[发明专利]一种基于椭圆拟合和预测性神经网络的猪步态异常检测方法

说明书

技术领域

本发明涉及图像处理与模式识别，特别是涉及一种基于椭圆拟合和预测性神经网络的猪步态异常检测方法。

背景技术

现阶段，针对人体的步态检测以及应用已经得到了很大的发展，人行走时与步态相关的角度信息也成为识别判定步态的重要因素之一。2008年，美国爱荷华州立大学农业与生物系统工程学院研究小组，研究了基于机器视觉圈养猪对温度的舒适度评估和控制，对多只猪的睡姿进行了温度舒适度的视觉监测，借以对猪舍环境进行评估和智能调控猪舍温度，以期实现智能化的猪饲养模式。2009年，西班牙瓦伦西亚理工大学的J.M.Navarro-Jover等人领导的研究小组，研究了基于计算机视觉的自动颜色算法追踪仔猪的位置，该系统是基于图像处理，捕获图像中使用不同颜色标记的仔猪。

D.Hogg等人为了建立人行走的三维模型，采用圆柱体模型来描述人体，期中，人体由14个椭圆柱组成，各圆柱体采用椭圆柱长、椭圆的长轴和短轴三个参数来表示。

近年来，养猪的规模化水平已经得到了极大的提高。但是，某些猪疾病依旧得不到及时有效的检测和治疗。对于猪口蹄疫这类会造成猪步态异常的猪疾病来说，若不能在该病发生初期扑灭，疫情会迅速扩大蔓延，造成不可收拾的局面。所以在饲养规模日益庞大，精细化程度要求日益提高的今天，如何实现及时有效智能化的步态异常检测已经成为了迫切的需要。

发明内容

发明目的：提供一种通过对猪体椭圆拟合提取步态序列数据，使用提取出来的步态序列数据构建神经网络进行训练模型，利用该训练模型智能的检测识别出猪步态异常序列检测方法。

技术方案：一种基于椭圆拟合和预测性神经网络的猪步态异常检测方法，包括如下步骤：

(1)图像采集及预处理

采集实验所需要的视频样本，包括猪正常行走和异常步态的视频；截取视频样本获得连续目标帧，并对目标帧进行预处理，得到正常行走和异常步态的猪轮廓序列；

(2)猪体轮廓的椭圆拟合

利用关节分类的办法将猪的整体轮廓、头颈部以及四肢的每一小节进行切割分块，并用椭圆拟合分别对每一部分建模，以椭圆的中心位置、长轴、短轴、长轴与+X轴转角参数作为猪的行走的步态特征参数序列；

(3)PCA特征优化处理

根据步态序列之间存在着极大的相关性，通过主成份分析对提取出来的特征进行优化处理，提取特征序列；

(4)统计数据的预测性神经网络训练模型创建及训练

利用预测性神经网络建立关于正常行走和异常步态特征序列的训练模型；

(5)步态异常识别测试

通过训练模型检测输入的步态序列是否属于异常行走。

进一步的，所属步骤1)包括：首先，在猪舍环境和光线理想的条件下进行目标视频的拍摄；然后，对目标视频图像提取一系列的单帧图像，采用背景减除法来检测出目标图像猪；再者，采用二值化和形态学处理获得完整的目标图像；最后，采用canny算子提取猪体目标轮廓。

进一步的，所属步骤(2)和(3)包括：首先，根据已经得到的猪体目标轮廓，对猪体边缘上的点进行椭圆拟合；然后，根据椭圆拟合结果，得到头部、躯体、前肢以及后肢四个椭圆；再者，利用椭圆几何参数椭圆中心位置(x_c,y_c)，长轴a和短轴b以及长轴a与+X轴转角θ，得到猪正常行走和异常步态序列数据；最后，利用主成分分析分别对提取出的正常行走和异常步态序列进行特征优化，降低序列维度。

进一步的，所属步骤(4)和(5)包括：对周期性的统计数据进行预测性神经网络的训练模型建立，首先，采用多组正常行走和异常步态的训练集分别进行神经网络的训练，再对训练过后的神经网络输入测试数据集，判别该测试集步态是否属于异常行走。

有益效果：与现有技术相比，本发明可以有效的识别出猪的异常行走，例如猪的跛脚行走，前肢疾病以及外伤引起的前肢不稳行走等异常行走行为，为实现大规模智能化的养猪业提供良好的基础。

附图说明

图1本发明方法的流程图；

图2是目标轮廓提取图；

图3是目标图像椭圆拟合结果图；

图4是椭圆几何参数图；

图5是椭圆拟合结果参数提取结果范例图；

图6是24帧图像序列图；

图7是神经网络模型图；

图8是预测性神经网络设计步骤流程图。

具体实施方式

下面结合附图对本发明进行详细的说明。