譚輝磊， 朱偉興

(江蘇大學(xué)電氣信息工程學(xué)院，江蘇鎮(zhèn)江 212013)

我國(guó)是農(nóng)業(yè)大國(guó)，農(nóng)業(yè)是我國(guó)的支柱產(chǎn)業(yè)，是國(guó)民經(jīng)濟(jì)的基礎(chǔ)，而養(yǎng)豬業(yè)是農(nóng)業(yè)生產(chǎn)的重要組成部分。但隨著我國(guó)養(yǎng)豬業(yè)集約化、規(guī)?；降牟粩嗵岣撸呙芏鹊娘曫B(yǎng)方式給豬的行為帶來(lái)很大影響，在大中型豬場(chǎng)中各種異常行為時(shí)?？梢?jiàn)，導(dǎo)致這些行為的因素包括食物、環(huán)境、疫病等，這不僅影響豬只的生理和心理健康，也影響豬場(chǎng)的生產(chǎn)效率，因此須要時(shí)刻觀察豬只的行為狀態(tài)。水是生命之源，保持良好的供水對(duì)于豬只的健康生長(zhǎng)尤為重要，但是豬只飲水是24 h不間斷的行為，僅靠人工作業(yè)很難完成監(jiān)控，因此，實(shí)現(xiàn)豬舍內(nèi)豬只飲水行為的自動(dòng)監(jiān)控將有助于及時(shí)預(yù)警異常豬只，并減少豬只飼養(yǎng)過(guò)程中的人工干擾活動(dòng)，改善豬只福利。

傳統(tǒng)的豬只行為識(shí)別主要采用耳標(biāo)射頻識(shí)別(簡(jiǎn)稱RFID)技術(shù)[1]，但該技術(shù)在一定程度上會(huì)干擾豬只的正常生長(zhǎng)，因此為了解決這些問(wèn)題，引入無(wú)應(yīng)激的計(jì)算機(jī)視覺(jué)技術(shù)。朱偉興等通過(guò)一種改進(jìn)的運(yùn)動(dòng)目標(biāo)檢測(cè)算法和基于像素塊對(duì)稱特征的圖像識(shí)別算法定位具有異常行為的疑似病豬，并將報(bào)警圖像通過(guò)通用分組無(wú)線服務(wù)網(wǎng)絡(luò)傳送至監(jiān)控中心[2]。馬麗等根據(jù)豬腹式呼吸時(shí)脊腹部分的起伏特點(diǎn)，構(gòu)建單側(cè)視豬的腹式呼吸表達(dá)，并逐段檢測(cè)豬視頻腹式呼吸頻次[3]。袁登廳等利用支持向量機(jī)理論設(shè)計(jì)了多種姿態(tài)分類器，可對(duì)豬的正常行走、低頭行走、抬頭行走、躺臥等4種姿態(tài)進(jìn)行識(shí)別[4]。謝徵等提出一種基于幾何參數(shù)特征與決策樹(shù)支持向量機(jī)的豬只姿態(tài)分類方法，用來(lái)研究與豬只行為及精神狀態(tài)相關(guān)的姿態(tài)[5]。陸明洲等結(jié)合射頻標(biāo)志和紅外探測(cè)技術(shù)準(zhǔn)確監(jiān)測(cè)了母豬的日飲水頻率及水資源的日消耗總量[6]。

現(xiàn)階段采用計(jì)算機(jī)視覺(jué)技術(shù)監(jiān)測(cè)豬只飲水行為的研究報(bào)道較少，考慮到機(jī)器視覺(jué)算法在豬只其他行為上的應(yīng)用，研究飲水行為的識(shí)別已成為發(fā)展趨勢(shì)。本研究提出一種基于輪廓的豬只飲水行為識(shí)別方法。首先從原始圖像中分離出飲水區(qū)域，并采取有效圖像處理方法得到目標(biāo)輪廓，建立訓(xùn)練樣本，然后針對(duì)該區(qū)域內(nèi)豬個(gè)體的輪廓進(jìn)行多邊形近似，并提取相關(guān)特征，最后計(jì)算2個(gè)輪廓之間的相似度，從而完成輪廓匹配。

