面向豬的姿態識別的特征優選方法研究

黨亞男+王芳+田建艷+謝徵

摘要： 豬的姿態識別是豬的行為分析和數字化養殖的重要前期工作，為了得到準確的豬的姿態，首先利用均值漂移圖像分割算法、形態學操作及濾波處理技術來獲取豬的二值圖像；然后建立豬的備選幾何參數特征集（圓形度F1、矩形度F2、伸長度F3、質高比F4和質心左右比F5），并運用粗糙集的約簡方法對其進行篩選；最后采用模板匹配算法優選出來最優特征組合。試驗結果表明，針對不同的姿態識別對象，由于決策的目標不同，會選用不同的最優特征組合。其中，站立和躺臥姿態采用最優特征組合{F1F2}進行姿態識別，復雜程度降低的同時提高了識別率；平視、低頭和抬頭站立姿態采用最優特征組合{F1F2F3F4F5}進行姿態識別，有較高的識別精度。

關鍵詞： 特征優選；粗糙集；模板匹配；豬；姿態

中圖分類號： TP391.4 文獻標志碼： A 文章編號：1002-1302（2016）03-0448-04

目前在大規模養殖場中，對于病豬的前期征兆和異常行為都是依靠人工觀察來完成，有研究[1]表明，長時間低頭站立以及躺臥行為表明豬處在疲勞狀態，精神萎靡，需進一步檢查其身體狀況；如果豬一段時間處于抬頭站立狀態表明豬可能受到外界的刺激和干擾，或者是恐慌行為，需要對豬舍的內外環境進行檢查。若通過人工的方法檢測不僅勞動強度大，而且發現不及時。因此，數字化養殖應用視頻監控的方式已經開始興起，該方法不僅可以及時對豬進行行為分析，而且也減少了勞動力。

本研究對采集到的豬圖像先進行圖像處理與智能信息處理操作，提取出豬目標的二值圖像；然后針對站立和躺臥，平視、低頭和抬頭站立這2組姿態，提出采用備選幾何參數特征集（圓形度F1、矩形度F2、伸長度F3、質高比F4和質心左右比F5）來描述豬的姿態，之后運用粗糙集的知識屬性約簡方法[2-3]分別進行特征組合的篩選，得到2組篩選后的特征組合；最后運用模式識別中模板匹配[4-5]的思想計算約簡前、后特征組合的識別率，驗證篩選后的特征組合為最優組合。試驗結果表明，根據目標姿態的不同，選擇不同的最優特征組合。其中，描述站立和躺臥姿態約簡后的特征組合{F1F2}不僅降低了備選特征集的復雜度，且一定程度上提高了豬姿態識別的正確率；而平視、低頭和抬頭站立姿態因為區別度不大的原因，需要整個備選特征集{F1F2F3F4F5}來描述且具有較高的識別精度。因此，2組特征組合均為最優組合。通過姿態的分類識別，便可根據研究經驗判斷出豬的健康狀況，并對長時間躺臥、低頭和抬頭的豬及時采取對應措施。

1 豬的目標提取

本研究試驗圖像為單頭豬的彩色圖像。對采集到的豬的目標圖像，運用圖像處理相關算法來提取豬的目標二值化圖像。首先將圖片灰度化處理，去除背景干擾；之后用均值漂移算法[6-7]識別出豬目標，再經過形態學操作和濾波處理；最后得到目標的二值化圖像。由于篇幅有限，列舉4幅典型姿態圖像的豬目標提取步驟（圖1）。

2 特征優選

特征優選[8]的主要任務就是從1組數量為E的特征集中選出數量為e（e 綜合考慮上述特征優選的主要任務和豬姿態分類識別的具體要求，本研究特征優選主要包括備選特征集的建立、特征組合篩選和最優組合評價3個部分。

2.1 備選特征集的建立

為了對豬的姿態進行分類，需要找到合適的特征來描述姿態，可以描述豬姿態的特征分為幾何參數特征和表征輪廓形狀特征，表征豬幾何參數特征的有圓形度、矩形度和體態比[1]等，表征輪廓形狀特征有Hu矩[1]和Zernike矩[9]等。觀察大量的豬姿態圖片發現，站立豬和躺臥豬的形態和輪廓有較大區別，平視站立豬、低頭站立豬和抬頭站立豬的形態和輪廓也有所區別，因此，選用幾何參數特征和表征輪廓形狀的特征均可以描述姿態，鑒于表征輪廓形狀特征的復雜度較高，而特征優選的第一步就要求以最短時間和空間消耗代價來找出所需要的特征組合，所以選取幾何參數特征來描述豬的不同姿態。在計算幾何參數特征之前，找出涉及到的一些數值與關鍵點示意圖（圖2）。

