随着我国养猪业规模化程度不断提高,利用信息技术来提升猪的养殖效率和健康管理水平已成为养猪业发展的必然趋势。计算机视觉技术作为一种能提升养殖业信息化水平的重要手段,它可以为猪只的异常行为或疫病情况提供自动的监测和预警。而猪的跛行一般会预示着一些疫病的发生,为识别出猪的正常步态和跛行步态,本文提出了一种基于骨架分析和步态能量图的猪的步态识别方法。针对复杂的猪舍环境,为避免光照、阴影和背景等因素对猪目标提取精度的影响,本文采用微软Kinect相机采集猪只行走的深度图像。利用背景减除法提取出目标猪前景图像,使用均值滤波算法减少噪声的影响,然后使用OTSU算法求取最佳阈值并进行二值化,再经过形态学中的开、闭运算得到最终的目标猪二值图像。本文利用骨架分析的方法检测出猪的步态周期。首先利用形态学方法提取出猪骨架,并对其剪枝,从而得到纯净的猪骨架。然后对猪的骨架端点进行排序,通过相邻点骨架路径来构造骨架端点的特征向量,利用待测猪骨架与标准猪骨架的骨架端点特征向量之间的相似性,从而确定待测猪骨架上各骨架端点的归属(确定猪的具体部位,如前肢端点、耳部端点等)。最后利用猪前肢端点相对距离随时间的准周期变化规律计算得到猪的步态周期。实验结果表明此方法可以有效地检测出猪的步态周期。步态能量图是一种高效的步态特征表示方法,通过在一个步态周期上合成猪的步态能量图(PGEI),并利用二维主成分分析(2DPCA)方法对其降维,最后采用最近邻分类器识别出猪的正常步态和跛行步态。通过在自建的猪的步态数据库上实验,取18个主成分向量时,识别率达到93.25%。实验结果表明,该方法可以有效的识别出猪的正常步态和跛行步态。此方法相对于基于PGEI+PCA方法在主成分个数、训练时间和正确识别率方面表现出一定的优势。最后,针对特征维数过高的问题,提出了一种分块PGEI+2DPCA的方法。通过对PGEI分块,找出对识别效果贡献高的区域,并在该区域进行实验,识别率达到93%,取得较好的识别效果的同时,特征维数也降低了一半。该项研究为采用计算机视觉技术来识别猪的跛行步态和异常行为提供了一种新思路。