一种复杂背景下俯视群养猪多目标前景检测方法

摘要

本发明提供了一种复杂背景下俯视群养猪多目标前景检测方法，首先采集俯视状态下群养猪视频序列；接着设定“有效区域”；通过提出的基于预测机制的混合高斯模型前景检测算法获取一个前景目标；同时利用前景目标的颜色信息做最大熵阈值分割，获取另一个前景目标；最后对两种算法的结果进行融合并进行数学形态学处理，从而获得最终前景目标。本发明的初始背景无需预先获取，适合背景存在光线变化、地面尿渍、水渍和粪块等杂物干扰；猪个体运动模式停停走走；前景目标颜色多样等复杂背景下的猪个体前景目标检测。为进一步探索群养猪个体身份识别、行为分析等奠定了基础。

主权项

一种复杂背景下俯视群养猪多目标前景检测方法，其特征在于包括以下步骤：(1)改建猪舍，获取俯视状态下群养猪视频序列；(2)设定“有效区域”；(3)基于预测机制的混合高斯模型前景检测；具体描述如下：前L帧按传统的混合高斯模型的前景检测方法进行背景建模与前景检测，但混合高斯模型参数更新公式有所变化，对于前L帧中的第t帧而言参数的更新方程如下：${\omega }_{k,t}={\omega }_{k,t-1}+\frac{1}{t+1}[M_{k,t}-{\omega }_{k,t-1}]---\left(1\right)$${\mu }_{k,t}={\mu }_{k,t-1}+\frac{M_{k,t}}{\underset{i=1}{\overset{t}{\Sigma }}{M}_{k,t}}[X_t-{\mu }_{k,t-1}]---\left(2\right)$${\sigma }_{k,t}^2={\sigma }_{k,t-1}^2+\frac{M_{k,t}}{\underset{i=1}{\overset{t}{\Sigma }}{M}_{k,t}}[(X_t-{\mu }_{k,t-1}){(X_t-{\mu }_{k,t-1})}^T-{\sigma }_{k,t-1}^2]---\left(3\right)$式中ω_k,t、μ_k,t、分别为第k个高斯函数的权值、均值和方差，k＝1,2,...,K，其中K为混合高斯模型个数；式中X_t为在t时刻的当前像素；式中M_k,t＝1或0，取决于像素的观测值是否位于混合高斯模型中第k个高斯分布的D个标准偏差范围内，D取2.5；式中ω_k,t‑1、μ_k,t‑1、分别为第t‑1帧第k个高斯函数的权值、均值和方差；总是将最后一帧检测出的背景和前景分别记为B_t‑1和F_t‑1；L+1帧及其之后的各帧，是通过前一帧检测出来的二值图像预测当前帧，分以下四种情况自适应更新混合高斯模型参数：(a)B_t‑1→B_t，即像素在前一帧是背景，到当前帧仍为背景，混合高斯模型参数按照以下公式更新： ω_k,t＝(1‑α)ω_k,t‑1+α(M_k,t)  (4) μ_k,t＝(1‑ρ)μ_k,t‑1+ρ(X_t)  (5)${\sigma }_{k,t}^2=(1-\rho ){\sigma }_{k,t-1}^2+\rho {(X_t-{\mu }_{k,t})}^T(X_t-{\mu }_{k,t})---\left(6\right)$其中α为学习率，ρ为参数更新率；(b)B_t‑1→F_t，即像素在前一帧是背景，到当前帧变为前景，则不更新高斯模型参数，即 μ_k,t＝μ_k,t‑1             (8)${\sigma }_{k,t}^2={\sigma }_{k,t-1}^2---\left(9\right)$(c)F_t‑1→F_t，即像素在前一帧是前景，到当前帧仍为前景，此时也不更新高斯模型参数；(d)F_t‑1→B_t，即像素在前一帧是前景，到当前帧变为背景，此时加大高斯模型参数更新速度，按如下公式进行参数更新：${\omega }_{k,t}={\omega }_{k,t-1}+\frac{1}{L}[M_{k,t}-{\omega }_{k,t-1}]---\left(10\right)$${\mu }_{k,t}={\mu }_{k,t-1}+\frac{1}{L}[\frac{M_{k,t}{X}_t}{{\omega }_{k,t}}-{\mu }_{k,t-1}]---\left(11\right)$(4)利用前景目标颜色信息的最大熵阈值分割；(5)将步骤(3)和步骤(4)的前景检测结果进行融合及数学形态学处理。