（5）

式中：L為豬目標質心到目標最左點的橫坐標距離；R為豬目標質心到目標最右點的橫坐標距離。F5為目標質心到目標最左點與最右點橫坐標距離之比，可以描述目標頭部姿態的變化程度。

2.2 特征組合篩選

備選特征集的篩選采用粗糙集屬性約簡的方法，粗糙集理論[11]是一種處理非精確性問題的新型數學工具，尤其是在屬性約簡[12]方面。粗糙集屬性約簡[13]的目的是降低特征集的維數，去除不重要的甚至是冗余的特征。具體算法步驟為：

（1）構造樣本庫。分別為站立和躺臥；平視、低頭和抬頭站立的豬樣本庫，得到所有圖像的二值化圖像之后計算所有樣本的備選特征值{F1F2F3F4F5}。

（2）構造決策表。決策表是1張二維表格，每1行表示1個樣本（豬對象），每1列表示樣本的1種屬性。本研究構造2個決策表，一個決策表為站立和躺臥的決策表，另一個為平視、低頭和抬頭站立的決策表。決策表的條件屬性是5個備選特征，決策屬性是對應的姿態。

（3）離散化處理。由于實際生活中數據大多數是連續屬性值，而在處理信息決策表各個屬性的數據要求是離散的，所以數據在應用之前必須要對決策表數據進行離散化處理。

采用粒子群（PSO）確定邊界參數[14]的數據離散化方法對構造的決策表離散化。每次迭代過程中，每個粒子的個體極值存儲了1組連續屬性的斷點集，用這些斷點來對連續數據集進行離散化，在離散化后的數據集的基礎上計算決策屬性對條件屬性集的依賴度，作為粒子的適應度。當迭代次數達到最大迭代次數或決策屬性對條件屬性集的依賴度接近1時，算法終止。

（4）屬性約簡。離散化后的決策表利用差別矩陣法[15]來進行屬性約簡，差別矩陣是粗糙集屬性約簡中常用到的方法，利用這個方法能夠區別出來屬性的重要程度，從而約簡掉冗余的特征。

2.3 最優組合評價

約簡后的特征降低了復雜度，篩選了冗余的特征，如何衡量粗糙集篩選的特征組合是否為聚類的最優組合，就需要確定一個評價標準。本研究選擇模板匹配[16]的方法來確定最優特征組合。模板匹配的思路是用特征向量來表示訓練目標圖像，通過計算訓練圖像和樣本圖像的特征向量的歐式距離[17]來進行匹配，選擇歐式距離最小的作為最后判斷出來的姿態。具體方法為：

設X={dx（1），dx（2），…，dx（n）}為輸入目標圖像的特征向量，Y={dy（1），dy（2），…，dy（n）}為訓練樣本庫中某一標準姿態的特征向量，X和Y的歐式距離為：

通過計算歐式距離MXY，當MXY=0時，2個姿態形狀完全相似；MXY越大，姿態的差異越大。試驗中，計算輸入目標姿態與樣本庫中每一類姿態的距離MXY，距離最小者為識別結果。

針對站立和躺臥，平視、低頭和抬頭站立的姿態，對比這2組姿態約簡前后特征組合進行模板匹配的識別率，若識別率提高的同時復雜度又降低，則判別約簡后的特征組合為判別該組姿態的最優特征組合。

3 結果與分析

構造2個樣本庫，分別為：100張站立豬和100張躺臥豬；100張平視站立豬、100張低頭站立豬和100張抬頭站立豬。得到所有圖像的二值化圖像之后計算樣本庫的備選特征值。

構造2個決策表，由于篇幅有限，每種姿態各選擇5張圖片，經過豬目標提取步驟之后如圖3所示。

表1中，論域U有10個樣本，ID從1到10，表2中，論域U有15個樣本，ID從1到15。在這里我們采用F1、F2、F3、F4、F5作為條件屬性，D代表決策屬性，其中，表1中的D為0代表站立姿態，D為1代表躺臥姿態，表2中的D為0代表平視站立姿態，D為1代表低頭站立姿態，D為2代表抬頭站立姿態。站立和躺臥姿態決策表如表1所示；平視、低頭和抬頭站立姿態決策表如表2所示。

基于粗糙集的特征組合篩選結果為：針對站立和躺臥的豬姿態識別，約簡后的特征組合為{F1F2}；針對平視、低頭和抬頭站立的豬姿態識別，約簡后的特征組合為{F1F2F3F4F5}。

