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:<maths num="0001"><math><![CDATA[<mrow><msub><mi>ω</mi><mrow><mi>k</mi><mo>,</mo><mi>t</mi></mrow></msub><mo>=</mo><msub><mi>ω</mi><mrow><mi>k</mi><mo>,</mo><mi>t</mi><mo>-</mo><mn>1</mn></mrow></msub><mo>+</mo><mfrac><mn>1</mn><mrow><mi>t</mi><mo>+</mo><mn>1</mn></mrow></mfrac><mo>[</mo><msub><mi>M</mi><mrow><mi>k</mi><mo>,</mo><mi>t</mi></mrow></msub><mo>-</mo><msub><mi>ω</mi><mrow><mi>k</mi><mo>,</mo><mi>t</mi><mo>-</mo><mn>1</mn></mrow></msub><mo>]</mo><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA0001119551320000011.GIF" wi="1278" he="119" /></maths><maths num="0002"><math><![CDATA[<mrow><msub><mi>μ</mi><mrow><mi>k</mi><mo>,</mo><mi>t</mi></mrow></msub><mo>=</mo><msub><mi>μ</mi><mrow><mi>k</mi><mo>,</mo><mi>t</mi><mo>-</mo><mn>1</mn></mrow></msub><mo>+</mo><mfrac><msub><mi>M</mi><mrow><mi>k</mi><mo>,</mo><mi>t</mi></mrow></msub><mrow><munderover><mo>Σ</mo><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>t</mi></munderover><msub><mi>M</mi><mrow><mi>k</mi><mo>,</mo><mi>t</mi></mrow></msub></mrow></mfrac><mo>[</mo><msub><mi>X</mi><mi>t</mi></msub><mo>-</mo><msub><mi>μ</mi><mrow><mi>k</mi><mo>,</mo><mi>t</mi><mo>-</mo><mn>1</mn></mrow></msub><mo>]</mo><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>2</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA0001119551320000012.GIF" wi="1291" he="197" /></maths><maths num="0003"><math><![CDATA[<mrow><msubsup><mi>σ</mi><mrow><mi>k</mi><mo>,</mo><mi>t</mi></mrow><mn>2</mn></msubsup><mo>=</mo><msubsup><mi>σ</mi><mrow><mi>k</mi><mo>,</mo><mi>t</mi><mo>-</mo><mn>1</mn></mrow><mn>2</mn></msubsup><mo>+</mo><mfrac><msub><mi>M</mi><mrow><mi>k</mi><mo>,</mo><mi>t</mi></mrow></msub><mrow><munderover><mo>Σ</mo><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>t</mi></munderover><msub><mi>M</mi><mrow><mi>k</mi><mo>,</mo><mi>t</mi></mrow></msub></mrow></mfrac><mo>[</mo><mrow><mo>(</mo><msub><mi>X</mi><mi>t</mi></msub><mo>-</mo><msub><mi>μ</mi><mrow><mi>k</mi><mo>,</mo><mi>t</mi><mo>-</mo><mn>1</mn></mrow></msub><mo>)</mo></mrow><msup><mrow><mo>(</mo><msub><mi>X</mi><mi>t</mi></msub><mo>-</mo><msub><mi>μ</mi><mrow><mi>k</mi><mo>,</mo><mi>t</mi><mo>-</mo><mn>1</mn></mrow></msub><mo>)</mo></mrow><mi>T</mi></msup><mo>-</mo><msubsup><mi>σ</mi><mrow><mi>k</mi><mo>,</mo><mi>t</mi><mo>-</mo><mn>1</mn></mrow><mn>2</mn></msubsup><mo>]</mo><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>3</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA0001119551320000013.GIF" wi="1549" he="198" /></maths>式中ω<sub>k,t</sub>、μ<sub>k,t</sub>、<img file="FDA0001119551320000014.GIF" wi="76" he="70" />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<sub>t</sub>为在t时刻的当前像素;式中M<sub>k,t</sub>=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<sub>k,t‑1</sub>、μ<sub>k,t‑1</sub>、<img file="FDA0001119551320000015.GIF" wi="102" he="70" />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<sub>t‑1</sub>和F<sub>t‑1</sub>;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<sub>t‑1</sub>→B<sub>t</sub>,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<sub>k,t</sub>=(1‑α)ω<sub>k,t‑1</sub>+α(M<sub>k,t</sub>) (4) μ<sub>k,t</sub>=(1‑ρ)μ<sub>k,t‑1</sub>+ρ(X<sub>t</sub>) (5)<maths