CN104504704B - 自适应分块多阈值的俯视群养猪多目标提取方法 - Google Patents

自适应分块多阈值的俯视群养猪多目标提取方法 Download PDF

Info

Publication number
CN104504704B
CN104504704B CN201410817095.6A CN201410817095A CN104504704B CN 104504704 B CN104504704 B CN 104504704B CN 201410817095 A CN201410817095 A CN 201410817095A CN 104504704 B CN104504704 B CN 104504704B
Authority
CN
China
Prior art keywords
msub
mrow
target
barycenter
pig
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201410817095.6A
Other languages
English (en)
Other versions
CN104504704A (zh
Inventor
朱伟兴
郭依正
李新城
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University
Original Assignee
Jiangsu University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu University filed Critical Jiangsu University
Priority to CN201410817095.6A priority Critical patent/CN104504704B/zh
Publication of CN104504704A publication Critical patent/CN104504704A/zh
Application granted granted Critical
Publication of CN104504704B publication Critical patent/CN104504704B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种自适应分块的多阈值的目标提取方法，有效解决了仅利用单帧图像提取复杂场景下俯视群养猪前景目标的问题。首先，利用直方图均衡化对单帧图像进行图像增强，其后做最大熵全局阈值分割，并通过取分割结果的“有效区域”及数学形态学处理等获取初始目标提取结果；接着，在初始目标中寻找各目标质心，将原图像自适应分为以质心为原点，以质心到边缘最大距离为半径的多个圆形子块；最后，在子块中做多阈值局部最大熵阈值分割获取精确二次目标提取结果。本发明适用于光线渐变、猪停停走走运动模式、目标颜色多样等复杂场景下的多目标提取。为探索群养猪个体身份识别、行为分析等奠定了基础，同时为其他类似图像的目标提取提供了新思路。