1 材料與方法

視頻是在江蘇大學(xué)國(guó)家重點(diǎn)學(xué)科農(nóng)業(yè)電氣化與自動(dòng)化的試驗(yàn)基地——丹陽(yáng)市榮鑫農(nóng)牧發(fā)展有限公司養(yǎng)豬場(chǎng)采集的。通過(guò)改建試驗(yàn)用豬舍，安裝拍攝俯視視頻的圖像采集系統(tǒng)，對(duì)群養(yǎng)豬進(jìn)行持續(xù)視頻監(jiān)控。攝像機(jī)位于豬舍正上方，相對(duì)地面的垂直高度約為3 m，視頻采集平臺(tái)及獲取的視頻幀示例如圖1所示。攝像機(jī)采用的是加拿大灰點(diǎn)公司的FL3-U3-88S2C-C(Sony CMOS)，它可以采集到包含背景的俯視狀態(tài)下群養(yǎng)豬的紅綠藍(lán)(red，green，blue，簡(jiǎn)稱RGB)彩色視頻。為了滿足試驗(yàn)要求，須要獲取豬只種類和數(shù)量盡可能多的視頻片段，豬舍中安放7頭體態(tài)顏色各異的豬。根據(jù)人工觀察以及算法特點(diǎn)，當(dāng)豬只攀爬隔離欄以及豬只之間存在打斗現(xiàn)象時(shí)，俯視視頻下的豬體均有部分缺失，會(huì)增加識(shí)別的不確定性，因而這些視頻幀不作為本研究的試驗(yàn)對(duì)象。

在實(shí)際生產(chǎn)中，針對(duì)不同類別不同生長(zhǎng)階段的豬群，自動(dòng)飲水器安裝的高度有一定差異。本研究中飲水器安裝在離地55 cm的位置，豬只須要抬頭并咬住水嘴即可完成飲水。針對(duì)豬只飲水的固定姿態(tài)，本研究提出基于輪廓的豬只行為識(shí)別方法，識(shí)別流程如圖2所示，首先從原始圖像中分離出飲水區(qū)域并采用二維大津算法(OTSU法)[7]得到初步分割結(jié)果，由于豬舍背景干擾大，還須要對(duì)目標(biāo)進(jìn)行二值化以及形態(tài)學(xué)處理，進(jìn)而得到目標(biāo)輪廓；然后針對(duì)目標(biāo)輪廓采用改進(jìn)的 Douglas-Peukcer法進(jìn)行多邊形近似，同時(shí)根據(jù)對(duì)象特點(diǎn)提取輪廓特征；最后與本研究所采用樣本庫(kù)中的樣本進(jìn)行相似度匹配得出識(shí)別結(jié)果。本研究選取滿足條件的430幀視頻圖像作為樣本進(jìn)行試驗(yàn)，其中230幀存在豬只飲水情況，另外200幀作為干擾項(xiàng)；選取存在豬只飲水情況的30幀作為訓(xùn)練樣本，剩余400幀作為測(cè)試樣本。

2 改進(jìn)的Douglas-Peukcer多邊形近似

Douglas-Peukcer算法由Douglas和Peukcer提出[8]，因此又簡(jiǎn)稱D-P算法，是一種經(jīng)典的線狀要素化簡(jiǎn)算法。該算法可將曲線近似表示為一系列點(diǎn)，并逐步減少點(diǎn)的數(shù)量，從而達(dá)到化簡(jiǎn)曲線的目的。算法原理如圖3所示，具體步驟如下：(1)連接曲線首尾a、b 2點(diǎn)得到1條直線ab，ab被稱為該曲線的弦；(2)求曲線上所有點(diǎn)到該弦的距離，設(shè)距離最大的點(diǎn)為c，最大距離為dmax；(3)比較dmax和給定閾值T的大小關(guān)系，如果dmax小于T，則將直線段ab作為曲線的近似；如果dmax大于T，則曲線被分割為ac、cb 2段，并重復(fù)步驟(1)、(2)、(3)，直到曲線上所有線段處理完畢；(4)連接這些距離最大且滿足步驟(3)的點(diǎn)得到曲線的近似。

