一种基于改进支持向量机和光流法相结合的猪的采食行为识别方法技术

本发明专利技术公开了一种基于改进支持向量机和光流法相结合的猪的采食行为识别方法。首先对视频帧进行预处理，即先进行双边滤波，再进行对数变换，最后进行自适应直方图均衡化；接着对视频帧用层次分析法进行粗提取，再用改进的支持向量机进行精细化提取，即对粗提取后的关键帧进行直方图特征对比去掉冗余帧。这些关键帧组成相邻的连续帧，然后用改进的Lucas

【技术实现步骤摘要】
一种基于改进支持向量机和光流法相结合的猪的采食行为识别方法


[0001]本专利技术涉及人工智能技术，尤其涉及计算机视觉、光流法以及图像分割的


技术介绍

[0002]随着人们生活水平的提高，对猪肉的需求量也大大提高，同时对猪肉的品质要求也明显提高，有些地方甚至存在供不应求的情况，集约化、自动化的养殖模式也就应运而生。猪只养殖规模也在逐渐增大，从而猪只生病的可能性也会增加，如果猪只生病没有及时发现，可能会影响其他猪只，最终造成严重的经济方面的损失。猪只在生病时，会伴随一些行为上的变化，比如不进食、不喝水、长时间躺着等。如果我们及时能够发现这些情况，就能最大程度减少其他猪只感染的风险，也能尽早对生病的猪只进行治疗，从而减少损失。
[0003]人工监测是以前常用的一种方法，但是如果继续仅靠人的肉眼来判断猪只的健康状况已经不合时宜，因为人会视觉疲劳，而且会受到光照强度、遮挡物等因素的影响，这样就会导致费时费力，并且效率不高、精度差。在大规模养殖的条件下，人工监测来判断猪的健康状况非常不切实际，针对这个问题，运用计算机视觉就可以解决。随着本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进支持向量机和光流法相结合的猪的采食行为识别方法，其特征在于，包括以下步骤：(1)先把实验视频进行逐帧提取，再通过双边滤波去除噪声点，用对数变换粗调节对比度，采用自适应直方图均衡化来进一步精细化调节对比度，来减少杂点以及光照不均所带来的不利影响；(2)对预处理的视频帧用层次分析法进行粗提取关键帧，再采用改进的支持向量机SVM进行精细化提取关键帧，SVM改进具体包括:利用改进的粒子群算法，即种群位置改良粒子群算法PLIPSO来对支持向量机SVM的受惩罚因子C,核函数g参数进行迭代优化，得到最优解(C,g)，优化这两个参数提高关键帧提取的效果，从而改善了接下来用LK光流法处理猪只实验视频的效果；(3)将现有的LK光流法改进为可变权重LK光流法即ω
‑
LK光流法，改进之处包括：把光流值乘以一个不断变化的权重，这样做可以使得在光流值较大的时候得到保持，在光流值较小的时候，能够把采食猪和未采食猪的光流值的差异加倍放大；用ω
‑
LK光流法来处理关键帧重组后的视频，得出光流数据，并分别处理单只采食猪和单只非采食猪视频，进一步明确采食猪和非采食猪在光流数据上的区别；(4)分析ω
‑
LK光流法得出的结果数据，把采食猪和非采食猪差异最大的光流直方图的最小值和平均值进行提取，并送入种群位置改良的粒子群优化支持向量机PLIPSO
‑
SVM进行训练，用训练后的模型来初步判断是否发生采食行为；(5)将现有的鲸鱼优化算法改进为高斯扰动鲸鱼优化阈值分割算法GP
‑
WO来对判断为可能采食的猪只进行阈值分割，最终精确判断实际是否发生采食行为，这一步检验种群位置改良的粒子群优化支持向量机PLIPSO
‑
SVM的判断结果，大大提高了对猪只采食行为的判断精度。2.根据权利要求1所述的一种基于改进支持向量机和光流法相结合的猪的采食行为识别方法，其特征在于，步骤(1)中：先对一个原视频进行分帧处理得到5200张图片，然后对得到的图片用双边滤波、对数变换以及自适应直方图均衡化处理，最终得到预处理后的数据集。3.根据权利要求1所述的一种基于改进支持向量机和光流法相结合的猪的采食行为识别方法，其特征在于，步骤(2)中种群位置改良粒子群算法PLIPSO具体包括：如式(3
‑
1)所示，在个体速度前乘以一个可变系数ρ，因为一开始搜索速度很快，会遗漏一些可能存在的最优粒子，在个体速度前乘以一个可变系数后可以限制其初始个体速度，在大致确定可能存在最优粒子的方向后加速搜索，提高了整个算法的搜索能力以及最终精度；可变系数ρ的数学表达如下：其中，σ
q
为可变系数的方差，η为可变系数的平均数，t为迭代时间；PLIPSO的算法过程如下：
