本发明涉及机器视觉，模式识别等技术，具体涉及一种俯视状态下群养猪监控视频中，基于局部特征的群养猪身份识别方法。
背景技术：
对动物个体进行身份识别是动物行为的智能感知与分析领域的关键问题之一。猪、牛、羊等大型动物因与人类关系密切、经济价值高而受到广泛关注。相比于采用射频识别技术(rfid)，基于生物特征的身份识别技术具有稳定、便捷等优点。从猪只俯视图像中可以观察到由猪的肌肉、毛发和皮肤表面的颜色变化等共同形成的身体表面特征。充分利用这些特征可以区分不同的猪个体。本发明给出一种提取猪只身体表面的局部模式进行群养猪身份识别的方法。避免了通常使用放置电子耳标的侵入性，不会造成猪只应激反应，降低了人工成本，为自动分析畜禽行为提供的技术保证。
技术实现要素：
考虑到基于射频的识别技术(rfid)具有侵入性等局限性，本发明分析猪只身体的轮廓、背腹部的颜色及毛发共同构成的特征，用局部特征进行描述，给出一种新的局部特征的提取方法用于群养猪身份识别。
本发明所采用的技术方案是：基于局部特征的群养猪身份识别方法，包括以下步骤：
(1)对猪个体rgb彩色图像，分别计算每个像素彩色分量的二进制形式，取其重要有效位重新组合，考虑不同颜色分量的大小并按照人眼视觉效应，转换为灰度图像；
(2)计算猪个体灰度图像的多尺度幅度响应和相位响应，在多个尺度下，分别计算邻域像素滤波响应不同方向之间的差异，计算不同方向上差异的大小，对主要差异的方向信息进行编码，得到多尺度局部方向信息编码图；
(3)比较编码图各子块不同尺度下幅度编码直方图、相位编码直方图的取值，在相同直方图取值处，对不同尺度下的直方图进行融合，将较大的直方图取值作为多尺度融合后的幅度响应特征、相位响应特征，降低特征维度。
进一步，所述步骤(1)具体包括：
首先，在猪舍正上方安装摄像头，对采集的群养猪视频序列分帧，对每一帧图像进行目标提取，获得单只猪个体的rgb彩色图像；然后，对猪个体rgb彩色图像的每个颜色分量进行计算，设转换后的灰度图像中每个像素用8位二进制数来表示，从第0位(最低位)到第7位(最高位)重要性逐渐增加，将rgb三个通道的强度值中最重要有效位提取出来；再根据人眼视觉效应对颜色的敏感程度，按照绿色、红色、蓝色分量的排列顺序重新组合成成二进制数，计算得到像素的灰度值，各个颜色分量可以选取2位，3位，4位等进行组合，获得不同灰度级数量的灰度图像；不同于仅仅依据人眼视觉效应对rgb颜色分量的敏感程度进行简单加权计算灰度值的方法，重要有效位的组合更多地反映了不同颜色之间的差异，有利于后续对灰度图像的特征提取。
进一步，步骤(2)所述内容，具体包括：首先，对猪个体灰度图像，使用多尺度的gabor滤波器作为掩模取代通常使用的单一尺度的方向模板，将猪个体图像与gabor滤波器卷积，获得多尺度的方向信息；考虑到猪舍是在自然光下，猪个体之间光照差别大，而相位响应对光照不敏感，所以，不仅计算了幅度响应，也对相位响应进行了计算；然后，在每个尺度，分别计算幅度响应和相位响应相邻方向之间的差异信息，如果为幅度响应，如下式所示：
du,v(x,y)＝[au,v(x,y)-au 1,v(x,y)],u＝0,1,...6
d7,v(x,y)＝[a7,v(x,y)-a0,v(x,y)]
其中，au,v(x,y)表示在尺度v，方向u时的gabor滤波后的幅度响应，du,v(x,y)表示在尺度v，第u个方向的幅度响应差异，若为相位响应，如下式所示：
eu,v(x,y)＝[θu,v(x,y)-θu 1,v(x,y)],u＝0,1,...6
e7,v(x,y)＝[θ7,v(x,y)-θ0,v(x,y)]
其中，θu,v(x,y)表示在尺度v，方向u时的gabor滤波后的相位响应，eu,v(x,y)表示在尺度v，第u个方向的幅度响应差异；这些差异描述了局部结构的主要特点，同时受到噪声等干扰的影响小，有利于增强后续编码的鲁棒性。最后，对局部响应不同方向之间差异的主要方向信息而不是响应的差异本身的强度大小进行编码，如下式所示：
