多运动目标的奶牛行为的识别方法及装置制造方法及图纸

本发明专利技术实施例提供一种多运动目标的奶牛行为的识别方法及装置，其中方法包括：从奶牛场场景的视频中选取一帧待识别图像，对所述待识别图像根据中值滤波法进行去噪；利用小波变换对去噪后的待识别图像进行多尺度分解，将最后一层输出的分解图像作为目标图，提取所述目标图的颜色特征、纹理特征和形状特征并进行多特征融合，作为所述待识别图像的特征向量；计算所述待识别图像的特征向量与预先获得的各样本图像的特征向量的欧氏距离，根据欧氏距离最近的一定数量的样本图像的奶牛行为标签，确定所述待识别图像中的奶牛行为。本发明专利技术实施例具有可靠性高、容错性好、结果准确的优势。

Cow Behavior Recognition Method and Device with Multiple Moving Targets

【技术实现步骤摘要】
多运动目标的奶牛行为的识别方法及装置
本专利技术实施例涉及图像识别
，更具体地，涉及多运动目标的奶牛行为的识别方法及装置。
技术介绍
近年来，无线传感器网络由于便于安装、低功耗、低成本、监测范围广等特点，被广泛应用于现代农业的环境信息检测。信息技术的飞速发展，农业现代化步伐不断加快，规模化奶牛养殖体系得到大力推广。应用无线传感器网络建立奶牛行为特征和环境信息的实时监测系统，有助于预防控制、发现和正确诊治奶牛疾病，及时准确发现问题奶牛，同时也保证了产奶量的稳定提高，促进奶业健康发展。通过无线传感器网络监测系统感知奶牛信息和行为是精准畜牧业的基础，而复杂环境中准确实时的奶牛目标识别是信息感知的基本前提。在奶牛场养殖环境中，奶牛行走过程中的视频采集极易受光照变化和障碍物遮挡的影响。这种遮挡导致了部分固有特征的丢失和新特征的产生，这给奶牛目标识别和定位带来了很大的困难。考虑到奶牛场运动目标监测的随机干扰性、不可预测性，研究多运动目标奶牛识别跟踪方法，为实现奶牛精细养殖提供参考借鉴。目前传统算法能够准确的识别背景简单、无遮挡的目标，然而对于存在局部遮挡的目标常常会出现虚警或漏报。现有算法大多针对某类具体情况进行算法上的改进，并未对图像中目标遮挡的程度给出定量的评价模型，不能有效、全面的反映遮挡给目标探测与识别带来的影响。现有的研究都是在目标外观变化较小的前提下进行的，然而受光照、位姿等的影响，目标的外观在跟踪过程中不断变化且变化较大。
技术实现思路
本专利技术实施例提供一种克服上述问题或者至少部分地解决上述问题的多运动目标的奶牛行为的识别方法及装置。第一个方面，本专利技术实施例提供一种多运动目标的奶牛行为的识别方法，包括：从奶牛场场景的视频中选取一帧待识别图像，对所述待识别图像根据中值滤波法进行去噪；利用小波变换对去噪后的待识别图像进行多尺度分解，将最后一层输出的分解图像作为目标图，提取所述目标图的颜色特征、纹理特征和形状特征并进行多特征融合，作为所述待识别图像的特征向量；计算所述待识别图像的特征向量与预先获得的各样本图像的特征向量的欧氏距离，根据欧氏距离最近的一定数量的样本图像的奶牛行为标签，确定所述待识别图像中的奶牛行为。第二个方面，本专利技术实施例提供一种多运动目标的奶牛行为的识别装置，包括：去噪模块，用于从奶牛场场景的视频中选取一帧待识别图像，对所述待识别图像根据中值滤波法进行去噪；特征向量获取模块，用于利用小波变换对去噪后的待识别图像进行多尺度分解，将最后一层输出的分解图像作为目标图，提取所述目标图的颜色特征、纹理特征和形状特征并进行多特征融合，作为所述待识别图像的特征向量；行为确定模块，用于计算所述待识别图像的特征向量与预先获得的各样本图像的特征向量的欧氏距离，根据欧氏距离最近的一定数量的样本图像的奶牛行为标签，确定所述待识别图像中的奶牛行为。第三方面，本专利技术实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所提供的方法的步骤。第四方面，本专利技术实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。本专利技术实施例提供的多运动目标的奶牛行为的识别方法及装置，通过以中值滤波法进行去噪，能够消除光照和图像中多运动目标等因素的干扰，提高识别准确性，对去噪后的图片从多特征融合的角度实现待识别图像的特征表征，最后结合欧氏距离实现奶牛行为的识别，具有可靠性高、容错性好、结果准确的优势。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的多运动目标的奶牛行为的识别方法的流程示意图；图2为本专利技术实施例提供的多运动目标的奶牛行为的识别装置的结构示意图图3为本专利技术实施例提供的电子设备的实体结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。图1为本专利技术实施例提供的多运动目标的奶牛行为的识别方法的流程示意图，如图所示，包括：S101、从奶牛场场景的视频中选取一帧待识别图像，对所述待识别图像根据中值滤波法进行去噪。需要说明的是，本专利技术实施例预先在奶牛场中设置拍摄装置，以对奶牛场中的奶牛行为进行拍摄获得奶牛场场景的视频，随机中视频中选取一帧图像进行识别。为了消除多运动目标遮挡、光照等多源干扰因素对待识别图像造成影响，本专利技术实施例基于中值滤波法消除图像中孤立的噪声点。具体地，对于一个像素点用该点的一个邻域中各点值的中值代替，让周围像素灰度值的差比较大的像素改取与周围的像素接近的值，从而消除孤立的噪声点。S102、利用小波变换对去噪后的待识别图像进行多尺度分解，将最后一层输出的分解图像作为目标图，提取所述目标图的颜色特征、纹理特征和形状特征并进行多特征融合，作为所述待识别图像的特征向量。需要说明的是，小波变换(wavelettransform，WT)是一种变换分析方法，它继承和发展了短时傅立叶变换局部化的思想，同时又克服了窗口大小不随频率变化等缺点，能够提供一个随频率改变的“时间-频率”窗口，是进行信号时频分析和处理的理想工具。所谓多尺度是指在RBF网中，采用了不同核函数方差的节点的作用是不同的，拥有大的核函数方差的节点所起的作用要大一些，因而就更倾向于代表训练集的整体信息。小波变换有两个因子：一个是时移因子，另一个就是尺度因子。尺度因子a，a》1表示伸展，a《1表示收缩。一般去根号a，目的是保证能量守恒。得到的小波信号是细节信号。本专利技术实施例对待识别图像进行多尺度分集，能够消除无用尺度信息对图像处理结果的影响，也可简化图像处理的难度和复杂性。选择最后一层输出的分解图像作为目标图的目的在于可以直接去掉若干层信息再重建，具有简洁方便的效果。去噪后的待识别图像的灰度值Fr'与目标图的灰度值pr满足以下关系：其中，u+1表示分解的总层数，表示分解的第i层图像的灰度值。S103、计算所述待识别图像的特征向量与预先获得的各样本图像的特征向量的欧氏距离，根据欧氏距离最近的一定数量的样本图像的奶牛行为标签，确定所述待识别图像中的奶牛行为。本专利技术实施例在获得待识别图像的特征向量后，与预先获得的各样本图像的特征向量计算欧氏距离，样本图像的特征向量的获取过程与步骤S101和S102一致，样本图像本身预先已知了图像中的奶牛行为标签(奶牛行为标签用于表征奶牛行为)。通过按照欧氏距离从小到大进行排序，从第一个样本图像开始按顺序选取一定数量的样本图像，并从中确定待识别图像中的奶牛行为。例如，可以选择第一个样本图像对应的奶牛行为作为待识别图像中的奶牛行为，也可以选取多个(例如10个)，通过统计10张样本图像中最多数量的奶本文档来自技高网...

