一种基于椭圆拟合和预测性神经网络的猪步态异常检测方法与流程

本发明涉及图像处理与模式识别，特别是涉及一种基于椭圆拟合和预测性神经网络的猪步态异常检测方法。

背景技术：

现阶段，针对人体的步态检测以及应用已经得到了很大的发展，人行走时与步态相关的角度信息也成为识别判定步态的重要因素之一。2008年，美国爱荷华州立大学农业与生物系统工程学院研究小组，研究了基于机器视觉圈养猪对温度的舒适度评估和控制，对多只猪的睡姿进行了温度舒适度的视觉监测，借以对猪舍环境进行评估和智能调控猪舍温度，以期实现智能化的猪饲养模式。2009年，西班牙瓦伦西亚理工大学的j.m.navarro-jover等人领导的研究小组，研究了基于计算机视觉的自动颜色算法追踪仔猪的位置，该系统是基于图像处理，捕获图像中使用不同颜色标记的仔猪。

d.hogg等人为了建立人行走的三维模型，采用圆柱体模型来描述人体，期中，人体由14个椭圆柱组成，各圆柱体采用椭圆柱长、椭圆的长轴和短轴三个参数来表示。

近年来，养猪的规模化水平已经得到了极大的提高。但是，某些猪疾病依旧得不到及时有效的检测和治疗。对于猪口蹄疫这类会造成猪步态异常的猪疾病来说，若不能在该病发生初期扑灭，疫情会迅速扩大蔓延，造成不可收拾的局面。所以在饲养规模日益庞大，精细化程度要求日益提高的今天，如何实现及时有效智能化的步态异常检测已经成为了迫切的需要。

技术实现要素：

发明目的：提供一种通过对猪体椭圆拟合提取步态序列数据，使用提取出来的步态序列数据构建神经网络进行训练模型，利用该训练模型智能的检测识别出猪步态异常序列检测方法。

技术方案：一种基于椭圆拟合和预测性神经网络的猪步态异常检测方法，包括如下步骤：

(1)图像采集及预处理

采集实验所需要的视频样本，包括猪正常行走和异常步态的视频；截取视频样本获得连续目标帧，并对目标帧进行预处理，得到正常行走和异常步态的猪轮廓序列；

(2)猪体轮廓的椭圆拟合

利用关节分类的办法将猪的整体轮廓、头颈部以及四肢的每一小节进行切割分块，并用椭圆拟合分别对每一部分建模，以椭圆的中心位置、长轴、短轴、长轴与+x轴转角参数作为猪的行走的步态特征参数序列；

(3)pca特征优化处理

根据步态序列之间存在着极大的相关性，通过主成份分析对提取出来的特征进行优化处理，提取特征序列；

(4)统计数据的预测性神经网络训练模型创建及训练

利用预测性神经网络建立关于正常行走和异常步态特征序列的训练模型；

(5)步态异常识别测试

通过训练模型检测输入的步态序列是否属于异常行走。

进一步的，所属步骤1)包括：首先，在猪舍环境和光线理想的条件下进行目标视频的拍摄；然后，对目标视频图像提取一系列的单帧图像，采用背景减除法来检测出目标图像猪；再者，采用二值化和形态学处理获得完整的目标图像；最后，采用canny算子提取猪体目标轮廓。

进一步的，所属步骤(2)和(3)包括：首先，根据已经得到的猪体目标轮廓，对猪体边缘上的点进行椭圆拟合；然后，根据椭圆拟合结果，得到头部、躯体、前肢以及后肢四个椭圆；再者，利用椭圆几何参数椭圆中心位置(xc,yc)，长轴a和短轴b以及长轴a与+x轴转角θ，得到猪正常行走和异常步态序列数据；最后，利用主成分分析分别对提取出的正常行走和异常步态序列进行特征优化，降低序列维度。

进一步的，所属步骤(4)和(5)包括：对周期性的统计数据进行预测性神经网络的训练模型建立，首先，采用多组正常行走和异常步态的训练集分别进行神经网络的训练，再对训练过后的神经网络输入测试数据集，判别该测试集步态是否属于异常行走。

有益效果：与现有技术相比，本发明可以有效的识别出猪的异常行走，例如猪的跛脚行走，前肢疾病以及外伤引起的前肢不稳行走等异常行走行为，为实现大规模智能化的养猪业提供良好的基础。

附图说明

图1本发明方法的流程图；

图2是目标轮廓提取图；

图3是目标图像椭圆拟合结果图；

图4是椭圆几何参数图；

图5是椭圆拟合结果参数提取结果范例图；

图6是24帧图像序列图；

图7是神经网络模型图；

图8是预测性神经网络设计步骤流程图。

具体实施方式

下面结合附图对本发明进行详细的说明。

如图1所示，一种基于椭圆拟合和预测性神经网络的猪步态异常检测方法，包括如下步骤：

(1)图像采集及预处理

通过图像采集系统进行图像采集，并对其进行预处。首先，为了获得猪的清晰轮廓，在猪舍环境、光线等较为理想的条件下进行目标视频的拍摄。然后，对目标视频提取连续的单帧图像，采用背景减除法来检测出目标图像猪。再者，采用二值化和形态学处理获得完整的目标图像。最后，采用canny算子提取目标轮廓。目标轮廓的提取过程如图2所示。