mlddn_av(x,y)＝8*q1,v(x,y) q2,v(x,y)
其中，q1,v(x,y)和q2,v(x,y)为局部方向上幅度响应的最大值和最小值对应的方向，如下式所示：
同理，mlddn_pv(x,y)表示在像素点(x,y)处，尺度为v时的相位编码结果，如下式所示：
mlddn_pv(x,y)＝8*p1,v(x,y) p2,v(x,y)
其中，p1,v(x,y)和p2,v(x,y)为局部方向上相位响应的最大值和最小值对应的方向，如下式所示：
进一步，步骤(3)所述内容，具体包括：首先，为了包含特征的所在位置的信息，分别将幅度和相位编码图像划分为n个子块，对每个子块计算直方图，然后将各个子块的直方图级联；为了融合多尺度信息，比较各子块不同尺度下幅度编码直方图、相位编码直方图的取值，在相同直方图取值处，对不同尺度下的直方图进行融合，将较大的直方图取值作为多尺度融合后的幅度响应特征、相位响应特征，降低特征维度，如下式所示：
其中，histamp和histpha分别表示幅度响应和相位响应直方图，v表示尺度，u表示方向，∏表示级联运算，ha表示第n个子块的幅度直方图，hp表示第n个子块的相位直方图；最后，将gabor幅度响应和相位响应编码直方图级联成一个融合了幅度响应和相位响应局部方向特征的特征向量，特征向量融合了多尺度信息，但是特征的维度与单个尺度时的维度相同，不因多尺度而增加。
本发明的有益效果是：
本发明对实际养殖环境下群养猪的视频进行分析和处理，给出一种局部模式描述猪个体身体表面生物特征，实现群养猪的身份识别。该局部模式不仅考虑了单一尺度下图像局部的方向信息，通过多尺度滤波提取了多尺度信息。不仅使用了滤波幅度响应，也对相位响应进行了编码。为了降低因多尺度引起的特征维度的增加，对不同尺度信息进行了融合，降低了特征维度，提高了算法的实时性。基于机器视觉的方法，克服了传统的人工观察和耳标方式的局限性，改善了人工观察方式的费时费力以及对猪个体产生的干扰，也避免了耳标方式的侵入性，降低了成本。
附图说明
图1是本发明基于局部特征的群养猪身份识别方法流程图；
图2是本发明单只猪个体图像示例，(a)为1号猪圈中猪的样本，(b)为2号猪圈中猪的样本；
图3是本发明将猪个体rgb彩色图像转换为灰度图像结果示例；
图4是本发明对猪个体图像多尺度滤波幅度响应编码的示例，(a)为原始图像，(b)为将(a)量化后的灰度图像，(c)为某像素8个方向的滤波幅度响应，(d)为某像素对应的8个方向滤波响应及其方向，(e)为相邻方向上滤波响应的差异，(f)为对该像素幅度响应编码的结果；
图5是本发明猪个体图像多尺度幅度响应和相位响应编码直方图的示例；
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明，但本发明的保护范围并不限于此。
图1为基于局部特征的群养猪身份识别方法流程图，图2是本发明单只猪个体图像示例，(a)为1号猪圈中猪的样本，(b)为2号猪圈中猪的样本。
下面结合该图，进一步说明具体涉及的各部分具体实施方式。
步骤(1)所述内容，具体描述如下：
改建实验用猪舍，在猪舍正上方安装摄像头，对采集的群养猪视频序列分帧，对每一帧图像进行目标提取，获得单只猪个体的rgb彩色图像。对rgb彩色图像采用最重要有效位量化方法量化为灰度图像。设量化后的图像中每个像素用8位二进制数来表示，从第0位(最低位)到第7位(最高位)重要性逐渐增加，每个颜色分量的二进制模板如下：
其中，gi，ri和bi分别是g，r，b颜色通道的第i位，ng,nr和nb分别是g,r和b通道使用的二进制位数，重新组合得到灰度图像的像素表示为：
pmsb＝rm gm bm
对猪个体rgb彩色图像转换为灰度图像结果示例如图3所示。
步骤(2)所述内容，具体描述如下：对猪个体灰度图像，使用多尺度的gabor滤波器，将猪个体图像与gabor滤波器卷积，计算幅度响应和相位响应。在每个尺度，分别计算幅度和相位响应相邻方向之间的差异信息，对局部响应之间差异的主要方向信息进行编码。具体方法如下：