num="0004"><math><![CDATA[<mrow><msubsup><mi>σ</mi><mrow><mi>k</mi><mo>,</mo><mi>t</mi></mrow><mn>2</mn></msubsup><mo>=</mo><mrow><mo>(</mo><mn>1</mn><mo>-</mo><mi>ρ</mi><mo>)</mo></mrow><msubsup><mi>σ</mi><mrow><mi>k</mi><mo>,</mo><mi>t</mi><mo>-</mo><mn>1</mn></mrow><mn>2</mn></msubsup><mo>+</mo><mi>ρ</mi><msup><mrow><mo>(</mo><msub><mi>X</mi><mi>t</mi></msub><mo>-</mo><msub><mi>μ</mi><mrow><mi>k</mi><mo>,</mo><mi>t</mi></mrow></msub><mo>)</mo></mrow><mi>T</mi></msup><mrow><mo>(</mo><msub><mi>X</mi><mi>t</mi></msub><mo>-</mo><msub><mi>μ</mi><mrow><mi>k</mi><mo>,</mo><mi>t</mi></mrow></msub><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>6</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA0001119551320000016.GIF" wi="1454" he="71" /></maths>其中α为学习率,ρ为参数更新率;(b)B<sub>t‑1</sub>→F<sub>t</sub>,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<img file="FDA0001119551320000025.GIF" wi="1158" he="62" /> μ<sub>k,t</sub>=μ<sub>k,t‑1</sub> (8)<maths num="0005"><math><![CDATA[<mrow><msubsup><mi>σ</mi><mrow><mi>k</mi><mo>,</mo><mi>t</mi></mrow><mn>2</mn></msubsup><mo>=</mo><msubsup><mi>σ</mi><mrow><mi>k</mi><mo>,</mo><mi>t</mi><mo>-</mo><mn>1</mn></mrow><mn>2</mn></msubsup><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>9</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA0001119551320000021.GIF" wi="1158" he="70" /></maths>(c)F<sub>t‑1</sub>→F<sub>t</sub>,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<sub>t‑1</sub>→B<sub>t</sub>,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:<maths num="0006"><math><![CDATA[<mrow><msub><mi>ω</mi><mrow><mi>k</mi><mo>,</mo><mi>t</mi></mrow></msub><mo>=</mo><msub><mi>ω</mi><mrow><mi>k</mi><mo>,</mo><mi>t</mi><mo>-</mo><mn>1</mn></mrow></msub><mo>+</mo><mfrac><mn>1</mn><mi>L</mi></mfrac><mo>[</mo><msub><mi>M</mi><mrow><mi>k</mi><mo>,</mo><mi>t</mi></mrow></msub><mo>-</mo><msub><mi>ω</mi><mrow><mi>k</mi><mo>,</mo><mi>t</mi><mo>-</mo><mn>1</mn></mrow></msub><mo>]</mo><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>10</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA0001119551320000022.GIF" wi="1254" he="118" /></maths><maths num="0007"><math><![CDATA[<mrow><msub><mi>μ</mi><mrow><mi>k</mi><mo>,</mo><mi>t</mi></mrow></msub><mo>=</mo><msub><mi>μ</mi><mrow><mi>k</mi><mo>,</mo><mi>t</mi><mo>-</mo><mn>1</mn></mrow></msub><mo>+</mo><mfrac><mn>1</mn><mi>L</mi></mfrac><mo>[</mo><mfrac><mrow><msub><mi>M</mi><mrow><mi>k</mi><mo>,</mo><mi>t</mi></mrow></msub><msub><mi>X</mi><mi>t</mi></msub></mrow><msub><mi>ω</mi><mrow><mi>k</mi><mo>,</mo><mi>t</mi></mrow></msub></mfrac><mo>-</mo><msub><mi>μ</mi><mrow><mi>k</mi><mo>,</mo><mi>t</mi><mo>-</mo><mn>1</mn></mrow></msub><mo>]</mo><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>11</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA0001119551320000023.GIF" wi="1293" he="135" /></maths><img file="FDA0001119551320000024.GIF" wi="1550" he="149" />(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。 |