束平 吳洪昊 孫娟 唐曉東

摘要 為推進農(nóng)業(yè)信息化，實現(xiàn)豬的智能化養(yǎng)殖以及對多豬只的智能跟蹤，設計豬只檢測階段和跟蹤階段。在檢測階段，該設計提出了基于高斯混合建模和均值分割算法相結合的信息融合算法，有效地解決豬只靜止或運動緩慢以及背景噪聲對檢測結果的影響;在跟蹤階段，傳統(tǒng)粒子濾波算法并不能對豬只重疊進行運動跟蹤，對重要性粒子濾波結果進行序列化，并將其結果利用KNN算法進行軌跡跟蹤。最后進行了處理試驗，結果顯示算法真實有效。該成果可用于豬只養(yǎng)殖信息化。

關鍵詞 農(nóng)業(yè)信息化;豬養(yǎng)殖;目標跟蹤

中圖分類號 S-058 ??文獻標識碼 A? 文章編號 0517-6611（2021）16-0230-03

doi：10.3969/j.issn.0517-6611.2021.16.060?? 開放科學（資源服務）標識碼（OSID）：

Pig Tracking Based on Improved Particle Filter Algorithm

SHU Ping， WU Hong-hao， SUN Juan et al

（Yancheng Bioengineering Branch of Jiangsu Union Technical Institute， Yancheng， Jiangsu 224051）

Abstract To promote agricultural informatization and to realize intelligent pig breeding and intelligent tracking of pigs， two stages were designed， which were pig detection stage and tracking stage. In the detection phase， the information fusion algorithm based on Gauss mixture modeling and mean segmentation algorithm was proposed to effectively solve the influence of pig static or slow motion and background noise on the detection results. In the tracking stage， the traditional particle filter algorithm could not track the overlap of pigs and was of great importance. The results of particle filter were serialized， and the KNN algorithm was used to track the trajectory. Finally， the processing experiments were carried out. The results showed that the algorithm was real and effective. The results could be used in pig farming informatization.

Key words Agricultural informatization;Pig breeding;Target tracking

農(nóng)業(yè)信息化是整個農(nóng)業(yè)發(fā)展的趨勢，每頭豬的信息從出生到死亡的每一件事都記錄在與其對應的唯一號碼上，相當于身份證一樣，因此對豬運動信息的跟蹤也就顯得尤為重要。由于豬是一種社會性動物，豬通過打架來分出社會地位，由于豬只運動的復雜性，普通的車輛跟蹤算法無法對多豬只進行軌跡跟蹤，鑒于此，筆者介紹了基于信息融合的豬只檢測算法和結合粒子濾波的豬只踴躍算法，從豬只檢測和豬只跟蹤2方面進行改進，一方面利用圖像信息融合算法實現(xiàn)了豬只的精確檢測，另一方面利用重樣性粒子濾波的序列化對豬只的運動軌跡進行跟蹤，解決了豬只重疊等問題。

1 基于信息融合的豬只檢測算法

目前針對目標檢測算法有很多，如高斯混合建模（GMM）、均值（Mean shift）分割算法、背景差分法等[1-2]，而高斯混合建模通過統(tǒng)計視頻圖像中各個點的像素值獲取背景模型，最后利用背景減除的思想提取出運動目標，可以避免單純背景差分法帶來的“背景空洞”，但是在豬只運動緩慢和靜止狀態(tài)下無法檢測出結果，Mean shift分割算法又存在過分割象。

1.1 改進的檢測算法

該研究提出了一種將高斯混合建模和Mean shift分割算法，巧妙地解決了目標檢測問題。具體步驟如下：

（1）設定初始幀僅包含背景不含目標，用來防止豬的靜止或緩慢運動的情況，如果相鄰兩幀視頻的差分結果為0，讓當前幀視頻與初始幀視頻作差分提取結果，設定檢測閾值，當檢測結果太小時，視為背景噪聲，如豬的糞便、光照的變化等。

（2）將GMM算法和Mean shift分割算法的結果進行二值化，分別記為FG（ i ）、FM（ i），其中i 為視頻幀序號，并對結果進行二值化。

（3）在均值分割算法結果FM（ i ）中，利用兩遍掃描法，檢測并掃描白色像素點的位置，并記錄像素個數(shù)為M（ j ），其中 j 為區(qū)域的序號。

（4）統(tǒng)計GMM算法處理結果中像素個數(shù)，碰到低于閾值的情況，令FG（ i ）= FG（ i -1）。

（5）在FM（ i ）區(qū)域找出相應FG（ i ）區(qū)域內(nèi)的白素像素點個數(shù)，記為G（ j ），令 μ=G（j）/ M（j），設置閾值μ*，當μ>μ*時，為有效區(qū)域，否則為黑色，該研究中μ*=0.35 ，該值為試驗判斷值。

1.2 試驗與分析

在matlab上進性了驗證性試驗，并導出相關處理結果，如圖1。圖1 為提取的視頻圖像中第12、21、34、67幀的圖片，圖2為高斯混合建模檢測結果，豬的部分形狀存在缺失現(xiàn)象，原因是豬存在運動緩慢或者靜止現(xiàn)象。