【技术保护点】
1.一种多运动目标的奶牛行为的识别方法，其特征在于，包括：从奶牛场场景的视频中选取一帧待识别图像，对所述待识别图像根据中值滤波法进行去噪；利用小波变换对去噪后的待识别图像进行多尺度分解，将最后一层输出的分解图像作为目标图，提取所述目标图的颜色特征、纹理特征和形状特征并进行多特征融合，作为所述待识别图像的特征向量；计算所述待识别图像的特征向量与预先获得的各样本图像的特征向量的欧氏距离，根据欧氏距离最近的一定数量的样本图像的奶牛行为标签，确定所述待识别图像中的奶牛行为。

【技术特征摘要】
1.一种多运动目标的奶牛行为的识别方法，其特征在于，包括：从奶牛场场景的视频中选取一帧待识别图像，对所述待识别图像根据中值滤波法进行去噪；利用小波变换对去噪后的待识别图像进行多尺度分解，将最后一层输出的分解图像作为目标图，提取所述目标图的颜色特征、纹理特征和形状特征并进行多特征融合，作为所述待识别图像的特征向量；计算所述待识别图像的特征向量与预先获得的各样本图像的特征向量的欧氏距离，根据欧氏距离最近的一定数量的样本图像的奶牛行为标签，确定所述待识别图像中的奶牛行为。2.根据权利要求1所述的识别方法，其特征在于，所述提取所述目标图的颜色特征，具体为：在所述目标图中确定一个活动点，所述活动点的颜色分量为所述目标中所有像素点的颜色分量的平均值；将所述目标图中与所述活动点的颜色满足|r'-r0|≤qr，|g'-g0|≤qg，|b'-b0|≤qb的一个像素点作为目标像素点；其中r'、g'、b'表示所述活动点的R、G、B分量，r0、g0、b0表示所述目标像素点的R、G、B分量，qr、qg、qb表示R、G、B分量的阈值；计算所述目标像素点的R、G、B分量与所述目标图中其他非边界点的R、G、B分量的差值，对差值分布设定一定数量的差值范围，统计每一种差值范围内的所述非边界点的个数，根据所述差值以及对应的非边界点个数作为所述目标图的颜色特征。3.根据权利要求1所述的识别方法，其特征在于，所述提取目标图的纹理特征，具体为：通过以下公式计算所述目标图在各方向和各尺度的小波系数：其中，cl，h表示l方向h尺度下的小波系数，φl表示l方向的变换系数，表示h尺度的变换系数，x(i,j)表示目标图中第i行j列的像素点的灰度值，M和N分别表示目标图中每行和每列像素点的个数；在所述目标图中，以所述各方向和各尺度的小波系数为中心分别建立窗口，所述窗口的半径为预设大小，统计所述窗口内灰度值小于窗口中心像素点的灰度值的像素点，作为目标像素数值；以所述目标图中每一方向和尺度对应的窗口中目标像素数值确定所述纹理特征。4.根据权利要求1所述的识别方法，其特征在于，所述提取分解图像的形状特征，具体为...

【专利技术属性】
技术研发人员：吴华瑞，朱华吉，张丽红，缪祎晟，陈诚，
申请(专利权)人：北京农业信息技术研究中心，
类型：发明
国别省市：北京,11