基于视频跟踪与多模型声音识别的猪行为检测与分析

发布时间：2017-05-04 03:02

  本文关键词：基于视频跟踪与多模型声音识别的猪行为检测与分析，由笔耕文化传播整理发布。

【摘要】：养殖业是关系到民生的重要产业,提高养殖效率,改善养殖环境,实现福利养殖是生猪养殖的发展趋势。如何利用智能检测手段代替人工观察,对猪的健康状况进行检测评判是目前研究热点之一。本论文在分析了基于视频的目标跟踪与声音识别在国内外的研究现状后,提出基于视频跟踪与多模型声音识别的猪行为检测与分析方法,利用数字图像处理技术与声音识别技术,对猪的进食、活动、休息、排泄等行为进行了检测,通过检测结果对猪的健康状况进行评级。主要的研究工作如下:(1)基于视频的猪目标跟踪技术主要分为猪目标的检测与猪目标跟踪。本文在介绍和分析常用目标检测方法的基础上,针对猪目标的具体特点以及GMM在目标缓慢运动或静止时检测结果出现空洞或目标消失的问题,提出了结合高斯混合建模(GMM)与均值漂移分割算法(Mean Shift)的目标检测方法。利用Mean Shift对目标进行分割,并利用两遍扫描法对分割结果进行标注,最后与GMM的检测结果进行融合,得到完整的目标轮廓。在猪目标跟踪时,为了解决目标轨迹跟踪过程中轨迹跟踪交错与目标跟踪交错的问题,提出结合粒子滤波与逐帧检测的猪目标跟踪方法。由于在视频采集过程中,摄像机镜头的焦距固定,因此,目标的面积基本恒定,可以将目标检测得到的目标位置利用最小矩形进行标定,计算矩形窗口的面积。如果面积大于阈值,表明可能有两只猪接触发生误检测,此时判断画面中目标个数。如果个数为1,则利用提出的像素点阈值分割法进行分割,否则利用粒子滤波算法预测目标的下一时刻位置,通过预测结果与下一帧视频中目标的位置进行比对,利用改进的最近邻法则将目标的位置点进行连接,绘制出运动轨迹。最后利用MFC编写可视化界面,进行直接操作与显示。(2)通过分析猪不同状态的声音,确定8种行为状态下的声音,建立模型进行声音识别。针对单模型声音识别正确率不高的问题,提出多模型结果优选的声音识别方法。首先,经过声音去噪、端点检测、加窗分帧后提取猪不同状态下声音信号的特征参数;然后将提取的特征参数进行优选后作为输入分别训练SVM、HMM、Adaboost三种模型,最后利用训练好的三种模型对不同状态猪声音进行自动识别,并将三种分类结果利用本文提出的优选方法优选后输出。实验结果表明,经过多模型结果优选后的识别正确率较单模型的正确率有一定的提高。(3)根据视频与音频的检测结果,利用行为锚定评价法建立不同行为的评分体系,通过提出的模糊权值分配规则对猪不同行为的评分进行加权求和,最后根据加权分数对猪状态做出参考性评价。
【关键词】：目标检测 目标跟踪 粒子滤波 声音识别 行为锚定评价法
【学位授予单位】：太原理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41;TN912.34
【目录】：

• 摘要3-5
• ABSTRACT5-14
• 第一章 绪论14-22
• 1.1 研究背景和意义14-15
• 1.2 国内外研究发展现状15-18
• 1.2.1 基于视频的目标跟踪研究现状15-16
• 1.2.2 基于音频的畜禽检测研究现状16-17
• 1.2.3 猪异常分析研究现状17-18
• 1.3 论文的研究内容和结构安排18-20
• 1.4 本章小结20-22
• 第二章 视频采集系统22-26
• 2.1 视频采集系统硬件介绍22-24
• 2.2 视频采集系统软件介绍24-25
• 2.3 本章小结25-26
• 第三章 基于目标检测与粒子滤波的猪目标跟踪26-54
• 3.1 猪目标检测26-37
• 3.1.1 目标检测基本方法26-29
• 3.1.2 高斯混合建模29-32
• 3.1.3 均值漂移分割算法32-35
• 3.1.4 图像融合35-37
• 3.2 猪目标跟踪37-44
• 3.2.1 目标跟踪的基本方法37-38
• 3.2.2 基于逐帧检测的猪目标跟踪38-41
• 3.2.3 实验结果分析41-44
• 3.3 结合粒子滤波器的逐帧检测法44-53
• 3.3.1 粒子滤波算法44-49
• 3.3.2 改进的最近邻法则49-50
• 3.3.3 像素点阈值分割法50-51
• 3.3.4 实验结果与分析51-53
• 3.4 本章小结53-54
• 第四章 基于多模型结果优选的猪声音识别54-78
• 4.1 猪只声音预处理54-60
• 4.1.1 声音去噪54-58
• 4.1.2 端点检测58-59
• 4.1.3 分帧加窗59-60
• 4.2 猪只声音特征选取60-63
• 4.2.1 线性预测倒谱系数(LPCC)61-62
• 4.2.2 梅尔倒谱系数(MFCC)62-63
• 4.3 猪只声音识别模型63-69
• 4.3.1 隐马尔科夫模型(HMM)64-65
• 4.3.2 支持向量机(SVM)65-67
• 4.3.3 Adaboost算法67-69
• 4.4 猪声音识别模型优选69-71
• 4.5 猪只声音识别实验与实现71-77
• 4.6 本章小结77-78
• 第五章 基于行为锚定评价法的猪视频和音频信息异常评价78-88
• 5.1 行为锚定评价法78-79
• 5.2 猪多源信息异常评价体系的建立79-86
• 5.3 本章小结86-88
• 第六章 总结与展望88-90
• 6.1 研究工作总结88-89
• 6.2 研究工作展望89-90
• 参考文献90-96
• 致谢96-98
• 攻读学位期间发表的学术论文及参与的科研项目98

