秦立峰 張曉茜 董明星 岳 帥

(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(diǎn)實(shí)驗(yàn)室， 陜西楊凌 712100；3.陜西省農(nóng)業(yè)信息感知與智能服務(wù)重點(diǎn)實(shí)驗(yàn)室， 陜西楊凌 712100)

0 引言

奶牛目標(biāo)區(qū)域的精確提取是后續(xù)奶牛的跛行檢測(cè)[1-2]、呼吸檢測(cè)[3-4]、個(gè)體識(shí)別[5-6]以及行為識(shí)別[7-9]的基礎(chǔ)，對(duì)奶牛養(yǎng)殖業(yè)的發(fā)展有重要的意義[10]?；跈C(jī)器視覺(jué)和圖像處理、機(jī)器學(xué)習(xí)等智能化技術(shù)可幫助實(shí)現(xiàn)對(duì)奶牛目標(biāo)的精準(zhǔn)提取[11-12]。然而，由于奶牛養(yǎng)殖場(chǎng)環(huán)境差異大、背景復(fù)雜，且奶?；顒?dòng)姿態(tài)差異大，使得基于視覺(jué)方法的奶牛目標(biāo)提取精度有待提高。

傳統(tǒng)用于圖像或視頻中奶牛目標(biāo)提取的常用算法有邊緣檢測(cè)法[13]和背景建模法[14]，前者對(duì)于復(fù)雜背景以及相似的顏色干擾難以取得較高準(zhǔn)確率，目標(biāo)范圍易存在較大誤差[15]；后者則對(duì)于背景依賴大，參數(shù)量往往較難估計(jì)，不同場(chǎng)景背景下的模型難以移植，且算法穩(wěn)定性受光照影響較大[16]。劉冬等[17]提出了一種動(dòng)態(tài)的建模方法，基于GMM采用局部更新的策略和基于色度和亮度偏差的二分類算法對(duì)奶牛目標(biāo)進(jìn)行實(shí)時(shí)檢測(cè)，平均模型復(fù)雜度比GMM降低了50.85%，前景誤檢率、背景誤檢率分別降低了19.50%和13.37%。宋懷波等[18]提出了一種無(wú)參核密度估計(jì)背景建模的方法，解決了現(xiàn)有的參數(shù)化模型實(shí)現(xiàn)奶牛目標(biāo)檢測(cè)方法的缺陷，算法平均前景正檢率為95.65%。但閾值選取上不能夠達(dá)到自適應(yīng)。ZHAO等[19]在背景減去法的基礎(chǔ)上融合幀差法并實(shí)時(shí)調(diào)整奶牛的RGB通道系數(shù)來(lái)進(jìn)行運(yùn)動(dòng)奶牛的目標(biāo)檢測(cè)，目標(biāo)檢測(cè)精度為88.34%，但對(duì)環(huán)境變化比較敏感。近年來(lái)，深度學(xué)習(xí)方法在奶牛個(gè)體識(shí)別與檢測(cè)中得到廣泛研究，JIANG等[20]在YOLO v3的基礎(chǔ)上對(duì)奶牛關(guān)鍵部位進(jìn)行了檢測(cè)，算法的平均檢準(zhǔn)率達(dá)到93.73%，召回率為97.51%，檢測(cè)幀率為21 f/s，然而深度網(wǎng)絡(luò)結(jié)構(gòu)較復(fù)雜、難以硬件實(shí)現(xiàn)，與實(shí)際應(yīng)用仍有一定距離。

相關(guān)濾波算法[21]廣泛應(yīng)用于目標(biāo)跟蹤領(lǐng)域，通過(guò)目標(biāo)模板訓(xùn)練相關(guān)濾波器對(duì)目標(biāo)的可能位置區(qū)域進(jìn)行濾波，最大響應(yīng)位置即為目標(biāo)中心[22]。核相關(guān)濾波算法(Kernelized correlation filter, KCF)[23]已成為基本方法，它采用HOG特征，利用多通道模式；常用的高斯核、線性核和多項(xiàng)式核3種核函數(shù)中，高斯核精度高但速度低，線性核精度較差但速度高。尺度自適應(yīng)多特征融合相關(guān)濾波算法(Scale adaptive with multiple feature tracker, SAMF)[24]在KCF算法基礎(chǔ)上將CN特征、HOG特征和灰度特征串聯(lián)融合訓(xùn)練相關(guān)濾波器，并與預(yù)設(shè)的7種尺度進(jìn)行匹配，可實(shí)現(xiàn)最佳位置和最佳尺度下目標(biāo)位置的實(shí)時(shí)預(yù)測(cè)。

