CN103679181B - 基于机器视觉的猪舍内猪只标记识别方法 - Google Patents

Abstract

本发明公开了一种基于机器视觉的猪舍内猪只标记识别方法，包括如下步骤：步骤1，在猪背部作猪只标记并由摄像头获取猪舍内图像，所有猪只标记互不相同；步骤2，根据获取的图像进行猪只定位；步骤3，在猪只所在位置获得猪只标记并进行识别处理，得到各位置猪只所对应的猪只标记。本发明方法采用机器视觉技术、图像处理技术来识别被标记的猪只，自动化程度高，可以时刻用来监测猪只的行为，通过识别及记录猪只的位置，对猪只的运动行为进行分析，发现异常行为，进而进行隔离，对疾病预防也有重要意义。

Description

基于机器视觉的猪舍内猪只标记识别方法

技术领域

发明涉及机器视觉、图像处理及模式识别领域，尤其涉及基于机器视觉的猪舍内猪只标记识别方法。

背景技术

目前我国生猪养殖业产值占畜牧业总产值的比重达47%，养猪业在我国畜牧业中的地位举足轻重。从国际上来看，我国生猪饲养量和猪肉消费量约占世界总量的一半，几十年来均居世界第一位，在世界生猪产业发展中具有十分重要的地位。在我国的肉类消费中，猪肉所占比例高达60%以上。虽然在数量上是猪肉生产和消费大国，但在生产管理水平方面与世界先进的养猪国家相比还有较大差距。

我国养猪业虽然正由粗放式散养向中等养殖规模的集中饲养方向发展，养殖方式上有了一定的改进，但在精准养殖方面还存在着大量问题（颜世涛，闰银发，宋占华等.奶牛个体智能化精料变量补饲系统设计与试验[J].农业机械学报，2011,42(2)：168-172.）饲养设备自动化水平低，缺乏智能化特性，劳动强度大，猪舍环境设施简陋，不能满足信息化养殖的需求，养殖场管理模式陈旧，生产效率低下，与现代养殖理念相差较远。

从养殖企业来讲，由于物价上涨，造成养殖成本上升，养殖企业需要进技术的自动化、智能化设备，信息化、数字化的管理手段，来降低成本，提高畜禽产品的附加值和企业的养殖效率。

从消费者方面讲，经济的快速发展带来生活水平的不断提高，人们对各类畜禽肉的需求不断加大，同时对自身健康和生存环境的关注，对安全、无污染、高品质绿色食品的需求日益强烈，对目前规模化的商品畜禽养殖提出了非常严格的要求，迫切需要实现商品猪的精准养殖与管理[王保恒.基于RFID的商品猪精准养殖与管理系统设计.江苏大学，硕士学位论文.2012.]。

从1980年以来，计算机技术、信息技术、人工智能控制与系统集成等技术越来越广泛地应用于养猪业中，推动商品猪养殖业的精准化进程。在精准化、数字化和自动化方面有了很快的发展。通过规范而有效的防治疾病、高效的利用饲料、生长环境及养殖设备的自动化控制与信息化管理等措施，极大地提高了劳动生产率，养殖生产规模也日趋扩大化。现如今，科技的发展进步和广泛的应用为实现商品猪精准养殖的奠定了重要的基础。

随着视频监控系统在现代化养猪场运用的兴起，监控分析自动化和智能化是其发展趋势，其中及的视频图像处理技术因猪舍环境的复杂性和研究内容的具体性，研究目标及成就也呈现多样性[朱伟兴，浦雪峰，李新城，等.基于行为监测的疑似病猪自动化识别系统[J].农业工程学报，2010，26(1)：188－192.]。

国内从2000年以后开始进行商品猪精准养殖、数字化质量控制技术的研究，北京大学数字地球工作室与山东农业大学动物科技院(2005)合作的“RFID技术及其在奶牛精细养殖数字化系统中的应用研究”项目，构建了以数据处理为基础的奶牛精细养殖数字化系统的体系，利用RFID和传感器技术跟踪奶牛的生产活动(刘艺兵，李琦，王中华.RFID技术及其在奶牛精细养殖数字化系统中的应用研究[J].宁夏农林科技.2005(3)：3-5.)。范永存等对奶牛精量饲喂系统进行了研究，实现了系统根据奶牛信息进行自动投料(FanYongcun,ZhangChangli,DongShoufian,etc.Research onprecise feeding systen of daily cattle[J].Transactions of the Chinese Societyfor Agricultural Machinery,2009,(40):65-68(in Chinese))。刘世洪等进行了商品猪精细养殖数字化技术平台构建与实现，实现了上位机软件管理平台的构建(刘世洪，郑火国，胡海燕等.商品猪精细养殖数字化技术平台构建与实现[J].农业网络信息，2005(11)：113-120.)。

