郭依正，朱偉興，馬長華，陳　晨（.江蘇大學(xué)電氣信息工程學(xué)院，鎮(zhèn)江 2203；　2.南京師范大學(xué)泰州學(xué)院，泰州 225300）

?

基于Isomap和支持向量機(jī)算法的俯視群養(yǎng)豬個體識別

郭依正1,2，朱偉興1※，馬長華1，陳晨1
（1.江蘇大學(xué)電氣信息工程學(xué)院，鎮(zhèn)江 212013；2.南京師范大學(xué)泰州學(xué)院，泰州 225300）

摘要：針對俯視群養(yǎng)豬視頻序列，提出了一種利用機(jī)器視覺技術(shù)對豬個體進(jìn)行識別的方法。首先對采集的俯視群養(yǎng)豬視頻序列進(jìn)行前景檢測與目標(biāo)提取，獲得各單只豬個體，其后建立訓(xùn)練樣本，提取豬個體顏色、紋理及形狀特征，組合構(gòu)建表征豬個體的特征向量，接著對組合特征利用Isomap算法做特征融合，在最大程度保留有效識別信息的基礎(chǔ)上降低特征維數(shù)，最后利用優(yōu)化核函數(shù)的支持向量機(jī)分類器進(jìn)行訓(xùn)練與識別。試驗(yàn)選取了900幀圖像，試驗(yàn)結(jié)果表明該文所提方法切實(shí)有效，豬個體最高識別率為92.88%。該文從機(jī)器視覺角度探索了俯視群養(yǎng)豬的個體識別，有別于傳統(tǒng)的RFID豬個體識別，該研究為無應(yīng)激的豬個體識別提供了新思路，也為進(jìn)一步探索群養(yǎng)豬個體行為分析等奠定了基礎(chǔ)。

關(guān)鍵詞：動物；特征提取；支持向量機(jī)；Isomap算法；群養(yǎng)豬；個體識別

郭依正，朱偉興，馬長華，陳晨. 基于Isomap和支持向量機(jī)算法的俯視群養(yǎng)豬個體識別[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2016，32（3）：182－187.doi：10.11975/j.issn.1002-6819.2016.03.026http://www.tcsae.org

Guo Yizheng , Zhu Weixing, Ma Changhua, Chen Chen. Top-view recognition of individual group-housed pig based on Isomap and SVM[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(3): 182－187. (in Chinese with English abstract)doi：10.11975/j.issn.1002-6819.2016.03.026http://www.tcsae.org

Email：guoyizheng0523@163.com

0　引　言

基于機(jī)器視覺的單只豬個體研究在諸多方面已經(jīng)取得了可喜成績。滕光輝等通過提取豬個體輪廓，研究無應(yīng)激地獲得豬體的體尺、體質(zhì)量[1-2]。Wang等也是研究采用機(jī)器視覺技術(shù)評估行進(jìn)中的單只豬個體體質(zhì)量[3]。劉波、朱偉興等采用背景減等方法獲取側(cè)視單豬，并分析生豬步頻[4]，同時研究了生豬紅外與可見光圖像的自動配準(zhǔn)與融合[5]。馬麗等研究在獲取單豬輪廓后識別豬是否為側(cè)視狀態(tài)[6]。紀(jì)濱、朱偉興等根據(jù)豬的俯視腹部輪廓線，研究了基于機(jī)器視覺的豬的呼吸頻率檢測方法[7]。

