宋懷波 陰旭強(qiáng) 吳頔華 姜 波 何東健

(1.西北農(nóng)林科技大學(xué)機(jī)械與電子工程學(xué)院， 陜西楊凌 712100; 2.農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)物聯(lián)網(wǎng)重點實驗室， 陜西楊凌 712100)

0 引言

利用視頻分析技術(shù)感知動物行為已成為精準(zhǔn)畜牧領(lǐng)域的研究熱點，奶牛目標(biāo)的準(zhǔn)確、實時檢測可為奶牛個體識別[1-2]、目標(biāo)跟蹤[3-6]、呼吸檢測[7-8]、跛行檢測[9-10]等后續(xù)研究奠定基礎(chǔ)。實現(xiàn)復(fù)雜養(yǎng)殖環(huán)境下奶牛目標(biāo)的準(zhǔn)確檢測，對于提升奶牛養(yǎng)殖業(yè)的智能化水平具有重要意義。

近年來研究者在動物行為感知領(lǐng)域取得了一定的成果，但是由于奶牛的非結(jié)構(gòu)化養(yǎng)殖環(huán)境，常用的目標(biāo)檢測算法，如背景減去法[11-12]、幀間差分法[13-14]和光流法[15-16]并不能取得良好的檢測效果。ZHAO等[11]提出了一種基于幀差法并調(diào)整RGB通道系數(shù)的運(yùn)動奶牛目標(biāo)檢測算法，目標(biāo)的檢測精度為88.34%，但該算法對環(huán)境變化敏感。王紅君等[17]利用高斯金字塔 Lucas-Kanade光流法實現(xiàn)了奶牛的目標(biāo)定位，但光流法計算量大，導(dǎo)致算法復(fù)雜度較高，不適于在線檢測。劉冬等[18]在GMM的基礎(chǔ)上，引入局部更新策略來降低算法復(fù)雜度，實現(xiàn)了奶牛目標(biāo)的實時提取，前景誤檢率、背景誤檢率分別降低了19.50%和13.37%，單幀時耗降低了29.25%。GMM模型具有較強(qiáng)的魯棒性，該方法通過假設(shè)樣本集符合高斯概率分布，根據(jù)樣本集擬合該分布中的參數(shù)[19-20]。利用GMM模型可以建立動態(tài)背景模型實現(xiàn)運(yùn)動目標(biāo)的提取，但是對于奶牛等生活在復(fù)雜開放環(huán)境下的大型動物，GMM模型復(fù)雜度高、計算量大，且該方法對于光照變化比較敏感，易受圖像噪聲的干擾，對于室外目標(biāo)的檢測精度有待提高。

在實際場景中，大量樣本的分布形式是未知的或并不服從典型分布，因此難以用已知參數(shù)的模型對背景進(jìn)行建模。由于GMM模型需要加入主觀的先驗知識，往往難以擬合出符合其真實分布的模型。因此，ELGAMMAL等[21]提出了一種無參數(shù)化模型，利用非參數(shù)核密度估計法進(jìn)行背景建模。與參數(shù)估計不同，非參數(shù)估計并不加入任何先驗知識，而是根據(jù)數(shù)據(jù)本身的特點、性質(zhì)來擬合分布[22-23]。非參數(shù)核密度利用標(biāo)準(zhǔn)核函數(shù)和像素表現(xiàn)出來的高斯特性，根據(jù)訓(xùn)練圖像樣本信息準(zhǔn)確估計核函數(shù)，因而核密度估計能夠獲得更符合真實背景像素概率的分布，適合處理多樣性的動態(tài)背景場景。ZIVKOVIC等[24]提出了一種基于聚類思想的自適應(yīng)核密度估計方法，提高了核密度估計的效率。喬俊鋒等[25]提出了一種基于直方圖的快速核密度估計背景建模方法，由于離散直方圖不能完整地代表奶牛圖像信息，且易受噪聲的干擾，在目標(biāo)檢測時易出現(xiàn)誤檢測。劉娣等[26]提出了一種基于背景差分圖像核密度估計的前景檢測方法，利用單高斯模型初始背景建模濾除非動態(tài)背景區(qū)域，對動態(tài)區(qū)域采用核密度估計進(jìn)行分類。該方法在小物體且背景可分的情況下具有較高的準(zhǔn)確性和實時性。

