狐猴面部识别系统:一种便于狐猴个体识别的面部识别系统

背景

对已知个体的长期研究对于理解影响自然种群的人口学和进化过程至关重要。目前许多动物的个体鉴定方法包括捕获和标记技术和/或研究人员对个体表型自然变异的了解。这些方法可能是昂贵的，耗时的，而且可能是不切实际的大规模，人口水平的研究。因此，对于许多动物谱系，长期的研究项目往往仅限于少数类群。狐猴，一种马达加斯加特有的哺乳动物，也不例外。许多物种缺乏解决进化问题所需的长期数据。这至少在一定程度上是由于很难在很长一段时间内收集到关于已知个人的一致数据。本文提出了一种新的狐猴个体识别方法(LemurFaceID)。LemurFaceID是一种计算机辅助面部识别系统，可用于根据照片识别单个狐猴。

结果

LemurFaceID是使用贴片多尺度局部二值模式特征和改进的面部图像归一化技术开发的，以减少面部毛发和环境光照变化对识别的影响。我们使用野生红腹狐猴的图像来训练和测试我们的系统。Eulemur rubriventer)收集于马达加斯加的拉诺玛法纳国家公园。通过100个试验，使用不同的训练和测试集分区，我们证明了LemurFaceID在正确识别单个狐猴方面可以达到98.7%±1.81%的准确性(使用2-查询图像融合)。

结论

我们的研究结果表明，人类面部识别技术可以根据面部模式的变化进行改进，以识别单个狐猴。LemurFaceID能够根据野生狐猴的照片识别单个狐猴，准确率相对较高。这项技术将消除传统的个人识别方法的许多限制。一旦经过优化，我们的系统可以通过提供快速、经济、准确的个体识别方法，促进对已知个体的长期研究。

大多数关于野生动物种群行为和生态学的研究都要求研究对象能够被单独识别。个体识别是必要的，以确保数据收集的无偏性，并考虑到相关变量的个体变化。对于短期研究，研究人员可能依靠独特的方法来进行识别，这种方法基于数据收集时个体之间明显的自然差异，如身体大小和形状的差异，或损伤和疤痕的存在。这些方法可能允许也可能不允许在以后的时间里对个人进行识别。然而，为了解决许多进化问题，有必要长期收集已知个体的数据。1］．事实上，纵向研究对于描述生活史参数、性状遗传力和适应度效应是必不可少的(在[1])。因此，它们对于确定影响野生动物种群的人口和进化过程非常宝贵[1］．

不幸的是，纵向监测可能具有挑战性，特别是对于长寿物种。研究人员面临的主要挑战之一是建立个人识别的方法，使多个研究人员能够在很长一段时间(有时是几十年)内收集一致和准确的人口统计和行为数据。目前的个体识别方法通常涉及捕获动物并为其添加独特的标识符，如彩色项圈和/或标签的组合[2- - - - - -5]，或者利用种群的自然变异(例如，疤痕、皮肤和皮毛图案)，并依靠研究人员对个体差异的了解[6- - - - - -9］．前一种方法(或两种方法的结合)已被用于一些最成熟的长期实地研究，如圣基尔达Soay绵羊和朗姆酒岛马鹿项目[2，3.]，以及Wytham Tit和Galápagos Finch项目[4，5］．因为它们有关于已知个体的长期(多代)数据，这些项目通过记录种群如何以及为什么随时间变化(例如，[10- - - - - -13])。

许多对野生灵长类动物的纵向研究也使用了类似的方法，包括捕获和项圈，如猫头鹰猴[14]，伶猴[15], colobines [16，特别是许多马达加斯加狐猴[17- - - - - -20.］．通过对个体的长期监测，许多这类研究提供了关于寿命、终生繁殖成功和扩散模式的重要数据[15，17，18，20.- - - - - -23］．

