基于關鍵輪廓點模型的豬的步態異常檢測

王祥 魏慶 吳燕

【摘 要】本文提出使用豬的關鍵輪廓點模型采集豬的步態信息，利用該模型所提供的步態信息判別豬是否出現跛腳行走。實驗分別采集了豬正常行走和跛腳行走的視頻作為研究對象。該方法能夠智能檢測出豬患病狀態為跛腳行走這一類的豬疾病，為規模不斷擴大的生豬養殖業實現智能養殖提供了可行性。

【關鍵詞】圖像處理;關鍵輪廓點;關節角度;豬跛腳判別

中圖分類號： TP391.41 文獻標識碼： A 文章編號： 2095-2457（2019）12-0076-002

DOI：10.19694/j.cnki.issn2095-2457.2019.12.036

【Abstract】In this paper， a pig's key contour point model is used to collect the gait information of pigs， and the gait information provided by the model is used to distinguish whether the pigs are lame. The videos of pigs walking normally and? walking in limp were collected as subjects. This method can intelligently detect swine diseases such as lame walking， and provide the feasibility for intelligent breeding of pig farms.

【Key words】Image processing; Key contour points; Joint angle; Pig lame discrimination

0 引言

目前，我國養豬的規模化水平得到了很大的提高。但是由于技術以及成本限制等問題，傳染性豬疫病時常發生。如果能在傳染性豬疫病發病初期對其進行及時有效的隔離治療，將會極大減少對豬養殖業造成的損失。第五屆（2018）規模化養豬新技術國際研討會就規模化豬場疾病預防技術進行了交流探討，其中，華中農業大學陳煥春院士在我國豬病流行現狀和防控策略報告中提出“管重于養，養重于防，防重于治”的思想。如何切實有效的提高規模化養殖場的管理，建立有效豬疾病智能預警機制，已成為我國建立規模化養豬場重點研究方向。

對于初期會出現共濟失調，步態搖擺，震顫等癥狀的豬神經性疾病的檢測，如果能在發病初期就檢測出來并對其進行及時有效隔離治療，防止豬疾病的蔓延，可以避免豬疾病的大范圍擴散傳染現象，有效減少豬疾病造成的豬養殖業經濟上的損失。

1 材料與方法

1.1 試驗豬廠環境及生豬信息采集

本實驗在自然光條件下并且豬舍環境較理想的條件下進行視頻的拍攝。對于實驗數據的采集是利用攝像機分別對處于正常行走和跛腳行走的生豬進行視頻的拍攝。實驗數據是通過隨機的挑選四頭正常行走的豬，然后分別對其拍攝四組視頻得到共16組代表正常行走的視頻信息。然后對4頭跛腳行走的豬進行同樣的實驗數據的采集得到16組代表跛腳行走的視頻信息。以上共32組豬行走視頻就是本實驗的研究數據基礎。

1.2 圖像預處理提取目標輪廓

目標檢測是目標識別、跟蹤和行為分析的基本保證。為了獲得豬的清晰的輪廓，在豬舍環境、光線等較為理想的條件下進行目標視頻的拍攝。然后，對目標視頻圖像提取一系列的單幀圖像，采用背景減除法來檢測出目標圖像豬。再采用二值化和形態學處理獲得完整的目標圖像。最后，采用canny算子提取目標輪廓。最終的目標輪廓的提取過程如圖1、2、3所示。

1.3 豬體的關鍵輪廓點模型的建立

本文提出的關鍵輪廓點模型法，是利用圖像的輪廓中心點與輪廓上的關鍵點的距離曲線來建立骨架模型。輪廓中心-邊緣點距離曲線繪制及骨架模型建立的具體方法如下：

（1）求取目標的輪廓中心點（xc，yc）

Nb為邊緣點數，（xi，yi）為某邊緣點。

（2）繪制中心-邊緣點距離曲線

圖4為中心-邊緣點距離曲線的繪制示意圖。在豬體輪廓上任取一個邊緣點（xi，yi）作為起始點，并計算出中心-邊緣點距離。然后，按逆時針方向，計算豬體輪廓上每個邊緣點與中心的距離。計算公式如下：

將一維離散方程d（i）表示在二維坐標系上就是中心-邊緣點距離曲線。如圖5所示。

將平滑后的中心-邊緣點距離曲線表示成差分方程的形式：

計算平滑后的中心-邊緣點距離曲線 i）的極大值i點，其橫坐標的值就代表豬體輪廓上第i個邊緣點。將該邊緣點視為關鍵輪廓點，并用大寫英文字母對其編號。在該實驗中，建立豬體的星狀骨架模型的是選用截止頻率c=0.03×Nb，得到七個關鍵輪廓點，分別標志出了耳朵，鼻子，尾尖，尾根以及能被檢測到的前后肢。通過連接這七個關鍵輪廓點就得到本文中所需要使用的星狀骨架模型。

其中尾根-輪廓中心點-耳朵即為本實驗中所需要標注的角度α，通過對數據α的統計和分析，得出該角度以區分正常和跛腳行走。

2 豬跛腳和正常行走的α的數據統計

利用數據的統計信息可以發現數據中的潛在規律，目前，該技術已經被使用到了養殖業上。在本實驗中，我們采集了兩組不同的豬的行走的姿態：一組是豬的正常行走的α，另一組是豬跛腳行走時的α，具體的統計結果見下圖8。

通過統計和對比這兩組不同行走方式的實驗數據，兩組數據之間存在著極大的差異性，并且與豬行走不連續性是一致的。兩組數據的差異為豬跛腳行走過程中步態變化幅度大，連續性差，易于識別。

3 總結

文中實驗所采用的方法是獲得豬的輪廓圖并通過繪制中心-邊緣點距離曲線得到關鍵輪廓點，然后利用輪廓圖上的關鍵點來建立本實驗所使? 用的星狀骨架模型。最后，利用該關鍵輪廓點模型分別提取出正常行走和跛腳行走的豬的行走數據，進行對比研究和分析，本實驗能直接從監控視頻中智能的檢測出患病狀態為跛腳行走這一類的豬疾病，為未來大規模的商品豬智能飼養提供了很好的方法。

【參考文獻】

[1]蔣偉.基于步態識別的移動設備身份認證模型[J].電子科技大學學報.2019（02）：272-277.

[2]張加加.基于CNN與SVM融合的步態識別方法[J].中國計量大學學報.2019（01）：65-71.

[3]郇戰.基于多分類器融合的步態識別方法[J].計算機應用.2019（02）：712-718.

[4]何燦隆.基于加速度傳感器的肉雞步態檢測方法研究與實現[J].2019（02）：365-372.

※基金項目：本研究為江蘇省大學生創新創業訓練計劃項目成果（201813103024X）。

作者簡介：王祥，男。

魏慶，男。

*通訊作者：吳燕，助理研究員，主要研究方向為機器視覺。