因豬是群養(yǎng)動物，隨著規(guī)模養(yǎng)豬業(yè)和計(jì)算機(jī)技術(shù)的發(fā)展，探討基于機(jī)器視覺的俯視群養(yǎng)豬視頻序列中的前景檢測、豬個體行為分析等已經(jīng)越來越受到國內(nèi)外學(xué)者的關(guān)注。Navarro-Jover等通過在群養(yǎng)豬背部涂不同顏色以便提取豬個體，從而檢測豬個體位置[8]。Tu等提出了一種基于循環(huán)信度傳播算法的俯視群養(yǎng)豬前景檢測方法[9]。Viazzi、Oczak等通過圖像特征提取，建立多層前向神經(jīng)網(wǎng)絡(luò)對豬的攻擊行為進(jìn)行分類[10-11]。Xin等利用CCD攝像頭監(jiān)測群養(yǎng)仔豬，通過明暗模型法進(jìn)行運(yùn)動目標(biāo)檢測，形態(tài)學(xué)處理后進(jìn)行圖像分割，分析圖像中仔豬躺臥時的空間分散度來評定豬舍溫度的舒適度，從而進(jìn)行豬舍溫度調(diào)控[12]。Kashiha等研究了群養(yǎng)豬的運(yùn)動檢測，并針對群養(yǎng)豬俯視視頻，利用機(jī)器視覺技術(shù)，通過自動監(jiān)控豬只在飲水區(qū)域的停留時間來估算圈中豬只總飲水量[13-14]。

在俯視狀態(tài)下研究群養(yǎng)豬中豬個體的行為，難度最大而又關(guān)鍵的問題是在運(yùn)動過程中豬個體的識別。對群養(yǎng)豬個體識別目前主要方法是采用耳標(biāo)RFID[15]，Kashiha等為了評估群養(yǎng)狀態(tài)下各個豬個體的體重，在豬只的背上涂上不同顏色和形狀的標(biāo)記，從而識別豬個體的身份[16-17]。除此之外，利用機(jī)器視覺技術(shù)對規(guī)模養(yǎng)豬場中俯視群養(yǎng)豬無應(yīng)激的個體識別的研究還未有相關(guān)文獻(xiàn)報(bào)道?？紤]到機(jī)器視覺算法在人身份識別中的成功應(yīng)用（如人臉識別、虹膜識別、指紋識別、步態(tài)識別等），探討基于機(jī)器視覺的豬個體識別成為可能。為此，本文提出了一種利用機(jī)器視覺技術(shù)對豬個體進(jìn)行識別的方法。基本思想是首先從俯視群養(yǎng)豬單幀圖像中有效提取豬個體目標(biāo)，接著建立訓(xùn)練樣本，然后通過豬個體顏色、紋理及形狀特征組合構(gòu)建表征豬個體的特征向量，并對組合特征利用Isomap算法做特征融合，最后構(gòu)造了由Sigmoid核函數(shù)和RBF核函數(shù)相結(jié)合的混合核函數(shù)支持向量機(jī)分類器，對待識對象進(jìn)行識別，試驗(yàn)驗(yàn)證了所提方法的可行性與有效性。

1　材料與方法

1.1俯視群養(yǎng)豬視頻獲取

視頻是在江蘇大學(xué)國家重點(diǎn)學(xué)科農(nóng)業(yè)電氣化與自動化的實(shí)驗(yàn)基地——丹陽市榮鑫農(nóng)牧發(fā)展有限公司養(yǎng)豬場采集。通過改建試驗(yàn)用豬舍，安裝拍攝俯視視頻的圖像采集系統(tǒng)，對群養(yǎng)豬進(jìn)行視頻監(jiān)控。攝像機(jī)位于豬舍（長×寬×高為3.5 m×3 m×1 m）正上方，相對地面垂直高度約為3m，視頻采集平臺及獲取的視頻幀示例如圖1所示。攝像機(jī)采用灰點(diǎn)公司的FL3-U3-88S2C-C（Sony CMOS），可以采集到包含背景的俯視狀態(tài)下群養(yǎng)豬的RGB 彩色視頻，圖像分辨率為1 760×1 840像素。

圖1　視頻采集平臺及獲取的視頻幀示例Fig.1　Video acquisition platform and frame sample of obtained video

試驗(yàn)開發(fā)軟件為Matlab 2012b。試驗(yàn)視頻是在天氣晴好的情況下，隨機(jī)采集了5 d，每天在早08:00點(diǎn)到下午17:00點(diǎn)時間段隨機(jī)采集6段視頻。所拍攝視頻幀頻為25 幀/s，時長在120 s左右，共采集了近90000幀圖像。