尽管它对许多纵向研究有用，但标记过程有时可能是不适当的或不实际的。标记通常要求通过雾网或巢箱(鸟类)捕获研究对象[4，5]，诱捕(例如，为某些哺乳动物设谢尔曼陷阱或畜栏)[2，3.，24]，在一些较大的哺乳动物，包括许多灵长类动物的情况下，使用吹枪或气枪飞镖[10，25- - - - - -27］．捕获有几个优点，例如能够收集到在其他情况下不可能收集到的数据(如血液样本、体外寄生虫)，但它也可能很昂贵，往往使其无法用于大样本量和/或在大空间和时间尺度上进行的研究。此外，捕捉和标记可能会给已经受到威胁的物种带来额外的风险。例如，在某些情况下，这类方法已被证明会引起急性生理应激反应[16]，组织损伤[28受伤(如骨折、瘫痪)[29]，并破坏群体动态，并对生殖、健康甚至生命构成风险[29- - - - - -32］．

个体识别的另一种方法依赖于研究人员对个体外观变化的了解。它的侵入性更小，并消除了与捕获和标记相关的一些潜在风险。这些方法已经成功地用于对大象、类人猿和狒狒(以及其他动物)的长期研究，并提供了同样丰富的长期数据集，用于解决人口和进化问题[6- - - - - -9］．然而，这种方法更容易受到观察者内部和观察者之间错误的影响，因此可能需要大量的训练。此外，对于涉及多个短期研究的研究地点，研究人员可能使用不同的方法进行个体识别，可能很难整合数据[33］．此外，长期研究往往受到数据收集中断的阻碍(例如，由于缺乏研究资金、政治不稳定，研究之间的中断)[1])。这些中断可能会导致时间的流失，在此期间，没有人在场记录群体组成和个体外观的潜在变化，这也会使在不同时间点收集的数据的集成变得复杂。

在这种情况下，项目将受益于个人识别数据库，以及一种快速识别个人的方法，这种方法需要很少的培训，可以在不同的领域季节和研究人员之间使用。动物生物识别技术提供了一些解决方案[34］．例如，在哺乳动物(以及其他)研究中显示出前景的一些方法，包括对神秘动物的研究，将摄影与计算机辅助的个体识别程序相结合，以促进长期的系统数据收集(例如，猎豹:[35];老虎:(36];长颈鹿:[37];斑马:[38])。这些方法利用外表的可量化方面，根据系统中的可能匹配来识别个人[34］．由于分配是基于客观度量的，这些方法可以最大限度地减少观察者内部和观察者之间的错误，并有助于整合不同研究中收集的数据[34］．与此同时，在大样本量的研究人群中，研究人员可能会受到现有已知个体数量的限制。计算机辅助程序可以方便地处理数据，在数据集较大的情况下快速识别个体，从而减少了以往方法对样本量/规模的限制[34］．

尽管这些方法具有潜在的效用，但在大多数野生灵长类动物的研究中都没有纳入这些方法，特别是在野生狐猴种群的研究中，即使有一些缺点，捕获和项圈法仍然很常见[17- - - - - -20.］．因此，包含个体识别的狐猴种群多代研究是有限的。

在这里，我们提出了一种正在开发的方法，用于对野生狐猴进行非侵入性个体鉴定，它可以帮助减轻其他方法的一些缺点，同时也有助于进行长期研究(表2)1)．我们的系统被称为LemurFaceID，利用由作者专门为狐猴面部开发的计算机面部识别方法，根据从野生种群中收集的照片来识别单个狐猴。39］．

面部识别技术在成功识别人类的能力上取得了巨大进步[40，但这方面的计算机视觉有很多尚未开发的潜力。人脸识别技术只是在最近才扩展到人类应用之外。虽然对非人类灵长类动物的研究有限[41，42]，据我们所知，面部识别技术还没有应用于任何>100狐猴物种。然而，许多狐猴拥有独特的面部特征，如毛发/皮毛图案，这使它们适合应用为人类面部识别开发的改进技术(图1)。1)．

我们的研究重点是红腹狐猴(Eulemur rubriventer)．这个物种的雄性和雌性在性别上是二色的，面部图案有性别特异性的变化([43];无花果。2)．男性眼周出现白斑，而女性则会减少或消失。此外，雌性有白色的腹部被毛(雄性为红褐色)，并延伸到颈部和面部。面部模式是个体变化的，作者使用这种变化来识别野生种群中的个体，但需要大量的训练。自20世纪80年代以来，人们一直在马达加斯加的拉诺马法纳国家公园研究红腹狐猴的种群[44- - - - - -47]，但由于研究人员使用不同的方法进行个体识别，研究之间的差距使整合数据变得困难。因此，目前缺乏该物种许多生活史参数的详细数据。一个可靠的个体识别方法将有助于为了解种群动态和解决进化问题提供这些关键数据。