綜上，基于邊緣檢測(cè)和背景建模的奶牛目標(biāo)提取對(duì)背景依賴較強(qiáng)，難以實(shí)現(xiàn)不同場(chǎng)景間的算法移植；深度學(xué)習(xí)網(wǎng)絡(luò)的實(shí)際應(yīng)用仍存在一定困難；而相關(guān)濾波器建模簡(jiǎn)單，具有速度快、抗干擾能力強(qiáng)的特點(diǎn)，本文將相關(guān)濾波算法融入目標(biāo)提取基本框架，提出一種融合相關(guān)濾波和邊緣檢測(cè)的養(yǎng)殖場(chǎng)奶牛目標(biāo)提取算法CFED，進(jìn)行奶牛目標(biāo)提取。該算法首先從視頻幀圖像中提取奶牛目標(biāo)顏色特征CN和HOG特征，分別訓(xùn)練相關(guān)濾波器，將各自的濾波器響應(yīng)圖進(jìn)行融合，獲取準(zhǔn)確的目標(biāo)范圍。利用目標(biāo)邊緣點(diǎn)鄰域特征生成方向可調(diào)的濾波器，在不同方向上卷積圖像得到多方向上的邊緣響應(yīng)。利用奶牛顏色特征在目標(biāo)范圍內(nèi)快速提取奶牛目標(biāo)，最后與邊緣檢測(cè)的結(jié)果圖像進(jìn)行融合，實(shí)現(xiàn)奶牛目標(biāo)提取。

1 材料與方法

1.1 奶牛視頻材料獲取與標(biāo)記

試驗(yàn)視頻于2017年5—7月于陜西省楊凌科元克隆股份有限公司的奶牛養(yǎng)殖場(chǎng)采集，拍攝對(duì)象為側(cè)面行走狀態(tài)下的荷斯坦奶牛。采用一臺(tái)SONY HDR-CX290E型攝像機(jī)固定拍攝，攝像機(jī)位于與奶牛垂直距離約3 m處。視頻格式為avi，幀速率為25 f/s，幀寬度為880像素，高度為720像素，碼率為2 000 kb/s。對(duì)于所選用的奶牛視頻段，先將其轉(zhuǎn)換成幀圖像，若首幀沒(méi)有奶牛出現(xiàn)，則忽略該幀，將出現(xiàn)奶牛的第1幀圖像作為視頻首幀，奶牛視頻幀圖像如圖1所示。利用Matlab中Ground Truth Labeler工具，手動(dòng)逐幀標(biāo)記奶牛目標(biāo)位置，標(biāo)記結(jié)果如圖1b所示。標(biāo)記數(shù)據(jù)包含4個(gè)參數(shù)，分別為目標(biāo)跟蹤框左上角位置的行、列坐標(biāo)以及理想跟蹤框的長(zhǎng)度和寬度。將每個(gè)幀圖像的標(biāo)記數(shù)據(jù)存入文件，作為算法評(píng)估的基礎(chǔ)。

由圖1a可見(jiàn)，養(yǎng)殖場(chǎng)實(shí)地拍攝的監(jiān)控視頻的背景十分復(fù)雜，有泥土、墻、磚、玻璃、欄桿等，且奶牛目標(biāo)受到不同程度的遮擋。試驗(yàn)共采集了處于這樣復(fù)雜環(huán)境的9段視頻，均確保奶牛處于視頻中，考慮到雨霧天氣下及夜間監(jiān)測(cè)實(shí)際需求，采集的視頻中包含了晴天、雨天、夜間視頻，以用于驗(yàn)證算法的穩(wěn)定性。視頻具體信息如表1所示。

