黨亞男+王芳+田建艷+謝徵

摘要： 豬的姿態(tài)識(shí)別是豬的行為分析和數(shù)字化養(yǎng)殖的重要前期工作，為了得到準(zhǔn)確的豬的姿態(tài)，首先利用均值漂移圖像分割算法、形態(tài)學(xué)操作及濾波處理技術(shù)來(lái)獲取豬的二值圖像；然后建立豬的備選幾何參數(shù)特征集（圓形度F1、矩形度F2、伸長(zhǎng)度F3、質(zhì)高比F4和質(zhì)心左右比F5），并運(yùn)用粗糙集的約簡(jiǎn)方法對(duì)其進(jìn)行篩選；最后采用模板匹配算法優(yōu)選出來(lái)最優(yōu)特征組合。試驗(yàn)結(jié)果表明，針對(duì)不同的姿態(tài)識(shí)別對(duì)象，由于決策的目標(biāo)不同，會(huì)選用不同的最優(yōu)特征組合。其中，站立和躺臥姿態(tài)采用最優(yōu)特征組合{F1F2}進(jìn)行姿態(tài)識(shí)別，復(fù)雜程度降低的同時(shí)提高了識(shí)別率；平視、低頭和抬頭站立姿態(tài)采用最優(yōu)特征組合{F1F2F3F4F5}進(jìn)行姿態(tài)識(shí)別，有較高的識(shí)別精度。

關(guān)鍵詞： 特征優(yōu)選；粗糙集；模板匹配；豬；姿態(tài)

中圖分類(lèi)號(hào)： TP391.4 文獻(xiàn)標(biāo)志碼： A 文章編號(hào)：1002-1302（2016）03-0448-04

目前在大規(guī)模養(yǎng)殖場(chǎng)中，對(duì)于病豬的前期征兆和異常行為都是依靠人工觀察來(lái)完成，有研究[1]表明，長(zhǎng)時(shí)間低頭站立以及躺臥行為表明豬處在疲勞狀態(tài)，精神萎靡，需進(jìn)一步檢查其身體狀況；如果豬一段時(shí)間處于抬頭站立狀態(tài)表明豬可能受到外界的刺激和干擾，或者是恐慌行為，需要對(duì)豬舍的內(nèi)外環(huán)境進(jìn)行檢查。若通過(guò)人工的方法檢測(cè)不僅勞動(dòng)強(qiáng)度大，而且發(fā)現(xiàn)不及時(shí)。因此，數(shù)字化養(yǎng)殖應(yīng)用視頻監(jiān)控的方式已經(jīng)開(kāi)始興起，該方法不僅可以及時(shí)對(duì)豬進(jìn)行行為分析，而且也減少了勞動(dòng)力。

本研究對(duì)采集到的豬圖像先進(jìn)行圖像處理與智能信息處理操作，提取出豬目標(biāo)的二值圖像；然后針對(duì)站立和躺臥，平視、低頭和抬頭站立這2組姿態(tài)，提出采用備選幾何參數(shù)特征集（圓形度F1、矩形度F2、伸長(zhǎng)度F3、質(zhì)高比F4和質(zhì)心左右比F5）來(lái)描述豬的姿態(tài)，之后運(yùn)用粗糙集的知識(shí)屬性約簡(jiǎn)方法[2-3]分別進(jìn)行特征組合的篩選，得到2組篩選后的特征組合；最后運(yùn)用模式識(shí)別中模板匹配[4-5]的思想計(jì)算約簡(jiǎn)前、后特征組合的識(shí)別率，驗(yàn)證篩選后的特征組合為最優(yōu)組合。試驗(yàn)結(jié)果表明，根據(jù)目標(biāo)姿態(tài)的不同，選擇不同的最優(yōu)特征組合。其中，描述站立和躺臥姿態(tài)約簡(jiǎn)后的特征組合{F1F2}不僅降低了備選特征集的復(fù)雜度，且一定程度上提高了豬姿態(tài)識(shí)別的正確率；而平視、低頭和抬頭站立姿態(tài)因?yàn)閰^(qū)別度不大的原因，需要整個(gè)備選特征集{F1F2F3F4F5}來(lái)描述且具有較高的識(shí)別精度。因此，2組特征組合均為最優(yōu)組合。通過(guò)姿態(tài)的分類(lèi)識(shí)別，便可根據(jù)研究經(jīng)驗(yàn)判斷出豬的健康狀況，并對(duì)長(zhǎng)時(shí)間躺臥、低頭和抬頭的豬及時(shí)采取對(duì)應(yīng)措施。