鑒于上述分析，本研究將非參數(shù)化自適應(yīng)核密度估計理論應(yīng)用于運(yùn)動奶牛的目標(biāo)檢測之中，提出一種基于關(guān)鍵幀的自適應(yīng)無參核密度估計算法，通過與三幀差法進(jìn)行邏輯或運(yùn)算實現(xiàn)運(yùn)動目標(biāo)的精確提取。

1 材料與方法

1.1 運(yùn)動奶牛視頻獲取

運(yùn)動奶牛試驗視頻于2018年10—11月在陜西省楊凌科元克隆股份有限公司的奶牛養(yǎng)殖場采集，拍攝對象為處于運(yùn)動狀態(tài)的美國荷斯坦奶牛。在奶牛運(yùn)動期間將1臺SONY HDR-CX290E型DV固定在三腳架上，保持鏡頭與目標(biāo)奶牛平行且距離目標(biāo)奶牛約2.5 m。試驗總共采集了8段奶牛行走視頻，視頻信息如表1所示。為了驗證算法的適應(yīng)性，8段視頻包含了晴天、陰天、雨天和夜間等典型奶牛養(yǎng)殖環(huán)境。8段視頻中包含了奶牛非結(jié)構(gòu)生存環(huán)境中典型的干擾因素，如欄桿遮擋會導(dǎo)致前景檢測率下降，光照變化會導(dǎo)致背景像素誤檢測，灰暗光線和污漬干擾會使得目標(biāo)與背景難以分割，導(dǎo)致前景目標(biāo)缺失等問題。這些在奶牛養(yǎng)殖中普遍存在的干擾使得非結(jié)構(gòu)化環(huán)境下運(yùn)動奶牛目標(biāo)準(zhǔn)確檢測受到影響。

表1 運(yùn)動奶牛視頻信息Tab.1 Video information of moving cows

試驗平臺為一臺Win 8.1系統(tǒng)的便攜式計算機(jī)，處理器配置為AMD A10-7300，主頻為1.90 GHz，8 GB內(nèi)存。算法開發(fā)平臺Python 3.7，為了客觀地對目標(biāo)檢測結(jié)果進(jìn)行評價，本研究使用Adobe Photoshop獲取真實奶牛目標(biāo)區(qū)域，以便與本研究所檢測出的奶牛目標(biāo)區(qū)域進(jìn)行比較，并用圖像標(biāo)注工具Labeling軟件標(biāo)出運(yùn)動奶牛的位置，與本研究算法檢測的前景目標(biāo)最小外界矩形框?qū)Ρ纫员泸炞C本研究方法在目標(biāo)追蹤上的可行性。

1.2 運(yùn)動奶牛目標(biāo)檢測

1.2.1總體技術(shù)路線

本研究擬采用的技術(shù)路線如圖1所示，首先通過核密度估計算法對奶牛圖像序列進(jìn)行動態(tài)背景建模，然后引入關(guān)鍵幀提取以降低算法運(yùn)算量并加強(qiáng)核密度估計對遙遠(yuǎn)歷史幀信息的儲存能力，接著利用三幀差法對奶牛邊緣的提取優(yōu)勢，將其與核密度估計算法進(jìn)行邏輯或運(yùn)算，最后進(jìn)行形態(tài)學(xué)操作和孔洞填充實現(xiàn)奶牛目標(biāo)的精確提取。

圖2 不同γ值下的試驗結(jié)果Fig.2 Test results using different γ values

圖1 核密度估計的運(yùn)動奶牛目標(biāo)檢測技術(shù)路線圖Fig.1 Nuclear density estimation map of moving cows

1.2.2視頻關(guān)鍵幀的提取

利用關(guān)鍵幀技術(shù)可以充分減少原始視頻中的冗余信息，目前研究者們在視頻關(guān)鍵幀檢測領(lǐng)域做了大量工作[27-29]，考慮到實時性的要求，本研究利用具有平均幀間差分法強(qiáng)度的局部最大值幀作為關(guān)鍵幀，與基于差分強(qiáng)度閾值方法相比，該方法無需手動設(shè)置閾值，即可使提取結(jié)果均勻地分散在視頻中。為了有效移除噪聲以避免將相似場景下的數(shù)據(jù)幀提取為關(guān)鍵幀，本研究對平均幀間差分強(qiáng)度時間序列進(jìn)行了平滑處理。

