基于視頻跟蹤與多模型聲音識(shí)別的豬行為檢測(cè)與分析.pdf

1、養(yǎng)殖業(yè)是關(guān)系到民生的重要產(chǎn)業(yè)，提高養(yǎng)殖效率，改善養(yǎng)殖環(huán)境，實(shí)現(xiàn)福利養(yǎng)殖是生豬養(yǎng)殖的發(fā)展趨勢(shì)。如何利用智能檢測(cè)手段代替人工觀察，對(duì)豬的健康狀況進(jìn)行檢測(cè)評(píng)判是目前研究熱點(diǎn)之一。本論文在分析了基于視頻的目標(biāo)跟蹤與聲音識(shí)別在國(guó)內(nèi)外的研究現(xiàn)狀后，提出基于視頻跟蹤與多模型聲音識(shí)別的豬行為檢測(cè)與分析方法，利用數(shù)字圖像處理技術(shù)與聲音識(shí)別技術(shù)，對(duì)豬的進(jìn)食、活動(dòng)、休息、排泄等行為進(jìn)行了檢測(cè)，通過(guò)檢測(cè)結(jié)果對(duì)豬的健康狀況進(jìn)行評(píng)級(jí)。主要的研究工作如下：
　

2、　(1)基于視頻的豬目標(biāo)跟蹤技術(shù)主要分為豬目標(biāo)的檢測(cè)與豬目標(biāo)跟蹤。本文在介紹和分析常用目標(biāo)檢測(cè)方法的基礎(chǔ)上，針對(duì)豬目標(biāo)的具體特點(diǎn)以及 GMM在目標(biāo)緩慢運(yùn)動(dòng)或靜止時(shí)檢測(cè)結(jié)果出現(xiàn)空洞或目標(biāo)消失的問(wèn)題，提出了結(jié)合高斯混合建模(GMM)與均值漂移分割算法(Mean Shift)的目標(biāo)檢測(cè)方法。利用Mean Shift對(duì)目標(biāo)進(jìn)行分割，并利用兩遍掃描法對(duì)分割結(jié)果進(jìn)行標(biāo)注，最后與 GMM的檢測(cè)結(jié)果進(jìn)行融合，得到完整的目標(biāo)輪廓。在豬目標(biāo)跟蹤時(shí)，為了解決

3、目標(biāo)軌跡跟蹤過(guò)程中軌跡跟蹤交錯(cuò)與目標(biāo)跟蹤交錯(cuò)的問(wèn)題，提出結(jié)合粒子濾波與逐幀檢測(cè)的豬目標(biāo)跟蹤方法。由于在視頻采集過(guò)程中，攝像機(jī)鏡頭的焦距固定，因此，目標(biāo)的面積基本恒定，可以將目標(biāo)檢測(cè)得到的目標(biāo)位置利用最小矩形進(jìn)行標(biāo)定，計(jì)算矩形窗口的面積。如果面積大于閾值，表明可能有兩只豬接觸發(fā)生誤檢測(cè)，此時(shí)判斷畫(huà)面中目標(biāo)個(gè)數(shù)。如果個(gè)數(shù)為1，則利用提出的像素點(diǎn)閾值分割法進(jìn)行分割，否則利用粒子濾波算法預(yù)測(cè)目標(biāo)的下一時(shí)刻位置，通過(guò)預(yù)測(cè)結(jié)果與下一幀視頻中目標(biāo)的位

4、置進(jìn)行比對(duì)，利用改進(jìn)的最近鄰法則將目標(biāo)的位置點(diǎn)進(jìn)行連接，繪制出運(yùn)動(dòng)軌跡。最后利用MFC編寫(xiě)可視化界面，進(jìn)行直接操作與顯示。
　　(2)通過(guò)分析豬不同狀態(tài)的聲音，確定8種行為狀態(tài)下的聲音，建立模型進(jìn)行聲音識(shí)別。針對(duì)單模型聲音識(shí)別正確率不高的問(wèn)題，提出多模型結(jié)果優(yōu)選的聲音識(shí)別方法。首先，經(jīng)過(guò)聲音去噪、端點(diǎn)檢測(cè)、加窗分幀后提取豬不同狀態(tài)下聲音信號(hào)的特征參數(shù)；然后將提取的特征參數(shù)進(jìn)行優(yōu)選后作為輸入分別訓(xùn)練 SVM、HMM、Adaboost