基于Isomap和支持向量机算法的俯视群养猪个体识别

郭依正，朱伟兴，马长华，陈　晨（.江苏大学电气信息工程学院，镇江 2203；　2.南京师范大学泰州学院，泰州 225300）



基于Isomap和支持向量机算法的俯视群养猪个体识别

郭依正1,2，朱伟兴1※，马长华1，陈晨1
（1.江苏大学电气信息工程学院，镇江 212013；2.南京师范大学泰州学院，泰州 225300）

摘要：针对俯视群养猪视频序列，提出了一种利用机器视觉技术对猪个体进行识别的方法。首先对采集的俯视群养猪视频序列进行前景检测与目标提取，获得各单只猪个体，其后建立训练样本，提取猪个体颜色、纹理及形状特征，组合构建表征猪个体的特征向量，接着对组合特征利用Isomap算法做特征融合，在最大程度保留有效识别信息的基础上降低特征维数，最后利用优化核函数的支持向量机分类器进行训练与识别。试验选取了900帧图像，试验结果表明该文所提方法切实有效，猪个体最高识别率为92.88%。该文从机器视觉角度探索了俯视群养猪的个体识别，有别于传统的RFID猪个体识别，该研究为无应激的猪个体识别提供了新思路，也为进一步探索群养猪个体行为分析等奠定了基础。

关键词：动物；特征提取；支持向量机；Isomap算法；群养猪；个体识别

郭依正，朱伟兴，马长华，陈晨. 基于Isomap和支持向量机算法的俯视群养猪个体识别[J]. 农业工程学报，2016，32（3）：182－187.doi：10.11975/j.issn.1002-6819.2016.03.026http://www.tcsae.org

Guo Yizheng , Zhu Weixing, Ma Changhua, Chen Chen. Top-view recognition of individual group-housed pig based on Isomap and SVM[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(3): 182－187. (in Chinese with English abstract)doi：10.11975/j.issn.1002-6819.2016.03.026http://www.tcsae.org

Email：guoyizheng0523@163.com

0　引　言

基于机器视觉的单只猪个体研究在诸多方面已经取得了可喜成绩。滕光辉等通过提取猪个体轮廓，研究无应激地获得猪体的体尺、体质量[1-2]。Wang等也是研究采用机器视觉技术评估行进中的单只猪个体体质量[3]。刘波、朱伟兴等采用背景减等方法获取侧视单猪，并分析生猪步频[4]，同时研究了生猪红外与可见光图像的自动配准与融合[5]。马丽等研究在获取单猪轮廓后识别猪是否为侧视状态[6]。纪滨、朱伟兴等根据猪的俯视腹部轮廓线，研究了基于机器视觉的猪的呼吸频率检测方法[7]。

因猪是群养动物，随着规模养猪业和计算机技术的发展，探讨基于机器视觉的俯视群养猪视频序列中的前景检测、猪个体行为分析等已经越来越受到国内外学者的关注。Navarro-Jover等通过在群养猪背部涂不同颜色以便提取猪个体，从而检测猪个体位置[8]。Tu等提出了一种基于循环信度传播算法的俯视群养猪前景检测方法[9]。Viazzi、Oczak等通过图像特征提取，建立多层前向神经网络对猪的攻击行为进行分类[10-11]。Xin等利用CCD摄像头监测群养仔猪，通过明暗模型法进行运动目标检测，形态学处理后进行图像分割，分析图像中仔猪躺卧时的空间分散度来评定猪舍温度的舒适度，从而进行猪舍温度调控[12]。Kashiha等研究了群养猪的运动检测，并针对群养猪俯视视频，利用机器视觉技术，通过自动监控猪只在饮水区域的停留时间来估算圈中猪只总饮水量[13-14]。

在俯视状态下研究群养猪中猪个体的行为，难度最大而又关键的问题是在运动过程中猪个体的识别。对群养猪个体识别目前主要方法是采用耳标RFID[15]，Kashiha等为了评估群养状态下各个猪个体的体重，在猪只的背上涂上不同颜色和形状的标记，从而识别猪个体的身份[16-17]。除此之外，利用机器视觉技术对规模养猪场中俯视群养猪无应激的个体识别的研究还未有相关文献报道。考虑到机器视觉算法在人身份识别中的成功应用（如人脸识别、虹膜识别、指纹识别、步态识别等），探讨基于机器视觉的猪个体识别成为可能。为此，本文提出了一种利用机器视觉技术对猪个体进行识别的方法。基本思想是首先从俯视群养猪单帧图像中有效提取猪个体目标，接着建立训练样本，然后通过猪个体颜色、纹理及形状特征组合构建表征猪个体的特征向量，并对组合特征利用Isomap算法做特征融合，最后构造了由Sigmoid核函数和RBF核函数相结合的混合核函数支持向量机分类器，对待识对象进行识别，试验验证了所提方法的可行性与有效性。

