论文阅读笔记(五)——狐猴识别系统:一种便于狐猴个体识别的面部识别系统

论文简介

论文中文翻译：狐猴识别系统:一种便于狐猴个体识别的面部识别系统
论文名称：《LemurFaceID: a face recognition system to facilitate individual identification of lemurs》

期刊情况

期刊：《Science Advances》
期刊情况：

中科院/1区
影响因子13.116
Q1分区

摘要

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统计学和进化过程至关重要。目前对许多动物进行个体鉴定的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，并且对于大规模的，人群水平的研究可能是不切实际的。因此，对于许多动物谱系来说，长期研究项目通常仅限于少数分类群。狐猴是马达加斯加特有的哺乳动物谱系，也不例外。许多物种缺乏解决进化问题所需的长期数据。这至少部分是由于长期收集已知个体的一致数据存在困难。在这里，我们提出了一种鉴别狐猴个体的新方法。狐猴面部识别系统是一种计算机辅助的面部识别系统，可以根据照片识别单个狐猴。
结果：LemurFaceID是使用分块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照明变化对识别的影响。我们使用从马达加斯加的拉诺玛法纳国家公园收集的野生红腹狐猴的图像来训练和测试我们的系统。在100次试验中，通过不同的训练和测试集划分，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：我们的结果表明，人类面部识别技术可以根据面部模式的变化来识别个体狐猴。狐猴能够根据野生个体的照片以相对较高的准确度识别出单个的狐猴。这项技术将消除传统个人身份识别方法的许多局限性。一旦优化，我们的系统可以通过提供一种快速、经济、准确的个体识别方法来促进对已知个体的长期研究。
关键词：动物生物测定学，保护，欧拉默红心，线性判别分析，哺乳动物，多尺度局部二进制模式，浮游生物，照片，灵长类动物

正文

背景

大多数关于野生动物种群行为和生态的研究都要求研究对象是可单独识别的。个体识别是必要的，以确保数据收集的公正性，并考虑到感兴趣的变量的个体差异。对于短期研究，研究人员可能依赖于独特的识别方法，这些方法基于数据收集时个体之间明显的自然差异，例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稍后的时间识别个人。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、性状遗传度和健康效应至关重要(见[1])。因此，它们对于确定影响野生动物种群的人口统计学和进化过程非常重要[1]。