在模板匹配之前需要對得到的所有特征值進行簡單的數據歸一化操作。采用約簡前的特征組合{F1F2F3F4F5}，經過模板匹配之后的試驗結果見表3。

采用約簡后的站立和躺臥特征組合{F1F2}，經過模板匹配之后的試驗結果見表4。

從試驗結果可以看出，由于站立和躺臥的姿態區別較大，約簡后的特征組合{F1F2}就可以區別這2種姿態，且約簡后的特征組合不僅降低了備選特征集的復雜度，而且提高了識別率；而正常、低頭和抬頭站立姿態區別較小，采用最全的特征組合{F1F2F3F4F5}才能區別這3種姿態，且正確率也較高。因此，判斷站立和躺臥的特征組合{F1F2}和判斷平視、低頭和抬頭站立的特征組合{F1F2F3F4F5}均為最優組合。分析錯誤原因是：一方面，站立豬離相機遠，且因為環境物體的遮擋，圖像經過二值化處理后，很可能誤判為躺臥；而躺臥豬也會因為角度問題而誤判為站立。另一方面，站立豬有的低頭、抬頭幅度略小，是圖像識別的難點，易誤判為平視站立。

4 總結

為了準確分析豬的行為并對異常行為豬及早采取措施，根據研究經驗，本研究識別2類豬的姿態，分別為：站立和躺臥姿態；平視、低頭和抬頭站立姿態。然后考慮特征優選的第一步要求以最短時間和空間消耗代價來找出所需要的特征組合，所以選取5個幾何參數特征來描述豬的不同姿態，分別為：圓形度、矩形度、伸長度、質高比和質心左右比。最后，為了得到匹配率較高和復雜程度較低的最優特征組合。采用粗糙集對特征組合進行篩選，再運用模板匹配對特征組合優選。試驗結果得到識別站立和躺臥的最優特征組合{F1F2}，識別平視、低頭和抬頭站立的最優特征組合{F1F2F3F4F5}，兩者均能達到較高的識別精度。分析錯誤識別原因發現，可能因為角度問題而發生一些誤判現象，所以接下來可以對豬的各種角度的姿態加以研究。

參考文獻：

[1]王 勇. 基于輪廓不變矩特征的豬行為姿態識別研究[D]. 鎮江：江蘇大學，2011.

[2]Zeng A P，Li T R，Liu D，et al. A fuzzy rough set approach for incremental feature selection on hybrid information systems[J]. Fuzzy Sets and Systems，2015，258：39-60.

[3]劉 富，張 瀟，侯 濤，等. 基于粗糙集的基因信號屬性約簡[J]. 吉林大學學報：工學版，2015，45（2）：624-629.

[4]姜映映，田 豐，王緒剛，等. 基于模板匹配和SVM的草圖符號自適應識別方法[J]. 計算機學報，2009，32（2）：252-260.

[5]趙海勇，劉志鏡，張 浩. 基于模板匹配的人體日常行為識別[J]. 湖南大學學報：自然科學版，2011，38（2）：88-92.

[6]馮進玫，盧志茂，楊 朋，等. 基于局部占優度的彩色圖像分割算法[J]. 華中科技大學學報：自然科學版，2014，42（9）：44-48.

[7]Michel J，Youssefi D，Grizonnet M. Stable Mean-Shift algorithm and its application to the segmentation of arbitrarily large remote sensing images[J]. IEEE Transactions on Geoscience and Remote Sensing，2015，53（2）：952-964.

[8]陳 銘. 高維聚類算法研究[D]. 南京：南京師范大學，2011.

[9]袁登廳. 基于Zernike矩及支持向量機的豬的姿態識別研究[D]. 鎮江：江蘇大學，2014.

[10]柴 洋，王向東. 基于圖像處理的溫室大棚中番茄的病害識別[J]. 自動化技術與應用，2013，32（9）：83-89.

[11]郭 敏，賈修一，商 琳. 基于模糊化的決策粗糙集屬性約簡和分類[J]. 模式識別與人工智能，2014，27（8）：701-707.

[12]Qian Y H，Wang Q，Cheng H H，et al. Fuzzy-rough feature selection accelerator[J]. Fuzzy Sets and Systems，2015，258（258）：61-78.

[13]Lee J H，Rahimipour A J，Ahn C W，et al. Efficient classification system based on Fuzzy-Rough Feature Selection and Multitree Genetic Programming for intension pattern recognition using brain signal[J]. Expert Systems With Applications，2015，42（3）：1644-1651.

[14]Beiranvand V，Mobasher-Kashani M，Abu Bakar A. Multi-objective PSO algorithm for mining numerical association rules without a priori discretization[J]. Expert Systems With Applications，2014，41（9）：4259-4273.

[15]劉慧玲，潘宏俠，田靜宜. 粗糙集用于故障診斷中的測點優化配置[J]. 機械設計與研究，2014，30（1）：101-104，110.

[16]咼潤華，蘇婷婷，馬曉偉. BP神經網絡聯合模板匹配的車牌識別系統[J]. 清華大學學報：自然科學版，2013，53（9）：1221-1226.

[17]劉昌盛. 基于視覺的靜態手勢識別技術研究[D]. 蘭州：西北師范大學，2008.