1　材料与方法

1.1俯视群养猪视频获取

视频是在江苏大学国家重点学科农业电气化与自动化的实验基地——丹阳市荣鑫农牧发展有限公司养猪场采集。通过改建试验用猪舍，安装拍摄俯视视频的图像采集系统，对群养猪进行视频监控。摄像机位于猪舍（长×宽×高为3.5 m×3 m×1 m）正上方，相对地面垂直高度约为3m，视频采集平台及获取的视频帧示例如图1所示。摄像机采用灰点公司的FL3-U3-88S2C-C（Sony CMOS），可以采集到包含背景的俯视状态下群养猪的RGB 彩色视频，图像分辨率为1 760×1 840像素。

图1　视频采集平台及获取的视频帧示例Fig.1　Video acquisition platform and frame sample of obtained video

试验开发软件为Matlab 2012b。试验视频是在天气晴好的情况下，随机采集了5 d，每天在早08:00点到下午17:00点时间段随机采集6段视频。所拍摄视频帧频为25 帧/s，时长在120 s左右，共采集了近90000帧图像。

1.2猪个体识别流程

基于机器视觉的猪个体识别的流程如图2所示。该流程主要分4个阶段。首先是图像预处理，主要是群养猪前景检测与猪个体目标提取。

图2　猪个体识别流程Fig.2　Recognition flowchart of individual pig

第2阶段是猪个体特征提取。本文使用颜色矩方法提取猪个体的颜色特征，使用共生矩阵法提取猪个体的纹理特征，使用不变矩方法提取猪个体的形状特征。从而建立了能有效描述猪个体的特征参数。

第3阶段是特征融合优化。猪个体颜色、纹理及形状特征组合在一起形成的特征向量维数高、数据量大、特征之间存在着信息冗余。对上述特征做了规格化后，采用Isomap算法进行融合优化。既降低了计算复杂度，又可以提高识别率。

最后是基于特征指标体系的猪个体识别。从所拍摄的视频中选取了满足试验条件的900帧，其中100帧作为训练样本，剩下800帧作为测试样本，利用优化核函数的支持向量机分类器对待识对象进行识别。

1.3猪个体特征提取

1.3.1颜色特征提取

颜色特征是一种重要的视觉特征，对图像的尺度、方向、视角的依赖性较弱，具有较高的稳定性，这里主要提取了反映猪只颜色信息的颜色矩特征。

颜色矩是Stricker和Orengo首先提出的[18]。由于颜色信息主要集中在低阶矩中，故只需对每种颜色通道提取一阶、二阶和三阶矩进行统计。设hij表示第i个颜色通道分量中灰度为j的像素出现的概率，n为总像素数目，则颜色矩的3个低阶矩（均值μi、方差σi和偏斜度Si）公式如下所示

1.3.2纹理特征提取

纹理是图像的一个重要属性，基于灰度共生矩阵（GLCM，gray level co-occurrence matrix）的纹理特征提取是最具代表性的纹理分析方法[19]。共生矩阵被描述为在θ方向上，相隔距离d的一对像素分别具有灰度值i 和j出现的概率，记为p(i,j;d,θ)。距离d的选择，一般平滑纹理选择较大值，粗糙纹理选择较小值，在试验中设置d=1。方向θ一般有4种取值0、45°、90°、135°，本文分别计算4个方向的纹理特征值，然后以所有方向特征值均值作为最终的纹理特征分量。

考虑到Haralick提出的用于分析灰度共生矩阵的14个特征之间存在冗余，而且灰度共生矩阵计算量比较大，时间较长。试验综合选用了角二阶矩ASM（angular second moment）、对比度CON（contrast）、逆差分矩IDM（inverse difference moment）、熵ENT（entropy）4个最有描述能力的特征，公式如下

