李德平，朱偉興

（江蘇大學(xué)電氣信息工程學(xué)院，江蘇鎮(zhèn)江 212013）

0 引言

我國是豬肉消費大國，也是養(yǎng)豬大國，在生豬養(yǎng)殖過程中對生豬行為進(jìn)行監(jiān)測是評價生豬健康的重要環(huán)節(jié)［1］。商業(yè)化養(yǎng)殖場人工監(jiān)測存在勞動力成本高和主觀誤差等缺點，現(xiàn)代化生豬養(yǎng)殖及其重要。計算機(jī)視覺技術(shù)的發(fā)展降低了生豬養(yǎng)殖場勞動力投入和生產(chǎn)成本，已成為監(jiān)測生豬養(yǎng)殖的重要手段，對生豬養(yǎng)殖規(guī)模化和集中化起著重要作用。計算機(jī)視覺技術(shù)主要用于生豬行為分析［3-4］和身份識別［5-6］等方面。

俯視群養(yǎng)豬行為和身份分析日益受到關(guān)注，而個體層次上的數(shù)據(jù)分析擁有更多優(yōu)勢，因此監(jiān)測生豬養(yǎng)殖一個關(guān)鍵步驟和經(jīng)典難題是將生豬從背景中分離出來，準(zhǔn)確提取個體豬信息。對于背景復(fù)雜的俯視群養(yǎng)豬視頻序列（如光變化背景、尿漬、水漬、糞便及地上其他物體，不同顏色的前景對象，群居狀態(tài)下的擁擠粘連等），目標(biāo)的有效提取仍然具有挑戰(zhàn)性，需要進(jìn)一步研究。豬圈中生豬密度越高，分割困難就越大，尤其在采食區(qū)域，由于生豬采食時發(fā)生擁擠、碰撞和攻擊等劇烈運動，造成目標(biāo)難以獲取，粘連的情況使分割難度加大。

常用的生豬分割方法有閾值分割、邊緣檢測分割、分水嶺分割、基于圖論分割、幀差法和背景差分法等。Guo等［7-8］采用自適應(yīng)分區(qū)和多閾值分割對飲食區(qū)域生豬進(jìn)行分割。該方法對目標(biāo)進(jìn)行兩次分割，第二次分割是在第一次分割結(jié)果基礎(chǔ)上劃分有效區(qū)域從而進(jìn)行精確分割。該分割方法雖效果較好，但沒有考慮到粘連情況。孫龍清等［9］結(jié)合交互式分水嶺算法提出改進(jìn)的Graph Cut 算法，交互式分割生豬圖像，明顯提高了分割精度。但是這種方法在分割過程中需要人為標(biāo)記前景和背景像素，無法達(dá)到自動化分割目的。Wang 等［10］采用背景差分獲取生豬目標(biāo)區(qū)域。對于背景差分法首先需要一副背景圖片，而在群養(yǎng)豬條件下將豬移動到其他地方獲得一副背景圖片顯然是不可取的。楊阿慶等［11］利用全卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)母豬與仔豬的粘連分割。上述基于深度學(xué)習(xí)的圖像分割方法可以完整分割出生豬目標(biāo)，但是分割后由于生豬粘連（尤其是在采食區(qū)域），無法實現(xiàn)個體豬提取。因此，需要研究更具普適性的生豬目標(biāo)分割算法。

本文提出一種多閾值的Otsu 分割方法，該方法結(jié)合基于深度學(xué)習(xí)的目標(biāo)檢測方法完成生豬個體分割。首先訓(xùn)練一個YOLO 目標(biāo)檢測模型［12］，對生豬目標(biāo)進(jìn)行端到端檢測。該框架能檢測出圖像中所有訓(xùn)練對象的位置。在原始圖片中檢測到多個目標(biāo)框，每個目標(biāo)框內(nèi)最多只有一頭豬。然后采用多閾值的Otsu 分割方法對框內(nèi)目標(biāo)進(jìn)行分割［13］，得到準(zhǔn)確的分割結(jié)果。所得到的豬個體可以用來分析豬的飲食行為以及估計豬的體重。

