保护珍稀物种的重点工作之一，就是对每一个体进行个体识别，方便追踪分析物种的栖息环境、繁殖史、社会网络、面临的威胁等，从而更好的进行保护工作。
传统上采用人工标记或者人工记忆的方法。人工标记以往通过在动物身上钉标签、染色，甚至烙印的方式进行，不仅容易对动物产生伤害，且费时费力。人工记忆往往需要相关专业人员长时间观察区分，不仅费时，又很容易相互混淆。
人肉眼很难分辨动物个体差异，但AI识别技术，利用深度学习算法，针对指定物种的斑点、纹路、脸部、尾鳍等特征进行识别模型训练，实现了对物种个体的识别。
首先，需要针对要识别物种收集一定数量的图像样本作为训练数据，包含不同角度的拍摄和不同环境下的图像。
对收集到的图像数据进行预处理，包括数据清洗、数据增强、数据标注等步骤。主要目的是消除图像中无关的信息，恢复有用的真实信息，增强有关信息的可检测性和最大限度地简化数据。
数据清洗:是指对数据进行去噪、去重、去偏等操作，以提高数据的质量和准确性。
数据增强:是指对数据进行旋转、缩放、翻转等操作，以增加数据的多样性和覆盖面。
数据标注:是指对数据进行标记，以便于后续的模型训练和测试。
使用SIFT、HOG等计算机视觉技术，从图像中抽取识别物种的关键的特征。如猴子眼睛、鼻子、嘴巴等部位的形状、大小、位置等信息，海豚背鳍的形状、大小等信息，鳄蜥背部纹路的形状、大小、位置等信息作为识别的基础。
SIFT 通过检测和描述图像中的关键点来实现对图像特征的尺度不变描述，使得它在物体识别和图像匹配中非常有效。
HOG 算法通过统计图像中不同方向上的梯度信息，能够捕捉到物体的边缘和纹理等局部特征，具有较好的鲁棒性和抗干扰能力。