1.2豬個體識別流程

基于機(jī)器視覺的豬個體識別的流程如圖2所示。該流程主要分4個階段。首先是圖像預(yù)處理，主要是群養(yǎng)豬前景檢測與豬個體目標(biāo)提取。

圖2　豬個體識別流程Fig.2　Recognition flowchart of individual pig

第2階段是豬個體特征提取。本文使用顏色矩方法提取豬個體的顏色特征，使用共生矩陣法提取豬個體的紋理特征，使用不變矩方法提取豬個體的形狀特征。從而建立了能有效描述豬個體的特征參數(shù)。

第3階段是特征融合優(yōu)化。豬個體顏色、紋理及形狀特征組合在一起形成的特征向量維數(shù)高、數(shù)據(jù)量大、特征之間存在著信息冗余。對上述特征做了規(guī)格化后，采用Isomap算法進(jìn)行融合優(yōu)化。既降低了計(jì)算復(fù)雜度，又可以提高識別率。

最后是基于特征指標(biāo)體系的豬個體識別。從所拍攝的視頻中選取了滿足試驗(yàn)條件的900幀，其中100幀作為訓(xùn)練樣本，剩下800幀作為測試樣本，利用優(yōu)化核函數(shù)的支持向量機(jī)分類器對待識對象進(jìn)行識別。

1.3豬個體特征提取

1.3.1顏色特征提取

顏色特征是一種重要的視覺特征，對圖像的尺度、方向、視角的依賴性較弱，具有較高的穩(wěn)定性，這里主要提取了反映豬只顏色信息的顏色矩特征。

顏色矩是Stricker和Orengo首先提出的[18]。由于顏色信息主要集中在低階矩中，故只需對每種顏色通道提取一階、二階和三階矩進(jìn)行統(tǒng)計(jì)。設(shè)hij表示第i個顏色通道分量中灰度為j的像素出現(xiàn)的概率，n為總像素?cái)?shù)目，則顏色矩的3個低階矩（均值μi、方差σi和偏斜度Si）公式如下所示

1.3.2紋理特征提取

紋理是圖像的一個重要屬性，基于灰度共生矩陣（GLCM，gray level co-occurrence matrix）的紋理特征提取是最具代表性的紋理分析方法[19]。共生矩陣被描述為在θ方向上，相隔距離d的一對像素分別具有灰度值i 和j出現(xiàn)的概率，記為p(i,j;d,θ)。距離d的選擇，一般平滑紋理選擇較大值，粗糙紋理選擇較小值，在試驗(yàn)中設(shè)置d=1。方向θ一般有4種取值0、45°、90°、135°，本文分別計(jì)算4個方向的紋理特征值，然后以所有方向特征值均值作為最終的紋理特征分量。

考慮到Haralick提出的用于分析灰度共生矩陣的14個特征之間存在冗余，而且灰度共生矩陣計(jì)算量比較大，時間較長。試驗(yàn)綜合選用了角二階矩ASM（angular second moment）、對比度CON（contrast）、逆差分矩IDM（inverse difference moment）、熵ENT（entropy）4個最有描述能力的特征，公式如下

式中L為圖像灰度級。

1.3.3形狀特征提取

視頻序列中不同的豬個體可能具有相同的顏色和紋理，尋找具有平移、縮放和旋轉(zhuǎn)不變性的矩特征十分必要。一幅M×N的離散圖像f(x,y)，其p+q階的幾何矩定義是，其中，i∈ M，j∈ N，p， q為常數(shù)。令μpq＝Mpq/，r＝( p＋ q＋ 2)/ 2，可推導(dǎo)出7個具有平移、縮放、旋轉(zhuǎn)不變性的不變矩特征（記為M1～M7）作為圖像的形狀特征[20]。

