CN105243675A - 一种基于星状骨架模型的猪跛脚行走识别的方法 - Google Patents

Abstract

本发明公开了一种基于星状骨架模型的猪跛脚行走识别的方法，包括图像采集及预处理、猪体关键轮廓点的提取、在星状骨架模型的基础上计算猪体的弓背角度、数据的小波分析等过程。本发明的有益效果为：将步态识别技术应用到猪的饲养过程中，通过构建星状骨架模型提取与步态相关的关节角度数据，识别出猪的跛脚行走，对某些猪疾病的有效检测和治疗提供帮助。

Description

一种基于星状骨架模型的猪跛脚行走识别的方法

技术领域

本发明涉及图像处理与模式识别领域，尤其是一种基于星状骨架模型的猪跛脚行走识别的方法。

背景技术

近年来，我国养猪的规模化水平已经得到了极大的提高。但是，某些猪疾病依旧得不到及时有效的检测和治疗。对于猪口蹄疫这类会造成猪跛脚行走的猪疾病来说，若不能再该病发生初期扑灭，疫情会迅速扩大蔓延，造成不可收拾的局面，所以寻找更及时有效的发现手段成了迫切的需要。

现阶段，针对人体的步态检测以及应用已经得到了很大的发展，星状骨架模型的构建已经被应用于人体的步态检测，而人行走时与步态相关的角度信息也成为识别判定步态的重要因素之一，并且该项研究在医学领域也得到了很大的重视。

发明内容

本发明所要解决的技术问题在于，提供一种基于星状骨架模型的猪跛脚行走识别的方法，可以识别区分出猪的跛脚行走和正常行走。

为解决上述技术问题，本发明提供一种基于星状骨架模型的猪跛脚行走识别的方法，包括如下步骤：

(1)图像采集及预处理；对目标视频进行拍摄，提取连续的单帧图像，采用背景减除法检测出目标图像，采用二值化和形态学处理获得完整的目标图像，采用canny算子提取目标轮廓；

(2)猪体关键轮廓点的提取；求得目标轮廓的中心点(x_c,y_c)，利用轮廓点上的点到中心点的距离建立轮廓中心-边缘点距离，得到轮廓中心-边缘点的距离曲线，利用低通滤波器获得平滑后的轮廓中心-边缘点距离曲线；

(3)在星状骨架模型的基础上计算猪体的弓背角度；选择正常行走和跛脚行走中两个相邻帧，相邻帧之间的时间间隔是1/24秒，在1/24秒的行走姿态变化过程中，正常行走的猪背部保持连续的状态，跛脚行走的猪相邻帧之间存在较大的跳变，通过计算可得猪体的弓背角度从而识别跛脚行走的猪；

(4)数据的小波分析；利用DB3小波对实验数据进行分解。

优选的，步骤(2)中的具体处理过程为：

(a)求取目标的轮廓中心点(x_c,y_c)；

$x_c=\frac{1}{N_b}\underset{i=1}{\overset{N_b}{\Σ}}{x}_i---\left(1\right)$

$y_c=\frac{1}{N_b}\underset{i=1}{\overset{N_b}{\Σ}}{y}_i---\left(2\right)$

N_b为边缘点总数，(x_i,y_i)为某一边缘点；

(b)绘制中心-边缘点距离曲线；

猪体轮廓上任取一个边缘点(x_i,y_i)作为起始点，并计算边缘点(x_i,y_i)与中心(x_c,y_c)的距离，即中心-边缘点距离；然后，按逆时针方向，计算猪体轮廓上每个边缘点与中心的距离，计算公式如下：

$d_i=\sqrt{{(x_i-x_c)}^2+{(y_i-y_c)}^2}---\left(3\right)$

式(3)中，i＝1,2,3…..N_b；

(c)猪体星状骨架模型的构建；

星状骨架模型的建立选用上限截止频率c＝0.03×N_b，通过该低通滤波器的上限截止频率的设定可以得到七个关键轮廓点，这七个关键轮廓点分别标志出了耳朵，鼻子，尾尖，尾根以及能被检测到的前后肢，分别用字母A,B,C,D,E,F,G标记，通过连接这七个关键轮廓点就得到所需要使用的星状骨架模型。

