基于Isomap和支持向量機算法的俯視群養豬個體識別

郭依正，朱偉興，馬長華，陳　晨（.江蘇大學電氣信息工程學院，鎮江 2203；　2.南京師范大學泰州學院，泰州 225300）

?

基于Isomap和支持向量機算法的俯視群養豬個體識別

郭依正1,2，朱偉興1※，馬長華1，陳晨1
（1.江蘇大學電氣信息工程學院，鎮江 212013；2.南京師范大學泰州學院，泰州 225300）

摘要：針對俯視群養豬視頻序列，提出了一種利用機器視覺技術對豬個體進行識別的方法。首先對采集的俯視群養豬視頻序列進行前景檢測與目標提取，獲得各單只豬個體，其后建立訓練樣本，提取豬個體顏色、紋理及形狀特征，組合構建表征豬個體的特征向量，接著對組合特征利用Isomap算法做特征融合，在最大程度保留有效識別信息的基礎上降低特征維數，最后利用優化核函數的支持向量機分類器進行訓練與識別。試驗選取了900幀圖像，試驗結果表明該文所提方法切實有效，豬個體最高識別率為92.88%。該文從機器視覺角度探索了俯視群養豬的個體識別，有別于傳統的RFID豬個體識別，該研究為無應激的豬個體識別提供了新思路，也為進一步探索群養豬個體行為分析等奠定了基礎。

關鍵詞：動物；特征提??；支持向量機；Isomap算法；群養豬；個體識別

郭依正，朱偉興，馬長華，陳晨. 基于Isomap和支持向量機算法的俯視群養豬個體識別[J]. 農業工程學報，2016，32（3）：182－187.doi：10.11975/j.issn.1002-6819.2016.03.026http://www.tcsae.org

Guo Yizheng , Zhu Weixing, Ma Changhua, Chen Chen. Top-view recognition of individual group-housed pig based on Isomap and SVM[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(3): 182－187. (in Chinese with English abstract)doi：10.11975/j.issn.1002-6819.2016.03.026http://www.tcsae.org

Email：guoyizheng0523@163.com

0　引　言

基于機器視覺的單只豬個體研究在諸多方面已經取得了可喜成績。滕光輝等通過提取豬個體輪廓，研究無應激地獲得豬體的體尺、體質量[1-2]。Wang等也是研究采用機器視覺技術評估行進中的單只豬個體體質量[3]。劉波、朱偉興等采用背景減等方法獲取側視單豬，并分析生豬步頻[4]，同時研究了生豬紅外與可見光圖像的自動配準與融合[5]。馬麗等研究在獲取單豬輪廓后識別豬是否為側視狀態[6]。紀濱、朱偉興等根據豬的俯視腹部輪廓線，研究了基于機器視覺的豬的呼吸頻率檢測方法[7]。

因豬是群養動物，隨著規模養豬業和計算機技術的發展，探討基于機器視覺的俯視群養豬視頻序列中的前景檢測、豬個體行為分析等已經越來越受到國內外學者的關注。Navarro-Jover等通過在群養豬背部涂不同顏色以便提取豬個體，從而檢測豬個體位置[8]。Tu等提出了一種基于循環信度傳播算法的俯視群養豬前景檢測方法[9]。Viazzi、Oczak等通過圖像特征提取，建立多層前向神經網絡對豬的攻擊行為進行分類[10-11]。Xin等利用CCD攝像頭監測群養仔豬，通過明暗模型法進行運動目標檢測，形態學處理后進行圖像分割，分析圖像中仔豬躺臥時的空間分散度來評定豬舍溫度的舒適度，從而進行豬舍溫度調控[12]。Kashiha等研究了群養豬的運動檢測，并針對群養豬俯視視頻，利用機器視覺技術，通過自動監控豬只在飲水區域的停留時間來估算圈中豬只總飲水量[13-14]。

在俯視狀態下研究群養豬中豬個體的行為，難度最大而又關鍵的問題是在運動過程中豬個體的識別。對群養豬個體識別目前主要方法是采用耳標RFID[15]，Kashiha等為了評估群養狀態下各個豬個體的體重，在豬只的背上涂上不同顏色和形狀的標記，從而識別豬個體的身份[16-17]。除此之外，利用機器視覺技術對規模養豬場中俯視群養豬無應激的個體識別的研究還未有相關文獻報道。考慮到機器視覺算法在人身份識別中的成功應用（如人臉識別、虹膜識別、指紋識別、步態識別等），探討基于機器視覺的豬個體識別成為可能。為此，本文提出了一種利用機器視覺技術對豬個體進行識別的方法?；舅枷胧鞘紫葟母┮暼吼B豬單幀圖像中有效提取豬個體目標，接著建立訓練樣本，然后通過豬個體顏色、紋理及形狀特征組合構建表征豬個體的特征向量，并對組合特征利用Isomap算法做特征融合，最后構造了由Sigmoid核函數和RBF核函數相結合的混合核函數支持向量機分類器，對待識對象進行識別，試驗驗證了所提方法的可行性與有效性。

