文/武堯 劉振宇 谷亞寧 趙惠瑾

（山西農(nóng)業(yè)大學(xué)信息科學(xué)與工程學(xué)院 山西省太谷縣 030801）

利用計(jì)算機(jī)視覺(jué)技術(shù)檢測(cè)動(dòng)物的生長(zhǎng)發(fā)育、行為特征能更好為動(dòng)物提供優(yōu)良的生長(zhǎng)環(huán)境，減少外界的應(yīng)激刺激?；跈C(jī)器視覺(jué)技術(shù)和數(shù)字圖像分析技術(shù)的發(fā)展。據(jù)H.Minggaw a 研究顯示動(dòng)物的體重與其體積和投影面積有很大的相關(guān)性，他利用投影在豬身上的網(wǎng)格線(xiàn)的視差與豬體高的非線(xiàn)性關(guān)系近似估計(jì)其體高，并利用經(jīng)驗(yàn)公式計(jì)算豬的體重。

1 算法原理

1.1 母豬圖像區(qū)域提取方法

1.1.1 優(yōu)化前景學(xué)習(xí)

由于PBAS 算法是針對(duì)單個(gè)像素進(jìn)行的統(tǒng)計(jì)背景建模，并在此基礎(chǔ)上進(jìn)行前景檢測(cè)，所以當(dāng)待測(cè)目標(biāo)面積大或者運(yùn)動(dòng)緩慢時(shí)，會(huì)得到一個(gè)不完整的前景，從而降低了算法的檢測(cè)率。通過(guò)前景計(jì)數(shù)機(jī)制來(lái)防止目標(biāo)物因靜止而被更新判定為背景。以像素點(diǎn)xi為中心的，建立5×5 窗口Z(xi),定義該點(diǎn)與窗口內(nèi)其他點(diǎn)的顏色差值的平均和為該區(qū)域顏色背景復(fù)雜度C(xi)：

其中，Ic為該點(diǎn)各通道的像素值，結(jié)合區(qū)域信息的背景復(fù)雜度值COM(xi)為：

其中，dmin(xi)為記錄相似度最小距離值數(shù)組D(xi)的均值。背景復(fù)雜度控制判斷閾值R(xi)和學(xué)習(xí)率更新T(xi)公式為：

其中，Rinde為R(xi)單次更新的變化幅度，Rscale為調(diào)整背景復(fù)雜度dmin(xi)的尺度因子，二者均為預(yù)先設(shè)定的固定值。

其中，Tinc為上調(diào)幅度，其值為預(yù)先設(shè)定。F(xi)=1 表示該點(diǎn)被判定為前景點(diǎn)，F(xiàn)(xi) =0 表示該點(diǎn)被判定為背景點(diǎn)。就在原像素級(jí)背景復(fù)雜度的基礎(chǔ)上以加權(quán)的形式融入了區(qū)域信息。則TOM(xi)計(jì)數(shù)規(guī)則為：

每個(gè)像素xi的計(jì)數(shù)器初始值F(xi)均為0,當(dāng)被判定為前景時(shí)，其計(jì)數(shù)器加1， TOMi(xi)=TOMmax, TOMmax為對(duì)靜止前景的最長(zhǎng)生命周期，根據(jù)經(jīng)驗(yàn)可以設(shè)置為幀率的5 倍。

1.1.2 優(yōu)化邊緣值檢測(cè)

圖1：體重誤差曲線(xiàn)

表1：成分累計(jì)解釋方差統(tǒng)計(jì)表

采用非線(xiàn)性帶權(quán)中值濾波來(lái)進(jìn)行平滑圖像，首先按灰度值大小將領(lǐng)域內(nèi)的像素進(jìn)行排序，將排序好的序列中間像素作為中間值輸出。權(quán)值的分配由權(quán)值矩陣W(i, j)∈N 來(lái)決定。每個(gè)像素值I(u+i, v+j)被插入擴(kuò)展的像素向量中，插入次數(shù)為其權(quán)值W(i, j)，擴(kuò)展的像素像向量為：

其中，長(zhǎng)度L 為：

對(duì)此像素向量進(jìn)行排序，然后以某個(gè)像素為中心，選取3×3 方形領(lǐng)域，按領(lǐng)域內(nèi)的每個(gè)像素灰度值的大小進(jìn)行排序。中間值y 為：

