束平 吳洪昊 孫娟 唐曉東

摘要 為推進(jìn)農(nóng)業(yè)信息化，實(shí)現(xiàn)豬的智能化養(yǎng)殖以及對(duì)多豬只的智能跟蹤，設(shè)計(jì)豬只檢測(cè)階段和跟蹤階段。在檢測(cè)階段，該設(shè)計(jì)提出了基于高斯混合建模和均值分割算法相結(jié)合的信息融合算法，有效地解決豬只靜止或運(yùn)動(dòng)緩慢以及背景噪聲對(duì)檢測(cè)結(jié)果的影響;在跟蹤階段，傳統(tǒng)粒子濾波算法并不能對(duì)豬只重疊進(jìn)行運(yùn)動(dòng)跟蹤，對(duì)重要性粒子濾波結(jié)果進(jìn)行序列化，并將其結(jié)果利用KNN算法進(jìn)行軌跡跟蹤。最后進(jìn)行了處理試驗(yàn)，結(jié)果顯示算法真實(shí)有效。該成果可用于豬只養(yǎng)殖信息化。

關(guān)鍵詞 農(nóng)業(yè)信息化;豬養(yǎng)殖;目標(biāo)跟蹤

中圖分類號(hào) S-058 ??文獻(xiàn)標(biāo)識(shí)碼 A? 文章編號(hào) 0517-6611（2021）16-0230-03

doi：10.3969/j.issn.0517-6611.2021.16.060?? 開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

Pig Tracking Based on Improved Particle Filter Algorithm

SHU Ping， WU Hong-hao， SUN Juan et al

（Yancheng Bioengineering Branch of Jiangsu Union Technical Institute， Yancheng， Jiangsu 224051）

Abstract To promote agricultural informatization and to realize intelligent pig breeding and intelligent tracking of pigs， two stages were designed， which were pig detection stage and tracking stage. In the detection phase， the information fusion algorithm based on Gauss mixture modeling and mean segmentation algorithm was proposed to effectively solve the influence of pig static or slow motion and background noise on the detection results. In the tracking stage， the traditional particle filter algorithm could not track the overlap of pigs and was of great importance. The results of particle filter were serialized， and the KNN algorithm was used to track the trajectory. Finally， the processing experiments were carried out. The results showed that the algorithm was real and effective. The results could be used in pig farming informatization.

Key words Agricultural informatization;Pig breeding;Target tracking

農(nóng)業(yè)信息化是整個(gè)農(nóng)業(yè)發(fā)展的趨勢(shì)，每頭豬的信息從出生到死亡的每一件事都記錄在與其對(duì)應(yīng)的唯一號(hào)碼上，相當(dāng)于身份證一樣，因此對(duì)豬運(yùn)動(dòng)信息的跟蹤也就顯得尤為重要。由于豬是一種社會(huì)性動(dòng)物，豬通過(guò)打架來(lái)分出社會(huì)地位，由于豬只運(yùn)動(dòng)的復(fù)雜性，普通的車輛跟蹤算法無(wú)法對(duì)多豬只進(jìn)行軌跡跟蹤，鑒于此，筆者介紹了基于信息融合的豬只檢測(cè)算法和結(jié)合粒子濾波的豬只踴躍算法，從豬只檢測(cè)和豬只跟蹤2方面進(jìn)行改進(jìn)，一方面利用圖像信息融合算法實(shí)現(xiàn)了豬只的精確檢測(cè)，另一方面利用重樣性粒子濾波的序列化對(duì)豬只的運(yùn)動(dòng)軌跡進(jìn)行跟蹤，解決了豬只重疊等問(wèn)題。

