专利名称：基于椭圆拟合的猪行走姿态识别方法
技术领域：
本发明属于图像处理和机器视觉技术。具体还涉及椭圆拟合和动物行为识别与分类技术。
背景技术：
视频和图像是客观事物生动直观的描述。进入二十一世纪后，数字化和网络化的步伐逐步加快，视频监控系统以直观性和实时性的优点而倍受青睐，并已经应用于许多方面，包括政府机关、电力电信、监狱、军队、银行、金库、超市、商场、宾馆、小区、学校、办公楼寸。随着生活水平的提高，人们对食品要求的焦点从数量增长逐渐转向了数量和质量同步增长。猪肉类食品在人们生活中已是一种不可缺少的食品，因此，猪肉类产品的质量提高已经和产量增加同样重要，也就是说不仅要关注生产产量，而且要关注产品的整个生长过程。为此，猪的行为的研究越来越受到关注。猪的行为通常采用人工观察和手工记录。利用人工观察和手工记录，一方面观察人员劳动强度大，且工作环境差，长时间在猪舍中观察将严重影响工作人员的健康；另一方面由于仅靠人工观察，因人手紧、成本高以及人的疲劳和认知程度等因素会导致信息不准和疏漏等现象发生，所以，寻找更方便、精确和可靠的自动检测方法成了迫切需要。猪体是一个有机的整体，其体形外貌不仅是躯体结构的外部表现也是其内部组织器官及生长发育、生理机能、行为状况的体现，因此，可以通过获得猪体的形体参数信息用来了解猪的行为和生理状况。本发明利用椭圆来构建猪体模型，利用椭圆拟合算法，实现对猪行为姿态的识别， 这对了解和改善猪的生长环境和条件，改善猪的福利，提高猪产品质量具有重要意义。该方法从连续的视频图像中提取出运动目标(猪)，对提取出的猪进行跟踪，并对其行为进行描述和理解。具体地说，根据猪身体各个部位的相对位置及其运动等行为特征， 利用形态学、计算机视觉技术和定量分析方法，计算出描述猪行为的体态参数，构建相应的模型，实现对猪的行走姿态识别。
发明内容
本发明主要包括几何图形建模和椭圆拟合算法。首先采用背景差分法对猪圈内的目标猪进行边缘检测，得到猪的轮廓，利用形态学方法对猪的轮廓图像进行预处理，去除轮廓中的噪声，然后利用改进的随机椭圆检测算法对猪体轮廓上的点进行椭圆拟合。根据由头颈部、躯体和四肢等部位所拟合成四个椭圆，以猪体躯干所代表的面积最大的椭圆的圆心为原点，该椭圆的长轴就是坐标系的横轴，建立一个二维坐标系0'。然后通过各个椭圆在该坐标系中的相对位置分布特征建立几何模型并确定相应的姿态参数。最后将这些参数输入支持向量机分类器，对猪的正常站立，低头站立和躺卧等不同姿态进行识别与分类。附图表说明
3
图1是本发明的设计方案流程图。图2是猪行为姿态支持向量机分类器的训练过程。图3是背景图像图4是采集的目标图像图5是边缘检测结果6是坐标建立7是猪行为姿态特征参数表示8是猪的不同姿势的坐标图和拟合图
具体实施例方式本发明的设计方案流程图如图1所示。具体步骤如下。1.通过图像采集系统对猪圈中的猪进行图像采集。2.利用背景差分法检测出图像中的目标猪，提取出目标猪的轮廓；利用形态学算法对提取出的轮廓进行处理，分别去除猪体中的突刺和填充图像中的空洞，得到一个完整的猪体轮廓。3.利用改进的随机椭圆检测算法对图像中的猪体轮廓进行椭圆拟合并建立坐标系。(1)改进的随机椭圆检测算法现有的随机椭圆检测(Randomized Ellipse Detection, RED)算法在猪姿态识别中存在误差偏大的缺陷，本文对RED算法做了如下改进1)选用自适应阈值Td，避免参数选取不当而导致拟合的椭圆与真实椭圆差别过大的问题，确保随机选取的相邻的数据点控制在一定的范围区间内，2)增加迭代循环，对不在初始假设椭圆上的点进行收集并再次拟合。 该算法中所使用到的参数见表1。表1算法参数表(问题(l)Td那行“第4点”是否打错？是不是“数据点”？是“数据点”(2)np、f、那行是否应该np表示集合U中边缘点的数量？)是改进后的具体算法如下1)初始化计数器f，使f = 0。