1　材料與方法

1.1俯視群養豬視頻獲取

視頻是在江蘇大學國家重點學科農業電氣化與自動化的實驗基地——丹陽市榮鑫農牧發展有限公司養豬場采集。通過改建試驗用豬舍，安裝拍攝俯視視頻的圖像采集系統，對群養豬進行視頻監控。攝像機位于豬舍（長×寬×高為3.5 m×3 m×1 m）正上方，相對地面垂直高度約為3m，視頻采集平臺及獲取的視頻幀示例如圖1所示。攝像機采用灰點公司的FL3-U3-88S2C-C（Sony CMOS），可以采集到包含背景的俯視狀態下群養豬的RGB 彩色視頻，圖像分辨率為1 760×1 840像素。

圖1　視頻采集平臺及獲取的視頻幀示例Fig.1　Video acquisition platform and frame sample of obtained video

試驗開發軟件為Matlab 2012b。試驗視頻是在天氣晴好的情況下，隨機采集了5 d，每天在早08:00點到下午17:00點時間段隨機采集6段視頻。所拍攝視頻幀頻為25 幀/s，時長在120 s左右，共采集了近90000幀圖像。

1.2豬個體識別流程

基于機器視覺的豬個體識別的流程如圖2所示。該流程主要分4個階段。首先是圖像預處理，主要是群養豬前景檢測與豬個體目標提取。

圖2　豬個體識別流程Fig.2　Recognition flowchart of individual pig

第2階段是豬個體特征提取。本文使用顏色矩方法提取豬個體的顏色特征，使用共生矩陣法提取豬個體的紋理特征，使用不變矩方法提取豬個體的形狀特征。從而建立了能有效描述豬個體的特征參數。

第3階段是特征融合優化。豬個體顏色、紋理及形狀特征組合在一起形成的特征向量維數高、數據量大、特征之間存在著信息冗余。對上述特征做了規格化后，采用Isomap算法進行融合優化。既降低了計算復雜度，又可以提高識別率。

最后是基于特征指標體系的豬個體識別。從所拍攝的視頻中選取了滿足試驗條件的900幀，其中100幀作為訓練樣本，剩下800幀作為測試樣本，利用優化核函數的支持向量機分類器對待識對象進行識別。

1.3豬個體特征提取

1.3.1顏色特征提取

顏色特征是一種重要的視覺特征，對圖像的尺度、方向、視角的依賴性較弱，具有較高的穩定性，這里主要提取了反映豬只顏色信息的顏色矩特征。

顏色矩是Stricker和Orengo首先提出的[18]。由于顏色信息主要集中在低階矩中，故只需對每種顏色通道提取一階、二階和三階矩進行統計。設hij表示第i個顏色通道分量中灰度為j的像素出現的概率，n為總像素數目，則顏色矩的3個低階矩（均值μi、方差σi和偏斜度Si）公式如下所示

1.3.2紋理特征提取

紋理是圖像的一個重要屬性，基于灰度共生矩陣（GLCM，gray level co-occurrence matrix）的紋理特征提取是最具代表性的紋理分析方法[19]。共生矩陣被描述為在θ方向上，相隔距離d的一對像素分別具有灰度值i 和j出現的概率，記為p(i,j;d,θ)。距離d的選擇，一般平滑紋理選擇較大值，粗糙紋理選擇較小值，在試驗中設置d=1。方向θ一般有4種取值0、45°、90°、135°，本文分別計算4個方向的紋理特征值，然后以所有方向特征值均值作為最終的紋理特征分量。

考慮到Haralick提出的用于分析灰度共生矩陣的14個特征之間存在冗余，而且灰度共生矩陣計算量比較大，時間較長。試驗綜合選用了角二階矩ASM（angular second moment）、對比度CON（contrast）、逆差分矩IDM（inverse difference moment）、熵ENT（entropy）4個最有描述能力的特征，公式如下