本文报道了LemurFaceID的方法和准确性结果，以及它的局限性。该系统使用了相对较大的已知个体的照片数据集、patch-wise多尺度局部二值模式(MLBP)特征以及适应的Tan和Triggs [48的人脸图像归一化方法，以适应狐猴的人脸图像，提高识别精度。

我们最初的工作(使用较小的数据集)集中于对人脸识别系统进行参数化调整[49］．该系统同时使用MLBP特征和尺度不变特征变换(SIFT)特征[50，51来描述面部图像的特征。我们最初的努力在狐猴面部识别方面表现不佳(73%的识别精度排名第一)。换句话说，对于一个给定的查询，系统在73%的时间内报告查询与数据库中真实匹配之间的最高相似度。对该系统的检查表明，SIFT特征对当地的头发模式非常敏感。由于毛发的抠图从一张图像到另一张图像的变化，特征发生了很大的变化，从而降低了匹配性能。SIFT特征的高维数也可能导致过拟合和识别过程变慢。因此，在最终的识别系统中放弃了SIFT特征的使用。

虽然仍然采用最初为人类开发的方法，但LemurFaceID是专门为处理狐猴的面部设计的。我们证明，LemurFaceID系统以一定的准确性识别单个狐猴，这表明面部识别技术是一种潜在的有用工具，可用于对野生狐猴种群的长期研究。

数据收集

研究物种

红腹狐猴(Eulemur rubriventer)是小到中等(约2公斤)，树栖，果食性灵长类动物，是马达加斯加东部热带雨林的特有物种[46，52(图。3)．尽管马达加斯加东部的雨林看似分布广泛，但它们已变得高度分散。53]，导致该物种明显的斑块分布。目前，它被世界自然保护联盟列为濒危物种，数量呈减少趋势[54］．

研究网站

本研究的数据收集集中在Ranomafana国家公园(RNP)的红腹狐猴种群。RNP大约330公里²马达加斯加东南部的山地雨林[22，55(图。3 b)．从20世纪80年代开始，RNP中的红腹狐猴一直是多个研究项目的研究对象[44- - - - - -47］．

数据集

我们的数据集包括80只红腹狐猴个体的462张照片。每个个体都有一个名字(如Avery)或代码(如M9VAL)，是研究人员在第一次遇到它时指定的。其中4只狐猴的照片来自北卡罗来纳州的杜克狐猴中心，其余的来自马达加斯加RNP的狐猴。每个个体的图像数量(1-21)是不同的。该数据集只包含狐猴面部正面视图的图像，几乎没有阻塞或遮挡。该数据集包括具有大范围变化的图像;这包括在照明和焦点上有细微差别的图像(通常包括凝视的细微差别;~25%)，以及变化较大的图像(例如，面部朝向、小障碍物的存在、照明和阴影;~ 75%)。无花果。4包含每个人可用图像数量的直方图。业余摄影师使用佳能EOS Rebel T3i 18-55和75-300毫米镜头从RNP拍摄照片。狐猴通常在15-30米的高度，照片是站在地面上拍摄的。杜克狐猴中心的图像是用谷歌Nexus 5或奥林巴斯E-450相机拍摄的，镜头为14-42毫米。狐猴通常栖息在低矮的树上(0 ~ 3米)、地面上或围栏内，站在地面上拍照。

