基于SVM的豬只行為分類

俞守華，楊劍達，陳紫城，楊暢達

?

基于SVM的豬只行為分類

俞守華，楊劍達，陳紫城，楊暢達

（華南農業大學數學與信息學院，廣東 廣州510642）

摘 要：鑒于我國現有規模化養豬場中豬只健康鑒定主要依賴于人工觀測、效率低、誤判率高的現狀，通過在規模化養豬場豬舍正上方懸掛網絡攝像頭采集豬只活動視頻，應用支持向量機模型分析豬只運動參數和體態特征數據，對豬只的采食、排泄、站立、趴窩、慢走、跑動等行為進行分類。結果表明，該模型對于豬只的6種行為分類準確率達96.09%。

關鍵詞：行為分類；SVM；豬只；健康養殖

在養豬場中，飼養員可通過觀察豬只的采食和排泄行為判斷其健康狀況［1-2］。隨著養豬場的規模化，僅靠人工識別豬只行為無法保證豬只的健康養殖，且會大大增加管理人員的工作負擔。為此，豬只行為的智能分類是實現豬只健康養殖的前提，其能使生產管理人員更便捷、更客觀地掌握豬只的健康狀況及生長規律。有學者選用最近鄰分法實現行人行為分類［3］，這種方法存在在分類過程中計算量大、依賴于訓練樣本和用于度量相似性的距離函數選擇多等問題；也有學者選用動態貝葉斯網絡分類人體行為［4］，這種方法的實際效果取決于使用者對實際應用的先驗知識；有學者則使用BP神經網絡進行人體行為分類［5］，這種方法具有很強的自組織學習能力且有很好的魯棒性，但其易學習過度、訓練時間比較長、需要較多的經驗知識初始化網絡結構、網絡的解釋能力比較差。本研究選擇支持向量機方法實現豬只行為分類，其分類計算量小，不依賴于訓練集，模型具有良好的推廣能力，可為豬只健康養殖提供參考。

1 豬只行為分類框架

行為智能分類獲取數據的方式有兩類，一類是把傳感器固定到人或動物身上，通過傳感器采集數據進行行為分類，這種方式在一定程度上干擾了人或動物的行為，不利于動物的健康養殖；另一類是通過視頻監控等非接觸方式采集數據進行分類，這種方式難點在于確定設計的行為學指標是否科學。本研究采用第二類方式，利用懸掛在豬舍頂部的網絡攝像頭采集豬舍內豬只活動視頻，使用基于多特征Camshift和Kalman濾波結合［6］的跟蹤方法和基于多特征檢測與目標關聯［7］的跟蹤方法跟蹤收集豬只數據，經實驗證明這兩種跟蹤方法獲取的數據可靠。

除了豬只的采食和排泄行為外，豬只的站立、趴窩、慢走、跑動行為雖然屬于豬只的常規行為，但也很大程度上反映豬只的心理和身體狀況，因此本研究也采用這4種行為分類。規模化養豬場中豬只數量多，行為種類多、行為次數也數不勝數，且從健康養殖的角度出發要求算法實時分類豬只行為，便于管理者統計決策，豬只行為分類算法需要同時滿足以下4個條件：（1）盡量小的樣本訓練集；（2）計算量小，滿足實時性；（3）容錯能力強；（4）分類模型具有良好的推廣能力。支持向量機（Support Vector Machine，SVM）的特性符合豬只行為分類算法的要求，因此本研究選擇SVM實現豬只行為分類。

2 模型建立與設計

2.1 SVM模型原理

SVM是由Vapnik等提出的一種機器學習算法［8］，建立在結構風險最小原理和統計學習VC維理論上，根據有限樣本信息在模型的復雜性和學習能力之間尋求最佳折衷，其核心思想是把樣本向量從低維空間轉換到高維空間，將不同類的樣本以盡量大的間隔距離分開，以獲得最好的模型推廣能力。其分類原理如下：

