为了对群养猪中个体进行行为分析,首先必须获得猪个体的完整轮廓和主要特征部位。本文利用机器视觉技术对粘连猪只进行分割并识别猪个体的头部和尾部,便于后续对群猪中个体分析等工作的探索。由于实验猪舍中光线不均匀、场景复杂,猪体图像质量不高,本文首先使用有限对比自适应直方图均衡化(CLAHE)来增强图像;为了减少猪舍中噪声对猪体目标提取的干扰,利用最大类间方差法(Otsu)和形态学组合操作得到较为理想的群猪二值图像;接着采用Canny算子提取群猪的二值轮廓;最后利用图像中连通区域的形状因子(SF)来选择出粘连猪只图像。考虑粘连现象对群猪中个体头尾识别带来的影响,本文针对传统分水岭算法在分割过程中易出现过分割的现象,提出将距离变换与分水岭算法相结合的方法对粘连猪进行分割。在分割的过程中通过对二值图像进行距离变换形成分割脊线图,将脊线图与原二值图像进行叠加处理,可以准确地找到粘连位置,减少过分割的现象,通过实验结果验证分割的准确性和复杂度都可以满足实验要求。头部和尾部作为猪的主要特征部位,在群猪中个体分析占有重要地位。因此,本文根据广义Hough变换可以识别任意形状目标的特点,结合聚类分析对猪个体的头尾进行识别。在粘连猪分割的基础上,根据猪体二阶椭圆特性和在图像中实际位置自适应建立直角坐标系,截取出上下对称的头尾轮廓曲线,然后对轮廓曲线采样形成轮廓点。根据不共线三点确定唯一圆的原理,每段采样后的轮廓曲线将生成K个圆。利用广义Hough变换的原理,将生成的圆从图像空间映射到参数空间,针对头尾轮廓形状的差异性,通过对映射后圆心点聚类分析,根据其聚散程度,识别区分猪个体头尾。通过对非粘连图库和粘连图库中目标猪进行实验,结果显示,利用本文的识别方法,识别的平均正确率可以达到91.75%。该项研究为群猪中个体的行为分析提供了新的思路。