究采用Canny算子提取奶牛邊緣輪廓。

1.2.4 基于傅里葉描述子的奶牛邊緣平滑 Canny算子提取的奶牛輪廓上毛刺等冗余信息較多，影響對(duì)輪廓特征點(diǎn)的提取。因此，本研究采用傅里葉描述子平滑奶牛輪廓[20-21]。傅里葉描述子的關(guān)鍵是確定合適的傅里葉描述子個(gè)數(shù)P，在能夠表達(dá)原始輪廓的前提下得到盡可能平滑的輪廓[22]。隨著P的減小，邊界細(xì)節(jié)會(huì)被刪減從而得到更為平滑的輪廓。分別令P=240、P=80、P=50、P=30、P=15、P=8，得到的圖像輪廓結(jié)果如圖4所示。圖4-a、圖4-b分別使用240、80個(gè)傅里葉描述子描述奶牛輪廓，顯示的輪廓邊界與圖像原始邊界對(duì)應(yīng)緊密，圖4-c、圖4-d減少描述邊緣的傅里葉描述子個(gè)數(shù)，顯示的邊界圖像相對(duì)平滑，并且保留了圖像的基本形狀。圖4-e、圖4-f出現(xiàn)了失真，邊界的主要特征丟失。利用傅里葉描述子描繪圖像邊緣要求在選擇傅里葉描述子個(gè)數(shù)時(shí)，既要保留邊緣的主要特征，又要保證邊緣相對(duì)平滑，使得圖像特征描述最優(yōu)，因此本研究P選擇為50個(gè)。

1.3 奶牛肢體精確分割

1.3.1 基于肢體特征的奶牛輪廓分割點(diǎn)提取 本研究提出基于肢體特征的方式提取奶牛肢體特征點(diǎn)，即利用奶牛軀干、四肢、頭部與頸部的幾何形狀特征對(duì)肢體各部位分割點(diǎn)進(jìn)行提取。具體描述如下：

1.3.1.1 軀干分割點(diǎn)提取 奶牛軀干形態(tài)近似于橢圓形且占據(jù)奶牛整體大部分區(qū)域。在奶牛輪廓內(nèi)部擬合最大橢圓，擬合橢圓近似為奶牛的軀干部

位，利用奶牛輪廓最大內(nèi)接矩形得到最大內(nèi)接矩形與奶牛輪廓的交點(diǎn)即為奶牛軀干的分割點(diǎn)。從圖5可以看出，當(dāng)奶牛抬頭時(shí)，最大內(nèi)接矩形的左上角點(diǎn)和左下角點(diǎn)與奶牛輪廓相交即為奶牛頸部與軀干的分割點(diǎn)。當(dāng)奶牛俯首時(shí)，由于最大內(nèi)接矩形左下角點(diǎn)與奶牛輪廓不相交，故此時(shí)只取最大內(nèi)接矩形左上角點(diǎn)作為軀干分割上角點(diǎn)，下角點(diǎn)由四肢分割點(diǎn)提取算法提取，方式如公式（2）所述。

1.3.1.2 四肢分割點(diǎn)提取 根據(jù)奶牛四肢的分割點(diǎn)位于奶牛四肢輪廓線距圖像下邊框距離最大處的特點(diǎn)，將奶牛四肢輪廓描繪成輪廓曲線。對(duì)輪廓曲線的峰值點(diǎn)進(jìn)行標(biāo)記，所標(biāo)記的峰值點(diǎn)即為奶牛四肢的分割特征點(diǎn)。

1.3.1.3 頭部與頸部分割點(diǎn)提取 奶牛俯首時(shí)上頸部輪廓線與下頸部輪廓線近似平行，而頭部輪廓線則成聚攏狀。通過(guò)檢測(cè)平行線截止位置，即為奶牛俯身時(shí)奶牛頭部與頸部的分割點(diǎn)。奶牛抬頭時(shí)，頸部長(zhǎng)度較短，分割點(diǎn)相對(duì)不明顯，但頸部長(zhǎng)度近似與奶牛頭部長(zhǎng)度相近。因此采用奶牛頭頸部位中值點(diǎn)作為奶牛抬頭時(shí)頭部與頸部分割特征點(diǎn)。

1.3.2 奶牛軀干分割線生成 針對(duì)特征點(diǎn)的位置特征，首先將其頭部特征點(diǎn)相連接，形成分割線來(lái)分割奶牛頭部與頸部，即連接圖6-a、圖6-c中A、B 2點(diǎn)。其次，當(dāng)奶牛俯首時(shí)，輪廓最大內(nèi)接矩形的左上交點(diǎn)C點(diǎn)與奶牛四肢分割點(diǎn)D點(diǎn)作為奶牛頸部與軀干的分割點(diǎn);當(dāng)奶牛抬頭時(shí)，取輪廓最大內(nèi)接矩形的左上交點(diǎn)C點(diǎn)與左下交點(diǎn)D點(diǎn)作為奶牛頸部與軀干的分割點(diǎn)。最后分割奶牛四肢部位，即連接圖6中D、F 2點(diǎn)分割奶牛前肢，若存在E點(diǎn)則過(guò)E點(diǎn)向上做垂線將奶牛前肢分割為左前肢與右前肢，連接G、J 2點(diǎn)分割奶牛后肢，若存在I點(diǎn)則過(guò)I點(diǎn)向上做垂線將奶牛后肢分割為左后肢與右后肢。分割線連接方式如圖6-b、圖6-d所示。