Description

自适应分块多阈值的俯视群养猪多目标提取方法
技术领域
本发明属于机器视觉技术领域，具体涉及一种视频监控中前景目标提取方法，尤其是自适应分块多阈值的俯视群养猪多目标提取方法。
背景技术
准确的猪个体前景检测是开展猪个体身份识别、跟踪、行为分析等后继研究的基础性工作。单猪视频中常采用诸如简单的背景减等方法可有效获取其前景(参见：刘波，朱伟兴，杨建军，等.基于深度图像和生猪骨架端点分析的生猪步频特征提取[J].农业工程学报，2014，30(10)：131－137；刘同海，滕光辉，付为森，等.基于机器视觉的猪体体尺测点提取算法与应用[J].农业工程学报，2013，29(2)：161－168；Wang Y,Yang W,Winter P,etal.Walk-through weighing of pigs using machine vision and an artificialneural network[J].Biosystems Engineering.2008,100(1):117－125；Kashiha M,BahrC,Haredasht S A,etc.The automatic monitoring of pigs water use by cameras[J].Computers and Electronics in Agriculture,2013,164－169.)。但在规模养殖场中，特别是在无法预先获取不包含前景的背景图像时，以及复杂场景下的俯视群养猪视频序列，探讨有效的前景目标提取方法仍然是一项具有挑战性的工作。(参见：Tu G J,Karstoft H,Pedersen L J,et al.Foreground detection using loopy belief propagation[J].Biosystems engineering,2013,116(1):88－96；Yizheng Guo,Weixing Zhu,PengpengJiao,et al.Foreground detection of group-housed pigs based on the combinationof Mixture of Gaussians using prediction mechanism and threshold segmentation[J].Biosystems engineering,2014,125(9):98－104.)。本发明基本思路是利用单帧图像精确获取复杂场景下俯视多猪目标。
发明内容
本发明的目的是利用单帧图像提取复杂场景下俯视群养猪前景目标，为此提出一种自适应分块多阈值的俯视群养猪多目标提取方法。该方法适用于光线渐变、猪停停走走运动模式、目标颜色多样等复杂场景下的多目标提取。
本发明采用的技术方案是：自适应分块多阈值的俯视群养猪多目标提取方法，其特征在于包括以下步骤：
(1)获取俯视状态下群养猪视频序列，对单帧图像做直方图均衡化与最大熵阈值分割，获取分割结果；
(2)取步骤(1)分割结果的“有效区域”并做数学形态学处理，得到初始目标提取结果；
(3)获取各目标质心点，绘制质心－边缘点距离曲线，其后以质心为原点，以质心到边缘最大距离为半径，自适应设定圆形子块区域；
(4)在子块区域内重复上述最大熵阈值分割及数学形态学处理可得到最终精确目标提取结果。
步骤(1)具体方法是改建实验用猪舍，在猪舍正上方安装拍摄俯视视频的图像采集系统，获取包含复杂场景的俯视群养猪彩色视频片段；视频分帧后，对单帧图像做直方图均衡化的图像增强。接着对图像增强后的图像做最大熵阈值分割。
步骤(2)中的“有效区域”是指猪的矩形活动区域，周围围墙、食槽等均不在“有效区域”范围内。在取得步骤(1)分割结果的“有效区域”后，利用数学形态学处理得到只包含前景目标的图像，即初始目标提取结果。
步骤(3)具体方法是在初始目标提取结果的基础上，确定各目标的质心点，再获得分块半径，就可以对原图像进行自适应分块分割。求取目标的质心(xc,yc)的公式如下：
其中Nb为边缘点总数，(xi,yi)为某一边缘点。
在确定各目标质心点后，在猪体轮廓上任取一个边缘点(xi,yi)作为起始点，计算边缘点(xi,yi)与质心(xc,yc)的距离，即质心－边缘点距离，计算公式如下：
按顺时针方向，让i从1取到Nb，计算猪体轮廓上每个边缘点与质心的距离，从而形成质心－边缘点距离曲线。取质心－边缘点距离曲线的最高点，以该点所对应的距离为分块半径，将原始图像自适应分成若干圆形子块。
步骤(4)具体方法是在步骤(3)获取的各子块区域内，重复步骤(1)、(2)的最大熵分割及取“有效区域”并做数学形态学处理，可得到最终精确目标提取结果。
本发明的有益效果是：
(1)方法简单有效，计算量少，仅利用单帧图像获取复杂场景下俯视群养猪前景目标；
(2)在初始目标提取的基础上，以各个目标质心为原点，以质心－边缘点最大距离为半径，自适应将原图像分块及子块多阈值分割。可以有效克服单一阈值导致的“消极分割效应”和固定分块导致的“块效应”。
(3)提出了设定“有效区域”，并提出有效的数学形态学处理方法，可以有效处理分割后的图像，从而完整提取前景目标。
(4)方法适合俯视群养猪的复杂环境，包括不受猪个体目标个数、颜色、行为模式、水渍及排泄物痕迹变化等对前景的影响，适用于规模养殖场的复杂场景下俯视群养猪目标提取。
附图说明
图1是目标提取的流程图；
图2是直方图均衡化后最大熵阈值分割结果；
图3是设定“有效区域”的示意图；
图4是在分割结果中取得的“有效区域”；
图5是对“有效区域”做数学形态学处理后的效果；
图6是质心－边缘点距离计算示意图；
图7是图6所示的猪个体的质心-边缘点距离曲线；
图8是某帧自适应分块示意图；
图9是某帧目标提取结果。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步的说明，但本发明的保护范围并不限于此。
图1为目标提取流程图，下面结合该图，进一步说明具体涉及的各部分具体实施方式。
(1)改建猪舍，获取俯视状态下群养猪视频序列。
具体方法是在猪舍(长*宽*高＝3.5m*3m*1m)正上方3m处，安装拍摄俯视视频的图像采集系统，获取圈栏数为7至12头、不同生长期、包含复杂场景的彩色视频片段。
(2)图像的直方图均衡化。
规模化养殖场均为集中饲养、封闭管理，在这种封闭式猪场采集到的图像往往光线偏暗，反应在直方图上就是其直方图所占据的灰度范围较窄且集中在低灰度一边。通过直方图均衡化可以获得一个具有丰富灰度级、动态范围大的增强图像。假设图像灰度的分布范围为[0,N]。f(i,j)，g(i,j)分别为原始图像和处理后的图像，直方图均衡化具体步骤如下：
首先，求原图[f(i,j)]M′N的灰度直方图，用hf表示求得的N+1维向量；
其次，由hf求原图的灰度分布概率，记做pf，则有：
pf(i)＝1/Nf·hf(i),i＝0,1,2,…,N (4)
其中，Nf＝M′N为图像的总像素个数；
接着，计算图像各个灰度值的累计分布概率，记做pa，则有：
i＝0,1,2,…,255 (5)
其中，令pa(0)＝0；
最后，进行直方图均衡化计算，得到处理后图像的像素值g(i,j)为：
g(i,j)＝N·pa(k) (6)
(3)最大熵阈值分割。
具体方法如下：假设图像灰度的分布范围为[0,N]。首先，求出图像中的所有像素的分布概率pi。接着，给定一个初始阈值Th，将图像分为c1和c2两类。用如下公式分别计算两个类的平均相对熵E1，E2。
其中
如果使得图像按照某阈值分为c1和c2两类后，满足max{E1+E2}，此时选择的阈值即为最佳阈值Th*。通过该阈值分割图像为背景与前景两部分。图2是直方图均衡化后最大熵阈值分割结果。
(4)设定“有效区域”。
“有效区域”是指猪能够运动的到的一块矩形区域，即猪的活动范围，其他如周围围墙、食槽等均不在“有效区域”范围内。图3是设定“有效区域”的示意图，图4是在分割结果中取得的“有效区域”。
(5)数学形态学处理。
具体包括：1)利用半径固定的圆盘结构元素对结果做“开”运算，去除结果中的孤立噪声点、断开目标间及目标与背景间粘连，又能保持目标原大小基本不变；2)标记连通区域，将目标小于一定像素数目的区域去除，因根据猪个体特点，小于一定面积的连通区域一定不是前景目标区域；3)填充二值图像，即填充部分猪个体内部的非前景“空洞”。图5是对“有效区域”做数学形态学处理后的效果。
(6)自适应分块。
按公式(1)、(2)求得各目标的质心后，在猪体轮廓上任取一个边缘点(xi,yi)作为起始点，按公式(3)计算边缘点(xi,yi)与质心(xc,yc)的距离，如图6所示。接着，让i从1取到Nb，按顺时针方向计算猪体轮廓上每个边缘点与质心的距离，从而形成质心－边缘点距离曲线，如图7所示，图7是图6所示猪个体的质心－边缘点距离曲线。取质心－边缘点距离曲线的最高点，以该点所对应的距离为分块半径，将原始图像自适应分成若干圆形子块。图8是某帧自适应分块示意图。
在获取的各子块区域内，重复前述最大熵分割及取“有效区域”内做数学形态学处理，可得到最终目标提取结果。图9是某帧目标提取结果。
为了验证方法的可行性与有效性，实验在多个视频上进行了测试。所拍摄视频帧频为25帧/s，时长在120s左右，图像分辨率1760×1840像素。采用PC(Intel Core22.93GHz,2.0GB DDR)进行视频图像处理，开发软件为Matlab 2012b。某典型帧目标提取效果如图4所示。对随机拍摄的6段视频的统计结果表明，平均前景检测率(foreground DetectionRate)约为93％。
所述实施例为本发明的优选的实施方式，但本发明并不限于上述实施方式，在不背离本发明的实质内容的情况下，本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。

