CN103824057B

CN103824057B - 一种基于面积特征算子的猪的呼吸频率检测方法

Info

Publication number: CN103824057B
Application number: CN201410055510.9A
Authority: CN
Inventors: 朱伟兴; 唐亮; 李新城
Original assignee: Jiangsu University
Current assignee: Jiangsu University
Priority date: 2014-02-18
Filing date: 2014-02-18
Publication date: 2017-06-27
Anticipated expiration: 2034-02-18
Also published as: CN103824057A

Abstract

本发明提供一种基于面积特征算子的猪的呼吸频率检测方法。该方法主要步骤为：使用相机拍摄猪的视频；在计算机软件平台上进行视频分帧处理，将视频图像转换成图片；对图片进行预处理和优化，将图片中猪的前景轮廓提取出来；构建、提取及测量猪的脊腹区域面积特征算子；利用小波分析对猪的呼吸信号进行优化处理和峰值点检测；计算猪的呼吸频率。本发明采用先进机器视觉技术，实现非接触式、无侵入性的猪的呼吸频率测量，为猪的呼吸频率检测提供一种新的方法。

Description

一种基于面积特征算子的猪的呼吸频率检测方法

技术领域

本发明属于机器视觉技术领域,具体涉及一种基于面积特征算子的猪的呼吸频率检测方法。

背景技术

呼吸检测是医学和自动化研究领域的重要课题。国内外对人体呼吸检测的研究较多，但对动物呼吸频率检测的研究较少。运用在人体呼吸检测的一些手段和方法，如红外线，超声波，激光，体外传感器等，无法移植到动物的呼吸监测上来或者无法实现非接触式的检测。目前对动物特别是对猪的呼吸频率检测，主要还是靠人工观察来检测识别。该方法耗时耗力，尤其在人力成本高昂，科技进步的时代背景下，人工检测方法已不再适合于农业自动化发展的需要。

2011年，纪斌，朱伟兴等建立了一个基于脊腹线的模型，得到了一个与呼吸相关的二维信号，实现了基于机器视觉的猪的呼吸频次检测，取得了较好的实验效果。但由于该方法通过测定猪的脊腹线的变化来检测呼吸快慢，猪轮廓的图像预处理的精度会直接影响呼吸检测，结果过于敏感；其次该方法前期采用简单的背景相减法只能得到粗糙的轮廓，对实验结果会造成较大影响；再者该方法后期并没有对呼吸信号进行必要处理，在一定程度上也会影响结果的可靠性。

发明内容

为了克服现有技术耗时耗力，可靠性不高，检测误差大的不足。本发明提供一种基于面积特征算子的猪的呼吸频率检测方法。采用先进机器视觉技术，实现非接触式、无侵入性的猪的呼吸频率测量，为猪的呼吸频率检测提供一种新的方法。

本发明解决其技术问题所采用的技术方案是：

一种基于面积特征算子的猪的呼吸频率检测方法，包括如下步骤：

（1）使用相机拍摄猪的视频；

（2）在计算机软件平台上进行视频分帧处理，将视频图像转换成图片；

（3）对图片进行预处理和优化，将图片中猪的前景轮廓提取出来；

（4）构建、提取及测量猪的脊腹区域面积特征算子；

（5）利用小波分析对猪的呼吸信号进行优化处理和峰值点检测，得到猪的呼吸频次N；

（6）计算猪的呼吸频率。

进一步地，所述步骤（3）中的图片预处理和优化，包括如下步骤：

A.对图片进行色度优化，提高整张图像的对比度；

B.对图片进行阈值分割，初步提取出猪的轮廓；

C.对图片采用边界跟踪算法，过滤掉部分离散点，进一步提取猪的轮廓图；

D.对图片采用Roberts算子，精确提取猪的轮廓；

E.对图片进行反色变换和开闭运算，去除小颗粒噪声，填充目标内部细小空洞，得到完整、清晰的猪的轮廓。

进一步地，所述步骤（4）中的构建、提取及测量猪的脊腹区域面积特征算子，包括如下步骤：

A.求取目标图像质心，计算公式为：和其中n为猪的轮廓线上所有像素点的个数；（x_i,y_i)是轮廓线上像素点的坐标；

B.提取并计算过质心的连接线，计算公式为：L=abs(y_C1-y_C2)，L为所需的过质心的连接线长度，交猪的脊背于点C1，交腹部为点C2，其中y_c1,，y_c2分别为C1，C2两像素点在图像中的纵轴上的相对坐标，abs（）为取绝对值运算符；

C.计算面积区域的宽度，计算公式为：W=L×λ，W为宽度，L为为所需的过质心的连接线长度，λ为调节常数；

D.提取面积特征算子，计算公式为S为构建的面积特征算子，W为面积特征算子的宽度，Li为宽度W内i点的猪脊部轮廓线上的截距长度，L为i等于零时的过质心的截距长，即L_i=0=L。

