CN105243675A - 一种基于星状骨架模型的猪跛脚行走识别的方法 - Google Patents
一种基于星状骨架模型的猪跛脚行走识别的方法 Download PDFInfo
- Publication number
- CN105243675A CN105243675A CN201510629148.6A CN201510629148A CN105243675A CN 105243675 A CN105243675 A CN 105243675A CN 201510629148 A CN201510629148 A CN 201510629148A CN 105243675 A CN105243675 A CN 105243675A
- Authority
- CN
- China
- Prior art keywords
- pig
- point
- walking
- crippled
- profile
- 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.)
- Pending
Links
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
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
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(xc,yc),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(xc,yc);
Nb为边缘点总数,(xi,yi)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(xi,yi)作为起始点,并计算边缘点(xi,yi)与中心(xc,yc)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:
式(3)中,i=1,2,3…..Nb;
(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×Nb,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)=di,这是一个周期方程,其周期为Nb,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(xo,yo),A(xa,ya),G(xg,yg)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,
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
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(xc,yc);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(xc,yc)
Nb为边缘点总数,(xi,yi)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(xi,yi)作为起始点,并计算边缘点(xi,yi)与中心(xc,yc)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:
式(3)中,i=1,2,3…..Nb。式(3)也可表示为一维离散方程d(i)=di,这是一个周期方程,其周期为Nb,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×Nb,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(xo,yo),A(xa,ya),G(xg,yg)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,
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
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(xc,yc),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(xc,yc);
Nb为边缘点总数,(xi,yi)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(xi,yi)作为起始点,并计算边缘点(xi,yi)与中心(xc,yc)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:
式(3)中,i=1,2,3.....Nb;
(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×Nb,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)=di,这是一个周期方程,其周期为Nb,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(xo,yo),A(xa,ya),G(xg,yg)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,
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
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510629148.6A CN105243675A (zh) | 2015-09-28 | 2015-09-28 | 一种基于星状骨架模型的猪跛脚行走识别的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510629148.6A CN105243675A (zh) | 2015-09-28 | 2015-09-28 | 一种基于星状骨架模型的猪跛脚行走识别的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105243675A true CN105243675A (zh) | 2016-01-13 |
Family
ID=55041307
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510629148.6A Pending CN105243675A (zh) | 2015-09-28 | 2015-09-28 | 一种基于星状骨架模型的猪跛脚行走识别的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105243675A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105850773A (zh) * | 2016-03-29 | 2016-08-17 | 西北农林科技大学 | 一种基于微惯性传感器的生猪姿态监测装置及方法 |
CN110222664A (zh) * | 2019-06-13 | 2019-09-10 | 河南牧业经济学院 | 一种基于视频活跃性分析的智能化猪圈养监视系统 |
CN110532926A (zh) * | 2019-10-09 | 2019-12-03 | 江苏农林职业技术学院 | 基于深度学习的猪神经性疾病智能测报方法 |
CN110598643A (zh) * | 2019-09-16 | 2019-12-20 | 上海秒针网络科技有限公司 | 监控仔猪被压的方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101495036A (zh) * | 2006-03-21 | 2009-07-29 | 阿菲克姆智能牧场管理系统公司 | 用于跛行识别的方法和系统 |
CN103886596A (zh) * | 2014-03-19 | 2014-06-25 | 江苏大学 | 一种基于深度图像骨架端点分析的生猪行走步频提取方法 |
-
2015
- 2015-09-28 CN CN201510629148.6A patent/CN105243675A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101495036A (zh) * | 2006-03-21 | 2009-07-29 | 阿菲克姆智能牧场管理系统公司 | 用于跛行识别的方法和系统 |
CN103886596A (zh) * | 2014-03-19 | 2014-06-25 | 江苏大学 | 一种基于深度图像骨架端点分析的生猪行走步频提取方法 |
Non-Patent Citations (2)
Title |
---|
D MENDEL 等: "Development of a system for automatic measurements of force and visual stance variables for objective lameness detection in sows:SowSIS", 《BIOSYSTEMS ENGINEERING》 * |
吴燕: "基于星状骨架模型的猪的跛脚识别", 《万方数据知识服务平台》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105850773A (zh) * | 2016-03-29 | 2016-08-17 | 西北农林科技大学 | 一种基于微惯性传感器的生猪姿态监测装置及方法 |
CN110222664A (zh) * | 2019-06-13 | 2019-09-10 | 河南牧业经济学院 | 一种基于视频活跃性分析的智能化猪圈养监视系统 |
CN110222664B (zh) * | 2019-06-13 | 2021-07-02 | 河南牧业经济学院 | 一种基于视频活跃性分析的智能化猪圈养监视系统 |
CN110598643A (zh) * | 2019-09-16 | 2019-12-20 | 上海秒针网络科技有限公司 | 监控仔猪被压的方法及装置 |
CN110598643B (zh) * | 2019-09-16 | 2022-04-26 | 上海秒针网络科技有限公司 | 监控仔猪被压的方法及装置 |
CN110532926A (zh) * | 2019-10-09 | 2019-12-03 | 江苏农林职业技术学院 | 基于深度学习的猪神经性疾病智能测报方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105243675A (zh) | 一种基于星状骨架模型的猪跛脚行走识别的方法 | |
CN103942577A (zh) | 视频监控中基于自建立样本库及混合特征的身份识别方法 | |
CN109766838B (zh) | 一种基于卷积神经网络的步态周期检测方法 | |
CN111914685B (zh) | 母猪发情检测方法、装置、电子设备及存储介质 | |
CN111161090B (zh) | 圈养栏信息的确定方法、装置及系统、存储介质 | |
CN103824057B (zh) | 一种基于面积特征算子的猪的呼吸频率检测方法 | |
CN104182984B (zh) | 动态超声影像中的血管边缘形态快速自动采集方法及系统 | |
CN105997035B (zh) | 一种非接触式心率测量方法及系统 | |
ElSayed et al. | Ambient and wearable sensing for gait classification in pervasive healthcare environments | |
CN115462783A (zh) | 一种基于骨骼关键点检测的婴幼儿爬行姿态分析系统 | |
CN109330605A (zh) | 一种步态周期自动划分方法及计算机设备 | |
CN103514591A (zh) | 基于orb配准的dr图像拼接方法及系统 | |
CN113229807A (zh) | 人体康复评估装置、方法、电子设备及存储介质 | |
CN114022554A (zh) | 一种基于yolo的按摩机器人穴位检测与定位方法 | |
CN110197130B (zh) | 一种生猪步态异常检测设备及系统 | |
CN104331705B (zh) | 融合时空信息的步态周期自动检测方法 | |
CN110532926A (zh) | 基于深度学习的猪神经性疾病智能测报方法 | |
CN109634419A (zh) | 康复机器人运动意图识别方法及其计算机可读存储介质 | |
CN112992340A (zh) | 基于行为识别的疾病预警方法、装置、设备及存储介质 | |
CN111951940A (zh) | 一种智慧医疗的康复辅助方法 | |
CN104050676A (zh) | 一种基于Logistic回归模型的逆光图像检测方法及装置 | |
CN103886596B (zh) | 一种基于深度图像骨架端点分析的生猪行走步频提取方法 | |
CN111144331A (zh) | 手肘静脉图像肘正中静脉的识别方法及手肘图像采集装置 | |
CN110765925A (zh) | 基于改进的孪生神经网络的携带物检测与步态识别方法 | |
Serrano et al. | Automated feet detection for clinical gait assessment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160113 |