本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，具體涉及一種基于視頻的生豬檢測(cè)方法和系統(tǒng)。

背景技術(shù)：

視頻監(jiān)控前景目標(biāo)提取是將視頻幀序列中每一幀里的背景去除，檢測(cè)前景目標(biāo)并分割出來的技術(shù)。前景提取方法按攝像頭裝置分為固定和移動(dòng)兩大類，按前景目標(biāo)特性分剛體和非剛體兩大類。生豬行為的檢測(cè)方法屬于固定攝像的非剛體前景提取技術(shù)。

現(xiàn)有技術(shù)中，通常采用彩色圖像閾值剪影獲得完整的前景目標(biāo)，這種方法簡(jiǎn)單，計(jì)算代價(jià)小，屬于經(jīng)典背景幀差法，但這種方法要求背景是靜止不變的，且背景愈簡(jiǎn)單分割效果愈好。而現(xiàn)實(shí)的生豬養(yǎng)殖場(chǎng)的背景難以滿足此條件，由于養(yǎng)殖場(chǎng)一般設(shè)計(jì)成通風(fēng)透光建筑，晴天光線強(qiáng)，豬在室內(nèi)移動(dòng)，會(huì)出現(xiàn)影子；陰天光線也會(huì)隨時(shí)間發(fā)生漸變；當(dāng)投射陽光的窗戶突然出現(xiàn)暫時(shí)性遮擋時(shí)會(huì)起室內(nèi)照度突變。上述情況都會(huì)造成獲取前景目標(biāo)的失敗或者不準(zhǔn)確，影響檢測(cè)結(jié)果。

現(xiàn)有技術(shù)中還會(huì)采取利用實(shí)驗(yàn)室現(xiàn)場(chǎng)深色背景和白色豬反差大的特點(diǎn)，采用連續(xù)3幀的均值作為處理幀，運(yùn)用灰度閾值分割出初步的前景，再進(jìn)行形態(tài)學(xué)和面積閾值處理，得到精確的前景，此法屬于圖像處理分割方法獲得前景目標(biāo)，適用僅限于特定的實(shí)驗(yàn)條件。特別是當(dāng)前景運(yùn)動(dòng)時(shí)，連續(xù)3幀的平均值導(dǎo)致前景偽目標(biāo)點(diǎn)增多。直接采用圖像處理忽略了幀序列的時(shí)域特性，實(shí)用性不強(qiáng)。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)現(xiàn)有技術(shù)中存在的獲取前景目標(biāo)不準(zhǔn)確和實(shí)用性不強(qiáng)的問題，本發(fā)明提出一種基于視頻的生豬檢測(cè)方法和系統(tǒng)。

本發(fā)明一方面提供一種提取生豬輪廓的方法，包括：s1，通過對(duì)實(shí)時(shí)圖像對(duì)應(yīng)的二值圖像進(jìn)行區(qū)域連通性分析，獲取前景目標(biāo)的第一輪廓和所述第一輪廓的形心；s2，通過建立所述實(shí)時(shí)圖像的混合高斯背景模型，獲取所述前景目標(biāo)的第二輪廓和所述第二輪廓的形心；s3，根據(jù)所述第二輪廓對(duì)所述第一輪廓進(jìn)行修正，根據(jù)所述第二輪廓的形心對(duì)所述第一輪廓的形心進(jìn)行修正。

其中，所述步驟s1包括：s11，根據(jù)所述實(shí)時(shí)圖像獲取背景圖像，并對(duì)所述實(shí)時(shí)圖像和所述背景圖像進(jìn)行預(yù)處理，獲取包含所述前景目標(biāo)的所述二值圖像；s12，對(duì)所述二值圖像進(jìn)行區(qū)域連通性分析，若存在連通面積大于預(yù)設(shè)閾值的連通區(qū)域，則判定所述連通區(qū)域?yàn)樗銮熬澳繕?biāo)的區(qū)域；s13，根據(jù)所述連通區(qū)域，獲取所述前景目標(biāo)的第一輪廓和所述第一輪廓的形心。

其中，所述步驟s2包括：s21建立所述實(shí)時(shí)圖像的混合高斯背景模型，并對(duì)所述混合高斯背景模型進(jìn)行高斯分布數(shù)目的自適應(yīng)調(diào)整和學(xué)習(xí)率的動(dòng)態(tài)設(shè)置；s22通過所述混合高斯背景模型獲取前景圖像，并通過封閉曲線勾畫所述前景圖像得到所述第二輪廓，并通過所述第二輪廓獲取所述第二輪廓的形心。