1.2.3視頻預(yù)處理

預(yù)處理是視頻分析的首要環(huán)節(jié)，它可以去除圖像中的無關(guān)信息進(jìn)而提高有效信息的占比[30]。噪聲的影響和光照的變化會降低目標(biāo)和背景間的對比度，為了減弱光照影響以增加圖像對比度，常利用圖像增強(qiáng)的方式來實現(xiàn)。本研究選用Gamma變換對圖像進(jìn)行校正。當(dāng)圖像的亮度范圍小于其數(shù)據(jù)類型允許范圍的0.50時，圖像被認(rèn)為是低對比度，此時應(yīng)用Gamma變換

Gx,y=(Ix,y+Vesp)γ

(1)

式中Ix,y、Gx,y——Gamma變換前、后的像素值

Vesp——補(bǔ)償系數(shù)γ——系數(shù)

由于本研究希望圖像中較亮區(qū)域灰度被壓縮，較暗區(qū)域灰度被拉伸從而圖像整體變亮，因此γ取值應(yīng)小于1。圖2為γ取不同值時的結(jié)果，圖2a為原始圖像，奶牛目標(biāo)與黑夜背景區(qū)分度較低，圖2c中γ取值為0.50時，圖像過亮并且引入了噪聲點。本研究選取圖2b中γ取值為0.80的Gamma變換，此時不僅可以適當(dāng)?shù)奶岣邎D像整體亮度，而且提高了目標(biāo)與背景的對比度。圖3為不同窗口下的中值濾波結(jié)果。圖3a中2×2窗口不能完全去除噪聲，圖3c中5×5窗口模糊了奶牛目標(biāo)邊緣，本研究選取圖3b中3×3窗口的中值濾波，研究發(fā)現(xiàn)其具有較好的去噪效果，并且能保持奶牛邊緣特征。

圖3 不同窗口下的試驗結(jié)果Fig.3 Test results using different window sizes

1.2.4核密度估計法

(1)無參核密度估計原理

非參數(shù)背景模型通過對相鄰視頻幀進(jìn)行統(tǒng)計學(xué)習(xí)來建立背景，并通過持續(xù)更新樣本集來建立動態(tài)背景。核密度估計采用核函數(shù)對訓(xùn)練集中每個像素點的概率密度分布規(guī)律進(jìn)行分析，從而構(gòu)造整個訓(xùn)練集在特定空間的樣本分布規(guī)律。核密度估計是近年來受到廣泛應(yīng)用的非參數(shù)密度估計方法，通過利用采樣點以及鄰域密度函數(shù)值信息的整合來改善概率密度的不連續(xù)問題。根據(jù)視頻序列中每個像素的N個樣本，基于核密度估計進(jìn)行背景建模，統(tǒng)計分析每一個像素點的概率密度分布。設(shè)x1,x2,…,xN為一個像素特征空間內(nèi)的N個樣本，則t時刻像素為xt的概率p(xt)為

(2)

式中xt——當(dāng)前采樣的像素值

N——每個像素采樣的背景像素個數(shù)

xi——第i個樣本的像素值

kσ——核函數(shù)(非負(fù)、積分為1)

p(xt)——t時刻像素為xt的概率

高斯函數(shù)在很大程度上可以充分反映隨機(jī)變量的概率分布情況，可以生成光滑且連續(xù)可微的密度函數(shù)，因而本研究選用高斯函數(shù)作為核函數(shù)。

(3)