式中L为图像灰度级。

1.3.3形状特征提取

视频序列中不同的猪个体可能具有相同的颜色和纹理，寻找具有平移、缩放和旋转不变性的矩特征十分必要。一幅M×N的离散图像f(x,y)，其p+q阶的几何矩定义是，其中，i∈ M，j∈ N，p， q为常数。令μpq＝Mpq/，r＝( p＋ q＋ 2)/ 2，可推导出7个具有平移、缩放、旋转不变性的不变矩特征（记为M1～M7）作为图像的形状特征[20]。

1.4基于Isomap的特征融合优化

数据降维方法主要有线性降维与非线性降维两大类。各个领域中高维数据多表现为非线性的，等距映射Isomap（Isometric Mapping）作为非线性降维的一种技术被广泛应用于模式识别的各个领域。

Isomap算法是2000年由Tenenbaum 等在Science杂志上提出的[21]。算法主要过程如下：1）确定邻域。在欧式空间中用k近邻法确定每个点的邻域，并计算每个点和它所有邻域点间的距离。2）计算最短距离矩阵。通过步骤1得到邻域距离之后，再计算任意2点在邻域图中的最短路径，将得到的结果写成矩阵形式，记为DN×N。3）用多维尺度变换MDS求解流形的低维表示Y。设HN× N＝－ JDJ/ 2，其中J＝ I－ eeT/ N，e＝(1,...,1)T为N维列向量，I为N维单位矩阵。求解出H的最大f个特征值λ1,…, λf以及对应的特征向量u1,…, uf，并记U=[u1,…, uf]，则Y＝diag(,...,)UT。

在算法应用过程中，领域k取值对识别率有一定影响，取值太大会导致局部几何特性不能正确表示，相反会使流形不连续，从而不能反映全局性质，综合考虑试验数据量和计算复杂度，取邻域k=4；计算2点在邻域图中的最短路径使用Dijkstra算法；降到不同维数对识别率也有影响，试验部分统计了最优维数。

1.5基于SVM的猪个体识别

支持向量机（support vector machine，SVM）是在统计学习理论的基础上发展起来的新一代学习算法，它对未见过的测试样本具有更好的推广能力。设有分类样本集,…，其中样本特征向量∈ RG，即是 G维实数空间中的向量，类标签y∈{－ 1,＋ 1}，S为分类样本数。通过这些样本构建一个分类函数，使之能对测试数据尽可能正确分类。分类就是寻求一个超平面，使之能将两类样本完全分开，其中为平面法向量，b为偏差项。

现实问题几乎都是非线性可分的，而使用核函数能将非线性的输入空间映射到一个线性可分的空间。此时的优化目标函数如下

对新的样本，分类函数如下所示

其中α是拉格朗日因子，K为核函数，C为惩罚因子。

核函数支持向量机已经成为目前解决分类和回归等问题方面最流行且功能强大的一种工具[22]。只要满足Mercer条件[23]的函数都可以作为SVM的核函数，常用的核函数有：线性（Linear）核函数、多项式（Poly）核函数、径向基（RBF）核函数和Sigmoid核函数。不同的核函数将产生不同的分类效果，本文将2类核函数结合起来，构成混合核函数如式（11）所示。

其中δ∈（0,1），为核函数的权值。混合核函数的参数选取是个难点，C和γ可以使用粒子群优化算法获取[24]。通过多组试验，确定的混合核函数SVM分类器主要参数如下：υ=1/5，r=3，C=16，γ=1.82，δ=0.8。

2　试验结果与分析

首先是群养猪前景检测与猪个体目标提取，该项工作参见文献[25]和[26]。文献[26]提出了一种自适应分块多阈值的俯视群养猪多目标提取方法，因正在饮水和吃食的猪个体常常是标准站立姿势，且往往是不希望被打扰的，该方法能有效提取正在饮水和吃食的猪个体。本文旨在验证所提识别方法是否可行有效，因此从所拍摄视频中选择了满足条件的900帧用于试验，这些帧中猪个体几乎无粘连，能够完整分离出所有猪个体目标。以图1所给样图为例，对其进行前景检测的结果见图3，分离出的各个猪个体见图4。

图3　视频帧前景检测结果(图1b)Fig.3　Foreground detection results of video frame (Fig.1b)

图4　分离出的各个猪个体（图1b）Fig.4　Each individually isolated pig (Fig.1b)

接着对分离出的各个猪个体目标进行特征提取，以图4中第1个猪个体为例，每个猪个体基于颜色距提取了R、B、G 3个通道9个颜色特征，基于灰度共生矩阵提取了4个纹理特征，基于不变矩提取了7个形状特征，见表1。

