论文部分内容阅读
养殖业是关系到民生的重要产业,提高养殖效率,改善养殖环境,实现福利养殖是生猪养殖的发展趋势。如何利用智能检测手段代替人工观察,对猪的健康状况进行检测评判是目前研究热点之一。本论文在分析了基于视频的目标跟踪与声音识别在国内外的研究现状后,提出基于视频跟踪与多模型声音识别的猪行为检测与分析方法,利用数字图像处理技术与声音识别技术,对猪的进食、活动、休息、排泄等行为进行了检测,通过检测结果对猪的健康状况进行评级。主要的研究工作如下:(1)基于视频的猪目标跟踪技术主要分为猪目标的检测与猪目标跟踪。本文在介绍和分析常用目标检测方法的基础上,针对猪目标的具体特点以及GMM在目标缓慢运动或静止时检测结果出现空洞或目标消失的问题,提出了结合高斯混合建模(GMM)与均值漂移分割算法(Mean Shift)的目标检测方法。利用Mean Shift对目标进行分割,并利用两遍扫描法对分割结果进行标注,最后与GMM的检测结果进行融合,得到完整的目标轮廓。在猪目标跟踪时,为了解决目标轨迹跟踪过程中轨迹跟踪交错与目标跟踪交错的问题,提出结合粒子滤波与逐帧检测的猪目标跟踪方法。由于在视频采集过程中,摄像机镜头的焦距固定,因此,目标的面积基本恒定,可以将目标检测得到的目标位置利用最小矩形进行标定,计算矩形窗口的面积。如果面积大于阈值,表明可能有两只猪接触发生误检测,此时判断画面中目标个数。如果个数为1,则利用提出的像素点阈值分割法进行分割,否则利用粒子滤波算法预测目标的下一时刻位置,通过预测结果与下一帧视频中目标的位置进行比对,利用改进的最近邻法则将目标的位置点进行连接,绘制出运动轨迹。最后利用MFC编写可视化界面,进行直接操作与显示。(2)通过分析猪不同状态的声音,确定8种行为状态下的声音,建立模型进行声音识别。针对单模型声音识别正确率不高的问题,提出多模型结果优选的声音识别方法。首先,经过声音去噪、端点检测、加窗分帧后提取猪不同状态下声音信号的特征参数;然后将提取的特征参数进行优选后作为输入分别训练SVM、HMM、Adaboost三种模型,最后利用训练好的三种模型对不同状态猪声音进行自动识别,并将三种分类结果利用本文提出的优选方法优选后输出。实验结果表明,经过多模型结果优选后的识别正确率较单模型的正确率有一定的提高。(3)根据视频与音频的检测结果,利用行为锚定评价法建立不同行为的评分体系,通过提出的模糊权值分配规则对猪不同行为的评分进行加权求和,最后根据加权分数对猪状态做出参考性评价。