不幸的是，纵向监测可能具有挑战性，尤其是对长寿物种而言。研究人员面临的主要挑战之一是建立个人身份识别方法，使多个研究人员能够长时间(有时几十年)收集一致和准确的人口和行为数据。目前的个体识别方法通常包括捕获动物并用独特的标识符标记，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(如疤痕、皮肤和毛皮图案)，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)已用于一些最成熟的长期实地研究，如圣基尔达苏艾羊和朗姆岛马鹿项目[2，3]，以及威森蒂特和加拉帕戈斯芬奇项目[4，5]。因为他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])，对进化生物学领域做出了巨大贡献。
许多对野生灵长类动物的纵向研究中也使用了类似的捕捉和项圈方法，如猫头鹰猴[14]，提提猴[15]，疣猴[16]，尤其是许多马达加斯加狐猴[17–20]。通过对个体的长期监测，许多这些研究已经提供了关于寿命、终生生殖成功和传播模式的重要数据[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不合适或不切实际。标记通常要求研究对象通过雾网或巢箱(用于鸟类)[4，5]，诱捕(例如，谢尔曼陷阱或某些哺乳动物的畜栏)[2，3，24]，并且，对于某些较大的哺乳动物，包括许多灵长类动物，通过气枪或气枪进行扫射[10，25–27]。采集有几个优点，例如能够收集本来不可能收集的数据(例如，血液样本、体外寄生虫)，但它也可能很昂贵，通常使其不适用于具有大样本量的研究和/或在大的空间和时间尺度上进行的研究。此外，捕获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，此类方法已被证明会导致急性生理应激反应[16]，组织损伤[28]和损伤(如骨折、瘫痪)[29]，以及扰乱群体动态，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者对个体外表变化的了解。它的侵入性较小，并消除了一些与捕获和标记相关的潜在风险。这种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，并提供了类似的丰富的长期数据集，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误差的影响，因此需要大量的训练。此外，对于涉及多个短期研究的研究地点，研究人员可能会使用不同的方法进行个体识别，因此很难整合数据[33]。此外，长期研究经常受到数据收集中断的阻碍(例如，研究之间，由于缺乏研究资金，政治不稳定[1])。这些中断可能导致时间的流逝，在此期间没有人在场来记录组组成和个体外观的潜在变化，这也可能使在不同时间点收集的数据的整合变得复杂。
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，这种方法只需要很少的培训，可以用于不同的季节和研究人员。动物生物识别领域提供了一些解决方案[34]。例如，一些在哺乳动物(以及其他)研究中显示出前景的方法，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，以促进长期系统的数据收集(例如，猎豹:[35]；老虎:[36]；长颈鹿:[37]；斑马:[38]。这些方法基于系统中可能的匹配，使用外观的可量化方面来识别个体[34]。因为分配是基于客观的测量，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误差，并便于整合不同研究中收集的数据[34]。同时，在具有大样本量的研究人群中，研究人员可能会受到手头已知个体数量的限制。当数据集很大时，计算机辅助程序可以帮助处理数据以快速识别个体，这减少了以前方法对样本大小/规模的限制[34]。
尽管这些方法具有潜在的效用，但它们并没有被纳入大多数野生灵长类动物的研究中，尤其是在野生狐猴种群中，尽管有一些缺点，捕捉和项圈方法仍然很常见[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，我们提出了一种开发中的野生狐猴非侵入性个体识别方法，该方法可以帮助减轻与其他方法相关的一些缺点，同时也便于长期研究(表1)。我们的系统，叫做LemurFaceID，利用作者专门为狐猴面部开发的计算机面部识别方法，根据在野生种群中收集的照片来识别单个狐猴[39]。
大脑识别技术在成功识别人类的能力方面取得了长足的进步[40],但是计算机视觉的这一方面还有很多未开发的潜力。面部识别技术只是最近才扩展到人类应用之外。据我们所知，对非人灵长类动物的研究很有限[41，42]，面部识别技术还没有应用到100多种狐猴中的任何一种。然而，许多狐猴拥有独特的面部特征，如毛发/毛皮图案，这使得它们适合应用为人类面部识别开发的改进技术(图1)。
我们把这项研究的重点放在红腹狐猴身上。这个物种的雄性和雌性在性别上是两色的，面部模式有性别差异([43]；图2)。男性眼睛周围呈现出白色皮肤斑块，女性则减少或没有。此外，雌性有一层白色腹侧被毛(雄性为红色)，延伸至颈部和面部。面部模式是个体可变的，作者已经使用这种变化来识别野生群体中的个体，但是需要大量的训练。自20世纪80年代以来，在马达加斯加的雷诺马法纳国家公园对一群红腹狐猴进行了研究[44–47]，但由于研究人员使用不同的方法进行个体识别，研究之间的差距使得数据难以整合。因此，许多生命史参数的详细数据物种缺乏。一种可靠的个体识别方法将有助于为理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的方法和精度结果，以及它的局限性。该系统使用已知个体的相对较大的摄影数据集、逐片多尺度局部二进制模式()特征，以及适应面部图像归一化的谭和特里格斯[48]方法，以适应狐猴面部图像并提高识别精度。

我们最初的努力(使用较小的数据集)集中于对为人脸设计的人脸识别系统进行参数化调整[49]。该系统使用MLBP特征和尺度不变特征变换特征[50，51]来表征人脸图像。我们最初的努力在识别狐猴脸方面表现不佳(73%的1级识别准确率)。换句话说，对于给定的查询，系统报告查询和数据库中真实匹配之间的最高相似度只有73%。对系统的检查显示，SIFT特征对局部毛发模式很敏感。随着头发的抠图从一个图像到另一个图像的变化，特征发生了很大的变化，因此降低了匹配性能。SIFT特征的高维数也可能导致过拟合和识别过程的变慢。正因为如此，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，LemurFaceID是专门设计来处理狐猴的脸。我们证明，狐猴类识别系统能够准确识别单个狐猴，这表明面部识别技术是对野生狐猴种群进行长期研究的潜在有用工具。