表1　图4中第1个猪的颜色特征、纹理特征和形状特征及特征值Table 1　Color, shape and texture features and its eigenvalue of first pig in Fig.4

基于Isomap在做特征融合之前，对特征进行规格化[27]，即数据尺度归一化，将特征规格化到[−1,+1]之间，以消除数值因大小范围不一而影响分类效果。以混合核函数SVM作为分类器，采用典型特征融合算法的识别率结果见表2；以Isomap为特征融合算法，不同核函数的识别率结果见表3。表2结果表明，基于Isomap的特征融合用于猪个体识别较其他典型特征融合算法，如PCA，LDA等效果要好；表3结果表明，基于混合核函数的SVM比单一核函数的SVM用于猪个体识别性能更好，测试样本在最优维数下的最高识别率为92.88%。

表2　典型特征融合算法的识别率Table 2　Recognition rates of typical feature fusion algorithms

表3　不同核函数SVM的识别率Table 3　Recognition rates of different kernel function SVM

通过深入研究误识的猪个体，错误识别主要原因是猪的非刚体特性，猪在圈中有停停走走的运动模式，同一只猪个体不同的姿势所提取的特征就不尽相同。可以预见，如果仅对标准站姿的猪个体（正在吃食与喝水的猪个体往往能保持标准姿）进行识别，识别率还会进一步提高。此外，如何合理优选有效的分类特征也值得深入研究，特征优劣也直接决定了识别效果。

传统人工观察识别猪个体的方式费时费力，且影响工作人员的健康。耳标RFID方式虽然无需人工实时观察，但是也会一定程度上干扰猪只正常生长。通过机器视觉技术无应激对猪个体身份进行识别，既便于饲养员对猪只提供充足的照顾，提高猪的福利，也对提高规模养殖业自动化和智能化监控水平提供了技术支撑。猪个体识别方法可以作为猪自动行为分析系统的一部分，未来可能的应用包括猪个体饮水行为分析、猪个体进食行为分析、猪个体体质量评估等。

3　结　论

1）本文提出了一种基于Isomap和SVM的俯视群养猪猪个体识别方法。试验数据包含100帧训练样本，800帧测试样本。试验结果表明，使用机器视觉技术无应激的识别俯视群养猪中猪个体是可行的，猪个体最高识别率为92.88%。

2）颜色特征是描述图像内容的最直接的视觉特征，纹理特征是描述图像表面质地结构的一类重要特征，而形状特征在区分有形状物体时效果才较明显。利用Isomap算法对多类特征进行融合，既可以去除特征间的冗余，保留识别信息，也可以降低特征维数，减少分类计算量。

3）利用SVM可以有效处理多类识别问题。文中提出混合核函数既考虑了全局特性，也考虑了局部特性，即SVM的学习能力及泛化能力都得到了加强，基于混合核函数的SVM较单一核函数SVM分类效果更好。

未来可以仅对正在饮水和吃食的猪个体进行目标提取与识别可以避免人工选图。该项研究为后继分析猪只个体行为等提供了理论基础。

[参考文献]

[1] 杨艳，滕光辉，李保明，等. 基于计算机视觉技术估算种猪体重的应用研究[J]. 农业工程学报，2006，22(2)：127－131. Yang Yan, Teng Guanghui, Li Baoming, et al. Measurement of pig weight based on computer vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2006, 22(2): 127－131. (in Chinese with English abstract)

[2] 刘同海，滕光辉，付为森，等. 基于机器视觉的猪体体尺测点提取算法与应用[J]. 农业工程学报，2013，29(2)：161－168. Liu Tonghai, Teng Guanghui, Fu Weisen, et al. Extraction algorithms and applications of pig body size measurement points based on computer vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(2): 161－168. (in Chinese with English abstract)

[3] Wang Y, Yang W, Winter P, et al. Walk-through weighing of pigs using machine vision and an artificial neural network[J]. Biosystems Engineering, 2008, 100(1): 117－125.