1 豬的目標(biāo)提取

本研究試驗(yàn)圖像為單頭豬的彩色圖像。對(duì)采集到的豬的目標(biāo)圖像，運(yùn)用圖像處理相關(guān)算法來(lái)提取豬的目標(biāo)二值化圖像。首先將圖片灰度化處理，去除背景干擾；之后用均值漂移算法[6-7]識(shí)別出豬目標(biāo)，再經(jīng)過(guò)形態(tài)學(xué)操作和濾波處理；最后得到目標(biāo)的二值化圖像。由于篇幅有限，列舉4幅典型姿態(tài)圖像的豬目標(biāo)提取步驟（圖1）。

2 特征優(yōu)選

特征優(yōu)選[8]的主要任務(wù)就是從1組數(shù)量為E的特征集中選出數(shù)量為e（e 綜合考慮上述特征優(yōu)選的主要任務(wù)和豬姿態(tài)分類(lèi)識(shí)別的具體要求，本研究特征優(yōu)選主要包括備選特征集的建立、特征組合篩選和最優(yōu)組合評(píng)價(jià)3個(gè)部分。

2.1 備選特征集的建立

為了對(duì)豬的姿態(tài)進(jìn)行分類(lèi)，需要找到合適的特征來(lái)描述姿態(tài)，可以描述豬姿態(tài)的特征分為幾何參數(shù)特征和表征輪廓形狀特征，表征豬幾何參數(shù)特征的有圓形度、矩形度和體態(tài)比[1]等，表征輪廓形狀特征有Hu矩[1]和Zernike矩[9]等。觀察大量的豬姿態(tài)圖片發(fā)現(xiàn)，站立豬和躺臥豬的形態(tài)和輪廓有較大區(qū)別，平視站立豬、低頭站立豬和抬頭站立豬的形態(tài)和輪廓也有所區(qū)別，因此，選用幾何參數(shù)特征和表征輪廓形狀的特征均可以描述姿態(tài)，鑒于表征輪廓形狀特征的復(fù)雜度較高，而特征優(yōu)選的第一步就要求以最短時(shí)間和空間消耗代價(jià)來(lái)找出所需要的特征組合，所以選取幾何參數(shù)特征來(lái)描述豬的不同姿態(tài)。在計(jì)算幾何參數(shù)特征之前，找出涉及到的一些數(shù)值與關(guān)鍵點(diǎn)示意圖（圖2）。

（5）

式中：L為豬目標(biāo)質(zhì)心到目標(biāo)最左點(diǎn)的橫坐標(biāo)距離；R為豬目標(biāo)質(zhì)心到目標(biāo)最右點(diǎn)的橫坐標(biāo)距離。F5為目標(biāo)質(zhì)心到目標(biāo)最左點(diǎn)與最右點(diǎn)橫坐標(biāo)距離之比，可以描述目標(biāo)頭部姿態(tài)的變化程度。

2.2 特征組合篩選

備選特征集的篩選采用粗糙集屬性約簡(jiǎn)的方法，粗糙集理論[11]是一種處理非精確性問(wèn)題的新型數(shù)學(xué)工具，尤其是在屬性約簡(jiǎn)[12]方面。粗糙集屬性約簡(jiǎn)[13]的目的是降低特征集的維數(shù)，去除不重要的甚至是冗余的特征。具體算法步驟為：

（1）構(gòu)造樣本庫(kù)。分別為站立和躺臥；平視、低頭和抬頭站立的豬樣本庫(kù)，得到所有圖像的二值化圖像之后計(jì)算所有樣本的備選特征值{F1F2F3F4F5}。