式中xtj——當(dāng)前采樣的像素值xt在j維度上的取值

xij——第i個采樣點的像素值xi在j維度上的取值

d——像素的維度，一般取3

σj——像素在j維度上的方差

Pr(xt)——t時刻高斯核函數(shù)估計像素為xt的概率

核函數(shù)的窗寬反映了訓(xùn)練集中每個樣本對采樣點概率密度分布的貢獻(xiàn)度，表征了概率密度曲線的平坦程度，帶寬越大密度曲線越光滑，從而降低了估計的分辨力。帶寬越小概率密度曲線越陡峭且有毛刺，從而概率密度越趨于樣本中心的函數(shù)。非參數(shù)核密度估計一般根據(jù)設(shè)置像素點的閾值來提取運(yùn)動目標(biāo)，在視頻中背景序列的像素一般不會發(fā)生較大變化，通過比較當(dāng)前圖像像素與背景像素的差異，利用預(yù)設(shè)的閾值判斷屬于前景還是背景。其數(shù)學(xué)表達(dá)式為

(4)

式中T——閾值

其中，Mt(x,y)為0代表背景像素，Mt(x,y)為1代表運(yùn)動目標(biāo)像素。

非結(jié)構(gòu)化奶牛養(yǎng)殖環(huán)境中的背景總是不斷變化的，需要不斷更新背景模型以保證運(yùn)動目標(biāo)的完整提取。本研究選用先進(jìn)先出的背景更新模式，隨著視頻幀的更新，不斷地將當(dāng)前幀加入樣本集并丟棄最遙遠(yuǎn)的幀。該更新模式不會產(chǎn)生死鎖現(xiàn)象且算法復(fù)雜度低。

(2) 基于自適應(yīng)核密度估計的運(yùn)動奶牛目標(biāo)檢測結(jié)果

在核密度估計時，若采用固定的內(nèi)核來表示整個密度函數(shù)則可能導(dǎo)致在低密度區(qū)域所有樣本以極低的權(quán)重落入內(nèi)核尾部，而高密度區(qū)域?qū)⒃谥行膮^(qū)域聚集過多的樣本，加權(quán)已經(jīng)接近于1。為了解決這一問題，ZIVKOVIC等[24]提出在每個估計點調(diào)整核尺寸，為每個新點增加內(nèi)核的寬度，而不是試圖尋求全局最優(yōu)核寬度，直到真實核尺寸覆蓋固定數(shù)量的數(shù)據(jù)k。并提出使用k=[0.1N]([·]表示取整運(yùn)算符)的默認(rèn)計算方式提升異常值的處理效率[24]。

本研究將ZIVKOVIC等[24]提出的自適應(yīng)核密度估計背景建模方法應(yīng)用于運(yùn)動奶牛目標(biāo)檢測之中。其中歷史幀數(shù)的設(shè)定對運(yùn)動奶牛目標(biāo)檢測精度的影響如圖4所示。研究發(fā)現(xiàn)將歷史幀數(shù)設(shè)置為150即學(xué)習(xí)率為1/150時，既可有效減少算法復(fù)雜度，又可以提升前景檢測率。本研究中N設(shè)定為20，即每個像素采樣的背景像素個數(shù)，N太小則學(xué)習(xí)不充分從而導(dǎo)致較低的前景檢測率，N太大將增加算法的復(fù)雜度[24]。本研究中T設(shè)定為110，該值用于確定像素是否接近數(shù)據(jù)樣本，取值太小會有大量的噪聲殘留，取值過大會使得前景圖像過分割，本研究在研究樣本視頻的基礎(chǔ)上，設(shè)定閾值為110時，可以較好地實現(xiàn)前景目標(biāo)分割。

圖4 歷史幀數(shù)對前景正檢率的影響Fig.4 Influence of historical frame number on foreground detection rate

利用上述方法進(jìn)行前景目標(biāo)檢測的結(jié)果如圖5所示。在圖5a中，受到欄桿遮擋的影響，奶牛目標(biāo)被欄桿分割，無法完整提取奶牛目標(biāo)。為了解決這一問題，本研究先采用半徑為5的“disk”形結(jié)構(gòu)元素進(jìn)行開運(yùn)算濾除噪聲，再利用半徑為5的“disk”形結(jié)構(gòu)元素進(jìn)行閉運(yùn)算以實現(xiàn)對欄桿遮擋區(qū)域的填充，其檢測結(jié)果如圖5b所示，可以發(fā)現(xiàn)形態(tài)學(xué)操作可以更準(zhǔn)確地提取奶牛目標(biāo)。

