基于视频分析的犊牛基本行为识别

发布时间：2017-05-13 11:00

  本文关键词：基于视频分析的犊牛基本行为识别，由笔耕文化传播整理发布。

【摘要】：犊牛的日常行为及规律是判断其健康情况的重要指标之一,行为检测是奶牛精准养殖的重要工作之一。然而传统的人工肉眼观测方法存在人工成本高、工作强度大、易疲劳、实时性差等问题;接触式传感器获取方法会损害动物福利,且佩戴在动物身上的传感器易受晃动、碰撞等因素产生噪声数据,影响动物行为检测的准确性。针对这一问题,本文研究并提出基于视频分析的犊牛基本行为识别方法。首先对目标检测方法进行改进,提出基于最大连通域的目标循环搜索环境建模、目标检测算法,以高效提取复杂自然环境下的犊牛目标;在提取犊牛的质心、轮廓等时序特征的基础上,采用基于结构相似的犊牛行为序列快速聚类算法,对犊牛基本行为进行识别。本文主要研究工作和结论如下:(1)从家畜行为学角度出发,分析了犊牛的行为学机理,针对复杂自然光照养殖场环境,确定了基于计算机视觉技术的犊牛基本行为检测方案。(2)针对养殖场复杂自然环境下犊牛目标实时、高精确度检测困难的问题,研究并提出了基于最大连通域循环搜索犊牛整体目标的目标检测算法。该算法检测出最大连通域后,按照搜索规则搜索出整个犊牛目标,试验结果表明,该算法检测正确率达90.94%,比背景减除法提高4.59个百分点。(3)在分析、研究各种背景建模方法建模效果及适用条件基础上,兼顾实时性和准确性两个指标,提出一种改进的背景建模方法。该方法首先通过分割目标区域并以真实的实时背景进行替换,最后将重新组合的背景图融入到背景集中,实现快速准确地更新背景模型。试验结果表明,该背景建模算法正检率达98.98%,比背景减除法提高8.32个百分点。(4)为提高目标跟踪的准确性及鲁棒性,研究并提出一种基于目标最大连通域的跟踪算法,该算法首先对判断是否有符合条件的目标最大连通域,并搜索犊牛整体目标完成跟踪。试验结果表明,在光照变化、树叶晃动、围栏遮挡等噪声干扰下,仍可以准确检测跟踪犊牛目标。通过观察犊牛基本行为,提出了识别犊牛基本行为的5个特征参数,通过对不同特征参数的分析对比,验证了特征参数的有效性。。(5)在分析对比的基础上,用基于相似结构的快速聚类方法识别犊牛的基本行为,在定义犊牛的行为特征序列相关概念基础上,依据临界向量对犊牛行为序列进行动态划分,构造了犊牛行为序列结构,并采用基于密度的动态阈值快速聚类算法实现犊牛行为的分类。分别进行犊牛基本行为识别试验、聚类时效性试验和基本行为识别正确率试验,试验结果表明,该算法犊牛基本行为识别正确率平均达97.32%;当子序列为6580段时,本文算法耗时仅为K-means聚类算法的38.68%,能快速对犊牛基本行为进行识别。
【关键词】：犊牛 目标检测 行为识别 视频分析 结构相似 行为序列 聚类
【学位授予单位】：西北农林科技大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41
【目录】：