1 基于信息融合的豬只檢測(cè)算法

目前針對(duì)目標(biāo)檢測(cè)算法有很多，如高斯混合建模（GMM）、均值（Mean shift）分割算法、背景差分法等[1-2]，而高斯混合建模通過(guò)統(tǒng)計(jì)視頻圖像中各個(gè)點(diǎn)的像素值獲取背景模型，最后利用背景減除的思想提取出運(yùn)動(dòng)目標(biāo)，可以避免單純背景差分法帶來(lái)的“背景空洞”，但是在豬只運(yùn)動(dòng)緩慢和靜止?fàn)顟B(tài)下無(wú)法檢測(cè)出結(jié)果，Mean shift分割算法又存在過(guò)分割象。

1.1 改進(jìn)的檢測(cè)算法

該研究提出了一種將高斯混合建模和Mean shift分割算法，巧妙地解決了目標(biāo)檢測(cè)問(wèn)題。具體步驟如下：

（1）設(shè)定初始幀僅包含背景不含目標(biāo)，用來(lái)防止豬的靜止或緩慢運(yùn)動(dòng)的情況，如果相鄰兩幀視頻的差分結(jié)果為0，讓當(dāng)前幀視頻與初始幀視頻作差分提取結(jié)果，設(shè)定檢測(cè)閾值，當(dāng)檢測(cè)結(jié)果太小時(shí)，視為背景噪聲，如豬的糞便、光照的變化等。

（2）將GMM算法和Mean shift分割算法的結(jié)果進(jìn)行二值化，分別記為FG（ i ）、FM（ i），其中i 為視頻幀序號(hào)，并對(duì)結(jié)果進(jìn)行二值化。

（3）在均值分割算法結(jié)果FM（ i ）中，利用兩遍掃描法，檢測(cè)并掃描白色像素點(diǎn)的位置，并記錄像素個(gè)數(shù)為M（ j ），其中 j 為區(qū)域的序號(hào)。

（4）統(tǒng)計(jì)GMM算法處理結(jié)果中像素個(gè)數(shù)，碰到低于閾值的情況，令FG（ i ）= FG（ i -1）。

（5）在FM（ i ）區(qū)域找出相應(yīng)FG（ i ）區(qū)域內(nèi)的白素像素點(diǎn)個(gè)數(shù)，記為G（ j ），令 μ=G（j）/ M（j），設(shè)置閾值μ*，當(dāng)μ>μ*時(shí)，為有效區(qū)域，否則為黑色，該研究中μ*=0.35 ，該值為試驗(yàn)判斷值。

1.2 試驗(yàn)與分析

在matlab上進(jìn)性了驗(yàn)證性試驗(yàn)，并導(dǎo)出相關(guān)處理結(jié)果，如圖1。圖1 為提取的視頻圖像中第12、21、34、67幀的圖片，圖2為高斯混合建模檢測(cè)結(jié)果，豬的部分形狀存在缺失現(xiàn)象，原因是豬存在運(yùn)動(dòng)緩慢或者靜止現(xiàn)象。

圖3為均值分割算法的結(jié)果，很明顯檢測(cè)精確度不高。圖4經(jīng)過(guò)信息融合的結(jié)果?？梢钥闯鼋?jīng)過(guò)改進(jìn)，對(duì)目標(biāo)的檢測(cè)效果較好，改進(jìn)的算法具備很好的檢測(cè)效果。

2 結(jié)合粒子濾波的豬只跟蹤算法

將粒子濾波器根據(jù)當(dāng)前位置預(yù)測(cè)下一位置的結(jié)果，來(lái)修正豬只跟蹤時(shí)2頭豬因?yàn)榫嚯x太近而跟蹤失敗的問(wèn)題和2只豬交錯(cuò)跟蹤的問(wèn)題。

2.1 粒子濾波算法[3-4]

假設(shè) D 為 n 維空間 Rn的1個(gè)子集，p（x）是概率密度函數(shù)，則p（x）滿足∫ Rnp（x） d x=1且p（x）≥0。定義：

I=∫ Dg（x）p（x） d （x）（1）

式中，如果D有界，則I為g（x）的數(shù)學(xué)期望，即I=E[g（x）]。

假設(shè)樣本之間相互獨(dú)立記{x i}N其中N表示樣本個(gè)數(shù)，令g（x）=x，則g（x）的平均值g（x）為：

g（x）=N i-1g（x i）（2）

當(dāng)N→∞時(shí)，g（x）與I近似相等，即：

lim n→∞1NN i-1g（x i）= lim g（x）=I

（3）

假設(shè)后驗(yàn)概率密度為p（x 0：k|z 1：k），其對(duì)應(yīng)的參數(shù)為x 0：k，根據(jù)概率論，可求數(shù)學(xué)期望[5]：