方法

数据采集

种类研究
红腹狐猴(Eulemur红腹狐猴)是小型到中型(~2公斤)的树栖、节俭的灵长类动物，它们是马达加斯加东部雨林的特有物种46，52。尽管它们看似分布广泛，但马达加斯加东部的雨林已经变得高度分散[53]，导致这种物种的分布明显不均匀。它目前被世界自然保护联盟列为易受伤害，人口呈下降趋势[54]。
研究地点
本研究的数据收集集中在RNP的雷诺马法纳国家公园的红腹狐猴种群。RNP位于马达加斯加东南部大约330平方公里的山地雨林中22，55。从20世纪80年代开始，RNP的红腹狐猴一直是多个研究项目的对象[44–47]。
数据集
我们的数据集由80只红腹狐猴的462张图像组成。每个人都有一个名字(如Avery)或代码(如M9VAL)，这是研究人员第一次遇到它。四个人的照片来自北卡罗莱纳州的杜克狐猴中心，其余的照片来自马达加斯加RNP的个人。每个人的图像数量(1-21)各不相同。该数据集仅包括包含狐猴面部正面视图的图像，几乎没有或没有障碍物或遮挡。数据集包括具有大范围变化的图像；这些包括在照明和聚焦上有细微差别的图像(通常包括凝视上的细微差别)，以及具有更大变化的图像(例如，面部朝向、小障碍物的存在、照明和阴影).图4包含每个个体可用图像数量的直方图。业余摄影师使用佳能EOS Rebel T3i拍摄了来自RNP的照片，镜头为18–55毫米和75–300毫米。狐猴通常在15-30米的高度，照片是站在地上拍摄的。杜克狐猴中心的图像是用谷歌Nexus 5或奥林巴斯E-450拍摄的，镜头为14-42毫米。狐猴在低矮的树上(0-3米)，在地上，或者在围栏里，站在地上拍照。

在马达加斯加拍摄的大部分图像是在2014年9月至2015年3月拍摄的，尽管有些人早在2011年7月就拍摄了图像。杜克狐猴中心的图像拍摄于2014年7月。由于马达加斯加的图像采集持续时间较长，因此很难确定某些人是否在之前遇到过2014年。在三种情况下，数据集中的照片被标记为属于两个可能属于同一个人的不同个人。在为实验划分数据集时，这些图像被视为属于不同的个体，但是如果可能属于单个个体的图像被匹配在一起，则被视为成功匹配。图5展示了数据集中面部的相似性和变化。图5a示出了80个野生个体之间的相似性和差异(类间相似性)，而图5b示出了同一个体的不同图像(类内可变性)。除了红腹狐猴个体的数据库，还建立了一个包含其他物种狐猴的数据库。该数据库包括杜克狐猴中心31个个体的52幅图像和通过谷歌图像在线图像搜索下载的138幅狐猴图像。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鉴定实验画廊的规模。

识别系统

图6展示了我们的识别系统(LemurFaceID)的操作。该系统是使用OpenBR框架(openbiometrics.org[56])。
图像预处理
已经发现眼睛位置在人脸识别中至关重要[40]。眼睛的位置对于面内旋转的面部图像的标准化至关重要。我们无法为狐猴设计和训练一个强大的眼睛检测器，因为我们的数据集不够大，无法做到这一点。为此，我们使用手动眼睛定位。在匹配之前，用户在图像中标记狐猴眼睛的位置。使用这两点，以右眼为中心，计算旋转矩阵M，以应用仿射变换来水平对齐眼睛。让lex、ley、rex和rey分别代表左右眼的x和y坐标。仿射矩阵定义为:
输入图像按矩阵M旋转，然后根据眼睛位置进行裁剪。裁剪前应用旋转，以便裁剪的区域尽可能精确。瞳孔间距离(IPD)被视为眼点之间的欧几里得距离。图像经过裁剪，眼睛距离最近的边缘为2像素，距离顶部边缘为0.7 × IPD像素，总尺寸为IPD × 2像素平方。该图像随后被重新调整到最终尺寸104 × 104像素，这有利于逐片特征提取方案描述如下。这个过程如图7所示。在旋转和裁剪之后，图像被转换为灰度并归一化。虽然个别狐猴在毛皮/皮肤颜色上有所不同，但我们忽略了图像中的颜色信息。在人脸识别研究中，众所周知，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]。

