买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：浙江农林大学

摘要：本发明公开了一种利用深度图像和CNN‑SVM的群猪多姿态识别与评分方法，包括以下步骤，采集初始数据集；定义和描述生猪的各姿态；对所述初始数据集进行深度图像处理，获取各姿态下目标猪只的肩臀部深度距离、肩臀部深度距离比值、凸包的面积与边界的比值和凸包的周长与边界的比值作为输入数据；构建CNN‑SVM检测器，将所述输入数据作为检测器的训练数据；待识别目标群猪的图像数据由CNN模型的第一个全连接层获取特征向量，把其送入SVM分类进行数据分类完成姿态识别。本发明的有益效果：本文模型与传统SVM、CNN识别姿态的差异，在相同的训练数据和测试数据下，姿态识别的准确率分别为94.6368％、92.2175％和90.5396％，很明显在识别准确率上有了一个较大提升。

主权项：1.一种利用深度图像和CNN-SVM的群猪多姿态识别与评分方法，其特征在于：包括以下步骤，采集初始数据集；定义和描述生猪的各姿态；对所述初始数据集进行深度图像处理，获取各姿态下目标猪只的肩臀部深度距离、肩臀部深度距离比值、凸包的面积与边界的比值和凸包的周长与边界的比值作为输入数据；构建用于生猪姿态检测和分类CNN-SVM检测器，将所述输入数据作为检测器的训练数据，训练完成得到模型各层之间的权重参，并保存模型；待识别目标群猪的图像数据由CNN模型的第一个全连接层获取特征向量，把其送入SVM分类进行数据分类完成姿态识别；利用多分类评价指标对所述CNN-SVM检测器识别的姿态进行评分；所述多分类评价指标包括采用标准精度P、召回率R和F1值，公式如下， 式中，TP代表检测器预测为正例而且实际也为正例的个数；FP代表检测器预测为正例然而实际为负例的个数；FN代表检测器预测为负例然而实际上是正例的个数；TN代表检测器预测为负例而且实际也为负例的个数；所述多分类评价指标还包括ROC曲线和AUC值，所述AUC值为ROC曲线下的面积，取值范围为0.5～1，其值越大则分类识别的评分越高；所述肩臀部的深度距离的提取包括以下步骤，分水岭分割后的图像基于区域属性进行裁剪；对裁剪后的单只猪只图像求其凸多边形，进而求得最小外接矩形；得到俯视图像中水平角度，若水平角度大于1，则对每只猪只图像进行相应的旋转，将其调整为水平，旋转角度公式如下： 其中T0x1,y1、T1x2,y2分别是凸包络一条边的两个顶点，Tixt,yt是凸包络的顶点，t＝1,2,...，n，x’t,y’t是Tixt,yt是旋转θ后的坐标；取猪只身体的15起至25段深度距离的平均值作为其深度值，臀部的深度信息采集方式同上约从610起至810处，取平均值作为其深度距离，肩部深度距离计算公式如下： 其中，Ds-final肩部取均值后的深度距离，Ds-ibody15～25为猪只从头部开始移动整个身体的15起至25处肩部一点的深度距离，n为获取肩部深度距离值点的数量，thrshold为设定阈值，臀部获取与肩部原理相同。

全文数据：

权利要求：

百度查询： 浙江农林大学 一种利用深度图像和CNN-SVM的群猪多姿态识别与评分方法