本文以生猪这一活体动物为代表性研究对象,对生猪的个体身份信息进行标识、对其体征信息进行精准测量,有效关联生猪身份信息与体征信息,实现对生猪生理健康与生长情况的精细化、智能化、高效化管理。活体动物的体征测量可为其生长趋势的跟踪以及养殖方案的科学化调整提供高效、高精度的动物个体信息支撑。首先,利用摄像机对每只生猪进行自动捕捉扫描,获取每只生猪个体身份照片并手动标识其身份信息,建立生猪身份认证信息库。在生猪生长过程中,使用摄像机拍摄生猪图像,经本文所提出的多目标图像分割方法获得生猪个体图像,以预先建立的生猪身份认证信息库为样本库,利用卷积神经网络算法对生猪个体图像加以特征识别,进而确定生猪个体身份信息,实现养殖业的生猪身份精准识别。其次,通过两个广角摄像头采集生猪在某一瞬间的两幅二维图像(整体俯视图像和侧面图像)。利用本文所提出的多目标图像分割方法获得不同角度下的生猪个体图像,利用边缘检测算法对生猪的背部轮廓进行提取,借助Open CV计算机视觉库对生猪个体图像的轮廓进行生猪体尺特征点的检测与坐标提取。最后通过参数标定与体尺计算公式计算出生猪个体体征参数:体高、体长、体宽。最后,验证所研发的生猪身份识别与体征测量算法的精度与有效性。依托于经验丰富的动物学专家对身份待识别样本集的猪个体进行身份标识,作为待识别样本集真实的身份标识。以待识别样本集的图像作为验证样本集,输入到所构建的生猪身份识别模型中,经模型运行获得由模型推测的验证样本集的身份标识。以验证样本集真实身份标识与预测身份标识为数据,采用ROC曲线的AUC(曲线下面积)对生猪身份识别算法的预测精度进行量化分析。通过人工测量方法对目标猪只的体征参数进行测定,通过人工测量体征参数与计算机推演计算的体征参数进行对比,利用相对偏差对本文所提出的生猪体征测量算法的精度与鲁棒性加以分析。经实验,牲畜身份识别模型的预测精度为ROC＿AUC:0.951,表明本研究所构建的牲畜身份识别模型具有较高的目标识别与身份预测精度。在体征参数测定方面,本研究提出的体征参数测定方法所计算的体长平均相对偏差为2.63%,体宽平均相对偏差为6.63%,体高平均相对偏差为3.27%,表明基于本研究所提出的生猪体征参数测量方法具有较高的计算精度。