1.4基于Isomap的特征融合優(yōu)化

數(shù)據(jù)降維方法主要有線性降維與非線性降維兩大類。各個領(lǐng)域中高維數(shù)據(jù)多表現(xiàn)為非線性的，等距映射Isomap（Isometric Mapping）作為非線性降維的一種技術(shù)被廣泛應(yīng)用于模式識別的各個領(lǐng)域。

Isomap算法是2000年由Tenenbaum 等在Science雜志上提出的[21]。算法主要過程如下：1）確定鄰域。在歐式空間中用k近鄰法確定每個點(diǎn)的鄰域，并計(jì)算每個點(diǎn)和它所有鄰域點(diǎn)間的距離。2）計(jì)算最短距離矩陣。通過步驟1得到鄰域距離之后，再計(jì)算任意2點(diǎn)在鄰域圖中的最短路徑，將得到的結(jié)果寫成矩陣形式，記為DN×N。3）用多維尺度變換MDS求解流形的低維表示Y。設(shè)HN× N＝－ JDJ/ 2，其中J＝ I－ eeT/ N，e＝(1,...,1)T為N維列向量，I為N維單位矩陣。求解出H的最大f個特征值λ1,…, λf以及對應(yīng)的特征向量u1,…, uf，并記U=[u1,…, uf]，則Y＝diag(,...,)UT。

在算法應(yīng)用過程中，領(lǐng)域k取值對識別率有一定影響，取值太大會導(dǎo)致局部幾何特性不能正確表示，相反會使流形不連續(xù)，從而不能反映全局性質(zhì)，綜合考慮試驗(yàn)數(shù)據(jù)量和計(jì)算復(fù)雜度，取鄰域k=4；計(jì)算2點(diǎn)在鄰域圖中的最短路徑使用Dijkstra算法；降到不同維數(shù)對識別率也有影響，試驗(yàn)部分統(tǒng)計(jì)了最優(yōu)維數(shù)。

1.5基于SVM的豬個體識別

支持向量機(jī)（support vector machine，SVM）是在統(tǒng)計(jì)學(xué)習(xí)理論的基礎(chǔ)上發(fā)展起來的新一代學(xué)習(xí)算法，它對未見過的測試樣本具有更好的推廣能力。設(shè)有分類樣本集,…，其中樣本特征向量∈ RG，即是 G維實(shí)數(shù)空間中的向量，類標(biāo)簽y∈{－ 1,＋ 1}，S為分類樣本數(shù)。通過這些樣本構(gòu)建一個分類函數(shù)，使之能對測試數(shù)據(jù)盡可能正確分類。分類就是尋求一個超平面，使之能將兩類樣本完全分開，其中為平面法向量，b為偏差項(xiàng)。

現(xiàn)實(shí)問題幾乎都是非線性可分的，而使用核函數(shù)能將非線性的輸入空間映射到一個線性可分的空間。此時的優(yōu)化目標(biāo)函數(shù)如下

對新的樣本，分類函數(shù)如下所示

其中α是拉格朗日因子，K為核函數(shù)，C為懲罰因子。

核函數(shù)支持向量機(jī)已經(jīng)成為目前解決分類和回歸等問題方面最流行且功能強(qiáng)大的一種工具[22]。只要滿足Mercer條件[23]的函數(shù)都可以作為SVM的核函數(shù)，常用的核函數(shù)有：線性（Linear）核函數(shù)、多項(xiàng)式（Poly）核函數(shù)、徑向基（RBF）核函數(shù)和Sigmoid核函數(shù)。不同的核函數(shù)將產(chǎn)生不同的分類效果，本文將2類核函數(shù)結(jié)合起來，構(gòu)成混合核函數(shù)如式（11）所示。

其中δ∈（0,1），為核函數(shù)的權(quán)值。混合核函數(shù)的參數(shù)選取是個難點(diǎn)，C和γ可以使用粒子群優(yōu)化算法獲取[24]。通過多組試驗(yàn)，確定的混合核函數(shù)SVM分類器主要參數(shù)如下：υ=1/5，r=3，C=16，γ=1.82，δ=0.8。

