[发明专利]一种复杂背景下俯视群养猪多目标前景检测方法

权利要求书

1.一种复杂背景下俯视群养猪多目标前景检测方法，其特征在于包括以下步骤：

(1)改建猪舍，获取俯视状态下群养猪视频序列；

(2)设定“有效区域”；

(3)基于预测机制的混合高斯模型前景检测；

(4)利用前景目标颜色信息的最大熵阈值分割；

(5)将步骤(3)和步骤(4)的前景检测结果进行融合及数学形态学处理。

2.根据权利要求1所述的复杂背景下俯视群养猪多目标前景检测方法，其特征在于：所述步骤(1)具体方法是在长3.5m，宽3m，高1m的猪舍正上方3m处，安装拍摄俯视视频的图像采集系统，获取圈栏中7～12头、不同生长期、包含复杂背景的彩色视频片段。

3.根据权利要求1所述的复杂背景下俯视群养猪多目标前景检测方法，其特征在于：所述步骤(2)中的“有效区域”是指猪能够运动的到的一块矩形区域，即猪的活动范围。

4.根据权利要求1所述的复杂背景下俯视群养猪多目标前景检测方法，其特征在于：所述步骤(3)基于预测机制的混合高斯模型前景检测，具体描述如下：前L帧按传统的混合高斯模型的前景检测方法进行背景建模与前景检测，但混合高斯模型参数更新公式有所变化，对于前L帧中的第t帧而言参数的更新方程如下：

ωk,t=ωk,t-1+1t+1[Mk,t-ωk,t-1]---(1)]]>

μk,t=μk,t-1+Mk,tΣi=1tMk,i[Xt-μk,t-1]---(2)]]>

σk,t2=σk,t+12+Mk,tΣi=1tMk,i[(Xt-μk,t-1)(Xt-μk,t-1)T-σk,t-12]---(3)]]>

式中ω_k,t、μ_k,t、分别为第k个高斯函数的权值、均值和方差，k＝1,2,...,K，其中K为混合高斯模型个数；式中X_t为在t时刻的当前像素；式中M_k,t＝1或0，取决于像素的观测值是否位于混合高斯模型中第k个高斯分布的D个标准偏差范围内，D通常取2.5；式中ω_k,t-1、μ_k,t-1、分别为第t-1帧第k个高斯函数的权值、均值和方差；

总是将最后一帧检测出的背景和前景分别记为B_t-1和F_t-1；L+1帧及其之后的各帧，是通过前一帧检测出来的二值图像预测当前帧，分以下四种情况自适应更新混合高斯模型参数：

(a)B_t-1→B_t，即像素在前一帧是背景，到当前帧仍为背景，混合高斯模型参数按照以下公式更新：

ω_k,t＝(1-α)ω_k,t-1+α(M_k,t)       (4)

μ_k,t＝(1-ρ)μ_k,_t-1+ρ(X_t)       (5)

σk,t2=(1-ρ)σk,t-12+ρ(Xt-μk,t)T(Xt-μk,t)---(6)]]>

其中α为学习率，ρ为参数更新率；

(b)B_t-1→F_t，即像素在前一帧是背景，到当前帧变为前景，则不更新高斯模型参数，即                       ω_k,t＝ωk,_t-1            (7)

μ_k,t＝μ_k,t-1           (8)

σk,t2=σk,t-12---(9)]]>

(c)F_t-1→F_t，即像素在前一帧是前景，到当前帧仍为前景，此时也不更新高斯模型参数；

(d)F_t-1→B_t，即像素在前一帧是前景，到当前帧变为背景，此时加大高斯模型参数更新速度，按如下公式进行参数更新：

ωk,t=ωk,t-1+1L[Mk,t-ωk,t-1]---(10)]]>

μk,t=μk,t-1+1L[Mk,tXtωk,t-μk,t-1]---(11)]]>

σk,t2=σk,t-12+1L[Mk,t(Xt-μk,t-1)(Xt-μk,t-1)Tωk,t-σk,t-12]---(12).]]>