其中，所述步驟s11中的根據(jù)所述實(shí)時(shí)圖像獲取背景圖像包括：通過對(duì)連續(xù)多幀所述實(shí)時(shí)圖像求平均值獲取所述背景圖像，具體如下：

其中，k為所述連續(xù)多幀圖像的幀數(shù)，b0為所述背景圖像，fk為第k幀圖像。

其中，所述步驟s11中的對(duì)所述實(shí)時(shí)圖像和所述背景圖像進(jìn)行預(yù)處理，獲取包含前景目標(biāo)的所述二值圖像包括：對(duì)所述實(shí)時(shí)圖像和所述背景圖像進(jìn)行差分處理，獲取差分圖像；對(duì)所述差分圖像進(jìn)行二值化處理和形態(tài)學(xué)濾波處理，獲取所述二值圖像。

其中，所述步驟s21中的對(duì)所述混合高斯背景模型進(jìn)行高斯分布數(shù)目的自適應(yīng)調(diào)整包括：每隔預(yù)設(shè)幀數(shù)對(duì)多個(gè)高斯分布的權(quán)值進(jìn)行掃描，若所述權(quán)值中存在滿足下式的權(quán)值，則刪除所述權(quán)值對(duì)應(yīng)的高斯分布：

(wi，t＜w0)&&(w0/σ0)＜(wi，t/σi，t)

其中，wi，t為第i個(gè)高斯分布在t時(shí)刻的權(quán)值，σi，t為第i個(gè)高斯分布在t時(shí)刻的方差，w0為高斯分布的初始權(quán)值，σ0為初始方差。

其中，所述步驟s21中的對(duì)所述混合高斯背景模型進(jìn)行學(xué)習(xí)率的動(dòng)態(tài)設(shè)置包括：根據(jù)當(dāng)前相鄰兩幀的所述第一輪廓的形心之間的距離以及多個(gè)相鄰兩幀的所述第一輪廓的形心之間的距離的平均值對(duì)所述學(xué)習(xí)率進(jìn)行調(diào)整，具體如下：

當(dāng)時(shí)，取

當(dāng)時(shí)，取

當(dāng)δd＜dc＜2δd時(shí)，取

當(dāng)2δd＜dc＜3δd時(shí)，取

當(dāng)dc＜3δd時(shí)，取α3為前一幀的學(xué)習(xí)率；

其中，∈i為特定系數(shù)，i＝1，2，3，4；dc為所述當(dāng)前相鄰兩幀的第一輪廓的形心之間的距離；δd為k幀相鄰兩幀間的第一輪廓的形心距離的平均值；αi為所述學(xué)習(xí)率，i＝1，2，3，4，5。

其中，所述步驟s13包括：通過封閉曲線勾畫所述連通區(qū)域，所述封閉曲線圍成所述第一輪廓；根據(jù)所述第一輪廓上多點(diǎn)的坐標(biāo)值，獲取所述第一輪廓的形心，具體如下：

其中，(xc，yc)為所述形心的坐標(biāo)，(xi，yi)i＝1，2，…，n為所述第一輪廓上n個(gè)點(diǎn)的坐標(biāo)。

其中，所述相鄰兩幀的所述第一輪廓的形心之間的距離d為：

其中，(xc(k+1)，yc(k+1))為第k+1幀的第一輪廓的形心的坐標(biāo)，(xc(k)，yc(k)為第k幀的第一輪廓的形心的坐標(biāo)。

本發(fā)明另一方面提供一種提取生豬輪廓的系統(tǒng)，包括：第一獲取模塊，用于通過對(duì)實(shí)時(shí)圖像對(duì)應(yīng)的二值圖像進(jìn)行區(qū)域連通性分析，獲取所述前景目標(biāo)的第一輪廓和所述第一輪廓的形心；

第二獲取模塊，用于通過建立所述實(shí)時(shí)圖像的混合高斯背景模型，獲取所述前景目標(biāo)的第二輪廓和所述第二輪廓的形心；

修正模塊，用于根據(jù)所述第二輪廓對(duì)所述第一輪廓進(jìn)行修正，根據(jù)所述第二輪廓的形心對(duì)所述第一輪廓的形心進(jìn)行修正。

