基于时空兴趣点的猪的跛脚行为识别

发布时间：2017-07-03 08:12

  本文关键词：基于时空兴趣点的猪的跛脚行为识别

  更多相关文章： 猪 Gabor滤波器 时间约束 空间约束 高斯混合模型

【摘要】：如今,智能视频监控技术已广泛应用于精准畜牧业领域,如跛足检测、呼吸检测、行为识别等。基于视频监控技术的动物行为感知已成为精准畜牧业领域的研究热点。本文在机器视觉基础上,针对视频数据中猪的跛脚识别问题,提出基于时空兴趣点的猪的跛脚识别方法。该方法在实际拍摄的视频中获得了良好的跛脚识别性能,对及时发现猪的跛脚疾病、阻止扩散、及时处理具有深远的意义。首先,针对视频中猪运动的关键部位检测问题,本文采用了基于Gabor滤波器和基于时空约束的两种时空兴趣点检测算法。基于Gabor滤波器的检测算法能够从视频中检测出在时间上具有明显的图像强度变化的兴趣点,这些兴趣点对应着视频中猪的运动部分,能够详细的描述猪的行为。尽管能够得到丰富的兴趣点,然而,由于拍摄环境复杂、光线变化等原因,该算法的检测结果中包含较多的背景点,从而影响识别的精度。为了解决此问题,本文进一步采用基于时空约束的检测算法。通过对视频中时空兴趣点的分布特点进行分析,本文采用时空约束来抑制视频中的两类背景点。这两类背景点分别为无明显结构信息的背景点(如视频中的同质区域的点)和具有明显结构信息但在时间轴上无明显变化的背景点(如背景中栏杆处的点)。其次,针对视频特征量化和识别的问题,本文采用基于高斯混合模型和软量化的特征量化方法。传统的词包模型采用Kmeans聚类算法得到视觉词典,并使用硬投票得到量化特征,忽略了局部描述子之间的相互关系,容易导致较大的量化误差。因此,本文采用高斯混合模型对局部描述子的分布进行建模,训练得到多个高斯成分。每个高斯成分作为一个视觉单词,构建出视觉词典,并使用软投票的量化方法对视频进行量化。该方法充分考虑了描述子的概率分析,能够很好地降低量化误差。最后,本文对两种兴趣点检测算法和两种量化方法进行交叉实验。其中,采用基于时空约束的检测算法进行兴趣点检测,以及采用基于高斯混合和软投票的方法进行量化使得跛脚的识别率达到96%。实验结果表明,本文提出的方法能够较好的区分跛脚视频和正常视频,提高跛脚识别率。该研究对及时发现猪的跛脚疾病并快速处理具有深远意义。
【关键词】：猪 Gabor滤波器 时间约束 空间约束 高斯混合模型
【学位授予单位】：江苏大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：S858.28;TP391.41
【目录】：

• 摘要4-5
• ABSTRACT5-10
• 第一章 绪论10-20
• 1.1 课题研究目的及意义10-12
• 1.2 国内外研究现状12-17
• 1.2.1 模式识别概述12
• 1.2.2 动物行为分析及智能检测现状12-15
• 1.2.3 基于时空特征点的行为识别的国内外研究现状15-17
• 1.3 本文主要内容及结构安排17-20
• 1.3.1 本文主要内容17-18
• 1.3.2 本文结构安排18-20
• 第二章 基于时空兴趣点的猪的跛脚识别总体方案20-26
• 2.1 猪视频的采集20
• 2.2 总体方法概述20-25
• 2.2.1 问题的分析20-21
• 2.2.2 特征表示概述21-22
• 2.2.3 局部描述子提取22-24
• 2.2.4 特征量化24
• 2.2.5 训练分类器与识别24-25
• 2.3 本章小结25-26
• 第三章 猪的局部特征提取26-44
• 3.1 局部特征概述26
• 3.2 基于Gabor滤波器的时空兴趣点检测26-30
• 3.2.1 Gabor滤波器26-27
• 3.2.2 时空兴趣点度量27-28
• 3.2.3 非极大抑制28-30
• 3.3 基于空间约束和时间约束的时空兴趣点检测30-37
• 3.3.1 Harris角点检测32-33
• 3.3.2 背景点抑制33-34
• 3.3.3 局部时间约束34-37
• 3.4 局部描述子37-43
• 3.4.1 HOG特征计算38-40
• 3.4.2 HOF特征计算40-41
• 3.4.3 MBH特征计算41-43
• 3.5 本章小结43-44
• 第四章 猪的特征量化与识别44-59
• 4.1 特征量化的概述44-45
• 4.2 基于Kmeans聚类和硬投票量化的特征量化方法45-49
• 4.2.1 基于Kmeans聚类的视觉字典生成方法45-47
• 4.2.2 硬投票量化（Hard-Voting）47-49
• 4.3 基于高斯混合模型和软投票的特征量化方法49-54
• 4.3.1 单高斯模型49-50
• 4.3.2 高斯混合模型50-52
• 4.3.3 软投票量化（Soft-Voting）52-54
• 4.4 支持向量机分类器设计54-58
• 4.4.1 支持向量机54-55
• 4.4.2 常用核函数选择与比较55
• 4.4.3 分类器设计55-58
• 4.5 本章小结58-59
• 第五章 实验结果与分析59-68
• 5.1 实验数据59
• 5.2 参数设置59-61
• 5.2.1 局部特征提取参数设置59-60
• 5.2.2 局部描述子计算参数设置60-61
• 5.2.3 特征量化参数设置61
• 5.3 时空兴趣点检测算法实验结果与分析61-64
• 5.4 特征量化算法实验结果与分析64-67
• 5.6 本章小结67-68
• 第六章 总结与展望68-70
• 6.1 总结68-69
• 6.2 展望69-70
• 参考文献70-74
• 致谢74-75
• 攻读硕士学位期间完成的论文75

