基于曲率特征猪腹式呼吸运动波形图建模方法

谢海员，纪　滨，胡宏智，杨盼盼，申元霞

（安徽工业大学 计算机科学与技术学院，安徽 马鞍山243032）

基于曲率特征猪腹式呼吸运动波形图建模方法

谢海员，纪滨，胡宏智，杨盼盼，申元霞

（安徽工业大学 计算机科学与技术学院，安徽 马鞍山243032）

为了实现视频中生猪腹式呼吸运动信息的波形图量化，研究了应用脊部轮廓最大曲率半径描述子（MCRD）表达猪腹式呼吸运动波形图的计算机视觉建模方法。以预处理后的生猪轮廓图为供试材料，为获取有效的猪体脊部轮廓段，基于包络分析提出了猪腿轮廓与躯干轮廓分界点的识别算法，提取有效脊部轮廓段的最大曲率半径，由视频段每帧MCRD构建波形图模型。可信的波形图取决于有效的描述子参数，试验显示有效的MCRD，猪轮廓外接矩形高宽比 （DWR）适应范围在 0.4～0.9之间，而受制于身体侧视图展示角度的影响，有效的脊腹轮廓截距描述子（RACID）对应合适的DWR范围仅在0.6～0.9之间。对于三段完整腹式呼吸运动视频中生猪呼吸频率的统计，以人工目测结果为参考指标，机器检测结果与参考值的相对误差为0%、3.09%、3.76%，平均相对误差为2.28%，且同一人目测和不同两人之间目测结果存在差异，而机器检测结果一致。35辑猪腹式呼吸视频能自动检测出33辑，识别精度为94.3%。该方法能有效构造猪腹式呼吸运动波形图模型，有望为智能监控中腹式呼吸预警提供潜在技术支持。

生猪；腹式呼吸运动；最大曲率半径描述子；波形图模型；包络线

目前，猪病是制约养猪业高效高产的主要问题，呼吸急促是生猪发病的常见症状，表现为呆立式腹式呼吸运动，脊腹波动明显，可作为日常疫情监测的预警依据［1］。传统呼吸急促症状观测方法是人工观察特定时间段内猪身脊腹部分的起伏次数，此种方法工作强度大，且主观性强、精度低，易出现错误遗漏，而利用视频进行智能监控，可降低工作强度，减少生猪的应激反应，为养猪场自动化、智能化管理提供有利条件［2-3］。但是，呼吸急促智能监控的关键技术在于生猪腹式呼吸运动信息模型构建方法，因此，如何构造腹式呼吸运动信息模型成为猪场智能监控需解决的关键问题。

随着对动物福利的日益关注，国内外学者对动物行为信息特征开展了研究［4］。国外对动物个体信息监测技术的研究起步较早，取得了较多的成果［5-6］，如Cornou利用电子饲喂系统采集母猪饮食量和活动行为检测母猪发情和跛腿等情况［7］；Mainau E等研究了猪的位置［8］和行走轨迹［9］。国内学者对动物智能监控的研究处于探索阶段，主要成果是对猪体信息的自动检测方法研究［10-11］，而关于猪腹式呼吸运动信息建模方法，前期本课题组以截距特征构造了RACID作为度量脊腹轮廓波动的指标构建量化猪腹式呼吸波形图模型［12］，但摄像头采集猪体侧面轮廓的角度存在差异，所提取的RACID很难保证在脊腹线之间，特定角度下过质心的截距会贯穿到蹄部，无法建立正确的呼吸运动波形图模型，因此，此方法存在应用局限性。进一步研究发现腹式呼吸运动时猪腿脊腹轮廓段曲率会出现显著变化，因此，笔者提出应用脊部轮廓最大曲率半径描述子（MCRD）作为新特征变量构造生猪腹式呼吸运动波形图模型。

1　材料与方法

1.1视频采集及处理

该试验选取的生猪月龄为4个月，品种为育肥期长白猪，视频于2014年6月期间白天条件下，摄于安徽浩翔农牧有限公司规模养猪场，视频文件为AVI格式，视频分辨率为640像素×320像素，帧速为20帧/s，试验截取每辑腹式呼吸完整视频时长约5～8 s。试验涉及方法均在Intel Core CPU 2.5 GHz，内存2G的计算机上的Matlab2008a平台中编程实现。对视频逐帧预处理后，利用背景差提取目标图像［13］，利用水平集方法快速提取生猪轮廓［14］作为测试素材。