(2)猪体轮廓的椭圆拟合

本发明的猪体轮廓椭圆拟合，是利用椭圆拟合对猪体和四肢进行定位拟合，利用关节分类的办法将猪的身体以及四肢的每一小节进行切割分块，并用椭圆对每一部分建模，以椭圆的质心以及离心率等数据相关几何参数作为猪的行走的步态参数。具体如下：

椭圆的一般方程代数形式表示如式(1)所示：

ax²+bxy+cy²+dx+ey+f＝0(1)

其中a、b、c、d、e和f为多项式各项的系数，且a>0，b>0，且a≠b。

另外一种更直观的方式是用平面坐标系的几何参数表示，即椭圆中心位置(xc,yc)，长轴和短轴(a,b)，长轴的转角θ。二维平面里的任意椭圆都可用这5个参数唯一确定，参数的几何意义如图4所示。两种表示形式的参数可用式(2)～式(6)转换。

最小二乘法椭圆拟合是较常用的椭圆拟合方法。最小二乘法是在随机误差为正态分布时，由最大似然法推出的一个最优估计技术。它可使测量误差的平方和最小，因此也被视为从一组测量值中求出一组未知量的最可信赖的方法之一。最小二乘技术主要是寻找参数集合，从而最小化数据点与椭圆之间的距离度量。这里的距离度量常见的有几何距离和代数距离，几何距离表示某点到曲线最近点的距离。平面内某点(x0,y0)到方程f(x,y)＝0所代表曲线的代数距离就是f(x0,y0)。以下是以代数距离作为距离度量介绍最小二乘法。

假设一般形式的椭圆方程如式(1)所列，为了避免零解，并将解的任何整数倍都视为对同一椭圆的表述，对参数做一些限制，约束条件设为a+c＝1。显然,直接应用上述方程对边缘检测后的离散点进行最小二乘处理,就可以得到方程中的各系数。也即，求以下目标函数的最小值来确定各系数。

再由极值原理,欲使f(a，b，c，d，e，f)值为最小，必有：

由此可得一个线性方程组,然后应用求解线性方程组的算法(如全主元高斯消去法)，结合约束条件a+c＝1，就可以求得方程系数a，b，c，d，e，f的值。根据公式(2)～(6)，可以求得每个椭圆的相关参数。猪体轮廓椭圆拟合结果如图3所示。

根据椭圆拟合结果，得到头部、躯体、前肢和后肢四个椭圆，利用椭圆几何参数：椭圆中心位置(xc,yc)，长轴a和短轴b，长轴a与+x轴转角θ，如图4所示。

四个椭圆各自有5个参数，包括椭圆中心位置(xc,yc)，长轴a和短轴b，长轴a与+x轴转角θ，所以4个不同椭圆共有20个特征，以此20个特征作为猪步态异常检测的特征参数。椭圆拟合结果参数提取结果范例如图5所示。

分别对正常行走和步态异常猪行走序列进行特征参数提取，对特征参数值按照时间进行序列的排序，得到和步态参数相关的行走序列，分别是正常行走和步态异常的猪行走的序列，每组序列分别是100帧图像，如图7所示。

(3)pca特征优化处理

pca的目标是寻找r(r<n)个新变量，使它们反映事物的主要特征，压缩原有数据矩阵的规模。每个新变量是原有变量的线性组合，体现原有变量的综合效果，具有一定的实际含义。这r个新变量称为“主成分”，它们可以在很大程度上反映原来n个变量的影响，并且这些新变量是互不相关的，也是正交的。通过主成分分析，压缩数据空间，将多元数据的特征在低维空间里直观地表示出来。

将数据的维数从rn降到r3，具体的pca分析步骤如下：

(1)第一步计算矩阵x的样本的协方差矩阵s；

(2)第二步计算协方差矩阵s的本征向量e1,e2,…,en的本征值，本征值按大到小排序；

(3)第三步投影数据到本征矢张成的空间之中，使得数据可以在三维空间中展示为云状的点集。

具体为：根据得到猪正常行走和步态异常序列数据，以矩阵形式表示：20列(20个特征值)，24行(24帧图像)，利用pca分别对提取出的正常步态和异常步态序列进行特征优化，降低序列维度。

(4)统计数据的预测性神经网络训练模型创建及训练

对周期性的统计数据进行预测性神经网络的训练模型建立，神经网络分为输入层、隐含层、输出层，见图7。首先，分别随机选取经过pca处理的30组正常行走和30组步态异常行走步态序列，作为输入层数据，采用多组正常行走和异常步态分别进行神经网络的训练，使得建立好的模型能够有效的识别出输入数据的相关性。

以步态序列作为网络输入，对应的步态序列属于正常或者异常作为输出，建立表达识别步态异常或者正常定量关系的人工神经网络模型，并以建模点样点值进行网络训练，确定神经网络的各项参数。为了防止人工神经网络的过拟合问题，获得最优的网络结构和参数，本发明以对样点值预测结果的误差最小为约束条件，将模型的扩展常数初始值设定为0.05，步长为0.05，隐层节点初始值为2，步长为1，通过编程搜索确定扩展常数和隐层节点的最优组合，上述过程在matlab中实现，并且将输出结果以文件的形式保存下来。

(5)步态异常识别测试

网络训练结束后，对测试数据集进行预测，即对测试集的图像进行步态异常检测，对于任意给出的步态序列，只需要将其步态序列数据：20列(20个特征值)，24行(24帧图像)提取出来，便可对其步态是否异常识别。预测性神经网络设计步骤流程图如图8所示。通过该步态异常检测系统，猪步态异常检测率良好，能达到85％以上。