由于狐猴系统的主要应用是从野外拍摄的照片中识别狐猴，因此结果必须对光照变化具有鲁棒性。为了减少环境照明对匹配结果的影响，应用了由谭和特里格斯[48]概述的照明归一化方法的修改形式。图像首先用σ = 1.1的高斯滤波器进行卷积，然后进行伽马校正(γ= 0.2)。随后在图像上执行高斯差(DoG)运算48。此操作消除了小规模纹理变化，传统上在σ1= 1和σ2= 2时执行。就狐猴而言，个体中有大量纹理细密的毛发，这些毛发因图像而异。这种精细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示之间的差异增加。为了减少归一化图像中的这种影响，σ1设置为2。σ2的最佳值根据经验确定为5。然后，使用Tan和Triggs [48]中概述的方法对该操作的结果进行对比度均衡，产生适于特征提取的面部图像。图8显示了每个预处理步骤后的一张狐猴图像。

特征抽出
局部二进制模式(LBP)表示是一种以面片方式表征局部纹理的方法[50]。根据图像中每个像素与周围像素的关系，特别是根据每个周围像素是否比中心像素。在3 × 3像素邻域的256个可能的二进制模式中，58个被定义为均匀的(在“较暗”和“不暗”之间的过渡不超过2个)【50】。图像被分成多个小块(可以重叠，也可以不重叠)，并为每个小块绘制图案直方图。58个均匀图案中的每一个占据其自己的仓，而非均匀图案占据第59个仓[50]。该直方图构成了每个面片的59维特征向量。在我们的识别系统中，我们使用10 × 10像素的面片，在一边重叠2个像素。这导致104 × 104人脸图像总共有144个面片。
如图9所示，多尺度局部二进制模式(MLBP)特征是LBP上的一种变化，它使用与中心像素[50]不同半径的周围像素。在这个应用中，我们使用了2、4和8像素的半径。因此，每个面片生成3个直方图，每个半径一个，每个直方图被归一化，然后连接并再次归一化，两次都通过L2范数。这个过程为每个10 × 10的面片产生177维的特征向量。图10显示了同一个人的三个面部图像的例子，其中覆盖了一个放大的网格。如突出显示的区域所示，每个图像中相同区域的补片将在匹配中进行比较。
为了提取最终的特征向量，对每个面片的177维特征向量进行线性判别分析。LDA将特征向量转换成新的低维特征向量，使得新向量仍然捕获个体之间95%的变化，同时最小化同一个体的图像之间的变化量。为了使这种变换健壮，需要一个大的狐猴面部图像训练集。线性判别分析是在每块基础上训练的，以限制所考虑的特征向量的大小。然后，所有面片的结果向量被连接和归一化，以产生图像的最终特征向量。因为每个面片都经历了它自己的降维，所以特征向量的最终维数将因训练集而异。LemurFaceID系统将合成图像特征的平均尺寸从396，850维减小到7，305维。
人脸匹配
在准备匹配两个狐猴的脸时，一个包含多个狐猴个体特征表示的图库(一个人脸图像及其身份的数据库，通过该数据库可以进行查询)。计算查询图像和图库中每个图像的特征向量之间的欧几里德距离d。最终的相似性度量定义为[1 log(d+1)]；值越高，表示相似的面越多。一个查询可以由一个或多个图像组成，所有图像必须是同一只狐猴。对于每个查询图像，每个个体的最高相似性分数代表该个体的匹配分数。这些分数在多个查询中平均值图像，以获得最终的个人分数。排名前五的结果(即得分最高的5个人)按降序排列。我们评估了LemurFaceID系统的识别性能，查询包括1和2个图像。
图11a显示了真品(比较同一只狐猴的两个实例)和冒名顶替者(比较不同狐猴的两个实例)与一个查询图像的匹配分数直方图。图11b显示了融合了两个查询图像的分数直方图。注意，通过添加第二个查询图像，真实和视点替用特效匹配分数直方图之间的重叠被显著减少。