进一步地，所述步骤（5）中的利用小波分析对猪的呼吸信号进行优化处理和峰值点检测,包括如下步骤：

A.对每一帧图片提取一个面积特征算子，进行归一化处理，以处理值为纵坐标，图像对应的帧数为横坐标，构建一个二维坐标曲线；

B.采用DB3小波对猪的呼吸信号进行离散小波变换，做2层小波分解；

C.选用全局阈值进行信号增强处理，消除信号毛刺；

D.对呼吸信号进行波峰检测，得到猪呼吸的频次N。

进一步地，所述步骤（6）中的猪的呼吸频率计算，计算公式为：F为每分钟呼吸频率，N为检测得到的呼吸频次，t为耗时。

本发明的有益效果是：针对猪场自然光线差的特点，对采集到的原图进行色度优化，提高了轮廓提取的精度；提出了基于面积特征算子的方法来检测猪的呼吸频率，提高了检测的精度和稳定性。通过小波分析对被测呼吸信号进行降噪处理，减少算法运算时间，剔除大量噪声和冗余变量，使最终猪的呼吸频率检测结果的稳定性和精确度更高。

附图说明

图1为本发明方法的流程图。

图2为提取前景目标轮廓流程图。

图3猪质心和过质心的连接线L示意图。

图4猪的面积区域示意图。

图5构建的基于面积特征算子的猪的呼吸信号模型图。

图6通过小波分析降噪后示意图。

图7峰值检测后的猪的呼吸信号图。

具体实施方式

如图1所示，一种基于面积特征算子的猪的呼吸频率检测方法，包括如下步骤：

（1）使用相机拍摄猪的视频；

（4）构建、提取及测量猪的脊腹区域面积特征算子；

（6）计算猪的呼吸频率。

如图2、3、4、5、6、7实施例中，猪站立于猪舍中，用摄像头捕获的猪呼吸视频，具体步骤如下。

（1）使用相机拍摄猪的视频；

用相机拍摄猪保持站立时的呼吸视频，摄取时长大约为10分钟，视频帧速率为25帧/秒，保存为.avi格式。

采用有线的方式将猪的呼吸视频传输到计算机中。在MATALB软件平台上将视频分帧处理。

（3）图片预处理及目标视频前景轮廓提取；

由于猪舍内较脏，干扰项较多(如猪的***物，墙体剥落的石灰及污渍等)，且仅靠自然光照条件等特点，提取完整清晰的猪轮廓存在相当大的难度。但由于本文检测的是猪的呼吸，能够提取出猪完整清晰的脊腹部轮廓即可。

处理步骤如图2所示。

A.图2a为原图,首先对原图进行色度优化得到图2b，具体办法就是将整幅图中亮度在前5%的像素点的灰度值全部设置为255，以提高整张图像的对比度。

B.对图2b进行阈值分割得到图2c，本文选取的阈值为83。

C.对图2c采用边界跟踪算法得到图2d，由于本文阈值分割后的图像不是特别复杂，所以采用“虫随”法来进行边界跟踪。

D.采用Roberts算子提取目标轮廓得到图2e，它利用对角线方向相邻两象素之差近似梯度幅值检测边缘。

E.继续对图2e进行反色变换和开闭运算，得到最终图像如图2f，开闭运算的使用主要是为了去除小颗粒噪声和填充目标内部细小空洞，同时不明显改变面积。

由图2f可见，猪腹部轮廓完整且清晰，满足实验要求。头部轮廓模糊，这是由于光线不均匀致使猪头部与墙体的灰度值太接近，无法将猪的头部轮廓提取出来，但这并不影响实验结果。

（4）构建、提取及测量猪的脊腹区域面积特征算子；

A.求取目标图像质心；

根据目标图像（图2f）的轮廓线，通过公式（1）和公式（2）计算质心位置（X_Z,Y_Z),相关参数标注见图3。

在上述公式中，n为猪的轮廓线上所有像素点的个数；（x_i,y_i)是轮廓线上像素点的坐标。实验选取第一帧图像猪轮廓的质心，接下来各帧图像的处理仍然采用第一帧图的质心（本方法主要针对猪站立不动时的测量。），作为这段视频的基准点。

B.提取并计算过质心的连接线

图3中L为所需的过质心的连接线长度，交猪的脊背于点C1，交腹部为点C2。L的计算见式（3）

L=abs(y_C1-y_C2) （3）

其中y_c1,，y_c2分别为C1，C2两像素点在图像中的纵轴上的相对坐标，abs（）为取绝对值运算符。

C.计算面积区域的宽度

面积特征描述算子的宽度为W。由于本实验提取的是关于猪腹部的面积特征算子，所以W有一定范围区间，它的取值必须小于前后***的距离。由于猪的品种和体型各异，选取一个可调节的宽度是合适的。并且，由于质心一般不在猪身体躯干的中心，其偏向前腿，故根据试验，通过调节常数λ以便确定合适的W值，见公式（4）。

