基于混合高斯模型融合背景減差的豬只運(yùn)動(dòng)跟蹤

王海濤，侯靜靜

(1.北京新立機(jī)械有限責(zé)任公司，北京 100039； 2.遠(yuǎn)光軟件股份有限公司，廣東 珠海 519085)

動(dòng)物的日常飲水、采食、排泄、休息等行為是判斷其健康與否的重要依據(jù)[1-2]。對(duì)動(dòng)物行為學(xué)，尤其是對(duì)豬的行為研究國(guó)外已取得了一定的進(jìn)展。Lind等[3]通過(guò)改進(jìn)的引入?yún)⒖紟淖詣?dòng)閾值檢測(cè)跟蹤算法，實(shí)現(xiàn)了在空曠環(huán)境下對(duì)小型豬的跟蹤。Ahrendt等[4]通過(guò)建立支持地圖片段來(lái)構(gòu)建單只豬的5D高斯模型，在一定程度上實(shí)現(xiàn)了短時(shí)間內(nèi)的3只豬的運(yùn)動(dòng)跟蹤。Cangar等[5]通過(guò)牛的體寬與長(zhǎng)度比、臀長(zhǎng)和背部區(qū)域，利用自動(dòng)實(shí)時(shí)檢測(cè)器對(duì)牛進(jìn)行行為跟蹤。Shao等[6]利用圖像特征的選擇、分析和圖像分類技術(shù)對(duì)運(yùn)動(dòng)豬只的溫度信息進(jìn)行提取，有效判斷豬的體溫狀態(tài)。Song等[7]通過(guò)機(jī)器視覺技術(shù)捕獲牛蹄位置的可能性，運(yùn)用自動(dòng)計(jì)算的牛蹄運(yùn)動(dòng)軌跡來(lái)有效預(yù)防牛的跛行。

豬的運(yùn)動(dòng)軌跡是對(duì)豬行為識(shí)別與分析的重要依據(jù)，可以通過(guò)機(jī)器視覺的方法對(duì)豬只進(jìn)行跟蹤，而記錄豬的運(yùn)動(dòng)軌跡。Cam-Shift算法、背景減差法、均值漂移法、光流法等目標(biāo)跟蹤算法對(duì)非剛性多目標(biāo)進(jìn)行實(shí)時(shí)跟蹤時(shí)容易發(fā)生跟蹤失敗或錯(cuò)誤跟蹤的情況。因此，本研究結(jié)合豬場(chǎng)現(xiàn)場(chǎng)環(huán)境，根據(jù)HSV顏色空間對(duì)光照不敏感、適用于顏色檢測(cè)與陰影消除的優(yōu)點(diǎn)，設(shè)計(jì)出一種設(shè)定豬耳色標(biāo)并結(jié)合混合高斯模型(GMM)融合背景差分法的多目標(biāo)豬只跟蹤方法，來(lái)進(jìn)行豬的運(yùn)動(dòng)跟蹤，為進(jìn)一步判斷豬只的健康水平提供依據(jù)。

1 混合高斯模型與背景差分相結(jié)合的豬只目標(biāo)檢測(cè)

1.1 混合高斯模型背景的建立

混合高斯模型是一種經(jīng)典的背景建模算法，適用于背景穩(wěn)定的運(yùn)動(dòng)目標(biāo)檢測(cè)。對(duì)于隨機(jī)變量x的觀測(cè)數(shù)據(jù)集{x1,x2,…,xN}，xt=(rt,gt,bt)為t時(shí)刻像素的樣本，則單個(gè)采樣點(diǎn)xt其服從的混合高斯分布概率密度函數(shù)[8]：

(1)

式(1)中，k為分布模式總數(shù)，取值為3～5；η(xt,ui,t,τi,t)為t時(shí)刻第i個(gè)高斯分布，ui,t為其均值，τi,t為其協(xié)方差矩陣，δi,t為方差；I為三維單位矩陣；wi,t為t時(shí)刻第i個(gè)高斯分布的權(quán)重。