种群位置改良粒子群算法的公式如式(3
‑
2)所示。L
gm
——种群里面的最优值；L'
gm
——扰动后的种群的最优值；L
im
——单个目标最优值；G(μ,σ)——高斯函数，其中μ是平均值，σ为方差；v
i
——个体速度；x
i
——个体位置；ω——惯性权重；a1——自身学习数值；a2——种群学习数值；r
1 r2——0到1之间的随机值；i
max
——最大迭代次数；i——当前迭代次数；ε——偏移量适应度函数如式(3
‑
3)所示：F(x)＝aQ+b
ꢀꢀꢀꢀ
(3
‑
3)式(3
‑
3)中，a为渐变标量系数，因为迭代是随着迭代次数在不断优化的，刚开始需要优化效果较强，所以a的取值就要大一点，随着迭代次数的增加，优化效果区趋于稳定，需要的标量系数就相对较小一点，所以b为偏移量，主要为了防止F(x)出现0而导致优化失败的情况，所以取值范围为(0，1)就足够了，其中如式(4
‑
3)所示，ω表示超平面系数，ξ表示超平面的松弛因子；这样设置a和b可以在很大程度上优化SVM的C，g参数，从而剔除采食猪的冗余帧，提高最终实验精度和效果。4.根据权利要求1所述的一种基于改进支持向量机和光流法相结合的猪的采食行为识别方法，其特征在于，步骤(2)中种群位置改良粒子群算法PLIPSO来对SVM的受惩罚因子C,核函数g参数进行迭代优化具体包括：利用改进的粒子群算法，即PLIPSO来对SVM的C,g参数进行迭代优化，得到最优解(C,g)，因为支持向量机的精确度和效率主要受惩罚因子C和核函数参数g影响，优化这两个参数可以提高关键帧提取的效果，支持向量机的算法过程如下：假设视频帧样本集合为S＝{(x
i
,y
i
)丨i＝1,2,...,n},其中x
i
∈R
d
，y
i
＝
‑
1或者
‑
1表示
x
i
相应的类别标签，q(x)＝ω
·
x+b表示维特征空间中线性判别函数，其中ω表示分类面的系数，b表示其偏移量，ω
·
x+b＝0是所对应的分类面的方程：y
i
[ω
·
x+b]
‑
1≥0
ꢀꢀꢀꢀ
(4
‑
1)满足式(4
‑
1)的条件的超平面就是最优分类面，目标函数为：最优分类面问题可以转变成求解的极小值问题，针对有些视频帧线性不可分割，引入惩罚因子C和松弛变量，所以式(4
‑
2)就转变为其中ω表示超平面系数，ξ
i
表示超平面的松弛因子，C为惩罚因子。式(4
‑
3)是一个二次规划的问题，用拉格朗日乘子法转换后可以引入核函数；引入拉格朗日乘子后，整个算法就可用采用核函数来解决上述问题，根据帧与帧之间的偏差量来剔除冗余帧，提高了接下来用光流法处理实验视频帧的效果；接下来为了提高分类效果，引入拉格朗日乘子(α1,α1,...,α
n
)，求解最优分类面问题就变成具有拉格朗日约束条件的求解，目标函数为式(4
‑
3)，约束条件为上述拉格朗日乘子，求解得最佳分类函数可描述为：核函数为高斯核函数，也叫做径向基函数，从而引入了gamma参数记为g参数，可以将数据映射到无穷维，式(4
‑
5)为高斯核函数：其中，z表示高斯函数的均值，σ表示其方差；用PLIPSO算法有效优化SVM的C,g参数，过程如下：1)初始化参数，即粒子的位置、速度、个体最优位置、学习因子，其中在位置公式中的个体速度量前乘以了一个可变系数ρ；2)根据式(3
‑
2)随着迭代次数不断更新粒子群算法的权重；3)根据式(3
‑
2)随着迭代次数使得学习因子取得当前最优值；4)根据式(3
‑
2)更新粒子的位置以及速度量；5)根据式(3
‑
3)计算出适应度的值；6)比较粒子的个体极值以及全局极值，不断进行优值替换；7)如果已经达到最大的迭代次数，输出最优解(C,g)，否则就返回第二步，继续训练。5.根据权利要求1所述的一种基于改进支持向量机和光流法相结合的猪的采食行为识
别方法，其特征在于，步骤(3)中对LK光流法的改进具体包括：引入可变倍率权重ω，即当光流值较大时保持基本权重ω；当光流值较小时增大权重ω，这样做可以使得在光流值较大的时候得到保持：这时采食猪和未采食猪的光流值的差异也较大；在光流值较小的时候，采食猪和未采食猪的光流值的差异也较小，能够把采食猪和未采食猪的光流值的差异加倍放大；改进的L
‑
K光流法记为ω
‑
LK光流法，式...

【专利技术属性】
技术研发人员：朱伟兴，汤志烨，李新城，
申请(专利权)人：江苏大学，
类型：发明
国别省市：