E（g（x 0：k））=∫g（x 0：k）p（x 0：k|z 1：k） d x 0：k（4）

期望的估計(jì)值為：

E（g（x 0：k））=1NN i-1g（xi 0：k）（5）

當(dāng)N→∞，E（g（x 0：k））絕對(duì)收斂即：

∫g（x 0：k）p（x 0：k|z 1：k） d x 0：k≈1NN i-1g（xi 0：k）（6）

2.2 引入重要性采樣的粒子濾波

由于 p（x 0：k|z 1：k） 的存在，人們往往無(wú)法在實(shí)際中應(yīng)用。為了解決這一問(wèn)題，引入重要性采樣函數(shù)，然后進(jìn)行相應(yīng)的粒子濾波[6-7]。因此期望公式可表示為：

E（g（x 0：k））=1NN i-1g（xi 0：k）w k（xi 0：k）1NN i-1w k（xi 0：k）

=N i-1g（xi 0：k）w k（xi 0：k）（7）

2.3 對(duì)重要性采樣粒子濾波結(jié)果的序列化

序列化粒子濾波的原理是基于狀態(tài)獨(dú)立性的假設(shè)，即任意狀態(tài)之間互相獨(dú)立。根據(jù)重要性權(quán)重的計(jì)算公式[8-9]結(jié)合遞歸的方法，進(jìn)行如何計(jì)算：

p（z 1：k|x 0：k）p（x 0：k）q（x 0：k|z 1：k）=w k（x 0：k）（8）

定義如下的遞歸計(jì)算形式：

q（x 0|z 1：k）=q（x 0：k-1|z 1：k-1）q（x k|x 0：k，z 1：k）（9）

可以得出：

w k=w k-1p（z 1：k|x 0：k）p（x 0：k）p（x 0：k-1|z 1：k-1）q（x k|x 0：k，z 1：k）

=w k-1p（z k|x k）p（x k|x k-1）q（x k|x a：k-1，z 1：k）

（10）

根據(jù)貝葉斯概率統(tǒng)計(jì)論，對(duì)遞歸得到的公式（9）其進(jìn)行近似，此時(shí)粒子xi k的權(quán)值wi k可表示為：

xi k=wi k-1p（z k|xi k）p（xi k|xi i-1）q（xi k|xi k-1，z 1：k）

（11）

2.4 結(jié)合最近鄰法則的粒子濾波算法

最近鄰法則（k-Nearest Neighbor，KNN）kNN算法的核心思想是如果1個(gè)樣本在特征空間中的 n 個(gè)最相鄰的樣本中的大多數(shù)屬于1個(gè)類別，則該樣本也屬于這個(gè)類別，并具有該類別上樣本的特征[10]。該方法在確定分類決策上，只依據(jù)最近鄰的1個(gè)或者幾個(gè)樣本的類別來(lái)決定待分樣本所屬的類別。對(duì)于單只豬很有效，但在2只豬靠的比較近時(shí)容易檢測(cè)為1只豬，從而影響目標(biāo)檢測(cè)和軌跡跟蹤。

該研究對(duì)視頻中相鄰兩幀之間的檢測(cè)結(jié)果不再進(jìn)行對(duì)應(yīng)，而是將根據(jù)第 i幀圖像的預(yù)測(cè)第i+1幀圖像的結(jié)果與第i+1幀的真實(shí)結(jié)果進(jìn)行濾波融合從而精確繪制出目標(biāo)的運(yùn)動(dòng)軌跡。