表1 奶牛視頻信息Tab.1 Video information of cows

試驗(yàn)平臺(tái)為Windows 10系統(tǒng)便攜式計(jì)算機(jī)，處理器為Intel(R) Core(TM) i5-9300HF，主頻為2.40 GHz，GPU為NVIDIA GeForce GTX 1660 Ti，內(nèi)存為16 GB，硬盤為1 TB。算法開(kāi)發(fā)平臺(tái)是Matlab R2018b。

1.2 基于相關(guān)濾波算法的奶牛目標(biāo)定位

1.2.1總體技術(shù)路線

本研究技術(shù)路線如圖2所示。在離線狀態(tài)下，提取訓(xùn)練圖像的HOG特征和CN特征[25]，并預(yù)設(shè)尺度池，訓(xùn)練相關(guān)濾波器。在線的奶牛目標(biāo)提取分兩步，首先利用SAMF進(jìn)行奶牛位置預(yù)測(cè)，獲取奶牛目標(biāo)候選區(qū)域框，并對(duì)原始圖像進(jìn)行掩膜操作，得到候選框內(nèi)的原圖像；然后對(duì)候選區(qū)域圖像進(jìn)行邊緣濾波和顏色閾值快速分割后，將二者結(jié)果相融合，最后利用形態(tài)學(xué)處理得到奶牛目標(biāo)區(qū)域。

1.2.2相關(guān)濾波進(jìn)行目標(biāo)定位的基本原理

目標(biāo)解表示為

(1)

式中αi——最優(yōu)封閉解

利用循環(huán)矩陣的性質(zhì)，結(jié)合離散傅里葉變換(DFT)，得到核正則化最小二乘(Kernelized RLS，KRLS)的最優(yōu)解為

(2)

式中F——離散傅里葉變換函數(shù)

kxx——訓(xùn)練樣本的自相關(guān)核輸出向量

α——最小二乘最優(yōu)解

x——采樣的訓(xùn)練樣本

核函數(shù)使用高斯核。在新的一幀中，通過(guò)獲取候選窗口圖像塊z來(lái)檢測(cè)目標(biāo)的位置。則分類器的輸出響應(yīng)為

=F-1(kxz⊙α)

(3)

kxz——訓(xùn)練樣本與測(cè)試樣本的互相關(guān)核輸出向量

⊙——元素乘積運(yùn)算符號(hào)

z——測(cè)試樣本

1.2.3SAMF尺度自適應(yīng)核相關(guān)濾波器

(1)奶牛特征提取

通過(guò)對(duì)目標(biāo)區(qū)域的梯度方向直方圖進(jìn)行統(tǒng)計(jì)得到HOG特征，它反映了圖像局部的梯度方向，表征圖像邊緣和形狀信息，對(duì)目標(biāo)旋轉(zhuǎn)和尺度的變化不敏感，且不受圖像形變影響。CN特征是一種最為接近人眼視覺(jué)的特征，與灰度特征相比，CN特征更豐富地描述了目標(biāo)部分的位置信息。HOG特征和CN特征具有互補(bǔ)性，利用這兩個(gè)特征分別訓(xùn)練相關(guān)濾波器，二者的響應(yīng)加權(quán)組合可實(shí)現(xiàn)準(zhǔn)確的目標(biāo)定位。

HOG特征提取過(guò)程為，先將原始圖像灰度化并進(jìn)行Gamma校正，實(shí)現(xiàn)圖像對(duì)比度調(diào)節(jié)，并抑制噪聲。對(duì)圖像所有像素點(diǎn)，利用[-1 0 1]和[1 0 -1]T梯度算子分別對(duì)原圖像進(jìn)行卷積，得到x和y方向上的梯度分量；再將圖像平均劃分成尺寸為4×4的子塊；將360°劃分為若干區(qū)間，根據(jù)像素點(diǎn)梯度方向差異，通過(guò)雙線性插值將其幅度累積到直方圖中，將小塊內(nèi)梯度直方圖進(jìn)行統(tǒng)計(jì)得到每個(gè)小塊的特征描述子。每3×3個(gè)子塊組合成一個(gè)塊，將每個(gè)塊內(nèi)所有特征描述符串聯(lián)連接，即得到該塊的HOG特征。整個(gè)目標(biāo)區(qū)域的HOG特征由全部塊的HOG特征組合得到。