1.2猪体脊部轮廓的获取

根据前期研究，猪体有效脊部轮廓的获取是构造腹式呼吸运动模型的基础，因此，有必要识别出有效脊部轮廓段。包络线实质是包括图像轮廓所有像素点的面积最小凸多边形［15］，笔者通过改进的包络算法，寻找腿部轮廓与胸腹部轮廓的分界点，获取分界点所在竖直线与脊部轮廓的交点，便得到了有效脊部轮廓段。为了提高算法效率，文中只对包含腿部的生猪下半部轮廓进行包络分析，下半部轮廓为猪轮廓质心以下的轮廓。质心位置的计算方法见文献［12］。在遍历生猪下部轮廓过程中构建包络线顶点集合BVER=｛ver1，ver2，ver3，…｝，如图1所示的虚线所示即为包络线。

图1　脊部轮廓段识别示意图

遍历生猪下部轮廓算法为：（1）确定起始顶点ver：搜索下半部轮廓线上位置最低且最左边的像素点作为起始顶点；（2）判断该点是否为下半部轮廓线最左点，是就停止计算，转（3），否则，以起始顶点为基准点向左搜索，每个搜索点与基准点所在直线与竖直线形成夹角θ，则最大夹角θmax对应的搜索点即为包络线的下一顶点，并以此新顶点作为基准点返回（2）；（3）以起始顶点为基准点判断该点是否为下半部轮廓线最右点，是就停止计算，输出所有包络线顶点，否则，向右搜索包络线的下一个顶点，并以此新顶点作为基准点返回（3）。

假设侧视图去除的腿部轮廓只需要寻找2个分界点，为即将删除猪前后腿部轮廓的起始点，即下半轮廓线上到包络线距离最大的点D和E。实现步骤为：

（1）计算BVER中相邻顶点的线段长度l，求其中最长的2个线段，图1中的AB和BC，构建直线方程

式（1）中l（i，j）为相邻两顶点线段长度，（xi，yi），（xj，yj）为相邻两顶点坐标，i，j为1，2，3，…。

图像坐标平面下直线方程的一般式为

式（2）中，-a/b表示直线斜率，-c表示纵轴截距。由于线段两端点坐标已知，可求出具体的a，b，c值。

（2）寻找腿部轮廓分割线的分界点。在两个包络线段对应的下半轮廓线区间上分别寻找到包络线直线方程的距离d最大的点，所求即为D和E点

（3）过识别点D和E作竖直线与脊部轮廓的交点分别为M、N，则MN间的脊部轮廓段为有效的脊部轮廓段。

1.3猪腹式呼吸运动波形图模型

构建生猪腹式呼吸运动模型的关键是选取合适特征参数来有效描述腹式呼吸运动状态的变化过程。根据课题组对生猪呼吸异常视频的研究，发现喘气病猪行动呆滞迟缓，站立腹式呼吸运动时，猪体脊部轮廓弯曲缩放明显（如图2所示），可以将脊部轮廓最大曲率半径MCR作为腹式呼吸运动的特征参数［16］。

提取脊部轮廓段曲率半径的算法如下：将脊部轮廓段每个像素点及其左右相邻h长度的像素点构成的轮廓线近似为一段圆弧，使用最小二乘拟合圆的方法得出圆的半径r，将此半径值近似为曲率半径R，遍历脊部轮廓段并计算出每点的曲率半径值，则所有像素点曲率半径的最大值Rmax即为脊部轮廓最大曲率半径MCR。

因此，对于猪体的腹式呼吸运动行为，可用腹部轮廓最大曲率来刻画运动过程。截取生猪腹式呼吸视频段，处理后得到每帧的猪体腹部轮廓平均曲率MCR（t），t为描述时间的帧序列号，以此构建视频段中猪腹式呼吸运动波形图模型，如图3所示。

图2　轮廓波动变化示意图

观察发现，MCR（t）在t轴方向上不断进行着近似周期规律性的连续升降变化，与生猪腹式呼吸的呼吸急促特征相吻合，这种升降变化快慢表征着猪腹式呼吸频率的大小。因此，可通过统计检测到的图中局部最大值点的个数n，来计算呼吸频率f

式中T为视频段的时长。

图3　腹式呼吸运动Acur波形图

2　结果与分析

2.1MCRD与RACID的比较

由于猪体脊部有效轮廓段的形状受猪的身体展示角度影响，而展示角度可用猪体轮廓的最小外接矩形来衡量，将此矩形的宽度高度值作为横纵坐标来刻画一质点，将此质点记为中心点，由中心点的变化来描述猪身体展示角度的变化。当猪处于腹式呼吸运动状态时，猪体轮廓质心和中心点都在一极小邻域圆内发生变动，而质心和中心点的位置变化决定了RACID和MCRD特征变量的稳定性，试验证实腹式呼吸视频序列中中心点的位置相较猪体轮廓质心位置分布更有规律，变化范围更小 （如图4所示），说明 MCRD相比RACID的稳定性更好。