【相似文献】

中国期刊全文数据库 前10条

1 张宏超;声音识别简介[J];信息与控制;1979年03期

2 刘砾;日研制成功世界上第一个连续声音识别系统[J];国外自动化;1979年Z1期

3 王宪忠;;前景光明的声音识别技术[J];华夏星火;2001年09期

4 郭利刚;方土富;;智能声音识别技术在广播电视广告监测中的应用[J];广播与电视技术;2006年12期

5 施智雄;;基于声音识别的气味发生装置设计与实现[J];电声技术;2009年05期

6 蔡时昊;颜伟国;;智能声音识别技术构建广播电视广告节目监测系统[J];信息通信;2012年03期

7 王再欢;唐云建;韩鹏;;一种利用声音识别的森林盗伐检测方法[J];计算机工程与应用;2012年30期

8 甘振新 ,金世龙;关于声音识别的一些研究课题[J];信息与控制;1979年03期

9 千叶 ,成美 ,刘小立 ,祝景成;声音识别技术的现状与未来[J];国外自动化;1983年02期

10 碧仁 ,陈淑媛;国内外市场大视野[J];现代情报;1993年01期

中国重要会议论文全文数据库 前3条

1 杨曜;郭斌;於志文;;一种基于背景声音识别的社会情境感知方法[A];第八届和谐人机环境联合学术会议（HHME2012)论文集PCC[C];2012年

2 张明瀚;石为人;丁宁;;一种基于学习的异常声音识别研究[A];2009中国仪器仪表与测控技术大会论文集[C];2009年

3 高思泽;倪邦发;张贵英;赵常军;肖才锦;刘存兄;刘超;管永精;;过热液滴探测器的声音识别系统设计[A];第十二届全国活化分析学术交流会论文摘要汇编[C];2010年

中国重要报纸全文数据库 前3条

1 日立邋编译;声音识别：下一代手机输入接口[N];中国电子报;2007年

2 本报驻以色列记者　田学科;藏在舌尖上的“身份证”[N];科技日报;2006年

3 李莉;反恐战场另类“灵眼”[N];中国国防报;2004年

中国博士学位论文全文数据库 前1条

1 张文娟;基于听觉仿生的目标声音识别系统研究[D];中国科学院研究生院（长春光学精密机械与物理研究所）;2012年

中国硕士学位论文全文数据库 前10条

1 张楠;西湖之声“杭州味道”品牌战略方案评估和建议[D];浙江大学;2015年

2 张苏楠;基于视频跟踪与多模型声音识别的猪行为检测与分析[D];太原理工大学;2016年

3 胡志峰;基于嵌入式声音识别技术的列车预警研究[D];西南交通大学;2007年

4 黄伟鸿;工厂噪声环境下声音识别系统的设计与实现[D];中山大学;2014年

5 吴弘;空中目标声音识别技术的研究[D];南京理工大学;2004年

6 曹慧敏;基于海上侦察系统的声音识别技术研究[D];南京理工大学;2010年

7 何帅;基于声音识别铁路专用便携式报警器的研制[D];西南交通大学;2013年

8 李云焕;基于声音识别的交通信息检测技术研究[D];长安大学;2014年

9 刘晓宇;基于神经网络的声音识别算法研究[D];北京邮电大学;2014年

10 李园园;无线传感器网络的声音识别技术研究[D];南京理工大学;2006年

  本文关键词：基于视频跟踪与多模型声音识别的猪行为检测与分析，由笔耕文化传播整理发布。

，

本文编号：344235