统计分析

我们通过对我们收集的狐猴面部数据集(462张80只红腹狐猴的图像)进行100次随机分割的试验，评估了狐猴类系统的准确性。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于用于评估匹配性能的个体集合(即训练集)上进行训练(称为测试集)。为了满足这一条件，数据集被随机分割成训练集和测试集。80个人中的三分之二(53人)被指定为训练集，而其余的人(27人)组成了测试集。在测试集中，每个人的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张图片的个人只被放在画廊里。画廊随后被扩大到包括其他物种的二级数据集，以增加其规模。
测试在开放集和封闭集识别场景中进行。开放设置模式允许在野外遇到的条件，在那里可能会遇到以前没有见过的狐猴(查询图像)(即系统数据库中没有个体)。融合匹配分数低于某个阈值的查询被分类为包含新的个体。闭集模式假设查询狐猴(需要识别的狐猴)在图库中显示，可能有助于识别狐猴在系统保证了解个体的情况下，比如在圈养的群体中。
为了进行开放式测试，画廊中三分之一的红腹狐猴被移除。因此，它们在探针组中的对应图像构成了一组新的个体。对于开放集，平均图库大小是266个图像，而对于封闭集，平均大小是316个图像。在LemurFaceID系统的所有试验中，平均探针尺寸为42张图像。

结果

LemurFaceID的开放集性能的结果在图12中给出，其示出了针对错误接受率的检测和识别率。DIR的计算方法是在给定级别或以下正确识别的非新个体的比例。FAR的计算方法是，在给定级别或低于给定级别的画廊中，有多少新的个人与画廊中的个人不匹配。总的来说，在等级5或更高的时候，个体被正确识别的概率大于95%，而不考虑远场，但是在等级1的时候，直接识别率较低(< 95%)，当远场较高(0.3)时，只有接近95%。
表2中报告了闭集操作的1级人脸匹配结果，图13中示出了1图像查询和2图像融合的累积匹配特征曲线(结合各个查询图像的匹配结果)。该图显示了给定级别或低于给定级别的正确识别的比例。当融合两个查询图像时，正确匹配的平均百分比(即，平均真实接受率)增加；当使用单个查询图像的匹配结果时，使用2图像融合在等级1 98.7% 1.81%正确识别个体，而等级1的准确率为93.3% 3.23%。

商量

我们对狐猴的初步分析表明，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对狐猴进行机器识别的系统。LemurFaceID表现出相对较高的识别准确率(98.7%；2查询图像融合)，当在封闭集模式下使用时(即，所有个体都存在于数据集中)，这使得该系统在圈养环境中以及来自未知群体的低水平移民的野生种群中特别有用。鉴于狐猴在识别个体狐猴方面的成功，这种方法也可以考虑一个强大的物种识别系统，这将有助于存在/缺失研究。