2 結(jié)果與分析

2.1 評(píng)價(jià)指標(biāo)

本研究采用的評(píng)價(jià)指標(biāo)為假陰系數(shù)、假陽(yáng)系數(shù)以及重疊率。

重疊率w為分割結(jié)果目標(biāo)S1與奶牛真實(shí)目標(biāo)S2的重疊面積與奶牛真實(shí)目標(biāo)S2面積的比值，如公式（10）所示，其值越高則說(shuō)明分割效果越好。

2.2.1 重疊率 試驗(yàn)結(jié)果表明，采用SLIC算法與顯著性分析算法提取的奶牛目標(biāo)與手動(dòng)提取的奶牛目標(biāo)平均重疊率為96.83%。并且在軀干分割結(jié)果中，奶牛頭部分割結(jié)果w高達(dá)99.77%;頸部分割結(jié)果w高達(dá)99.80%;軀干分割結(jié)果w高達(dá)99.70%;左前肢分割結(jié)果w高達(dá)99.95%;右前肢分割結(jié)果w高達(dá)99.95%;左后肢分割結(jié)果w高達(dá)99.93%;右后肢分割結(jié)果w高達(dá)99.92%，其中w最小為99.70%，最大為99.95%。

2.2.2 假陰系數(shù) 奶牛頭部分割結(jié)果中a值平均為2.00×10-3;頸部分割結(jié)果中a值平均為1.60×10-3;軀干分割結(jié)果中a值平均為1.70×10-3;左前肢分割結(jié)果中a值平均為2.00×10-4;右前肢分割結(jié)果中a值平均為2.00×10-4;左后肢分割結(jié)果中a值平均為4.00×10-4;右后肢分割結(jié)果中a值平均為4.00×10-4;總體平均值為9.29×10-4。

2.2.3 假陽(yáng)系數(shù) 奶牛頭部分割結(jié)果中b值平均為5.00×10-4;頸部分割結(jié)果中b值平均為2.00×10-3;軀干分割結(jié)果中b值平均為1.60×10-3;左前肢分割結(jié)果中b值平均為5.00×10-4;右前肢分割結(jié)果中b值平均為2.00×10-4;左后肢分割結(jié)果中b值平均為3.00×10-3;右后肢分割結(jié)果中b值平均為2.00×10-4;總體平均值為1.14×10-3。

2.2.4 誤差分析 對(duì)奶牛頭部、頸部、軀干、左前肢、右前肢、左后肢及右后肢分別進(jìn)行誤差分析的結(jié)果如圖7至圖9所示，其橫坐標(biāo)為奶牛圖像序號(hào)，縱坐標(biāo)分別為假陰系數(shù)、假陽(yáng)系數(shù)及重疊率。

從圖7-a可見(jiàn)，第14幅圖像頭部a值最大為4.90×10-3，而其所對(duì)應(yīng)的假陽(yáng)系數(shù)、重疊率遠(yuǎn)低于平均值，說(shuō)明該圖像頭部分割結(jié)果包含于奶牛頭部真實(shí)部位，因此該算法頭部頸部分割線較真實(shí)分界線偏向頭部;對(duì)奶牛右前肢分割結(jié)果中，絕大多數(shù)圖像假陰系數(shù)均小于或等于假陰系數(shù)平均值，方差為5.59×10-8，相對(duì)而言較大，說(shuō)明該算法在奶牛右前肢分割結(jié)果中準(zhǔn)確率較高、穩(wěn)定性相對(duì)較差。第6幅圖像頸部重疊率最高，而其對(duì)應(yīng)的a值為0.00，且假陽(yáng)系數(shù)低于分割結(jié)果的平均值假陽(yáng)系數(shù)，說(shuō)明該幅圖像頸部分割效果最佳。從圖7、圖8、圖9綜合可以看出，本研究算法在奶牛軀干分割結(jié)果誤差分析中平均假陰系數(shù)與平均假陽(yáng)系數(shù)近似相等且重疊率較高，說(shuō)明本研究算法分割的軀干部位與奶牛軀干實(shí)際面積近似相等，誤差較小;此外，本研究算法對(duì)奶牛左前肢的分割結(jié)果中，95.00%以上的奶牛圖像前肢分割結(jié)果w高達(dá)99.92%以上，且假陰系數(shù)與假陽(yáng)系數(shù)較低，可以較好地實(shí)現(xiàn)奶牛軀干與左前肢的精確分割。