W=L×λ （4）

一般λ设为0.15～0.65，本文选定为0.25。由于图像每帧不同，预处理结果也会有差别，会造过质心连接线长度不一，最后导致面积区域宽度不一致。为了解决这一问题，本文规定，一段视频，只选取一个基准点（第一帧图片的质心点）和一个面积区域宽度（第一帧图片L*0.25）。如图4所示。

D.提取面积特征算子

因为猪酮体的不规则形状，且猪的轮廓线有一定的起伏。所以面积特征描述算子的提取不能简单的长度乘上宽度。根据点构成线，线构成面这一数学原理，本文先计算过质心截距线的长度，然后确定面积特征算子的宽度，用求截距的方法，将面积宽度内的所有截距以像素为单位全部计算出来。面积特征算子即为这些截距线像素点的累加和，见公式（5）。

式（5）中，S为构建的面积特征算子，W为面积特征算子的宽度，Li为宽度W内i点的猪脊部轮廓线上的截距长度，L为i零时的过质心的截距长，即L_i=0=L。如图4所示。

（5）利用小波分析对猪的呼吸信号进行优化处理和峰值点检测

通过猪呼吸时脊腹部面积的变化快慢来表示猪的呼吸频次。实施例为任意选取的一段视频，帧数率为25帧每秒。实例视频分帧得到的152张图像来获取猪的呼吸信号。每一帧图像都可以提取一个面积特征算子，对152张图像进行处理，我们就可以得到152维离散的特征。由于这些数值都比较庞大，本文将其归一化到100以内（每个数据值都除以250），以这些值为纵坐标，以图像对应的帧数为横坐标，可以画出一个二维坐标曲线，如图5所示。

采用DB3小波对猪的呼吸信号进行离散小波变换，做2层小波分解；呼吸信号作小波变换后，选用全局阈值进行信号增强处理，消除了信号的毛刺（局部极值点），小波降噪的效果图见图6。

由于本实验是为了测算猪的呼吸频率，所以需要对拟合呼吸信号进行分析。分析发现对降噪后的呼吸信号进行波峰检测，可以得到在152帧视频内猪呼吸的频次N。峰值检测结果如图7所示。

（6）猪的呼吸频率计算公式为：

其中60为一分钟时长；F是猪的每分钟呼吸频次，即呼吸频率；N为检测得到的呼吸周期数；t为耗时。

选取的实例，t=152/25=6.08s，通过图7可知呼吸周期数N=5，所以猪的呼吸频率F=（60*5）/6.08≈49次。

Claims

1.一种基于面积特征算子的猪的呼吸频率检测方法，其特征在于，包括如下步骤：

（1）使用相机拍摄猪的视频；

（4）构建、提取及测量猪的脊腹区域面积特征算子；

（6）计算猪的呼吸频率。

2.根据权利要求1所述的一种基于面积特征算子的猪的呼吸频率检测方法，其特征是，所述步骤（3）中的图片预处理和优化，包括如下步骤：

A.对图片进行色度优化，提高整张图像的对比度；

B.对图片进行阈值分割，初步提取出猪的轮廓；

C.对图片采用边界跟踪算法，过滤掉部分离散点，进一步提取猪的轮廓；

D.对图片采用Roberts算子，精确提取猪的轮廓；

3.根据权利要求1所述的一种基于面积特征算子的猪的呼吸频率检测方法，其特征是，所述步骤（4）中的构建、提取及测量猪的脊腹区域面积特征算子，包括如下步骤：

B.提取并计算过质心的连接线，计算公式为：L=abs(y_C1-y_C2)，L为所需的过质心的连接线长度，交猪的脊背于点C1，交腹部为点C2，其中y_c1，y_c2分别为C1，C2两像素点在图像中的纵轴上的相对坐标，abs（）为取绝对值运算符；

C.计算面积区域的宽度，计算公式为：W=L×λ，W为宽度，L为所需的过质心的连接线长度，λ为调节常数；

4.根据权利要求1所述的一种基于面积特征算子的猪的呼吸频率检测方法，其特征是，所述步骤（5）中的利用小波分析对猪的呼吸信号进行优化处理和峰值点检测,包括如下步骤：

C.选用全局阈值进行信号增强处理，消除信号毛刺；

D.对呼吸信号进行波峰检测，得到猪呼吸的频次N。

5.根据权利要求1所述的一种基于面积特征算子的猪的呼吸频率检测方法，其特征是，所述步骤（6）中的猪的呼吸频率计算，计算公式为：F为每分钟呼吸频率，N为检测得到的呼吸频次，t为耗时。