CN107563384A

CN107563384A - 基于广义Hough聚类的粘连猪的头尾识别方法

Info

Publication number: CN107563384A
Application number: CN201710766750.3A
Authority: CN
Inventors: 朱伟兴; 杨心; 李新城
Original assignee: Jiangsu University
Current assignee: Jiangsu University
Priority date: 2017-08-31
Filing date: 2017-08-31
Publication date: 2018-01-09
Anticipated expiration: 2037-08-31
Also published as: CN107563384B

Abstract

本发明公开了一种基于广义Hough聚类的粘连猪的头尾识别方法。首先利用形状因子判定出图像中粘连猪只，然后对粘连猪只利用距离变换进行外轮廓逐层剥离，确定分离点和分割线，最后利用椭圆拟合对分割后的猪体轮廓进行局部修复，分割过程中轮廓失真较小，能准确地实现粘连猪体的分割。在分割的基础上根据猪体身长来截取头部和尾部的轮廓，根据猪体头尾形状的差异性，采用广义Hough聚类的方法识别头部和尾部。实验结果表明本文提出来的方法有效。该项研究为进一步探索群养猪个体行为分析等奠定了基础。

Description

基于广义Hough聚类的粘连猪的头尾识别方法

技术领域

本发明涉及机器视觉技术与模式识别技术，具体涉及一种俯视状态下群养猪监控视频中粘连猪的头尾识别方法。

背景技术

随着规模养猪业和计算机技术的发展，探讨基于机器视觉的汽车等目标追踪定位已经越来越受到国内外学者的关注。利用机器视觉技术对规模养猪场群养猪头尾识别的研究还未有相关文献报道。考虑到机器视觉算法在其他领域的成功应用(如医学、军事等)，探讨基于机器视觉的粘连猪的头尾判定成为可能。本发明给出一种基于广义Hough聚类的粘连猪的头尾识别方法，为将来分析群猪中个体行为分析提供了有益探索。

发明内容

本发明的目的是对俯视状态下群养猪监控视频中猪个体进行识别，为此提出一种基于广义Hough聚类的粘连猪的头尾识别方法。

本发明采用的技术方案是：基于广义Hough聚类的粘连猪的头尾识别方法，包括以下步骤：1)获取俯视状态下群养猪视频序列，然后做图像预处理，主要是群养猪图像增强与粘连目标图像选择；2)粘连猪目标分割，使用欧式距离变换方法得到粘连图像的距离图，根据距离图进行目标轮廓剥离，从而建立分割后的粘连猪图库；3)对上述分割后的猪个体利用Canny提取轮廓，根据实际图像中猪体位置自适应地建立直角坐标系，分别截取身躯两侧的四分之一轮廓作为待识别头尾；4)利用广义Hough变换和聚类分析的思想对截取出来的头尾轮廓进行识别区分，准确地找到粘连猪图像中个体的头部和尾部。

进一步，所述步骤1)具体包括改建实验用猪舍，在猪舍正上方安装拍摄俯视视频的图像采集系统，获取俯视群养猪彩色视频片段，选取符合条件的视频帧，进行图像增强与粘连目标图像选择。

进一步，所述步骤1)中还包括前景检测与猪个体目标提取，具体方法是，对单帧图像做自适应直方图均衡化进行增强，接着进行数学形态学处理，得到只包含前景目标的图像，最后利用形状因子选择出粘连目标图像。

进一步，所述步骤2)中使用欧式距离变换方法得到粘连图像的距离图，具体如下：

对一个粘连目标，按欧式距离值从小到大排列，距离值所对应的像素值的集合分别为S_d1，S_d2，...，对粘连目标进行八领域轮廓跟踪可以得到对应的像素点集合W₁，W₂，...,然后从W中剥离掉S_d，重复上述过程可以分离出粘连猪群。

进一步，所述步骤2)具体算法过程描述如下：

2.1)对获取的视频图像进行预处理，得到二值图像；根据形状因子判定出粘连目标，并选出粘连猪只；然后计算出二值图像的欧式距离变换；

2.2)根据视频中未粘连猪只的图像分别计算出7只猪的俯视可见面积，取得平均值5.293cm²，每帧图像的总面积为224.438cm²，设定5.293cm²为面积阈值；

2.3)在二值图像中对选定的粘连目标对象O进行基于欧式距离变换的外轮廓的剥离。在剥离过程中粘连目标发生分离，与步骤2.2)的面积阈值S_th进行比较，根据多次实验可以判定，如果分离出来的目标面积小于S_th的五分之一，则认定为猪只的器官部分，不是真正的粘连处，需要继续进行剥离，直至找到真正的粘连分割点。

进一步，所述步骤3)主要过程如下：

3.1)提取猪体轮廓，利用Canny算子提取出分割后的粘连猪的轮廓；

3.2)截取头尾轮廓，根据猪体整体椭圆性和位置的多样性，自适应建立直角坐标系；随机选取俯视角度下猪体的抬头、低头两种最常见姿势建立坐标系，以椭圆长轴方向为横坐标、短轴方向为纵坐标来建立坐标系，根据预设比例截取头/尾轮廓部分，所截取方法具有旋转不变性，保持原始猪个体位置的固定性和上下轮廓对称性。