【相似文献】

中国期刊全文数据库 前4条

1 张驻军;;怎样培养小学生学习数学的兴趣[J];现代农村科技;2014年06期

2 杨振宇;张文强;李伟;陈英;;基于单目视觉的移栽钵苗叶片朝向的调整方法[J];农业工程学报;2014年14期

3 郭洪水;;高校思政课课堂兴趣点设计研究及实践[J];中国农业教育;2013年06期

4 ;[J];;年期

中国重要会议论文全文数据库 前5条

1 王晗;滕鹏;梁玮;;使用稠密兴趣点包的非对称风景图像检索[A];第七届和谐人机环境联合学术会议（HHME2011)论文集【poster】[C];2011年

2 叶以生;;如何激发学生学习说明文的兴趣[A];中华教育理论与实践科研论文成果选编（第3卷）[C];2010年

3 凌贺飞;陈勇;邹复好;许治华;李平;;基于Harris兴趣点区域的图像拷贝检测算法[A];第八届全国信息隐藏与多媒体安全学术大会湖南省计算机学会第十一届学术年会论文集[C];2009年

4 王慧;;提高学生的绘画想象力[A];中华教育理论与实践科研论文成果选编（第1卷）[C];2009年

5 毛霞;;给孩子们一个支点——谈兴趣[A];全国教育科研“十五”成果论文集（第五卷）[C];2005年

中国重要报纸全文数据库 前10条

1 王震;兴趣点炮制口号甜蜜素[N];医药经济报;2012年

2 济南市平阴县玫瑰中学 李晓旭;谈在初中历史教学中对学生兴趣的培养[N];学知报;2010年

3 胡雪晶 上海厂长经理人才有限公司高级人力资源顾问;猎头要建立良好人际关系[N];组织人事报;2012年

4 张学军;多数人对工作都有“隐性兴趣”[N];北京人才市场报;2008年

5 本报记者 李望宁;微博PC端V6推发现功能 连接用户兴趣点重拾人气[N];通信信息报;2014年

6 江苏滨海县正红中学 朱泾沣;激发学习兴趣,提高学习效率[N];学知报;2010年

7 陶艳;爱动不一定就是多动症[N];大众卫生报;2007年

8 张耀芳 照金中心小学教师;让孩子幸福地成长[N];铜川日报;2010年

9 轮台县中学 柏艳丽;浅谈学生学习兴趣的培养[N];巴音郭楞日报;2009年

10 本报记者 李婧璇;中国社会科学出版社：找准兴趣点故事才生动[N];中国新闻出版报;2013年

中国博士学位论文全文数据库 前2条

1 张云菲;多源道路网与兴趣点的一致性整合方法[D];武汉大学;2015年

2 韩军伟;基于内容的图象检索技术研究[D];西北工业大学;2003年

中国硕士学位论文全文数据库 前10条

1 刘袁柳;面向LBSN的兴趣点和用户推荐方法研究[D];苏州大学;2015年

2 张淼;基于位置社交网络的兴趣点推荐方法研究[D];西南大学;2015年

3 林辰;SAP用户兴趣点分析系统后台的设计与实现[D];南京大学;2014年

4 程呈;基于差分隐私的兴趣点推荐系统的设计与分析[D];电子科技大学;2015年

5 蒋晓玲;基于用户偏好的个性化路径挖掘研究[D];东北大学;2013年

6 胡宇成;基于多特征融合的微博用户兴趣建模研究[D];哈尔滨工业大学;2014年

7 吴丽梅;基于时空兴趣点的化工厂视频监控系统设计与实现[D];电子科技大学;2014年

8 崔立伟;移动用户行为趋势分析与研究[D];西安工程大学;2015年

9 郑亚男;微表情检测与定位关键技术研究[D];北京交通大学;2016年

10 吴云;轨迹挖掘场景化精准广告投放研究[D];山东财经大学;2016年

  本文关键词：基于时空兴趣点的猪的跛脚行为识别

  更多相关文章： 猪 Gabor滤波器 时间约束 空间约束 高斯混合模型

，

本文编号：512892