实验动物行为分析广泛应用于运动功能和学习、记忆等高级中枢神经功能的研究,较电生理、生化等其它参数分析方法,具有全面反应实验动物整体状态的特点。因此动物行为实验已成为神经生理学、行为药理学等神经科学领域的重要研究手段之一。动物行为分析方法的发展经历了人工观察、传感检测技术、视频跟踪技术等阶段。近年来,应用数字图像处理技术跟踪动物活动的轨迹并步计算运动距离、速度等运动参数,已成为动物行为自动分析的前沿技术。该方法的实质是忽略动物体态及其变化,将动物看为质点,仅反应动物运动状态。而行为是由体态和体态的变化(包括位置的变化)组成的,体态能反映更多的心理因素,正确识别动物体态进而准确、详细描述动物的行为成为动物行为学特别是啮齿目动物行为研究的一个前沿方向。 本论文针对实验动物体态和行为识别中的几个关键步骤,进行算法的研究,开发建立了一套适合动物行为自动分析的图像处理与分析的新方法及新的自动分析系统,可对动物体态进行实时识别,对动物行为谱实时详尽的描述和分析。 针对动物行为实验环境光照变化大等特点,提出了彩色图像阈值剪影的目标提取方法,跟以往行为自动分析中常用的剪影方法相比,能克服实验过程中环境变化的影响,更好地提取目标,为后续的轮廓识别提供有利条件。 对大鼠体态图像进行观察,根据大鼠体态二维投影的形状特点,将体态归为修饰、伸长、曲身、蹲卧、站立五大类。实验时大鼠是在一个区域内自由活动,位置和方向上均为可变的,描述大鼠体态的参数应具有旋转、平移不变性。本文采用归一化曲率来描述大鼠轮廓,提出了基于轮廓曲率和谱系聚类的算法。 曲率是对轮廓形状的一种直观描述。应用本文提出的新的轮廓曲率算法一基于链码的变窗宽曲率估计法,将大鼠轮廓用曲率函数加以描述;由于大鼠体态具有多样性特点,类内特征矢量之间的差异不可忽略。选择谱系聚类算法对各体态类的特征矢量进行聚类分析,为每类建立细化的子类,体态识别在子类基础上进行。训练集、测试集(DPI:19.4)识别率分别为94.16%和89.58%。 实际实验当中,由实验动物尺寸差异、摄像机焦距变化等可能会带来图像分辨率的改变。尝试对不同分辨率的图像(DPI:11.6)进行识别,识别率为63.5%。