猪动物行为识别国内外论文摘要与方法主要内容整理版

（1）GaitAbnormalityDetectedofPigsBasedonMachineVision

【作者】WeiXingZhu*,JinJinZhou,YanWu【刊名】AppliedMechanicsandMaterials【出版日期】2014【卷号】Vol.614【页码】432-435【关键词】\t"/views/specific/3004/_blank"ImageProcessing;\t"/views/specific/3004/_blank"LameWalk;\t"/views/specific/3004/_blank"Pig;\t"/views/specific/3004/_blank"StarSkeletonModel【摘要】Inordertodetectandidentifytheabnormalbehaviorofpigsandprovidereal-timewarning,thedetectionmethodofpig’sgaitabnormalitiesusingthegaitinformationandmachinevisiontechnologyisproposed.Firstofall,thesingleframeimagewasextractedfromtheobjectivevideos,whichwaspreprocessedtoobtaincontourofpigs.Secondly,thedistancecurveofcenter–edgepointofthecontourwasdrawn,hence,sevenkeycontourpoints,ears,nose,limbs,andtail,wereselectedfromthecurve.Sothestarskeletonmodelcouldbeestablishedaccordingtothekeycontourpointsofpigs.Thirdly,bytakingadvantageofthreekeycontourpointstogetaangle.Inthispaper,tochoosingear,centroidandtailofpigtostructureaangle,thedataaboutanglechangingofpigsbothlameandnormalwalkgaitsarecalculatedfromthemodelrespectively,whichcanbeusedtodetectlamewalk.Thispresentedstudyprovidesanewmethodforreal-timesurveillanceinanimalbehaviors.

为了检测和识别猪的异常行为和提供实时警告，利用步态的信息和机器视觉技术提出了猪的步态异常的检测方法。首先，从目标视频中提取单帧图像作为预处理，以获得猪轮廓提取。其次，绘制轮廓的中心边缘点的距离的曲线，因此，7个关键键轮廓点，耳，鼻，四肢和尾部，都是从曲线中选择的。所以星型骨架模型可以根据猪的关键轮廓点确定。第三，通过采取三个关键轮廓分支的优势获得角度。在本文中，选择的耳朵，质心和猪的尾巴来构造一个角度，猪的跛和正常步行步态的角度变化数据都能分别从模型中计算出来，它可用于检测跛步行。这提供了研究实时监视动物行为的新方法。先对单帧图像做预处理，将猪的轮廓提取出来计算轮廓中心点，计算所有轮廓点与中心点的距离，画出距离图像平滑处理，降低噪声影响。标记7个关键点正常走的是一个连续的行为。然而，瘸子不是。5.选择AOG三个点形成角度，通过角度观察猪是否坡脚。结论：1）正常行走的角度邻帧的最大差值为12度;然而不同的是，瘸子行走的最大差值为32度。2）在完整的行走过程中，正常走路的最大值和最小值的差是15度;然而，瘸子行走的最大值和最小值的差是35度。单只猪轮廓图的侧视图识别

【作

者】

\t"/views/specific/3004/_blank"马丽;\t"/views/specific/3004/_blank"纪滨;\t"/views/specific/3004/_blank"刘宏申;\t"/views/specific/3004/_blank"朱伟兴;\t"/views/specific/3004/_blank"李伟;\t"/views/specific/3004/_blank"张涛【刊