• 摘要6-8
• ABSTRACT8-12
• 第1章 绪论12-21
• 1.1 研究背景与意义12-13
• 1.2 国内外研究现状及存在的问题13-17
• 1.2.1 国外研究现状13-15
• 1.2.2 国内研究现状15-17
• 1.2.3 存在的主要问题17
• 1.3 研究内容17-18
• 1.4 研究方法与技术路线18-19
• 1.4.1 研究方法18
• 1.4.2 技术路线18-19
• 1.5 论文组织结构19-21
• 第2章 奶犊牛的行为学特征及视频采集21-24
• 2.1 奶犊牛行为学特征21-22
• 2.1.1 犊牛的生理特点21-22
• 2.1.2 犊牛的基本行为22
• 2.2 犊牛视频采集与开发环境22-23
• 2.2.1 采集场所及环境22
• 2.2.2 采集视频的设置参数及视频的预处理22-23
• 2.2.3 视频分析算法开发环境23
• 2.3 本章小结23-24
• 第3章 犊牛目标检测与背景建模24-37
• 3.1 常用目标检测算法分析24-30
• 3.1.1 帧间差分法24-26
• 3.1.2 光流法26-27
• 3.1.3 背景减除法27-30
• 3.2 基于背景模型更新与逐步循环搜索的目标检测算法30-33
• 3.3 目标检测试验结果与分析33-36
• 3.3.1 试验样本33
• 3.3.2 试验方法33-34
• 3.3.3 试验结果及分析34-36
• 3.4 本章小结36-37
• 第4章 犊牛目标跟踪与特征提取37-43
• 4.1 目标跟踪方法分析37-38
• 4.2 基于最大连通区域循环搜索的目标跟踪算法38-40
• 4.2.1 跟踪算法流程38-39
• 4.2.2 跟踪算法试验结果及分析39-40
• 4.3 犊牛目标特征提取40-42
• 4.4 本章小结42-43
• 第5章 犊牛基本行为的聚类识别43-51
• 5.1 常用聚类算法分析43-44
• 5.2 结构相似度算法44-45
• 5.2.1 SSIM算法描述44-45
• 5.2.2 SSIM算法在轨迹聚类中的应用45
• 5.3 基于结构相似度的犊牛行为序列聚类算法45-48
• 5.3.1 犊牛行为序列的相关定义45-46
• 5.3.2 犊牛行为序列的划分46
• 5.3.3 犊牛行为序列结构及其相似度计算46-47
• 5.3.4 基于密度的聚类算法47
• 5.3.5 犊牛行为序列聚类47-48
• 5.4 犊牛基本行为识别试验结果与分析48-50
• 5.4.1 试验样本48
• 5.4.2 试验方法48
• 5.4.3 行为识别试验结果及分析48-50
• 5.5 本章小结50-51
• 第6章 结论与展望51-53
• 6.1 结论51
• 6.2 展望与建议51-53
• 参考文献53-57
• 致谢57-58
• 作者简介58

【相似文献】

中国期刊全文数据库 前10条

1 李宁;须德;傅晓英;袁玲;;结合人体运动特征的行为识别[J];北京交通大学学报;2009年02期

2 张伟东;陈峰;徐文立;杜友田;;基于阶层多观测模型的多人行为识别[J];清华大学学报(自然科学版);2009年07期

3 吴联世;夏利民;罗大庸;;人的交互行为识别与理解研究综述[J];计算机应用与软件;2011年11期

4 申晓霞;张桦;高赞;薛彦兵;徐光平;;一种鲁棒的基于深度数据的行为识别算法[J];光电子.激光;2013年08期

5 郑胤;陈权崎;章毓晋;;深度学习及其在目标和行为识别中的新进展[J];中国图象图形学报;2014年02期

6 曾青松;余明辉;贺卫国;李玲;;一种行为识别的新方法[J];昆明理工大学学报(理工版);2009年06期

7 谷军霞;丁晓青;王生进;;基于人体行为3D模型的2D行为识别[J];自动化学报;2010年01期

8 李英杰;尹怡欣;邓飞;;一种有效的行为识别视频特征[J];计算机应用;2011年02期

9 王新旭;;基于视觉的人体行为识别研究[J];中国新通信;2012年21期

10 王忠民;曹栋;;坐标转换在移动用户行为识别中的应用[J];北京邮电大学学报;2014年S1期

中国重要会议论文全文数据库 前7条

1 苗强;周兴社;於志文;倪红波;;一种非觉察式的睡眠行为识别技术研究[A];第18届全国多媒体学术会议（NCMT2009）、第5届全国人机交互学术会议（CHCI2009）、第5届全国普适计算学术会议（PCC2009）论文集[C];2009年

