基于ALR-GMM的群養豬攻擊行為識別算法研究

劉 冬 何東健 陳 晨 STEIBEL Juan SIEGFORD Janice NORTON Tomas

(1.西北農林科技大學機械與電子工程學院， 陜西楊凌 712100； 2.魯汶大學M3-BIORES實驗室， 海弗萊 B-3001；3.農業農村部農業物聯網重點實驗室， 陜西楊凌 712100； 4.江蘇大學電氣信息工程學院， 鎮江 212013;5.密西根州立大學動物科學系， 東蘭辛 MI 48824)

0 引言

畜禽行為是畜禽對某種環境刺激的反應，或與其所在環境相互作用而造成的某種生活方式的反應[1]。當生活環境發生變化時，畜禽動物通常會通過調節行為來緩解外界環境對心理和生理上的壓力，但動物的適應能力有限，當環境脅迫超過其適應限度，則會表現出異常行為[2]。隨著畜禽養殖業集約化程度的不斷提高，采用籠養、自動供水供料以及漏糞地板等措施，改變了傳統養殖環境，從而影響畜禽動物的正常生活習慣，常常引起動物異常行為，導致其生產性能下降，甚至發生疾病[3]，如雞啄羽行為[4]、豬咬尾行為[5]等。研究畜禽動物在各種環境下的活動模式，了解其習性，探索與之對應的神經內分泌機理，并指導設計、創建適于畜禽習性的環境條件，可以提高畜禽動物的生產性能[1-2]。

傳統動物行為學研究主要依靠觀察員對多個動物的行為同時進行觀察，并記錄行為類別、行為發出者、行為接受者，以及行為發生的順序、時段、頻率以及起止時間等，然后對記錄結果進行統計分析[6]。隨著畜禽養殖集約化程度的不斷提高，人工觀察記錄難以滿足現實需求，國內外學者試圖利用計算機視覺技術量化評估畜禽動物對微環境的響應[3]。BLOEMEN等[7]提出的活動指數被廣泛用于評估畜禽動物群體的脅迫響應，并在肉雞和育肥豬對環境溫度的變化響應以及水蚤對水質的響應研究中驗證了方法的有效性。LIND等[8]使用該方法研究了豬對藥物刺激引起的活動水平變化。COSTA等[9-10]研究了群養豬對溫度、濕度、空氣流速、通風率變化的響應行為。CHUNG等[11]研究了豬群的晝夜節律行為模式。KRISTENSEN等[12]分析了家禽對不同環境溫度的響應。KASHIHA等[13]研究商業化養雞場中的雞群分布，當雞群異常聚集或逃離時，系統向農場主發出警報。

活動指數的計算需要人工獲取純背景圖像或采用閾值分割出動物目標，然后通過幀差法計算相鄰兩幀的“運動區域”。然而，畜禽養殖環境通常伴隨背景環境的突變或漸變，如一天內太陽光強度和角度漸變、照明設備開關等干擾[14]。用深度傳感器獲取距離信息，避免光照變化對背景相減法的影響，為長時間監測提供了可行的解決方案。LEE等[15]和CHEN等[16]在深度圖像中采用背景相減法計算活動指數，并對豬攻擊行為進行識別，識別準確率顯著提升。基于距離信息的背景相減法仍然要求維持棚舍設施恒定，且重新部署系統時需要人工獲取純背景圖像。因此，采用背景相減法計算畜禽動物活動指數無法適應復雜動態場景，導致很多研究成果難以在實際養殖場推廣。

利用高斯混合模型(Gaussian mixture model, GMM)[17-19]可以建立動態背景模型，任意像素在時間域上的分布由若干個高斯函數表示，將后一幀的新像素與高斯分布模型進行比較，判斷是否服從該分布，進而判斷是否屬于背景像素。GMM動態建模思想符合畜禽養殖環境需求，已經被廣泛用于檢測豬[20]和奶牛[21-24]等畜禽動物的空間位置。然而，GMM的設計初衷是檢測移動目標，其算法機制決定了模型會最大限度維持運動像素，按照活動指數定義，模型可使靜止像素快速消融。因此，GMM容易造成累積誤差，無法直接替代基于背景相減法的活動指數模型。

本文提出基于自適應學習率高斯混合模型(Adaptive learning rate GMM, ALR-GMM)的畜禽動物行為識別模型，在保持模型對背景描述能力的前提下判定運動像素，同時自適應調節運動區域圖像的學習率，加速“運動區域”的消融速度，為計算動態背景環境下的活動指數提供一種新的方法，并通過試驗驗證該方法對識別育肥豬攻擊行為的有效性。