1 材料與方法

1.1 圖像采集與處理

實驗的視頻數(shù)據(jù)來自江蘇大學(xué)國家重點學(xué)科農(nóng)業(yè)電氣化與自動化的實驗基地——鎮(zhèn)江?，斈翗I(yè)有限公司養(yǎng)殖場。通過改建試驗用豬舍，安裝拍攝俯視視頻的圖像采集系統(tǒng)，對有7 只豬的豬圈進(jìn)行監(jiān)控。攝像機(jī)位于豬舍（長×寬×高為3.5m×3m×1m）正上方，相對于地面垂直高度約為4m，視頻采集平臺如圖1 所示。攝像機(jī)采用灰點公司FL3-U3-88S2C-C 型號攝像機(jī)，相機(jī)成像芯片為Sony 的CMOS，輸出RGB 彩色視頻，圖像分辨率為1 760×1 840 像素。試驗在天氣晴好的情況下隨機(jī)采集5 天視頻，每天8：00-17：00 時間段，除去人工介入等干擾因素影響，共獲得有效視頻400 多輯，每輯時長2min 左右，所拍攝的視頻幀為25 幀/s，從每天的有效視頻中挑選出6 輯視頻，共采集90 000（120×25×6×5）幀圖像。

1.2 個體分割流程

本文算法流程如圖2 所示。該流程主要分為3 個階段，具體方法如下：

（1）使用自適應(yīng)直方圖均衡化增強(qiáng)技術(shù)進(jìn)行圖片預(yù)處理，并劃分采食區(qū)域。

（2）在Tensorflow 深度學(xué)習(xí)平臺上對YOLO 網(wǎng)絡(luò)進(jìn)行微調(diào)，然后針對采食區(qū)域的生豬進(jìn)行端到端檢測。

（3）將檢測到的目標(biāo)框中的個體豬利用多閾值Otsu 分割方法，將圖片像素分為2、3 或4 類，分別劃分1、2 或3 個閾值，然后將屬于前景的區(qū)域疊加起來并結(jié)合形態(tài)學(xué)處理，最終得到較為完整的目標(biāo)輪廓。

Fig.1 Video capture platform and video frame sample acquired圖1 視頻采集平臺及獲取的視頻幀

Fig.2 Individual segmentation flow圖2 個體分割流程

1.3 彩色圖像增強(qiáng)和采食區(qū)域劃分

如圖3 所示（彩圖掃OSID 碼可見，下同），豬圈可分為不同的區(qū)域，這些區(qū)域都與豬的特定行為有關(guān)，如豬喜歡擠在角落里，睡在休息區(qū)，采食和飲水區(qū)的豬總是站在特定位置。圖3（a）為俯視群養(yǎng)豬單幀實驗圖像示例。通過仔細(xì)觀察發(fā)現(xiàn)，所拍攝的視頻周圍存在大量不必要的區(qū)域占用了計算單元，為此手動設(shè)置有效區(qū)域，如圖3（b）所示，紅框內(nèi)像素為有效區(qū)域。由于大型養(yǎng)豬場采用集中喂養(yǎng)和封閉式管理，從養(yǎng)豬場收集到的圖像光線通常很弱。因此，圖像直方圖的灰度范圍較窄，位于較低層次。本文通過自適應(yīng)直方圖均衡化有效區(qū)域進(jìn)行增強(qiáng)，增強(qiáng)的主要步驟是將采集到的彩色圖像從RGB 色彩空間轉(zhuǎn)換到HSV 色彩空間，保持色調(diào)（H）、飽和度（S）通道不變，對亮度（V）通道進(jìn)行自適應(yīng)直方圖均衡化增強(qiáng)。將增強(qiáng)后的圖像再轉(zhuǎn)換到RGB 顏色空間，如圖3（c）所示，得到動態(tài)范圍較大的增強(qiáng)圖像。

Fig.3 Experimental original picture and processed image圖3 實驗原圖及處理后圖像

從圖3 可以看出，經(jīng)過自適應(yīng)直方圖均衡化處理后的圖片亮度和對比度都有所提高，在視覺上前景目標(biāo)更加清晰。

從圖3（a）可以發(fā)現(xiàn)豬的活動范圍有限，每只豬只能在規(guī)定的范圍內(nèi)活動。在豬發(fā)生采食行為時，由于不同時間在采食區(qū)的豬數(shù)量不同，情況較為復(fù)雜，因此定義了采食區(qū)域。為適應(yīng)后期的目標(biāo)檢測任務(wù)，將圖片尺寸統(tǒng)一調(diào)整為416×416 像素，以食槽中心點為圓心，圖片尺寸（416 像素）的2/3 為半徑劃分采食區(qū)域，如圖4 所示。

Fig.4 Division of feeding area（with the center of trough as the center and 416*2/3 as the radius）圖4 采食區(qū)域的劃分（以食槽中心點為圓心，416*2/3 為半徑）