式中L為圖像灰度級。

1.3.3形狀特征提取

視頻序列中不同的豬個體可能具有相同的顏色和紋理，尋找具有平移、縮放和旋轉不變性的矩特征十分必要。一幅M×N的離散圖像f(x,y)，其p+q階的幾何矩定義是，其中，i∈ M，j∈ N，p， q為常數。令μpq＝Mpq/，r＝( p＋ q＋ 2)/ 2，可推導出7個具有平移、縮放、旋轉不變性的不變矩特征（記為M1～M7）作為圖像的形狀特征[20]。

1.4基于Isomap的特征融合優化

數據降維方法主要有線性降維與非線性降維兩大類。各個領域中高維數據多表現為非線性的，等距映射Isomap（Isometric Mapping）作為非線性降維的一種技術被廣泛應用于模式識別的各個領域。

Isomap算法是2000年由Tenenbaum 等在Science雜志上提出的[21]。算法主要過程如下：1）確定鄰域。在歐式空間中用k近鄰法確定每個點的鄰域，并計算每個點和它所有鄰域點間的距離。2）計算最短距離矩陣。通過步驟1得到鄰域距離之后，再計算任意2點在鄰域圖中的最短路徑，將得到的結果寫成矩陣形式，記為DN×N。3）用多維尺度變換MDS求解流形的低維表示Y。設HN× N＝－ JDJ/ 2，其中J＝ I－ eeT/ N，e＝(1,...,1)T為N維列向量，I為N維單位矩陣。求解出H的最大f個特征值λ1,…, λf以及對應的特征向量u1,…, uf，并記U=[u1,…, uf]，則Y＝diag(,...,)UT。

在算法應用過程中，領域k取值對識別率有一定影響，取值太大會導致局部幾何特性不能正確表示，相反會使流形不連續，從而不能反映全局性質，綜合考慮試驗數據量和計算復雜度，取鄰域k=4；計算2點在鄰域圖中的最短路徑使用Dijkstra算法；降到不同維數對識別率也有影響，試驗部分統計了最優維數。

1.5基于SVM的豬個體識別

支持向量機（support vector machine，SVM）是在統計學習理論的基礎上發展起來的新一代學習算法，它對未見過的測試樣本具有更好的推廣能力。設有分類樣本集,…，其中樣本特征向量∈ RG，即是 G維實數空間中的向量，類標簽y∈{－ 1,＋ 1}，S為分類樣本數。通過這些樣本構建一個分類函數，使之能對測試數據盡可能正確分類。分類就是尋求一個超平面，使之能將兩類樣本完全分開，其中為平面法向量，b為偏差項。

現實問題幾乎都是非線性可分的，而使用核函數能將非線性的輸入空間映射到一個線性可分的空間。此時的優化目標函數如下

對新的樣本，分類函數如下所示

其中α是拉格朗日因子，K為核函數，C為懲罰因子。

核函數支持向量機已經成為目前解決分類和回歸等問題方面最流行且功能強大的一種工具[22]。只要滿足Mercer條件[23]的函數都可以作為SVM的核函數，常用的核函數有：線性（Linear）核函數、多項式（Poly）核函數、徑向基（RBF）核函數和Sigmoid核函數。不同的核函數將產生不同的分類效果，本文將2類核函數結合起來，構成混合核函數如式（11）所示。

其中δ∈（0,1），為核函數的權值。混合核函數的參數選取是個難點，C和γ可以使用粒子群優化算法獲取[24]。通過多組試驗，確定的混合核函數SVM分類器主要參數如下：υ=1/5，r=3，C=16，γ=1.82，δ=0.8。

2　試驗結果與分析

首先是群養豬前景檢測與豬個體目標提取，該項工作參見文獻[25]和[26]。文獻[26]提出了一種自適應分塊多閾值的俯視群養豬多目標提取方法，因正在飲水和吃食的豬個體常常是標準站立姿勢，且往往是不希望被打擾的，該方法能有效提取正在飲水和吃食的豬個體。本文旨在驗證所提識別方法是否可行有效，因此從所拍攝視頻中選擇了滿足條件的900幀用于試驗，這些幀中豬個體幾乎無粘連，能夠完整分離出所有豬個體目標。以圖1所給樣圖為例，對其進行前景檢測的結果見圖3，分離出的各個豬個體見圖4。

圖3　視頻幀前景檢測結果(圖1b)Fig.3　Foreground detection results of video frame (Fig.1b)

圖4　分離出的各個豬個體（圖1b）Fig.4　Each individually isolated pig (Fig.1b)

