1.基于局部特征的群养猪身份识别方法，其特征在于，包括以下步骤：

(1)对猪个体RGB彩色图像，分别计算每个像素彩色分量的二进制形式，取其重要有效位重新组合，考虑不同颜色分量的大小并按照人眼视觉效应，转换为灰度图像；

(2)计算猪个体灰度图像的多尺度幅度响应和相位响应，在多个尺度下，分别计算邻域像素滤波响应不同方向之间的差异，计算不同方向上差异的大小，对主要差异的方向信息进行编码，得到多尺度局部方向信息编码图；

(3)比较编码图各子块不同尺度下幅度编码直方图、相位编码直方图的取值，在相同直方图取值处，对不同尺度下的直方图进行融合，将较大的直方图取值作为多尺度融合后的幅度响应特征、相位响应特征，降低特征维度。

2.根据权利要求1所述基于局部特征的群养猪身份识别方法，其特征在于：所述步骤(1)具体包括：首先，在猪舍正上方安装摄像头，对采集的群养猪视频序列分帧，对每一帧图像进行目标提取，获得单只猪个体的RGB彩色图像；然后，对猪个体RGB彩色图像的每个颜色分量进行计算，设转换后的灰度图像中每个像素用8位二进制数来表示，从第0位到第7位重要性逐渐增加，将RGB三个通道的强度值中最重要有效位提取出来；再根据人眼视觉效应对颜色的敏感程度，按照绿色、红色、蓝色分量的排列顺序重新组合成成二进制数，计算得到像素的灰度值，各个颜色分量可以选取2位，3位，4位等进行组合，获得不同灰度级数量的灰度图像；

不同于仅仅依据人眼视觉效应对RGB颜色分量的敏感程度进行简单加权计算灰度值的方法，重要有效位的组合更多地反映了不同颜色之间的差异，有利于后续对灰度图像的特征提取。

3.根据权利要求1所述基于局部特征的群养猪身份识别方法，其特征在于：步骤(2)所述内容，具体包括：首先，对猪个体灰度图像，使用多尺度的Gabor滤波器作为掩模取代通常使用的单一尺度的方向模板，将猪个体图像与Gabor滤波器卷积，获得多尺度的方向信息；

在此，不仅计算了幅度响应，也对相位响应进行了计算；然后，在每个尺度，分别计算幅度响应和相位响应相邻方向之间的差异信息。

若为幅度响应，如下式所示：

Du,v(x,y)＝[Au,v(x,y)-Au+1,v(x,y)],u＝0,1,...6D7,v(x,y)＝[A7,v(x,y)-A0,v(x,y)]

其中，Au,v(x,y)表示在尺度v，方向u时的Gabor滤波后的幅度响应，Du,v(x,y)表示在尺度v，第u个方向的幅度响应差异；

若为相位响应，如下式所示：

Eu,v(x,y)＝[θu,v(x,y)-θu+1,v(x,y)],u＝0,1,...6E7,v(x,y)＝[θ7,v(x,y)-θ0,v(x,y)]

其中，θu,v(x,y)表示在尺度v，方向u时的Gabor滤波后的相位响应，Eu,v(x,y)表示在尺度v，第u个方向的幅度响应差异；

最后，对局部响应不同方向之间差异的主要方向信息而不是响应的差异本身的强度大小进行编码，MLDDN_Av(x,y)表示在像素点(x,y)处，尺度为v时的幅度编码结果，如下式所示：MLDDN_Av(x,y)＝8*Q1,v(x,y)+Q2,v(x,y)

其中，Q1,v(x,y)和Q2,v(x,y)为局部方向上幅度响应的最大值和最小值对应的方向，如下式所示：同理，MLDDN_Pv(x,y)表示在像素点(x,y)处，尺度为v时的相位编码结果，如下式所示：MLDDN_Pv(x,y)＝8*P1,v(x,y)+P2,v(x,y)

其中，P1,v(x,y)和P2,v(x,y)为局部方向上相位响应的最大值和最小值对应的方向，如下式所示：

4.根据权利要求1所述基于局部特征的群养猪身份识别方法，其特征在于：步骤(3)所述内容，具体包括：首先，为了包含特征的所在位置的信息，分别将幅度和相位编码图像划分为N个子块，对每个子块计算直方图，然后将各个子块的直方图级联；为了融合多尺度信息，比较各子块不同尺度下幅度编码直方图、相位编码直方图的取值，在相同直方图取值处，对不同尺度下的直方图进行融合，将较大的直方图取值作为多尺度融合后的幅度响应特征、相位响应特征，降低特征维度，如下式所示：其中，histamp和histpha分别表示幅度响应和相位响应直方图，v表示尺度，u表示方向，∏表示级联运算，ha表示第n个子块的幅度直方图，hp表示第n个子块的相位直方图；最后，将Gabor幅度响应和相位响应编码直方图级联成一个融合了幅度响应和相位响应局部方向特征的特征向量，特征向量融合了多尺度信息，但是特征的维度与单个尺度时的维度相同，不因多尺度而增加。