CN特征假定不同顏色名稱具有相等的先驗(yàn)概率，通過(guò)對(duì)目標(biāo)像素進(jìn)行非線性映射得到各個(gè)RGB值到11種顏色名稱的映射關(guān)系。這種映射可以表示為F：RGB→v，其中v是一個(gè)11維的向量，vi=P(ci|xRGB)是將RGB值xRGB分配給特定的顏色名稱ci的概率。區(qū)域(region)的顏色名稱描述符Kregion被定義為來(lái)自區(qū)域內(nèi)像素的概率分布的總和

(4)

式中N——區(qū)域內(nèi)的像素個(gè)數(shù)

(2)利用SAMF算法進(jìn)行奶牛目標(biāo)定位

將當(dāng)前幀和上一幀的數(shù)據(jù)用線性疊加的方式結(jié)合來(lái)更新濾波器，以進(jìn)行后續(xù)跟蹤。對(duì)濾波器T的更新公式為

(5)

μ——更新系數(shù)

本文中尺度池設(shè)置為{0.985，0.99，0.995，1.0，1.005，1.01，1.015}。在比較過(guò)程中同時(shí)對(duì)待選目標(biāo)進(jìn)行這7種尺度計(jì)算，選擇響應(yīng)值最大者作為當(dāng)前幀的目標(biāo)尺度。

1.3 目標(biāo)框內(nèi)基于邊緣檢測(cè)的目標(biāo)精確提取

根據(jù)SAMF算法獲取的奶牛目標(biāo)區(qū)域框如圖3所示。后續(xù)只對(duì)此區(qū)域框內(nèi)像素進(jìn)行處理，可減少大量背景干擾，提高算法整體效率。

由圖3可見(jiàn)，奶牛目標(biāo)框較準(zhǔn)確地確定了奶牛目標(biāo)區(qū)域，表明基于相關(guān)濾波的目標(biāo)初提取效果較好。為了更精確地提取奶牛目標(biāo)，在候選區(qū)域內(nèi)利用方向可調(diào)濾波器檢測(cè)奶牛目標(biāo)邊緣，以進(jìn)一步在候選區(qū)域內(nèi)準(zhǔn)確定位奶牛位置。方向可調(diào)濾波器使用不同方向的模板對(duì)圖像進(jìn)行卷積得到圖像的邊緣，具有靈活、快速的特點(diǎn)[26]。本文采用三階模板，其幅度系數(shù)ga、gb、gc、gd和角度系數(shù)ka、kb、kc、kd分別為

(6)

(7)

式中x、y——高斯函數(shù)求偏導(dǎo)的方向

θ——方向可調(diào)濾波器的方向輸入

通過(guò)不同方向上幅度系數(shù)和角度系數(shù)乘加運(yùn)算產(chǎn)生最終模板，即

G=kaga+kbgb+kcgc+kdgd

(8)

式中G——線性組合后的最終模板

在0°～360°范圍內(nèi)，每隔30°生成一個(gè)模板，共13個(gè)模板；分別對(duì)圖像做卷積，將所有方向上卷積結(jié)果進(jìn)行疊加得到邊緣檢測(cè)結(jié)果，再二值化后得到邊緣二值圖。對(duì)圖3所示奶牛候選區(qū)域進(jìn)行邊緣提取的過(guò)程圖及結(jié)果如圖4所示。

方向可調(diào)濾波器提取出的奶牛圖像邊緣仍存在偽邊緣及噪聲。再使用顏色特征對(duì)圖像進(jìn)行目標(biāo)提取，以消除噪聲和無(wú)效背景，并保留奶牛目標(biāo)。由于奶牛部位像素主要為黑色或白色，因此設(shè)置雙閾值Tw、Tb對(duì)像素點(diǎn)進(jìn)行判定，判定規(guī)則為