使用开放设置模式时，我们系统的准确性较低(即，可能会遇到新的个体)，其中，不管错误接受率(FAR)，非新个体在等级1中的正确识别率不到95%，在给定的FAR为0的情况下，不到85%。随着照片和个人数据集的扩大，这些数字预计会有所改善。在我们当前的示例中，我们还包括了仅显示图像之间细微差异的照片。鉴于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，因此使用仅包括具有较大差异的照片(例如，跨多个长期间隔收集的照片)的更大数据集来测试其准确性也很重要。
我们还注意到，我们的系统特别关注使用人口中已知个体的数据集对个体进行分类。这种工具对于维持对研究人群的长期研究特别有用。然而，这种方法不同于人脸识别方法的另一个潜在应用，即从仅包含未知个体的大图像数据集中识别个体的数量(即聚类)[59，60]。聚类技术的增加可以实现更快速的人口调查或促进新研究点的建立，但这种技术可能具有挑战性，因为聚类精度预计会低于分类精度[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以与聚类技术相结合，用于分割未知个体的数据集。
尽管目前存在一些限制，狐猴纲为将这项技术纳入野生狐猴种群的长期研究提供了基础，特别是体型较大(> 2公斤)的物种。展望未来，我们的目标是:1)扩展我们的照片数据库，这是实现狐猴面部检测器和眼睛定位器自动化所必需的；2)通过改进特征表示来提高开放集的性能，以便更好地区分画廊内的个人和新的个人；3)对系统进行现场测试，以比较LemurFaceID与经验丰富和经验不足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有可能减轻使用更传统方法的长期研究面临的一些挑战。
例如，面部识别技术将消除人工标记个体的需要，这消除了与捕获和捕捉相关的对动物的潜在风险；其中一些风险，包括伤害，在树栖灵长类动物中更为常见[29]。与此同时，使用这些技术产生的许多费用(如兽医服务、麻醉)被取消，对可用于研究的人数的潜在限制(如地方政府对捕获的限制)也被取消。依靠研究人员对自然变异的知识的更传统的非侵入性技术可能同样有利，但是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，我们会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，但是培训多个研究人员来准确识别数百个个体既耗时又昂贵，而且可能不现实。面部识别技术可以通过消除对大量训练的需求来促进对大量人口的长期监测，或者通过使研究人员和助手更容易看到表型差异来潜在地加速训练。此外，在大样本的研究中，不可能立即识别所有的人，面部识别技术可以更快地处理数据。例如，LemurFaceID识别一只狐猴(使用四核i7处理器)只需不到一秒钟，这将节省在需要手动比较照片/描述时识别个人的时间.
最终，LemurFaceID可以通过提供一种在较长时间内系统识别大量个体的方法，帮助扩大对狐猴种群的研究。正如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做出实质性贡献[1]。更具体地说，狐猴是马达加斯加特有的哺乳动物谱系，开始于5000万年前[61]。随着时间的推移，它们已经有了很大的多样性，今天已经有超过100种被识别出来[43]。它们占据着不同的生态位(例如，身体小、夜间活动的树胶鸟；心律不齐的节俭；身体大，白天长叶)，遍布马达加斯加的各种栖息地(如雨林；多刺、干燥的森林[43]，它们最近(在过去大约2000年里)经历了广泛的生态变化，这主要是由于人类的影响[62]。因此，这种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提供对人口变化原因的洞察，并可用于建立灭绝风险模型[63–65]。LemurFaceID还具有更直接应用于自然保护的潜力。狐猴[66，67]和许多其他动物物种[68，69]面临的一个显著威胁是为宠物交易而活抓个体。狐猴可以为执法人员、游客和研究人员提供一种工具，快速报告目击情况并识别捕获的狐猴(物种和个体)。圈养狐猴的数据库有助于持续监测，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开发的人脸识别方法可以用于其他灵长类动物以及其他非灵长类动物的个体识别，特别是那些面部皮层/皮肤模式类似变化的物种(例如，熊、小熊猫、浣熊、树懒)。此外，随着照相机捕捉对许多神秘物种(如[70，71])的种群监测越来越有用，我们的面部识别技术有可能被纳入远程进行的长期、基于个体的研究。也就是说，有必要对不同血统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，Loos和Ernst的[41]识别黑猩猩的系统与LemurFaceID的预处理方法相似，但它们使用不同的光照归一化方法，并校正视角的更大差异。在特征提取中，他们使用了加速鲁棒特征(SURF)，一种类似于SIFT的基于梯度的特征，强调了狐猴和黑猩猩的面部差异，即黑猩猩缺乏毛发/毛皮来混淆特征的方向性[41]。他们对Gabor特征的选择也反映了毛发的相对缺乏，因为这种边缘性的指标在狐猴中表现出明显更多的噪音[72]。最近，Freytag等人[73]通过应用卷积神经网络(CNN)技术，能够提高黑猩猩的识别准确性。他们的结果表明，中枢神经系统是动物人脸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几个数量级的数据集[73]。因此，尽管它们超出了本研究的范围，但中枢神经系统可能是未来狐猴面部识别研究的一个有趣途径。
与这些方法相反，艾伦和海厄姆[42]使用一个基于生物学的模型来识别古农氏菌。他们的特征选择是基于guenon视觉模型，使用面部斑点的尺寸来识别物种和个体[42]。虽然红尾狐猴个体也有显著的面部斑点，但这些斑点在不同的狐猴物种中并不常见，因此不适合在我们的系统中使用。所使用的各种方法强调了动物面部识别没有“一刀切”的方法，但是一旦开发出来，这项技术有可能促进对许多物种的长期研究，扩大可以解决的研究问题的类型，并帮助创建创新的保护工具。

结论

我们的非侵入式计算机辅助面部识别程序(LemurFaceID)能够根据野生个体的照片以相对较高的准确性识别出单个的狐猴。这项技术将消除传统狐猴个体识别方法的许多局限性。一旦优化，我们的系统可以通过提供一种快速、经济、准确的个体识别方法来促进对已知个体的长期研究。