從圖9可以看出，本研究算法對(duì)奶牛左后肢的分割結(jié)果中第18～20幅圖像奶牛左后肢的分割結(jié)果均具有很高的重疊率，a值均為0.00，說(shuō)明奶牛左后肢的分割結(jié)果具有較高的準(zhǔn)確率且分割結(jié)果完全包含了奶牛左后肢的真實(shí)部位，而其假陽(yáng)系數(shù)較低卻均不為零說(shuō)明該算法分割其左后肢結(jié)果中仍有極小部分溢出，該誤差可能是由于手動(dòng)分割奶牛目標(biāo)產(chǎn)生誤差或在奶牛目標(biāo)分割算法中產(chǎn)生誤差等原因所導(dǎo)致。

3 討論與結(jié)論

本研究提取的奶牛目標(biāo)與手動(dòng)提取的奶牛重疊率為96.83%，表明該方法具有較好的目標(biāo)提取效果?；谀膛Ｖw特征的分割點(diǎn)提取方法所得到奶牛軀干分割效果較好，其平均重疊率為99.86%，平均假陰系數(shù)為9.29×10-4，平均假陽(yáng)系數(shù)為1.14×10-3。表明該方法在奶牛軀干精確分割中準(zhǔn)確率較高且相對(duì)穩(wěn)定，可以實(shí)現(xiàn)不同體態(tài)奶牛的高精度分割，為進(jìn)行奶牛體況評(píng)價(jià)、體姿和體態(tài)監(jiān)管等研究奠定基礎(chǔ)。

李國(guó)強(qiáng)等基于骨架特征的奶牛肢體分解方法[12]與本研究的目的相似，其中本研究方法定義了重疊率來(lái)驗(yàn)證奶牛肢體的分割是否準(zhǔn)確。本研究算法對(duì)頭部、頸部、軀干、前肢、后肢的分割正確率均能分別高7.61%、10.00%、2.95%、1.48%、2.11%。同時(shí)，本研究未考慮奶牛四肢遮擋、奶牛間的相互遮擋及欄桿遮擋的問(wèn)題，如何將本方法應(yīng)用于更加復(fù)雜的奶牛養(yǎng)殖環(huán)境，尚需進(jìn)一步分析。

本研究以荷斯坦奶牛為研究對(duì)象，從奶牛目標(biāo)提取、輪廓提取、軀干分割3部分展開(kāi)，較好地實(shí)現(xiàn)了奶牛軀干的精確分割。主要結(jié)論：（1）將SLIC分割算法與顯著性分析算法相結(jié)合能夠較好地實(shí)現(xiàn)奶牛目標(biāo)的準(zhǔn)確分割，其準(zhǔn)確率為96.83%，可為奶牛軀干的精確分割奠定基礎(chǔ)。（2）在Canny算子提取的奶牛目標(biāo)輪廓基礎(chǔ)上，通過(guò)設(shè)定合適的傅里葉描述子個(gè)數(shù)，可以較好地平滑奶牛目標(biāo)輪廓，為奶牛軀干分割及分割點(diǎn)的選擇奠定基礎(chǔ)。（3）采用基于奶牛肢體特征的分割點(diǎn)提取方法，在提取奶牛目標(biāo)軀干分割特征點(diǎn)的基礎(chǔ)上，通過(guò)設(shè)定的分割點(diǎn)連接規(guī)則，可較好地實(shí)現(xiàn)奶牛軀干的精確分割。（4）本研究未考慮奶牛遮擋等更為復(fù)雜的情況，如何將本方法加以改進(jìn)，使之更加符合復(fù)雜的奶牛養(yǎng)殖環(huán)境需求，尚需進(jìn)一步研究。

參考文獻(xiàn)：

[1]Yan J J，Yu Y A，Zhu X Y，et al. Object detection by labeling superpixels[C]//IEEE Conference on Computer Vision and Pattern Recognition （CVPR），2015：5107-5116.

[2]Donghun Yeo，Son J，Han B，et al. Superpixel-based tracking-by-segmentation using markov chains[C]//IEEE Conference on Computer Vision and Pattern Recognition （CVPR），2017：1812-1821.

[3]何東健，孟凡昌，趙凱旋，等. 基于視頻分析的犢?；拘袨樽R(shí)別[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2016，47（9）：294-300.

[4]張滿囤，單新媛，于 洋，等. 基于小波變換和改進(jìn)KPCA的奶牛個(gè)體識(shí)別研究[J]. 浙江農(nóng)業(yè)學(xué)報(bào)，2017，29（12）：2000-2008.

[5]黃文明，張 勇，郭海明，等. 荷斯坦后備奶牛生長(zhǎng)發(fā)育規(guī)律的研究進(jìn)展[J]. 畜牧與獸醫(yī)，2016，48（5）：131-135.

[6]Martiskainen P，Jrvinen M，Jukka-Pekka S，et al. Cow behaviour pattern recognition using a three-dimensional accelerometer and support vector machines[J]. Applied Animal Behaviour Science，2009，119（1/2）：32-38.

[7]顧靜秋，王志海，高榮華，等. 基于融合圖像與運(yùn)動(dòng)量的奶牛行為識(shí)別方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2017，48（6）：145-151.

[8]Ahn S J，Ko D M，Choi K S. Cow behavior recognition using motion history image feature[C]. International Conference Image Analysis and Recognition，2017.