基于Isomap和支持向量机算法的俯视群养猪个体识别.pdf

第 32 卷 第 3 期 农 业 工 程 学 报 Vol.32 No.3 182 2016 年 2 月 Transactions of the Chinese Society of Agricultural Engineering Feb. 2016 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 doi：10.11975/j.issn.1002-6819.2016.03.026 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 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)：182187. doi：10.11975/j.issn.1002-6819.2016.03.026 Guo Yizheng , Zhu Weixing, Ma Changhua, Chen Chen. Top-view recognition of individual group-housed pig based on Isomap and SVMJ. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(3): 182187. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2016.03.026 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 收稿日期：2015-09-08 修订日期：2015-12-23 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。 Email：guoyizheng0523 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 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 RFID15，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 第 3 期 郭依正等：基于 Isomap 和支持向量机算法的俯视群养猪个体识别 183 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 m3 m1 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 7601 840 像素。 a. 视频采集平台 a. Video acquisition platform b. 某视频帧 b. Frame sample of obtained video 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 i、方差 i和偏斜度 Si） 公式如下所示 1 1 n iij j h n = = ， （1） 1 2 2 1 1 () ) n iiji j h n = = ， （2） 1 3 3 1 1 () ) n iiji j Sh n = = 。 （3） 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 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,)。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 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 11 2 00 ASM ( , ; , ) LL ij p i j d = =， （4） 11 2 00 CON()( , ; , ) LL ij ijp i j d = = ， （5） 11 2 00 ( , ; , ) IDM 1() LL ij p i j d ij = = + ， （6） 11 00 ENT( , ; , ) lg( , ; , ) LL ij p i j dp i j d = = 。 （7） 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 MN 的离散图像 f(x,y)，其 p+q 阶的几何矩定 义是 11 ( , ) MN pq pq ij Mijf i j = = ， 其中，iM，jN， p， q 为常数。令 00 / r pqpq MM=，(2)/ 2rpq=+，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 M1M7）作为图像的形状特征20。 农业工程学报（） 2016 年 184 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 DNN。3） 用多维尺度变换 MDS 求解流形的低维表示 Y。设 / 2 N N = HJDJ，其中 T / N=JIee， T (1,.,1)=e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 1, f以及对应的特征向量 u1, uf，并记 U=u1, uf，则 T 1 (,.,) f diag=YU。 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 11 (,)x y r ,(,) SS xy r ，其中样本特征向量 G xR r ，即x ? 是 G 维实数空间中的向量，类标签 1, 1y +，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 T 0w xb+= ? ? ，使之能将两类样本完全分开，其中w ? 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 111 1 ( )( ,) 2 SSS iijijij iij LyyK x y = = ， （8） 1 . .0 S ii i sty = = ， 0 i Ci。 （9） 对新的样本，分类函数如下所示 * 1 ( )sgn( ,) S iiij i h xyK x xb = =+ ， （10） 其中 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。 sigmoidrbf 2 ( , )(1)( , )( , ) (1) tanh( ()exp() ij K x yKx yKx y xxrxy =+= + ， （11） 其中（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 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：=1/5，r=3，C=16，=1.82，=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。 第 3 期 郭依正等：基于 Isomap 和支持向量机算法的俯视群养猪个体识别 185 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 特征 Features 特征值 Eigenvalue R 2.927 R 2.467 SR 1.961 G 19.417 G 16.319 SG 13.018 B 37.652 B 31.610 颜色矩特征 Features based on color moment SB 25.332 ASM 5.784 CON 38.998 IDM 0.030 灰度共生矩阵特征 Features based on GLCM ENT 0.273 M1 2.226 M2 4.879 M3 16.631 M4 16.578 M5 33.184 M6 19.276 不变矩特征 Features based on invariant moments M7 27.386 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 融合算法 Feature fusion algorithm 最优维数 Optimal dimension 识别率 Recognition rate/% ISOMAP 5 92.88 PCA 4 85.38 LPP 6 67.25 LDA 3 65.13 注：分类器为混合核函数 SVM。 Note: Use SVM classifier with hybrid kernel function. 表 3 不同核函数 SVM 的识别率 Table 3 Recognition rates of different kernel function SVM 核函数类型 Type of kernel function 最优维数 Optimal dimension 识别率 Recognition rate/% Poly-SVM 6 87.25 RBF-SVM 5 90.38 Sigmoid-SVM 6 85.75 混合核函数 SVM 5 92.88 注：以Isomap为特征融合算法。 Note: Use Isomap as feature fusion algorithm. 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)： 127131. Yang Yan, Teng Guanghui, Li Baoming, et al. Measurement of pig weight based on computer visionJ. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2006, 22(2): 127131. (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 visionJ. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(2): 161168. (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 networkJ. Biosystems Engineering, 2008, 100(1): 117125. 农业工程学报（） 2016 年 186 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)：131137. Liu Bo, Zhu Weixing, Yang Jianjun, et al. Extracting of pig gait frequency feature based on depth image and pig skeleton endpoints analysisJ. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(10): 131137. (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)：113120. Liu Bo, Zhu Weixing, Huo Guanying. An image fusion algorithm of infrared thermal and optical images for pig contourJ. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(17): 113120. (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)：168174. Ma Li, Ji Bin, Liu Hongshen, et al. Differentiating profile based on single pig contourJ. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(10): 168174. (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)：191195. Ji Bin, Zhu Weixing, Liu Bo, et al. Video analysis for tachypnea of pigs based on fluctuating ridge-abdomenJ. 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, Alcaiz-Raya M, Gmez V, et al. An automatic colour-based computer vision algorithm for tracking the position of pigletsJ. Spanish Journal of Agricultural Research, 2009, 7(3): 535549. 9 Tu G J, Karstoft H, Pedersen L J, et al. Foreground detection using loopy belief propagationJ. Biosystems Engineering, 2013, 116(1): 8896. 10 Viazzi S, Ismayilova G, Oczak M, et al. Image feature extraction for classification of aggressive interactions among pigsJ. Computers and Electronics in Agriculture, 2014, 104(3): 5762. 11 Oczak M, Viazzi S, Ismayilova G, et al. Classification of aggressive behavior in pigs by activity index and multilayer feed forward neural networkJ. Biosystems Engineering, 2014, 119(2): 8997. 12 Shao B, Xin H. A real-time computer vision assessment and control of thermal comfort for group-housed pigsJ. 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 camerasJ. Computers and Electronics in Agriculture, 2013, 90(1): 164169. 14 Kashiha M A, Bahr C, Ott S, et al. Automatic monitoring of pig locomotion using image analysisJ. Livestock Science, 2014, 159(1): 141148. 15 Maselyne J, Saeys W, Nuffel A V. Review: Quantifying animal feeding behaviour with a focus on pigsJ. Physiology 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