论文阅读笔记(十五)——脸识别作为绵羊生物特征识别的初步研究

本文链接：https://blog.csdn.net/InkBamboo920/article/details/115708852

论文阅读笔记(十五)——脸识别作为绵羊生物特征识别的初步研究

论文简介

论文中文翻译:《脸识别作为绵羊生物特征识别的初步研究》
论文名称:《A PRELIMINARY INVESTIGATION ON FACE RECOGNITION
AS A BIOMETRIC IDENTIFIER OF SHEEP》

期刊情况

期刊:《Transactions of the ASABE》
期刊情况:

中科院/四区
影响因子1.156
Q3分区
一般,3-6周

摘要

利用独立分量技术对绵羊面部图像进行整体分析，探讨了人脸识别作为绵羊生物特征识别的适用性。分别对50只绵羊的几张归一化人脸图像(每只绵羊有2张、3张和4张训练图像)独立进行算法训练。使用余弦距离分类器在一组单独的图像(每只羊三张归一化的人脸图像)上评估该技术的性能。当提取180 ~ 200个成分时，识别率高达95.3% ~ 96%。正如预期的那样，更少的独立组件降低了识别率，而每只绵羊更多的训练图像提高了识别率。尽管我们的研究结果已经证明了人脸识别作为一种非侵入性的、廉价的、准确的新型绵羊生物特征识别器的潜力，但进一步的工作应该着眼于提高对更大一组绵羊面孔的识别率
关键词:生物识别，人脸识别，身份识别，绵羊，可追溯性

研究背景

牛海绵状脑病(BSE)、口蹄疫(FMD)和猪瘟等重大疾病的爆发，以及对国家生产商的出口市场的重要性，促使在国际上实施动物鉴定和验证项目。可追溯性是指根据其来源识别农场动物及其产品的能力，可追溯至生产顺序，以确定所有权、确定亲子关系、确保食品安全，并确保符合性(例如来源验证、过程验证、生产实践验证、牛肉出口检验、真伪管理)。在爱尔兰，国家绵羊识别系统(NSIS)于2001年6月生效，涉及到所有绵羊的耳标记个体识别。然而，任何识别方法不仅必须有效，而且必须保障动物的福利。Edwards等人(2001)的研究表明，插入耳标签通常会导致炎症反应(以及极度的不适和疼痛，尤其是在读取标签时处理耳朵时)，而且耳标签可能会导致短期和长期的耳朵完整性并发症。在对700多只绵羊的耳朵进行检查后，爱德华兹和约翰斯顿(1999)发现，大约28%的动物遭受了与塑料耳标签有关的轻微到中度的耳朵损伤，包括局部炎症，明显的增厚有出血痕迹，还有轻微的脓毒症。在他们的研究中，Edwards等人(2001)也观察到羊羔由于tag撕裂耳朵而导致tag丢失的发生率。

虽然动物可以被分配一个识别号码，并且识别系统尽可能防止篡改，但在动物的身份有疑问的情况下，可能有必要根据一个不变参数来验证动物的身份。这个不变参数(1)必须是防欺诈的;(2)必须基于一个健壮的生物特征标记(物理、解剖或生物分子不变特征，唯一地识别特定动物);(3)其获取必须快速、廉价和准确;(4)获取方法必须人性化、非侵入性。正如Dziuk(2003)指出的那样，有效的核查体系的存在也会减少欺诈的诱惑，减少实际的欺诈。根据Rusk等人(2006)，只有虹膜成像、视网膜扫描和视网膜成像可能适合作为一种安全的生物特征识别方法用于动物(而不是人类)。然而，史密斯等人(2005年)提出了通过生物计量学来识别牲畜的其他方法，包括DNA指纹识别、自身免疫抗体匹配、口吻模式匹配和面部识别。尽管如此，动物DNA检测和生物活性标签(Loftus, 2005;Jiménez Gamero等人，2006年;Raschke et al.， 2006)，口吻模式识别和面部识别只是被忽视了。在准备这篇文章时，没有发现关于牲畜面部识别的同行评议出版物。(PS:鼻祖文?)

人脸图像是人类用来进行个人识别的最常见的生物特征，因此人们对使用这种生物特征感兴趣。人脸识别是一种非侵入性的方法，可以从静止图像、视频序列、立体图像、距离图像或热图像(de Luis García等人，2003)。目前常用的人脸识别方法主要有:(1)基于眼、眉、鼻、唇、下巴等面部属性的位置和形状及其空间关系;(2)对人脸图像的整体分析，使用整体或子空间方法，将人脸表示为多个源人脸的加权组合(Delac和Grgic, 2004)。根据Shakhnarovich和穆贾达姆(2004),子空间方法已经被证明是非常成功的在人脸识别中,在许多其他视觉任务,因为他们认为复杂的现象,比如人脸的图片,在一个高维测量空间,往往内在的低维。因此，利用这种低维度，人脸识别系统就可以将注意力集中在与个人身份相关的数据特征上。