假設樣本訓練集是包含d維特征空間的N個向量，xi∈Rd，yi∈｛-1，1｝（i=1，2，…N）。樣本數據點的判別函數是f（x）=ωTx+b，其對應的分類方程是：ωTx+b=0。且向量ω和b必須滿足約束：

y1［（ω·x1） + b ］≥1，i =1，2，…n

由此推導出以下約束優化問題，求最小值：

構造Lagarange函數：

式中，ai≥0為，Lagagrange乘子，為了求出最小值，分別對ω、a、b求偏微分并令其等于0，原問題轉化為一個二次函數尋優問題，其存在唯一解。綜上所述，可求得最優超平面函數為：

式中，ai*為不等于0的樣本，即支持向量；b*為分類閾值，由約束條件ai〔yi（ω·x1+ b） -1〕=0可求解。

某些情況下兩類樣本不能被所謂的最優分類面完全分離開，此時通過引入松馳因子ζ，允許存在錯分樣本，這樣可以折中推廣能力和經驗風險，因此超平面要滿足下式：

y1（ω·x1+ b） ≥1-ζi

當0 ＜ ζi＜ 1時，樣本點xi正確分類；當ζi≥1時 ，樣本點xi被錯分。因此，目標函數變為：

式中，C為正常數，是模型的懲罰因子，也可以將上式轉換為二次規劃求解問題來計算出最優超平面，這也是SVM線性分類的最一般表述。

2.2 豬只行為分類指標提取

為實現豬只行為智能分類，本研究通過運用圖像處理方法獲取一系列量化的行為學指標作為豬只行為分類指標。根據學者［9-12］研究總結出目前的動物行為學指標可以分為兩大類：運動參數和體態特征。結合多個行為學指標對豬只行為進行分類識別，能夠使結果更準確全面，因此本研究同時采用這兩類行為指標。

運動參數在一定程度上反映豬只的活躍程度，是分類識別豬只趴窩、跑動、慢走等行為的顯著參數指標，也為判斷豬只健康狀態提供客觀的依據。基于運動參數的行為學指標的前提是將豬只看作一個質點，即用豬只身體區域的質心坐標來表示豬只的位置。本研究采用的運動參數類行為學指標及其具體含義如下：（1）所停留的區域，該參數描述豬只停留在某個特定區域，根據豬只定點進行采食、排泄和趴窩行為的特點，將一個豬舍劃分為采食區域、排泄區域和活動區域，從而對豬只的采食、排泄、趴窩以及其他常規活動行為進行分類識別。它的計算方法是求得豬只質心坐標，根據質心坐標判斷其在哪個劃分區域，比如質心在采食區域，則豬只所在區域為采食區域。（2）特定區域的停留時間，該參數描述豬只已停留在某特定區域的累積時間。（3）運動距離，該參數描述豬只在連續兩幀間移動的距離，計算方法如下：

式中，xi+1，yi+1和x1，y1分別表示相鄰兩幀中豬只質心的坐標。（4）運動速度，該參數描述豬只在單位時間內的運動距離，計算方法如下：

式中，V（i+1，i）表示豬只在相鄰兩幀間運動的速度，D（i+1，i）表示豬只在相鄰兩幀間運動距離，ti+1- ti表示相鄰兩幀的時間間隔。

體態特征是表示動物的整個身體姿態，比運動參數更能全面的反映豬只的健康狀態。由于動物體態在圖像中表現為二維形狀，不同的體態往往表現為不同的形狀。例如，豬只的站立和趴窩兩種行為，當豬只站立時，只有四條腿與地面直接接觸，身體其他部分都距離地面一定高度，此時在圖像中豬只形狀的外接橢圓的長短軸的長度相差較大（圖1A）；當豬只趴窩時，身體大部分都與地面直接接觸，此時在圖像中豬只形狀的外接橢圓長短軸的長度比較接近（圖1B）。

圖1 豬只的站立與趴窩行為的二維形狀

由于豬只在規模化豬舍的活動使得圖像中各體態可能在各個位置、方向上出現，而且其本身的多樣性，要求從豬只二維形狀提取的體態特征不僅具有旋轉、平移不變性還有尺度不變性，并且能忽略類內差異，保持類間差異。因此本研究選擇周長面積比、長短軸比和Hu幾何矩3種體態特征。周長面積比描述豬只二維形狀的不規則情況，當形狀越不規則，值越小，反之，值越大。具體計算方法如下：