优选的，式(3)也可表示为一维离散方程d(i)＝d_i，这是一个周期方程，其周期为N_b，其中i代表第i个边缘点，将一维离散方程d(i)表示在二维坐标系上就是中心-边缘点距离曲线。

优选的，步骤(3)的具体处理过程为：在关键轮廓点中选择O(x_o,y_o),A(x_a,y_a)，G(x_g,y_g)这三个点，连接成三角形OAG，利用行走过程中的角度的变化规律的统计来识别猪跛脚，

$AO=\sqrt{{(x_o-x_a)}^2+{(y_o-y_a)}^2}---\left(4\right)$

$AG=\sqrt{{(x_g-x_a)}^2+{(y_g-y_a)}^2}---\left(5\right)$

$OG=\sqrt{{(x_o-x_g)}^2+{(y_o-y_g)}^2}---\left(6\right)$

其中OA和OG分别表示的是图像的轮廓中心点到尾巴和耳朵的距离，是一个在误差允许范围内保持不变的数据，而随着猪在行走过程中跛脚所造成的拱背会造成AG距离的明显波动；当得到三角形的三边AO,AG和OG后，根据三角形的余弦定理，求得

$A=COS\mathrm{\α}=\frac{{\mathrm{AO}}^2+{\mathrm{GO}}^2-{\mathrm{AG}}^2}{2AO*GO}---\left(7\right)$

得到α的余弦值，

再根据α＝cos^-1A(8)

可求得一个与背部拱起相关的角度，对此数据进行统计和分析。

本发明的有益效果为：将步态识别技术应用到猪的饲养过程中，通过构建星状骨架模型提取与步态相关的关节角度数据，识别出猪的跛脚行走，对某些猪疾病的有效检测和治疗提供帮助。

附图说明

图1(a)是本发明的目标轮廓提取过程中的形态学处理示意图。

图1(b)是本发明的目标轮廓提取过程中的边缘提取示意图。

图1(c)是本发明的目标轮廓提取过程中的背景剔除后的目标轮廓示意图。

图2是本发明的轮廓中心-边缘点距离计算示意图。

图3是本发明的轮廓中心-边缘点距离曲线图。

图4是本发明的猪的关键轮廓点的示意图。

图5是本发明的正常行走的猪背部齐平示意图。

图6是本发明的跛脚行走的猪背部拱起示意图。

图7(a)是本发明的关键轮廓点的示意图。

图7(b)是本发明的关键轮廓点所得到的三角形AOG示意图。

图8是本发明的正常行走的猪和跛脚行走的猪α变化规律图。

图9是本发明的猪正常行走步态的小波分解层次图。

图10是本发明的猪跛脚行走步态的小波分解层次图。

具体实施方式

如图1所示，为图像采集及预处理过程。通过图像采集系统进行图像采集，并对其进行预处理。为了获得猪的清晰轮廓，在猪舍环境、光线等较为理想的条件下进行目标视频的拍摄；然后，对目标视频提取连续的单帧图像，采用背景减除法来检测出目标图像猪；再采用二值化和形态学处理获得完整的目标图像；最后，采用canny算子提取目标轮廓。

如图2、3、4所示，为猪体关键轮廓点的提取过程。首先求得目标轮廓的中心点(x_c,y_c)；然后利用轮廓点上的点到中心点的距离建立轮廓中心-边缘点距离，并且得到轮廓中心-边缘点的距离曲线；最后在此基础上利用低通滤波器获得平滑后的轮廓中心-边缘点距离曲线。

(1)求取目标的轮廓中心点(x_c,y_c)