圖3為均值分割算法的結果，很明顯檢測精確度不高。圖4經(jīng)過信息融合的結果?？梢钥闯鼋?jīng)過改進，對目標的檢測效果較好，改進的算法具備很好的檢測效果。

2 結合粒子濾波的豬只跟蹤算法

將粒子濾波器根據(jù)當前位置預測下一位置的結果，來修正豬只跟蹤時2頭豬因為距離太近而跟蹤失敗的問題和2只豬交錯跟蹤的問題。

2.1 粒子濾波算法[3-4]

假設 D 為 n 維空間 Rn的1個子集，p（x）是概率密度函數(shù)，則p（x）滿足∫ Rnp（x） d x=1且p（x）≥0。定義：

I=∫ Dg（x）p（x） d （x）（1）

式中，如果D有界，則I為g（x）的數(shù)學期望，即I=E[g（x）]。

假設樣本之間相互獨立記{x i}N其中N表示樣本個數(shù)，令g（x）=x，則g（x）的平均值g（x）為：

g（x）=N i-1g（x i）（2）

當N→∞時，g（x）與I近似相等，即：

lim n→∞1NN i-1g（x i）= lim g（x）=I

（3）

假設后驗概率密度為p（x 0：k|z 1：k），其對應的參數(shù)為x 0：k，根據(jù)概率論，可求數(shù)學期望[5]：

E（g（x 0：k））=∫g（x 0：k）p（x 0：k|z 1：k） d x 0：k（4）

期望的估計值為：

E（g（x 0：k））=1NN i-1g（xi 0：k）（5）

當N→∞，E（g（x 0：k））絕對收斂即：

∫g（x 0：k）p（x 0：k|z 1：k） d x 0：k≈1NN i-1g（xi 0：k）（6）

2.2 引入重要性采樣的粒子濾波

由于 p（x 0：k|z 1：k） 的存在，人們往往無法在實際中應用。為了解決這一問題，引入重要性采樣函數(shù)，然后進行相應的粒子濾波[6-7]。因此期望公式可表示為：

E（g（x 0：k））=1NN i-1g（xi 0：k）w k（xi 0：k）1NN i-1w k（xi 0：k）

=N i-1g（xi 0：k）w k（xi 0：k）（7）

2.3 對重要性采樣粒子濾波結果的序列化

序列化粒子濾波的原理是基于狀態(tài)獨立性的假設，即任意狀態(tài)之間互相獨立。根據(jù)重要性權重的計算公式[8-9]結合遞歸的方法，進行如何計算：

p（z 1：k|x 0：k）p（x 0：k）q（x 0：k|z 1：k）=w k（x 0：k）（8）

定義如下的遞歸計算形式：

q（x 0|z 1：k）=q（x 0：k-1|z 1：k-1）q（x k|x 0：k，z 1：k）（9）

可以得出：

w k=w k-1p（z 1：k|x 0：k）p（x 0：k）p（x 0：k-1|z 1：k-1）q（x k|x 0：k，z 1：k）

=w k-1p（z k|x k）p（x k|x k-1）q（x k|x a：k-1，z 1：k）

（10）

根據(jù)貝葉斯概率統(tǒng)計論，對遞歸得到的公式（9）其進行近似，此時粒子xi k的權值wi k可表示為：

xi k=wi k-1p（z k|xi k）p（xi k|xi i-1）q（xi k|xi k-1，z 1：k）

（11）

2.4 結合最近鄰法則的粒子濾波算法

最近鄰法則（k-Nearest Neighbor，KNN）kNN算法的核心思想是如果1個樣本在特征空間中的 n 個最相鄰的樣本中的大多數(shù)屬于1個類別，則該樣本也屬于這個類別，并具有該類別上樣本的特征[10]。該方法在確定分類決策上，只依據(jù)最近鄰的1個或者幾個樣本的類別來決定待分樣本所屬的類別。對于單只豬很有效，但在2只豬靠的比較近時容易檢測為1只豬，從而影響目標檢測和軌跡跟蹤。

該研究對視頻中相鄰兩幀之間的檢測結果不再進行對應，而是將根據(jù)第 i幀圖像的預測第i+1幀圖像的結果與第i+1幀的真實結果進行濾波融合從而精確繪制出目標的運動軌跡。

利用粒子濾波算法對豬的運動狀態(tài)進行跟蹤，并進行預測，方便后期的信息融合。該研究中粒子的位置就是目標的位置，粒子的權重代表豬的相似程度，設定矩形窗口標記豬，長為豬的身長，記 H x，寬為豬的身高記W y因此，狀態(tài)向量可定義為：

x k=[x，y，H x，W y]（12）

式中，（x，y）表示坐標，根據(jù)粒子濾波算法的初始狀態(tài)方程形式可以將狀態(tài)轉移方程定義為[11]：

x k=Ax k-1+Bw k-1（13）

式中，w k-1表示高斯隨機噪聲，w k-1∈N（0，σ x），σ x是標準正態(tài)分布。在公式（12）、（13）中，權重系數(shù)由運動目標的運動性決定，為了進一步描述權重與目標運動之間的關系，添加一個可以衡量這種關系的計算公式：