Claims (5)

1.自适应分块多阈值的俯视群养猪多目标提取方法，其特征在于，包括以下步骤：
(1)获取俯视状态下群养猪视频序列，对单帧图像做直方图均衡化与最大熵阈值分割，获取分割结果；
(2)取步骤(1)分割结果的“有效区域”并做数学形态学处理，得到初始目标提取结果；所述“有效区域”是指猪的活动区域；
(3)获取各目标质心点，绘制质心－边缘点距离曲线，其后以质心为原点，以质心到边缘最大距离为半径，自适应设定圆形子块区域；
(4)在子块区域内重复上述最大熵阈值分割及数学形态学处理可得到最终精确目标提取结果。
2.根据权利要求1所述的提取方法，其特征在于：所述步骤(1)具体方法是改建实验用猪舍，在猪舍正上方安装拍摄俯视视频的图像采集系统，获取包含复杂场景的俯视群养猪彩色视频片段；然后视频分帧处理，对单帧图像做直方图均衡化及最大熵阈值分割。
3.根据权利要求1所述的提取方法，其特征在于：步骤(2)中，所述的初始目标提取结果是取步骤1分割结果的“有效区域”，其后经过数学形态学处理，最终获得只包含前景目标的图像。
4.根据权利要求1所述的提取方法，其特征在于：步骤(3)中，所述自适应设定圆形子块区域具体方法是：在初始目标提取结果的基础上，确定各目标的质心点，再获得分块半径，就可以对原图像进行自适应分块分割；这里求取目标的质心(xc,yc)的公式如下：
<mrow> <msub> <mi>x</mi> <mi>c</mi> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <msub> <mi>N</mi> <mi>b</mi> </msub> </mfrac> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>N</mi> <mi>b</mi> </msub> </munderover> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mi>y</mi> <mi>c</mi> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <msub> <mi>N</mi> <mi>b</mi> </msub> </mfrac> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>N</mi> <mi>b</mi> </msub> </munderover> <msub> <mi>y</mi> <mi>i</mi> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>
其中Nb为边缘点总数，(xi,yi)为某一边缘点；
在确定各目标质心点后，在猪体轮廓上任取一个边缘点(xi,yi)作为起始点，计算边缘点(xi,yi)与质心(xc,yc)的距离，即质心－边缘点距离，计算公式如下：
<mrow> <msub> <mi>d</mi> <mi>i</mi> </msub> <mo>=</mo> <msqrt> <mrow> <msup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>x</mi> <mi>c</mi> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>+</mo> <msup> <mrow> <mo>(</mo> <msub> <mi>y</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>y</mi> <mi>c</mi> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </msqrt> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>
按顺时针方向，让i从1取到Nb，计算猪体轮廓上每个边缘点与质心的距离，从而形成质心－边缘点距离曲线；取质心－边缘点距离曲线的最高点，以该点所对应的距离为分块半径，将原始图像自适应分成若干圆形子块。
5.根据权利要求1所述的提取方法，其特征在于：所述步骤(4)具体方法是在步骤(3)获取的各子块区域内，重复步骤(1)、(2)的最大熵分割及取“有效区域”并做数学形态学处理，可得到最终精确目标提取结果。
CN201410817095.6A 2014-12-24 2014-12-24 自适应分块多阈值的俯视群养猪多目标提取方法 Expired - Fee Related CN104504704B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410817095.6A CN104504704B (zh) 2014-12-24 2014-12-24 自适应分块多阈值的俯视群养猪多目标提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410817095.6A CN104504704B (zh) 2014-12-24 2014-12-24 自适应分块多阈值的俯视群养猪多目标提取方法