接著對分離出的各個豬個體目標進行特征提取，以圖4中第1個豬個體為例，每個豬個體基于顏色距提取了R、B、G 3個通道9個顏色特征，基于灰度共生矩陣提取了4個紋理特征，基于不變矩提取了7個形狀特征，見表1。

表1　圖4中第1個豬的顏色特征、紋理特征和形狀特征及特征值Table 1　Color, shape and texture features and its eigenvalue of first pig in Fig.4

基于Isomap在做特征融合之前，對特征進行規格化[27]，即數據尺度歸一化，將特征規格化到[?1,+1]之間，以消除數值因大小范圍不一而影響分類效果。以混合核函數SVM作為分類器，采用典型特征融合算法的識別率結果見表2；以Isomap為特征融合算法，不同核函數的識別率結果見表3。表2結果表明，基于Isomap的特征融合用于豬個體識別較其他典型特征融合算法，如PCA，LDA等效果要好；表3結果表明，基于混合核函數的SVM比單一核函數的SVM用于豬個體識別性能更好，測試樣本在最優維數下的最高識別率為92.88%。

表2　典型特征融合算法的識別率Table 2　Recognition rates of typical feature fusion algorithms

表3　不同核函數SVM的識別率Table 3　Recognition rates of different kernel function SVM

通過深入研究誤識的豬個體，錯誤識別主要原因是豬的非剛體特性，豬在圈中有停停走走的運動模式，同一只豬個體不同的姿勢所提取的特征就不盡相同?？梢灶A見，如果僅對標準站姿的豬個體（正在吃食與喝水的豬個體往往能保持標準姿）進行識別，識別率還會進一步提高。此外，如何合理優選有效的分類特征也值得深入研究，特征優劣也直接決定了識別效果。

傳統人工觀察識別豬個體的方式費時費力，且影響工作人員的健康。耳標RFID方式雖然無需人工實時觀察，但是也會一定程度上干擾豬只正常生長。通過機器視覺技術無應激對豬個體身份進行識別，既便于飼養員對豬只提供充足的照顧，提高豬的福利，也對提高規模養殖業自動化和智能化監控水平提供了技術支撐。豬個體識別方法可以作為豬自動行為分析系統的一部分，未來可能的應用包括豬個體飲水行為分析、豬個體進食行為分析、豬個體體質量評估等。

3　結　論

1）本文提出了一種基于Isomap和SVM的俯視群養豬豬個體識別方法。試驗數據包含100幀訓練樣本，800幀測試樣本。試驗結果表明，使用機器視覺技術無應激的識別俯視群養豬中豬個體是可行的，豬個體最高識別率為92.88%。

2）顏色特征是描述圖像內容的最直接的視覺特征，紋理特征是描述圖像表面質地結構的一類重要特征，而形狀特征在區分有形狀物體時效果才較明顯。利用Isomap算法對多類特征進行融合，既可以去除特征間的冗余，保留識別信息，也可以降低特征維數，減少分類計算量。

3）利用SVM可以有效處理多類識別問題。文中提出混合核函數既考慮了全局特性，也考慮了局部特性，即SVM的學習能力及泛化能力都得到了加強，基于混合核函數的SVM較單一核函數SVM分類效果更好。

未來可以僅對正在飲水和吃食的豬個體進行目標提取與識別可以避免人工選圖。該項研究為后繼分析豬只個體行為等提供了理論基礎。

[參考文獻]

[1] 楊艷，滕光輝，李保明，等. 基于計算機視覺技術估算種豬體重的應用研究[J]. 農業工程學報，2006，22(2)：127－131. Yang Yan, Teng Guanghui, Li Baoming, et al. Measurement of pig weight based on computer vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2006, 22(2): 127－131. (in Chinese with English abstract)

[2] 劉同海，滕光輝，付為森，等. 基于機器視覺的豬體體尺測點提取算法與應用[J]. 農業工程學報，2013，29(2)：161－168. Liu Tonghai, Teng Guanghui, Fu Weisen, et al. Extraction algorithms and applications of pig body size measurement points based on computer vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(2): 161－168. (in Chinese with English abstract)

[3] Wang Y, Yang W, Winter P, et al. Walk-through weighing of pigs using machine vision and an artificial neural network[J]. Biosystems Engineering, 2008, 100(1): 117－125.