利用粒子濾波算法對(duì)豬的運(yùn)動(dòng)狀態(tài)進(jìn)行跟蹤，并進(jìn)行預(yù)測(cè)，方便后期的信息融合。該研究中粒子的位置就是目標(biāo)的位置，粒子的權(quán)重代表豬的相似程度，設(shè)定矩形窗口標(biāo)記豬，長(zhǎng)為豬的身長(zhǎng)，記 H x，寬為豬的身高記W y因此，狀態(tài)向量可定義為：

x k=[x，y，H x，W y]（12）

式中，（x，y）表示坐標(biāo)，根據(jù)粒子濾波算法的初始狀態(tài)方程形式可以將狀態(tài)轉(zhuǎn)移方程定義為[11]：

x k=Ax k-1+Bw k-1（13）

式中，w k-1表示高斯隨機(jī)噪聲，w k-1∈N（0，σ x），σ x是標(biāo)準(zhǔn)正態(tài)分布。在公式（12）、（13）中，權(quán)重系數(shù)由運(yùn)動(dòng)目標(biāo)的運(yùn)動(dòng)性決定，為了進(jìn)一步描述權(quán)重與目標(biāo)運(yùn)動(dòng)之間的關(guān)系，添加一個(gè)可以衡量這種關(guān)系的計(jì)算公式：

BC （p，q）= x∈Xp（x）q（x）（14）

式中，p（x）為粒子顏色分布，q（x）為目標(biāo)顏色分布。粒子權(quán)重為：

w=1 2π σ exp -1- BC （p，q）2σ2（15）

式中，σ為高斯方差，一般取2.0。

2.5 試驗(yàn)與結(jié)果

試驗(yàn)代碼在matlab 2016版本運(yùn)行，導(dǎo)入試驗(yàn)視頻，文中列出跟蹤試驗(yàn)結(jié)果中第35、121、289、321幀的4幀圖片及處理結(jié)果見圖5、6、7、8。

試驗(yàn)中，3只豬分別采用實(shí)線、虛線、虛實(shí)線框?qū)ωi只進(jìn)行跟蹤標(biāo)記。圖5第35幀的時(shí)候豬很自然地被分割開，并進(jìn)行跟蹤。圖6、7第121、289幀，豬運(yùn)動(dòng)到圖上某一位置并遮擋了另外2頭的豬的部分身體，但是處理結(jié)果依然將被遮擋的豬標(biāo)記出來(lái)。圖8第321幀，其中1只豬離開了視頻的監(jiān)控范圍，但從處理結(jié)果上看，對(duì)另外2頭豬的跟蹤并沒(méi)有發(fā)生誤檢。

圖9中為結(jié)合KNN算法在matlab上繪制出的豬的運(yùn)動(dòng)軌跡圖像，白色點(diǎn)為最終實(shí)線框跟蹤的豬只運(yùn)動(dòng)軌跡，三角點(diǎn)為虛線框跟蹤的豬只運(yùn)動(dòng)軌跡，正方形點(diǎn)為虛實(shí)線框跟蹤的豬只運(yùn)動(dòng)軌跡。從圖9可以發(fā)現(xiàn)，盡管圖像中豬只發(fā)生了重疊遮擋，但是依然具有很好的軌跡預(yù)測(cè)、跟蹤能力，綜上所述，該算法已經(jīng)具備對(duì)多豬只跟蹤的能力，并且魯棒性較強(qiáng)。

3 結(jié)語(yǔ)

