基于关键轮廓点模型的猪的步态异常检测

王祥 魏庆 吴燕

【摘 要】本文提出使用猪的关键轮廓点模型采集猪的步态信息，利用该模型所提供的步态信息判别猪是否出现跛脚行走。实验分别采集了猪正常行走和跛脚行走的视频作为研究对象。该方法能够智能检测出猪患病状态为跛脚行走这一类的猪疾病，为规模不断扩大的生猪养殖业实现智能养殖提供了可行性。

【关键词】图像处理;关键轮廓点;关节角度;猪跛脚判别

中图分类号： TP391.41 文献标识码： A 文章编号： 2095-2457（2019）12-0076-002

DOI：10.19694/j.cnki.issn2095-2457.2019.12.036

【Abstract】In this paper， a pig's key contour point model is used to collect the gait information of pigs， and the gait information provided by the model is used to distinguish whether the pigs are lame. The videos of pigs walking normally and  walking in limp were collected as subjects. This method can intelligently detect swine diseases such as lame walking， and provide the feasibility for intelligent breeding of pig farms.

【Key words】Image processing; Key contour points; Joint angle; Pig lame discrimination

0 引言

目前，我国养猪的规模化水平得到了很大的提高。但是由于技术以及成本限制等问题，传染性猪疫病时常发生。如果能在传染性猪疫病发病初期对其进行及时有效的隔离治疗，将会极大减少对猪养殖业造成的损失。第五届（2018）规模化养猪新技术国际研讨会就规模化猪场疾病预防技术进行了交流探讨，其中，华中农业大学陈焕春院士在我国猪病流行现状和防控策略报告中提出“管重于养，养重于防，防重于治”的思想。如何切实有效的提高规模化养殖场的管理，建立有效猪疾病智能预警机制，已成为我国建立规模化养猪场重点研究方向。

对于初期会出现共济失调，步态摇摆，震颤等症状的猪神经性疾病的检测，如果能在发病初期就检测出来并对其进行及时有效隔离治疗，防止猪疾病的蔓延，可以避免猪疾病的大范围扩散传染现象，有效减少猪疾病造成的猪养殖业经济上的损失。

1 材料与方法

1.1 试验猪厂环境及生猪信息采集

本实验在自然光条件下并且猪舍环境较理想的条件下进行视频的拍摄。对于实验数据的采集是利用摄像机分别对处于正常行走和跛脚行走的生猪进行视频的拍摄。实验数据是通过随机的挑选四头正常行走的猪，然后分别对其拍摄四组视频得到共16组代表正常行走的视频信息。然后对4头跛脚行走的猪进行同样的实验数据的采集得到16组代表跛脚行走的视频信息。以上共32组猪行走视频就是本实验的研究数据基础。

1.2 图像预处理提取目标轮廓

目标检测是目标识别、跟踪和行为分析的基本保证。为了获得猪的清晰的轮廓，在猪舍环境、光线等较为理想的条件下进行目标视频的拍摄。然后，对目标视频图像提取一系列的单帧图像，采用背景减除法来检测出目标图像猪。再采用二值化和形态学处理获得完整的目标图像。最后，采用canny算子提取目标轮廓。最终的目标轮廓的提取过程如图1、2、3所示。

1.3 猪体的关键轮廓点模型的建立

本文提出的关键轮廓点模型法，是利用图像的轮廓中心点与轮廓上的关键点的距离曲线来建立骨架模型。轮廓中心-边缘点距离曲线绘制及骨架模型建立的具体方法如下：

（1）求取目标的轮廓中心点（xc，yc）

Nb为边缘点数，（xi，yi）为某边缘点。

（2）绘制中心-边缘点距离曲线

图4为中心-边缘点距离曲线的绘制示意图。在猪体轮廓上任取一个边缘点（xi，yi）作为起始点，并计算出中心-边缘点距离。然后，按逆时针方向，计算猪体轮廓上每个边缘点与中心的距离。计算公式如下：

将一维离散方程d（i）表示在二维坐标系上就是中心-边缘点距离曲线。如图5所示。

将平滑后的中心-边缘点距离曲线表示成差分方程的形式：

计算平滑后的中心-边缘点距离曲线 i）的极大值i点，其横坐标的值就代表猪体轮廓上第i个边缘点。将该边缘点视为关键轮廓点，并用大写英文字母对其编号。在该实验中，建立猪体的星状骨架模型的是选用截止频率c=0.03×Nb，得到七个关键轮廓点，分别标志出了耳朵，鼻子，尾尖，尾根以及能被检测到的前后肢。通过连接這七个关键轮廓点就得到本文中所需要使用的星状骨架模型。

其中尾根-轮廓中心点-耳朵即为本实验中所需要标注的角度α，通过对数据α的统计和分析，得出该角度以区分正常和跛脚行走。

2 猪跛脚和正常行走的α的数据统计

利用数据的统计信息可以发现数据中的潜在规律，目前，该技术已经被使用到了养殖业上。在本实验中，我们采集了两组不同的猪的行走的姿态：一组是猪的正常行走的α，另一组是猪跛脚行走时的α，具体的统计结果见下图8。

通过统计和对比这两组不同行走方式的实验数据，两组数据之间存在着极大的差异性，并且与猪行走不连续性是一致的。两组数据的差异为猪跛脚行走过程中步态变化幅度大，连续性差，易于识别。

3 总结

文中实验所采用的方法是获得猪的轮廓图并通过绘制中心-边缘点距离曲线得到关键轮廓点，然后利用轮廓图上的关键点来建立本实验所使  用的星状骨架模型。最后，利用该关键轮廓点模型分别提取出正常行走和跛脚行走的猪的行走数据，进行对比研究和分析，本实验能直接从监控视频中智能的检测出患病状态为跛脚行走这一类的猪疾病，为未来大规模的商品猪智能饲养提供了很好的方法。

【参考文献】

[1]蒋伟.基于步态识别的移动设备身份认证模型[J].电子科技大学学报.2019（02）：272-277.

[2]张加加.基于CNN与SVM融合的步态识别方法[J].中国计量大学学报.2019（01）：65-71.

[3]郇战.基于多分类器融合的步态识别方法[J].计算机应用.2019（02）：712-718.

[4]何灿隆.基于加速度传感器的肉鸡步态检测方法研究与实现[J].2019（02）：365-372.

※基金项目：本研究为江苏省大学生创新创业训练计划项目成果（201813103024X）。

作者简介：王祥，男。

魏庆，男。

*通讯作者：吴燕，助理研究员，主要研究方向为机器视觉。