2)取猪体轮廓边缘上的四个数据点PiJP Pi e U，i = (Udd)JiPi e U满足其中任何2个不同Pi的几何距离不能小于阈值Ta ；在集合U中去掉所取的数据，使U =U-{PJ ；当f = Tf或者np < Teffl时，进行中断，给出结果。3)根据Pi拟合出假设的椭圆判断4个数据点是否符合条件，即任何一个数据点到假设椭圆的距离是否大于阈值Td，如果大于等于阈值Td，则将这4个数据点返回到集合U 中，并使计数器加1，转到步骤2，否则直接进入下一步。4)设步骤3中拟合出的假设椭圆为Euk，初始化η使η = 0。判断集合U中的数据点Pm到Eijk的距离L和阈值Td的关系，如果L < Td,则使η = η+1，并设集合V用来收集不在假设椭圆上的数据点，使V = U-Pm。5)利用步骤4遍历集合U中的所有数据点，即可得到满足阈值Td的计数器值~ = η。6)求出Euk的周长Cuk，判断是否满足彡TrCijk,如果满足，则跳转到步骤7，否则认为Euk不存在，然后将步骤4中的~个数据点返回到U中，计数器加1，即f = f+Ι，然后跳转到步骤2。7)设置迭代次数T = 0且T的最大值为Tmax，最小变化率Tn，并使N。ld = ne。8)将步骤4中的集合V中的数据点进行再次拟合，并且使迭代次数加1，即T = T+1。9)通过假设存在的椭圆Euk来求解Td的值；遍历V中的数据点，寻找所选的到可能椭圆的距离D < Td的数据点，更新和可能椭圆边界点集合I，并将的值赋给Nnrat ；如果|N_-N。ld|/N。ld > Tn并且T < Tt，则跳转到步骤2 ；否则算法终止，V = V-Ve ；确认椭圆的表达式。10)确认椭圆Euk是真实的。将计数器清零，跳回步骤2，再次对其他椭圆进行检测。由上述拟合过程可以得知，在原RED算法中插入了一个迭代的过程，对可能存在的而又不在假设椭圆上的数据点重新进行收集，使椭圆拟合的过程更加精确。(2)建立猪体的几何模型由于猪轮廓非刚体特性以及身体各部分大小的差异，拟合后的猪体是由很多个椭圆构成。通过椭圆的大小分别确定猪体的头颈部、躯干、前肢和后肢4个部分所拟合的椭圆，而四个椭圆的面积大小关系是躯干>头颈部>前后肢。拟合的所有的椭圆中，猪体躯干所代表的椭圆是所有椭圆中面积最大的椭圆，以此椭圆的圆心为原点建立一个二维坐标系 0'，该椭圆的长轴就是坐标系的横轴。然后通过椭圆在坐标系中的相对位置参数建立几何模型。设猪体中任何一个椭圆I (X，y)的质心为(瓦y)，其中⑴y =^-YjI {χ, y)y(2)这里的N为该椭圆区域所有像素，表达式为N = Y1^y)⑶该椭圆区域的协方差矩阵为
a d c b
去Σ办，少)
υ
(x_J)2 (x-x)(y-y) (x-x)(y-y) (y-yf
(4)该协方差矩阵的特征值λ ρ λ 2与对应的特征向量Vl、V2表示该椭圆的长短轴的长度和方向。椭圆长轴长度为L，则L = λ i，短轴长度M，则M = λ 2。椭圆的偏转角度θ就是椭圆的长轴与坐标系中的横轴的夹角，即 θ = Zyl= cos
TT
(5)相对于每一帧的特征矢量就是芦(幻=&,>^肩)，其中i为四个椭圆的下标t通过假设存在的椭圆Ei1k来求解自适应阈值Td
Td = ^au2jl +ua+vA+ Cv2a + duA + eva +1| uA =U0 + vA =va+[L + ddif)sin0
(6)其中(U(1，V(1)是椭圆的中心点坐标，ddif为点到椭圆边界的最大距离，L和θ分别是
椭圆的长轴长度和椭圆的偏转角度4个不同椭圆中各自的F中的4个参数，包括质心( )
和长轴长度L和椭圆偏转角θ共有16个的特征参数，以此16个特征作为猪体姿态识别的特征。4.基于支持向量机(SVM)对姿态进行分类(1)猪的行为姿态支持向量机分类器构建支持向量机的主要思想是把非线性可分的数据通过一个变换Φ :RN — F映射到一个高维线性特征空间F，然后通过解约束优化问题 min 沴(w，0 =
w+取.