Publications (2)

Publication Number Publication Date
CN104504704A CN104504704A (zh) 2015-04-08
CN104504704B true CN104504704B (zh) 2017-12-05

Family

ID=52946098

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410817095.6A Expired - Fee Related CN104504704B (zh) 2014-12-24 2014-12-24 自适应分块多阈值的俯视群养猪多目标提取方法

Country Status (1)

Country Link
CN (1) CN104504704B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109724364A (zh) * 2018-11-13 2019-05-07 宁波泽锦电器科技有限公司 存放物品容量解析平台

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105654141A (zh) * 2016-01-06 2016-06-08 江苏大学 基于Isomap和SVM算法的俯视群养猪个体识别方法
CN105913425B (zh) * 2016-04-08 2019-02-05 江苏大学 一种基于自适应椭圆分块和小波变换的多猪轮廓提取方法
CN106204537B (zh) * 2016-06-24 2019-05-21 浙江大学 一种复杂环境下生猪图像分割方法
CN107679463B (zh) * 2017-09-15 2020-02-21 江苏大学 一种采用机器视觉技术识别群养猪攻击行为的分析方法
CN108508782B (zh) * 2018-01-29 2019-12-03 江苏大学 基于arm的猪只行为跟踪识别监控装置及方法
CN109977930B (zh) * 2019-04-29 2021-04-02 中国电子信息产业集团有限公司第六研究所 疲劳驾驶检测方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1677591B1 (en) * 2003-10-10 2016-01-06 AB Svenska Mätanalys Method and device for the monitoring of pigs
CN102521563A (zh) * 2011-11-19 2012-06-27 江苏大学 基于椭圆拟合的猪行走姿态识别方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109724364A (zh) * 2018-11-13 2019-05-07 宁波泽锦电器科技有限公司 存放物品容量解析平台

Also Published As

Publication number Publication date
CN104504704A (zh) 2015-04-08

Similar Documents

Publication Publication Date Title
CN104504704B (zh) 自适应分块多阈值的俯视群养猪多目标提取方法
CN104252709B (zh) 一种复杂背景下俯视群养猪多目标前景检测方法
CN104657945B (zh) 复杂背景下多尺度时空联合滤波的红外小目标检测方法
CN103413276B (zh) 一种基于纹理分布特征的深度增强方法
Jing et al. Foreground motion detection by difference-based spatial temporal entropy image
CN109523476B (zh) 用于视频侦查的车牌去运动模糊方法
CN105469428B (zh) 一种基于形态学滤波和svd的弱小目标检测方法
CN105574529B (zh) 一种侧扫声纳目标检测方法
CN104504662A (zh) 一种基于同态滤波的图像处理方法及系统
CN106371093B (zh) 基于建筑物透视雷达成像的多目标检测定位方法
Yan et al. Method to Enhance Degraded Image in Dust Environment.
CN103208105B (zh) 一种红外图像细节增强与噪声自适应抑制方法
CN106156758B (zh) 一种sar海岸图像中海岸线提取方法
CN103426151A (zh) 一种图像去雾方法及装置
CN105913425B (zh) 一种基于自适应椭圆分块和小波变换的多猪轮廓提取方法
CN103310414B (zh) 基于方向波变换和模糊理论的图像增强方法
CN103177244B (zh) 水下显微图像中快速检测目标生物的方法
CN102750675A (zh) 一种斑点噪声污染图像的非局部均值滤波方法
CN110473255A (zh) 一种基于多重网格划分的船舶系船柱定位方法
Hu et al. A low illumination video enhancement algorithm based on the atmospheric physical model
CN104866844A (zh) 一种面向监控视频的人群聚集检测方法
CN102081793A (zh) 星空背景图像帧转移型CCD传感器Smear效应亮线消除方法
CN111950518A (zh) 一种用于暴力行为识别的视频图像增强方法
CN105096309B (zh) 一种基于x光的边缘检测方法及装置
CN103714542A (zh) 低分辨率高频声纳图像中目标亮点提取方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20171205

Termination date: 20181224