近年来，随着集约化管理与精确测量的拒绝，更加有效地展开牲畜辨识管理（如体重、身体健康等）的客观测量早已沦为严峻的问题。在当下，最佳的实践中为RFID标签方案，但对于农民或者管理人员而言，这个方案不仅耗时与成本高，而且也让动物无法适应环境，人脸识别技术的发展，让人们看见非接触式辨识的方便性，因此之后有不少人明确提出了通过动物的面部展开非接触式辨识的方案。在国外也有不少专家对于牲畜辨识的可行性展开了一番研究，本文根据MarkF．Hansen等人《利用卷积神经网络展开农场猪脸辨识》的文章谈谈牲畜辨识不存在的艰难及可行性分析。

从几何特征辨识到整体给定，人类对于人脸识别的研究早已多达了五十年，随着深度自学算法与近期的辨识技术互相融合，才能构建相似甚至打破人类的水平。但是在涉及牲畜的辨识，如关于牛、猪、羊、犬等辨识及不道德分析的研究依然不多，虽然当下也有一些不俗的报告数据（如对鼻子与眼睛等小区域的辨识）结果更为不俗，但注定是经过人手动拆分剪裁的“脸”，在实验室之外很难落地。如何在大自然条件下对农场的牲畜展开数据采集，从而展开数据集训练已完成自学都具备一定的挑战性。

（1）数据的收集确保明晰且光线好的正脸图像，是面部辨识应用于的基础。对于用户而言，利用现有的网络摄像头已完成牲畜“脸”的收集是尤为便利的，但现实中，一是摄像机要应付环境的挑战，光照、高度、环境等等都会导致辨识的艰难，二是牲畜的因应意愿要相比之下高于人类，嘴巴、上前避免、毁坏摄像头等状况时有发生。

更让人不得已的是，动物面部辨识必须数百个参考点（近少于人脸），才能取得超过与人脸识别同等水平的算法。在报告中，MarkF．Hansen等人采行的是在饮水器加装摄像头，借而在他们强迫相似时，已完成抓拍。在国内也有厂商采行更加必要的方式，让摄影师去抓拍猪们的相片，为了让结果更为精准，除了正面照外也要加到动物的侧面照，因为相对于人类而言，动物的侧脸极具辨识度，甚至可以根据眼的弯曲角度与嘴部形状展开区分它们。

（2）数据清扫为了防止倒数帧之间较低方差的缺点，在报告中，MarkF．Hansen等人使用了结构相似性指数测量（SSIM）来测量图像之间的相似性。这种方法企图更加相似人类的感官，而不是替代和常用的均方误差（MSE）测量报告图像之间的相似性。

它考虑到了方差、协方差和平均值强度在两个图像，x和y，情商右图。其中，μx，μy是平均值，σx，σy是方差，σxy是图像x和y的协方差。c1，c2是常数，以防止分母相似零时的不稳定性，将每个图像与先前图像展开较为，直到寻找充足的差异。

（3）辩论在报告中，虽然意味着针对的是10只猪，并最后获得78．4％的准确率（指准确的辨识图像占有整个书数集的百分比），这也意味著在一个不约束的场景中，精确辨识出有猪的个体是不存在可能性的，经过大大训练的数据，将不会提高准确率。在国内正在做到牲畜辨识的厂商也不少，例如广州影子科技发售猪的脸部辨识与身份辨识服务等，但目前以猪的辨识为事例，依然必须解决不少艰难：一是猪的生长造成体型及面部的变化，要相比之下比人脸大，而且品种较多，这意味著必须累积有所不同品种的猪在生长过程中变化数据；二是相对于其他的成熟期的技术，猪脸辨识仍必须实践中去证明。

目前辨识猪最差的方案是耳标或植入芯片，虽然有不少人赞成这种方式是在损害牲畜，但无论是猪脸辨识还是戴上耳标，猪都无法挣脱伤痛病死的命运，车站在技术的角度而言，猪脸辨识依然受到批评。在京东举行的“猪脸辨识”比赛中，冠军团队使用的是迁入自学的体系，传统的人工智能技术来构建视觉辨识的原理利用计算机神经网络的深度自学，教给每一头猪的特征，然后利用深度自学的模型，针对测试数据集，获得每一头猪的概率，最后来判断哪头猪是哪头猪。而迁入自学不舍弃从之前数据里获得的简单信息，同时应付新的进去的大量数据的缺乏标签或者由于数据改版而造成的标签变异情况。

该团队回应刚刚获得数据集时，很难辨别哪头猪是哪头。而当他们用于模型再运行数据，找到猪脸辨识的最后运营效果超过比模型跑完人脸的效果就让。

使用迁入自学辨识却是打开了一种全新的思路，再行寻找一个人脸和动物脸相似性较小的一个同构空间，然后使得人脸的训练数据可以被有效地的利用一起训练动物脸的辨识。但无论如何在牲畜辨识上，有可能要回头的路要比人脸要艰苦与持久得多。

本文来源：半岛·BOB官方网站-www.qef4hf.com