大部分在马达加斯加拍摄的照片是在2014年9月至2015年3月期间拍摄的，尽管有些人早在2011年7月就拍摄了照片。杜克狐猴中心的照片是2014年7月拍摄的。由于马达加斯加的图像收集时间较长，很难确定2014年遇到的某些个体之前是否遇到过。在三种情况下，数据集中标记为属于两个不同个人的照片可能是同一个人的。在划分实验数据集时，这些图像被视为属于不同的个体，但如果可能属于单个个体的图像被匹配到一起，则被视为匹配成功。数字5说明了在数据集中出现的面部相似和变化。数字5图中为80个野生个体的异同(类间相似度)。5 b显示同一个体的不同图像(类内变异)。除了红腹狐猴个体数据库外，还建立了一个包含其他种类狐猴的数据库。该数据库包括杜克狐猴中心31只狐猴的52张图片和138张通过谷歌images在线图片搜索下载的狐猴图片。我们只使用那些没有明显版权的图片。这些图像被用来扩大狐猴识别实验的图库。

识别系统

数字6说明了我们的识别系统(LemurFaceID)的操作。该系统是使用OpenBR框架实现的(openbiometrics.org;［56])。

图像预处理

人们发现，眼睛的位置在人脸识别中至关重要[40］．眼睛的位置是面内旋转人脸图像归一化的关键。我们无法为狐猴设计和训练一个健壮的眼睛探测器，因为我们的数据集不够大。因此，我们使用手动眼定位。在匹配之前，用户在图像中标记狐猴眼睛的位置。用这两个点，以右眼为中心，一个旋转矩阵米计算的目的是应用仿射变换使眼睛水平对齐。让lex，莱伊，雷克斯,雷伊分别表示左右眼的x坐标和y坐标。仿射矩阵定义为:

输入图像由矩阵旋转米然后根据眼睛的位置裁剪。在种植前进行轮作，以便种植的面积尽可能准确。瞳孔间距离(IPD)被作为眼睛点之间的欧氏距离。图像被裁剪，所以眼睛\ \(压裂{IPD} {2} \)像素距离最近的边缘和0.7 ×IPD从上边缘开始的像素，总尺寸为IPD× 2像素的正方形。然后将该图像调整到最终大小为104 × 104像素，这有利于下面描述的patch-wise特征提取方案。这个过程如图所示。7．经过旋转和裁剪，图像被转换为灰度和归一化。尽管狐猴个体的皮毛/皮肤颜色确实存在差异，但我们忽略了图像中的颜色信息。在人脸识别研究中，已知肤色对光照条件很敏感，因此不被认为是一个可靠的属性[57，58］．

由于LemurFaceID系统的主要应用是从野外拍摄的照片中识别狐猴，因此在光照变化方面，结果必须是稳健的。为了减少环境光照对匹配结果的影响，Tan和Triggs [48]。首先用高斯滤波器对图像进行卷积σ= 1.1，然后进行修正(γ= 0.2)。一种差分高斯运算[48)(参数σ₁而且σ₂对应两个高斯函数的标准差)，然后对图像进行处理。该操作消除了小范围的纹理变化，传统上使用σ₁= 1,σ₂= 2。在狐猴的例子中，有大量的毛发，纹理细腻，在个体内部的图像不同而不同。这种细微的纹理可能会混淆面部匹配器，因为头发方向的变化会导致面部表征之间的差异增加。为了减少归一化图像中的这种影响，σ₁设置为2。的最优值σ₂根据经验确定为5。然后使用Tan和Triggs[中概述的方法对该操作的结果进行对比均衡。48]，生成适合特征提取的人脸图像。数字8说明了每一步预处理后的狐猴图像。

特征提取

局部二值模式(LBP)表示是一种以斑块方式描述局部纹理的方法[50］．图像中的每个像素都根据其与周围像素的关系分配一个值，具体地说，是根据周围像素是否比中心像素暗。在一个3 × 3像素的邻域内，256个可能的二进制图案中，有58个被定义为统一的(在“较暗”和“不较暗”之间的过渡不超过2个)[50］．图像被分成多个补丁(可能重叠，也可能不重叠)，对于每个补丁，会生成一个模式的直方图。58种统一图案的每一种都占据了自己的箱子，而非统一图案则占据了第59个箱子[50］．这个直方图构成了每个补丁的59维特征向量。在我们的识别系统中，我们使用10 × 10像素的补丁，每边重叠2像素。结果是104 × 104的人脸图像总共有144个补丁。

