猪腿部疾病和外伤对规模养猪影响很大,若采用人工方法进行巡视检测,不仅劳动强度大,恶劣的环境也会对人体健康有害,且人工判断存在主观性。机器视觉技术可以为猪行为的分类识别提供自动、高效和客观的方法,猪的步态具有非接触性、不可伪装性等特点,是对腿部异常检测的重要依据。本课题以猪步态为切入点,研究基于机器视觉技术,对由于猪前肢疾病或外伤引起的前肢步态异常进行识别的方法。　　 本文主要针对猪前肢异常步态识别方法进行初步研究,提出了包括图像预处理、模型构建、特征提取与特征融合、分类识别等一整套方法。提出了一种猪前肢骨架建模方法,通过提取前肢关节角度在一段时间内的波动曲线,并分析获取曲线的频率、平均角度、方差等参数作为步态的一类特征。另一方面,基于不变矩分析和小波分析的特点,提出提取猪步态帧的轮廓小波矩特征作为第二类步态特征。将获得的关节角度特征(动态特征)和小波矩特征(静态特征)进行特征融合作为最终的猪步态特征空间。基于特征融合的方法增加了对步态描述的完整性,避免了仅通过一类特征进行描述的不完备性,能够更准确地表述步态特征。　　 猪行走视频样本为正侧视图,对于2011帧／秒的步态视频样本,每隔一帧取关键帧(即10帧／秒)。在分析借鉴人体骨架棍棒模型构建方法的基础上,结合猪运动学和解剖学知识,提出了一种新的构建猪前肢骨架棍棒模型方法。关节角度的波动侧面反映步态的状况,对波动曲线作计算分析并提取相关曲线参数作为步态动态特征向量(5维),对于测试视频样本,对其单个步态周期中的4幅目标轮廓图像进行小波矩分析获取其轮廓小波矩特征(8维)。采用支持向量机(SVM)分类器并选择不同核函数对输入的样本特征集合(13维)进行训练与分类。最后通过试验验证本文提出的特征提取方法和基于特征融合的识别方法的可行性和有效性。　　 以TI公司的DM643为主处理器,对采集的猪行走样本进行实验,结果表明本文提出的研究方法对猪前肢异常步态正确识别率能够达到85％左右。该算法用于猪前肢疾病或外伤引起的步态异常识别是可行的,在动物步态异常识别等领域有着较好的参考意义和应用前景。