犊牛的日常行为及规律是判断其健康情况的重要指标之一,行为检测是奶牛精准养殖的重要工作之一。然而传统的人工肉眼观测方法存在人工成本高、工作强度大、易疲劳、实时性差等问题;接触式传感器获取方法会损害动物福利,且佩戴在动物身上的传感器易受晃动、碰撞等因素产生噪声数据,影响动物行为检测的准确性。针对这一问题,本文研究并提出基于视频分析的犊牛基本行为识别方法。首先对目标检测方法进行改进,提出基于最大连通域的目标循环搜索环境建模、目标检测算法,以高效提取复杂自然环境下的犊牛目标;在提取犊牛的质心、轮廓等时序特征的基础上,采用基于结构相似的犊牛行为序列快速聚类算法,对犊牛基本行为进行识别。本文主要研究工作和结论如下:(1)从家畜行为学角度出发,分析了犊牛的行为学机理,针对复杂自然光照养殖场环境,确定了基于计算机视觉技术的犊牛基本行为检测方案。(2)针对养殖场复杂自然环境下犊牛目标实时、高精确度检测困难的问题,研究并提出了基于最大连通域循环搜索犊牛整体目标的目标检测算法。该算法检测出最大连通域后,按照搜索规则搜索出整个犊牛目标,试验结果表明,该算法检测正确率达90.94%,比背景减除法提高4.59个百分点。(3)在分析、研究各种背景建模方法建模效果及适用条件基础上,兼顾实时性和准确性两个指标,提出一种改进的背景建模方法。该方法首先通过分割目标区域并以真实的实时背景进行替换,最后将重新组合的背景图融入到背景集中,实现快速准确地更新背景模型。试验结果表明,该背景建模算法正检率达98.98%,比背景减除法提高8.32个百分点。(4)为提高目标跟踪的准确性及鲁棒性,研究并提出一种基于目标最大连通域的跟踪算法,该算法首先对判断是否有符合条件的目标最大连通域,并搜索犊牛整体目标完成跟踪。试验结果表明,在光照变化、树叶晃动、围栏遮挡等噪声干扰下,仍可以准确检测跟踪犊牛目标。通过观察犊牛基本行为,提出了识别犊牛基本行为的5个特征参数,通过对不同特征参数的分析对比,验证了特征参数的有效性。。(5)在分析对比的基础上,用基于相似结构的快速聚类方法识别犊牛的基本行为,在定义犊牛的行为特征序列相关概念基础上,依据临界向量对犊牛行为序列进行动态划分,构造了犊牛行为序列结构,并采用基于密度的动态阈值快速聚类算法实现犊牛行为的分类。分别进行犊牛基本行为识别试验、聚类时效性试验和基本行为识别正确率试验,试验结果表明,该算法犊牛基本行为识别正确率平均达97.32%;当子序列为6580段时,本文算法耗时仅为K-means聚类算法的38.68%,能快速对犊牛基本行为进行识别。