按照公式(2)對(duì)每個(gè)像素值xt與k個(gè)模型進(jìn)行運(yùn)算比較，直到找到匹配該像素值的分布模型。如果所匹配的模型符合背景要求，則該像素屬于背景，否則屬于前景。

|Xt-μi,t-1|≤2.5σi,t-1。

(2)

各模式權(quán)值按式(3)更新，其中α是學(xué)習(xí)速率，若模式匹配Mk,t=1，不匹配Mk,t=0，最后歸一化各模式的權(quán)重。

wk,t=(1-α)wk,t-1+αMk,t。

(3)

未匹配模式的均值μ與標(biāo)準(zhǔn)差σ不變，匹配模式的參數(shù)公式如下：

ρ=αη(Xt|μk,σk)；

與依靠不斷開發(fā)自然資源來(lái)增加經(jīng)濟(jì)效益的傳統(tǒng)模式不同，循環(huán)經(jīng)濟(jì)是在依靠現(xiàn)有自然資源的基礎(chǔ)上，在利用資源的每一個(gè)步驟上都充分發(fā)揮資源的作用。循環(huán)經(jīng)濟(jì)把自然資源的開發(fā)、分解、消化作為一個(gè)循環(huán)的過(guò)程，使自然資源與生態(tài)系統(tǒng)有機(jī)的結(jié)合，每一個(gè)環(huán)節(jié)都能得到相應(yīng)的經(jīng)濟(jì)效益。循環(huán)經(jīng)濟(jì)的特點(diǎn)是低污染、高利用、可持續(xù)發(fā)展[1]。

(4)

μt=(1-ρ)μt-1+ρXt；

(5)

(6)

各模式根據(jù)w/α2值進(jìn)行降序排列，標(biāo)準(zhǔn)差小，權(quán)重大的模式排列靠前，選取權(quán)重最大的前B個(gè)模式作為背景，B滿足式(7)，其中T為背景像素所占比例。

(7)

式(7)中，T取值為0.85。若T如果選擇一個(gè)大值，需用多個(gè)高斯分布共同描述背景；若T取一個(gè)較小值，則可用一個(gè)高斯分布描述背景。

經(jīng)典混合高斯模型在初始化過(guò)程中，初期用于背景建模的數(shù)據(jù)較少，會(huì)使一些前景像素值的初始權(quán)重過(guò)大，導(dǎo)致被錯(cuò)誤的判斷為背景像素。當(dāng)背景確定后，由于更新速率較小，被誤判為背景的像素需要很長(zhǎng)時(shí)間才能從背景中剔除，同時(shí)，如果目標(biāo)長(zhǎng)時(shí)間靜止，則會(huì)將其判斷為背景，造成目標(biāo)丟失的情況。

圖1為高斯混合模型檢測(cè)結(jié)果。如圖所示，當(dāng)豬只目標(biāo)長(zhǎng)時(shí)間站立不動(dòng)時(shí)，會(huì)被判斷為背景，導(dǎo)致豬目標(biāo)丟失。因此，需要其他的方法對(duì)混合高斯模型的缺陷進(jìn)行彌補(bǔ)。針對(duì)豬只目標(biāo)經(jīng)常靜止不動(dòng)的特點(diǎn)，本研究提出混合高斯模型融合背景差分的方法進(jìn)行背景建模來(lái)解決這一問(wèn)題。

圖1 高斯混合模型的檢測(cè)

1.2 融入背景差分法的豬目標(biāo)檢測(cè)

背景差分法是一種傳統(tǒng)的運(yùn)動(dòng)目標(biāo)檢測(cè)方法。首先選取一張背景圖像，再將當(dāng)前幀的圖像與背景圖像做差，所得到的像素差值和已經(jīng)設(shè)定好的閾值相比較，如果像素差大于設(shè)定的閾值，則當(dāng)前像素值被判斷為前景像素即運(yùn)動(dòng)目標(biāo)，否則為背景像素。運(yùn)算公式如下：

d(x,y,t)=I(x,y,t)-b(x,y,t)+n(x,y,t)。

(8)

