4.3支持向量机与神经网络姿态识别对比分析    23
4.4本章小结    24
第5章    总结及展望    24
5.1研究工作总结    24
5.2研究工作展望    24
致谢    24
参考文献    25
基于机器视觉的奶牛姿态识别研究
第1章    绪论
1.1    研究目的及意义
在奶牛养殖中，饲养环境和奶牛的健康至关重要。然而现实环境中，由于奶牛养殖的规模化，牛圈中奶牛相互频繁接触，不同奶牛之间紧密关联，一旦出现流行疾病或异常奶牛，极易造成同牛圈中奶牛相互影响和感染，甚至威胁到整个奶牛场，造成巨大经济损失。由此，对奶牛场异常环境和奶牛异常状态进行及时检测和预警显得至关重要。
奶牛的流行疾病和异常养殖环境会触发奶牛的一些异常姿态，研究表明[1]：牛在休息时有90%的时间是卧下的，如果没有90%则要看牛在做什么，若牛在寻找食物说明没吃饱；若牛在运动场、沙坑或牛床上站立，说明躺卧环境使牛卧下不舒服；若牛群中存在较多发情牛也会使更多的牛不卧下休息；休息时，离开群体单独躺在边角地方的牛可能是临产牛、流产牛或病重牛。奶牛出现奇怪的饮食癖好，比如啃土、喝尿等，说明饲料中可能缺乏磷、食盐或微量元素钴、铜，应及时补充这些元素。在喝水时，若奶牛忽然抬高头，左右摇动，伸直脖子，有大量唾液从口内流出，则可能是食道阻塞。健康的奶牛精神饱满，反应敏捷；病牛则萎靡不振，反应迟钝。为快速检测到这些异常姿态，进而最大程度地降低经济损失。倘若采取人工方式，一方面，劳动量和饲养成本将会大大增加，工作人员也有可能感染到奶牛的疾病，身体健康受到威胁；另一方面，随着养殖场的扩大，工作人员的缺乏，及时的人工检查得不到保障，常会有疏漏之处。因此，研究出奶牛异常姿态的自动化检测方法刻不容缓。
随着计算机技术、监控技术的发展和广泛应用，数字化养殖是传统养殖升级转型的必然选择。本课题拟计划基于计算机技术、监控技术和动物行为学知识，研究出奶牛姿态的自动化识别方法，进而为实现数字化养殖中奶牛异常姿态的自动检测和预警打下基础。
1.2    国内外研究现状
1.2.1人体姿态识别研究现状
1.2.2猪只姿态识别研究现状
过使用GPRS、RFID 和嵌入式技术对每头猪的日常行为进行采集和分析，其中，日常行为数据主要包含采食量、采食次数和生长量等。
1.3    论文内容及章节安排
1.3.1论文研究内容及技术路线
以奶牛场2天的监控视频为研究对象，首先从视频中截取奶牛站立、行走和躺卧等姿态的图像，分别归类到相应姿态库中，建立姿态图像库。接下来，对姿态图像库中的奶牛图像进行目标提取，分别研究了传统图像分割算法、标记控制的分水岭算法和基于支持向量机图像分割算法的奶牛目标提取方法。然后，对奶牛目标进行特征提取，分别提取3种相互独立的特征，分别是基于奶牛目标外轮廓的Hu不变矩特征和Zernike矩特征，还有基于奶牛目标的五个几何特征（圆形度、矩形度、伸长度、质高比、质心左右比）。最后，研究了基于机器视觉的奶牛姿态识别方法，分别研究了基于支持向量机、有监督学习神经网络和无监督学习神经网络的奶牛姿态识别方法并基于MATLAB编程实现相应姿态识别程序。由此，本设计的技术路线如图2所示。
 本设计的技术路线
1.3.2论文的章节安排 机器视觉奶牛姿态识别研究+源代码(2):http://www.youerw.com/jisuanji/lunwen_32656.html