通过他们的足迹识别个体：合模猎豹

伦理声明：本足迹识别技术是一种非侵入性的技术。任何生物样本进行。与许可文件只有注册俘虏猎豹被使用。猎豹的参与仅限于沿沙走小道留下足迹，以换取食物奖励。 注意：此协议说明了使用一个数据可视化软件的如JMP，以下简称为“数据可视化软件”来分类使用足迹识别技术的脚印。 安全声明：猎豹从来没有离开无人防守的（2人），并放置在单独关押设施在可能的情况。用于处理圈养猎豹直接在沙道上，使脚印引诱。较难搬运其他动物在从机箱外面的诱惑。 术语： 追踪：一个足迹; 开拓者：コnbroken系列由一个单一的动物制成的脚印。 1.收集脚印 贴剂和协议 收集该协议的下列材料：细耙，或粗耙和篡改，手洒水或喷壶，两个标准的统治者（厘米）或者一个木匠“折尺诬陷打印，标准的数码相机（最小分辨率1200点¯x1600 PIX），遮阳如果与数据记录所需的空间和标准足迹标签来记录拍摄，日期，足迹系列，离散打印ID，动物ID，位置和深度，如果> 2的厘米）的名字一把伞。 有关打印最大光造影工作，清晨或傍晚。如果这是不可能的，从一把伞人工遮阳可以提高脚跟和脚趾垫定义当太阳开销。 无论是莱天然底物或建筑商的沙约1厘米深的路径。请确保它是关于2-3米宽并运行用于沿周边围栏或惯常移动路径3和15微米之间。 湿并平滑标准园艺工具基材，以提高打印质量和清晰度。如果存在手动删除树叶和石块。 采集脚印的训练数据集 引诱横跨沙路猎豹用食物奖励。足迹已作出后，导致动物从路径了。 成像每个脚印线索后（参见1.3）刷线分开，并记录下一个线索准备表面。 只有收集训练数据集左后打印。左侧后足具有领先的趾（趾3），趾4和趾5制作一个斜坡到左边。前脚比后脚更广。花时间学习如何成像之前识别它们。 使用成像足迹识别技术协议的足迹 <ol> 通过手动绘制每个左右后留下的足迹了一圈突出沿着小道个人足迹的位置。用棍子或任何其他合适的地方的工具。 图像的第一足迹如下放置一个公制比例低于约1厘米至足迹的左侧。 下的比例，并没有触及足迹，放置一个带照片的身份证滑移，​​并在预分配空间摄影师，日期，足迹系列，深度的名称写（如果> 2的厘米）离散打印ID，动物编号和位置。 多空打印并指出照相机镜头正上方的足迹，避免图像中的任何视差与关系的规模或带照片的身份证滑。使用三脚架或助理，以检查是否有必要。 确保足迹，规则和照片的身份证滑完全填充框架。 收集大约20个质量好左后打印完成收集动物。如果20 PR整数不可从第一踪迹，重复处理从1.1.6至1.3.5具有相同的动物。 2.图像特征提取此前的足迹识别技术分析在足迹识别技术图标，双击并打开它作为一个附加到数据可视化软件。观察屏幕上的主窗口。选择“图像特征提取”，以显示这个新窗口。足迹识别技术在编码语言JSL数据可视化软件脚本运行。主菜单示于图。 1。 使用鼠标，拖动和第一足迹图像拖放到图像特征提取窗口。特征提取模板导向显示在窗口的左侧。 单击并选择“调整大小”按钮，以确保足迹图像图形窗口中。点击在外面脚趾（趾最低分25）放置标记，然后选择“旋转”。观察到图像上线加入点水平旋转，标准化方向。观察一组十字的自动显示在步骤2.6中使用。 如果基材深1厘米以上，通过点击“衬底深度”按钮，进行深度修正算法。 点击所需的规模放置两个刻度分。对于猎豹设置比例为10厘米，上规模的因素中设置的。 在图形窗口的左侧使用模板，依次放置25标志点。标志点都在足迹定义解剖点，例如最前，后，每个脚趾和脚跟的外侧和内侧分。使用十字线，以提高对于新手用户的准确性。