[发明专利]一种利用深度图像和CNN-SVM的群猪多姿态识别方法

权利要求书

1.一种利用深度图像和CNN-SVM的群猪多姿态识别方法，其特征在于：包括以下步骤，

采集初始数据集；

定义和描述生猪的各姿态；

对所述初始数据集进行深度图像处理，获取各姿态下目标猪只的肩臀部深度距离、肩臀部深度距离比值、凸包的面积与边界的比值和凸包的周长与边界的比值作为输入数据；

构建用于生猪姿态检测和分类CNN-SVM检测器，将所述输入数据作为检测器的训练数据，训练完成得到模型各层之间的权重参，并保存模型；

待识别目标群猪的图像数据由CNN模型的第一个全连接层获取特征向量，把其送入SVM分类进行数据分类完成姿态识别。

2.如权利要求1所述的利用深度图像和CNN-SVM的群猪多姿态识别方法，其特征在于：所述深度图像处理包括以下步骤，

通过Grabcut图像分割提取目标物，先将目标物标定在进行分水岭分割；

基于分割后猪只图像，通过最小外接矩形调整猪只到水平位置，获取肩部和臀部的深度信息；

并对分割后猪只图像，进行图像二值化，找到并计算每头猪各个姿态下凸包的周长和面积以及生猪边界。

3.如权利要求1所述的利用深度图像和CNN-SVM的群猪多姿态识别方法，其特征在于：所述肩臀部的深度距离的提取包括以下步骤，

分水岭分割后的图像基于区域属性进行裁剪；

对裁剪后的单只猪只图像求其凸多边形，进而求得最小外接矩形；

得到俯视图像中水平角度，若水平角度大于1，则对每只猪只图像进行相应的旋转，将其调整为水平，旋转角度公式如下：

其中T₀(x₁,y₁)、T₁(x₂,y₂)分别是凸包络一条边的两个顶点，T_i(x_t,y_t)是凸包络的顶点，(t＝1,2,...，n)，(x’_t,y’_t)是T_i(x_t,y_t)是旋转θ后的坐标；

取猪只身体的1/5起至2/5段深度距离的平均值作为其深度值，臀部的深度信息采集方式同上约从6/10起至8/10处，取平均值作为其深度距离，肩部深度距离计算公式如下：

其中，D_s-final肩部取均值后的深度距离，(D_s-(i))_{body(1/5～2/5})为猪只从头部开始移动整个身体的1/5起至2/5处肩部一点的深度距离，n为获取肩部深度距离值点的数量，thrshold为设定阈值，臀部获取与肩部原理相同。