式(8)中，d(x,y,t)為差分圖像，I(x,y,t)為當(dāng)前圖像，b(x,y,t)為所選背景圖像，n(x,y,t)為噪聲。為了得到正確的運(yùn)動(dòng)目標(biāo)，需進(jìn)一步處理，最常用的方法為閾值分割算法[9]，式中T為閾值。

(9)

圖2為豬目標(biāo)靜止不動(dòng)時(shí)利用背景差分法檢測(cè)出的二值圖像。由圖所示，檢測(cè)圖的噪聲點(diǎn)較多，受光照影響較大，隨著一天內(nèi)時(shí)間的不斷變化，豬舍的光照情況也會(huì)不斷改變。因此，應(yīng)采用隨時(shí)間不斷更新差分背景的手段，實(shí)現(xiàn)對(duì)豬舍背景的實(shí)時(shí)更新，以減少光照變化對(duì)檢測(cè)結(jié)果的影響。

圖2 背景差分法檢測(cè)靜止不動(dòng)豬目標(biāo)

1.3 二值檢測(cè)圖像處理

由圖1和圖2的檢測(cè)結(jié)果圖像可以看出，2種方法檢測(cè)出的豬目標(biāo)二值圖像都存在一定的噪聲與空洞，因此，有必要對(duì)結(jié)果圖像進(jìn)行處理。本研究采用高斯濾波、中值濾波和形態(tài)學(xué)膨脹與腐蝕的方法對(duì)二值圖像進(jìn)行濾波處理，以得到較為清晰完整的豬目標(biāo)圖像，具體流程見圖3，高斯混合模型二值圖像濾波處理圖見圖4，背景減差法二值圖像濾波處理圖見圖5。

圖3 二值圖像處理的流程

圖4 高斯混合模型二值圖像的濾波處理

圖5 背景減差法二值圖像的濾波處理

1.4 背景差分檢測(cè)補(bǔ)償

由于豬舍是一個(gè)相對(duì)封閉的環(huán)境，豬目標(biāo)的總數(shù)是常量值，因此，豬目標(biāo)的二值檢測(cè)圖中像素點(diǎn)為1的個(gè)數(shù)，即白色區(qū)域的總面積大小不會(huì)發(fā)生較大突變。豬目標(biāo)靜止時(shí)，混合高斯模型學(xué)習(xí)背景是一個(gè)漸變的過(guò)程，因此，可以設(shè)定一個(gè)閾值S用以判斷濾波處理后的二值圖像中像素點(diǎn)為1的總個(gè)數(shù)M是否過(guò)少。若M

2 HSV顏色空間下的陰影消除與豬耳色標(biāo)檢測(cè)

圖像處理領(lǐng)域常用的顏色空間一般有RGB、HSV、HSI、CMY等，其中與人類視覺感知最相近的是HSV顏色空間，同時(shí)其空間距離也符合人眼的感知特性，比較直觀[10-11]。HSV顏色空間對(duì)光照等影響的抗干擾能力強(qiáng)，適合用于對(duì)有一定光線變化的視頻圖像進(jìn)行處理的情況。因此，本研究中對(duì)豬目標(biāo)二值檢測(cè)圖的陰影消除與豬耳色標(biāo)的檢測(cè)均在HSV顏色空間下進(jìn)行。

2.1 HSV顏色空間下的陰影判別與消除

在光照較強(qiáng)的情況下，背景減差法檢測(cè)出的豬目標(biāo)會(huì)包含其自身的陰影，為了在一定程度上提高跟蹤的準(zhǔn)確率，需要將陰影進(jìn)行消除。根據(jù)HSV顏色空間亮度(V值)變化較大時(shí)，而色度信號(hào)(H值)變化不大的特性，利用如下算法進(jìn)行陰影的消除[12]：

(10)

式(10)中，TH、TS為色度、色彩的閾值。陰影點(diǎn)的V值總是小于非陰影對(duì)應(yīng)點(diǎn)的V值，所以γ取值小于1，而β的取值則考慮當(dāng)前光照的強(qiáng)弱，光照條件越強(qiáng)陰影越明顯，β取值越小。針對(duì)不同的情況，TH、TS取值不同，具體取值需要根據(jù)實(shí)驗(yàn)來(lái)確定。