1 活動指數計算方法

1.1 經典活動指數模型

經典活動指數模型通過圖像處理算法獲取視頻序列中由動物運動造成的像素變化，來衡量評估動物對微環境的適應性[7]。圖1為經典活動指數計算過程示意圖。首先，采用背景相減法或閾值分割算法逐幀分割動物像素，圖1b為分割后示意圖，其中淺灰色區域表示動物目標；然后，通過幀差法計算相鄰圖像中動物像素的相對變化，并提取出運動像素。活動指數定義為運動像素在圖像中的百分比

(1)

式中A——活動指數，%

Nm——運動像素數

Nt——總像素數

當飼養籠舍結構合理、溫度適宜、空間充足、飼料充足且無外界刺激時，畜禽動物通常表現為有規律性的活動且活動強度較溫和，活動指數在經驗范圍內有規律的波動。但當動物遭受環境或疾病等脅迫時，可能表現為群體騷動或長時間躺臥，活動指數會急劇升高或異常平穩。然而，飼養員察看、投料及其他未知因素均可能造成動物群體性躁亂，導致活動指數短時間內急劇升高。可見，基于短期觀測結果的判斷容易造成系統誤警報，采用活動指數評估動物對其微環境的適應性必須建立在對長期觀測結果的統計性分析上。經典活動指數計算方法依賴純背景圖像，應用時需要營造穩定的光照條件，無法滿足實際需求。

1.2 基于ALR-GMM的活動指數計算方法

高斯混合模型對每個像素點建立3～5個高斯分布模型，并能對當前幀的觀測結果實時更新模型參數，建立動態背景模型，滿足長時間觀測的實際需求。在基于GMM算法的移動目標提取應用中，要求模型能維持運動像素，并消除參數迭代更新造成的前景消融問題[22]。然而，在實時更新的背景模型中獲取運動像素數時，不僅要求模型能敏感地檢測到相鄰幀間的差異區域，而且在該區域接下來的視頻序列呈靜止狀態時，模型要能加速更新該區域模型參數，使其融入背景。

GMM算法的背景遞歸方程為

(2)

其中

(3)

x(t)——第t幀圖像

α——學習率，決定參數更新速度

β——雙曲正切函數伸縮系數

學習率α為預設固定值且對任何像素均一致，若無法自適應差異區域的模型參數迭代速度，則會導致已經停止運動的動物仍然被判為前景。為解決上述問題，本研究的基本思想是：對圖像背景區域采用預設學習率以保證GMM算法的自適應背景更新能力，而對差異區域采用高學習率，加快該區域迭代速度，使差異區域能盡快融入背景。為此，采用雙曲正切函數(tanh)自適應調整模型學習率α。改進后算法流程如圖2所示，如果當前像素I(x,y)的檢測結果為“背景”，則學習率保持預設值，按式(2)更新背景模型；如果當前像素I(x,y)的檢測結果為“前景”，則學習率按式(3)更新背景模型。

采用tanh函數是因為在α定義域[0,1]內，函數單調遞增且值域[0,1)仍在α的限制范圍內，學習率經迭代不會超過其定義域(圖3)。此外，伸縮系數β還可以調節函數變化速率，決定了每次迭代對學習率α的縮放幅度。圖4為β取不同值時，預設學習率α隨迭代次數的變化趨勢。可見，如果沒有引入伸縮系數(相當于β=1，圖4中藍線所示)，tanh函數無法對學習率進行有效調整，隨著β的增大，α的變化速率越大。

2 算法精度評估

2.1 試驗數據

試驗數據采集自美國密西根州立大學養豬教學與研究中心，采用Intel RealSense D435型深度攝像機采集群養豬活動視頻，攝像機架設于豬棚正上方獲取頂視圖像，距地面2.4 m以確保攝像機視野覆蓋整個豬棚，采用Intel RealSense SDK編寫Python數據采集軟件，采集幀率為30 f/s，圖像分辨率為1 280像素×720像素，視頻存儲格式為MJ2。視頻采集軟件運行環境為Intel Core i5-3570，CPU@3.4 GHz，8 GB內存。隨機選取50幀連續深度圖像，由人工逐一標注。標注過程為：采用背景相減法粗略分割前景和背景像素(圖5)；圖像二值化；采用Photoshop軟件人工去除圖像孔洞。