2　試驗(yàn)結(jié)果與分析

首先是群養(yǎng)豬前景檢測與豬個體目標(biāo)提取，該項(xiàng)工作參見文獻(xiàn)[25]和[26]。文獻(xiàn)[26]提出了一種自適應(yīng)分塊多閾值的俯視群養(yǎng)豬多目標(biāo)提取方法，因正在飲水和吃食的豬個體常常是標(biāo)準(zhǔn)站立姿勢，且往往是不希望被打擾的，該方法能有效提取正在飲水和吃食的豬個體。本文旨在驗(yàn)證所提識別方法是否可行有效，因此從所拍攝視頻中選擇了滿足條件的900幀用于試驗(yàn)，這些幀中豬個體幾乎無粘連，能夠完整分離出所有豬個體目標(biāo)。以圖1所給樣圖為例，對其進(jìn)行前景檢測的結(jié)果見圖3，分離出的各個豬個體見圖4。

圖3　視頻幀前景檢測結(jié)果(圖1b)Fig.3　Foreground detection results of video frame (Fig.1b)

圖4　分離出的各個豬個體（圖1b）Fig.4　Each individually isolated pig (Fig.1b)

接著對分離出的各個豬個體目標(biāo)進(jìn)行特征提取，以圖4中第1個豬個體為例，每個豬個體基于顏色距提取了R、B、G 3個通道9個顏色特征，基于灰度共生矩陣提取了4個紋理特征，基于不變矩提取了7個形狀特征，見表1。

表1　圖4中第1個豬的顏色特征、紋理特征和形狀特征及特征值Table 1　Color, shape and texture features and its eigenvalue of first pig in Fig.4

基于Isomap在做特征融合之前，對特征進(jìn)行規(guī)格化[27]，即數(shù)據(jù)尺度歸一化，將特征規(guī)格化到[?1,+1]之間，以消除數(shù)值因大小范圍不一而影響分類效果。以混合核函數(shù)SVM作為分類器，采用典型特征融合算法的識別率結(jié)果見表2；以Isomap為特征融合算法，不同核函數(shù)的識別率結(jié)果見表3。表2結(jié)果表明，基于Isomap的特征融合用于豬個體識別較其他典型特征融合算法，如PCA，LDA等效果要好；表3結(jié)果表明，基于混合核函數(shù)的SVM比單一核函數(shù)的SVM用于豬個體識別性能更好，測試樣本在最優(yōu)維數(shù)下的最高識別率為92.88%。

表2　典型特征融合算法的識別率Table 2　Recognition rates of typical feature fusion algorithms

表3　不同核函數(shù)SVM的識別率Table 3　Recognition rates of different kernel function SVM

通過深入研究誤識的豬個體，錯誤識別主要原因是豬的非剛體特性，豬在圈中有停停走走的運(yùn)動模式，同一只豬個體不同的姿勢所提取的特征就不盡相同?？梢灶A(yù)見，如果僅對標(biāo)準(zhǔn)站姿的豬個體（正在吃食與喝水的豬個體往往能保持標(biāo)準(zhǔn)姿）進(jìn)行識別，識別率還會進(jìn)一步提高。此外，如何合理優(yōu)選有效的分類特征也值得深入研究，特征優(yōu)劣也直接決定了識別效果。

傳統(tǒng)人工觀察識別豬個體的方式費(fèi)時費(fèi)力，且影響工作人員的健康。耳標(biāo)RFID方式雖然無需人工實(shí)時觀察，但是也會一定程度上干擾豬只正常生長。通過機(jī)器視覺技術(shù)無應(yīng)激對豬個體身份進(jìn)行識別，既便于飼養(yǎng)員對豬只提供充足的照顧，提高豬的福利，也對提高規(guī)模養(yǎng)殖業(yè)自動化和智能化監(jiān)控水平提供了技術(shù)支撐。豬個體識別方法可以作為豬自動行為分析系統(tǒng)的一部分，未來可能的應(yīng)用包括豬個體飲水行為分析、豬個體進(jìn)食行為分析、豬個體體質(zhì)量評估等。