[4] 劉波，朱偉興，楊建軍，等. 基于深度圖像和生豬骨架端點分析的生豬步頻特征提取[J]. 農業工程學報，2014，30(10)：131－137. Liu Bo, Zhu Weixing, Yang Jianjun, et al. Extracting of pig gait frequency feature based on depth image and pig skeleton endpoints analysis[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(10): 131－137. (in Chinese with English abstract)

[5] 劉波，朱偉興，霍冠英. 生豬輪廓紅外與光學圖像的融合算法[J]. 農業工程學報，2013，29(17)：113－120. Liu Bo, Zhu Weixing, Huo Guanying. An image fusion algorithm of infrared thermal and optical images for pig contour[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(17): 113－120. (in Chinese with English abstract)

[6] 馬麗，紀濱，劉宏申，等. 單只豬輪廓圖的側視圖識別[J].農業工程學報，2013，29(10)：168－174. Ma Li, Ji Bin, Liu Hongshen, et al. Differentiating profile based on single pig contour[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(10): 168－174. (in Chinese with English abstract)

[7] 紀濱，朱偉興，劉波，等. 基于脊腹線波動的豬呼吸急促癥狀視頻分析[J]. 農業工程學報，2011，27(1)：191－195. Ji Bin, Zhu Weixing, Liu Bo, et al. Video analysis for tachypnea of pigs based on fluctuating ridge-abdomen[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(1): 191－195. (in Chinese with English abstract)

[8] Navarro-Jover J M, Alca?iz-Raya M, Gómez V, et al. An automatic colour-based computer vision algorithm for tracking the position of piglets[J]. Spanish Journal of Agricultural Research, 2009, 7(3): 535－549.

[9] Tu G J, Karstoft H, Pedersen L J, et al. Foreground detection using loopy belief propagation[J]. Biosystems Engineering, 2013, 116(1): 88－96.

[10] Viazzi S, Ismayilova G, Oczak M, et al. Image feature extraction for classification of aggressive interactions among pigs[J]. Computers and Electronics in Agriculture, 2014, 104(3): 57－62.

[11] Oczak M, Viazzi S, Ismayilova G, et al. Classification of aggressive behavior in pigs by activity index and multilayer feed forward neural network[J]. Biosystems Engineering, 2014, 119(2): 89－97.

[12] Shao B, Xin H. A real-time computer vision assessment and control of thermal comfort for group-housed pigs[J]. Computers and Electronics in Agriculture, 2008, 62(1): 15－21.

[13] Kashiha M A, Bahr C, Haredasht S A, et al. The automatic monitoring of pigs water use by cameras[J]. Computers and Electronics in Agriculture, 2013, 90(1): 164－169.

[14] Kashiha M A, Bahr C, Ott S, et al. Automatic monitoring of pig locomotion using image analysis[J]. Livestock Science, 2014, 159(1): 141－148.

[15] Maselyne J, Saeys W, Nuffel A V. Review: Quantifying animal feeding behaviour with a focus on pigs[J]. Physiology & Behavior, 2015, 138(C): 37－51.

[16] Kashiha M A, Bahr C, Ott S, et al. Automatic identification of marked pigs in a pen using image pattern recognition[J]. Computers and Electronics in Agriculture, 2013, 93(2): 111－120.

[17] Kashiha M A, Bahr C, Ott S, et al. Automatic weight estimation of individual pigs using image analysis[J]. Computers and Electronics in Agriculture, 2014, 107(7): 38－44.

[18] Stricker M, Orengo M. Similarity of color images[C]. Proceedings of SPIE Storage and Retrieval for Image and Video Dtabases, 1995, 2420(2): 381－392

[19] Yusof R, Khalid M, Khairuddin A S M. Application of kernel-genetic algorithm as nonlinear feature selection in tropical wood species recognition system[J]. Computers and Electronics in Agriculture, 2013, 93(4): 68－77.

[20] Hu M K. Visual pattern recognition by moment invariants[J]. IRE Transactions on Information Theory, 1962, 8(2): 179－187.

[21] Tenenbaum J B, de Silva V, Langford J. A global geometric framework for nonlinear dimensionality reduction[J]. Science, 2000, 290(5500): 2319－338.

[22] Lu Y, Boukharouba K, Boonaert J, et al. Application of an incremental SVM algorithm for on-line human recognition from video surveillance using texture and color features[J]. Neurocomputing, 2014, 126(2): 132－140.

[23] Ghasab M A J, Khamis S, Mohammad F, et al. Feature decision-making ant colony optimization system for an automated recognition of plant species[J]. Expert Systems with Applications, 2015, 42(5): 2361－2370.