本發(fā)明提供的基于視頻的生豬檢測(cè)方法和系統(tǒng)，通過區(qū)域連通性分析和混合高斯背景模型，能夠提取完整、準(zhǔn)確的目標(biāo)生豬輪廓，獲取目標(biāo)生豬運(yùn)動(dòng)行為的視頻，為后續(xù)目標(biāo)生豬跟蹤和行為識(shí)別提供理論依據(jù)，還為規(guī)?；i養(yǎng)殖進(jìn)行實(shí)時(shí)監(jiān)控和分析提供有效解決方案。

附圖說明

為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作一簡(jiǎn)單地介紹，顯而易見地，下面描述中的附圖是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明實(shí)施例提供的提取生豬輪廓的方法的流程示意圖；

圖2為本發(fā)明實(shí)施例提供的提取生豬輪廓的系統(tǒng)的結(jié)構(gòu)示意圖。

具體實(shí)施方式

為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚地描述，顯然，所描述的實(shí)施例是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

本發(fā)明實(shí)施例提供的方法采用背景差分法實(shí)現(xiàn)目標(biāo)生豬輪廓的提取。背景差分法是目前運(yùn)動(dòng)檢測(cè)中常用的一種方法，它是利用當(dāng)前圖像與背景圖像的差分來檢測(cè)出運(yùn)動(dòng)區(qū)域的一種技術(shù)。

背景差分法首先選取背景中的一幅或幾幅圖像的平均作為背景圖像，然后把以后的序列圖像當(dāng)前幀和背景圖像相減，進(jìn)行背景消去。若所得到的像素?cái)?shù)大于某一閾值，則判定被監(jiān)控場(chǎng)景中有運(yùn)動(dòng)物體，從而得到運(yùn)動(dòng)目標(biāo)。

圖1為本發(fā)明實(shí)施例提供的提取生豬輪廓的方法的流程示意圖，如圖1所示，該方法包括：s1，通過對(duì)實(shí)時(shí)圖像對(duì)應(yīng)的二值圖像進(jìn)行區(qū)域連通性分析，獲取前景目標(biāo)的第一輪廓和所述第一輪廓的形心；s2，通過建立所述實(shí)時(shí)圖像的混合高斯背景模型，獲取所述前景目標(biāo)的第二輪廓和所述第二輪廓的形心；s3，根據(jù)所述第二輪廓對(duì)所述第一輪廓進(jìn)行修正，根據(jù)所述第二輪廓的形心對(duì)所述第一輪廓的形心進(jìn)行修正。

在步驟s1中，連通區(qū)域(connectedcomponent)一般是指圖像中具有相同像素值且位置相鄰的前景像素點(diǎn)組成的圖像區(qū)域(region，blob)。連通區(qū)域分析(connectedcomponentanalysis,connectedcomponentlabeling)是指將圖像中的各個(gè)連通區(qū)域找出并標(biāo)記。

具體地，可以首先在生豬養(yǎng)殖區(qū)域安裝攝像頭，通過該攝像頭對(duì)生豬養(yǎng)殖環(huán)境進(jìn)行監(jiān)控；攝像頭還與數(shù)據(jù)庫連接，可以將采集到的視頻實(shí)時(shí)地發(fā)送至數(shù)據(jù)庫。獲取實(shí)時(shí)圖像后，對(duì)該實(shí)時(shí)圖像進(jìn)行相應(yīng)地預(yù)處理，獲取對(duì)應(yīng)的二值圖像。通過區(qū)域連通性分析獲取目標(biāo)生豬的初次提取的輪廓，即第一輪廓及其形心。

在步驟s2中，混合高斯模型使用多個(gè)(基本為3到5個(gè))高斯模型來表征圖像中各個(gè)像素點(diǎn)的特征，在新一幀圖像獲得后更新混合高斯模型，用當(dāng)前圖像中的每個(gè)像素點(diǎn)與混合高斯模型匹配，如果成功則判定該點(diǎn)為背景點(diǎn)，否則為前景點(diǎn)。通過混合高斯模型可以分離實(shí)時(shí)圖像中的前景圖像和背景圖像，通過前景圖像獲取目標(biāo)生豬輪廓。具體地，可以通過建立混合高斯模型進(jìn)行二次檢測(cè)，獲得目標(biāo)生豬的第二輪廓及其形心。