圖5 檢測結(jié)果Fig.5 Pictures of test results

1.2.5結(jié)合三幀差法與形態(tài)學(xué)處理的運(yùn)動奶牛目標(biāo)檢測

幀差法利用相鄰幀間灰度上的差異實現(xiàn)運(yùn)動目標(biāo)的檢測，其優(yōu)點是運(yùn)算速度快，對運(yùn)動目標(biāo)邊緣的提取效果好，缺點是易產(chǎn)生鬼影、圖像內(nèi)部一般具有空洞且無法應(yīng)對光照突變。如圖6a所示，幀差法提取的奶牛目標(biāo)存在鬼影，尤其是在后腿部區(qū)域，鬼影的產(chǎn)生使得模型將背景誤判斷為前景，不利于目標(biāo)的準(zhǔn)確檢測。

圖6 幀差法檢測結(jié)果對比Fig.6 Comparison of frame difference methods results

針對幀差法的不足，三幀差法可以有效地消除鬼影，進(jìn)而精確提取運(yùn)動目標(biāo)的輪廓[29-30]。為了更好地實現(xiàn)目標(biāo)輪廓的提取，本文在邏輯與操作前對差分結(jié)果進(jìn)行了半徑為3的“disk”形結(jié)構(gòu)元素閉運(yùn)算，其檢測結(jié)果如圖6b所示。對比圖6a，三幀差法有效地消除了鬼影，并提高了奶牛目標(biāo)輪廓提取的性能。

2 評價指標(biāo)

采用前景正檢率(Target positive rate，VTRP)、前景誤檢率(Target false positive rate，VTFRP)、實時性指標(biāo)(Real-time indicator，VRI)3個指標(biāo)對本文算法進(jìn)行評價。VTRP和VTFRP分別表示目標(biāo)檢測正確和錯誤的比例，VRI表示算法運(yùn)行時間與檢測視頻時長的比值，用來評價算法的實時性，其結(jié)果越靠近1代表算法的實時性越好。3個指標(biāo)的計算公式為

VTRP=A1/A×100%

(5)

VTFRP=|A-A1|/A×100%

(6)

VRI=T1/T2

(7)

式中A1——檢測到的奶牛目標(biāo)面積，像素

A——手工標(biāo)記的奶牛目標(biāo)面積，像素

T1——算法耗時,s

T2——視頻時長,s

3 試驗結(jié)果與分析

3.1 對環(huán)境變化的分析

利用GMM、KDE及本文算法對晴天、雨天以及夜晚3種典型生存環(huán)境下的奶牛樣本進(jìn)行檢測，運(yùn)動目標(biāo)提取結(jié)果如圖7所示，其中視頻1、視頻6、視頻7分別為晴天、雨天、夜晚環(huán)境下采集的奶牛圖像。

由圖7b可以看出，GMM提取結(jié)果存在大部分缺失，部分前景被誤判為背景且存在拖影現(xiàn)象。由圖7c可以看出，KDE模型可以適應(yīng)復(fù)雜的非結(jié)構(gòu)化環(huán)境，對目標(biāo)的提取效果較好，但仍存在部分區(qū)域像素誤判。本文算法在結(jié)合關(guān)鍵幀檢測技術(shù)的基礎(chǔ)上采用三幀差法對運(yùn)動目標(biāo)邊緣具有良好提取效果，與核密度估計背景建模結(jié)果結(jié)合后再進(jìn)行形態(tài)學(xué)填充即可實現(xiàn)運(yùn)動目標(biāo)區(qū)域的完整提取?？梢姡疚乃惴ㄔ诙喾N環(huán)境下檢測目標(biāo)均較為完整，表明本文算法對環(huán)境變化具有良好的魯棒性，且對運(yùn)動目標(biāo)的提取更加完整。

圖7 不同算法運(yùn)動奶牛提取結(jié)果Fig.7 Results of moving cows segmentation by different methods