进一步，所述步骤4)具体过程如下：

4.1)头尾轮廓曲线采样，在曲线上每隔τ个像素点确定一个采样点，从而每段轮廓形成K个采样点；

4.2)头尾轮廓聚类分析，将确定的轮廓采样点用一系列坐标表示，{(x₁，y₁)，(x₂，y₂)(x₃，y₃)...(x_j，y_j)}，其中j表示每段轮廓曲线确定的采样点总个数，根据任意不共线三点可唯一确定一个圆的原理，在轮廓采样点上按顺序选出三点(x_i，y_i)、(x_i+1，y_i+1)、(x_i+2，y_i+2)确定圆及圆心(m，n)，将猪体的头/尾轮廓经采样后确定的圆进行参数空间映射，考虑头尾形状差异性，尾部的轮廓更接近圆形，圆心点在参数空间分布更集中，从而完成粘连猪个体的头尾识别。

进一步，所述圆心(m，n)的计算公式如下：

将猪体的头/尾轮廓经采样后确定的圆进行参数空间映射，建立参数空间坐标图。

本发明的有益效果是：

通过机器视觉技术无应激对群猪进行分析，利用广义Hough聚类方法可以准确判定出群猪中粘连猪的头部和尾部，为后期其行为分析提供了技术基础，对提高规模养殖业自动化和智能化监控水平提供技术支撑。

附图说明

下面结合附图和具体实施方式对本发明做进一步详细说明：

图1是粘连猪选择图；

图2是选择出的粘连猪的欧氏距离变换图。(a)粘连猪的二值图；(b)欧式距离变换图；

图3是分割过程图；

图4是头尾轮廓图；(a)头部轮廓；(b)尾部轮廓；

图5是轮廓采样图；(a)头部采样；(b)尾部采样；

图6是图像空间与参数空间转换图；

图7是映射结果图；(a)猪头部聚类结果(b)猪尾部聚类结果。

具体实施方式

下面结合摘要中过程图进行进一步说明具体涉及的各部分具体实施方式。

步骤1：获取俯视状态下群养猪视频序列，然后做图像预处理，主要是群养猪图像增强和粘连目标选择。

(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*高为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头、不同生长期、包含复杂场景的彩色视频片段。

(2)图像的自适应直方图均衡化与粘连目标选择。

对单帧图像做自适应直方图均衡化进行增强，接着进行数学形态学处理，得到只包含前景目标的图像，最后利用形状因子选择出粘连目标图像。

其中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”。

其中形状因子(shape factor)的定义为：

式(1)中，S为连通区域的面积像素，C为连通区域周长像素。需要注意的是多猪粘连可能形成空洞区域，那么周长即为内周长和外周长之和。形状因子的取值范围为0<F≤1，当目标区域为圆形时，F取到最大值1。根据形状因子的定义，当连通区域出现多猪粘连时，其边界变得复杂，在相同面积的情况下,有凹陷的目标比没有凹陷的目标的周长要大，形状因子会相应变小。如图1所示，目标区域1、2、3为单只猪区域，目标区域4为两只猪粘连区域，它们的形状因子分别为0.69、0.58、0.62和0.32，可以看出粘连与非粘连猪只得形状因子具有一定的区分度。根据多次学习训练，设定阈值F₀(本实验取0.55)，当F＞F₀时，连通区域是单只猪，当F≤F₀时候，猪只间存在粘连。

步骤1)中还包括前景检测与猪个体目标提取，具体方法是，对单帧图像做自适应直方图均衡化进行增强，接着进行数学形态学处理，得到只包含前景目标的图像，最后利用形状因子选择出粘连目标图像。

步骤2：粘连目标分割，通过对粘连目标进行欧式距离变换，排列距离值大小，对目标外轮廓层层剥离，获得粘连位置，实现分割。

数字图像I是像素点I(x，y)的集合，像素点由对象点O和背景点B组成。距离变换就是求对象点O中任意一点I(x，y)到最近的背景点B的距离，用d_xy表示。

d_xy＝min{D[(x，y)，(i，j)]，(i，j)∈B} (2)

式(2)中，

式(3)是数字图像I的欧式距离变换，在图像变换过程中满足精度要求，反映图像的真实信息。对一个粘连目标，按欧式距离值从小到大排列，距离值所对应的像素值的集合分别为S_d1，S_d2，...，对粘连目标进行八领域轮廓跟踪可以得到对应的像素点集合W₁，W₂，...,然后从W中剥离掉S_d，这个操作称为基于外轮廓的剥离。重复上述所说的过程可以分离出粘连猪群。上述具体过程为：

综上，实现粘连猪的分割。

步骤3：对上述分割后的猪个体利用Canny提取轮廓，根据实际图像中猪体位置自适应地建立直角坐标系，分别截取身躯两侧的四分之一轮廓作为待识别头尾；粘连猪中个体的头尾识别。