在步驟s3中，由于初次檢測(cè)可能存在由于遮擋或者外界光線等問題造成的提取的輪廓不完整的問題，或者圖像中存在大量噪聲影響圖像效果。因此可以根據(jù)第二輪廓對(duì)第一輪廓進(jìn)行完善或補(bǔ)全。而由于第一輪廓存在的上述問題，因此第一輪廓的形心可能存在錯(cuò)誤，因此需要根據(jù)第二輪廓的形心對(duì)第一輪廓的形心進(jìn)行修正，例如可以取中間值或者加權(quán)獲得一個(gè)新的修正形心，從而提高檢測(cè)結(jié)果的準(zhǔn)確度。

本發(fā)明實(shí)施例提供的提取生豬輪廓的方法，通過區(qū)域連通性分析和混合高斯背景模型，能夠提取完整、準(zhǔn)確的目標(biāo)生豬輪廓，獲取目標(biāo)生豬運(yùn)動(dòng)行為的視頻，為后續(xù)目標(biāo)生豬跟蹤和行為識(shí)別提供理論依據(jù)，還為規(guī)?；i養(yǎng)殖進(jìn)行實(shí)時(shí)監(jiān)控和分析提供有效解決方案。

基于上述實(shí)施例，其中，所述步驟s1包括：s11，根據(jù)所述實(shí)時(shí)圖像獲取背景圖像，并對(duì)所述實(shí)時(shí)圖像和所述背景圖像進(jìn)行預(yù)處理，獲取包含所述前景目標(biāo)的所述二值圖像；s12，對(duì)所述二值圖像進(jìn)行區(qū)域連通性分析，若存在連通面積大于預(yù)設(shè)閾值的連通區(qū)域，則判定所述連通區(qū)域?yàn)樗銮熬澳繕?biāo)的區(qū)域；s13，根據(jù)所述連通區(qū)域，獲取所述前景目標(biāo)的第一輪廓和所述第一輪廓的形心。

在步驟s11中，獲取實(shí)時(shí)圖像后，對(duì)該實(shí)時(shí)圖像進(jìn)行相應(yīng)地預(yù)處理，獲取二值圖像。

在步驟s12中，對(duì)步驟s11中獲取的二值圖像進(jìn)行區(qū)域連通性分析。具體地，可以根據(jù)目標(biāo)生豬的特征預(yù)先設(shè)定一個(gè)閾值，當(dāng)二值圖像中存在連通面積大于所述預(yù)設(shè)閾值的連通區(qū)域時(shí)，可以判定該連通區(qū)域?yàn)榍熬澳繕?biāo)的區(qū)域。

在步驟s13中，根據(jù)步驟s12獲取的連通區(qū)域，提取連通區(qū)域的輪廓，該輪廓即為目標(biāo)生豬的輪廓，再進(jìn)一步獲取輪廓的形心。通過將每一幀圖像的輪廓提取出，即可以獲得目標(biāo)生豬的運(yùn)動(dòng)行為視頻。

基于上述實(shí)施例，其中，所述步驟s11中的根據(jù)所述實(shí)時(shí)圖像獲取背景圖像包括：通過對(duì)連續(xù)多幀所述實(shí)時(shí)圖像求平均值獲取所述背景圖像，具體如下：

其中，k為所述連續(xù)多幀圖像的幀數(shù)，b0為所述背景圖像，fk為第k幀圖像。背景圖像中每個(gè)像素點(diǎn)的灰度值為該像素點(diǎn)在第k幀圖像中灰度值的累加平均值。隨著k取值的增大，得到的背景估計(jì)值越接近實(shí)際值。

背景差分法通常選用視頻的第一幀作為背景圖像，然后將后面的每一幀與背景圖像做差分處理以檢測(cè)運(yùn)動(dòng)目標(biāo)。如果獲得的第一幀中就有運(yùn)動(dòng)目標(biāo)，那么該運(yùn)動(dòng)目標(biāo)就成為背景，而后面各幀中原位置上的背景卻將成為目標(biāo)被檢測(cè)出來。因此，為了獲取理想的背景圖像，本發(fā)明實(shí)施例采用多幀圖像統(tǒng)計(jì)求平均值的方法來獲取背景圖像，以此避免因第一幀中有運(yùn)動(dòng)目標(biāo)而導(dǎo)致檢測(cè)出錯(cuò)誤運(yùn)動(dòng)目標(biāo)的問題。