(9)

式中bw(x,y)——分割后的圖像

I(x,y)——原圖像中的像素值

Tw——白色判定閾值

Tb——黑色判定閾值

對(duì)圖4所示的奶牛候選區(qū)域進(jìn)行顏色分割的結(jié)果如圖5a所示。

1.4 濾波結(jié)果融合和形態(tài)學(xué)處理

將方向可調(diào)濾波器提取出的邊緣圖像與顏色特征分割出的目標(biāo)區(qū)域圖像疊加，如圖5b所示，可見(jiàn)奶牛目標(biāo)內(nèi)的偽邊緣線條以及部分空洞得到了填充，但是由于背景復(fù)雜，背景像素中有很多與目標(biāo)像素值相近的點(diǎn)，且目標(biāo)有一定遮擋，使得目標(biāo)提取結(jié)果仍有較大誤差，因此進(jìn)一步采用數(shù)學(xué)形態(tài)學(xué)方法處理。

首先用尺寸為15像素×15像素的正方形結(jié)構(gòu)元素進(jìn)行腐蝕，消除背景上的小目標(biāo)區(qū)域。對(duì)腐蝕過(guò)的圖像用30像素×30像素的正方形結(jié)構(gòu)元素進(jìn)行膨脹處理，填充圖像內(nèi)部孔洞和邊緣處的小凹陷，并磨平目標(biāo)區(qū)域向外的尖角，使目標(biāo)區(qū)域連接成盡量大的連通區(qū)域，如圖5c所示。最后再用半徑為15像素的圓形結(jié)構(gòu)元素進(jìn)行腐蝕，使其尺寸盡量匹配真實(shí)目標(biāo)的尺寸，目標(biāo)提取結(jié)果如圖5d所示。

2 評(píng)價(jià)指標(biāo)

選用重疊率和誤檢率進(jìn)行目標(biāo)提取效果評(píng)價(jià)。將算法提取的目標(biāo)區(qū)域像素集合記為D，手動(dòng)標(biāo)記的目標(biāo)像素集合記為A，則重疊率(Overlap rate，OR)計(jì)算式為

(10)

式中OR——重疊率

誤檢率分為假陽(yáng)性率(False positive rate，fp)和假陰性率(False negative rate，fn)。fp是算法將背景像素誤判為目標(biāo)像素的個(gè)數(shù)與實(shí)際的全部背景像素個(gè)數(shù)的比值。fn是算法將目標(biāo)像素判斷為背景像素的個(gè)數(shù)與實(shí)際的全部背景像素個(gè)數(shù)的比值。記總像素?cái)?shù)為N，真實(shí)奶牛目標(biāo)像素?cái)?shù)為p，算法得到目標(biāo)像素?cái)?shù)為a，算法正確提取的目標(biāo)像素?cái)?shù)為t。m1=a-t，表示算法中誤把背景像素判斷為目標(biāo)的像素?cái)?shù)；m2=p-t，表示算法誤把目標(biāo)判斷成背景的像素個(gè)數(shù)。則fp、fn計(jì)算公式分別為

(11)

(12)

通過(guò)3項(xiàng)指標(biāo)值的均方差σ分析算法的穩(wěn)定性。均方差越小，算法穩(wěn)定性越高。

3 試驗(yàn)結(jié)果與分析

分別對(duì)9段視頻的圖像幀進(jìn)行算法測(cè)試與評(píng)估，用Adobe Photoshop對(duì)試驗(yàn)圖像手動(dòng)分割出奶牛目標(biāo)，得到目標(biāo)二值圖作為真實(shí)值，用于評(píng)價(jià)指標(biāo)的計(jì)算。

對(duì)測(cè)試圖像進(jìn)行目標(biāo)提取，計(jì)算提取結(jié)果的OR、fp、fn及樣本均方差，如表2所示。由表2可見(jiàn)，9段視頻的圖像幀奶牛目標(biāo)提取的平均重疊率為92.93%，平均假陽(yáng)性率為5.07%，平均假陰性率為5.08%。OR、fp、fn的均方差分別為3.79%、0.91%、1.08%。該結(jié)果表明算法可準(zhǔn)確對(duì)奶牛進(jìn)行定位和目標(biāo)提取，且穩(wěn)定性較好。