BC （p，q）= x∈Xp（x）q（x）（14）

式中，p（x）為粒子顏色分布，q（x）為目標顏色分布。粒子權重為：

w=1 2π σ exp -1- BC （p，q）2σ2（15）

式中，σ為高斯方差，一般取2.0。

2.5 試驗與結果

試驗代碼在matlab 2016版本運行，導入試驗視頻，文中列出跟蹤試驗結果中第35、121、289、321幀的4幀圖片及處理結果見圖5、6、7、8。

試驗中，3只豬分別采用實線、虛線、虛實線框對豬只進行跟蹤標記。圖5第35幀的時候豬很自然地被分割開，并進行跟蹤。圖6、7第121、289幀，豬運動到圖上某一位置并遮擋了另外2頭的豬的部分身體，但是處理結果依然將被遮擋的豬標記出來。圖8第321幀，其中1只豬離開了視頻的監(jiān)控范圍，但從處理結果上看，對另外2頭豬的跟蹤并沒有發(fā)生誤檢。

圖9中為結合KNN算法在matlab上繪制出的豬的運動軌跡圖像，白色點為最終實線框跟蹤的豬只運動軌跡，三角點為虛線框跟蹤的豬只運動軌跡，正方形點為虛實線框跟蹤的豬只運動軌跡。從圖9可以發(fā)現(xiàn)，盡管圖像中豬只發(fā)生了重疊遮擋，但是依然具有很好的軌跡預測、跟蹤能力，綜上所述，該算法已經(jīng)具備對多豬只跟蹤的能力，并且魯棒性較強。

3 結語

隨著農(nóng)業(yè)信息化的不斷發(fā)展，智能化養(yǎng)殖是養(yǎng)殖產(chǎn)業(yè)轉型升級的推進器，該研究主要針對豬的運動軌跡跟蹤展開，從以下2個方面進行：①豬的運動檢測。在分析傳統(tǒng)檢測算法的前提下，結合豬舍實際的背景環(huán)境，提出GMM和Mean shift相結合的算法，通過兩邊掃描法成功提取豬目標，并進行了試驗對比，驗證了算法的可行性。②豬的運動跟蹤。在精確提取目標的前提下，針對豬只重疊的情況進行運動跟蹤。該研究發(fā)現(xiàn)傳統(tǒng)粒子濾波算法并不能解決該問題，但是對重要性粒子濾波結果進行序列化，并將其結果利用kNN算法進行軌跡跟蹤，最后通過matlab進行了處理試驗，通過試驗中的跟蹤結果圖可以看出，算法真實有效，可以完成多豬只的跟蹤任務 。

該研究可應用于豬只智能養(yǎng)殖系統(tǒng)，推動產(chǎn)業(yè)的轉型升級。鑒于當前豬只養(yǎng)殖的自動化程度還不高，數(shù)據(jù)模型不完善，特別是在對豬的病情診斷方面，仍然需要人工來完成。下一步將利用卷積神經(jīng)網(wǎng)絡技術學習不同病情豬叫聲的樣本數(shù)據(jù)，形成訓練模型，從而可對豬的病情進行判斷。

參考文獻

[1] 胡堅強，舒志兵.基于均值偏移與粒子濾波融合的目標跟蹤算法研究[J].電子器件，2019，42（3）：706-711.

[2] 楊偉明，趙美蓉，黃銀國，等.基于空間分布和時間序列分析的粒子濾波算法[J].電子學報，2017，45（2）：300-306.

[3] WANG Z L，HOU Q Y，HAO L.Improved infrared target-tracking algorithm based on mean shift[J].Applied optics，2012，51（21）：5051-5059.

[4] CHEN K L，GE W C.Pedestrian tracking algorithm based on Kalman filter and partial mean-shift tracking[C]//The 2014 2nd International Conference on Systems and Informatics.Shanghai，China：IEEE，2015：253-256.

[5] 于青青，張可，唐恒亮，等.基于視頻跟蹤軌跡的全過程路側停車行為檢測與識別技術[J].計算機與現(xiàn)代化，2017（9）：67-73.

[6] 姚明明.高速公路隧道停車檢測中的車輛跟蹤及狀態(tài)識別方法研究[D].重慶：重慶大學，2014.

[7] WANG N Y，SHI J P，YEUNG D Y，et al.Understanding and diagnosing visual tracking systems[C]//2015 IEEE International Conference on Computer Vision.Santiago，Chile：IEEE，2015：3101-3109.

[8] 吳定會，孔飛，紀志成.雞群算法的收斂性分析[J].中南大學學報（自然科學版），2017，48（8）：2105-2112.

[9] 王宇霞，趙清杰，蔡藝明，等.基于自重構粒子濾波算法的目標跟蹤[J].計算機學報，2016，39（7）：1294-1306.

[10] 鄭浩，董明利，潘志康.基于圖像分類與多算法協(xié)作的目標跟蹤算法[J].計算機工程與應用，2018，54（4）：185-191.

[11] 許多行.智慧健康服務平臺設計及關鍵技術[D].南京：南京郵電大學，2015.