设猪个体灰度图像表示为i(x,y)，如下式所描述，au,v(x,y)表示gabor滤波后的幅度响应，θu,v(x,y)表示gabor滤波后的相位响应。
以幅度响应为例，设在尺度v，对像素点(x,y)可得到8个方向的gabor幅度响应，如图4(c)、(d)所示。计算相邻方向响应之间的差异大小，如下式所示：
du,v(x,y)＝[au,v(x,y)-au 1,v(x,y)],u＝0,1,...6
d7,v(x,y)＝[a7,v(x,y)-a0,v(x,y)]
其中，du,v(x,y)表示在尺度v，第u个方向的幅度响应的差异强度值，如图4(e)所示。
同理，计算相邻方向相位响应之间的差异大小：
eu,v(x,y)＝[θu,v(x,y)-θu 1,v(x,y)],u＝0,1,...6
e7,v(x,y)＝[θ7,v(x,y)-θ0,v(x,y)]
其中，eu,v(x,y)表示在尺度v，第u个方向的相位响应的差异强度值。
然后，对相邻方向幅度响应的差异强度值进行编码，如图4(f)，编码过程下式所示：
mlddn_av(x,y)＝8*q1,v(x,y) q2,v(x,y)
其中，q1,v(x,y)和q2,v(x,y)为当前像素幅度响应的最大值和最小值所对应的方向，如下式所示：
与此类似，对于gabor滤波后的相位信息，采用同样的方法进行编码，获得尺度v下的相位编码，记为mlddn_pv(x,y)。
mlddn_pv(x,y)＝8*p1,v(x,y) p2,v(x,y)
其中，p1,v(x,y)和p2,v(x,y)为当前像素相位响应的最大值和最小值所对应的方向，如下式所示：
步骤(3)所述内容，具体描述如下：分别将幅度和相位编码图像划分为n个子块，对每个子块计算直方图，然后将各个子块的直方图级联。在不同尺度，分别比较幅度和相位直方图在相同灰度区间的值，取相对较大的值作为当前灰度区间的值。将gabor幅度和相位响应编码直方图级联成一个融合了幅度和相位响应局部特征的特征向量。具体步骤如下：
将幅度响应和相位响应的编码图像划分为n个子块{r1,r2,…,rn}，计算每个子块的直方图并进行级联，如下式所示:
其中，
其中havn和hpvn表示尺度v时，第n个子块的幅度响应和相位响应编码图像的直方图。∏表示级联运算，s是编码值，(x,y)是第n个子块的像素点
然后，在不同的尺度下，分别对幅度和相位响应进行融合，以降低特征维数，所示下式所示:
其中，histamp和histpha分别表示幅度响应和相位响应直方图，这样多尺度的直方图维数与单个尺度的直方图维数相同，尺度的增加不影响直方图的维数。最后，将幅度响应和相位响应直方图级联，作为猪个体图像的特征向量，如下式所示：
hist＝∏(histamp,histpha)
图5给出了对猪个体图像幅度响应和相位响应编码直方图的示例。
综上，本发明的一种基于局部特征的群养猪身份识别方法。首先，获取俯视群养猪视频序列，从视频序列中提取猪个体图像，计算每个像素不同颜色分量二进制形式，将重要有效位进行组合获得灰度图像；然后，使用多尺度滤波器与灰度图像卷积，获得多尺度的幅度响应和相位响应，在不同尺度下，分别计算幅度响应和相位响应在不同方向之间的差异，对差异的方向信息进行编码；最后，将图像分成若干子块，计算各个子块幅度编码和相位编码的直方图，在不同尺度下，直方图相同取值处融合，并级联成特征向量，基于支持向量机进行分类和识别。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
1.基于局部特征的群养猪身份识别方法，其特征在于，包括以下步骤：
(1)对猪个体rgb彩色图像，分别计算每个像素彩色分量的二进制形式，取其重要有效位重新组合，考虑不同颜色分量的大小并按照人眼视觉效应，转换为灰度图像；
(2)计算猪个体灰度图像的多尺度幅度响应和相位响应，在多个尺度下，分别计算邻域像素滤波响应不同方向之间的差异，计算不同方向上差异的大小，对主要差异的方向信息进行编码，得到多尺度局部方向信息编码图；
