基于改进BOF模型的奶牛识别算法

　　针对特征袋（BOF）模型中存在特征计算耗时、识别精度低的不足，提出一种新的改进BOF模型以提高其目标识别的精度和效率，并将其应用于奶牛个体识别。该算法首先引入优化方向梯度直方图（ HOG）特征对图像进行特征提取和描述，然后利用空间金字塔匹配原理（ SPM）生成图像基于视觉词典的直方图表示，最后自定义直方图交叉核作为分类器核函数。该算法在项目组自行拍摄的数据集（包含15类奶牛、共7500张奶牛头部图像）上的实验结果表明，使用基于SPM的BOF模型将算法的识别率平均提高2个百分点；使用直方图交叉核相比使用高斯核将算法的识别率平均提高2.5个百分点；使用优化HOG特征，相比使用传统HOC特征将算法识别率平均提高21.3个百分点，运算效率为其1. 68倍；相比使用尺度不变特征变换（SIFT）特征，在保证平均识别精度达95. 3%的基础上，运算效率为其7.10倍。分析结果可知，该算法在奶牛个体识别领域具有较好的鲁棒性和实用性。