基于改進粒子濾波算法的農業物聯網養殖跟蹤研究

陳勇 孫娟

（鹽城生物工程高等職業技術學校，江蘇 鹽城 224051）

由于豬是一種社會性動物，豬通過打架來分出社會地位，由于豬只運動的復雜性，普通的車輛跟蹤算法無法對多豬只進行軌跡跟蹤，本文從豬只檢測和豬只跟蹤兩方面進性改進，一方面利用圖像信息融合算法實現了豬只的精確檢測，另一方面利用重樣性粒子濾波的序列化對豬只的運動軌跡進性跟蹤，解決了豬只重疊等問題。

1 結合粒子濾波的豬只跟蹤算法

將粒子濾波器根據當前位置預測下一位置的結果，來修正豬只跟蹤時兩頭豬因為距離太近而跟蹤失敗的問題和兩只豬交錯跟蹤的問題。

1.1 粒子濾波算法[3-4]

假設D為n維空間Rn的一個子集，p（x）是概率密度函數，則p（x）滿足∫RnP（x）dx=1且p（x）≥0定義：

式中，如果D是有界，則I為g（x）的數學期望，即I=E[g（x）]。

假設后驗概率密度為p（x0:k|z1:k），其轉態序列為x0，x1，x2…xk，記為x0:k，對應數學期望[5]：

式（4）中g（x0:k）為x0:k對應的數學期望，期望的估計值為：

1.2 引入重要性采樣的粒子濾波

由于p（x0:k|z1:k）的存在，人們往往無法在實際中應用。為了解決這一問題，引入重要性采樣函數，q（x0:k|z1:k）然后進行相應的粒子濾波[6-7]。

因此期望公式可表示為：

1.3 對重要性采樣粒子濾波結果的序列化

序列化粒子濾波的原理是基于狀態獨立性的假設，即任意狀態之間互相獨立。根據重要性權重的計算公式[8-9]結合遞歸的方法，進行如下計算：

定義如下的遞歸計算形式：

可以得出:

1.4 實驗與結果

我們在matlab上進性了驗證性實驗，并導出相關處理結果，圖1為提取的視頻圖像中第12幀、21幀、34幀、67幀的圖片，圖2為高斯混合建模檢測結果，豬的部分形狀存在缺失現象，原因是豬存在運動緩慢或者靜止現象。

圖1 豬只養殖原始圖像

圖2 高斯混合建模處理結果

圖3為均值分割算法的結果，很明顯檢測精確度不高。圖4經過信息融合的結果。可以看出經過改進，起到很好的目標檢測效果，改進的算法具備很好的檢測效果。

圖3 均值分割算法處理結果

圖4 二者信息融合的處理結果

2 結論

隨著農業信息化不斷地發展，智能化養殖是養殖產業轉型升級的推進器，本研究主要針對豬的運動軌跡跟蹤展開，在精確提取目標的前提下，我們針對豬只重疊的情況進行運動跟蹤。發現傳統粒子濾波算法并不能解決該問題，但是我們對重要性粒子濾波結果進行序列化，并將其結果利用kNN算法進行軌跡跟蹤，最后通過matlab進行了處理實驗，實驗中的跟蹤結果圖可以看出，算法真實有效，可以完成多豬只的跟蹤任務。