Z=I
(7)
s. t. Yi (w ‘ Φ (Xi)+b) ^l-I1, ξ i > 0，i = 1，· · ·，1 构造最优分类超平面
H :f (x) = w · Φ (x)+b
⑶
(9)其中，w是特征空间中分类超平面的系数向量，b是分类面的阈值，ξ是考虑分类误差而引入的松弛因子，C是对误差的惩罚因子。特征空间F的维数一般很大，在其中直接计算几乎是不可能的，但由于 w = Za,y/(x,)，因而svM在特征空间中所有运算都是点积运算，svM中引入核函数方法，
Z=I
即 K (Xi, X1) = Φ (Xi) · Φ (X1)
(10) 则不需明确地知道的具体形式就可以把高维特征空间中的点积运算转化为低维输入空间的核函数运算，巧妙地解决了在高维空间中计算带来的“维数灾难”问题。本发明
采用径向基函数
足(χ，x) = exP(-
Xi_X j
、作为核函数，分类器的性能直接受到参数大小
σ
6的影响。径向基核参数ο直接影响SVM分类器的性能优劣。式(7)中的误差惩罚参数C 用来实现在错分样本的比例和算法复杂度之间的折衷，即在确定的特征子空间中调节机器学习置信范围和经验风险的比例，使机器学习的泛化能力最好。本发明采用决策导向非循环图方法，其基本思想是把多个两类分类器组合成多类分类器。该方法在训练阶段，当分类数为M时，它构造的SVM个数为M(M-I) /2 ；但是，对于决策阶段，该方法则是使用由根节点出发的导向循环图。此循环图有Μ(Μ-1)/2个内部节点和M个叶子节点，每一个内部的节点都为一个两类分类器，叶子的节点是最后的类别；对于给定的一个测试样本，从根节点开始，以分类器的输出值为依据来决定其是走右侧路径还是走左侧路径，直到叶子节点终止， 从而得出样本属于该类的结果。(2)支持向量机(SVM)姿态分类器的训练采集用做训练的猪的不同的正常站立(行走)，低头站立(行走)和俯卧等类别样本图像，采用步骤3中的方法提取相应的特征数据，并形成猪姿态数据库。同时利用这些训练集样本数据对支持向量机(SVM)分类器进行训练，其训练过程如图2所示。(3)支持向量机分类器对猪的行为姿态分类对被测的猪的行为姿态的图像采用步骤3中的方法提取相应的特征参数数据，将这些参数数据输入到训练过的SVM中去，实现对猪的正常站立(行走)，低头站立(行走) 和俯卧等等行为姿态进行识别。猪的行为姿态识别过程在采集猪图像前，更新无任何猪存在的猪圈背景，背景图像见图3。首先采集一幅猪圈内猪的图像，见图4，然后采用背景差分算法检测出猪圈内猪的轮廓，如图5所示。利用改进的随机椭圆检测算法对猪的轮廓进行椭圆拟合；在拟合的所有椭圆中，猪体躯干所代表的椭圆是所有椭圆中面积最大的椭圆，以此椭圆的圆心为原点建立一个新的二维坐标系 0'，该椭圆的长轴就是坐标系的横轴，如图6所示。验证面积仅小于躯干椭圆的头颈部椭圆是否位于躯干椭圆的左侧，如果头颈部椭圆位于躯干椭圆的右侧，则将图片进行水平偏转后再进行建立坐标系。利用4个椭圆对猪体进行建模，4个椭圆分别为头颈部的椭圆Itead(X，y)、躯体的椭圆lb。dy(x，y)、前肢的椭圆Itoeleg(X，y)、后肢的椭圆Ihindleg(χ，y)。4个不同椭圆中，每个
椭圆中的4个参数，包括质心( )长轴长度L和椭圆偏转角θ共有16个特征，以此16
、
