《一种新的基于hu不变矩的猪只姿态识别方法》由会员分享，可在线阅读，更多相关《一种新的基于hu不变矩的猪只姿态识别方法（8页珍藏版）》请在金锄头文库上搜索。
1、一种新的基于 Hu 不变矩的猪只姿态识别方法 王海涛 王芳 田建艳 张聪 太原理工大学信息工程学院 摘 要： 为了实现猪只异常行为的自动监控, 试验针对非刚体的猪只姿态进行分类识别, 首先将原始图像进行预处理与优化提取所有图像中的 7 个不变矩, 在此基础上对数据进行处理, 求出站、坐、趴、躺 4 种姿态的模板图像与待测图像的不变矩相关系数, 最后将所提取的相关系数作为支持向量机的特征向量进行多姿态分类, 实现 4 种姿态的识别。结果表明:该方法的识别率超过 90%。说明该方法具有可行性, 可用于对猪只进行异常监控。关键词： Hu 不变矩; 支持向量机; 轮廓提取; 姿态识别; 特征提取; 相
2、关系数; 作者简介：王海涛 (1992-) , 男, 硕士研究生, 研究方向为机器视觉, .作者简介：王芳 (1976-) , 女, 副教授, 博士, 硕士生导师, 研究方向为机器视觉与智能信息处理, .收稿日期：2017-04-09基金：“863”国家高技术研究发展计划项目“畜禽养殖数字化关键技术与设备开发” (2013AA102306) A new method of pig posture recognition based on Hu invariant momentsWANG Haitao WANG Fang TIAN Jianyan ZHANG Cong School of Inf
3、ormation Engineering, Taiyuan University of Technology; Abstract： In order to realize the automatic monitoring on pigs abnormal behavior, classified recognition of non-rigid pig posture was carried out in this experiment. Firstly, the original images were preprocessed and the seven invariant moments
4、 in each image were optimized and extracted. Based onthe results, the data were processed, and correlation coefficients of the invariant moments of four kinds of postures ( stand, sit, grovel, and lie) were determined between template images and measured images. Finally, extracted correlation coeffi
5、cients were used to be feature vectors of support vector machine for multi-posture classification, and the recognition of four kinds of postures were realized. The results suggested that recognition rate of this method was more than 90%, which declared that this method was feasible and could be used
6、 for the monitoring on pigs abnormal behavior.Keyword： Hu invariant moment; support vector machine; contour extraction; posture recognition; feature extraction; correlation coefficient; Received： 2017-04-09在现代养猪业中, 猪只生病等异常情况都是通过人工进行观察的。猪只长期保持趴、坐等姿态表明猪只处于病态等异常状态1, 因此对猪只姿态的自动识别变得尤为重要。利用自动监控系统对猪只姿态进行识别
7、既可以减少劳动力又可提高效率, 因此猪只姿态的自动识别技术发展得越来越快。有人提出了一种用椭圆拟合的方法来识别大型四肢动物的姿态2, 但由于猪的四肢和头相比于其他四肢动物较短, 利用该方法识别正确率较低。还有人提出了一种基于Zernike 矩的猪只姿态识别方法, 将图像的 Zernike 矩作为特征向量进行 SVM分类, 但 Zernike 矩会受缩放、平移的影响3。有人通过定义并提取猪只的集合参数进行猪只姿态的分类识别, 但会受到角度等因素的影响4。由于 Hu 不变矩具有旋转、平移、缩放不变性, 能更加准确地表示图形的形状特征, 因此本研究提出一种基于 Hu 不变矩相关系数的猪只姿态识别新算
8、法, 现报道如下。1 图像预处理与优化由于 Hu 不变矩的特性, 图片的背景、噪声以及轮廓的毛刺等都会对其有较大的影响, 首先要针对这些影响因素进行图像的预处理与优化工作。1.1 图像预处理本研究采用的所有图像来源于山西某猪场现场的监控视频, 见 285 页彩图 1a。为去除对所要提取特征的干扰, 对原图像进行预处理5。首先为了去除复杂背景对轮廓提取的影响, 采用浮点算法先将原始图转化为灰度图, 如式 (1) 所示:式中:Gray 为灰度值, R、G、B 分别为红、绿、蓝三颜色像素值, 灰度图见 285页彩图 1b。然后, 利用自动阈值分割算法6将其转化为二值图, 见 285 页彩图 1c。1