基于上述實(shí)施例，其中，所述步驟s11中的對(duì)所述實(shí)時(shí)圖像和所述背景圖像進(jìn)行預(yù)處理，獲取包含前景目標(biāo)的所述二值圖像包括：對(duì)所述實(shí)時(shí)圖像和所述背景圖像進(jìn)行差分處理，獲取差分圖像；對(duì)所述差分圖像進(jìn)行二值化處理和形態(tài)學(xué)濾波處理，獲取所述二值圖像。

首先根據(jù)背景圖像，對(duì)實(shí)時(shí)圖像進(jìn)行差分處理。即首先建立視頻場(chǎng)景的背景模型，將采集到的實(shí)時(shí)圖像與背景圖像進(jìn)行差分，得到差分圖像。

進(jìn)一步地，對(duì)差分圖像進(jìn)行二值化處理和形態(tài)學(xué)濾波處理。其中，圖像的二值化處理就是將圖像上的點(diǎn)的灰度值為0或255，也就是將整個(gè)圖像呈現(xiàn)出明顯的黑白效果。即將256個(gè)亮度等級(jí)的灰度圖像通過適當(dāng)?shù)拈撝颠x取而獲得仍然可以反映圖像整體和局部特征的二值圖像；形態(tài)學(xué)濾波處理是用于對(duì)二值圖像進(jìn)行圖像分割、細(xì)化、骨架抽取、邊緣提取和形狀分析，有利于改善二值圖像的分析質(zhì)量。

基于上述實(shí)施例，其中，所述步驟s13包括：通過封閉曲線勾畫所述連通區(qū)域，所述封閉曲線圍成所述第一輪廓；根據(jù)所述第一輪廓上多點(diǎn)的坐標(biāo)值，獲取所述第一輪廓的形心，具體如下：

其中，(xc，yc)為所述形心的坐標(biāo)，(xi，yi)i＝1，2，…，n為所述第一輪廓上n個(gè)點(diǎn)的坐標(biāo)。

具體地，為了獲取前景目標(biāo)的輪廓，即找到當(dāng)前視頻圖像幀中運(yùn)動(dòng)目標(biāo)的輪廓，可以采用一條封閉曲線將運(yùn)動(dòng)目標(biāo)勾畫出來，該封閉曲線即為前景目標(biāo)的輪廓。在提取目標(biāo)生豬的輪廓后，記錄該輪廓上每一點(diǎn)的坐標(biāo)，通過多個(gè)點(diǎn)的坐標(biāo)可以獲取該輪廓的形心。

基于上述實(shí)施例，其中，所述步驟s2包括：s21建立所述實(shí)時(shí)圖像的混合高斯背景模型，并對(duì)所述混合高斯背景模型進(jìn)行高斯分布數(shù)目的自適應(yīng)調(diào)整和學(xué)習(xí)率的動(dòng)態(tài)設(shè)置；s22通過所述混合高斯背景模型獲取前景圖像，并通過封閉曲線勾畫所述前景圖像得到所述第二輪廓，并通過所述第二輪廓獲取所述第二輪廓的形心。

在步驟s21中，混合高斯模型通常對(duì)所有像素對(duì)應(yīng)的高斯分布的數(shù)目都保持固定不變。但在實(shí)際高斯背景建模場(chǎng)景中，不同區(qū)域?qū)?yīng)場(chǎng)景的狀態(tài)變化是不同的。隨著場(chǎng)景的變化，同一區(qū)域的狀態(tài)個(gè)數(shù)也會(huì)改變。若對(duì)所有像素點(diǎn)都保持相同的模型個(gè)數(shù)，算法效率較低并且會(huì)造成大量的資源浪費(fèi)，實(shí)時(shí)性難以實(shí)現(xiàn)。因此需要在模型建立過程中對(duì)高斯分布數(shù)目進(jìn)行自適應(yīng)調(diào)整。

學(xué)習(xí)率反映當(dāng)前圖像融入背景的速率。但通?；旌细咚鼓Ｐ椭胁捎霉潭▽W(xué)習(xí)率，當(dāng)學(xué)習(xí)率與場(chǎng)景速度不匹配時(shí)，檢測(cè)結(jié)果會(huì)出現(xiàn)目標(biāo)漏檢以及鬼影現(xiàn)象。因此需要在模型建立過程中對(duì)學(xué)習(xí)率進(jìn)行動(dòng)態(tài)設(shè)置。