（2）構(gòu)造決策表。決策表是1張二維表格，每1行表示1個(gè)樣本（豬對(duì)象），每1列表示樣本的1種屬性。本研究構(gòu)造2個(gè)決策表，一個(gè)決策表為站立和躺臥的決策表，另一個(gè)為平視、低頭和抬頭站立的決策表。決策表的條件屬性是5個(gè)備選特征，決策屬性是對(duì)應(yīng)的姿態(tài)。

（3）離散化處理。由于實(shí)際生活中數(shù)據(jù)大多數(shù)是連續(xù)屬性值，而在處理信息決策表各個(gè)屬性的數(shù)據(jù)要求是離散的，所以數(shù)據(jù)在應(yīng)用之前必須要對(duì)決策表數(shù)據(jù)進(jìn)行離散化處理。

采用粒子群（PSO）確定邊界參數(shù)[14]的數(shù)據(jù)離散化方法對(duì)構(gòu)造的決策表離散化。每次迭代過(guò)程中，每個(gè)粒子的個(gè)體極值存儲(chǔ)了1組連續(xù)屬性的斷點(diǎn)集，用這些斷點(diǎn)來(lái)對(duì)連續(xù)數(shù)據(jù)集進(jìn)行離散化，在離散化后的數(shù)據(jù)集的基礎(chǔ)上計(jì)算決策屬性對(duì)條件屬性集的依賴度，作為粒子的適應(yīng)度。當(dāng)?shù)螖?shù)達(dá)到最大迭代次數(shù)或決策屬性對(duì)條件屬性集的依賴度接近1時(shí)，算法終止。

（4）屬性約簡(jiǎn)。離散化后的決策表利用差別矩陣法[15]來(lái)進(jìn)行屬性約簡(jiǎn)，差別矩陣是粗糙集屬性約簡(jiǎn)中常用到的方法，利用這個(gè)方法能夠區(qū)別出來(lái)屬性的重要程度，從而約簡(jiǎn)掉冗余的特征。

2.3 最優(yōu)組合評(píng)價(jià)

約簡(jiǎn)后的特征降低了復(fù)雜度，篩選了冗余的特征，如何衡量粗糙集篩選的特征組合是否為聚類(lèi)的最優(yōu)組合，就需要確定一個(gè)評(píng)價(jià)標(biāo)準(zhǔn)。本研究選擇模板匹配[16]的方法來(lái)確定最優(yōu)特征組合。模板匹配的思路是用特征向量來(lái)表示訓(xùn)練目標(biāo)圖像，通過(guò)計(jì)算訓(xùn)練圖像和樣本圖像的特征向量的歐式距離[17]來(lái)進(jìn)行匹配，選擇歐式距離最小的作為最后判斷出來(lái)的姿態(tài)。具體方法為：

設(shè)X={dx（1），dx（2），…，dx（n）}為輸入目標(biāo)圖像的特征向量，Y={dy（1），dy（2），…，dy（n）}為訓(xùn)練樣本庫(kù)中某一標(biāo)準(zhǔn)姿態(tài)的特征向量，X和Y的歐式距離為：

通過(guò)計(jì)算歐式距離MXY，當(dāng)MXY=0時(shí)，2個(gè)姿態(tài)形狀完全相似；MXY越大，姿態(tài)的差異越大。試驗(yàn)中，計(jì)算輸入目標(biāo)姿態(tài)與樣本庫(kù)中每一類(lèi)姿態(tài)的距離MXY，距離最小者為識(shí)別結(jié)果。

針對(duì)站立和躺臥，平視、低頭和抬頭站立的姿態(tài)，對(duì)比這2組姿態(tài)約簡(jiǎn)前后特征組合進(jìn)行模板匹配的識(shí)別率，若識(shí)別率提高的同時(shí)復(fù)雜度又降低，則判別約簡(jiǎn)后的特征組合為判別該組姿態(tài)的最優(yōu)特征組合。

3 結(jié)果與分析

構(gòu)造2個(gè)樣本庫(kù)，分別為：100張站立豬和100張?zhí)膳P豬；100張平視站立豬、100張低頭站立豬和100張?zhí)ь^站立豬。得到所有圖像的二值化圖像之后計(jì)算樣本庫(kù)的備選特征值。