$x_c=\frac{1}{N_b}\underset{i=1}{\overset{N_b}{\Σ}}{x}_i---\left(1\right)$

$y_c=\frac{1}{N_b}\underset{i=1}{\overset{N_b}{\Σ}}{y}_i---\left(2\right)$

N_b为边缘点总数，(x_i,y_i)为某一边缘点。

(2)绘制中心-边缘点距离曲线

猪体轮廓上任取一个边缘点(x_i,y_i)作为起始点，并计算边缘点(x_i,y_i)与中心(x_c,y_c)的距离，即中心-边缘点距离；然后，按逆时针方向，计算猪体轮廓上每个边缘点与中心的距离，计算公式如下：

$d_i=\sqrt{{(x_i-x_c)}^2+{(y_i-y_c)}^2}---\left(3\right)$

式(3)中，i＝1,2,3…..N_b。式(3)也可表示为一维离散方程d(i)＝d_i，这是一个周期方程，其周期为N_b，其中i代表第i个边缘点，将一维离散方程d(i)表示在二维坐标系上就是中心-边缘点距离曲线。

(3)猪体星状骨架模型的构建

星状骨架模型的建立选用上限截止频率c＝0.03×N_b，通过该低通滤波器的上限截止频率的设定可以得到七个关键轮廓点，这七个关键轮廓点分别标志出了耳朵，鼻子，尾尖，尾根以及能被检测到的前后肢，分别用字母A,B,C,D,E,F,G标记，通过连接这七个关键轮廓点就得到本文中所需要使用的星状骨架模型。

如图5、6、7、8所示，为在星状骨架模型的基础上计算猪体的弓背角度过程。本发明选择了正常行走和跛脚行走中具有典型代表性的两个相邻帧，其中相邻帧之间的时间间隔是1/24秒。通过两组图之间的比较可以发现：在1/24秒的行走姿态变化过程中，正常行走的猪背部保持连续的状态，而跛脚行走的猪相邻帧之间存在着较大的跳变。关节角度携带大量行走信息，我们在关键轮廓点中选择O(x_o,y_o),A(x_a,y_a)，G(x_g,y_g)这三个点，连接成三角形OAG,利用行走过程中的角度的变化规律的统计来识别猪跛脚，

$AO=\sqrt{{(x_o-x_a)}^2+{(y_o-y_a)}^2}---\left(4\right)$

$AG=\sqrt{{(x_g-x_a)}^2+{(y_g-y_a)}^2}---\left(5\right)$

$OG=\sqrt{{(x_o-x_g)}^2+{(y_o-y_g)}^2}---\left(6\right)$

其中OA和OG分别表示的是图像的轮廓中心点到尾巴和耳朵的距离，是一个在误差允许范围内保持不变的数据，而随着猪在行走过程中跛脚所造成的拱背会造成AG距离的明显波动。

当得到三角形的三边AO,AG和OG后，根据三角形的余弦定理，求得

$A=COS\mathrm{\α}=\frac{{\mathrm{AO}}^2+{\mathrm{GO}}^2-{\mathrm{AG}}^2}{2AO*GO}---\left(7\right)$

得到α的余弦值，

再根据α＝cos^-1A(8)

可求得一个与背部拱起相关的角度，通过对数据的统计和分析，得出该角度对于识别猪跛脚行走是可行的。

如图9和10所示，为数据的小波分析过程。小波变换模的极大值尺度变化情况推断信号的间断点的类型，利用DB3小波对实验数据进行分解后的图像存在如下规律：对于跛脚行走和正常行走的步态序列，d6,d5,d4的细节系数有着几乎相同的强度，这三组系数引起的不规则性可以表征出噪声的存在；而d3,d2则定义出了步态序列中的波峰和波谷，也就是本实验中需要考虑的突变点所在的位置；而d1表示了步态的运动周期，并且与时域上的周期相一致。

尽管本发明就优选实施方式进行了示意和描述，但本领域的技术人员应当理解，只要不超出本发明的权利要求所限定的范围，可以对本发明进行各种变化和修改。

Claims (4)

1.一种基于星状骨架模型的猪跛脚行走识别的方法，其特征在于，包括如下步骤：

(1)图像采集及预处理；对目标视频进行拍摄，提取连续的单帧图像，采用背景减除法检测出目标图像，采用二值化和形态学处理获得完整的目标图像，采用canny算子提取目标轮廓；