名】

\t"/views/specific/3004/_blank"农业工程学报【ISSN】10026819【出版日期】2013【期

号】第10期【基金项目】国家自然科学基金项目（31172243）；安徽省教育厅高等学校自然科学项目（KJ2012Z032）【作者单位】安徽工业大学教师能力发展中心；安徽工业大学计算机学院；江苏大学电气信息工程学院【参考文献格式】马丽,纪滨,刘宏申,朱伟兴,李伟,张涛.单只猪轮廓图的侧视图识别[J].农业工程学报,2013,(第10期).【摘要】由于完整轮廓猪只的侧视图具有便于行为分析的价值，因此，研究从猪舍监控视频中自动分割出单只猪理想侧视图的视频段对猪的行为分析是有意义的。为了识别每帧图像猪轮廓图的侧视图属性，该文通过图像处理获取猪只轮廓图后，提出联立猪只外接矩形高宽比和低频傅里叶系数构建猪只侧视图的特征向量，并根据样本训练集得到理想侧视图和非理想侧视图特征向量均值和方差，利用马氏距离判别法从测试视频中识别未知帧图像的类别，结果表明有91.7%猪只轮廓图的侧视图属性能正确识别，表明本方法是有效的。本研究可为后继单只疑似病猪行为分析提供条件。多特征Camshift和Kalman滤波结合的猪只智能跟踪

【作

者】

\t"/views/specific/3004/_blank"周勇钧;\t"/views/specific/3004/_blank"俞守华;\t"/views/specific/3004/_blank"区晶莹【刊

名】

\t"/views/specific/3004/_blank"广东农业科学【ISSN】1004874X【出版日期】2013【期

号】第9期【基金项目】广东省科技计划项目；广东省大学生创新实验项目【作者单位】华南农业大学信息学院；华南农业大学公共管理学院【参考文献格式】周勇钧,俞守华,区晶莹.多特征Camshift和Kalman滤波结合的猪只智能跟踪[J].广东农业科学,2013,(第9期).【摘要】为了实现猪只的智能跟踪,提出了一种多特征Camshift和Kalman滤波结合的猪只跟踪算法.首先采用最大类间方差法从背景中分割出猪只,从而统计出猪只的颜色特征和纹理特征；然后获取当前帧图像的联合特征概率分布图,利用Camshift算法求得猪只的位置；最后使用Kalman滤波预测猪只下一帧位置,实现多猪只跟踪.研究结果表明,猪只跟踪算法具有较强的鲁棒性,且更好满足实时性的要求.研究结果可为猪只健康养殖提供技术上的支持.

Study

on

the

Detection

Method

of

Pigs

in

Piglet

PigstyBased

on

theCharacteristics

of

Pigs作者:\o"查找此作者的更多记录"Yu,SH

(YuShouhua)[

1

]

;

\o"查找此作者的更多记录"Chen,JH

(ChenJihong)[

1

]

;

\o"查找此作者的更多记录"Ou,JY

(OuJingying)编者:\o"查找由此编者撰写的其他文献记录"Yuan,LMEMS,NANOANDSMARTSYSTEMS,PTS1-6丛书:

AdvancedMaterialsResearch卷:

403-408页:

2271-2276DOI:

10.4028//AMR.403-408.2271出版年:

2012会议名称会议:

7thInternationalConferenceonMEMS,NANOandSmartSystems(ICMENS2011)会议地点:

KualaLumpur,MALAYSIA会议日期:

NOV04-06,2011会议赞助商:IntAssocCompSci&InformatTechnol;SingaporeInstElect摘要Pigdetectionplaysanimportantroleinintelligentmonitoringsystemofpigsty.Accordingtothefeaturesofpigletsactinginalargescopewithhighfrequency,animprovedGaussianmixturebackgroundmodelwasproposedfordetectingpiglets,whichimprovesprocessingspeedbyreducingthenumberofGaussianfunctions.Sincethesowisconfinedtothesowlimitationcrateanditsactivities'stateissimplewithinasmallrange,anskincolorlook-uptablemethodwhichwasbasedoncharacteristicsofskinwasproposedfordetectingthesow.TheexperimentalresultsdemonstratedthatthepigsdetectionmethodsincludinganimprovedmixtureGaussianbackgroundmodelandanskincolorlook-uptablemethodaresuperiortoframesubtractionmethod,mixtureGaussianbackgroundmodelmethodandopticalflowmethod.关键词作者关键词:\o"查找此作者关键词的更多记录"thedetectionmethodofpigs;