豬只在飲水區(qū)域內(nèi)的輪廓可能并不完整，必要時(shí)需要對(duì)多條曲線進(jìn)行處理，傳統(tǒng)D-P算法一般采用遞歸的方法來(lái)實(shí)現(xiàn)，同時(shí)涉及棧的操作，此時(shí)如果繼續(xù)采用傳統(tǒng)D-P算法計(jì)算最大距離點(diǎn)，會(huì)出現(xiàn)循環(huán)時(shí)間偏長(zhǎng)甚至棧溢出的情況，從而影響算法效率。因此，本研究對(duì)上文提及的傳統(tǒng)D-P算法步驟(2)進(jìn)行改進(jìn)，即不再計(jì)算曲線上所有點(diǎn)到該弦的距離，而是計(jì)算曲率的極大值點(diǎn)。曲率[9]定義為在光滑弧上自點(diǎn)M開(kāi)始取弧段，弧長(zhǎng)為Δs，對(duì)應(yīng)切線轉(zhuǎn)角為Δα(圖4)，此時(shí)點(diǎn)M處的曲率為當(dāng)Δs趨向于0時(shí)，|Δα/Δs|的極限值。

曲率體現(xiàn)了曲線的完全程度，其值越大，該處曲線彎曲程度越大。對(duì)于飲水豬只頭部而言，曲率的極值點(diǎn)正是進(jìn)行多邊形近似時(shí)須要保留的點(diǎn)。利用改進(jìn)的D-P算法，采用不同閾值T對(duì)一幅待識(shí)別圖像的輪廓進(jìn)行多邊形近似。圖5-a是原輪廓曲線，坐標(biāo)點(diǎn)個(gè)數(shù)為733個(gè)；圖5-b為閾值T=1的多邊形近似結(jié)果，共保留71個(gè)坐標(biāo)點(diǎn)，基本與原輪廓重合，且保留了大部分細(xì)節(jié)信息；圖5-c是閾值T=3的多邊形近似結(jié)果，保留的坐標(biāo)點(diǎn)個(gè)數(shù)為23個(gè)，此時(shí)盡管在局部存在一些形狀的細(xì)節(jié)丟失，但仍然能反映整體的輪廓特征；圖5-d是閾值T=5的多邊形近似結(jié)果，保留的坐標(biāo)點(diǎn)個(gè)數(shù)為15個(gè)，可以明顯看出部分曲線的擬合結(jié)果存在嚴(yán)重變形，特別是一些存在凹凸點(diǎn)較多的區(qū)域。為了盡可能保留原輪廓的局部特征點(diǎn)，同時(shí)避免無(wú)用細(xì)節(jié)的影響，本研究選用閾值T=3的多邊形近似結(jié)果作為該輪廓的近似結(jié)果，與原輪廓的733個(gè)點(diǎn)相比，在很大程度上減少了計(jì)算量，同時(shí)保留了輪廓的主要形狀特征。

3 輪廓特征提取

輪廓特征提取是對(duì)近似多邊形所保留的點(diǎn)建立特征量的過(guò)程，為了方便進(jìn)行分類識(shí)別，特征量應(yīng)具有尺度不變性和旋轉(zhuǎn)不變性[10]，本研究采用角度和距離來(lái)構(gòu)建二維特征量。

(1)

(2)

(3)

(4)

P={P1,P2,…,Pk-1}。

(5)

hi(k)=#{(p-qi)∈bin(k)|p∈P,p?qi}。

(6)

4 相似度計(jì)算

判斷圖7-a和圖7-b的相似度，即比較這2個(gè)輪廓所對(duì)應(yīng)基向量的相似程度。在該對(duì)應(yīng)關(guān)系中，首先要求基線段具有相似的描述子，其次要求一對(duì)一的映射關(guān)系[11]。因此，可以根據(jù)每個(gè)基向量的直方圖，在其他輪廓上找到與其最相似的基向量，然后綜合所有基向量來(lái)判定輪廓的相似程度。

根據(jù)直方圖分布特點(diǎn)，采用x2距離統(tǒng)計(jì)分布來(lái)度量Pi和Qj這2個(gè)輪廓特征描述子的匹配代價(jià)[12]，具體公式為

(7)

該代價(jià)值介于0到1之間，其值越小，Pi和Qj的相似程度越大。根據(jù)輪廓所有基向量代價(jià)值Cij的集合可以得到總的代價(jià)值，且總的代價(jià)值越小，說(shuō)明2個(gè)輪廓越相似。這樣就將求解輪廓的相似度轉(zhuǎn)為了求解2個(gè)輪廓所有基向量之間的最優(yōu)匹配f，而求解最優(yōu)匹配既是一個(gè)最優(yōu)化求解問(wèn)題，也是一個(gè)典型的線性分配問(wèn)題[13]。在實(shí)際應(yīng)用中，通常采用匈牙利算法[14]進(jìn)行求解。利用匈牙利算法可以得到代價(jià)最小的最優(yōu)匹配，并得到輪廓基向量之間的最優(yōu)匹配關(guān)系，當(dāng)最優(yōu)匹配下的基向量之間代價(jià)值小于某個(gè)閾值T時(shí)，即認(rèn)為該基向量匹配正確，最后計(jì)算待匹配輪廓上正確匹配的基向量個(gè)數(shù)和訓(xùn)練樣本輪廓上基向量總個(gè)數(shù)的比值，從而得到2個(gè)輪廓之間的相似度，完成輪廓的匹配工作。

