论文部分内容阅读
近年来在国内外计算机视觉以及生物特征识别等领域,步态识别已经逐渐成为了备受关注的研究方向之一。其在安全监控、医疗诊断、门禁系统等领域都有着广泛的应用前景以及经济价值。本文在机器视觉的基础上,通过提取目标轮廓背部弧线,经过数据拟合求出弧线的曲率,然后根据最近邻分类对猪的正常行走和异常行走进行识别,最后根据猪的背部曲率完成了对其步态的识别。 在复杂的猪舍环境下,为避免光照、遮挡、阴影等外界因素影响而寻求识别准确率的最大化,本文采用微软公司的KINECT相机采集目标猪的深度图像。并采用连通区域分析法对深度图像进行分析,根据连通区域的像素点的个数(即面积特征)提取出目标猪的图像,再通过形态学中的膨胀与腐蚀等操作对二值化后的目标猪的图像边缘进行平滑处理,最后采用canny算子提取目标猪的二值轮廓。 对猪的二值轮廓图进行特征提取。首先提取轮廓形心,绘制形心—轮廓点距离曲线,通过提取距离曲线上极值点对应的关键轮廓点进行步态周期检测。然后采用Procrustes统计形状法来分析猪的二值轮廓的变化:用PMS来表示猪的轮廓变化,通过PMS上任意采样点的切向角之差来分析它们之间的相似性,从而分析轮廓边缘变化。最后根据Procrustes统计形状分析的结果,提取出轮廓变化较明显的背部曲线,由于正常猪行走过程中背部比较平坦,而跛脚猪行走时背部拱起,且猪的背部弧线恰似圆的一部分,拱幅越大,所在圆的半径就越小,而曲率就越大,因此利用最小二乘法对背部曲线上的点进行圆拟合,用拟合圆的曲率作为猪的跛脚检测的步态特征。根据该值的大小及变化范围来判断猪是否存在跛脚疾病。 对猪的步态特征进行统计分析,根据正常猪与跛脚猪在行走过程中的曲率的变化实现跛脚检测识别,并使用最近邻分类器来实现步态的分类与决策。该研究对猪舍中能及时发现猪的跛脚疾病、阻止扩散、及时处理具有深远的意义。