目標(biāo)檢測算法的性能主要體現(xiàn)在準(zhǔn)確性、魯棒性、快速性方面[14]，利用本文算法對試驗樣本進(jìn)行運(yùn)動奶牛目標(biāo)檢測，并與GMM、KDE算法進(jìn)行對比，結(jié)果如表2所示，GMM算法的平均前景正檢率為80.09%，KDE算法的平均前景正檢率為85.09%，本文算法的平均前景正檢率為95.65%，表明將無參數(shù)化核密度模型應(yīng)用于運(yùn)動奶牛目標(biāo)的準(zhǔn)確提取是可行的。由表2可看出，該算法受視頻中其他干擾因素(光照、遮擋)的影響較小。上述結(jié)果表明，與經(jīng)典的GMM算法相比，本文算法對于奶牛非結(jié)構(gòu)化養(yǎng)殖環(huán)境具有更好的魯棒性。

表2 運(yùn)動奶牛目標(biāo)檢測結(jié)果Tab.2 Cows target motion detection result %

3.2 算法實時性分析

本文在核密度估計算法的基礎(chǔ)上，針對核密度估計背景建模時需要對采樣點周圍多幀圖像像素進(jìn)行統(tǒng)計分析導(dǎo)致運(yùn)算量大的缺點，引入視頻關(guān)鍵幀的檢測來減少模型的復(fù)雜度以滿足算法實時性的要求。表3為GMM、KDE、本文算法實時性指標(biāo)對比結(jié)果。由表3可知，GMM算法復(fù)雜度高，實時性較差，平均實時性指標(biāo)為1.36，在第3、4組試驗中，受到光照突變的影響，復(fù)雜度突然增大。KDE算法平均實時性指標(biāo)為1.18，而本文算法的平均實時性指標(biāo)為1.11，且試驗中的干擾因素基本對模型實時性沒有影響，這表明應(yīng)用本文算法實現(xiàn)奶牛運(yùn)動目標(biāo)的實時提取基本可行。

3.3 算法追蹤可行性驗證

為了驗證本文算法在目標(biāo)跟蹤上的有效性，本文以視頻6為例進(jìn)行了目標(biāo)跟蹤有效性分析。采用交并比(Intersection over union,VIOU)和距離VDIST指標(biāo)對其跟蹤效果進(jìn)行評價。

表3 算法實時性指標(biāo)對比Tab.3 Algorithm real-time indicator comparison

VIOU表示本研究檢測出的最大連通域最小外接矩形與人工標(biāo)記矩形框的重疊比例，其值越大則表明跟蹤效果越好。VDIST指標(biāo)代表了檢測到的奶牛目標(biāo)最小矩形質(zhì)心與所標(biāo)記矩形框質(zhì)心的歐氏距離，其值越小則表明跟蹤效果越好。

圖8 運(yùn)動奶牛跟蹤結(jié)果Fig.8 Tracking result of moving cows

如圖8所示，為目標(biāo)跟蹤有效性分析的結(jié)果，VDIST平均值為51像素，VIOU平均值為0.95。利用奶牛視頻中完整的70幀圖像進(jìn)行分析，可以發(fā)現(xiàn)在第10幀以及第62幀附近有較大的波動。研究原始圖像發(fā)現(xiàn)，奶牛的運(yùn)動場景有2個窗，奶牛在運(yùn)動過程中，鏡面反射以及窗內(nèi)奶牛的運(yùn)動被檢測為前景，因與奶牛組成連通域而被檢測出來，導(dǎo)致最小外接矩形框變大，因而在這2個窗口附近的追蹤準(zhǔn)確率下降。但總體上本文算法對奶牛目標(biāo)的跟蹤可行。