式中，C、A分別代表豬只二維形狀的周長和面積。

長短軸之比描述豬只二維形狀的細長程度（圖2），計算方法如下：

式中，L、S分別表示豬只形狀的外接橢圓的長軸和短軸長度。

Hu幾何矩是一個全局量的描述，描述了豬只的整體特征。

圖2 豬只長短軸之比

2.3 模型設計

上述SVM模型的設計中，選擇合適有效的核函數對豬只行為的分類效果至關重要，本研究通過對現有數據的大量實驗分析表明，模型的核函數選擇為高斯徑向基函數（Radial Basis Function）時可取得較好的分類效果。高斯徑向基核函數使用時需要確定兩個主要參數：核參數γ和懲罰因子C，它們決定著SVM的泛化性能。現有核函數運用中參數選擇大部分采用試湊方法。在極大減小計算量的前提下，為了更精確地找到最優參數，Hsu［13］提出一種K重交叉驗證結合網格搜索方法。本研究采用同種策略。

SVM提出之初僅僅用于解決二元分類問題，不能直接用于多分類問題。由于本研究將豬只的行為分為采食、排泄、站立、趴窩、慢走、跑動6種行為，因此，需在上述二分類方法的基礎上進一步構造一個六類分類器。為解決多分類問題常用的方法有層次SVM、一對多SVM（One Against All）、一對一SVM（One Against One）。Hsu等［14］系統地比較了各種多分類SVM算法，指標包括訓練速度、分類準確率和推廣能力，結果顯示，一對一SVM具有訓練速度快，分類準確等特點，可以很好的解決行為分類所要求的實時性問題，因此采用一對一SVM作為本研究的分類方法。

3 試驗結果與分析

通過開源項目LibSVM對規模化養豬場環境下采集到的豬只行為指標數據進行行為分類的實驗。對從實際視頻提取到的豬只行為指標數據分別進行隨機分組和隨機均等分組，從而提取出9組不同規模的訓練樣本。然后從剩下的行為指標數據中隨機抽取出一組測試樣本集，其構成見表1。樣本集1～4的構成方式為隨機分組，通過其構造可知，豬只在日常的活動中趴窩和慢走行為最多，排泄行為最少；而樣本集5～9的構成方式為隨機均等分組，每一種類型的訓練樣本數量是均等的。

本研究用5重交叉驗證結合網格搜索對SVM進行訓練，結果（表2）表明，訓練樣本集8所得到的SVM 分類效果最好。9組測試樣本集的分類結果顯示，當參與SVM訓練的樣本規模越大，對未知樣本（測試樣本）的分類則越準確（即所獲得的 SVM 推廣能力越強），但達到一定規模后，分類準確率反而會輕微地降低。由訓練樣本集1～4的分類結果可知，可能由于豬只的站立、采食和排泄行為類別的樣本所占比例較少，在一定程度上影響了訓練的效果進而影響了其分類準確率，而豬只行為分類框架提到“盡量小的樣本訓練集”的要求，因此選擇訓練樣本集8作為SVM學習基準。

以訓練樣本集8為基準對測試樣本集中不同類型的樣本進行分別測試，其準確率分別為為93.33%（站立）、99.12%（趴窩）、93.89%（慢走）、93.17%（跑動）、98.33%（采食）、99.27%（排泄）。通過分析和比較測試樣本集的人工標定和預測結果，發現存在3種誤判：（1）只站立在趴窩、采食或排泄區域時少部分被誤判為趴窩、采食或排泄；（2）豬只在進行趴窩、采食或排泄行為時少部分會被誤判為站立或慢走；（3）豬只慢走或跑動中突然的停頓會被誤判為站立或慢走。

