面向猪姿态识别特征优选方法研究.docVIP

面向猪姿态识别特征优选方法研究 　　摘要： 猪的姿态识别是猪的行为分析和数字化养殖的重要前期工作，为了得到准确的猪的姿态，首先利用均值漂移图像分割算法、形态学操作及滤波处理技术来获取猪的二值图像；然后建立猪的备选几何参数特征集（圆形度F1、矩形度F2、伸长度F3、质高比F4和质心左右比F5），并运用粗糙集的约简方法对其进行筛选；最后采用模板匹配算法优选出来最优特征组合。试验结果表明，针对不同的姿态识别对象，由于决策的目标不同，会选用不同的最优特征组合。其中，站立和躺卧姿态采用最优特征组合{F1F2}进行姿态识别，复杂程度降低的同时提高了识别率；平视、低头和抬头站立姿态采用最优特征组合{F1F2F3F4F5}进行姿态识别，有较高的识别精度。 　　关键词： 特征优选；粗糙集；模板匹配；猪；姿态 　　中图分类号： TP391.4 文献标志码： A 文章编号：1002-1302（2016）03-0448-04 　　目前在大规模养殖场中，对于病猪的前期征兆和异常行为都是依靠人工观察来完成，有研究[1]表明，长时间低头站立以及躺卧行为表明猪处在疲劳状态，精神萎靡，需进一步检查其身体状况；如果猪一段时间处于抬头站立状态表明猪可能受到外界的刺激和干扰，或者是恐慌行为，需要对猪舍的内外环境进行检查。若通过人工的方法检测不仅劳动强度大，而且发现不及时。因此，数字化养殖应用视频监控的方式已经开始兴起，该方法不仅可以及时对猪进行行为分析，而且也减少了劳动力。 　　本研究对采集到的猪图像先进行图像处理与智能信息处理操作，提取出猪目标的二值图像；然后针对站立和躺卧，平视、低头和抬头站立这2组姿态，提出采用备选几何参数特征集（圆形度F1、矩形度F2、伸长度F3、质高比F4和质心左右比F5）来描述猪的姿态，之后运用粗糙集的知识属性约简方法[2-3]分别进行特征组合的筛选，得到2组筛选后的特征组合；最后运用模式识别中模板匹配[4-5]的思想计算约简前、后特征组合的识别率，验证筛选后的特征组合为最优组合。试验结果表明，根据目标姿态的不同，选择不同的最优特征组合。其中，描述站立和躺卧姿态约简后的特征组合{F1F2}不仅降低了备选特征集的复杂度，且一定程度上提高了猪姿态识别的正确率；而平视、低头和抬头站立姿态因为区别度不大的原因，需要整个备选特征集{F1F2F3F4F5}来描述且具有较高的识别精度。因此，2组特征组合均为最优组合。通过姿态的分类识别，便可根据研究经验判断出猪的健康状况，并对长时间躺卧、低头和抬头的猪及时采取对应措施。 　　1 猪的目标提取 　　本研究试验图像为单头猪的彩色图像。对采集到的猪的目标图像，运用图像处理相关算法来提取猪的目标二值化图像。首先将图片灰度化处理，去除背景干扰；之后用均值漂移算法[6-7]识别出猪目标，再经过形态学操作和滤波处理；最后得到目标的二值化图像。由于篇幅有限，列举4幅典型姿态图像的猪目标提取步骤（图1）。 　　2 特征优选 　　特征优选[8]的主要任务就是从1组数量为E的特征集中选出数量为e（e 综合考虑上述特征优选的主要任务和猪姿态分类识别的具体要求，本研究特征优选主要包括备选特征集的建立、特征组合筛选和最优组合评价3个部分。 　　2.1 备选特征集的建立 　　为了对猪的姿态进行分类，需要找到合适的特征来描述姿态，可以描述猪姿态的特征分为几何参数特征和表征轮廓形状特征，表征猪几何参数特征的有圆形度、矩形度和体态比[1]等，表征轮廓形状特征有Hu矩[1]和Zernike矩[9]等。观察大量的猪姿态图片发现，站立猪和躺卧猪的形态和轮廓有较大区别，平视站立猪、低头站立猪和抬头站立猪的形态和轮廓也有所区别，因此，选用几何参数特征和表征轮廓形状的特征均可以描述姿态，鉴于表征轮廓形状特征的复杂度较高，而特征优选的第一步就要求以最短时间和空间消耗代价来找出所需要的特征组合，所以选取几何参数特征来描述猪的不同姿态。在计算几何参数特征之前，找出涉及到的一些数值与关键点示意图（图2）。 　　（5） 　　式中：L为猪目标质心到目标最左点的横坐标距离；R为猪目标质心到目标最右点的横坐标距离。F5为目标质心到目标最左点与最右点横坐标距离之比，可以描述目标头部姿态的变化程度。 　　2.2 特征组合筛选 　　备选特征集的筛选采用粗糙集属性约简的方法，粗糙集理论[11]是一种处理非精确性问题的新型数学工具，尤其是在属性约简[12]方面。粗糙集属性约简[13]的目的是降低特征集的维数，去除不重要的甚至是冗余的特征。具体算法步骤为： 　　（1）构造样本库。分别为站立和躺卧；平视、低头和抬头站立的猪样本库，得到所有图像的二值化图像之后计算所有样本的备选特征值{F1F2F3F4F5}。 　　（2）构造决策表。决策表是1张二