江苏大学的王保恒，朱伟兴进行了基于RFID的商品猪精准养殖与管理系统设计，以RFID标识技术作为商品猪个体的标识解决方案，以电子耳标作为标识手段，实现对猪个体的身份识别，为每只猪建立一个电子档案，实现了对猪个体的自动监控，将传统的粗放管理转变为以“头”为单位的精细化管理[王保恒.基于RFID的商品猪精准养殖与管理系统设计.江苏大学，硕士学位论文.2012.]。

通过将猪只安装耳标的方法，可以实现猪只的识别，但不能获取猪只的位置及图像信息。关于通过图像处理的方法进行猪只的识别的报到及研究，只是集中到了侧面图像及单个的识别。通过图像处理的方法来识别猪只，会更节省成本，更便于管理。

英国、荷兰、美国、日本等发达国家已经陆续建立了一批自动化程度较高的畜禽养殖农场，尤其是将现代化信息技术用于畜禽的摄食、行为、环境舒适度等信息的收集，并对这些信息与动物生长的关系分析等方面进行了研究，并取得了不错的效果。辛宏伟教授等(2011)设计了群养火鸡的个体摄食量及体重的实时自动监控系统[Xuyong Tu,Shuxin Du,Lie Tang,et al.A real-time automated system for monitoring individual feed intake andbody weight of group housed turkeys[J].Computers and Electronics inAgriculture,2011,75(2):313–320.]，实现了对火鸡的体重与采食量的提取，啄力、吞咽间隔等摄食行为的观测，对火鸡的饲养和研究非常有价值。

荷兰研发了基于动物个体编码的计算机养殖管理系统，此系统具有生长过程的模拟预测，奶牛个体产奶量计量，定量配置饲料，自动进行饲喂，健康与生理指标监测等功能，还可以进行效益的评估和生长速率的调节(王海彬，王洪斌，肖建华.奶牛精细养殖信息技术进展[J].中国奶牛，2009(3)：15-17.)。

马丽等[马丽，纪滨，刘宏申，等。单只猪轮廓图的侧视图识别。农业工程学报，2013，29（10）：168-174]研究从猪舍监控视频中自动分割出单只猪理想侧视图的视频图像，对猪的行为分析是有意义的。为了识别每帧图像猪轮廓图的侧视图属性，该文通过图像处理获取猪只轮廓图后，提出联立猪只外接矩形高宽比和低频傅立叶系数构建猪只侧视图的特征向量，并根据样本训练集得到理想侧视图和非理想侧视图特征向量均值和方差，利用马氏距离判别法从测试视频中识别未知帧图像的类别，结果表明有91.7%猪只轮廓图的侧视图属性能正确识别。但是仅仅实现了单只猪的侧视图的识别，还不能用于多只猪的识别。