3　結(jié)　論

1）本文提出了一種基于Isomap和SVM的俯視群養(yǎng)豬豬個體識別方法。試驗(yàn)數(shù)據(jù)包含100幀訓(xùn)練樣本，800幀測試樣本。試驗(yàn)結(jié)果表明，使用機(jī)器視覺技術(shù)無應(yīng)激的識別俯視群養(yǎng)豬中豬個體是可行的，豬個體最高識別率為92.88%。

2）顏色特征是描述圖像內(nèi)容的最直接的視覺特征，紋理特征是描述圖像表面質(zhì)地結(jié)構(gòu)的一類重要特征，而形狀特征在區(qū)分有形狀物體時效果才較明顯。利用Isomap算法對多類特征進(jìn)行融合，既可以去除特征間的冗余，保留識別信息，也可以降低特征維數(shù)，減少分類計(jì)算量。

3）利用SVM可以有效處理多類識別問題。文中提出混合核函數(shù)既考慮了全局特性，也考慮了局部特性，即SVM的學(xué)習(xí)能力及泛化能力都得到了加強(qiáng)，基于混合核函數(shù)的SVM較單一核函數(shù)SVM分類效果更好。

未來可以僅對正在飲水和吃食的豬個體進(jìn)行目標(biāo)提取與識別可以避免人工選圖。該項(xiàng)研究為后繼分析豬只個體行為等提供了理論基礎(chǔ)。

[參考文獻(xiàn)]

[1] 楊艷，滕光輝，李保明，等. 基于計(jì)算機(jī)視覺技術(shù)估算種豬體重的應(yīng)用研究[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2006，22(2)：127－131. Yang Yan, Teng Guanghui, Li Baoming, et al. Measurement of pig weight based on computer vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2006, 22(2): 127－131. (in Chinese with English abstract)

[2] 劉同海，滕光輝，付為森，等. 基于機(jī)器視覺的豬體體尺測點(diǎn)提取算法與應(yīng)用[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2013，29(2)：161－168. Liu Tonghai, Teng Guanghui, Fu Weisen, et al. Extraction algorithms and applications of pig body size measurement points based on computer vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(2): 161－168. (in Chinese with English abstract)

[3] Wang Y, Yang W, Winter P, et al. Walk-through weighing of pigs using machine vision and an artificial neural network[J]. Biosystems Engineering, 2008, 100(1): 117－125.

[4] 劉波，朱偉興，楊建軍，等. 基于深度圖像和生豬骨架端點(diǎn)分析的生豬步頻特征提取[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2014，30(10)：131－137. Liu Bo, Zhu Weixing, Yang Jianjun, et al. Extracting of pig gait frequency feature based on depth image and pig skeleton endpoints analysis[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(10): 131－137. (in Chinese with English abstract)

[5] 劉波，朱偉興，霍冠英. 生豬輪廓紅外與光學(xué)圖像的融合算法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2013，29(17)：113－120. Liu Bo, Zhu Weixing, Huo Guanying. An image fusion algorithm of infrared thermal and optical images for pig contour[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(17): 113－120. (in Chinese with English abstract)

[6] 馬麗，紀(jì)濱，劉宏申，等. 單只豬輪廓圖的側(cè)視圖識別[J].農(nóng)業(yè)工程學(xué)報(bào)，2013，29(10)：168－174. Ma Li, Ji Bin, Liu Hongshen, et al. Differentiating profile based on single pig contour[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(10): 168－174. (in Chinese with English abstract)

[7] 紀(jì)濱，朱偉興，劉波，等. 基于脊腹線波動的豬呼吸急促癥狀視頻分析[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2011，27(1)：191－195. Ji Bin, Zhu Weixing, Liu Bo, et al. Video analysis for tachypnea of pigs based on fluctuating ridge-abdomen[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(1): 191－195. (in Chinese with English abstract)

[8] Navarro-Jover J M, Alca?iz-Raya M, Gómez V, et al. An automatic colour-based computer vision algorithm for tracking the position of piglets[J]. Spanish Journal of Agricultural Research, 2009, 7(3): 535－549.

