近年來，隨著集約化管理與精確測量的要求，更有效地進行牲畜識別管理（如體重、健康等）的客觀測量已經(jīng)成為緊迫的問題。在當下，最佳的實踐為RFID標簽方案，但對于農(nóng)民或者管理人員而言，這個方案不僅耗時與成本高，而且也讓動物難以適應(yīng)，人臉識別技術(shù)的發(fā)展，讓人們看到非接觸式識別的方便性，因此便有不少人提出了通過動物的面部進行非接觸式識別的方案。

在國外也有不少專家對于牲畜識別的可行性進行了一番研究，本文根據(jù)Mark F. Hansen等人《利用卷積神經(jīng)網(wǎng)絡(luò)進行農(nóng)場豬臉識別》的文章談?wù)勆笞R別存在的困難及可行性分析。

從幾何特征識別到整體匹配，人類對于人臉識別的研究已經(jīng)超過了五十年，隨著深度學(xué)習(xí)算法與最新的識別技術(shù)相互結(jié)合，才能實現(xiàn)接近甚至超越人類的水平。但是在相關(guān)牲畜的識別，如關(guān)于牛、豬、羊、犬等識別及行為分析的研究仍然不多，雖然當下也有一些不錯的報告數(shù)據(jù)（如對鼻子與眼睛等小區(qū)域的識別）結(jié)果較為不錯，但終究是經(jīng)過人手動分割裁剪的“臉”，在實驗室之外很難落地。如何在自然條件下對農(nóng)場的牲畜進行數(shù)據(jù)采集，從而進行數(shù)據(jù)集訓(xùn)練完成學(xué)習(xí)都具有一定的挑戰(zhàn)性。

（1）數(shù)據(jù)的采集

保證清晰且光線好的正臉圖像，是面部識別應(yīng)用的基礎(chǔ)。對于用戶而言，利用現(xiàn)有的網(wǎng)絡(luò)攝像頭完成牲畜“臉”的采集是最為方便的，但現(xiàn)實中，一是攝像機要應(yīng)對環(huán)境的挑戰(zhàn)，光照、高度、環(huán)境等等都會造成識別的困難，二是牲畜的配合意愿要遠遠低于人類，舔、轉(zhuǎn)身避開、破壞攝像頭等狀況時有發(fā)生。

更讓人無奈的是，動物面部識別需要數(shù)百個參考點（遠多于人臉），才能獲得達到與人臉識別同等水平的算法。在報告中，Mark F. Hansen等人采取的是在飲水器安裝攝像頭，借而在他們自愿接近時，完成抓拍。

在國內(nèi)也有廠商采取更直接的方式，讓攝影師去抓拍豬們的相片，為了讓結(jié)果更加精準，除了正面照外也要添加動物的側(cè)面照，因為相對于人類而言，動物的側(cè)臉更具辨識度，甚至可以根據(jù)眼的傾斜角度與嘴部形狀進行區(qū)分它們。

（2）數(shù)據(jù)清理

為了避免連續(xù)幀之間低方差的缺點，在報告中，Mark F. Hansen等人采用了結(jié)構(gòu)相似性指數(shù)測量（SSIM）來測量圖像之間的相似性。這種方法試圖更接近人類的感知，而不是替代和常用的均方誤差(MSE)測量報告圖像之間的相似性。它考慮了方差、協(xié)方差和平均強度在兩個圖像,x和y,情商所示。其中，μx，μy是平均值，σx，σy是方差，σxy是圖像x和y的協(xié)方差。c1，c2是常數(shù)，以避免分母接近零時的不穩(wěn)定性，將每個圖像與后續(xù)圖像進行比較，直到找到足夠的差異。

（3）討論

在報告中，雖然僅僅針對的是10只豬，并最終得到78.4%的準確率（指正確的識別圖像占據(jù)整個書數(shù)集的百分比），這也意味著在一個不約束的場景中，準確識別出豬的個體是存在可能性的，經(jīng)過不斷訓(xùn)練的數(shù)據(jù)，將會提升準確率。

在國內(nèi)正在做牲畜識別的廠商也不少，例如廣州影子科技推出豬的臉部識別與身份識別服務(wù)等，但目前以豬的識別為例，仍然需要克服不少困難：

一是豬的生長導(dǎo)致體型及面部的變化，要遠遠比人臉大，而且品種較多，這意味著需要積累不同品種的豬在生長過程中變化數(shù)據(jù)；

二是相對于其他的成熟的技術(shù)，豬臉識別仍需要實踐去證明。目前識別豬最好的方案是耳標或植入芯片，雖然有不少人反對這種方式是在傷害牲畜，但無論是豬臉識別還是戴上耳標，豬都無法擺脫痛苦死去的命運，站在技術(shù)的角度而言，豬臉識別仍然受到質(zhì)疑。

在京東舉辦的“豬臉識別”比賽中，冠軍團隊采用的是遷移學(xué)習(xí)的體系，傳統(tǒng)的人工智能技術(shù)來實現(xiàn)視覺識別的原理利用計算機神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)，學(xué)到每一頭豬的特征，然后利用深度學(xué)習(xí)的模型 ，針對測試數(shù)據(jù)集，得到每一頭豬的概率，最后來判別哪頭豬是哪頭豬。而遷移學(xué)習(xí)不拋棄從之前數(shù)據(jù)里得到的有用信息，同時應(yīng)對新進來的大量數(shù)據(jù)的缺少標簽或者由于數(shù)據(jù)更新而導(dǎo)致的標簽變異情況。該團隊表示剛拿到數(shù)據(jù)集時，很難分辨哪頭豬是哪頭。而當他們使用模型再運行數(shù)據(jù)，發(fā)現(xiàn)豬臉識別的最后運行效果達到比模型跑人臉的效果還好。

采用遷移學(xué)習(xí)識別算是開啟了一種全新的思路，先找到一個人臉和動物臉相似性較大的一個映射空間，然后使得人臉的訓(xùn)練數(shù)據(jù)可以被有效的利用起來訓(xùn)練動物臉的識別。但無論如何在牲畜識別上，可能要走的路要比人臉要艱難與長久得多。

本文轉(zhuǎn)自安防知識網(wǎng)。轉(zhuǎn)載目的在于傳遞更多信息，并不代表贊同其觀點和對其真實性負責(zé)。如涉及作品內(nèi)容、版權(quán)和其它問題，請在30日內(nèi)與我們聯(lián)系，我們將在第一時間刪除內(nèi)容！