\o"查找此作者关键词的更多记录"Gaussianmixturebackgroundmodeling;

\o"查找此作者关键词的更多记录"skincolorlook-uptablemethod;

\o"查找此作者关键词的更多记录"pigletpigsty猪检测在猪舍智能监控系统中起着重要作用。根据仔猪在高频率地大范围活动的特点，提出了一种改进的混合高斯背景模型来检测仔猪，通过减少高斯函数的个数提高加工速度。由于猪是局限于母猪限箱及其活动的状态是简单的小范围，提出了一个基于特征皮肤颜色查找表的方法用于检测猪皮肤。实验结果表明，包括改进的混合高斯背景模型和皮肤颜色查找表的方法的猪的检测方法，优于帧差法，混合高斯背景模型法和光流法。Imagefeatureextractionforclassificationofaggressiveinteractionsamongpigs

【作者】S.Viazzi;G.Ismayilova;M.Oczak;L.T.Sonoda;M.Fels;M.Guarino;E.Vranken;J.Hartung;C.Bahr;D.Berckmans【刊名】ComputersandElectronicsinAgriculture【影响因子】2013:1.486;2012:1.766;2011:1.846;2010:1.431;2009:1.312;【出版日期】2014【卷号】Vol.104【页码】57-62【作者单位】aDivisionofMeasure,Model&ManageBioresponses(M3-Biores),KULeuven,KasteelparkArenberg30,3001Leuven,BelgiumbDepartmentofVeterinaryandTechnologicalSciencesforFoodSafety,FacultyofVeterinaryMedicine,UniversitàdegliStudi,ViaCeloria10,20133Milan,ItalycUniversityofVeterinaryMedicineHannover,Foundation,InstituteforAnimalHygiene,AnimalWelfareandFarmAnimalBehaviour,Bünteweg17p,30559Hannover,Germany【关键词】\t"/views/specific/3004/_blank"Pigbehaviour;\t"/views/specific/3004/_blank"Monitoringtool;\t"/views/specific/3004/_blank"Imageprocessing;\t"/views/specific/3004/_blank"Precisionlivestockfarming【摘要】Theaimofthisstudyistodevelopamethodforcontinuousautomateddetectionofaggressivebehaviouramongpigsbymeansofimageprocessing.Fiverepetitionsofthesameexperimentwereperformed.Ineachoftheexperiment,24pigletsweremixedafterweaningfromfourlittersintwopenswith12pigletseachandcapturedonvideoforatotalof60h.Fromthesevideorecordings,adatasetcontaining150episodeswithand150episodeswithoutaggressiveinteractionswasbuiltthroughmanuallabelling.TheMotionHistoryImagewasusedtogaininformationaboutthepigs’motionandtorelatethisinformationtoaggressiveinteractions.TwofeatureswereextractedfromthesegmentedregionoftheMotionHistoryImage:themeanintensityofmotionandtheoccupationindex.Basedonthesetwofeatures,theLinearDiscriminantAnalysiswasusedtoclassifyaggressiveinteractionsineveryepisode.Applyingleave-one-outcross-validation,theaccuracyofthesystemwas89.0%withasensitivityof88.7%andaspecificityof89.3%.Theseresultsshowthatitispossibletouseimageanalysisinordertoautomaticallydetectaggressivebehavioursamongpigs.