構(gòu)造2個(gè)決策表，由于篇幅有限，每種姿態(tài)各選擇5張圖片，經(jīng)過(guò)豬目標(biāo)提取步驟之后如圖3所示。

表1中，論域U有10個(gè)樣本，ID從1到10，表2中，論域U有15個(gè)樣本，ID從1到15。在這里我們采用F1、F2、F3、F4、F5作為條件屬性，D代表決策屬性，其中，表1中的D為0代表站立姿態(tài)，D為1代表躺臥姿態(tài)，表2中的D為0代表平視站立姿態(tài)，D為1代表低頭站立姿態(tài)，D為2代表抬頭站立姿態(tài)。站立和躺臥姿態(tài)決策表如表1所示；平視、低頭和抬頭站立姿態(tài)決策表如表2所示。

基于粗糙集的特征組合篩選結(jié)果為：針對(duì)站立和躺臥的豬姿態(tài)識(shí)別，約簡(jiǎn)后的特征組合為{F1F2}；針對(duì)平視、低頭和抬頭站立的豬姿態(tài)識(shí)別，約簡(jiǎn)后的特征組合為{F1F2F3F4F5}。

在模板匹配之前需要對(duì)得到的所有特征值進(jìn)行簡(jiǎn)單的數(shù)據(jù)歸一化操作。采用約簡(jiǎn)前的特征組合{F1F2F3F4F5}，經(jīng)過(guò)模板匹配之后的試驗(yàn)結(jié)果見(jiàn)表3。

采用約簡(jiǎn)后的站立和躺臥特征組合{F1F2}，經(jīng)過(guò)模板匹配之后的試驗(yàn)結(jié)果見(jiàn)表4。

從試驗(yàn)結(jié)果可以看出，由于站立和躺臥的姿態(tài)區(qū)別較大，約簡(jiǎn)后的特征組合{F1F2}就可以區(qū)別這2種姿態(tài)，且約簡(jiǎn)后的特征組合不僅降低了備選特征集的復(fù)雜度，而且提高了識(shí)別率；而正常、低頭和抬頭站立姿態(tài)區(qū)別較小，采用最全的特征組合{F1F2F3F4F5}才能區(qū)別這3種姿態(tài)，且正確率也較高。因此，判斷站立和躺臥的特征組合{F1F2}和判斷平視、低頭和抬頭站立的特征組合{F1F2F3F4F5}均為最優(yōu)組合。分析錯(cuò)誤原因是：一方面，站立豬離相機(jī)遠(yuǎn)，且因?yàn)榄h(huán)境物體的遮擋，圖像經(jīng)過(guò)二值化處理后，很可能誤判為躺臥；而躺臥豬也會(huì)因?yàn)榻嵌葐?wèn)題而誤判為站立。另一方面，站立豬有的低頭、抬頭幅度略小，是圖像識(shí)別的難點(diǎn)，易誤判為平視站立。

4 總結(jié)

為了準(zhǔn)確分析豬的行為并對(duì)異常行為豬及早采取措施，根據(jù)研究經(jīng)驗(yàn)，本研究識(shí)別2類(lèi)豬的姿態(tài)，分別為：站立和躺臥姿態(tài)；平視、低頭和抬頭站立姿態(tài)。然后考慮特征優(yōu)選的第一步要求以最短時(shí)間和空間消耗代價(jià)來(lái)找出所需要的特征組合，所以選取5個(gè)幾何參數(shù)特征來(lái)描述豬的不同姿態(tài)，分別為：圓形度、矩形度、伸長(zhǎng)度、質(zhì)高比和質(zhì)心左右比。最后，為了得到匹配率較高和復(fù)雜程度較低的最優(yōu)特征組合。采用粗糙集對(duì)特征組合進(jìn)行篩選，再運(yùn)用模板匹配對(duì)特征組合優(yōu)選。試驗(yàn)結(jié)果得到識(shí)別站立和躺臥的最優(yōu)特征組合{F1F2}，識(shí)別平視、低頭和抬頭站立的最優(yōu)特征組合{F1F2F3F4F5}，兩者均能達(dá)到較高的識(shí)別精度。分析錯(cuò)誤識(shí)別原因發(fā)現(xiàn)，可能因?yàn)榻嵌葐?wèn)題而發(fā)生一些誤判現(xiàn)象，所以接下來(lái)可以對(duì)豬的各種角度的姿態(tài)加以研究。

參考文獻(xiàn)：

[1]王 勇. 基于輪廓不變矩特征的豬行為姿態(tài)識(shí)別研究[D]. 鎮(zhèn)江：江蘇大學(xué)，2011.