5 結(jié)果和分析

為了證明本算法的有效性，選取滿足條件的430幀視頻圖像作為樣本進(jìn)行試驗(yàn)，其中230幀存在豬只飲水情況，另外200幀作為干擾項(xiàng)；選取存在豬只飲水情況的30幀作為訓(xùn)練樣本，剩余400幀作為測(cè)試樣本。仿真試驗(yàn)的軟硬件環(huán)境為CPU Inter(R) Core(TM)i5 2.4GHz，Windows 7，Matlab2014b。

在得到輪廓基向量之間的最優(yōu)匹配關(guān)系后，須要計(jì)算基向量之間的代價(jià)值，并對(duì)該代價(jià)值設(shè)定一個(gè)閾值T，以判斷是否匹配正確。圖8為不同輪廓圖像，其中S1和S3是同一豬只飲水狀態(tài)下的輪廓，S2是非飲水狀態(tài)下的輪廓，S1和S2選自測(cè)試樣本，S3選自訓(xùn)練樣本，在不同閾值T下，將S1和S3、S2和S3進(jìn)行匹配，得到相應(yīng)的相似度H(Sx,Sy)(表1)。

由表1可知，相似度隨著閾值T的增大而增大，但當(dāng)T=0.3時(shí)，相同狀態(tài)下輪廓的相似度達(dá)到臨界點(diǎn)，而不同狀態(tài)下輪廓的相似度則繼續(xù)增加，因此本研究選用閾值T=0.3作為經(jīng)驗(yàn)值。

表1 不同閾值下的相似度比較

采用閾值T=0.3對(duì)400幀測(cè)試樣本進(jìn)行試驗(yàn)，并與人工觀測(cè)結(jié)果進(jìn)行對(duì)比。

由表2可知，在豬舍背景存在較大干擾，豬只輪廓存在變形且提取并不十分精確的條件下，本研究算法對(duì)飲水行為豬只的識(shí)別率達(dá)92.00%，對(duì)其他行為豬只的識(shí)別率達(dá)95.50%。通過(guò)查看錯(cuò)誤識(shí)別的測(cè)試圖像發(fā)現(xiàn)，出現(xiàn)錯(cuò)誤的原因主要有(1)在識(shí)別飲水豬只過(guò)程中，豬只的耳朵輪廓在豬只不同姿態(tài)下的表現(xiàn)不盡相同；(2)在識(shí)別其他豬只過(guò)程中，豬只在飲水區(qū)域范圍內(nèi)抬頭可能會(huì)被錯(cuò)誤識(shí)別。如果能在預(yù)處理過(guò)程中去除耳朵多出身體的部分輪廓，或者對(duì)飲水豬只的輪廓區(qū)域大小進(jìn)行更明確的定位，則會(huì)進(jìn)一步提高識(shí)別率。

表2 本算法的識(shí)別情況

而如何摒棄干擾并且能夠更快更精準(zhǔn)地得到輪廓圖像也是值得深入研究的問(wèn)題。

6 結(jié)束語(yǔ)

本研究提出一種基于形狀模型的豬只飲水行為識(shí)別方法，能夠準(zhǔn)確地識(shí)別豬只的飲水行為。結(jié)果表明，本算法的綜合識(shí)別率達(dá)93.75%，對(duì)于豬只飲水行為的識(shí)別工作，本研究所建立的形狀模型能夠有效提取特征，該識(shí)別方法的研究對(duì)于監(jiān)控豬只身體健康有一定的實(shí)際應(yīng)用價(jià)值， 且該方法原理簡(jiǎn)單，在識(shí)別速度以及識(shí)別質(zhì)量上有一定的突破，今后的主要工作是進(jìn)一步提高識(shí)別速度和識(shí)別率，未來(lái)還將結(jié)合對(duì)豬個(gè)體的身份識(shí)別來(lái)判斷豬只的健康狀況。