本研究的目的是通过图像处理装置制定猪之间攻击性行为连续自动检测的方法。重复进行了五次同样的实验。在每一个实验中，四个窝里的24仔猪分成两笔每笔12仔猪断奶后混合并抓获共60小时的录像。这些录像，含150事件与150没有侵略性的事件相互作用的数据集，通过手工贴标建成。该运动历史图像用来获得有关猪的运动信息，并将该信息与交互侵略性联系起来。从运动历史图像的分割区域分别提取两个特征：运动的平均强度和占领指数。基于这两个特点，利用线性判别分析在每个情节侵略性的相互作用中进行分类。施加留一法交叉验证，该系统的准确度为89.0％与灵敏度为88.7％和特异性为89.3％。这些结果表明，使用图像分析以自动检测猪之间攻击性行为是可行的。1.特征1：平均强度，标量，该指定地区所有强度的平均值。此特征代表图像中运动的强大和激烈程度。特征2，占用指数，标量，表示区域内运动的分布量，这个分布量是由该区域内不等于零的象素与在该区域内总的像素的比率计算所得。此特征能够得到运动的分布信息。2.运动历史图像更亮的部分对应更近期的运动侵略性相互作用发生在至少两个猪之间，一头猪的平均像素为20,000像素，动作分割区小于24,000像素的将被过滤掉并排除进一步分析。4.散点图描述了所提取的两个特征之间的关系。这两个特征是从MHI手动选择低，中，高组的侵略和没有侵略的两个类活动。那条线是计算LDA边界，代表两个簇数据之间的分割。Analysisofaggressivebehavioursofpigsbyautomaticvideorecordings

（和上一篇是同样的作者）【作者】MaciejOczak;GunelIsmayilova;AnnamariaCosta;StefanoViazzi;LiliaThaysSonoda;MichaelaFels;ClaudiaBahr;JörgHartung;MarcellaGuarino;DanielBerckmans;ErikVranken【刊名】ComputersandElectronicsinAgriculture【影响因子】2013:1.486;2012:1.766;2011:1.846;2010:1.431;2009:1.312;【出版日期】2013【卷号】Vol.99【页码】209-217【作者单位】aFancomResearch,Panningen,Industrieterrein34,5981NKPanningen,TheNetherlands;bM3-BIORES:Measure,Model,ManageBioresponses,KatholiekeUniversiteitLeuven,KasteelparkArenberg30,B-3001Leuven,Belgium;cDepartmentofHealth,AnimalscienceandFoodSafety,FacultyofVeterinaryMedicine,UniversitàdegliStudi,viaCeloria10,20133Milan,Italy;dUniversityofVeterinaryMedicineHannover,Foundation,InstituteforAnimalHygiene,AnimalWelfareandFarmAnimalBehaviour,Buenteweg17p,30559Hannover,Germany

【关键词】\t"/views/specific/3004/_blank"Pigs;\t"/views/specific/3004/_blank"Aggression;\t"/views/specific/3004/_blank"Behaviour;\t"/views/specific/3004/_blank"Phases【摘要】Aggressionamongpigsintoday’sproductionsystemsresultsinnegativeimpactonhealthandwelfareofanimalsaswellasonproductivityofthesystems.PrecisionLivestockFarmingtechnologymightpotentiallyofferapossibilitytomonitorandreducethelevelofaggressionandhenceitsnegativeimpact.Thispaperreportsabouttheinitialpartofalargerstudyinvestigatingthepossibilitiesofapplyingcontinuousautomaticmonitoringofaggressivebehaviouramongpigs.Itinvestigateshowbehaviouralpatternsinpig’saggressivebehaviourcanbeidentifiedandutilizedinordertopredictsevereformsofaggression(biting)expressedinlaterphasesofaggressiveinteractions.Anexperimentwascarriedoutatacommercialfarmonagroupof11malepigsweighingonaverage23kgandkeptinapenof4m×2.5m.Duringthefirst3daysaftermixingintotal8hofvideorecordingwereregisteredwithatopviewcameraforlateranalysisofanimalbehaviour.Asaresultoflabellingofthevideorecordings,157aggressiveinteractionswereidentifiedwith12behaviourtypesexpressedfor860timeswithintheinteractions.Theidentifiedinteractionsweredividedintointeractionsthatledtobitingandthosethatdidnotleadtobitingbehaviour.Theinteractionsthatledtobitingbehaviouraccountedfor36.3%(57)ofallaggressiveinteractionswhileinteractionsthatdidnotleadtobitingbehaviourwere63.7%(100)oftheinteractions.Theaveragedurationofinitiating(nosing)phaseofaggressiveinteractions(3.32s)lastedlonger(P<0.05)ininteractionsthatledtobitingbehaviourthanininteractionsthatdidnotleadtobitingbehaviour(1.94s).Thenextphaseofaggressiveinteractions–mediumphase–similarlytoinitiatingphase,lastedonaveragelonger(18.21s)(P<0.01)ininteractionsthatledtobitingbehaviourthanininteractionsthatdidnotleadtobitingbehaviour(16.15s).Withthedifferencesfoundbetweeninteractionsthatledanddidnotleadtobitingbehaviouritseemstobepossibletodiscriminatebetweenbothtypesofinteractionsinanearlyphaseofaggression.Thedifferencesfoundmightserveasearlysignsinamanagementsupportsystemthataimstopreventsevereformsofaggressivebehaviour(biting)amongpigs.

