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

　　在國(guó)外也有不少專家對(duì)于牲畜識(shí)別的可行性進(jìn)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(jìn)行農(nóng)場(chǎng)豬臉識(shí)別》的文章談?wù)勆笞R(shí)別存在的困難及可行性分析。

　　從幾何特征識(shí)別到整體匹配，人類對(duì)于人臉識(shí)別的研究已經(jīng)超過(guò)了五十年，隨著深度學(xué)習(xí)算法與最新的識(shí)別技術(shù)相互結(jié)合，才能實(shí)現(xiàn)接近甚至超越人類的水平。但是在相關(guān)牲畜的識(shí)別，如關(guān)于牛、豬、羊、犬等識(shí)別及行為分析的研究仍然不多，雖然當(dāng)下也有一些不錯(cuò)的報(bào)告數(shù)據(jù)（如對(duì)鼻子與眼睛等小區(qū)域的識(shí)別）結(jié)果較為不錯(cuò)，但終究是經(jīng)過(guò)人手動(dòng)分割裁剪的“臉”，在實(shí)驗(yàn)室之外很難落地。如何在自然條件下對(duì)農(nóng)場(chǎng)的牲畜進(jìn)行數(shù)據(jù)采集，從而進(jìn)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(shí)別應(yīng)用的基礎(chǔ)。對(duì)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(shí)中，一是攝像機(jī)要應(yīng)對(duì)環(huán)境的挑戰(zhàn)，光照、高度、環(huán)境等等都會(huì)造成識(shí)別的困難，二是牲畜的配合意愿要遠(yuǎn)遠(yuǎn)低于人類，舔、轉(zhuǎn)身避開(kāi)、破壞攝像頭等狀況時(shí)有發(fā)生。

　　更讓人無(wú)奈的是，動(dòng)物面部識(shí)別需要數(shù)百個(gè)參考點(diǎn)（遠(yuǎn)多于人臉），才能獲得達(dá)到與人臉識(shí)別同等水平的算法。在報(bào)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(shí)，完成抓拍。

　　在國(guó)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(zhǔn)，除了正面照外也要添加動(dòng)物的側(cè)面照，因?yàn)橄鄬?duì)于人類而言，動(dòng)物的側(cè)臉更具辨識(shí)度，甚至可以根據(jù)眼的傾斜角度與嘴部形狀進(jìn)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(diǎn)，在報(bào)告中，Mark F. Hansen等人采用了結(jié)構(gòu)相似性指數(shù)測(cè)量（SSIM）來(lái)測(cè)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(cè)量報(bào)告圖像之間的相似性。它考慮了方差、協(xié)方差和平均強(qiáng)度在兩個(gè)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(shí)的不穩(wěn)定性，將每個(gè)圖像與后續(xù)圖像進(jìn)行比較，直到找到足夠的差異。

　　（3）討論

　　在報(bào)告中，雖然僅僅針對(duì)的是10只豬，并最終得到78.4%的準(zhǔn)確率（指正確的識(shí)別圖像占據(jù)整個(gè)數(shù)集的百分比），這也意味著在一個(gè)不約束的場(chǎng)景中，準(zhǔn)確識(shí)別出豬的個(gè)體是存在可能性的，經(jīng)過(guò)不斷訓(xùn)練的數(shù)據(jù)，將會(huì)提升準(zhǔn)確率。

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

　　一是豬的生長(zhǎng)導(dǎo)致體型及面部的變化，要遠(yuǎn)遠(yuǎn)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(zhǎng)過(guò)程中變化數(shù)據(jù)；

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

　　在京東舉辦的“豬臉識(shí)別”比賽中，冠軍團(tuán)隊(duì)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(lái)實(shí)現(xiàn)視覺(jué)識(shí)別的原理利用計(jì)算機(jī)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(duì)測(cè)試數(shù)據(jù)集，得到每一頭豬的概率，最后來(lái)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(shí)應(yīng)對(duì)新進(jìn)來(lái)的大量數(shù)據(jù)的缺少標(biāo)簽或者由于數(shù)據(jù)更新而導(dǎo)致的標(biāo)簽變異情況。該團(tuán)隊(duì)表示剛拿到數(shù)據(jù)集時(shí)，很難分辨哪頭豬是哪頭。而當(dāng)他們使用模型再運(yùn)行數(shù)據(jù)，發(fā)現(xiàn)豬臉識(shí)別的最后運(yùn)行效果達(dá)到比模型跑人臉的效果還好。

　　采用遷移學(xué)習(xí)識(shí)別算是開(kāi)啟了一種全新的思路，先找到一個(gè)人臉和動(dòng)物臉相似性較大的一個(gè)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(lái)訓(xùn)練動(dòng)物臉的識(shí)別。但無(wú)論如何在牲畜識(shí)別上，可能要走的路要比人臉要艱難與長(zhǎng)久得多。

　　（本文部分觀點(diǎn)與數(shù)據(jù)來(lái)源于CDSN與國(guó)外媒體報(bào)道）