表1 訓練樣本集構成

表2 9組樣本集的測試結果

4 結語

為了滿足豬只行為分類算法的4個基本要求，本研究提出了基于SVM的豬只行為分類方法：首先利用行為學指標的運動參數和體態特征來表示豬只的行為，構建了豬只行為分類指標集，然后根據規模化養豬場采集到的豬只行為數據進行分類實驗。試驗結果表明，豬只行為分類準確率可達96.09%。本研究為實現全天候無接觸豬只、監控及時發現異常情況以及深入開展豬只健康養殖研究

提供了一個新的思路。然而，本研究中采用的圖像處理方法無法保證采集到任何環境下豬舍內豬只的運動參數和體態特征，為此，如何提高采集豬只數據的算法的魯棒性是今后需要進一步研究的內容。

參考文獻：

［1］ 張博. H1N1亞型豬流感病毒分離鑒定、鑒別診斷及M2e重組質粒免疫效力研究［D］. 成都：四川農業大學，2011.

［2］ 王雪巖. 豬高熱癥狀的病因分析與用藥方案［J］. 農村養殖技術，2010（4）：35-36.

［3］ 徐亞靜. 基于時空局部二值模式的行為識別方法研究［D］. 長春：吉林農業大學，2013.

［4］ 楊旗. 人體步態及行為識別關鍵算法研究［D］. 沈陽：東北大學，2013.

［5］ 韓旭. 應用Kinect的人體行為識別方法研究與系統設計［D］. 濟南：山東大學，2013.

［6］ 周勇鈞，俞守華，區晶瑩. 多特征Camshift和Kalman濾波結合的豬只智能跟蹤［J］. 廣東農業科學，2013，40（9）：174-177，188.

［7］ Yu S H，Chen Z C，Ou J Y，et al. Tracking algorithm based on multi-feature detection and target association of pigs on large-scale pig farms［J］. Journal of Information and Computational Science，2015，12 （10）：3837-3844.

［8］ Vapnik V N. Statistical Learning Theory［M］. New York：Wiley，1998.

［9］ 張敏. 基于體態識別的動物行為自動分析研究與應用［D］. 杭州：浙江大學，2005.

［10］ 陸鋮. 基于視頻的動物行為智能分析系統關鍵技術研究［D］. 楊凌：西北農林科技大學，2008.

［11］ 浦雪峰. 基于行為監測的病豬自動識別系統設計［D］. 鎮江：江蘇大學，2009.

［12］ 尹令，洪添勝，劉迎湖，等. 基于無線傳感器網絡支持向量機奶牛行為特征識別［J］. 傳感技術學報，2011（03）：458-462.

［13］ Hsu C W，Chang C C，Lin C J. A practical guide to support vector classification［EB/OL］. http：//www. csie.ntu.edu.tw/ cjlin/papers/guide/guide.pdf，2003.

［14］ Hsu C W，Lin C J. A comparison of methods for multiclass support vector machines［J］. IEEE Transactions on Neural Networks，2002，13（2）：415-425.

（責任編輯 鄒移光）

中圖分類號：S811.8；S828.4

文獻標識碼：A

文章編號：1004-874X（2016）03-0152-05

收稿日期：2015-09-29

基金項目：廣東省科技計劃項目（2012A020602043）；華南農業大學大學生創新實驗項目（201410564286）

作者簡介：俞守華（1964-），男，博士，教授，E-mail：segrad@scau.edu.cn

Pig behavior recognition based on SVM

YU Shou-hua，YANG Jian-da，CHEN Zi-cheng，YANG Chang-da
（College of Mathematics and Informatics，South China Agricultural University，Guangzhou 510642，China）

Abstract：Nowadays，identification of sick pig mainly relies on manual observation. This method is inefficient and has high error rate. A IP camera hung on the middle of ceiling of pig pen in large-scale pig farm was developed in this research. Pigs’ behavior video can be captured through the IP camera. The locomotory parameter and posture features data of pig were analyzed to categorize into eating，excreting，standing，lying，walking and running behaviors using SVM models. The results indicated that the method could distinguish six behaviors of pig with the accurancy rate of 96.09%. The results provided reference for identificating sick pigs.

Key words：behavior recognition；SVM；pig；healthy breeding