如何将机器视觉与多只猪的位置识别结合起来，从而利用机器视觉来识别猪舍内不同猪所在的位置是亟需解决的问题。

发明内容

为了利用机器视觉来识别猪只位置，本发明提供了一种基于机器视觉的猪舍内猪只标记识别方法，利用机器视觉识别猪背上的猪只标记，从而识别不同猪所在的位置。

一种基于机器视觉的猪舍内猪只标记识别方法，包括如下步骤：

步骤1，在猪背部作猪只标记并由摄像头获取猪舍内图像，所有猪只标记互不相同；

步骤2，根据获取的图像进行猪只定位；

步骤3，在猪只所在位置获得猪只标记并进行识别处理，得到各位置猪只所对应的猪只标记。

通过在猪的背部做猪只标记，由摄像头获取图像并进行处理识别，简化了设备的同时，减轻了对猪只的伤害。其中步骤2以及步骤3的过程均由计算机完成。

步骤2根据获取的图像进行猪只定位的方法包括：

步骤2-1，由获取的图像得到二值图像；

步骤2-2，在所得二值图像中采用椭圆拟合法进行猪只定位。

将摄像头摄取的图像处理成二值图像，有助于从图像中提取关键信息，增加识别效率。在进行椭圆拟合法之后，不同位置的猪只均用椭圆表示。

在步骤2-1中，得到二值图像的步骤包括：

步骤2-11，对图像进行二值化处理，得到初步二值图像；

步骤2-12，去除初步二值图像中的围栏；

步骤2-13，对步骤2-12中得到的图像进行腐蚀处理，得到最终的二值图像。

通过去除围栏以及进行腐蚀处理，所得的最终二值图像去除了无关信息，提高了识别的效率。

在步骤2-11中，采用平均值法得到灰度图像，再通过Ostu算法确定二值化处理的阈值，对所述灰度图像进行二值化处理，从而得到初步二值图像。

通过取红绿蓝三种色彩像素强度值的平均值来得到灰度值，从而得到灰度图像。二值图像仅存在黑、白两种色彩，需要确定阈值才能进行图像二值化处理，Ostu算法计算简单，稳定有效，是实际应用中经常采用的确定阈值的方法。Ostu算法也称最大类间差法，有时也称之为大津算法，被认为是图像分割中阈值选取的最佳算法，计算简单，不受图像亮度和对比度的影响，因此在数字图像处理上得到了广泛的应用。它是按图像的灰度特性,将图像分成背景和前景两部分。背景和前景之间的类间方差越大,说明构成图像的两部分的差别越大,当部分前景错分为背景或部分背景错分为前景都会导致两部分差别变小。因此，使类间方差最大的分割意味着错分概率最小。

在步骤2-13中，腐蚀处理的方法为采用5*5的结构元素将步骤2-12所得图像中的每个像素进行腐蚀操作。

采用腐蚀处理可以去除面积较小的杂质。腐蚀是一种消除边界点，使边界向内部收缩的过程。可以用来消除二值图像中小且无意义的噪声像素，对得到的二值图像运用腐蚀算法进行处理，可减小干扰。

在步骤2-2中，所采用的椭圆拟合法为最小二乘椭圆拟合法。

步骤3中获取猪只标记并进行识别处理的步骤如下：

步骤3-1，在椭圆拟合范围内提取图形标记；

步骤3-2，将所提取的图形标记与标准的猪只标记进行匹配，获得匹配结果。

在进行椭圆拟合后，仅仅得到图像内椭圆所对应的各猪只的位置，还需要通过提取该椭圆内的图形标记，与标准的猪只标记进行匹配，才能得到各个不同标记对应的不同猪只，从而获得对应的猪只所在的位置。

步骤3-1中提取图形标记的方法为：

步骤3-11，在各个拟合的椭圆范围内提取像素值为0的元素，从而获得标记点；

步骤3-12，采用Sobel算子检测标记点的轮廓，得到图形标记。

像素值为0的元素即为标记点，通过用Sobel算子提取标记点边缘，能快速有效地得到图形标记的轮廓。

步骤3-2中将提取的图形标记与标准的猪只标记进行匹配的方法为：

步骤3-21，计算所提取的图形标记轮廓的傅立叶描述子，并将傅立叶描述子进行归一化；

步骤3-22，计算所提取图形标记的归一化傅立叶描述子与标准的猪只标记的归一化傅立叶描述子之间的欧氏距离，欧氏距离最小的即为所匹配的猪只标记。

图形标记的轮廓为一条封闭的边界曲线，边界曲线可展开为傅立叶级数，其中傅立叶变换系数与边界曲线的形状有关，当傅立叶变换系数的阶次足够多时，足以描述边界曲线的形状。傅立叶变换系数与图形边界的尺度方向，起始点的选择有关，因此对傅立叶描述子归一化后再进行识别，这样就具有了旋转、平移和尺度不变性的特性。通过计算图像中提取的图形标记的归一化傅立叶描述子与标准的猪只标记的归一化傅立叶描述子之间的欧氏距离，将最接近的标准猪只标记与所提取的图形标记相对应，从而识别出不同位置对应哪一只猪。

采用本发明方法，具有下述有益效果：(1)只需对猪只进行背部标记，无需安装耳标或其他有伤猪只身体的标记，使其免受生物安全风险及痛苦的安装过程，对猪只完全无伤害。(2)操作方便快捷，图像处理等方法有效，能快速、精确的实现猪只的识别；(3)自动化程度高，通过识别及记录猪只的位置，对猪只的运动行为进行分析，简化了装置，为基于机器视觉的多只猪只的监测及分析提供了突破口。