2 生豬定位與分割

2.1 生豬目標(biāo)檢測

本文檢測的目標(biāo)較大，YOLO 網(wǎng)絡(luò)在實時性和檢測精度上完全符合預(yù)期，因此對YOLO 生豬檢測進(jìn)行微調(diào)。由于深度學(xué)習(xí)對于訓(xùn)練樣本的數(shù)量要求較多，而拍攝的視頻數(shù)據(jù)相似度較高，為提高模型泛化能力，從上述9 000 幅圖片中選取差別較大的200 幅圖片，另外從網(wǎng)絡(luò)上下載不同背景的俯視群養(yǎng)豬圖片1 448 幅，共計1 648 幅圖片構(gòu)成訓(xùn)練集。YOLO 模型在MSCOCO 上進(jìn)行預(yù)訓(xùn)練［14］，然后利用自身的數(shù)據(jù)集對預(yù)訓(xùn)練的權(quán)重進(jìn)行微調(diào)。該框架能夠檢測出圖像中所有訓(xùn)練對象位置。在原始圖片中檢測到多個目標(biāo)框，每個目標(biāo)框內(nèi)最多有一頭豬，將檢測到的目標(biāo)提取出來，如圖5 所示。

Fig.5 Positioning and extraction of pig targets圖5 生豬目標(biāo)定位與提取

2.2 Otsu 分割算法

2.2.1 經(jīng)典Otsu 分割算法

Otsu 自1979 年提出后一直被認(rèn)為是閾值分割的經(jīng)典算法，其通過最大類間方差準(zhǔn)則來選取閾值。該方法建立在一幅圖像的灰度直方圖基礎(chǔ)上，依據(jù)類間距離極大準(zhǔn)則確定區(qū)域分割門限。

設(shè)一幅大小為M×N像素的圖像有L個不同灰度級，ni表示灰度級為i的像素個數(shù)，則圖像中像素總個數(shù)為MN=n0+n1+n2+...+nL-1，歸一化后的直方圖各灰度級出現(xiàn)的概率，顯然。設(shè)以灰度k為門限將圖像分割成兩個區(qū)域：①灰度級為1～k的像素區(qū)域A（背景類）；②灰度級為k＋1～L-1 的像素區(qū)域B（目標(biāo)類）。A、B 出現(xiàn)的概率分別計算如下：

A 和B 兩類的灰度均值以及圖像總的灰度均值計算如下：

由此得到A、B兩區(qū)域的類間方差σB=pA(mA-m0)2+pB(mB-m0)2。顯然，pA、pB、mA、mB、m0、都是關(guān)于灰度級k的函數(shù)。為得到最優(yōu)分割閾值，Otsu 把兩類的類間方差作為判別準(zhǔn)則最大化，從而最佳閾值k*如下：

2.2.2 多閾值Otsu 分割算法

由于多數(shù)圖像并不是簡單的雙峰，是可一分為二的圖像，因此對于那些灰度直方圖的灰度級分布谷底不明顯的復(fù)雜圖像，單一使用Otsu 準(zhǔn)則并不能從圖像中穩(wěn)定可靠地將目標(biāo)分割出來，很難達(dá)到滿意的分割效果。因此，將以上的閾值處理方法推廣到多閾值。將一幅圖像分為K個類C1,C2,...、Ck，類間方差如式（4）所示：

從圖1 拍攝的圖像可以看到，豬體顏色主要分為兩種：黑豬和白豬，且與背景存在較大差異，簡單利用傳統(tǒng)的Otsu 算法將圖中像素分為兩類會存在較大誤差，因此考慮采用多閾值的Otsu 分割方法細(xì)化像素分類以提取前景目標(biāo)。

3 實驗

3.1 實驗平臺

采用64GB 內(nèi)存、NVIDIA GTX1080TI 型GPU、Intel?Xeon（R）CPU E5-2678 v3@ 2.50GHz 處理器作為硬件平臺，操作系統(tǒng)為Win10，并行計算框架版本為CUDA9.0，深度神經(jīng)網(wǎng)絡(luò)加速庫為CUDNN v7.0。采用Python 編程語言在Keras 深度學(xué)習(xí)框架上實現(xiàn)生豬目標(biāo)檢測，采用MAT?LAB 2015a 實現(xiàn)多閾值的Otsu 分割。

3.2 實驗結(jié)果及分析

Otsu 方法以圖像的相對直方圖（歸一化直方圖）為基礎(chǔ)對一維陣列進(jìn)行計算，本文首先利用傳統(tǒng)的Otsu 分割方法計算最優(yōu)閾值。將圖片中的像素分為前景和背景兩類并繪制相對直方圖，如圖6 所示。