个特征作为猪体姿态识别的特征。如图7所示，其中坐标系为0'，Ihead(x, y)，Ibody (x, y)， IforeIeg (X ‘ W，Ihindleg (Χ ‘ Y)分别是坐标系中的四个椭圆，L是椭圆的长轴，在图(7)中，以 Ibody(χ, y)为例表示。θ是椭圆Itead(x，y)的长轴与椭圆lb。dy(x，y)的长轴的夹角，称为偏转角，在图(7)中，以Ihead(X，y)在坐标系的偏转角为例表示。当判断猪站立姿态时，前、后肢拟合椭圆的位置可不考虑，仅考虑椭圆Ihead(x，y) 与椭圆Ib。dy(x，y)的相对位置。当猪正常站立时，其头颈部拟合椭圆的中心位于参考坐标系 0'的第二或第三象限，如图8(a)示的Ihead(x，y)，且椭圆Ihead(x，y)的长轴与椭圆Ib。dy(x， y)的长轴的夹角，即偏转角小于30° ；而猪低头站立的时候，其头颈部拟合椭圆的中心则位于参考坐标系的第三象限，如图8(b)所示的Ihead(x，y)大部分在坐标系中的第三象限，但是偏转角大于30° ；
当判断猪是否躺卧时，主要考虑前、后肢拟合椭圆的位置。当猪躺卧时，前、后肢拟合椭圆则位于参考坐标系0'的第三象限和第四象限，并且椭圆Iforeleg(X，y)和Ihindleg(x，y) 的长轴与椭圆Ib。dy(x，y)的长轴几乎平行，其夹角小于10°，并且两个椭圆面积也很小，如 0 8(c)所示。
权利要求
1.基于椭圆拟合的猪行走姿态识别方法，其特征在于包括以下步骤 步骤(一)采用背景差分法获得清晰的目标对象猪的轮廓的方法； 步骤(二)利用椭圆拟合确定猪体轮廓各部位特征参数；步骤(三)基于支持向量机的猪行走姿态分类器，从而实现对正常站立，低头站立和躺卧等不同的姿态进行分类。
2.根据权利要求1所述的基于椭圆拟合的猪行走姿态识别方法，其特征在于所述步骤(一)包括以下步骤步骤(1)利用背景差分法检测出图像中的目标猪，提取出目标猪的轮廓； 步骤(2)使用形态学处理方法对提取出的轮廓进行形态学处理，分别去除猪体中的突刺和填充图像中的空洞；步骤(3)利用边缘检测算子提取出图像中猪的边缘轮廓。
3.根据权利要求1所述的基于椭圆拟合的猪行走姿态识别方法，其特征在于所述步骤(二)中的利用椭圆拟合确定猪体轮廓各部位特征参数方法的特征为对图像中的猪体轮廓各部分进行椭圆拟合并建立坐标系，拟合后的猪体是由很多个椭圆构成，通过椭圆的大小分别确定猪体的4个部分所拟合的椭圆，然后通过代表头部，躯干，前肢和后肢的椭圆在坐标系的位置确定猪体轮廓各部位特征参数。
4.根据权利要求1所述的基于椭圆拟合的猪行走姿态识别方法，其特征在于所述步骤(三)中的基于支持向量机的猪行走姿态分类器的特征为采用支持向量机(SVM)设计猪行走姿态分类器，以椭圆拟合确定的猪体轮廓各部位特征参数作为分类器的输入，实现对猪的正常站立(行走)，低头站立(行走)和俯卧等姿态的识别。
全文摘要
一种基于椭圆拟合的猪行走姿态识别方法，其特征在于包括以下步骤步骤(一)采用背景差分法获得清晰的目标对象猪的轮廓的方法；步骤(二)利用椭圆拟合确定猪体轮廓各部位特征参数；步骤(三)基于支持向量机的猪行走姿态分类器，从而实现对正常站立，低头站立和躺卧等不同的姿态进行分类。
文档编号G06K9/00GK102521563SQ20111036891
公开日2012年6月27日 申请日期2011年11月19日 优先权日2011年11月19日
发明者何亚旗, 朱伟兴, 李新城, 马长华 申请人:江苏大学