观察提示出现在图像的左上角显示的点的序列。 选择“导出点”，生成另外的十五点FROM具有里程碑意义的点。该方法增强了的可用于算法开发的变量数。 完成对图像的足迹所有数据字段;猎豹，轨道，小径，日期，时间和地点点（GPS） 图。 2所示阶段2.2-2.8。 按“添加行”按钮发送136脚本变量（距离，角度，面积），以一排在数据库中。 重复步骤2.1至2.9为所有的脚印，直到数据库被填充了XY坐标为每一个地标和派生点和所有的每个足迹计算的变量。 数据库中的所有行复制并粘贴数据库下方。这种重复设置被称为参考价值重心（RCV），其作用是稳定的足迹小径随后的两两比较的足迹识别技术模型。 3.足迹识别技术的算法猎豹发展<ol> 成对强大的交叉验证判别分析 从主菜单中，选择并打开强大的交叉验证配对分析窗口（ 图3）。足迹识别技术模型使用分类器来确定一对属于同一个人或小径两个不同的个体（ 图4）的可能性。 开展利用已知的个人训练数据库如下步道两两比较： 选择猎豹为“输入X，模型分类'，并作为”输入步道“小径。在Y列（足迹测量），为连续变量，会自动填充。 选择“运行”。观察显示进度分析进度条。观察数据表出现显示步道的两两比较。 观察两个输出，分配的自体/非自表来描述各V之间的距离分类alidation对，并示出所选的用于比较的不同路径分类矩阵窗口，和轮廓概率。观察显示模型按钮示出了用于每个比较的变量，而这使得质心之间的距离的距离阈值框。 在指定的自体/非自表的基础上选择“集群”按钮。观察两个表。第一个节目任意两条路径之间的距离。第二个是“集群”树状图 – 对选择的变量分类的最终输出。通过点击树形图彩色编码它的任何分行可视化的分类集群。 通过改变的变量（测量）的数目和轮廓概率（围绕质心值置信区间）检验分类的准确性。重新显现在使用18个变量（ 图5a）所产生的聚类图中的数据。这给出了七个正确的预测猎豹。 图5b（24个变量）和C（10个变量）显示通过测试不同的变量和轮廓概率投入获得猎豹号不同的估计。 注：同比例增减的分布曲线给出了由100％预测数的相对概率（几率）。作为滑动刻度被移动为示出了预测值的每个估值任一侧的相对概率。 图5D示出了具有18个变量的结果，与在一个方向上移动的滑尺表明十猎豹的几率小于50 ％。 选择一致地给出了最高的准确性的算法。调整阈值，以允许该算法被设置以产生最佳的近似于在训练数据库（ 图5a）已知的动物的数量的结果。 全回扣试验进行验证 <登记/>验证为个人的预期数目和聚类分类用卡合部的试验和随机分配在数据集中的各个猎豹测试和训练集（ 图6）的准确度的算法。要使用的步骤如下： 从参考数据库，决定为数据集的顺序划分成测试和训练集大小合适的时间间隔。对于猎豹数据库，使用间隔为4。 随机选择四个人作为测试数据集（训练集中离开34）。隐藏所选择的四个测试个体的身份。 点击“成对数据分析”选项，并选择了四个测试个人所有的小径。 点击“运行”，启动足迹识别技术分析。该分析将给出预测在测试数据集的个人的数量。重复这个过程9次（共10个），每个时间随机选取四个人。 计算该试验大小的平均值的预测值（ 即四个）。然后重复过程顺序地八个随机选择的个体（取决于间隔大小），然后12等与10次重复每个测试大小。计算每个测试的平均规模预测值。 使用作图软件图的曲线图，如图所示。 6，红线表示实际的测试规模暗算自己，绿星号显示每个迭代和蓝线的个人的预测数字显示为每个测试规模的平均预测值。红色和蓝色线条的接近程度是所述足迹识别技术分析的精度的指标。