采用3×3 來(lái)防止檢測(cè)出假邊緣值因而丟失真實(shí)邊緣。通過(guò)計(jì)算中心像素點(diǎn)和8 個(gè)鄰域像素在0°、90°、45°、135°四個(gè)方向的梯度后，進(jìn)行像素灰度梯度G(i, j)的計(jì)算：

其中Gx(i, j)為0°(x 方向)的梯度，Gy(i, j)為90°(y 方向)的梯度，G45(i, j) 為45°方向的梯度，G135(i, j) 為135°方向的梯度。

根據(jù)梯度值反映出的周?chē)袼鼗叶茸兓闆r，通過(guò)梯度幅值矩陣計(jì)算其平均梯度幅值并分別計(jì)算各模板當(dāng)前像素平均梯度幅值，用平均幅度值代替原有梯度幅度值。

1.2 母豬體重模型建立

經(jīng)研究[4]，本文通過(guò)偏最小二乘回歸分析法對(duì)母豬體重進(jìn)行估測(cè)模型構(gòu)建，分析各成分的累計(jì)解釋方差，結(jié)果如表1 所示。

由表1 可知，通過(guò)PLS 方法的交叉有效性檢驗(yàn)，回歸模型的R2 為0.945。表明母豬的體尺在解釋母豬體重時(shí)起到了重要的作用。通過(guò)PLS 做母豬體重y 在前4 成分的線(xiàn)性回歸得到母豬體重估測(cè)模型為：

式中x1 為胸圍，x2 為腱圍，x3 為體長(zhǎng)，x4 為體寬，x5 為體高，x6 為臀寬，x7 為臀高，y 為體重。

2 試驗(yàn)結(jié)果與分析討論

2.1 試驗(yàn)材料

選用山西運(yùn)城某豬場(chǎng)60 頭處于生長(zhǎng)不同階段的長(zhǎng)白母豬作為試驗(yàn)對(duì)象，利用4 臺(tái)高清廣角攝像機(jī)對(duì)母豬進(jìn)行實(shí)時(shí)圖像采集，通過(guò)局域網(wǎng)在電腦上顯示采集圖像并進(jìn)行相應(yīng)處理。

2.2 誤差分析

在60 個(gè)實(shí)驗(yàn)樣本中，去除一些非標(biāo)準(zhǔn)樣本，從中選取了21 頭母豬作為實(shí)驗(yàn)對(duì)象進(jìn)行驗(yàn)證。通過(guò)體重模型估測(cè)母豬體重并繪制誤差曲線(xiàn)如圖1 所示，其平均誤差率為3.2%。

3 結(jié)論與討論

本文通過(guò)優(yōu)化PBAS 算法和Canny 邊緣值檢測(cè)算法來(lái)滿(mǎn)足待測(cè)母豬活動(dòng)量以及豬舍環(huán)境的復(fù)雜度，降低待測(cè)物體邊緣誤檢率使其圖像連續(xù)性更好。通過(guò)分析各成分與其體重的相關(guān)性建立母豬體重估測(cè)模型完成對(duì)母豬體重?cái)?shù)據(jù)的獲取。

本文從計(jì)算機(jī)視覺(jué)角度對(duì)母豬體重?cái)?shù)據(jù)進(jìn)行非接觸測(cè)試獲取。通過(guò)誤差分析表明，估測(cè)的體重?cái)?shù)據(jù)相對(duì)誤差在3.2%以?xún)?nèi)，該結(jié)果可以達(dá)到較好的精確度。利用計(jì)算機(jī)視覺(jué)技術(shù)，獲取母豬圖像數(shù)據(jù)進(jìn)而進(jìn)行圖像分析，能更方便、準(zhǔn)確的測(cè)量出母豬的體態(tài)參數(shù)，通過(guò)參數(shù)分析預(yù)估其生長(zhǎng)發(fā)展趨勢(shì)，建立生長(zhǎng)模型，從而更加有效的改善母豬生長(zhǎng)環(huán)境積極的預(yù)防母豬生長(zhǎng)疾病。