多尺度局部二值模式(MLBP)特征是LBP的一种变体，它使用与中心像素半径不同的周围像素[50，如图所示。9．对于这个应用程序，我们使用了2、4和8像素的半径。因此，每个patch生成3个直方图，每个半径一个直方图，每个直方图都进行归一化处理，然后再进行级联和归一化处理，每次都采用L2范数。这一过程的结果是每个10 × 10的补丁有一个177维的特征向量。数字10显示了一个用放大网格叠加的同一个人的三张人脸图像的例子。如突出显示的区域所示，每张图像中相同区域的补丁将在匹配中进行比较。

为了提取最终的特征向量，对每个patch的177维特征向量进行线性判别分析(LDA)。LDA将特征向量转换为一个新的、低维的特征向量，这样新的向量仍然捕获个体之间95%的变化，同时最小化同一个体图像之间的变化量。为了使这种转换具有鲁棒性，需要一个大的狐猴面部图像训练集。LDA在每个补丁的基础上进行训练，以限制所考虑的特征向量的大小。然后将所有补丁的结果向量拼接和归一化，生成图像的最终特征向量。因为每个patch都经历了自己的降维过程，所以特征向量的最终维数会因训练集的不同而不同。LemurFaceID系统将合成图像特征的平均尺寸从396,850维减少到7,305维。

面对匹配

为了准备匹配两只狐猴的脸，一个图库(一个人脸图像及其身份数据库，用于查询)被组装起来，其中包含多个狐猴个体的特征表示。欧氏距离d计算一个查询图像的特征向量与图库中的每个图像之间的关系。最后的相似度度量定义为[1−]日志（d+ 1)];数值越高，说明面孔越相似。一个查询可以包含1个或多个图像，所有这些图像必须是同一只狐猴的。对于每个查询图像，每个个体的最高相似度得分表示该个体的匹配得分。通过多个查询图像计算这些分数的平均值，以获得最终的单个分数。排名前五的结果(即得分最高的五个个人)按降序排列。我们评估了LemurFaceID系统的识别性能，查询由1和2张图像组成。

数字11个显示了使用1个查询图像的真实(比较同一狐猴的2个实例)与冒名顶替(比较不同狐猴的2个实例)匹配得分的直方图。数字11 b显示得分直方图与2个查询图像的融合。注意，由于添加了第二个查询图像，真正的和冒名顶替匹配得分直方图之间的重叠大大减少了。

统计分析

我们通过对收集的狐猴面部数据集(80只红腹狐猴的462张图像)进行100次随机分割，评估了LemurFaceID系统的准确性。为了确定识别系统对新个体的响应，LDA降维方法必须在不同的个体集(即训练集)上进行训练，而不是用于评估匹配性能的个体集(称为测试集)。为满足这一条件，将数据集随机分割为训练集和测试集。80人(53人)中的三分之二被指定为训练集，而其余的(27人)组成测试集。在测试集中，每个人三分之二的图像被分配到系统数据库(在人脸识别文献中称为“图库”)，其余的图像被分配为查询(在人脸识别文献中称为“探针”)。少于3张照片的人只被放置在图库中。然后，该图库被扩展到包括其他物种的二级数据集，以增加其规模。

测试在开集和闭集识别场景下进行。开放设置模式允许在野外遇到的条件，在那里狐猴(查询图像)可能会遇到以前没有见过的情况(即，个体不存在于系统数据库中)。融合匹配得分低于某个阈值的查询被归类为包含新个体。闭集模式假设查询狐猴(需要识别的狐猴)在图库中表示，在系统保证知道个体的情况下，例如在圈养的种群中，它可能对识别狐猴有用。

在开放环境测试中，画廊中三分之一的红腹狐猴个体被移除。因此，它们在探查集中的对应图像构成了新个体集。对于开放设置，平均图库大小为266张图片，而对于封闭设置，平均图库大小为316张图片。在LemurFaceID系统的所有试验中，平均探头大小为42张图像。

LemurFaceID的开集性能结果如图所示。12，说明了检测和识别率(DIR)与错误接受率(FAR)的区别。DIR的计算方法是，在给定的级别或级别以下被正确识别的非新个体的比例。FAR的计算方法是，不正确地与位于或低于给定级别的画廊个体匹配的新个体的数量。一般来说，无论FAR如何，在第5级或更高级别的个体在95%的时间内被正确识别，但DIR在第1级时较低(<95%)，只有在FAR较高(0.3)时才接近95%。