[9] Tu G J, Karstoft H, Pedersen L J, et al. Foreground detection using loopy belief propagation[J]. Biosystems Engineering, 2013, 116(1): 88－96.

[10] Viazzi S, Ismayilova G, Oczak M, et al. Image feature extraction for classification of aggressive interactions among pigs[J]. Computers and Electronics in Agriculture, 2014, 104(3): 57－62.

[11] Oczak M, Viazzi S, Ismayilova G, et al. Classification of aggressive behavior in pigs by activity index and multilayer feed forward neural network[J]. Biosystems Engineering, 2014, 119(2): 89－97.

[12] Shao B, Xin H. A real-time computer vision assessment and control of thermal comfort for group-housed pigs[J]. Computers and Electronics in Agriculture, 2008, 62(1): 15－21.

[13] Kashiha M A, Bahr C, Haredasht S A, et al. The automatic monitoring of pigs water use by cameras[J]. Computers and Electronics in Agriculture, 2013, 90(1): 164－169.

[14] Kashiha M A, Bahr C, Ott S, et al. Automatic monitoring of pig locomotion using image analysis[J]. Livestock Science, 2014, 159(1): 141－148.

[15] Maselyne J, Saeys W, Nuffel A V. Review: Quantifying animal feeding behaviour with a focus on pigs[J]. Physiology & Behavior, 2015, 138(C): 37－51.

[16] Kashiha M A, Bahr C, Ott S, et al. Automatic identification of marked pigs in a pen using image pattern recognition[J]. Computers and Electronics in Agriculture, 2013, 93(2): 111－120.

[17] Kashiha M A, Bahr C, Ott S, et al. Automatic weight estimation of individual pigs using image analysis[J]. Computers and Electronics in Agriculture, 2014, 107(7): 38－44.

[18] Stricker M, Orengo M. Similarity of color images[C]. Proceedings of SPIE Storage and Retrieval for Image and Video Dtabases, 1995, 2420(2): 381－392

[19] Yusof R, Khalid M, Khairuddin A S M. Application of kernel-genetic algorithm as nonlinear feature selection in tropical wood species recognition system[J]. Computers and Electronics in Agriculture, 2013, 93(4): 68－77.

[20] Hu M K. Visual pattern recognition by moment invariants[J]. IRE Transactions on Information Theory, 1962, 8(2): 179－187.

[21] Tenenbaum J B, de Silva V, Langford J. A global geometric framework for nonlinear dimensionality reduction[J]. Science, 2000, 290(5500): 2319－338.

[22] Lu Y, Boukharouba K, Boonaert J, et al. Application of an incremental SVM algorithm for on-line human recognition from video surveillance using texture and color features[J]. Neurocomputing, 2014, 126(2): 132－140.

[23] Ghasab M A J, Khamis S, Mohammad F, et al. Feature decision-making ant colony optimization system for an automated recognition of plant species[J]. Expert Systems with Applications, 2015, 42(5): 2361－2370.

[24] Ren Yuan, Bai Guangchen. Determination of optimal SVM parameters by using GA/PSO[J]. Journal of Computers, 2010, 5(8): 1160－1168

[25] Guo Yizheng, Zhu Weixing, Jiao Pengpeng, et al. Foreground detection of group-housed pigs based on the combination of Mixture of Gaussians using prediction mechanism and threshold segmentation[J]. Biosystems Engineering, 2014, 125(9): 98－104.

[26] Guo Yizheng, Zhu Weixing, Jiao Pengpeng, et al. Multi-object extraction from topview group-housed pig images based on adaptive partitioning and multilevel thresholding segmentation[J]. Biosystems Engineering, 2015, 135(5): 54－60.

[27] Ramesh B, Xiang C, Lee T H. Shape classification using invariant features and contextual information in the bag-of-words model[J]. Pattern Recognition, 2015, 48(3): 894－906.