2.2 結果與分析

為驗證本文算法的有效性，逐幀計算人工標注圖像的活動指數，作為標準結果；采用背景相減法作為對照算法，獲取目標像素，并按定義計算活動指數。采用GMM算法獲取運動像素，探明不同預設學習率對計算結果精度的影響。用本文算法獲取運動像素，并計算活動指數，評估算法性能。算法實現環境為Intel i7-7700HQ CPU @2.80 GHz, 16 GB RAM, NIVIDIA GTX 1050Ti GPU，GMM算法采用OpenCV-Python 4.1.0計算機視覺庫實現，ALR-GMM算法在Python 3.6.2環境下編程。

為測試活動指數的精度，采用平均絕對誤差和平均相對誤差進行評價，采用單幀處理時間衡量實時性。

(4)

(5)

式中f——圖像幀序號N——總幀數

Sf——第f幀活動指數的標準結果，%

Eα——平均絕對誤差

Rα——平均相對誤差

2.2.1標準結果和背景相減法

相鄰兩幀原始圖像如圖6a和圖6b所示，標準結果如圖6c所示。由圖6可知共有4頭豬(3、5、7、8號)發生了位移。圖6d為背景相減法提取出的運動像素。圖7為50幀連續圖像的標準結果和背景相減法的計算結果，平均絕對誤差為0.025 6，平均相對誤差為15.08%。

2.2.2學習率對計算精度的影響

不同預設學習率下用GMM算法提取運動像素的結果如圖8所示。圖9為50幀連續圖像的活動指數計算結果，表1為不同學習率下的平均絕對誤差和平均相對誤差。

由圖8、9可知，當學習率α≤0.1時，計算誤差主要是檢測誤差。前一幀圖像檢測結果無法實時融入背景模型，而是疊加到當前幀檢測結果，導致運動像素數不斷累積，與學習率呈負相關性(圖8f)；當學習率α≥0.5時，誤差主要源自噪聲。GMM算法能迅速清除前景像素數，檢測結果趨近標準結果，但隨著學習率增加，模型對任何細微變化都更加敏感，檢測精度受噪聲影響越來越嚴重(圖8a)。當α≈0.2時，檢測結果趨近標準結果，且隨學習率繼續增加，能更精確地檢測到運動像素，同時噪聲也明顯增加。

綜上可以得出：①低學習率能提高模型的整體抗噪能力，且對背景環境的微弱變化不敏感，但運動像素會持續累加到后續檢測結果，造成嚴重的累積誤差(圖9中紫色曲線累加式上升)。②高學習率能提高模型對運動像素的檢測精度，將已經靜止的圖像區域迅速融入背景，但對背景環境的微弱變化敏感，造成噪聲誤差(圖9中綠色曲線整體高于標準結果)。③將學習率初始化為較低值，對已經檢測到的運動像素采用高學習率可解決上述矛盾。

表1 算法性能比較Tab.1 Algorithm performance comparison

2.2.3本文算法測試結果

本文算法在不同預設學習率下的計算結果如圖10所示。表1為GMM算法和本文算法在不同初始學習率下的平均絕對誤差和平均相對誤差。當預設學習率較小時(α≤0.2)，本文算法能大幅提升檢測精度；當預設學習率較大時(α≥0.5)，對模型的改善效果有限。表明本文算法能有效抑制運動像素的累積誤差，但無法抑制噪聲誤差。應用該算法時，需要優先預設較低學習率，在保留動態建模優勢的同時能抑制隨機噪聲。此外，可以通過圖像形態學或連通域分析等傳統圖像處理算法進一步降低噪聲誤差。

分析表1可知，當α=0.2時本文算法達到最優檢測結果。本文算法相較于背景相減法，平均絕對誤差從0.025 6降到0.023 3，平均相對誤差從15.08%降到14.34%。本文算法相較于GMM算法，平均絕對誤差降低了0.007 3，平均相對誤差降低了3.74個百分點。本文算法處理1幀圖像的時間為25 ms，比GMM算法多2 ms。結果表明，本文算法無需人工提取純背景圖像，實現了端到端獲取活動指數。

3 算法應用驗證

3.1 試驗數據集

采用球型IP攝像機(CTP-TLVA29AV型, Cantek Plus公司, 美國)獲取RGB彩色數據流，圖像分辨率為1 180像素×830像素，幀率為30 f/s。試驗數據集視頻時長共計8 h，動物行為學專家按照育肥豬行為譜對數據進行標注，包括行為類別、起止時間和持續時間。