1)提取猪体轮廓，利用Canny算子提取出分割后的粘连猪的轮廓；

2)截取头尾轮廓，根据猪体整体椭圆性和位置的多样性，自适应建立直角坐标系；随机选取俯视角度下猪体的抬头、低头两种最常见姿势建立坐标系，以椭圆长轴方向为横坐标、短轴方向为纵坐标来建立坐标系，根据预设比例截取头/尾轮廓部分，所截取方法具有旋转不变性，保持原始猪个体位置的固定性和上下轮廓对称性。

步骤4，利用广义Hough变换和聚类分析的思想对截取出来的头尾轮廓进行识别区分，准确地找到粘连猪图像中个体的头部和尾部。

自适应坐标截取出身躯的四分之一作为待测头尾轮廓，在轮廓曲线上每隔τ个像素点作为采样点，从而形成K个采样点，如图5所示。将确定的轮廓采样点用一系列坐标表示，{(x₁，y₁)，(x₂，y₂)(x₃，y₃)...(x_j，y_j)}，其中j表示每段轮廓曲线确定的采样点总个数。根据任意不共线三点可唯一确定一个圆的原理，在轮廓采样点上按顺序选出三点(x_i，y_i)、(x_i+1，y_i+1)、(x_i+2，y_i+2)确定圆及圆心，圆心(m，n)的计算公式如下：

将猪体的头/尾轮廓经采样后确定的圆进行参数空间映射，如图6所示，建立参数空间坐标图，[m₁，n₁，r₁]、[m₂，n₂，r₂]表示圆心点和半径，(m′₁，n′₁)、(m′₂，n′₂)是对应的映射点。

考虑头尾形状差异性，尾部的轮廓更接近圆形，圆心点在参数空间分布更集中。如图7所示，是对图4选取出的猪体头尾轮廓在参数空间内的圆心点的映射结果，很显然两种常见姿势的猪体尾部轮廓的圆心点聚集度都更高，而头部轮廓的圆心点就相对分散。聚集度G的计算公式如下：

式(6)中，(m′，n′)是猪体头尾轮廓映射后的圆心点,(s，t)是聚类中心的坐标，K是每段轮廓聚类后的圆心点总个数。

综上，完成粘连猪中个体的头尾识别判定。

综上，本发明的一种利用机器视觉技术对粘连猪图像中猪个体进行头尾识别判定的方法。首先利用形状因子判定出图像中粘连猪只，然后对粘连猪只利用距离变换进行外轮廓逐层剥离，确定分离点和分割线，最后利用椭圆拟合对分割后的猪体轮廓进行局部修复，分割过程中轮廓失真较小，能准确地实现粘连猪体的分割。在分割的基础上根据猪体身长来截取头部和尾部的轮廓，根据猪体头尾形状的差异性，采用广义Hough聚类的方法识别头部和尾部。实验结果表明本文提出来的方法有效。该项研究为进一步探索群养猪个体行为分析等奠定了基础。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims

1.基于广义Hough聚类的粘连猪的头尾识别方法，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，然后做图像预处理，主要是群养猪图像增强与粘连目标图像选择；2)粘连猪目标分割，使用欧式距离变换方法得到粘连图像的距离图，根据距离图进行目标轮廓剥离，从而建立分割后的粘连猪图库；3)对上述分割后的猪个体利用Canny提取轮廓，根据实际图像中猪体位置自适应地建立直角坐标系，分别截取身躯两侧的四分之一轮廓作为待识别头尾；4)利用广义Hough变换和聚类分析的思想对截取出来的头尾轮廓进行识别区分，准确地找到粘连猪图像中个体的头部和尾部。

2.根据权利要求1所述的基于广义Hough聚类的粘连猪的头尾识别方法，其特征在于：所述步骤1)具体包括改建实验用猪舍，在猪舍正上方安装拍摄俯视视频的图像采集系统，获取俯视群养猪彩色视频片段，选取符合条件的视频帧，进行图像增强与粘连目标图像选择。

3.根据权利要求1所述的基于广义Hough聚类的粘连猪的头尾识别方法，其特征在于：所述步骤1)中还包括前景检测与猪个体目标提取，具体方法是，对单帧图像做自适应直方图均衡化进行增强，接着进行数学形态学处理，得到只包含前景目标的图像，最后利用形状因子选择出粘连目标图像。

4.根据权利要求1所述的基于广义Hough聚类的粘连猪的头尾识别方法，其特征在于：所述步骤2)中使用欧式距离变换方法得到粘连图像的距离图，具体如下：

5.根据权利要求4所述的基于广义Hough聚类的粘连猪的头尾识别方法，其特征在于：所述步骤2)具体算法过程描述如下：

6.根据权利要求1所述的基于广义Hough聚类的粘连猪的头尾识别方法，其特征在于：所述步骤3)主要过程如下：

7.根据权利要求1所述的基于广义Hough聚类的粘连猪的头尾识别方法，其特征在于：所述步骤4)具体过程如下：

8.根据权利要求7所述的基于广义Hough聚类的粘连猪的头尾识别方法，其特征在于：所述圆心(m，n)的计算公式如下：