附图说明

图1为本发明一个实施例的装置图；

图2为当前实施例的流程图；

图3为当前实施例所采用的图形标记；

图4为当前实施例步骤2至步骤3进行猪只识别的流程图；

图5为当前实施例得到的初步二值图像；

图6为当前实施例去除围栏后的二值图像；

图7为当前实施例中进行腐蚀处理后得到的结果图像；

图8为当前实施例猪只识别结果。

具体实施方式

现结合附图和实施例进行说明。

如图1所示，本发明实施例的装置包括：猪舍1，包括猪舍的建筑实体和围栏；摄像头2，用来获取猪只的视频信息；传输线3，用于传输图像信息；猪只4，在所有猪只背部标上猪只标记，以便通过机器视觉技术及图像处理技术，来识别不同的猪只；计算机5，用于对获取的信息进行处理，识别出不同标记的猪只。摄像头2安装在猪舍1围栏的中间位置的上方，以摄像头2的视场可以获取整个围栏内的信息为宜。

现根据图2所示流程图进行解释。

步骤1，在猪背部作猪只标记并由摄像头获取猪舍内图像。

首先在猪舍1内猪只4背部作图形标记。采用10*10cm大小的橡胶模板，沾取蓝色染料，在猪只的背部进行标记。各模板上刻有不同的形状，便于识别不同猪只。用于标记的图形如图3所示。各个图形标记的形状各不相同，结构简单的图形，都可以作为图形标记。本发明专利的图形标记，不仅限于图3所列出的图形。

对猪只进行标记之后，再通过摄像头获取信息，本发明实施例选择USB接口数码摄像头作为图像采集设备，无需图像采集卡，使用方便，大大降低了仪器的开发成本。接着进入步骤2。

步骤2，根据获取的图像进行猪只定位。

由计算机进行图像处理，来识别被标记的不同猪只。通过图像处理进行猪只识别的流程图如图4所示，具体步骤如下：

步骤2-1，得到二值图像。

摄像头拍摄的种子图像为JPEG格式，在二值化图像之前需要先对图像预处理。将RGB图像转换为灰度图像，一种常用的转换为平均值法，即取红绿蓝三色的平均值为灰度，从而得到灰度图像。灰度表达式如下：

Gray=（R+G+B）/3

其中，R表示红色强度值，G表示绿色强度值，B表示蓝色强度值。

设灰度图像灰度级是L，则灰度范围为[0,L-1]，利用Ostu算法计算图像的最佳阈值为：

t=Max[w₀(t)*(u₀(t)-u)^2+w₁(t)*(u₁(t)-u)^2)]

其中的变量说明：当分割的阈值为t时，w₀为背景比例，u₀为背景均值，w₁为前景比例，u₁为前景均值，u为整幅图像的均值，使方括号内值最大的t即为分割图像的最佳阈值。

用阈值t分割图像。对待处理图像f(x,y)的像素点使用该准则找到阈值t，将图像分割为2个部分，也就是通常所说的二值化，其效果如图5所示。二值化表达式为：

$g(x,y)=\left\{\begin{array}{cc}0& f(x,y)<t\\ 1& f(x,y)\&GreaterEqual;t\end{array}\right.$

其中g（x,y）为二值化图像的像素点，1表示白色，0表示黑色，t为阈值。

首先将围栏外的图像删除，得到图6所示的结果。

再对图6所得图像运用腐蚀算法。腐蚀算法为：用5*5的结构元素腐蚀去除围栏后的二值图像，即用结构元素与其覆盖的二值图像中的像素进行与操作：如果原图像中该像素为1，结果图像中的该像素所对应的像素为1；否则为0。表达式如下：

$G^{,}=G\&CircleTimes;B$

其中B为结构元素，G为二值图像，为与运算（即腐蚀运算），G’为腐蚀后的结果图像。

对图6运用腐蚀算法后得到图7所示的结果图像。

步骤2-2，对图7得到的结果图像运用椭圆拟合法定位猪只，得到图8所示。

椭圆拟合法的基本思路是：对于给定平面上的一组样本点，寻找一个椭圆，使其尽可能靠近这些样本点。也就是说到，将图像中的一组数据以椭圆方程为模型进行拟合，使某一椭圆方程尽量满足这些数据，并求出该椭圆方程的各个参数。最后确定的最佳椭圆的中心即为要确定的靶心。

最小二乘法是最早的椭圆拟合方法，它是数据拟合中的基本方法，其基本思想就是考虑数据受随机噪声的影响进而追求整体误差的最小化。对椭圆拟合而言，就是先假设椭圆，再得到每个待拟合点到该椭圆的距离之和，也就是点到假设椭圆的误差，求出使这个和最小的参数。