在分割之前，需要將彩色圖轉(zhuǎn)換為灰度圖，然后獲取最佳閾值使得類間達(dá)到方差最大。其中，T為該方法求得的最佳閾值，η（eta）表示可分性度量，它是閾值T所對應(yīng)的最大類間方差σB與全局方差σ0之比。從圖6 可以看出，圖中的可分性度量相對較高，但是分割結(jié)果較差，尤其對于第二張圖片來說其分割率尚不到50%。因此傳統(tǒng)的Otsu分割方法對處理前背景相差較大的圖片效果明顯，而對于類似于第二張圖片需要進(jìn)一步探索精確的分割方法。

Fig.6 Traditional Otsu segmentation results and histogram of relative values圖6 傳統(tǒng)的Otsu 分割結(jié)果與相對值直方圖

利用多閾值的Otsu 分割方法，將一幅圖像分為K個類，因此會產(chǎn)生K-1 個閾值（k1、k2、k3...kk-1），將大小低于k1的像素標(biāo)記為背景，其余為前景像素，將前景像素相加并通過腐蝕膨脹等形態(tài)學(xué)處理得到如圖7 所示的結(jié)果。

從圖7 可以看出，隨著分類的增加分割結(jié)果越來越精確。用η評價分割結(jié)果，η定義為最大類間方差與全局方差之比，η的值用來度量已存在的類之間的分離性，值越大說明分離性越強(qiáng)，其取值范圍為［0，1］。本文圖片中分的類越多所對應(yīng)η值越大，分割越精確，同時效率也越低。

將本文算法得到的分割圖像與手動分割后的圖像交并比（IOU）用于評價分割效果，同時與其他分割方法，如迭代法、最大熵分割方法和文獻(xiàn)分割方法［12］進(jìn)行比較，如表1所示。

Fig.7 Multi-threshold Otsu segmentation results圖7 多閾值Otsu 分割結(jié)果

從表1 可以看出，當(dāng)將圖片中的像素分為兩類時，由于1 號豬和3 號豬與背景相差較大所以分割結(jié)果較好。然而對于2 號豬，豬體像素與背景像素較為相似導(dǎo)致分割結(jié)果較差，只有43.2%。而采用多閾值的分割方法分類越多分割結(jié)果越精確，但同時所消耗的時間也越多。將圖片中像素分為4 類時，相比于分為3 類時的精度提高很少，但所消耗的時間卻是原來的一倍。因此，綜上所述，當(dāng)將圖像分為3 類時對應(yīng)的分割結(jié)果較好，且算法處理時間適當(dāng)。

不同數(shù)量生豬分割結(jié)果如圖8 所示。

從圖8 可以看出，當(dāng)采食區(qū)域生豬數(shù)量較多且存在粘連情況時分割結(jié)果也相對較差，但是由于豬體存在顏色差異，所以本文方法可以將輕度粘連的生豬分割出來。對挑選出來的500 幀圖片平均分割率（所有在采食區(qū)域的生豬被完整分割）為88.5%，相比于文獻(xiàn)［12］的算法分割精度降低，原因是由于采食區(qū)域中存在大量的生豬粘連造成分割精度下降。但本文算法對粘連生豬的分割效果較好，且在算法執(zhí)行效率上也明顯提高。

4 結(jié)語

本文結(jié)合深度學(xué)習(xí)和傳統(tǒng)的圖像處理方法提出一種基于目標(biāo)檢測的多閾值Otsu 分割方法，可以實現(xiàn)群養(yǎng)狀態(tài)下的生豬個體分割。該方法首先以采食槽為中心劃分采食區(qū)域，然后利用目標(biāo)檢測算法端到端提取出單只豬的目標(biāo)區(qū)域，在區(qū)域內(nèi)利用多閾值的Otsu 分割方法分割出生豬個體。該方法適用于俯視群養(yǎng)豬采食區(qū)域的復(fù)雜場景，解決了粘連狀態(tài)下的生豬分割難題并取得較好效果。實驗結(jié)果顯示，500 幀實驗數(shù)據(jù)平均分割率為88.65%，與其他分割方法相比，本文方法在精確度和處理時間上效果較好。后續(xù)工作一方面是優(yōu)化目標(biāo)檢測算法，提高檢測結(jié)果精確度，另一方面是改進(jìn)分割算法，進(jìn)一步提高圖片分割效率，并在生豬身份識別和重量估計等方面開展研究。