闭集运算的秩1人脸匹配结果见表2， 1幅图像查询和2幅图像融合(结合单个查询图像的匹配结果)的累积匹配特征(Cumulative Match Characteristic, CMC)曲线如图所示。13．该图显示了在给定级别或以下的正确识别的比例。当2个查询图像被融合时，正确匹配的平均百分比(即平均真实接受率)增加;使用两幅图像融合的准确率为98.7%±1.81%，而使用单幅查询图像匹配的准确率为93.3%±3.23%。

我们对狐猴faceid的初步分析表明，面部识别技术可能是狐猴个体识别的有用工具。据我们所知，这种方法代表了第一个通过面部特征来机器识别狐猴的系统．LemurFaceID的识别准确率相对较高(98.7%;2查询图像融合)在封闭设置模式下使用(即，所有个体都出现在数据集中)，这可能使该系统在圈闭设置中特别有用，以及来自未知群体的低移民水平的野生种群。鉴于LemurFaceID在识别狐猴个体方面的成功，该方法还可以实现一个健壮的物种识别系统，这将有助于存在/缺席研究。

使用开放设置模式(即，可能会遇到新个体)时，我们的系统的准确性较低，无论错误接受率(FAR)如何，非新个体在第1级被正确识别的时间不到95%，在FAR为0时不到85%。随着照片和个人数据的增加，这些数字有望有所提高。在我们当前的样本中，我们还包括了图像之间只有细微变化的照片。考虑到LemurFaceID的最终目标是为长期研究提供一种替代的、非侵入性的识别方法，使用更大的数据集测试其准确性也很重要，该数据集只包括有较大变化的照片(例如，跨越多个较长时间间隔收集的照片)。

我们还注意到，我们的系统特别关注使用种群中已知个体的数据集对个体进行分类。这样的工具对于保持研究人群的长期研究尤其有用。然而，这种方法与人脸识别方法的另一种潜在应用不同，后者是从只包含未知个体的大型图像数据集中识别个体的数量(即聚类)[59，60］．添加聚类技术可以实现更快速的种群调查或促进新的研究地点的建立，但这种技术可能具有挑战性，因为聚类精度预计将低于分类精度[59，60］．也就是说，在未来的工作中，LemurFaceID的特征提取和评分系统可能与聚类技术相结合，用于分割未知个体的数据集。

尽管目前存在一些限制，但LemurFaceID为将该技术应用于野生狐猴种群的长期研究提供了基础，特别是体型较大(体重2公斤)的物种。下一步，我们的目标是1)扩大我们的摄影数据库，这是自动化狐猴面部探测器和眼睛定位器所必需的;2)通过改进特征表示来提高开放集性能，以更好地分离图库内和新个体的分数;3)现场测试系统，以比较LemurFaceID与有经验和无经验的现场观察者的分类准确性。一旦优化，一个用于狐猴个体识别的非侵入性计算机辅助程序就有可能缓解使用更传统方法进行长期研究所面临的一些挑战。

例如，面部识别技术将不需要人为地给个体贴上标签，这就消除了捕捉和项圈给动物带来的潜在风险;其中一些风险，包括受伤，在树栖灵长类动物中发生得更频繁[29］．同时，使用这些技术所产生的许多成本(例如兽医服务、麻醉)和对可用于研究的个体数量的潜在限制(例如，地方政府对捕获的限制)都被消除了。更传统的非侵入性技术依赖于研究人员对自然变化的了解，也具有同样的优势，但面部识别程序可以帮助确保多个研究人员一致地收集数据。也就是说，我们不建议研究人员完全依赖计算机程序来识别研究对象的个体，但训练多个研究人员准确地识别数百个个体既费时又费钱，而且可能不现实。面部识别技术可以通过消除大量训练的需要来促进对大量人口的长期监测，或者通过使表型差异对研究人员和助手更有形而可能加速训练。此外，在大样本量的研究中，不可能立即识别所有个体，面部识别技术可以更快地处理数据。例如，LemurFaceID识别狐猴的时间不到1秒(使用四核i7处理器)，当需要手动比较照片/描述时，这将节省识别个体的时间。