在最小二乘椭圆拟合的研究过程中，围绕着整体误差最小化的这个思想提出了一些不同类型的拟合方法。几何拟合法将误差距离定义为给定点到几何特征拟合点之间的正交的最短距离。这个定义保持了几何空间变换的恒等性并可以避免拟合结果的偏差。将一个点p_i={x_i，y_i}到椭圆曲线Q(x，y)的正交距离d_i定义为p_i到椭圆上某特定点p_t的欧氏距离，这个特定点要满足的要求为，该点处椭圆的切线与p_i、p_t两点的连线正交。对m个数据点，得到的欧氏距离之和F(p)如下式所示：

$F\left(p\right)=\underset{i=1}{\overset{i=m}{\mathrm{\&Sigma;}}}{d}_i.$

通过最小化F（p），得到椭圆曲线Q。

得到椭圆曲线Q之后，运用文献《旧电影修复技术中的图像处理算法研究——镜头分割及人脸检测》中介绍的椭圆拟合法完成猪只的椭圆拟合，确定各个猪只的位置。

步骤3，在猪只所在位置获得猪只标记并进行识别处理，得到各位置猪只所对应的猪只标记。

步骤3-1，在椭圆拟合范围内提取图形标记。

在各个拟合的椭圆范围内，查找标记点，提取像素值为零的元素，从而得到图形标记。

获取图形标记的轮廓。采用Sobel算子对图形标记进行边缘检测，得到不同标记点的轮廓。

步骤3-2，将所提取的图形标记与标准的猪只标记进行匹配，获得匹配结果。

进行匹配的过程分为两个步骤。

步骤3-21，计算所提取的图形标记轮廓的傅立叶描述子，并将傅立叶描述子进行归一化。

首先，计算所得图形标记的轮廓的傅立叶描述子。

傅立叶描述子的基本思想：假定物体（本发明中为图形标记）的形状是一条封闭的曲线，沿边界曲线上的一个动点p(l)的坐标变化x(l)+jy(l)（即p(l)坐标用复数形式表示）是一个以形状边界周长为周期的函数，这个周期函数可以展开成傅立叶级数形式。傅立叶级数中的一系列傅立叶变系数z(k)直接与边界曲线的形状有关，当傅立叶系数z(k)在取到足够阶次时，可以将物体的形状信息完全提取并恢复出来，因此将傅立叶系数作为傅立叶描述子。

设物体的边界表示为一个坐标序列：{x(n),y(n)|n=0,1,……,N-1}，则它的复数形式表示为：

z(n)=x(n)+jy(n)，n=0,1,……,N-1

这样，边界就可以在一维空间上表示。对于封闭边界，这一序列具有周期性，其周期为N。

一维序列的离散傅立叶变换（DFT）为：

$z\left(k\right)=\underset{n=0}{\overset{N-1}{\mathrm{\&Sigma;}}}z\left(n\right)\exp (-\frac{j2\mathrm{\&pi;kn}}{N}),(0\&le;n\&le;N-1)$

其逆变换公式为：

$z\left(n\right)=\frac{1}{N}\underset{k=0}{\overset{N-1}{\mathrm{\&Sigma;}}}z\left(k\right)\exp \left(\frac{j2\mathrm{\&pi;kn}}{N}\right),(0\&le;n\&le;N-1)$

由于傅立叶系数有能量向低频集中的特性，故用较少的傅立叶系数就可以达到区分不同形状边界的目的。直接得到的傅立叶描述子是对平移、旋转、尺度以及起点具有依赖性的，因此需要进一步处理，以消除平移、旋转、尺度和起点变换对傅立叶描述子的影响。

由上面的介绍可知，用傅立叶系数描述形状时，具有某些不变性。傅立叶系数的幅值||z(k)||，k=0,1,……,N-1具有旋转不变性和平移不变性（其中，z(0)不具有平移不变性），并且与曲线起点的选择无关。相位信息arg(z(k))，k=0,1,……,N-1具有尺度不变性。根据这些性质，可以对傅立叶系数进行归一化，仅利用傅立叶系数的幅度信息。具体方法如下：

令傅立叶系数z(0)为零，从而使||z(k)||与旋转、平移和曲线起点的选择无关；把每一个傅立叶系数的幅值||z(k)||除以||z(1)||，则是不随尺度变化而变化的，所以同时具有旋转、平移、尺度不变性，并且与曲线的起点位置的选择无关，因此将傅立叶描述子进行归一化，得到归一化傅立叶描述子。