9、.2 形态学优化及轮廓的提取为了消除噪声的影响, 要对二值图进行滤波, 主要影响原图像的噪声是椒盐噪声和随机噪声, 根据各种滤波方法特性和滤波效果的对比, 本研究采取对这两种噪声去除效果较好且对边缘保存完整的中值滤波法7, 噪声去除后, 进行形态学开闭运算以去除图像的突刺, 最后利用 Canny 算子进行轮廓提取, 其效果见 285 页彩图 1d。2 特征提取及姿态分类2.1 Hu 不变矩的提取矩作为一种完备的数学表示, 其可以用于包含目标物体的区域的特征计算。一个区域的矩特征, 是根据区域中的所有点计算而来的, 对噪声具有较好的抑制作用。低阶矩常用于进行区域的描述, 在低阶矩中, 用于描述形
10、状特征的Zernike 只具有旋转不变性8, 而 Hu 不变矩具有较好的尺度、平移和旋转不变性9, 故本研究采用 Hu 不变矩作为图像的特征描述。其不变性证明如下:对于数字图像 f (x, y) , 如果 f (x, y) 分段连续且只在 xy 平面上的有限个点不为零, 则可证明 f (x, y) 的各阶矩存在。f (x, y) 的 j+k 阶矩 mjk定义为:式中:j, k=0, 1, 2, 。根据唯一性定理, 当 f (x, y) 在 xy 平面上有限区域非零且分段连续时, m ij序列与 f (x, y) 互相唯一确定。用零阶矩 moo除所有的一阶矩和高阶矩, 使他们和物体的大小无关。f
11、 (x, y) 的 j+k 阶中心规格矩定义为:由此可得出中心规格矩具有位置无关性和大小无关性。使二阶中心矩 11为最小, 旋转角 可以由如下公式得出:式中: 11表示 (1+1) 阶中心矩, 20表示 (2+0) 阶中心矩, 02表示 (0+2) 阶中心矩。将 x 和 y 旋转 角得到坐标轴 x和 y, 称为主轴。那么通过主轴计算矩, 矩就具有旋转不变性。由上可得, 相对于主轴计算图像的中心规格矩, 具有缩放、平移和旋转保持不变的性质。在 1962 年, M.K.Hu 证明了利用二阶矩和三阶中心规格矩构成的矩组, 对于平移、旋转和尺度的变化均为不变, 称为 Hu 不变矩, 共有 7 个, 分
12、别记为 1, ., 7, 其中 1, ., 6等 6 个不变矩具有尺度、平移和旋转不变性, 而 7只具有尺度和平移不变性, 不具有旋转不变性, 仅在镜面对称时保持不变。Hu 不变矩的公式如下:为了使 Hu 不变矩更加准确地描述边缘形状特征, 去除背景等影响, 根据上述公式, 对已经消除噪声影响并且提取出的猪只轮廓的最终效果图进行 Hu 不变矩提取。2.2 相关系数的计算相关系数是用以反映变量之间的相关关系密切程度的统计指标, 因此本研究选取相关系数作为猪只姿态的特征进行姿态识别。首先将已经提取出的 7 个特征不变矩使用中值归一化法10归一化处理后作为一个 7 维特征向量, 数据归一化原理如式
13、(12) 所示:式中, i为原始值, mid 为中值, max 为最大值, min 为最小值, i为归一化后的值。特征向量如式 (13) 所示:不同姿态特征向量的相关系数计算公式:相关系数 R 越接近 1, 表示两幅图中的猪只姿态越相同或者接近。分别将测试图的向量 V2与原始图的站、坐、趴、躺 4 种姿态的特征向量 V1进行相关系数的求解。每个测试图都可与模板图求出 16 个相关系数 Ri, 将其记为向量 MR1, R2, R3, , R16作为支持向量机的特征向量。2.3 支持向量机的姿态分类支持向量机是在统计学理论上发展起来的分类算法11, 在解决小样本、非线性、高维模式识别问题方面很有优
14、势, 具有很好的鲁棒性和推广性, 在图像分类上有较好应用。支持向量机最初是用来解决二分类问题的, 当处理多分类问题时, 就要构造合适的构造器。常用的多分类器构造方法12主要有两种:一种是将多分类面的参数求解合并到一个最优化问题中, 通过求解该最优化问题, 一次性地完成多分类问题。另一种是通过某一方式构造一系列的二分类器, 将它们组合到一起形成多分类器。由于第 1 种方法计算量大, 程序实时性不好, 因此选取第 2 种方法构造多分类器。为了更加完整地描述轮廓信息, 本研究采用 4 种模板姿态的 7 个 Hu 不变矩与训练图像的 7 个 Hu 不变矩的相关系数组成一个 16 维的特征向量, 将其作
15、为向量机的输入向量, 具体的流程如下:1) 从现场采集一定数量站、坐、趴、躺 4 种姿态的猪只图片进行预处理并提取Hu 不变矩, 随机选取 4 种模板姿态各 4 张, 分别计算其与所有图片的不变矩相关系数作为样本特征。2) 构造 K (K-1) 个分类器, K 为待分类的样本数, 该阶段就是通过对样本训练获取最优分类函数, 如式 (15) 所示:式中:a i为拉格朗日乘数, b 为超平面偏差项, x i为训练样本, x 为待分类样本, yi为样本的类别标记, n 为训练样本个数, S v为支持向量, K (x i, x) 为核函数。常用的核函数有 4 种, 根据本研究所需的分类器以及各种核函数
16、的特性, 选取稳定性最高的径向基核函数, 如式 (16) 所示:式中: 为径向基函数的参数, x 为训练样本, y 为待分类样本。3) 采用 DAGSVM 方法构造姿态分类的多分类器。4) 将猪只分类姿态样本的特征向量输入到流程 3) 中得到的多分类模型中, 输出的结果为分类结果, 流程见图 2。图 2 试验流程图 下载原图3 结果与分析本研究所用的原始图片是星光级筒形网络摄像机 (型号为 DS-2CD5A26EFWD-1Z) 在猪场采集的, 共 800 张, 猪只的站、坐、趴、躺 4 种姿态图各 200 张。首先进行预处理, 将原始图转化为灰度图, 并利用自动阈值分割法转化为二值图, 将二值图进行形态学优化并进行边缘检测即可作为图像库。从图库中随机选取4 种姿态的图像各 4 张 (见图 36) 作为模板。然后, 提取 4 种
