论文部分内容阅读
随着我国养猪业从古老的传统养殖方式逐步转型为先进的工业化生产,利用数字信息技术和科学管理模式,提高生猪的健康水平和养殖效率,降低生产成本已成为现代养猪业必不可少的发展方式。在当今大规模养殖业中,计算机视觉技术在信息技术领域占据了举足轻重的地位,它可以实时监控群养猪生活作息,并对异常行为自动报警。其中猪的攻击行为可能会造成皮肤破损,因此容易带来病毒传染和细菌感染,降低养殖效率。为了能实时监测并定位出发生攻击行为的猪,本文提出了一种基于视觉显著性的攻击行为的猪的识别方法。人们无论是观察简单还是复杂的场景,都能快速的找到自己感兴趣区域,忽略掉非感兴趣区域,这就是视觉选择注意机制,而感兴趣的区域被称为视觉显著性区域。显著性目标检测就是模仿人眼视觉选择注意机制的特点,选取显著性区域。而本文就是基于视觉显著性的检测方法选取出猪圈中发生攻击行为的猪作为感兴趣区域,首先选取合适的光流法对采集到的监控视频进行光流信息的提取,同时利用光流信息对连续帧进行猪的攻击行为的判断,若没有则对下一帧重复这一步的检测,若有则进行猪的攻击行为的空间和时间显著性特征的提取。实验结果表明论文中攻击行为判断方法可以有效地检测猪是否发生了攻击行为。之后再采用特征融合方法识别出具有攻击行为的猪。在进行空间显著性特征提取时,先对图像进行基于DBSCAN聚类的实时超像素分割,然后计算每个超级像素颜色值在整个图像上的全局对比度作为该像素的显著值,最后形成空间域显著图。在进行时间域显著图提取时,结合光流的幅值大小、事件区域和猪的面积大小选出攻击区域,然后再计算攻击区域内点的速度值与其它点的相对运动得到初始时间域显著图。再将初始时间域显著图忽略非攻击区域后进行归一化,构成时域显著图。本文提出的融合方法首先通过时间域显著图确定最有可能发生攻击事件的区域,然后利用空间域显著图的同一超像素内颜色值的连续性的特点作为补充,最后将时空显著图通过多条件下的归一化相加的方法融合后,识别出具有攻击行为的猪。利用本文中提出的方法,识别攻击的猪的准确率达85.43%。该研究为群养猪环境下的猪的攻击行为识别提供了一种新思路。