(3)比较编码图各子块不同尺度下幅度编码直方图、相位编码直方图的取值，在相同直方图取值处，对不同尺度下的直方图进行融合，将较大的直方图取值作为多尺度融合后的幅度响应特征、相位响应特征，降低特征维度。
2.根据权利要求1所述基于局部特征的群养猪身份识别方法，其特征在于：所述步骤(1)具体包括：
首先，在猪舍正上方安装摄像头，对采集的群养猪视频序列分帧，对每一帧图像进行目标提取，获得单只猪个体的rgb彩色图像；然后，对猪个体rgb彩色图像的每个颜色分量进行计算，设转换后的灰度图像中每个像素用8位二进制数来表示，从第0位到第7位重要性逐渐增加，将rgb三个通道的强度值中最重要有效位提取出来；再根据人眼视觉效应对颜色的敏感程度，按照绿色、红色、蓝色分量的排列顺序重新组合成成二进制数，计算得到像素的灰度值，各个颜色分量可以选取2位，3位，4位等进行组合，获得不同灰度级数量的灰度图像；不同于仅仅依据人眼视觉效应对rgb颜色分量的敏感程度进行简单加权计算灰度值的方法，重要有效位的组合更多地反映了不同颜色之间的差异，有利于后续对灰度图像的特征提取。
3.根据权利要求1所述基于局部特征的群养猪身份识别方法，其特征在于：步骤(2)所述内容，具体包括：首先，对猪个体灰度图像，使用多尺度的gabor滤波器作为掩模取代通常使用的单一尺度的方向模板，将猪个体图像与gabor滤波器卷积，获得多尺度的方向信息；在此，不仅计算了幅度响应，也对相位响应进行了计算；然后，在每个尺度，分别计算幅度响应和相位响应相邻方向之间的差异信息。
若为幅度响应，如下式所示：
du,v(x,y)＝[au,v(x,y)-au 1,v(x,y)],u＝0,1,...6
d7,v(x,y)＝[a7,v(x,y)-a0,v(x,y)]
其中，au,v(x,y)表示在尺度v，方向u时的gabor滤波后的幅度响应，du,v(x,y)表示在尺度v，第u个方向的幅度响应差异；
若为相位响应，如下式所示：
eu,v(x,y)＝[θu,v(x,y)-θu 1,v(x,y)],u＝0,1,...6
e7,v(x,y)＝[θ7,v(x,y)-θ0,v(x,y)]
其中，θu,v(x,y)表示在尺度v，方向u时的gabor滤波后的相位响应，eu,v(x,y)表示在尺度v，第u个方向的幅度响应差异；
最后，对局部响应不同方向之间差异的主要方向信息而不是响应的差异本身的强度大小进行编码，mlddn_av(x,y)表示在像素点(x,y)处，尺度为v时的幅度编码结果，如下式所示：
mlddn_av(x,y)＝8*q1,v(x,y) q2,v(x,y)
其中，q1,v(x,y)和q2,v(x,y)为局部方向上幅度响应的最大值和最小值对应的方向，如下式所示：
同理，mlddn_pv(x,y)表示在像素点(x,y)处，尺度为v时的相位编码结果，如下式所示：
mlddn_pv(x,y)＝8*p1,v(x,y) p2,v(x,y)
其中，p1,v(x,y)和p2,v(x,y)为局部方向上相位响应的最大值和最小值对应的方向，如下式所示：
4.根据权利要求1所述基于局部特征的群养猪身份识别方法，其特征在于：步骤(3)所述内容，具体包括：首先，为了包含特征的所在位置的信息，分别将幅度和相位编码图像划分为n个子块，对每个子块计算直方图，然后将各个子块的直方图级联；为了融合多尺度信息，比较各子块不同尺度下幅度编码直方图、相位编码直方图的取值，在相同直方图取值处，对不同尺度下的直方图进行融合，将较大的直方图取值作为多尺度融合后的幅度响应特征、相位响应特征，降低特征维度，如下式所示：
其中，histamp和histpha分别表示幅度响应和相位响应直方图，v表示尺度，u表示方向，∏表示级联运算，ha表示第n个子块的幅度直方图，hp表示第n个子块的相位直方图；最后，将gabor幅度响应和相位响应编码直方图级联成一个融合了幅度响应和相位响应局部方向特征的特征向量，特征向量融合了多尺度信息，但是特征的维度与单个尺度时的维度相同，不因多尺度而增加。
技术总结