[发明专利]一种基于弦轴变换的猪的特征区域识别方法

说明书

本发明公开了一种基于弦轴变换的猪的特征区域识别方法，首先对采集的俯视条件下的猪的原始图像进行预处理，运用基于形态学的前景检测与目标提取算法，获得所需的单只猪体目标轮廓图像。然后运用Harris角点检测算法，获得各显著关键点，并在此基础上进行Delaunay三角剖分，通过弦轴变换的方法可以将猪只目标分割成多个分割区域，其中将猪只轮廓周围的分割区域称为显著突出区域，并用树形结构来表示各分割区域之间的关系。最后结合基于支持向量机的多分类方法来识别各显著突出区域，从而获得目标对象的各重要特征区域(头，耳，鼻，腿，尾)。该项研究为进一步针对猪只的身份和行为识别提供了一种新的思路。

技术领域

本发明涉及机器视觉技术领域，具体涉及一种基于弦轴变换的猪的特征区域识别方法。

背景技术

在生猪养殖行业，运用机器视觉技术来对猪只进行研究，诸多方面也已经取得了理想的成绩。在对猪只的相关机器视觉研究过程中，主要是对猪只的身份和行为进行识别。而在对猪个体进行各种识别研究前，一般都需要先提取猪体对应的特征区域，例如在对猪只进行饮水行为识别前需要提取猪只的嘴部区域，通过判断猪只的嘴与水龙头是否接触，来判断猪只是否发生饮水行为。因为猪只的非刚体特性，其形状特征会随时发生改变，造成了现有的一些识别猪只特征区域的方法都存在一些局限性和不稳定性，例如在基于包络分析的猪的头尾识别取算法中，由于猪只并不是那么的配合，所以俯视条件下采集的图像，有时候猪的腿部会露出来，这种情况下，采用基于包络分析的方法就不能有效准确的识别其头尾部。所以有必要建立一种更加稳定的方法来提取猪体各特征区域。

本发明给出了一种基于弦轴变换的猪的特征区域识别方法。在猪低头、抬头、露腿及不露腿的情况下，该识别方法都能够准确提取出猪只各重要特征区域(头，耳，鼻，腿，尾)。这将为进一步针对猪的身份和行为识别提供新的思路。

发明内容

本发明目的是提取俯视条件下单个猪只个体的各重要特征区域(头，耳，鼻，腿，尾)。为此，提出一种基于弦轴变换的猪只个体特征区域提取方法。

本发明采用的技术方案是：(1)首先对单帧图像进行预处理，用自适应分块多阈值的俯视群养猪多目标提取方法，并结合小波变换方法检测猪体目标的边缘点，以及采用基于梯度的边缘生长法获得封闭轮廓，采取膨胀、腐蚀、填充等形态学运算处理，去除其他噪声封闭曲线，得到俯视状态下各猪体目标灰度图。(2)通过Harris角点算法检测边缘上的关键点，使这些关键点处在猪只目标的耳朵根部、鼻子、尾巴根部等，在任意两个关键点之间均匀增加离散点，两个关键点之间增加的离散点数为两个关键点之间边界点总数的1/30。(3)基于上述离散点集对猪只目标进行Delaunay三角剖分，并通过弦轴变换的方法将猪只目标分成多个分割区域。(4)用树形拓扑结构来表示各分割区域之间的关系，结合基于支持向量机的多分类方法完成对猪只目标各特征区域的提取。

利用Harris角点来提取边界上的关键点的具体方法是：

利用公式来计算各点的响应值CRF，式中：Ix,Iy分别是图像水平、垂直方向的灰度梯度，选出局部最大值，得到角点候选点，为了使所选出的角点与期望的特征点尽可能一致，因此需要对候选点进一步筛选，筛选规则如下：根据角点候选点的最大值CRF_max，用一个数值k乘以这个最大值作为最终筛选阈值，若CRF>k*CRF_max，则该候选点为关键点。

进一步，采用3×3窗口，计算CRF响应值，选出局部最大值，得到角点候选点，通过实验验证的方法最终确定k的最佳取值为0.32。

进一步，在任意两个关键点之间根据一定规则增选离散点的具体方法是：在任意两个关键点之间均匀增加离散点，两个关键点之间增加的离散点数为两个关键点之间边界点总数的1/30。