Top-view recognition of individual group-housed pig based on Isomap and SVM

Guo Yizheng1,2, Zhu Weixing1※, Ma Changhua1, Chen Chen1
(1. School of Electrical and Information Engineering, Jiangsu University, Zhenjiang 212013, China; 2. Taizhou College, Nanjing Normal University, Taizhou 225300, China)

Abstract:Monitoring behavior of pigs in a pen is possible both in group and at individual level. Data analysis at individual level, however, has more advantages. Identification of pigs is a necessary step towards analyzing the different behaviors of pigs individually. Some current computer vision systems that are used for video surveillance of group-housed pigs require that the pigs be marked. In this paper, using a top-view video sequence of group-housed pigs, a machine-vision technology method for recognizing individual pig is proposed. First, to recognize each individual pig, foreground detection and target extraction are conducted on a top-view video sequence of the group-housed pigs. Second, the training samples are established, and the color, texture and shape of the individual pig are extracted; through the combination of these features, a feature vector representing an individual pig is then built. Third, the combined features are fused using the Isomap algorithm, which reduces the feature dimension on the basis of the maximum retention of the effective recognition information. Finally, the features are trained and recognized using a support vector machine (SVM) classifier with an optimal kernel function. The videos used in the present study are collected from pig farms of the Danyang Rongxin Nongmu Development Company, which is the experimental base for the key discipline of Jiangsu University, i.e. agricultural electrification and automation. The pigs are monitored in a reconstructed experimental pigsty. The pigsty is 1 m high, 3.5 m long and 3 m wide. A camera is located above the pigsty with the height of 3 m over the ground. The camera is the FL3-U3-88S2C-C with an image resolution of 1760 × 1840 pixels from the Grey Point Company. The videos are captured from 8 AM to 5 PM. Over 5 days randomly chosen, we collect 6 sections of videos every day at random time, so there are a total of 30 videos randomly chosen in audio video interleaved (AVI) format. The frame frequency of each video is 25 fps with the duration of approximately 120 s. Among the 90 000 frames (5 days × 6 videos × 120 s × 25 fps), 900 frames satisfying the requirement of experimental conditions are selected. The software MATLAB 2012b is adopted. The experimental results show that the proposed method is effective and the highest recognition rate of pigs is 92.88%. In this paper, a method for recognizing group-housed pigs individually from a top-view video sequence is explored based on the machine vision, which differs from traditional radio frequency identification (RFID) of individual pig. This study provides a new idea for the recognition of individual pig without stressing the animals, and lays a foundation for further analysis of the behavior of individual pig.

Keywords:animals; feature extraction; support vector machines; Isomap algorithm; group-housed pigs; individual pig recognition

通信作者：※朱偉興，男，江蘇蘇州人，教授，博士生導(dǎo)師，主要從事農(nóng)業(yè)信息科學(xué)、機(jī)器視覺研究。鎮(zhèn)江江蘇大學(xué)電氣信息工程學(xué)院，212013。Email：wxzhu@ujs.edu.cn

基金項(xiàng)目：國家自然科學(xué)基金資助項(xiàng)目（31172243）；教育部博士點(diǎn)基金資助項(xiàng)目（20103227110007）；江蘇高校優(yōu)勢學(xué)科建設(shè)工程資助項(xiàng)目（蘇政辦發(fā)（2011）6號）；江蘇省普通高校研究生科研創(chuàng)新計(jì)劃項(xiàng)目（CXLX13_664）

作者簡介：郭依正，男，江蘇徐州人，博士生，講師，主要從事機(jī)器視覺、模式識別研究。鎮(zhèn)江江蘇大學(xué)電氣信息工程學(xué)院，212013。

收稿日期：2015-09-08

修訂日期：2015-12-23

中圖分類號：TP391.41；S818.5

文獻(xiàn)標(biāo)志碼：A

文章編號：1002-6819(2016)-03-0182-06

doi：10.11975/j.issn.1002-6819.2016.03.026