基于图像匹配的宽基线牛只面部图像识别研究

摘要

为提升识别模型对非标准化数据的适应性，本研究设计了一种基于图像匹配的宽基线牛只面部识别方法，采用SuperPoint与SuperGlue构建图像匹配算法，并针对性改进以提高识别准确率。在特征点提取过程中，引入了基于图像质量评估的动态阈值调整策略，对图像的清晰度、边缘密度及纹理特性进行量化评估，并据此调整SuperPoint的阈值，实现高质量特征点提取。同时，通过评估特征点的分布熵与空间覆盖性，调整SuperGlue的匹配阈值，以实现高效匹配。为验证方法有效性，在自建牛只面部数据集上与多种图像匹配方法进行了对比试验。结果表明：1）算法在窄基线数据集上的宏平均精确率、宏平均召回率及宏平均F1分别为92.1%、90.4%和91.2%。2）算法在宽基线数据集上的宏平均精确率、宏平均召回率及宏平均F1分别为82.8%、81.0%和81.9%。3）算法在公开数据集上的微平均F1得分为86.4%。各项结果均显著优于传统图像匹配算法。综上，本研究提出了一种全新的图像匹配算法，有效提升了牛只面部识别模型对非标准化数据的适应性，为牛面部识别方法的实际应用提供技术参考。

关键词

牛个体识别 / 特征匹配 / 动态阈值调整 / 面部识别