我们特别感兴趣的是使用独立分量分析(ICA)技术来进行人脸表征依赖于两个方面:(1)已经发现ICA对姿态和光照的变化具有高度不变性(Bartlett等人，2002年;Y uen and Lai, 2002)， (2) ICA子空间表示考虑了高阶统计量，能够捕获相位谱(Bell and Sejnowski, 1997)。相位谱，而不是功率谱，包含了驱动人类感知的图像结构信息。例如,一张脸图像合成从面临的振幅谱和相位谱的脸B将被视为一个图像的脸B ICA是敏感图像的相位谱表明,它可能是特别适合代表自然图像(Bartlett et al ., 2002)。本研究的目的是利用基于独立成分分析技术的子空间方法，探讨人脸识别作为一种基于生物特征的绵羊识别系统的潜力。

正文

图像采集与规范化

对50只切维奥特和萨福克的杂交品种的绵羊(3-4岁)面部成像，每只羊都被关在羊圈里。为了减少由于外部污垢的存在而造成的图像变异性，用软毛刷轻轻地清洁绵羊的面部。
面的数字图像是在大约1米的距离使用数码静止相机(PowerShot G3，佳能，Inc.，东京，日本)在1024 × 768像素的分辨率。每周，每只羊都要拍5到10张照片，以捕捉一个合适的姿势，如图1a所示。然后根据人脸位置、图像中人脸面积的分数和焦点来选择最佳照片。这个选择过程完全是基于人类的观察。每只绵羊4张人脸图像(共200张)用于人脸识别算法的训练阶段(图3)，每只绵羊另外3张人脸图像(共150张)用于验证阶段的测试图像。
(a)用数码相机拍摄的羊脸原始图像(1024 × 768像素)和(b)归一化后的结果图像(200 × 280像素)。
在四周的时间内获得的七只羊的四面图像训练集样本
独立分量分析(ICA)的作用是确定导致某些可观察结果的潜在变化，因此ICA试图解释宏观的、高维的观察和低维的变化。如果我们尝试人脸识别为不同规模的面部图像,照明,和旋转没有赔偿这些变化,分解问题的维数大幅增长,因此,ICA在分类会失败的潜在趋势,因为高维度的问题。为了使ICA技术工作，我们的系统必须有某种形式的预处理算法，以补偿缩放、旋转和照明的调整。因此，归一化阶段将面部图像转换成一种标准格式，消除或衰减可能影响识别性能的变化。绵羊的脸在接下来的四个步骤中被标准化

旋转:将图像转换为灰度后，手动定位人脸的两个关键点，即眼睛的中心，进行面内旋转。
缩放和剪切:为了调整水平缩放，确定左右眼线的长度。我们把这称为“水平跨度”。将图像的宽度调整为某个常数除以水平跨度(新宽度= 150 × 1024/水平跨度)，左右眼线的新长度将变成一个常数。垂直比例补偿的过程也是类似的。在这个例子中，图像的高度被设置为某个常数除以“垂直跨度”(新的高度= 180 × 768/垂直跨度)。垂直跨度是指口腔中心与视线之间的距离(Cendrillón, 1999)。结果，在200 × 280像素的裁剪图像中，眼睛和嘴巴的中心被转换到大约标准位置。
低通滤波:为了去除高频噪声，使用3 × 3高斯滤波器对图像进行平滑处理(González等人，2004)。
光照归一化:由于在获取图像时没有对光照条件的控制，因此有必要减弱图像之间的光照变化，因为这是算法性能的一个关键因素(Moon and Phillips, 2001)。为此，对每幅图像的灰度直方图进行均衡化。

图1a是用数码相机采集到的羊脸图像，图1b是经过旋转、缩放、裁剪、滤波后的羊脸图像。

INDEPENDENT COMPONENT ANALYSIS(ICA)

独立分量分析与盲源分离(BSS)问题密切相关(Cardoso, 1997)，该问题的目标是将观测到的信号分解为未知独立信号的线性组合。设s为未知源信号的向量，x为观测混合信号的向量。若A为未知的混合矩阵，则混合模型为:

假设源信号相互独立，混合矩阵A是可逆的。基于这些假设和观测到的混合物，ICA算法试图找到混合矩阵A或分离矩阵W，这样:

是对独立源信号的估计(图2)。
图2 盲源分离模型不幸的是，可能没有完全满足独立性条件的矩阵W，也没有找到W的封闭表达式。相反，有几种算法可以迭代逼近W，从而间接最大化独立性。由于很难直接将独立条件最大化，所有常见的ICA算法都将问题转化为迭代优化一个平滑函数，当输出向量u是独立的时，该函数出现全局最优。例如，InfoMax依赖于当熵H(u)最大化时独立性最大化的观察结果(eq. 5)。