对图形标记的边界进行轮廓跟踪，用按逆时针顺序排列的像素点坐标p₀,p₁,...,p_N来描述物体形状（即图形标记的形状），其中p₀=p_N。为了去除冗余数据点，减少傅立叶变换的计算量和消除轮廓曲线的噪声影响，在给定的近似精度D条件下（本发明实施例中为1到2个像素）用数字曲线的多边形近似算法提取边界特征作为原轮廓曲线的近似。近似后多边形的顶点数目远小于原数字曲线的结点数，大大减少边界信息的存储量并降低傅立叶变换的运算量。本发明实施例采用Chen和Su的多边形近似算法，通过提取轮廓曲线上局部区域的最大曲率点作为近似多边形的特征点。

该算法具体步骤详见如下：

（1）初始化算法，获取第一个特征点p₀，即i=0；

（2）在(p_i,p_j)区间的曲线上寻找到直线p_ip_j距离最大的点p_m，满足d(i,j,m)=max d(i,j,k),i<k<j，其中j=i+2且j≤N；

（3）判断p_m是否为特征点，如果d(i,j,k)>D，则将p_m作为特征点，并使i=m，重复步骤（2）到（3），直至找到所有的特征点。

此处，d(i,j,m)表示点p_m到直线p_ip_j的距离，表达式为：

$d(i,j,m)=\left|\frac{(y_j-y_i)x_m-(x_j-x_i)y_m+(y_i{x}_j-x_i{y}_j)}{{({(x_j-x_i)}^2+{(y_j-y_i)}^2)}^{1/2}}\right|.$

由得到的特征点获取近似多边形边界曲线。

采用快速傅立叶变换方法对所得近似多边形边界曲线进行离散化，描述轮廓的形状。

通常，需要先对边界曲线进行离散化，得到具有N个等间距的离散点，然后用下面公式计算这N个点的傅立叶系数z(k)。

$\left\{\begin{array}{c}z\left(k\right)=\underset{n=0}{\overset{N-1}{\mathrm{\&Sigma;}}}(x\left(n\right)+\mathrm{iy}\left(n\right))e^{-j\frac{2\mathrm{\&pi;}}{N}\mathrm{kn}}\\ p\left(n\right)=\frac{1}{N}\underset{k=0}{\overset{N-1}{\mathrm{\&Sigma;}}}z\left(k\right)e^{j\frac{2\mathrm{\&pi;}}{N}\mathrm{kn}}\end{array}\right.$

其中p(n)为z(k)的傅立叶逆变换，k=0,1,……，N-1；n=0,1,……，N-1。

离散傅立叶变换需要对边界曲线进行等弦长的离散化。为保证形状的精度，采样点数目N一般很大（N远大于256），因此傅立叶变换的运算量很大，同时边界曲线的离散化采样误差使得z(k)的精度降低。

为了提高傅立叶描述子的计算速度，需要减少采样点的数目，通过边界曲线的多边形近似算法。本发明实施例通过对近似多边形曲线的各条直线段进行连续傅立叶变换来代替原来的离散傅立叶变换，结果在保留形状特征的同时大大降低了傅立叶变换的运算量，并消除了边界曲线离散化采样引起的误差，傅立叶描述子z(k)的计算公式如下：

$p\left(l\right)=x\left(l\right)+\mathrm{iy}\left(l\right)=\underset{k=-\&infin;}{\overset{+\&infin;}{\mathrm{\&Sigma;}}}z\left(k\right)e^{l\frac{2\mathrm{\&pi;kl}}{L}}$