2 齐娟;陈益强;刘军发;;基于多模信息感知与融合的行为识别[A];第18届全国多媒体学术会议（NCMT2009）、第5届全国人机交互学术会议（CHCI2009）、第5届全国普适计算学术会议（PCC2009）论文集[C];2009年

3 方帅;曹洋;王浩;;视频监控中的行为识别[A];2007中国控制与决策学术年会论文集[C];2007年

4 黄紫藤;吴玲达;;监控视频中简单人物行为识别研究[A];第18届全国多媒体学术会议（NCMT2009）、第5届全国人机交互学术会议（CHCI2009）、第5届全国普适计算学术会议（PCC2009）论文集[C];2009年

5 安国成;罗志强;李洪研;;改进运动历史图的异常行为识别算法[A];第八届中国智能交通年会优秀论文集——智能交通与安全[C];2013年

6 王忠民;曹栋;;坐标转换在移动用户行为识别中的应用研究[A];2013年全国通信软件学术会议论文集[C];2013年

7 刘威;李石坚;潘纲;;uRecorder:基于位置的社会行为自动日志[A];第18届全国多媒体学术会议（NCMT2009）、第5届全国人机交互学术会议（CHCI2009）、第5届全国普适计算学术会议（PCC2009）论文集[C];2009年

中国重要报纸全文数据库 前4条

1 李晨光;导入CIS要注意什么？[N];河北经济日报;2001年

2 农发行鹿邑支行党支部书记 行长 刘永贞;发行形象与文化落地农[N];周口日报;2007年

3 东林;行为识别新技术让监控没有“死角”[N];人民公安报;2007年

4 田凯　徐蕊 李政育 信木祥;博物馆安全的国际经验[N];中国文物报;2014年

中国博士学位论文全文数据库 前10条

1 邵延华;基于计算机视觉的人体行为识别研究[D];重庆大学;2015年

2 仝钰;基于条件随机场的智能家居行为识别研究[D];大连海事大学;2015年

3 冯银付;多模态人体行为识别技术研究[D];浙江大学;2015年

4 姜新波;基于三维骨架序列的人体行为识别研究[D];山东大学;2015年

5 韩姗姗;基于视觉的运动人体特征描述与行为识别研究[D];浙江工业大学;2015年

6 何卫华;人体行为识别关键技术研究[D];重庆大学;2012年

7 吴秋霞;复杂场景下的人体行为识别[D];华南理工大学;2012年

8 于成龙;基于视频的人体行为识别关键技术研究[D];哈尔滨工业大学;2014年

9 王亮;基于判别模式学习的人体行为识别方法研究[D];哈尔滨工业大学;2011年

10 付朝霞;基于视频流的人体目标检测与行为识别研究[D];中北大学;2013年

中国硕士学位论文全文数据库 前10条

1 唐小琴;基于全局和局部运动模式的人体行为识别研究[D];西南大学;2015年

2 胡秋扬;可穿戴式个人室内位置和行为监测系统[D];浙江大学;2015年

3 陈钰昕;基于时空特性的人体行为识别研究[D];燕山大学;2015年

4 任亮;智能车环境下车辆典型行为识别方法研究[D];长安大学;2015年

5 金泽豪;并行化的人体行为识别方法研究与实现[D];华南理工大学;2015年

6 王呈;穿戴式多传感器人体日常活动监测系统设计与实现[D];南京理工大学;2015年

7 王露;基于稀疏时空特征的人体行为识别研究[D];苏州大学;2015年

8 于静;基于物品信息和人体深度信息的行为识别研究[D];山东大学;2015年

9 章瑜;人体运动行为识别相关方法研究[D];南京师范大学;2015年

10 赵扬;家庭智能空间下基于行走轨迹的人体行为理解[D];山东大学;2015年

  本文关键词：基于视频分析的犊牛基本行为识别，，由笔耕文化传播整理发布。

本文编号：362333