基于上述實(shí)施例，其中，所述步驟s21中的對(duì)所述混合高斯背景模型進(jìn)行高斯分布數(shù)目的自適應(yīng)調(diào)整包括：每隔預(yù)設(shè)幀數(shù)對(duì)多個(gè)高斯分布的權(quán)值進(jìn)行掃描，若所述權(quán)值中存在滿足下式的權(quán)值，則刪除所述權(quán)值對(duì)應(yīng)的高斯分布：

(wi，t＜w0)&&(w0/σ0)＜(wi，t/σi，t)；

其中，wi，t為第i個(gè)高斯分布在t時(shí)刻的權(quán)值，σi，t為第i個(gè)高斯分布在t時(shí)刻的方差，w0為高斯分布的初始權(quán)值，σ0為初始方差。

隨著時(shí)間變化，高斯混合模型中與場(chǎng)景匹配的高斯分布的權(quán)重逐漸變大；權(quán)值歸一化后，不匹配的高斯分布權(quán)值變小，權(quán)值與方差比值大的可以描述背景分布，比值小的可以描述前景分布。當(dāng)某個(gè)高斯分布的權(quán)重wi，t小于權(quán)值初始值w0時(shí)，且該高斯成分的wi，t/σi，t小于初始化時(shí)的w0/σ0時(shí)，該高斯分布將會(huì)被排在新的初始化的高斯分布之后。繼續(xù)保留該高斯分布，將使得再次出現(xiàn)與這個(gè)高斯分布匹配的場(chǎng)景時(shí)，利用該高斯分布學(xué)習(xí)此場(chǎng)景，比用一個(gè)新的高斯分布學(xué)習(xí)所花費(fèi)的時(shí)間更長(zhǎng)。這些多余的高斯分布，影響模型的學(xué)習(xí)收斂速度，同時(shí)消耗系統(tǒng)計(jì)算資源。因此對(duì)高斯分布的數(shù)目進(jìn)行自適應(yīng)調(diào)整能有效降低學(xué)習(xí)所花費(fèi)的時(shí)間，減少系統(tǒng)計(jì)算資源的消耗，提高實(shí)際計(jì)算效率。

基于上述實(shí)施例，其中，所述步驟s21中的對(duì)所述混合高斯背景模型進(jìn)行學(xué)習(xí)率的動(dòng)態(tài)設(shè)置包括：根據(jù)當(dāng)前相鄰兩幀的所述第一輪廓的形心之間的距離以及多個(gè)相鄰兩幀的所述第一輪廓的形心之間的距離的平均值對(duì)所述學(xué)習(xí)率進(jìn)行調(diào)整，具體如下：

當(dāng)時(shí)，取

當(dāng)時(shí)，取

當(dāng)δd＜dc＜2δd時(shí)，取

當(dāng)2δd＜dc＜3δd時(shí)，取

當(dāng)dc＜3δd時(shí)，取α5為前一幀的學(xué)習(xí)率；

其中，∈i為特定系數(shù)，i＝1，2，3，4；dc為所述當(dāng)前相鄰兩幀的第一輪廓的形心之間的距離；δd為k幀相鄰兩幀間的第一輪廓的形心距離的平均值；αi為所述學(xué)習(xí)率，i＝1，2，3，4，5。當(dāng)dc＞3δd，表示目標(biāo)生豬丟失，而由于兩幀間隔很小，因此可以采用上一幀的學(xué)習(xí)率。

混合高斯模型中，當(dāng)學(xué)習(xí)率取值過小，背景更新速度減慢，檢測(cè)結(jié)果會(huì)出現(xiàn)大量誤判點(diǎn)和鬼影；當(dāng)取值過大，模型更新速度過快，目標(biāo)容易融入背景，造成目標(biāo)漏檢。為了加速消除目標(biāo)漏檢點(diǎn)和鬼影，本發(fā)明實(shí)施例提出了自適應(yīng)學(xué)習(xí)率的策略，能根據(jù)運(yùn)算結(jié)果自動(dòng)選擇較合適的學(xué)習(xí)率，提高檢測(cè)精度。

