[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

说明书

本发明公开了一种利用深度图像和CNN‑SVM的群猪多姿态识别方法，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CNN‑SVM检测器，将所述输入数据作为检测器的训练数据；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。本发明的有益效果：本文模型与传统SVM、CNN识别姿态的差异，在相同的训练数据和测试数据下，姿态识别的准确率分别为94.6368％、92.2175％和90.5396％，很明显在识别准确率上有了一个较大提升。

技术领域

本发明涉及群猪多姿态识别的技术领域，尤其涉及一种利用深度图像和CNN-SVM的群猪多姿态识别方法。

背景技术

判断猪在环境中是否健康舒适是猪行为检测的一个重要方面，生猪的姿态可以作为一个反应生猪是否健康和舒适的一个指标。一般情况下生猪相比站立更喜欢躺，在环境温度较高时，猪一般呈现四肢伸展的完全平卧的方式，呈现出侧卧的方式，在环境温度较低是生猪会呈现出四肢折叠在身体下方的胸骨卧或者腹部、胸骨着地，前腿折叠在身体下方，后腿可见的腹部卧。同时在温度较高时生猪会表现的更加焦躁活动量会增加，生猪表现站立姿势相比气温较低有所增加，以上表明了猪只在环境中是否健康舒适的姿态在行为检测的重要性。

随着生猪的养殖规模越来越大，人们对于生猪的行为检测需求不仅仅是单头猪只，饲养者希望可以对群猪行为进行检测。机器视觉和机器学习技术相互融合增加了对大规模农场动物行为、健康和生长状况的检测的可能性，这有助于进一步的福利养殖，同时针对它们现阶段情况如健康状况和社会活动，管理者可以做出及时的调整。生猪的视频行为检测是机器视觉技术和深度学习技术应用的一种典型方式。这是一种精确、低成本、无应激性的非入侵的方式，对于动物和饲养者本身都没有压力，并且适应室内和室外的生产情况，避免了传统手工记录的繁琐、效率低下的过程。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明解决的技术问题是：基于深度视频利用机器视觉和深度学习技术实现猪的群体多姿态识别。

为解决上述技术问题，本发明提供如下技术方案：一种利用深度图像和CNN-SVM的群猪多姿态识别方法，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。

优选的，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。

优选的，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：