其中，

$\begin{array}{c}z\left(k\right)=\frac{1}{L}{\&Integral;}_0^{L}p\left(l\right)e^{j\frac{2\mathrm{\&pi;kl}}{L}}\mathrm{dl}=\frac{1}{L}\underset{n=0}{\overset{N-1}{\mathrm{\&Sigma;}}}{\&Integral;}_{l_n}^{l_{n+1}}p\left(l\right)e^{j\frac{2\mathrm{\&pi;kl}}{L}}\mathrm{dl}=\\ \left\{\begin{array}{c}\frac{1}{L}\underset{n=0}{\overset{N-1}{\mathrm{\&Sigma;}}}\frac{l_{n+1}-l_n}{2}[x_{n+1}-x_n)+j(y_{n+1}-y_n)],k=0\\ \frac{1}{j2\mathrm{\&pi;k}}\underset{n=0}{\overset{N-1}{\mathrm{\&Sigma;}}}\left\{\right[x_n+j{y}_n+(\frac{x_{n+1}-x_n}{l_{n+1}-l_n}+j\frac{y_{n+1}-y_n}{l_{n+1}-l_n})(\frac{L}{j2\mathrm{\&pi;k}}-l_n)](e^{-j\frac{2\mathrm{\&pi;k}}{L}{l}_n}-e^{-j\frac{2\mathrm{\&pi;k}}{L}{l}_{n+1}})+\\ (\frac{x_{n+1}-x_n}{l_{n+1}-l_n}+j\frac{y_{n+1}-y_n}{l_{n+1}-l_n})(l_n{e}^{-j\frac{2\mathrm{\&pi;k}}{L}{l}_n}-l_{n+1}{e}^{-j\frac{2\mathrm{\&pi;k}}{L}{l}_{n+1}})\},k\&NotEqual;0\end{array}\right.\end{array}$

其中顶点p_n的坐标为(x_n,y_n)，l_n表示近似多边形曲线的顶点p_n到起点p₀间的边长和，L为近似多边形曲线的周长。

在得到傅立叶描述子之后对其进行归一化。

傅立叶描述子与形状的尺度、方向和曲线的起始点p₀位置有关。为了识别具有旋转、平移和尺度变换不变性的形状，需要对傅立叶描述子进行归一化。为了能够同时保留傅立叶系数的模与相位信息，并识别具有旋转、平移和尺度不变性的任意形状，一种可行的方法就是将物体旋转到相同的方向（如使物体的主方向水平向右），然后令物体与x正半轴的交点作为边界的起点，形成新的顶点序列，最后利用归一化后得到的傅立叶描述子||z(k)/z(1)||进行识别，其缺点是需要旋转形状和计算边界的起始点，运算较为麻烦。本发明方法给出了更为简便的归一化方法。归一化傅立叶描述子d’(k)为

$d^{\&prime;}\left(k\right)\&equiv;\frac{z\left(k\right)}{e^{j\frac{2\mathrm{\&pi;}}{L}(k-1)\mathrm{\&alpha;}}z\left(l\right)}$

其中，

其中，为形状主方向。

归一化傅立叶描述子不仅与形状的大小、旋转方向、平移和起始点位置无关，同时还保留了离散傅立叶变换系数的模与相位特征，避免了由于归一化傅立叶描述子而丢失相位信息所引起的混淆，可以更加准确地识别物体的形状。

确定形状主方向

形状主方向由物体的形状特征决定，位于通过物体重心且倾角为β的直线上。通过对物体形状区域的KL变换，β是具有最大特征值的特征矢量的方向（物体最适椭圆的长轴方向）

$\mathrm{\&beta;}={\tan }^{-1}\frac{u_{02}-u_{20}+\sqrt{{(u_{02}-u_{20})}^2+4{u_{11}}^2}}{2u_{11}}$

这里，u₂₀、u₀₂和u₁₁为形状区域的(p+q)阶中心距。由近似多边形的顶点可以快速计算出形状区域的(p+q)阶中心距，从而得到β。

形状的方向在位于倾角为β的直线上存在着二义性，需要确定一个形状的主方向，从正向（即β）或者反向（即β+π）中选择一者作为形状主方向。本发明实施例中的方法是将形状旋转角度—β，然后由形状的三阶矩决定，选取能量小的部分所对应的方向作为形状主方向，如下式表示：

确定形状主方向之后便可得到归一化傅立叶描述子d’(k)。

步骤3-22，计算所提取图形标记的归一化傅立叶描述子与标准猪只标记的归一化傅立叶描述子之间的欧氏距离。

归一化傅立叶描述子d’(k)可以计算任意两个物体I和J形状之间的相似程度，识别具有旋转、平移和尺度不变性的物体形状。由于傅立叶变换的各频率分量互相正交,采用欧氏距离计算归一化傅立叶描述子间的形状差异。由于形状的能量大多集中在低频部分,傅立叶变换的高频分量一般很小且容易受到高频噪声的干扰，一般只使用归一化傅立叶描述子的低频分量计算物体形状的相似差异（本发明实施例中M=12）。当Distance=0时,两个形状完全相似；Distance越大,物体形状的差异越大。计算公式如下：