在当今的生产系统中猪之间的侵略行为导致动物健康和繁殖方面的消极影响，在系统的生产率方面也有负面影响。精密畜牧业技术可能会潜在地提供了一种可能性，以监测和减少侵略水平和所带来的负面影响。本文报道了一个更大的应用连续自动监测猪之间攻击行为可能性的研究调查的开始部分。它研究怎样的猪之间攻击行为的行为模式才能够被识别并利用于预测以后阶段的侵略性相互作用侵略（咬）的严重形式。实验中，一组商业农场体重平均为23千克的11只雄性猪，并维持在每笔4米×2.5米的空间内。混合总共8小时的录像后头3天为以后动物行为分析而注册俯视摄像头。录像标记的结果，157个侵略相互作用被交互内860次的12个行为类型识别出来。所识别的相互作用分为导致咬和那些没有导致咬的行为交互。导致咬行为的相互作用占所有侵略性相互作用的36.3％（57），而交互未导致咬行为的相互作用为63.7％（100）。导致咬行为的侵略性互动的启动（收口）阶段的平均持续时间（3.32S）比不会导致咬行为的相互作用时间（1.94S）长（P<0.05）。侵略性互动的下一阶段-中阶段-类似于启动阶段，导致咬行为的相互作用比不会导致咬行为（16.15S）互动的平均历时更长（18.21S）（P<0.01）。交互之间存在的差异是否会导致咬行为，这可以用来区分侵略早期阶段两种类型的相互作用。在管理支撑系统中，这种差异可以作为早期迹象，其目的是防止猪之间攻击行为（咬）的严重形式。1.行为类别无法量化，所以没有对行为类别分析，主要分析其中被量化为事件的频率和持续时间。相互作用中行为的三个阶段的划分是基于时序发生的顺序。实验样本积极的互动，发起（突缘）阶段，中期阶段和高（咬）阶段的持续时间的概述。5.通过统计分析，主要参考的分类指标为持续时间的长短。Automaticmonitoringofpiglocomotionusingimageanalysis

【作者】MohammadAminKashiha;ClaudiaBahr;SanneOtt;ChristelP.H.Moons;TheoA.Niewold;FrankTuyttens;DanielBerckmans【刊名】LivestockScience【影响因子】2013:1.100;2012:1.249;2011:1.506;2010:1.295;2009:1.410;【出版日期】2014【卷号】Vol.159【作者简介】Correspondingauthor.Tel.:+3216377066;fax:+3216321480.【页码】141-148【作者单位】aM3-BIORES–Measure,Model&ManageBioresponses,KULeuven,KasteelparkArenberg30,3001Leuven,Belgium;bGhentUniversity,DepartmentofAnimalNutrition,Genetics,ProductionandEthology,Heidestraat19,9820Merelbeke,Belgium;cDivisionofLivestock-Nutrition-Quality,DepartmentofBiosystems,KULeuven,KasteelparkArenberg30,3001Leuven,Belgium;dInstituteforAgriculturalandFisheriesResearch(ILVO,),AnimalSciencesUnit,Scheldeweg68,B-9090Melle,Belgium

