基于时空兴趣点的猪的跛脚行为识别

如今,智能视频监控技术已广泛应用于精准畜牧业领域,如跛足检测、呼吸检测、行为识别等。基于视频监控技术的动物行为感知已成为精准畜牧业领域的研究热点。本文在机器视觉基础上,针对视频数据中猪的跛脚识别问题,提出基于时空兴趣点的猪的跛脚识别方法。该方法在实际拍摄的视频中获得了良好的跛脚识别性能,对及时发现猪的跛脚疾病、阻止扩散、及时处理具有深远的意义。首先,针对视频中猪运动的关键部位检测问题,本文采用了基于Gabor滤波器和基于时空约束的两种时空兴趣点检测算法。基于Gabor滤波器的检测算法能够从视频中检测出在时间上具有明显的图像强度变化的兴趣点,这些兴趣点对应着视频中猪的运动部分,能够详细的描述猪的行为。尽管能够得到丰富的兴趣点,然而,由于拍摄环境复杂、光线变化等原因,该算法的检测结果中包含较多的背景点,从而影响识别的精度。为了解决此问题,本文进一步采用基于时空约束的检测算法。通过对视频中时空兴趣点的分布特点进行分析,本文采用时空约束来抑制视频中的两类背景点。这两类背景点分别为无明显结构信息的背景点(如视频中的同质区域的点)和具有明显结构信息但在时间轴上无明显变化的背景点(如背景中栏杆处的点)。其次,针对视频特征量化和识别的问题,本文采用基于高斯混合模型和软量化的特征量化方法。传统的词包模型采用Kmeans聚类算法得到视觉词典,并使用硬投票得到量化特征,忽略了局部描述子之间的相互关系,容易导致较大的量化误差。因此,本文采用高斯混合模型对局部描述子的分布进行建模,训练得到多个高斯成分。每个高斯成分作为一个视觉单词,构建出视觉词典,并使用软投票的量化方法对视频进行量化。该方法充分考虑了描述子的概率分析,能够很好地降低量化误差。最后,本文对两种兴趣点检测算法和两种量化方法进行交叉实验。其中,采用基于时空约束的检测算法进行兴趣点检测,以及采用基于高斯混合和软投票的方法进行量化使得跛脚的识别率达到96%。实验结果表明,本文提出的方法能够较好的区分跛脚视频和正常视频,提高跛脚识别率。该研究对及时发现猪的跛脚疾病并快速处理具有深远意义。