基于上述實(shí)施例，其中，所述相鄰兩幀的所述第一輪廓的形心之間的距離d為：

其中，(xc(k+1)，yc(k+1))為第k+1幀的第一輪廓的形心的坐標(biāo)，(xc(k)，yc(k)為第k幀的第一輪廓的形心的坐標(biāo)。

通過本發(fā)明實(shí)施例提供的方法獲得目標(biāo)生豬的輪廓后，可以根據(jù)后期的需要(如智能投喂、物聯(lián)網(wǎng)監(jiān)控平臺(tái)、智能養(yǎng)殖數(shù)字化管理)對(duì)目標(biāo)生豬的其他特征進(jìn)一步獲取，例如生豬長(zhǎng)寬值、長(zhǎng)寬值比、目標(biāo)在視頻中的位置、速度、加速度、運(yùn)動(dòng)軌跡和紋理等特征。

圖2為本發(fā)明實(shí)施例提供的提取生豬輪廓的系統(tǒng)的結(jié)構(gòu)示意圖，如圖2所示，該系統(tǒng)包括：第一獲取模塊201，用于通過對(duì)實(shí)時(shí)圖像對(duì)應(yīng)的二值圖像進(jìn)行區(qū)域連通性分析，獲取前景目標(biāo)的第一輪廓和所述第一輪廓的形心；第二獲取模塊202，用于通過建立所述實(shí)時(shí)圖像的混合高斯背景模型，獲取所述前景目標(biāo)的第二輪廓和所述第二輪廓的形心；修正模塊203，用于根據(jù)所述第二輪廓對(duì)所述第一輪廓進(jìn)行修正，根據(jù)所述第二輪廓的形心對(duì)所述第一輪廓的形心進(jìn)行修正。

具體地，可以首先在生豬養(yǎng)殖區(qū)域安裝攝像頭，通過該攝像頭對(duì)生豬養(yǎng)殖環(huán)境進(jìn)行監(jiān)控；攝像頭還與第一獲取模塊201連接，第一獲取模塊201獲取實(shí)時(shí)圖像后，對(duì)該實(shí)時(shí)圖像進(jìn)行相應(yīng)地預(yù)處理，獲取對(duì)應(yīng)的二值圖像，進(jìn)一步通過區(qū)域連通性分析獲取目標(biāo)生豬的初次提取的輪廓，即第一輪廓及其形心。

混合高斯模型使用多個(gè)(基本為3到5個(gè))高斯模型來表征圖像中各個(gè)像素點(diǎn)的特征，在新一幀圖像獲得后更新混合高斯模型，用當(dāng)前圖像中的每個(gè)像素點(diǎn)與混合高斯模型匹配，如果成功則判定該點(diǎn)為背景點(diǎn)，否則為前景點(diǎn)。通過混合高斯模型可以分離實(shí)時(shí)圖像中的前景圖像和背景圖像，通過前景圖像獲取目標(biāo)生豬輪廓。具體地，第二獲取模塊202可以通過建立混合高斯模型對(duì)目標(biāo)生豬的輪廓進(jìn)行二次檢測(cè)，獲得目標(biāo)生豬的第二輪廓及其形心。

修正模塊203可以根據(jù)第二輪廓和第二輪廓的形心對(duì)初次檢測(cè)結(jié)果第一輪廓和第一輪廓的形心進(jìn)行修正，例如可以取中間值或者加權(quán)獲得一個(gè)新的修正輪廓和修正形心，從而提高檢測(cè)結(jié)果的準(zhǔn)確度。

本發(fā)明實(shí)施例提供的提取生豬輪廓的系統(tǒng)，通過區(qū)域連通性分析和混合高斯背景模型，能夠提取完整、準(zhǔn)確的目標(biāo)生豬輪廓，獲取目標(biāo)生豬運(yùn)動(dòng)行為的視頻，為后續(xù)目標(biāo)生豬跟蹤和行為識(shí)別提供理論依據(jù)，還為規(guī)?；i養(yǎng)殖進(jìn)行實(shí)時(shí)監(jiān)控和分析提供有效解決方案。

最后應(yīng)說明的是：以上實(shí)施例僅用以說明本發(fā)明的技術(shù)方案，而非對(duì)其限制；盡管參照前述實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：其依然可以對(duì)前述各實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或者對(duì)其中部分技術(shù)特征進(jìn)行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實(shí)施例技術(shù)方案的精神和范圍。