$\mathrm{Dis}\tan \mathrm{ce}=\sqrt{\underset{k=2}{\overset{M}{\mathrm{\&Sigma;}}}{\left|\right|d_I^{\&prime;}\left(k\right)-d_J^{\&prime;}\left(k\right)\left|\right|}^2}$

d′_I(k)表示所提取的图形标记的归一化傅立叶描述子，d′_J(k)表示预存在计算机中的标准图形标记的d′_J(k)。本发明方法使用数字曲线的多边形近似方法，通过连续傅立叶变换代替离散傅立叶变换计算形状的傅立叶描述子。这样不但减少了由于边界曲线等间距离散化引起的误差，而且大大降低了傅立叶变换的运算量。针对传统的傅立叶描述子丢失相位信息的缺点，本发明方法中利用形状的主方向消除边界起始点位置的相位影响，定义了同时保留模与相位信息的傅立叶描述子。

通过实验验证，本发明方法中得到的归一化傅立叶描述子对平移、旋转和尺度变换的不变性以及区分识别目标形状的准确率高。

对提取出来的图形标记与标准图形标记进行匹配，报告猪只的识别结果。

按上述的方法计算各个标准的猪只标记的归一化傅立叶描述子，通过计算待检测图形标记的归一化傅立叶描述子与标准猪只标记的归一化傅立叶描述子的欧氏距离，判断各个猪只的图形标记，从而实现同一猪圈内各个不同猪只的识别。

本发明专利采用机器视觉技术、图像处理技术来识别被标记的猪只，自动化程度高，可以时刻用来监测猪只的行为，通过识别及记录猪只的位置，对猪只的运动行为进行分析，发现异常行为（多动或少动等），进而进行隔离，对疾病预防也有重要意义。对猪数字化表达与智能化、自动化监控，不需要额外的传感器及软件，节省人力节约能源，降低猪产品的生产成本。同时该系统的研究思路与方法也可以推广到牛等畜禽的精准养殖过程中。具有很高的实用价值。

Claims (5)

1.一种基于机器视觉的猪舍内猪只标记识别方法，其特征在于，包括如下步骤：

步骤1，在猪背部作猪只标记并由摄像头获取猪舍内图像，所有猪只标记互不相同；

步骤2，根据获取的图像进行猪只定位，方法包括：

步骤2-1，由获取的图像得到二值图像；得到二值图像的步骤包括：

步骤2-11，对图像进行二值化处理，得到初步二值图像；

步骤2-12，去除初步二值图像中的围栏；

步骤2-13，对步骤2-12中得到的图像进行腐蚀处理，得到最终的二值图像；

步骤2-2，在所得二值图像中采用椭圆拟合法进行猪只定位；所采用的椭圆拟合法为最小二乘椭圆拟合法；步骤3，在猪只所在位置获得猪只标记并进行识别处理，得到各位置猪只所对应的猪只标记；

步骤3中获取猪只标记并进行识别处理的步骤如下：

步骤3-1，在椭圆拟合范围内提取图形标记；

步骤3-2，将所提取的图形标记与标准的猪只标记进行匹配，获得匹配结果。

2.如权利要求1所述基于机器视觉的猪舍内猪只标记识别方法，其特征在于，在步骤2-11中，采用平均值法得到灰度图像，再通过Ostu算法确定二值化处理的阈值，对所述灰度图像进行二值化处理，从而得到初步二值图像。

3.如权利要求1所述基于机器视觉的猪舍内猪只标记识别方法，其特征在于，在步骤2-13中，腐蚀处理的方法为采用5*5的结构元素将步骤2-12所得图像中的每个像素进行腐蚀操作。

4.如权利要求1所述基于机器视觉的猪舍内猪只标记识别方法，其特征在于，步骤3-1中提取图形标记的方法为：

步骤3-11，在各个拟合的椭圆范围内提取像素值为0的元素，从而获得标记点；

步骤3-12，采用Sobel算子检测标记点的轮廓，得到图形标记。

5.如权利要求1或4所述基于机器视觉的猪舍内猪只标记识别方法，其特征在于，步骤3-2中将提取的图形标记与标准的猪只标记进行匹配的方法为：

步骤3-21，计算所提取的图形标记轮廓的傅立叶描述子，并将傅立叶描述子进行归一化；

步骤3-22，计算所提取图形标记的归一化傅立叶描述子与标准的猪只标记的归一化傅立叶描述子之间的欧氏距离，欧氏距离最小的即为所匹配的猪只标记。