采用前期研究的成果，猪轮廓外接矩形高宽比选择在 0.4～0.9之间的图像，验证MCRD方法有效性，该研究随机采集了视场中不同位置和角度的12幅不同猪体的图像，提取有效脊部轮廓段的MCRD。如图5所示试验中的2幅侧视图，图5（a）的RACID已经失效，表明RACID受制于身体侧视图展示角度的影响，但是图5（b）表明MCRD仍然有效。试验表明猪轮廓外接矩形高宽比在0.6～0.9范围构建RACID会失效，而猪轮廓外接矩形高宽比在 0.4～0.9之间均能构建MCRD，这说明在单摄像头应用环境下，相比于RACID，文中构建的MCRD更具备优势。

2.2腹式呼吸运动波形图的小波降噪

由于构造波动图模型过程中不可避免地存在噪声干扰，图中往往出现毛刺现象，表现为微小波动干扰，影响局部最大值个数统计，降低猪腹式呼吸频率计算的准确性，因此，有必要对波形图进行降噪处理。

小波分析是近年发展兴起的且被科研实践所证实的一种有效的工具性方法，小波变换具有时频局部化和自适应性，能有效刻画突变信号的非平稳特征。由于文中波形图存在突变的情况且要刻画的是局部峰点值，所以采用小波分析来降噪是可行的。文中采用DB3小波对波形图信号进行离散小波变换，做2层小波分解，降噪的效果图如图6所示，对比图3，可看出降噪后的波形图更为平滑，毛刺干扰现象大大减少，可提高猪腹式呼吸频率计算的准确度。

图4　质心和圆心横坐标位置变动

图5　MCRD与RACID的比较试验

图6　波形图的小波降噪效果图

2.3腹式呼吸运动模型的验证

截取完整腹式呼吸阶段的三辑生猪视频段，编号1、2、3，视频时长为6 s、7 s、7 s，选取两名经验丰富训练有素的兽医（编号1、2）通过目测视频计算出生猪呼吸频率，为了避免先验知识和心里暗示对试验结果的影响，要求随机选取三段视频的任意一辑，各自独立计算3次。再由文中方法计算出所有视频中生猪的呼吸频率，为了排除试验结果的偶然性，每辑视频均需处理3次。结果见表1。

表1　生猪呼吸频次测试结果

表1结果显示，三段视频经人工计算出的生猪呼吸频率为80、97、159.5次·min-1，而由机器检测出的呼吸频率为80、94、154次·min-1，以人工方法结果为参考指标，机器检测结果与参考值的相对误差为0%、3.09%、3.76%，平均相对误差为2.28%，说明两种方法结果是高度一致的，文中方法是有效准确的；进一步分析发现不同人对同一视频及同一人对同一视频的计算结果存在差异，而由机器检测多次的结果相同，表明人工方法会出现失误现象，而机器检测结果较稳定。

试验截取含腹式呼吸的猪视频为35辑，能自动检测出33辑，识别精度为94.3%。因此，由机器自动检测视频中猪呼吸频率的方法有潜在应用价值。在实际监控过程中，根据视频检测出的猪呼吸频率，能反映生猪的呼吸异常程度，可作为兽医诊断病情的参考指标。测试过程中发现个别腹式呼吸波形图仍存在较强噪声干扰，采用小波降噪不再合适，由于生猪呼吸频次属于低频信号，可望通过傅里叶快速变换将信号转到频域中，过滤噪声频率，可得到平稳的呼吸频率信息，这将在以后进一步深入研究。

3　结语

（1）利用计算机视觉对家畜行为的视频信息进行量化，是现代农业信息发展的需要。该研究针对单头生猪的呼吸急促视频，利用猪腹式呼吸脊腹部轮廓线变化显著的习性特点，提出基于MCRD构建一维波形图模型；（2）试验表明，猪轮廓外接矩形高宽比在 0.4～0.9之间均能构建MCRD，而猪轮廓外接矩形高宽比在0.6～0.9范围，RACID受制于身体侧视图展示角度的影响而失效，因此，在单摄像头应用环境下，相比于RACID，文中构建的MCRD更具备优势；（3）为了尽可能使波形图中局部峰值点的统计个数接近真实值，文中提出了腹式呼吸运动波形图的小波降噪方法，实验证明此方法能有效消除波形图中的毛刺，有利于提高猪腹式呼吸频率计算的准确性；（4）35段生猪腹式呼吸运动视频的自动检测识别率为94.3%，且对同一段视频呼吸频次计算试验表明，机器检测较人工目测的结果更稳定，而个别波形图出现噪声波形值得进一步深入研究。总之，文中所提方法能用于连续监测、量化养殖场猪的呼吸急促状态，并且可以保留住腹式呼吸运动波形图信息，对具有呼吸急促疑似病猪自动监控预警及日后供兽医诊断，具有技术基础上的适用意义。

［1］STRAW B E，TAYLOR D J.Diseases of Swine［M］.9th ed.Oxford：Blackwell Publishing Ltd，2006.

