基于改进粒子滤波算法的猪只跟踪研究束平吴洪昊孙娟唐晓东摘要为推进农业信息化，实现猪的智能化养殖以及对多猪只的智能跟踪，设计猪只检测阶段和跟踪阶段。在检测阶段，该设计提出了基于高斯混合建模和均值分割算法相结合的信息融合算法，有效地解决猪只静止或运动缓慢以及背景噪声对检测结果的影响;在跟蹤阶段，传统粒子滤波算法并不能对猪只重叠进行运动跟踪，对重要性粒子滤波结果进行序列化，并将其结果利用KNN算法进行轨迹跟踪。最后进行了处理试验，结果显示算法真实有效。该成果可用于猪只养殖信息化。关键词农业信息化;猪养殖;目标跟踪S-058A0517-6611（2021）16-0230-03doi：10.3969/j.issn.0517-6611.2021.16.060开放科学（资源服务）标识码（OSID）：PigTrackingBasedonImprovedParticleFilterAlgorithmSHUPing，WUHong-hao，SUNJuanetal（YanchengBioengineeringBranchofJiangsuUnionTechnicalInstitute，Yancheng，Jiangsu224051）AbstractTopromoteagriculturalinformatizationandtorealizeintelligentpigbreedingandintelligenttrackingofpigs，twostagesweredesigned，whichwerepigdetectionstageandtrackingstage.Inthedetectionphase，theinformationfusionalgorithmbasedonGaussmixturemodelingandmeansegmentationalgorithmwasproposedtoeffectivelysolvetheinfluenceofpigstaticorslowmotionandbackgroundnoiseonthedetectionresults.Inthetrackingstage，thetraditionalparticlefilteralgorithmcouldnottracktheoverlapofpigsandwasofgreatimportance.Theresultsofparticlefilterwereserialized，andtheKNNalgorithmwasusedtotrackthetrajectory.Finally，theprocessingexperimentswerecarriedout.Theresultsshowedthatthealgorithmwasrealandeffective.Theresultscouldbeusedinpigfarminginformatization.KeywordsAgriculturalinformatization;Pigbreeding;Targettracking农业信息化是整个农业发展的趋势，每头猪的信息从出生到死亡的每一件事都记录在与其对应的唯一号码上，相当于身份证一样，因此对猪运动信息的跟踪也就显得尤为重要。由于猪是一种社会性动物，猪通过打架来分出社会地位，由于猪只运动的复杂性，普通的车辆跟踪算法无法对多猪只进行轨迹跟踪，鉴于此，笔者介绍了基于信息融合的猪只检测算法和结合粒子滤波的猪只踊跃算法，从猪只检测和猪只跟踪2方面进行改进，一方面利用图像信息融合算法实现了猪只的精确检测，另一方面利用重样性粒子滤波的序列化对猪只的运动轨迹进行跟踪，解决了猪只重叠等问题。1基于信息融合的猪只检测算法目前针对目标检测算法有很多，如高斯混合建模（GMM）、均值（Meanshift）分割算法、背景差分法等[1-2]，而高斯混合建模通过统计视频图像中各个点的像素值获取背景模型，最后利用背景减除的思想提取出运动目标，可以避免单纯背景差分法带来的“背景空洞”，但是在猪只运动缓慢和静止状态下无法检测出结果，Meanshift分割算法又存在过分割象。1.1改进的检测算法该研究提出了一种将高斯混合建模和Meanshift分割算法，巧妙地解决了目标检测问题。具体步骤如下：（1）设定初始帧仅包含背景不含目标，用来防止猪的静止或缓慢运动的情况，如果相邻两帧视频的差分结果为0，让当前帧视频与初始帧视频作差分提取结果，设定检测阈值，当检测结果太小时，视为背景噪声，如猪的粪便、光照的变化等。（2）将GMM算法和Meanshift分割算法的结果进行二值化，分别记为FG（i）、FM（i），其中i为视频帧序号，并对结果进行二值化。（3）在均值分割算法结果FM（i）中，利用两遍扫描法，检测并扫描白色像素点的位置，并记录像素个数为M（j），其中j为区域的序号。（4）统计GMM算法处理结果中像素个数，碰到低于阈值的情况，令FG（i）=FG（i-1）。（5）在FM（i）区域找出相应FG（i）区域内的白素像素点个数，记为G（j），令μ=G（j）/M（j），设置阈值μ*，当μ>μ*时，为有效区域，否则为黑色，该研究中μ*=0.35，该值为试验判断值。1.2试验与分析在matlab上进性了验证性试验，并导出相关处理结果，如图1。图1为提取的视频图像中第1...