隨著農(nóng)業(yè)信息化的不斷發(fā)展，智能化養(yǎng)殖是養(yǎng)殖產(chǎn)業(yè)轉(zhuǎn)型升級(jí)的推進(jìn)器，該研究主要針對(duì)豬的運(yùn)動(dòng)軌跡跟蹤展開，從以下2個(gè)方面進(jìn)行：①豬的運(yùn)動(dòng)檢測(cè)。在分析傳統(tǒng)檢測(cè)算法的前提下，結(jié)合豬舍實(shí)際的背景環(huán)境，提出GMM和Mean shift相結(jié)合的算法，通過(guò)兩邊掃描法成功提取豬目標(biāo)，并進(jìn)行了試驗(yàn)對(duì)比，驗(yàn)證了算法的可行性。②豬的運(yùn)動(dòng)跟蹤。在精確提取目標(biāo)的前提下，針對(duì)豬只重疊的情況進(jìn)行運(yùn)動(dòng)跟蹤。該研究發(fā)現(xiàn)傳統(tǒng)粒子濾波算法并不能解決該問(wèn)題，但是對(duì)重要性粒子濾波結(jié)果進(jìn)行序列化，并將其結(jié)果利用kNN算法進(jìn)行軌跡跟蹤，最后通過(guò)matlab進(jìn)行了處理試驗(yàn)，通過(guò)試驗(yàn)中的跟蹤結(jié)果圖可以看出，算法真實(shí)有效，可以完成多豬只的跟蹤任務(wù) 。

該研究可應(yīng)用于豬只智能養(yǎng)殖系統(tǒng)，推動(dòng)產(chǎn)業(yè)的轉(zhuǎn)型升級(jí)。鑒于當(dāng)前豬只養(yǎng)殖的自動(dòng)化程度還不高，數(shù)據(jù)模型不完善，特別是在對(duì)豬的病情診斷方面，仍然需要人工來(lái)完成。下一步將利用卷積神經(jīng)網(wǎng)絡(luò)技術(shù)學(xué)習(xí)不同病情豬叫聲的樣本數(shù)據(jù)，形成訓(xùn)練模型，從而可對(duì)豬的病情進(jìn)行判斷。

參考文獻(xiàn)

[1] 胡堅(jiān)強(qiáng)，舒志兵.基于均值偏移與粒子濾波融合的目標(biāo)跟蹤算法研究[J].電子器件，2019，42（3）：706-711.

[2] 楊偉明，趙美蓉，黃銀國(guó)，等.基于空間分布和時(shí)間序列分析的粒子濾波算法[J].電子學(xué)報(bào)，2017，45（2）：300-306.

[3] WANG Z L，HOU Q Y，HAO L.Improved infrared target-tracking algorithm based on mean shift[J].Applied optics，2012，51（21）：5051-5059.

[4] CHEN K L，GE W C.Pedestrian tracking algorithm based on Kalman filter and partial mean-shift tracking[C]//The 2014 2nd International Conference on Systems and Informatics.Shanghai，China：IEEE，2015：253-256.

[5] 于青青，張可，唐恒亮，等.基于視頻跟蹤軌跡的全過(guò)程路側(cè)停車行為檢測(cè)與識(shí)別技術(shù)[J].計(jì)算機(jī)與現(xiàn)代化，2017（9）：67-73.

[6] 姚明明.高速公路隧道停車檢測(cè)中的車輛跟蹤及狀態(tài)識(shí)別方法研究[D].重慶：重慶大學(xué)，2014.

[7] WANG N Y，SHI J P，YEUNG D Y，et al.Understanding and diagnosing visual tracking systems[C]//2015 IEEE International Conference on Computer Vision.Santiago，Chile：IEEE，2015：3101-3109.

[8] 吳定會(huì)，孔飛，紀(jì)志成.雞群算法的收斂性分析[J].中南大學(xué)學(xué)報(bào)（自然科學(xué)版），2017，48（8）：2105-2112.

[9] 王宇霞，趙清杰，蔡藝明，等.基于自重構(gòu)粒子濾波算法的目標(biāo)跟蹤[J].計(jì)算機(jī)學(xué)報(bào)，2016，39（7）：1294-1306.

[10] 鄭浩，董明利，潘志康.基于圖像分類與多算法協(xié)作的目標(biāo)跟蹤算法[J].計(jì)算機(jī)工程與應(yīng)用，2018，54（4）：185-191.

[11] 許多行.智慧健康服務(wù)平臺(tái)設(shè)計(jì)及關(guān)鍵技術(shù)[D].南京：南京郵電大學(xué)，2015.