［2］闫震，钱东平，王东平，等.奶牛体型评定三维图像同步采集系统［J］.农业机械学报，2009，40（2）：176-179.

［3］郭浩，马钦，张胜利，等.基于三维重建的动物体尺获取原型系统［J］.农业机械学报，2014，45（5）：227-232.

［4］陆明洲，沈明霞，丁永前，等.畜牧信息智能监测研究进展［J］.中国农业科学，2012，45（14）：2939-2947.

［5］CANGAR O，LEROY T，GUARINO M，et al.Automatic real-time monitoring of locomotion and posture behaviour of pregnant cows prior to calving using online image analysis［J］.Computers and Electronics in Agriculture，2008，64（1）：53-60.

［6］AHRENDT P，GREGERSEN T，HENRIK K.Development of a real-time computer vision system for tracking loose-housed pigs［J］.Computers and Electronics in Agriculture，2011，76（2）：169-174.

［7］CORNOU C，VINTHER J，KRISTENSEN R A.Automatic detection of oestrus and health disorders using data from electronic sow feeders［J］.Livestock Science，2008，118：262-271.

［8］MAINAU E，DALMAU A，RUIZ-DE-LA-TORRE J L，et al.Validation of an automatic system to detect position changes in puerperal sows［J］.Applied Animal Behaviour Science.2009，121（2）：96-102.

［9］LIND N M，VINTHER M，HEMMINGSEN R P，et al.Validation of a digital video tracking system for recording pig locomotor behaviour［J］.Journal of Neuroscience Methods.2005，143（2）：123-132.

［10］刘龙申，沈明霞，柏广宇，等.基于机器视觉的母猪分娩检测方法研究［J］.农业机械学报，2014，45（3）：237-242.

［11］刘同海，李卓，腾光辉，等.基于RBF神经网络的种猪体重预测［J］.农业机械学报，2013，44（8）：245-249.

［12］纪滨，朱伟兴，刘波，等.基于脊腹线波动的猪呼吸急促症状视频分析［J］.农业工程学报，2011，27（1）：191-195.

［13］刘鑫，刘辉，强振平，等.混合高斯模型和帧间差分相融合的自适应背景模型［J］.中国图象图形学报，2008，13（4）：729-734.

［14］龚永义，罗笑南，黄辉，等.基于单水平集的多目标轮廓提取［J］.计算机学报，2007，30（1）：120-128.

［15］江杰，周丽娜，李刚.基于机器视觉的羊体体尺测量［J］.计算机应用，2014，34（3）：846-850，887.

［16］张敏，张恒义，郑筱祥，等.基于轮廓曲率和谱系聚类的大鼠体态自动识别［J］.浙江大学学报（工学版），2006，40（3）：524-527.

责任编辑：艾淑艳

A waveform model based on curvature radius for swine's abdominal breathing

XIE Haiyuan，JI Bin，HU Hongzhi，YANG Panpan，SHEN Yuanxia
（School of Computer Science and Technology，Anhui University of Technology，Ma'anshan 243032，China）

This paper proposes a computer-vision model for abdominal breathing motion in swine by using the Maximum Curvature Radius Descriptor（MCRD）.Primarily，the video clip of a swine was captured and pre-processed in order to obtain the contour image of the swine.Effective ridge of contour was extracted and then the maximum curvature radius was calculated.The waveform graph model was established from MCRDs obtained in every frame of the video.Effective ridge of contour was further extracted by identifying the boundaries between the pig legs and torso outlines based on envelope analysis.Experimental results show that the proposed method is valid in the range of swine-outline's external rectangle depth-width ratio（DWR）between 0.4-0.9.The reference method Ridge-Abdomen Contour Intercept Descriptor（RACID）is only valid at DMR between 0.6-0.9 due to the insufficient angle display of the side body view.Through three visual inspection tests of counting swines'breath frequency in the same video，the results of each individual and those between different persons vary.The artificial visual results are regarded as reference values.And the relative errors between machine testing results and the reference values are 0%，3.09%，3.76%，and the average relative error is 2.28%.This is identical to the results recorded by computer vision with an auto-recognition rate of 94.3%.Therefore，the swine's abdominal breathing waveform graph model is effective and capable of providing a potential technical support for intelligent monitoring of swine's breathing behaviors.

swine；abdominal breathing movement；maximum curvature radius descriptor；waveform graph model；envelope

TP391

A

1672-0687（2016）03-0066-05

2015-03-07

国家自然科学基金资助项目（61300059）；安徽省高校自然科学基金资助项目（KJ2012Z032）

谢海员（1989-），男，安徽阜阳人，硕士研究生，研究方向：计算机视觉。