[4] 刘波，朱伟兴，杨建军，等. 基于深度图像和生猪骨架端点分析的生猪步频特征提取[J]. 农业工程学报，2014，30(10)：131－137. Liu Bo, Zhu Weixing, Yang Jianjun, et al. Extracting of pig gait frequency feature based on depth image and pig skeleton endpoints analysis[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(10): 131－137. (in Chinese with English abstract)

[5] 刘波，朱伟兴，霍冠英. 生猪轮廓红外与光学图像的融合算法[J]. 农业工程学报，2013，29(17)：113－120. Liu Bo, Zhu Weixing, Huo Guanying. An image fusion algorithm of infrared thermal and optical images for pig contour[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(17): 113－120. (in Chinese with English abstract)

[6] 马丽，纪滨，刘宏申，等. 单只猪轮廓图的侧视图识别[J].农业工程学报，2013，29(10)：168－174. Ma Li, Ji Bin, Liu Hongshen, et al. Differentiating profile based on single pig contour[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(10): 168－174. (in Chinese with English abstract)

[7] 纪滨，朱伟兴，刘波，等. 基于脊腹线波动的猪呼吸急促症状视频分析[J]. 农业工程学报，2011，27(1)：191－195. Ji Bin, Zhu Weixing, Liu Bo, et al. Video analysis for tachypnea of pigs based on fluctuating ridge-abdomen[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(1): 191－195. (in Chinese with English abstract)

[8] Navarro-Jover J M, Alcañiz-Raya M, Gómez V, et al. An automatic colour-based computer vision algorithm for tracking the position of piglets[J]. Spanish Journal of Agricultural Research, 2009, 7(3): 535－549.

[9] Tu G J, Karstoft H, Pedersen L J, et al. Foreground detection using loopy belief propagation[J]. Biosystems Engineering, 2013, 116(1): 88－96.

[10] Viazzi S, Ismayilova G, Oczak M, et al. Image feature extraction for classification of aggressive interactions among pigs[J]. Computers and Electronics in Agriculture, 2014, 104(3): 57－62.

[11] Oczak M, Viazzi S, Ismayilova G, et al. Classification of aggressive behavior in pigs by activity index and multilayer feed forward neural network[J]. Biosystems Engineering, 2014, 119(2): 89－97.

[12] Shao B, Xin H. A real-time computer vision assessment and control of thermal comfort for group-housed pigs[J]. Computers and Electronics in Agriculture, 2008, 62(1): 15－21.

[13] Kashiha M A, Bahr C, Haredasht S A, et al. The automatic monitoring of pigs water use by cameras[J]. Computers and Electronics in Agriculture, 2013, 90(1): 164－169.

[14] Kashiha M A, Bahr C, Ott S, et al. Automatic monitoring of pig locomotion using image analysis[J]. Livestock Science, 2014, 159(1): 141－148.

[15] Maselyne J, Saeys W, Nuffel A V. Review: Quantifying animal feeding behaviour with a focus on pigs[J]. Physiology & Behavior, 2015, 138(C): 37－51.

[16] Kashiha M A, Bahr C, Ott S, et al. Automatic identification of marked pigs in a pen using image pattern recognition[J]. Computers and Electronics in Agriculture, 2013, 93(2): 111－120.

[17] Kashiha M A, Bahr C, Ott S, et al. Automatic weight estimation of individual pigs using image analysis[J]. Computers and Electronics in Agriculture, 2014, 107(7): 38－44.

[18] Stricker M, Orengo M. Similarity of color images[C]. Proceedings of SPIE Storage and Retrieval for Image and Video Dtabases, 1995, 2420(2): 381－392

[19] Yusof R, Khalid M, Khairuddin A S M. Application of kernel-genetic algorithm as nonlinear feature selection in tropical wood species recognition system[J]. Computers and Electronics in Agriculture, 2013, 93(4): 68－77.

[20] Hu M K. Visual pattern recognition by moment invariants[J]. IRE Transactions on Information Theory, 1962, 8(2): 179－187.

[21] Tenenbaum J B, de Silva V, Langford J. A global geometric framework for nonlinear dimensionality reduction[J]. Science, 2000, 290(5500): 2319－338.

[22] Lu Y, Boukharouba K, Boonaert J, et al. Application of an incremental SVM algorithm for on-line human recognition from video surveillance using texture and color features[J]. Neurocomputing, 2014, 126(2): 132－140.

[23] Ghasab M A J, Khamis S, Mohammad F, et al. Feature decision-making ant colony optimization system for an automated recognition of plant species[J]. Expert Systems with Applications, 2015, 42(5): 2361－2370.