[24] Ren Yuan, Bai Guangchen. Determination of optimal SVM parameters by using GA/PSO[J]. Journal of Computers, 2010, 5(8): 1160－1168

[25] Guo Yizheng, Zhu Weixing, Jiao Pengpeng, et al. Foreground detection of group-housed pigs based on the combination of Mixture of Gaussians using prediction mechanism and threshold segmentation[J]. Biosystems Engineering, 2014, 125(9): 98－104.

[26] Guo Yizheng, Zhu Weixing, Jiao Pengpeng, et al. Multi-object extraction from topview group-housed pig images based on adaptive partitioning and multilevel thresholding segmentation[J]. Biosystems Engineering, 2015, 135(5): 54－60.

[27] Ramesh B, Xiang C, Lee T H. Shape classification using invariant features and contextual information in the bag-of-words model[J]. Pattern Recognition, 2015, 48(3): 894－906.

Top-view recognition of individual group-housed pig based on Isomap and SVM

Guo Yizheng1,2, Zhu Weixing1※, Ma Changhua1, Chen Chen1
(1. School of Electrical and Information Engineering, Jiangsu University, Zhenjiang 212013, China; 2. Taizhou College, Nanjing Normal University, Taizhou 225300, China)

Abstract:Monitoring behavior of pigs in a pen is possible both in group and at individual level. Data analysis at individual level, however, has more advantages. Identification of pigs is a necessary step towards analyzing the different behaviors of pigs individually. Some current computer vision systems that are used for video surveillance of group-housed pigs require that the pigs be marked. In this paper, using a top-view video sequence of group-housed pigs, a machine-vision technology method for recognizing individual pig is proposed. First, to recognize each individual pig, foreground detection and target extraction are conducted on a top-view video sequence of the group-housed pigs. Second, the training samples are established, and the color, texture and shape of the individual pig are extracted; through the combination of these features, a feature vector representing an individual pig is then built. Third, the combined features are fused using the Isomap algorithm, which reduces the feature dimension on the basis of the maximum retention of the effective recognition information. Finally, the features are trained and recognized using a support vector machine (SVM) classifier with an optimal kernel function. The videos used in the present study are collected from pig farms of the Danyang Rongxin Nongmu Development Company, which is the experimental base for the key discipline of Jiangsu University, i.e. agricultural electrification and automation. The pigs are monitored in a reconstructed experimental pigsty. The pigsty is 1 m high, 3.5 m long and 3 m wide. A camera is located above the pigsty with the height of 3 m over the ground. The camera is the FL3-U3-88S2C-C with an image resolution of 1760 × 1840 pixels from the Grey Point Company. The videos are captured from 8 AM to 5 PM. Over 5 days randomly chosen, we collect 6 sections of videos every day at random time, so there are a total of 30 videos randomly chosen in audio video interleaved (AVI) format. The frame frequency of each video is 25 fps with the duration of approximately 120 s. Among the 90 000 frames (5 days × 6 videos × 120 s × 25 fps), 900 frames satisfying the requirement of experimental conditions are selected. The software MATLAB 2012b is adopted. The experimental results show that the proposed method is effective and the highest recognition rate of pigs is 92.88%. In this paper, a method for recognizing group-housed pigs individually from a top-view video sequence is explored based on the machine vision, which differs from traditional radio frequency identification (RFID) of individual pig. This study provides a new idea for the recognition of individual pig without stressing the animals, and lays a foundation for further analysis of the behavior of individual pig.

Keywords:animals; feature extraction; support vector machines; Isomap algorithm; group-housed pigs; individual pig recognition

通信作者：※朱偉興，男，江蘇蘇州人，教授，博士生導師，主要從事農業信息科學、機器視覺研究。鎮江江蘇大學電氣信息工程學院，212013。Email：wxzhu@ujs.edu.cn

基金項目：國家自然科學基金資助項目（31172243）；教育部博士點基金資助項目（20103227110007）；江蘇高校優勢學科建設工程資助項目（蘇政辦發（2011）6號）；江蘇省普通高校研究生科研創新計劃項目（CXLX13_664）

作者簡介：郭依正，男，江蘇徐州人，博士生，講師，主要從事機器視覺、模式識別研究。鎮江江蘇大學電氣信息工程學院，212013。

收稿日期：2015-09-08

修訂日期：2015-12-23

中圖分類號：TP391.41；S818.5

文獻標志碼：A

文章編號：1002-6819(2016)-03-0182-06

doi：10.11975/j.issn.1002-6819.2016.03.026