(2)猪体关键轮廓点的提取；求得目标轮廓的中心点(x_c,y_c)，利用轮廓点上的点到中心点的距离建立轮廓中心-边缘点距离，得到轮廓中心-边缘点的距离曲线，利用低通滤波器获得平滑后的轮廓中心-边缘点距离曲线；

(3)在星状骨架模型的基础上计算猪体的弓背角度；选择正常行走和跛脚行走中两个相邻帧，相邻帧之间的时间间隔是1/24秒，在1/24秒的行走姿态变化过程中，正常行走的猪背部保持连续的状态，跛脚行走的猪相邻帧之间存在较大的跳变，通过计算可得猪体的弓背角度从而识别跛脚行走的猪；

(4)数据的小波分析；利用DB3小波对实验数据进行分解。

2.如权利要求1所述的基于星状骨架模型的猪跛脚行走识别的方法，其特征在于，步骤(2)中的具体处理过程为：

(a)求取目标的轮廓中心点(x_c,y_c)；

$x_c=\frac{1}{N_b}\underset{i=1}{\overset{N_b}{\Σ}}{x}_i---\left(1\right)$

$y_c=\frac{1}{N_b}\underset{i=1}{\overset{N_b}{\Σ}}{y}_i---\left(2\right)$

N_b为边缘点总数，(x_i,y_i)为某一边缘点；

(b)绘制中心-边缘点距离曲线；

猪体轮廓上任取一个边缘点(x_i,y_i)作为起始点，并计算边缘点(x_i,y_i)与中心(x_c,y_c)的距离，即中心-边缘点距离；然后，按逆时针方向，计算猪体轮廓上每个边缘点与中心的距离，计算公式如下：

$d_i=\sqrt{{(x_i-x_c)}^2+{(y_i-y_c)}^2}---\left(3\right)$

式(3)中，i＝1,2,3.....N_b；

(c)猪体星状骨架模型的构建；

星状骨架模型的建立选用上限截止频率c＝0.03×N_b，通过该低通滤波器的上限截止频率的设定可以得到七个关键轮廓点，这七个关键轮廓点分别标志出了耳朵，鼻子，尾尖，尾根以及能被检测到的前后肢，分别用字母A,B,C,D,E,F,G标记，通过连接这七个关键轮廓点就得到所需要使用的星状骨架模型。

3.如权利要求2所述的基于星状骨架模型的猪跛脚行走识别的方法，其特征在于，式(3)也可表示为一维离散方程d(i)＝d_i，这是一个周期方程，其周期为N_b，其中i代表第i个边缘点，将一维离散方程d(i)表示在二维坐标系上就是中心-边缘点距离曲线。

4.如权利要求1所述的基于星状骨架模型的猪跛脚行走识别的方法，其特征在于，步骤(3)的具体处理过程为：在关键轮廓点中选择O(x_o,y_o),A(x_a,y_a)，G(x_g,y_g)这三个点，连接成三角形OAG，利用行走过程中的角度的变化规律的统计来识别猪跛脚，

$AO=\sqrt{{(x_o-x_a)}^2+{(y_o-y_a)}^2}---\left(4\right)$

$AG=\sqrt{{(x_g-x_a)}^2+{(y_g-y_a)}^2}---\left(5\right)$

$OG=\sqrt{{(x_o-x_g)}^2+{(y_o-y_g)}^2}---\left(6\right)$

其中OA和OG分别表示的是图像的轮廓中心点到尾巴和耳朵的距离，是一个在误差允许范围内保持不变的数据，而随着猪在行走过程中跛脚所造成的拱背会造成AG距离的明显波动；当得到三角形的三边AO,AG和OG后，根据三角形的余弦定理，求得

$A=COS\mathrm{\α}=\frac{{\mathrm{AO}}^2+{\mathrm{GO}}^2-{\mathrm{AG}}^2}{2AO*GO}---\left(7\right)$

得到α的余弦值，

再根据α＝cos^-1A(8)

可求得一个与背部拱起相关的角度，对此数据进行统计和分析。