表2 CFED算法提取奶牛目標(biāo)結(jié)果Tab.2 Cow target results extracted with CFED algorithm %

為了進(jìn)一步考查CFED算法性能，本文將CFED與Otsu、K-means算法、幀間差分法和GMM[27-28]算法進(jìn)行目標(biāo)提取結(jié)果對(duì)比。其中，幀間差分法利用視頻序列連續(xù)性、運(yùn)動(dòng)目標(biāo)在幀間變化明顯的特點(diǎn)，對(duì)連續(xù)幀通過(guò)差分運(yùn)算，再經(jīng)灰度閾值判斷獲取目標(biāo)位置[29-31]。GMM通過(guò)對(duì)背景像素的分布建立混合高斯概率模型，并使用期望最大(EM)算法訓(xùn)練模型參數(shù)，最后對(duì)視頻中的像素進(jìn)行最大似然判定。5種算法對(duì)9段視頻幀圖像提取的結(jié)果如表3所示。

表3 不同算法性能對(duì)比Tab.3 Performance comparison of different algorithms

由表3可見(jiàn)，CFED算法平均重疊率最高，比Otsu算法、K-means算法、幀間差分法、GMM分別高35.63、32.84、20.28、14.35個(gè)百分點(diǎn)，平均假陽(yáng)性率和假陰性率最低。在運(yùn)行時(shí)間上，CFED算法為0.70 s，速度較快且在不同視頻不同干擾下沒(méi)有受到影響，該結(jié)果表明所用算法具有較好的目標(biāo)提取效果，可為復(fù)雜奶牛場(chǎng)環(huán)境的奶牛目標(biāo)提取提供一定的參考。

4 討論

4.1 尺度變化對(duì)目標(biāo)提取的影響

如圖6所示，在奶牛尺度變化的視頻中，由于奶牛與攝像機(jī)距離變換而產(chǎn)生了尺度的變化，且其中還存在另一頭不完整的奶牛干擾，在此情況下SAMF所采用的尺度池方法，位置濾波與尺度濾波同時(shí)進(jìn)行，實(shí)現(xiàn)目標(biāo)區(qū)域提取過(guò)程中的尺度自適應(yīng)，使得奶牛目標(biāo)提取在位置和尺度兩個(gè)方面同時(shí)達(dá)到最優(yōu)，較好地定位到了奶牛目標(biāo)位置，使得后續(xù)的提取操作更便于進(jìn)行。平均重疊率、平均假陽(yáng)性率、平均假陰性率分別為95.64%、5.10%、4.37%。

4.2 天氣情況對(duì)目標(biāo)提取的影響

圖7為雨天奶牛視頻幀圖像，可以看出算法仍可提取出主要奶牛目標(biāo)區(qū)域。幀圖像上的平均重疊率、平均假陽(yáng)性率、平均假陰性率分別為92.19%、4.11%、5.12%，提取效果有所降低，這是因?yàn)橛晁绊懯沟媚膛＿\(yùn)動(dòng)情況發(fā)生改變，且雨霧影響導(dǎo)致圖像質(zhì)量退化。

圖8為夜間奶牛視頻幀圖像提取結(jié)果。由于光照強(qiáng)度低，奶牛的體色與欄桿以及背景相似度增大，導(dǎo)致提取結(jié)果較多的目標(biāo)像素被認(rèn)為是背景，OR、fp、fn的平均值分別為87.70%、6.39%、6.77%， CFED仍可將奶牛目標(biāo)提取出來(lái)，但總的來(lái)說(shuō)，夜間指標(biāo)值相較于正常光照下偏低，說(shuō)明光照強(qiáng)度對(duì)算法的影響較為顯著，下一步應(yīng)在這方面加以改進(jìn)使得算法能夠很好地適應(yīng)夜間環(huán)境。

