基于改進(jìn)粒子濾波算法的農(nóng)業(yè)物聯(lián)網(wǎng)養(yǎng)殖跟蹤研究

陳勇 孫娟

（鹽城生物工程高等職業(yè)技術(shù)學(xué)校，江蘇 鹽城 224051）

由于豬是一種社會(huì)性動(dòng)物，豬通過打架來分出社會(huì)地位，由于豬只運(yùn)動(dòng)的復(fù)雜性，普通的車輛跟蹤算法無法對(duì)多豬只進(jìn)行軌跡跟蹤，本文從豬只檢測(cè)和豬只跟蹤兩方面進(jìn)性改進(jìn)，一方面利用圖像信息融合算法實(shí)現(xiàn)了豬只的精確檢測(cè)，另一方面利用重樣性粒子濾波的序列化對(duì)豬只的運(yùn)動(dòng)軌跡進(jìn)性跟蹤，解決了豬只重疊等問題。

1 結(jié)合粒子濾波的豬只跟蹤算法

將粒子濾波器根據(jù)當(dāng)前位置預(yù)測(cè)下一位置的結(jié)果，來修正豬只跟蹤時(shí)兩頭豬因?yàn)榫嚯x太近而跟蹤失敗的問題和兩只豬交錯(cuò)跟蹤的問題。

1.1 粒子濾波算法[3-4]

假設(shè)D為n維空間Rn的一個(gè)子集，p（x）是概率密度函數(shù)，則p（x）滿足∫RnP（x）dx=1且p（x）≥0定義：

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

假設(shè)后驗(yàn)概率密度為p（x0:k|z1:k），其轉(zhuǎn)態(tài)序列為x0，x1，x2…xk，記為x0:k，對(duì)應(yīng)數(shù)學(xué)期望[5]：

式（4）中g(shù)（x0:k）為x0:k對(duì)應(yīng)的數(shù)學(xué)期望，期望的估計(jì)值為：

1.2 引入重要性采樣的粒子濾波

由于p（x0:k|z1:k）的存在，人們往往無法在實(shí)際中應(yīng)用。為了解決這一問題，引入重要性采樣函數(shù)，q（x0:k|z1:k）然后進(jìn)行相應(yīng)的粒子濾波[6-7]。

因此期望公式可表示為：

1.3 對(duì)重要性采樣粒子濾波結(jié)果的序列化

序列化粒子濾波的原理是基于狀態(tài)獨(dú)立性的假設(shè)，即任意狀態(tài)之間互相獨(dú)立。根據(jù)重要性權(quán)重的計(jì)算公式[8-9]結(jié)合遞歸的方法，進(jìn)行如下計(jì)算：

定義如下的遞歸計(jì)算形式：

可以得出:

1.4 實(shí)驗(yàn)與結(jié)果

我們?cè)趍atlab上進(jìn)性了驗(yàn)證性實(shí)驗(yàn)，并導(dǎo)出相關(guān)處理結(jié)果，圖1為提取的視頻圖像中第12幀、21幀、34幀、67幀的圖片，圖2為高斯混合建模檢測(cè)結(jié)果，豬的部分形狀存在缺失現(xiàn)象，原因是豬存在運(yùn)動(dòng)緩慢或者靜止現(xiàn)象。

圖1 豬只養(yǎng)殖原始圖像

圖2 高斯混合建模處理結(jié)果

圖3為均值分割算法的結(jié)果，很明顯檢測(cè)精確度不高。圖4經(jīng)過信息融合的結(jié)果?？梢钥闯鼋?jīng)過改進(jìn)，起到很好的目標(biāo)檢測(cè)效果，改進(jìn)的算法具備很好的檢測(cè)效果。

圖3 均值分割算法處理結(jié)果

圖4 二者信息融合的處理結(jié)果

2 結(jié)論

隨著農(nóng)業(yè)信息化不斷地發(fā)展，智能化養(yǎng)殖是養(yǎng)殖產(chǎn)業(yè)轉(zhuǎn)型升級(jí)的推進(jìn)器，本研究主要針對(duì)豬的運(yùn)動(dòng)軌跡跟蹤展開，在精確提取目標(biāo)的前提下，我們針對(duì)豬只重疊的情況進(jìn)行運(yùn)動(dòng)跟蹤。發(fā)現(xiàn)傳統(tǒng)粒子濾波算法并不能解決該問題，但是我們對(duì)重要性粒子濾波結(jié)果進(jìn)行序列化，并將其結(jié)果利用kNN算法進(jìn)行軌跡跟蹤，最后通過matlab進(jìn)行了處理實(shí)驗(yàn)，實(shí)驗(yàn)中的跟蹤結(jié)果圖可以看出，算法真實(shí)有效，可以完成多豬只的跟蹤任務(wù)。