[24] Ren Yuan, Bai Guangchen. Determination of optimal SVM parameters by using GA/PSO[J]. Journal of Computers, 2010, 5(8): 1160－1168

[25] Guo Yizheng, Zhu Weixing, Jiao Pengpeng, et al. Foreground detection of group-housed pigs based on the combination of Mixture of Gaussians using prediction mechanism and threshold segmentation[J]. Biosystems Engineering, 2014, 125(9): 98－104.

[26] Guo Yizheng, Zhu Weixing, Jiao Pengpeng, et al. Multi-object extraction from topview group-housed pig images based on adaptive partitioning and multilevel thresholding segmentation[J]. Biosystems Engineering, 2015, 135(5): 54－60.

[27] Ramesh B, Xiang C, Lee T H. Shape classification using invariant features and contextual information in the bag-of-words model[J]. Pattern Recognition, 2015, 48(3): 894－906.

Top-view recognition of individual group-housed pig based on Isomap and SVM

Guo Yizheng1,2, Zhu Weixing1※, Ma Changhua1, Chen Chen1
(1. School of Electrical and Information Engineering, Jiangsu University, Zhenjiang 212013, China; 2. Taizhou College, Nanjing Normal University, Taizhou 225300, China)

Abstract:Monitoring behavior of pigs in a pen is possible both in group and at individual level. Data analysis at individual level, however, has more advantages. Identification of pigs is a necessary step towards analyzing the different behaviors of pigs individually. Some current computer vision systems that are used for video surveillance of group-housed pigs require that the pigs be marked. In this paper, using a top-view video sequence of group-housed pigs, a machine-vision technology method for recognizing individual pig is proposed. First, to recognize each individual pig, foreground detection and target extraction are conducted on a top-view video sequence of the group-housed pigs. Second, the training samples are established, and the color, texture and shape of the individual pig are extracted; through the combination of these features, a feature vector representing an individual pig is then built. Third, the combined features are fused using the Isomap algorithm, which reduces the feature dimension on the basis of the maximum retention of the effective recognition information. Finally, the features are trained and recognized using a support vector machine (SVM) classifier with an optimal kernel function. The videos used in the present study are collected from pig farms of the Danyang Rongxin Nongmu Development Company, which is the experimental base for the key discipline of Jiangsu University, i.e. agricultural electrification and automation. The pigs are monitored in a reconstructed experimental pigsty. The pigsty is 1 m high, 3.5 m long and 3 m wide. A camera is located above the pigsty with the height of 3 m over the ground. The camera is the FL3-U3-88S2C-C with an image resolution of 1760 × 1840 pixels from the Grey Point Company. The videos are captured from 8 AM to 5 PM. Over 5 days randomly chosen, we collect 6 sections of videos every day at random time, so there are a total of 30 videos randomly chosen in audio video interleaved (AVI) format. The frame frequency of each video is 25 fps with the duration of approximately 120 s. Among the 90 000 frames (5 days × 6 videos × 120 s × 25 fps), 900 frames satisfying the requirement of experimental conditions are selected. The software MATLAB 2012b is adopted. The experimental results show that the proposed method is effective and the highest recognition rate of pigs is 92.88%. In this paper, a method for recognizing group-housed pigs individually from a top-view video sequence is explored based on the machine vision, which differs from traditional radio frequency identification (RFID) of individual pig. This study provides a new idea for the recognition of individual pig without stressing the animals, and lays a foundation for further analysis of the behavior of individual pig.

Keywords:animals; feature extraction; support vector machines; Isomap algorithm; group-housed pigs; individual pig recognition

通信作者：※朱伟兴，男，江苏苏州人，教授，博士生导师，主要从事农业信息科学、机器视觉研究。镇江江苏大学电气信息工程学院，212013。Email：wxzhu@ujs.edu.cn

基金项目：国家自然科学基金资助项目（31172243）；教育部博士点基金资助项目（20103227110007）；江苏高校优势学科建设工程资助项目（苏政办发（2011）6号）；江苏省普通高校研究生科研创新计划项目（CXLX13_664）

作者简介：郭依正，男，江苏徐州人，博士生，讲师，主要从事机器视觉、模式识别研究。镇江江苏大学电气信息工程学院，212013。

收稿日期：2015-09-08

修订日期：2015-12-23

中图分类号：TP391.41；S818.5

文献标志码：A

文章编号：1002-6819(2016)-03-0182-06

doi：10.11975/j.issn.1002-6819.2016.03.026