由于豬攻擊行為的復雜性，行為持續時間從幾秒到幾分鐘不等。統計發現，本數據集的最小持續時間為3 s。因此，將原始視頻分割為若干3 s視頻段，記為一個行為單元，共9 600個單元，包含1 200個攻擊行為單元和8 400個非攻擊行為單元，供試數據示例如圖11所示。為平衡試驗數據，將1 200個攻擊行為單元進行數據擴增(圖像旋轉90°、180°、270°)，選取了4 800個非攻擊行為單元，包括進食(480個)、攀爬(480個)、躺臥(960個)、追逐(480個)、快跑(960個)、飲水(480個)及慢跑(960個)。

3.2 特征提取

相較于其他行為，攻擊行為表現為兩頭豬相對位置和形狀快速變化，導致運動像素的激增，如圖12所示。計算出每個行為單元的活動指數，并將其最大值、平均值、方差和標準差作為行為特征向量。

3.3 分類器構造

本研究采用線性核函數支持向量機(SVM)建立分類器，對數據標準化處理，限定范圍為[0,1]；采用五折交叉驗證法測試模型性能，每次驗證包括訓練集7 680個行為單元(攻擊行為單元和非攻擊行為單元均為3 840)、測試集1 920個行為單元(攻擊行為單元和非攻擊行為單元均為960)。統計測試集的真陽性(True positive, TP)、真陰性(True negative, TN)、假陽性(False positive, FP)和假陰性(False negative, FN)，并計算正確率(Accuracy)、靈敏度(Sensitive)、特效度(Specificity)和精度(Precision)，對模型進行評估。

3.4 試驗結果

表2為用SVM對測試集進行分類的結果，正確率、靈敏度、特效度和精度分別為97.6%、97.9%、97.7%和97.8%。觀察錯誤分類樣本發現，造成假陽性的主因是快跑行為，尤其是多頭豬受到外界刺激產生群體性應激響應，導致運動像素數量增加造成活動指數激增。假陰性樣本主要是當攻擊行為發生在棚舍角落，沒有足夠的活動空間，攻擊行為不能造成運動像素的激增。

表2 SVM分類結果和模型評價參數Tab.2 SVM classification results and model evaluation metrics

3.5 討論

OCAZK等[25]最早采用活動指數特征識別豬只攻擊行為，采用背景相減法計算該特征，并對小規模RGB視頻的測試準確率超過99%。育肥豬的飼養期需要6個月左右，攻擊行為可能發生在飼養期的任何時候，提高算法魯棒性是使研究成果走向產業應用的關鍵。深度圖像對環境光照變化不敏感，可以提升算法的環境魯棒性。為此，LEE等[15]和CHEN等[16]分別采用Kinect和RealSense深度傳感器獲取原始數據，并采用背景相減法計算活動指數，分類正確率分別為95.2%和97.5%。由此可見，活動指數作為識別群養豬攻擊行為已經得到充分的驗證，已有研究的正確率均達到實用化標準。

本研究采用ALR-GMM算法的正確率為97.6%，達到實用化標準，證明ALR-GMM算法可完全替代背景相減法計算活動指數特征。ALR-GMM算法能夠自適應學習當前背景環境，能夠克服RGB圖像對環境的敏感性。深度圖像雖然能在一定程度上克服環境光，但在強光環境中圖像噪聲大[16]，且要求背景設置固定，當監測系統部署在不同豬舍時，仍然需要人工設置純背景，而本文算法的自適應性克服了這一缺點。因此，本研究為推進豬攻擊行為識別實用化提供了一個可靠的技術方案。

4 結束語

提出了ALR-GMM算法，實現了動態背景下活動指數的計算，解決了基于背景相減法的活動指數模型環境適應性差的問題。用人工標記圖像測試結果表明，當學習率為0.2時，ALR-GMM算法略優于背景相減法，平均絕對誤差由0.025 6降到0.023 3，平均相對誤差由15.08%降到14.34%。在養豬場實際環境中，進行了基于ALR-GMM算法的育肥豬攻擊行為識別試驗，以視頻單元中活動指數的最大值、平均值、方差和標準差作為行為特征，采用SVM建立分類器，分類正確率、靈敏度、特效度和精度分別為97.6%、97.9%、97.7%和97.8%，說明本文算法可解決動態背景環境下活動指數難以計算的問題，能夠滿足實際應用需求。