4.3 遮擋情況對(duì)目標(biāo)提取的影響

奶牛養(yǎng)殖環(huán)境復(fù)雜，欄桿的遮擋情況普遍，本文采集的9段視頻中有6段存在欄桿遮擋，導(dǎo)致最終提取到的奶牛目標(biāo)不完整。針對(duì)此情況，對(duì)圖像進(jìn)行了孔洞填充和形態(tài)學(xué)操作，可以對(duì)奶牛目標(biāo)進(jìn)行一定程度的填補(bǔ)。圖7和圖8都在欄桿的干擾下較為完整地提取了奶牛目標(biāo)。

另外室外環(huán)境下，飛鳥(niǎo)會(huì)對(duì)奶牛目標(biāo)造成部分遮擋干擾。若飛鳥(niǎo)未對(duì)奶牛目標(biāo)形成遮擋，算法在目標(biāo)定位階段將飛鳥(niǎo)作為背景排除；若飛鳥(niǎo)在奶牛目標(biāo)框內(nèi)對(duì)奶牛形成遮擋，算法通過(guò)多特征提取和形態(tài)學(xué)處理也能把飛鳥(niǎo)的影響降低。如圖9所示，第1行是受飛鳥(niǎo)干擾的3幀圖像，第2行是對(duì)應(yīng)的目標(biāo)提取結(jié)果。由該結(jié)果可見(jiàn)，飛鳥(niǎo)遮擋下奶牛目標(biāo)提取仍較完整，在該視頻幀上平均重疊率為94.80%；平均假陽(yáng)性率、平均假陰性率分別為4.32%、4.28%。綜上所述，本文算法在遮擋干擾上具有較好的魯棒性。

4.4 交叉重疊對(duì)目標(biāo)提取的影響

在目標(biāo)提取問(wèn)題中，同類對(duì)象間的交叉和重疊對(duì)特定目標(biāo)精確提取影響嚴(yán)重。這是由于同類對(duì)象具有相似特征，很難精確定位出重疊部分的對(duì)象邊緣。如圖10所示，圖像中兩頭奶牛交叉重疊，且存在一定程度的欄桿遮擋，前景奶牛(1號(hào))的提取受到背景奶牛的嚴(yán)重干擾。

在目標(biāo)定位階段，算法將背景奶牛(2號(hào))的不完全重疊部分剔除，如圖10b所示，為后續(xù)的目標(biāo)提取提供了便利，目標(biāo)提取結(jié)果如圖10c所示。由于重疊部分奶牛特征對(duì)目標(biāo)奶牛特征的提取造成嚴(yán)重的假陽(yáng)性干擾，使圖像邊緣檢測(cè)產(chǎn)生較大誤差，使算法性能有所下降，在該視頻幀上平均重疊率為90.03%；平均假陽(yáng)性率、平均假陰性率分別為6.06%、5.85%。目標(biāo)重疊部分邊緣的精準(zhǔn)檢測(cè)將是下一步提升算法性能的關(guān)鍵研究?jī)?nèi)容。

5 結(jié)論

(1)將相關(guān)濾波算法SAMF引入視頻幀奶牛目標(biāo)提取中，提出多特征融合相關(guān)濾波的奶牛目標(biāo)提取算法(CFED)。試驗(yàn)結(jié)果表明，本文算法平均重疊率達(dá)到92.93%、假陰性率和假陽(yáng)性率分別為5.07%和5.08%，相較于傳統(tǒng)的Otsu算法、K-means算法、幀間差分法和GMM，平均重疊率分別提高了35.63、32.84、20.28、14.35個(gè)百分點(diǎn)，表明CFED算法具有很好的目標(biāo)提取效果，為養(yǎng)殖場(chǎng)環(huán)境下的奶牛目標(biāo)精準(zhǔn)提取提供了一種有效方法。

(2)本文算法具有很好的穩(wěn)定性，對(duì)遮擋、尺度變化、雨霧影響等復(fù)雜環(huán)境條件具有較好的適應(yīng)性。同時(shí)本文算法對(duì)單幀圖像的目標(biāo)提取時(shí)間為0.70 s，處理速度較快。