[2]Zeng A P，Li T R，Liu D，et al. A fuzzy rough set approach for incremental feature selection on hybrid information systems[J]. Fuzzy Sets and Systems，2015，258：39-60.

[3]劉 富，張 瀟，侯 濤，等. 基于粗糙集的基因信號(hào)屬性約簡(jiǎn)[J]. 吉林大學(xué)學(xué)報(bào)：工學(xué)版，2015，45（2）：624-629.

[4]姜映映，田 豐，王緒剛，等. 基于模板匹配和SVM的草圖符號(hào)自適應(yīng)識(shí)別方法[J]. 計(jì)算機(jī)學(xué)報(bào)，2009，32（2）：252-260.

[5]趙海勇，劉志鏡，張 浩. 基于模板匹配的人體日常行為識(shí)別[J]. 湖南大學(xué)學(xué)報(bào)：自然科學(xué)版，2011，38（2）：88-92.

[6]馮進(jìn)玫，盧志茂，楊 朋，等. 基于局部占優(yōu)度的彩色圖像分割算法[J]. 華中科技大學(xué)學(xué)報(bào)：自然科學(xué)版，2014，42（9）：44-48.

[7]Michel J，Youssefi D，Grizonnet M. Stable Mean-Shift algorithm and its application to the segmentation of arbitrarily large remote sensing images[J]. IEEE Transactions on Geoscience and Remote Sensing，2015，53（2）：952-964.

[8]陳 銘. 高維聚類(lèi)算法研究[D]. 南京：南京師范大學(xué)，2011.

[9]袁登廳. 基于Zernike矩及支持向量機(jī)的豬的姿態(tài)識(shí)別研究[D]. 鎮(zhèn)江：江蘇大學(xué)，2014.

[10]柴 洋，王向東. 基于圖像處理的溫室大棚中番茄的病害識(shí)別[J]. 自動(dòng)化技術(shù)與應(yīng)用，2013，32（9）：83-89.

[11]郭 敏，賈修一，商 琳. 基于模糊化的決策粗糙集屬性約簡(jiǎn)和分類(lèi)[J]. 模式識(shí)別與人工智能，2014，27（8）：701-707.

[12]Qian Y H，Wang Q，Cheng H H，et al. Fuzzy-rough feature selection accelerator[J]. Fuzzy Sets and Systems，2015，258（258）：61-78.

[13]Lee J H，Rahimipour A J，Ahn C W，et al. Efficient classification system based on Fuzzy-Rough Feature Selection and Multitree Genetic Programming for intension pattern recognition using brain signal[J]. Expert Systems With Applications，2015，42（3）：1644-1651.

[14]Beiranvand V，Mobasher-Kashani M，Abu Bakar A. Multi-objective PSO algorithm for mining numerical association rules without a priori discretization[J]. Expert Systems With Applications，2014，41（9）：4259-4273.

[15]劉慧玲，潘宏俠，田靜宜. 粗糙集用于故障診斷中的測(cè)點(diǎn)優(yōu)化配置[J]. 機(jī)械設(shè)計(jì)與研究，2014，30（1）：101-104，110.

[16]咼潤(rùn)華，蘇婷婷，馬曉偉. BP神經(jīng)網(wǎng)絡(luò)聯(lián)合模板匹配的車(chē)牌識(shí)別系統(tǒng)[J]. 清華大學(xué)學(xué)報(bào)：自然科學(xué)版，2013，53（9）：1221-1226.

[17]劉昌盛. 基于視覺(jué)的靜態(tài)手勢(shì)識(shí)別技術(shù)研究[D]. 蘭州：西北師范大學(xué)，2008.