最终，LemurFaceID可以通过提供一种方法来系统地在很长一段时间内识别大量的个体，从而帮助扩大对狐猴种群的研究。与其他对自然种群的长期研究一样，这项研究有可能为进化生物学提供重大贡献[1］．更具体地说，狐猴是一种地方性的哺乳动物谱系，从5000万年前开始在马达加斯加进化而来[61］．随着时间的推移，它们的种类大大增加，今天已确认的物种有100种[43］．它们占据着不同的生态位(例如，小型的夜间食胶动物;心律不齐的frugivores;身体大，昼行叶生动物)在马达加斯加不同的栖息地(例如，雨林;多刺的干燥森林)[43]，最近(在过去约2000年)，由于人类的影响，它们经历了广泛的生态变化[62］．因此，这个哺乳动物系统为研究影响野生种群的生态和进化压力提供了独特的机会。

从狐猴的纵向研究中获得的数据也有助于对这一高度濒危哺乳动物群体的保护规划和管理。长期研究记录的人口结构和生活史参数可以为了解人口变化的原因提供见解，并用于模拟灭绝风险[63- - - - - -65］．LemurFaceID在环保方面也有更直接的应用潜力。狐猴面临的一个显著威胁[66，67]，以及许多其他种类的动物[68，69]，是为宠物贸易而活捉个人。狐猴faceid可以为执法人员、游客和研究人员提供快速报告目击事件和识别圈养狐猴(物种和个体)的工具。圈养狐猴的数据库可以帮助持续监测，以确定个体是否随着时间的推移保持不变。

重要的是，我们为LemurFaceID开发的面部识别方法可以用于其他灵长类动物的个体识别，以及其他非灵长类动物物种，特别是那些具有相似的面部皮毛/皮肤模式的物种(如熊、小熊猫、浣熊、树懒)。此外，由于相机诱捕在许多隐蔽物种的种群监测中已变得越来越有用(例如，[70，71)，我们的面部识别技术可能会被整合到远程进行的基于个人的长期研究中。也就是说，有必要对不同谱系的方法进行独特的修改。

为了说明这一点，最近的出版物也探索了灵长类动物的面部识别领域。例如，卢斯和恩斯特[41识别黑猩猩的系统与LemurFaceID的预处理方法相似，但它们使用了不同的照明归一化方法，并纠正了视角上的较大差异。在特征提取中，他们使用了加速稳健特征(SURF)，一种类似于SIFT的基于梯度的特征，强调了狐猴和黑猩猩面部的差异，即黑猩猩缺少毛发/皮毛，从而混淆了特征的方向性[41］．它们对Gabor特征的选择也反映了狐猴毛发的相对缺乏，因为这种棱角的指标会在狐猴中显示出明显更多的噪音[72］．最近，Freytag等人。73]能够通过应用卷积神经网络(CNN)技术来提高黑猩猩的识别精度。他们的结果表明，cnn是动物面部识别研究的一个有前途的方向，但这种方法也需要比我们目前的数据集大数量级的数据集[73］．因此，尽管它们超出了本研究的范围，cnn可能是未来狐猴面部识别研究的一个有趣的途径。

与这些方法相反，Allen和Higham [42]使用一种基于生物学的模型来识别巨猿。他们的特征选择基于guenon视觉模型，使用面部斑点的维度来识别物种和个体[42］．而大肠rubriventer个体也有突出的面部斑点，这在不同种类的狐猴中并不常见，因此不适合在我们的系统中使用。使用的各种方法强调，动物面部识别没有“一刀切”的方法，但一旦开发出来，该技术有潜力促进对大量物种的长期研究，扩大可解决的研究问题类型，并帮助创建创新的保护工具。

我们的非侵入性、计算机辅助面部识别程序(LemurFaceID)能够根据野生狐猴的照片识别单个狐猴，准确率相对较高。这项技术将消除狐猴个体鉴定的传统方法的许多局限性。一旦经过优化，我们的系统可以通过提供快速、经济、准确的个体识别方法，促进对已知个体的长期研究。