4 討論

4.1 近景色干擾對目標(biāo)檢測的影響

本文8組試驗中，第3組和第8組的運(yùn)動目標(biāo)前景正檢率比平均前景正檢率低約4.00個百分點，對這2段視頻進(jìn)行分析發(fā)現(xiàn)，由于近景色干擾導(dǎo)致前景圖像缺失。因為本文所用的GMM、KDE算法都是建立動態(tài)背景后利用背景減除法提取運(yùn)動前景目標(biāo)，而且2種方法都是對圖像像素灰度特性進(jìn)行分析的基礎(chǔ)上建立的，因此對于近景色目標(biāo)，算法不能達(dá)到良好的檢測效果，示例結(jié)果如圖9所示。在圖9a中，視頻3奶牛身體后半部附著泥土，尤其在蹄部幾乎和背景混為一體，因而圖9b的奶牛目標(biāo)提取結(jié)果在對應(yīng)位置存在缺失。如圖9c所示，視頻8奶牛由于體色大幅度為暗黑色與夜晚下欄桿和背景形成了近景色，因而在圖9d中存在前景缺失現(xiàn)象。本文算法依據(jù)像素灰度信息估計得概率分布函數(shù)，而該奶牛目標(biāo)的前景像素點灰度和背景像素點灰度區(qū)分度不大，因而導(dǎo)致模型將部分前景誤判為背景，從而造成目標(biāo)提取結(jié)果在近景色區(qū)域存在圖像塊缺失的現(xiàn)象，這也揭示了上述奶牛目標(biāo)前景檢測率較低的原因。

圖9 近景色干擾示例圖Fig.9 Similar-background color interference example diagrams

4.2 遮擋干擾對目標(biāo)檢測的影響

為了解決奶牛因為運(yùn)動過程中受到欄桿遮擋導(dǎo)致的目標(biāo)不完整問題，本文對奶牛身體部位的欄桿采用形態(tài)學(xué)操作和孔洞填充方法進(jìn)行了填補(bǔ)，但是奶牛的腿部會受到如圖10a中水泥樁的遮擋，無法構(gòu)成連通域而導(dǎo)致在圖10b中前景圖像中奶牛腿部缺失。并且在奶牛非結(jié)構(gòu)化生存環(huán)境中，會有各種外來因素的干擾，如圖10c、10e所示，鳥的飛入、室內(nèi)奶牛的運(yùn)動均會導(dǎo)致圖10d、10f中奶牛前景目標(biāo)連通域變大，造成前景檢測面積的突然變大，導(dǎo)致運(yùn)動奶牛前景檢測率增加。這也會使得目標(biāo)追蹤時外接矩形框變大，從而造成背景被誤判斷為目標(biāo)，使得目標(biāo)跟蹤準(zhǔn)確率下降。

圖10 遮擋干擾示意圖Fig.10 Blocking interference diagrams

4.3 參數(shù)和方法對目標(biāo)檢測的影響

本文所采用的關(guān)鍵幀提取方法不能完全代表奶牛目標(biāo)的全部特征，會導(dǎo)致目標(biāo)特征的丟失，下一步應(yīng)結(jié)合奶牛的個體特征(顏色特征、紋理特征等)來實現(xiàn)更能代表整段視頻的關(guān)鍵幀提取算法。另外，本研究所采用的核密度估計算法中的閾值需要根據(jù)所用的視頻序列進(jìn)行設(shè)定，在不同的視頻上并非有最佳的分割效果，下一步將研究自適應(yīng)閾值的核密度估計模型。

5 結(jié)論

(1)本文算法基于對歷史幀信息的統(tǒng)計分析，估計采樣點的概率密度分布，當(dāng)目標(biāo)不存在大幅度區(qū)域的近景色時，其他的干擾一般不會對檢測結(jié)果產(chǎn)生較大影響，說明將無參數(shù)核密度背景建模用于運(yùn)動奶牛目標(biāo)檢測是可行的。

(2)通過在核密度背景建?；A(chǔ)上引入關(guān)鍵幀檢測技術(shù)，不僅實現(xiàn)了核函數(shù)對遙遠(yuǎn)幀圖像信息的獲取能力，而且提高了檢測精度，也提高了算法的實時性，結(jié)合三幀差法進(jìn)一步實現(xiàn)了運(yùn)動目標(biāo)的完整提取。本文算法平均前景正檢率達(dá)95.65%，平均實時性指標(biāo)為1.11，可以實現(xiàn)運(yùn)動奶牛目標(biāo)的準(zhǔn)確、實時檢測。

(3)在運(yùn)動目標(biāo)檢測的基礎(chǔ)上運(yùn)用VIOU和VDIST指標(biāo)實現(xiàn)了目標(biāo)跟蹤效果的評價，VIOU平均值為0.95，VDIST平均值為51像素。