[发明专利]一种基于视觉显著性的攻击行为猪的识别方法

说明书

本发明公开了一种基于视觉显著性的攻击行为猪的识别方法，属于数字图像处理技术领域。首先对获得的实时监控视频，利用基于金字塔分层的Lucas‑kanada光流法对采集到的图像进行光流信息的提取，其次根据相邻帧间光流方向差分图和猪的光流面积判断该帧是否具有攻击嫌疑。再次，分别利用超像素间在颜色上的距离之和以及光流的速度信息来进行空间域显著图的提取和时域显著图的提取。最后，对前面得到的空间域显著图和时域显著图经过归一化处理后进行融合，来识别具有攻击行为的猪。该方法的准确率达89.33％，且对正确识别出的攻击事件均能准确的提取出参与猪只，为采用视觉显著性技术识别出猪圈中具有攻击行为的猪提供了新思路。

技术领域

本发明属于数字图像处理技术领域，涉及视觉显著性检测和发生攻击行为的猪的识别，具体涉及一种基于视觉显著性的猪的攻击行为的判断及发生攻击行为的猪的识别。

背景技术

在计算机视觉领域中视觉显著性检测一直是一个重要的研究方向。它能通过智能算法模拟人的视觉特点，提取图像中的显著区域(即人类感兴趣的区域)。目前，国内外对视觉显著性图像处理领域主要应用在图像检索、目标跟踪、图像压缩和人群异常行为检测等方面。然而，利用视觉显著性检测技术在农业领域特别是养殖行业中群养猪的攻击行为识别的研究还是很稀少的。这对该领域的研究来说既是机遇也是挑战。在视觉显著性检测方面深度学习的应用代表了对象检测中最先进的水平，然而在本文中我们得到的数据集并不大，因此使用传统的算法仍然是有效便捷的方法。对于在光照强度复杂的猪圈中提取颜色不一的攻击性猪的任务，单一的空间域显著性或者时域显著性特征都不能很好的完成这个任务。针对这些问题，本论文对发生攻击事件的猪只分别进行空间域和时间域的显著性特征提取，最后结合空间域显著图超像素内部空间的连续性和时间域显著图攻击事件区域发生的确定性，利用归一化后的融合方法识别出监控视频中具有攻击行为的猪。实验表明，基于视觉显著性的攻击行为猪的识别方法是有效可行的，同时为群养猪的攻击行为识别提供了新的思路和方法。

发明内容

本发明的目的设计出一种基于视觉显著性的攻击行为猪的识别方法。利用空间域显著图和时间域显著图各自优点分别从复杂的猪圈环境中提取前景猪和从不同的猪的运动状态下定位攻击行为，将较为复杂的包含颜色、距离、速度等多特征的综合处理转化为分别处理，降低了在猪圈环境中攻击行为猪的识别方法的复杂性，最后对时空显著图归一化后进行融合完成攻击行为猪的识别。

本发明所采用的技术方案是：一种基于视觉显著性的攻击行为猪的识别方法，其特征在于包括以下步骤：

(1)采集猪圈中带有攻击事件的彩色俯视群养猪视频；

(2)对猪舍中的群养猪目标图像利用基于金字塔分层的Lucas-kanada光流法进行光流信息的提取；

(3)猪的攻击事件判断的处理包括相邻帧间光流方向差分图的构建，一种新的根据相邻帧间光流方向差分图和猪的光流面积作出发生猪的攻击事件标准的判定方法；

(4)空间域显著图的处理，即对判断为包含猪的攻击事件的图像进行SLIC(简单线性迭代聚类法)超线性像素分割后求所分割的超像素的颜色值，并挨个计算超像素与整个图像上其它所有超像素在颜色上的距离之和作为该超像素的空间域显著值；

(5)时间域显著图的处理，即利用得到的光流信息对包含猪的攻击事件的连续帧图像进行事件区域的分割后选取攻击区域，忽略非攻击区域，并且将攻击区域的光流值映射到灰度图形成时间域显著图；

(6)时空显著图融合的处理，一种新的利用时间域显著图攻击事件区域的确定性和空间域显著图同一超像素内颜色值的连续性，将时空显著图融合起来；

(7)通过时空显著图的融合以达到理想的检测效果识别出发生攻击行为的猪。