CMC:

累积匹配特性

有线电视新闻网:

卷积神经网络

DIR:

检测和识别率

远:

错误接受率

IPD:

Inter-pupil距离

腰痛:

局部二元模式

LDA:

线性判别分析

MLBP:

多尺度局部二值模式

RNP:

Ranomafana国家公园

筛选:

尺度不变特征变换

浏览:

“骗健壮的特性

沥青:

真正的接受率

Benjamin Andriamihaja和MICET、森林部、马达加斯加国家公园、Eileen Larney和ValBio中心以及塔那纳利佛大学为马达加斯加的研究提供了后勤和许可。我们要感谢Samantha Ambler、Caroline Angyal、Alicia S. Arroyo、Bashira Chowdhury、Joseph Falinomenjanahary、Sheila Holmes、Jean Pierre Lahitsara、Avery Lane、Natalee Phelps、Aura Raulo、Soafaniry Razanajatovo和Jean Baptiste Velontsara对收集狐猴面部图像的贡献，以及帮助数据收集的多名学生、志愿者和研究技术人员。最后，我们感谢杜克狐猴中心(DLC)的工作人员在DLC数据收集期间提供的后勤支持。这是DLC出版号1336。

资金

这项研究受到了资金从美国物理协会人类学家SRT,国家科学基金会(DDIG, BCS 1232535) RLJ,李基基金会RLJ, SRT,铝青铜,RLJ Wenner-Gren基金会,Rowe-Wright灵长类动物基金RLJ SRT,铝青铜,石溪大学RLJ, IDEAWILD RLJ和SRT,亚利桑那大学SRT,猎人College-CUNY铝青铜,密歇根州立大学AJ,特区和SK。投资者没有参与这项研究的设计,资料收集、分析、解释或准备手稿

数据和材料的可用性

狐猴的图片和LemurFaceID的源代码，包括使用说明，可以通过密歇根州立大学的生物识别研究小组(http://biometrics.cse.msu.edu/Publications/Databases/MSU_LemurFaceID/)．

作者的贡献

RLJ和SRT构思了这个项目。RLJ、SRT、ALB、DC和ZR为项目采集数据。DC、SK和AJ构思并设计了识别系统和实验。DC, ZR, SK和AJ进行了实验并分析了数据。RLJ, SRT, AJ, ALB和DC起草了手稿。所有作者都阅读并认可了最终稿。

相互竞争的利益

作者声明他们没有竞争利益。

同意出版

不适用。

伦理批准和同意参与

数据收集根据机构委员会(石溪大学IACUC: 2010/1803, 2011/1895;亚利桑那大学IACUC: 13-470)和马达加斯加国家公园。

作者指出

作者和联系

1. 计算机科学与工程系，密歇根州立大学，东兰辛，美国

   大卫·克劳斯，扎克·理查德森，斯科特·克拉姆和阿尼尔·贾恩

2. 美国华盛顿特区乔治华盛顿大学人类古生物学高级研究中心人类学系

   雷切尔·l·雅各布斯

3. 纽约城市大学亨特学院人类学系，美国纽约

   安德里亚·l·巴登

4. 纽约城市大学研究生中心，纽约，纽约，美国

   安德里亚·l·巴登

5. 纽约进化灵长类学会(NYCEP)，纽约，美国

   安德里亚·l·巴登

6. 美国亚利桑那州图森市亚利桑那大学人类学学院

   斯泰西·r·Tecot

7. 目前地址:三星半导体公司，圣何塞，CA, USA

   大卫克劳斯

8. 现住址:Noblis公司，Annandale, VA, USA

   斯科特·克鲁姆

相应的作者

对应到雷切尔·l·雅各布斯或阿尼尔•贾殷．

开放获取本文根据创作共用署名4.0国际许可协议发布(http://creativecommons.org/licenses/by/4.0/)，该协议允许在任何媒体上不受限制地使用、分发和复制，前提是您适当地注明原作者和来源，提供创作共用许可的链接，并说明是否有更改。创作共用公共领域奉献放弃书(http://creativecommons.org/publicdomain/zero/1.0/)除另有说明外，适用于本条提供的资料。

再版和权限