基于计算机视觉的蛋鸡行为表型识别.docVIP

基于计算机视觉的蛋鸡行为表型识别 摘要：使用低成本的摄像机和计算机视觉技术对单个动物行为的自动监视，能够产生对行为客观衡量的连续数据，且不用打扰动物。 本文研究的具体目的是开发一种自动计算机视觉技术，它能够连续测量单个蛋鸡的轨迹和旋转行为并识别六种不同的行为表型（站立，坐，睡觉，理毛，抓，啄食）。 为此，基于把行为描述为不同的随后姿势的时间序列这一事实，开发了一种基于模型的算法。对母鸡姿势的量化包括它的位置，方向和描述它形状的一些参数，这些信息的获取是通过对母鸡的轮廓拟合一个点分布模型。把这种算法应用到视频序列中的随后图像中，母鸡姿势参数化的连续值反应了母鸡在此序列中的行为。母鸡的位置和方向的时间序列直接量化了它的轨迹和旋转行为。从形状参数的时间序列，行为被归类为系统训练的六种行为表型的一种。通过对从训练视频序列获得的每个行为表型制作一个模板来做训练，此模板被训练有素的行为研究者做个标记。为了对行为进行分类，需要用到模板匹配技术，其中，在新视频片段中的行为被分类为和模型匹配最佳的行为类别。 用超过14000个在一个笼子里的单只母鸡的视频片段来测试此系统，每个视频片段包含六种行为类别中的一种。平均分类率为70%到96%，除了啄食的21%，影响它的分类率的原因是对鸡头的不可靠跟踪。最好的结果是睡觉96%，站立90%。 关键字：计算机视觉，图像处理，家禽住所，行为，分类 引言 对于动物福利，行为是一个重要指标。往常是通过目测来观测行为特征，这种方法是主观的、耗时间的，且它仅适用于特定的的观察期（Abrahamsson，1996)。 在家畜动物行为的量化上使用图像处理的方法带来了特定的问题。实际中较差的环境条件以及动物外部姿态的自然变化，使得图像的处理与诠释变得困难（Van der Stuyft，1991）。 现在已经有很多关于一组图像跟踪的研究，例如监测家禽重量分布(De Wet et al., 2003; Chedad et al, 2003)、监测猪的分布(Shao et al., 1998;Hu and Xin, 2000)以及监测一群家禽的运动轨迹(Vaughan et al, 2000)。 跟踪监测群体中某个感兴趣个体的动物行为，这一过程中产生的附加问题可以通过限制感兴趣动物所在的位置周围没有其它动物来解决。这在监测猪的重量（Schofield 等人, 1999）与背膘（Frost等人，2004）上已经得到了很好的应用。 但是，对于自由走动的动物进行限制是不切实际的，如笼子中的母鸡。Sergeant等人（1998）利用自适应图像分割技术来判断特定数量鸡在视频图像中的走动轨迹。通过一系列简单的试探法可以判定两张连续图片中的动物联系。 这些技术作为模型库的跟踪得到了进一步的发展，它允许更加鲁棒与精确的监测，包括图像中遮挡的动物体态位置(Leroy et al., 2003; Tillett et al., 1997)。 目的 该研究的目的是开发与测试一个计算机视觉系统，不间断测量移动轨迹的能力，一只单一母鸡的流动行为以及识别鸡的六个不同行为：站立、坐下、睡觉、理毛、抓地、啄食。 材料 实验装置 实验装置包括一个被分为四部份的金属笼子：其中一份（主体部分）的尺寸是240米（长）*1，10米（宽），其余三份（巢体部分）的尺寸是0，60米（长）*0，55米（宽），如图1（a)所示。当移动笼子顶部时，为了防止鸡从笼中跳出，主体部分的四周要足够高，以便于视频录像。其余三部份的笼顶要有一定的坡度并且要防光。主体部分的光亮是14勒克斯，其余三部份的光亮是1勒克斯。 在主体部分距离地面1，50米的高度放置一台Sanyo VCB-35721RP BW CCD摄像机。在其余三个部分离地0，82米的高度放置一台圆形的红外感应相机与红外光源。在笼中每个部分中的相机指向下方来提供鸡的上下视图。使用飞利浦VR510/16视频记录仪与松下WJ-410方块单元同步记录四个摄像机中的输出，以便于把所有的相机图片合并为一张合成图像，如图1（b）所示。使用外部图像采集卡(DVD.Master)将视频录像数字化，并将其压缩存储。 研究的动物是5只32周到42周之间大小的褐色海塞克斯鸡。 图1（a）鸡笼被分为四部份(一个主体部分和三个巢体部份），以及视频记录设备的位置。 图1（b）主体部分顶部右端的记录图像，其余为三个巢体部分的图像。 实验 这部分的焦点是蛋鸡产蛋之前的行为。在实验过程中，把一只鸡放在笼中以便于监测。对于每个视频记录，仅数字化产蛋之前的图像。选择出了10个小时的视频进行图像处理。 一个参照方法是：Struelens，2002对所有的视频记录进行了标注，他使用Observer?3.0(Noldus Information Technology,Wag