2.2 HSV顏色空間下豬耳色標(biāo)檢測(cè)

真實(shí)豬舍場(chǎng)景中往往同時(shí)存在2只以上的豬目標(biāo)，而傳統(tǒng)跟蹤方法在多目標(biāo)互相交錯(cuò)、靠近后分離等運(yùn)動(dòng)情況發(fā)生時(shí)，經(jīng)常發(fā)生目標(biāo)跟蹤錯(cuò)誤的情況。為了解決這一問(wèn)題，為豬目標(biāo)設(shè)定不同的顏色色標(biāo)，設(shè)定部位為豬右耳耳背。在HSV顏色空間下設(shè)定特定顏色的上下限閾值以檢測(cè)出顏色色標(biāo)，將色標(biāo)所在區(qū)域定為種子區(qū)域，用滿水填充法[13]來(lái)填充與種子區(qū)域連通的二值區(qū)域，完成色標(biāo)與特定豬目標(biāo)二值檢測(cè)圖像的對(duì)應(yīng)，在一定程度上解決了多個(gè)豬目標(biāo)交錯(cuò)或靠近后分離運(yùn)動(dòng)造成的跟蹤錯(cuò)誤的情況，圖6為HSV顏色空間下對(duì)豬耳色標(biāo)的檢測(cè)及滿水填充法效果圖。

3 結(jié)果與分析

采用?？低旸S-2DE5220IW球機(jī)拍攝的視頻作為原始視頻，分辨率為1 920×1 080，實(shí)驗(yàn)豬目標(biāo)數(shù)量為2只，豬耳色標(biāo)設(shè)定為紅色和綠色，經(jīng)查閱HSV顏色空間表，將紅色分量的HSV閾值范圍設(shè)為：H(156，180)，S(43，255)，V(46，255)；將綠色分量的HSV閾值范圍設(shè)為：H(35，77)，S(43，255)，V(46，255)。使用不同顏色的矩形框?qū)Ω櫟牟煌i目標(biāo)進(jìn)行定位(圖7)，并與經(jīng)典的Cam-Shift運(yùn)動(dòng)目標(biāo)檢測(cè)算法(圖8)進(jìn)行對(duì)比。

圖7 基于混合高斯模型融合背景減差的 豬只運(yùn)動(dòng)跟蹤

圖8 經(jīng)典Cam-Shift豬只運(yùn)動(dòng)跟蹤

經(jīng)典Cam-Shift在多數(shù)情況下也能較好的對(duì)豬目標(biāo)進(jìn)行跟蹤，但是會(huì)出現(xiàn)運(yùn)動(dòng)目標(biāo)與背景分割不完整、多目標(biāo)接近時(shí)誤檢測(cè)為1個(gè)目標(biāo)等情況，影響跟蹤精度，不能完整的反映豬的運(yùn)動(dòng)狀態(tài)和運(yùn)動(dòng)軌跡，而本文的算法則較好的解決了上述問(wèn)題，跟蹤精度較高。

4 小結(jié)

本文提出了混合高斯模型與背景減差法相結(jié)合對(duì)豬目標(biāo)進(jìn)行跟蹤的方法，并利用HSV顏色空間的特性，對(duì)豬目標(biāo)在較強(qiáng)光線下產(chǎn)生的陰影予以消除，提高了跟蹤的精確度，用設(shè)定豬耳色標(biāo)的方式在一定程度上解決多個(gè)豬目標(biāo)交錯(cuò)及相互靠近后分離運(yùn)動(dòng)時(shí)易產(chǎn)生的跟蹤錯(cuò)誤和丟失跟蹤目標(biāo)的問(wèn)題。經(jīng)試驗(yàn)后跟蹤效果良好，為豬只監(jiān)控打下了堅(jiān)實(shí)的基礎(chǔ)，為豬只的健康研究提供了依據(jù)。