【关键词】\t"/views/specific/3004/_blank"Ellipsefitting;\t"/views/specific/3004/_blank"eYeNamic;\t"/views/specific/3004/_blank"Imageanalysis;\t"/views/specific/3004/_blank"Locomotion;\t"/views/specific/3004/_blank"Pig【摘要】Thepurposeofthisstudywastoinvestigatethefeasibilityandvalidityofanautomatedimageprocessingmethodtodetectthelocomotionofpigsinagrouphousedenvironmentandunderexperimentalconditions.Topviewvideoimageswerecapturedforfortypiglets,housedtenperpen.Onaverage,pigletshadaweightof27kg(SD=4.4kg)atthestartofexperimentsand40kg(SD=6.5)attheend.EachpenwasmonitoredbyatopviewCCDcamera.Theimageanalysisprotocoltoautomaticallyquantifylocomotioninvolvedlocalisingpigsthroughbackgroundsubtractionandtrackingthemoverasetperiodoftime.Tovalidatetheaccuracyofdetectingpigs“InLocomotion”or“NotInLocomotion”,theywerecomparedtoofflinemanuallylabelledbehaviouraldata(“InLocomotion”versus“NotInLocomotion”).Thisisthefirststudytoshowthatthelocomotionofpigsinagroupcanbedeterminedusingimageanalysiswithanaccuracyof89.8%.Sincelocomotionisknowntobeassociatedwithissuessuchaslameness,carefulmonitoringcangiveanaccurateindicationofthehealthandwelfareofpigs.

本研究的目的是调查的自动图像处理方法的可行性和有效性，用以检测猪在猪房和实验环境下的运动。顶视图的视频图抓获40头仔猪，每栏饲养10只。平均来说，在实验开始时仔猪为27公斤（SD=4.4Hz千克）和在最后的重量为40公斤（标准差=6.5）。每笔由冠捷CCD摄像头监控。图像分析协议可以自动量化运动涉及通过背景减除局部化猪和在一段设定的时间内跟踪它们。他们被用来验证检测猪“在运动”或“未在运动”的精确度与脱机手动标记的行为数据（“在运动”与“不运动”）相比较。这是第一次研究表明，一组猪的运动可以通过分析图像以89.8％的准确度来确定。因为运动很多与已知问题如跛行相关，仔细监测可以给健康猪的繁殖的提供准确指示。1.2.RandomForests

（随机森林最先提出的论文）【作者】LEOBREIMAN【刊名】MachineLearning【影响因子】2013:1.689;2012:1.467;2011:1.587;2010:1.956;2009:1.663;2008:2.326;2007:1.742;【出版日期】2001【卷号】Vol.45【期号】NO.1【页码】5-32【作者单位】1.StatisticsDepartment,UniversityofCalifornia,Berkeley,CA,94720;

【关键词】\t"/views/specific/3004/_blank"classification;\t"/views/specific/3004/_blank"regression;\t"/views/specific/3004/_blank"ensemble【摘要】Randomforestsareacombinationoftreepredictorssuchthateachtreedependsonthevaluesofarandomvectorsampledindependentlyandwiththesamedistributionforalltreesintheforest.Thegeneralizationerrorforforestsconverges%a.s.toalimitasthenumberoftreesintheforestbecomeslarge.Thegeneralizationerrorofaforestoftreeclassifiersdependsonthestrengthoftheindividualtreesintheforestandthecorrelationbetweenthem.

随机森林是每棵依赖于随机向量的独立采样值的树预测与同样分布在森林里的所有树木相结合。森林普遍化的错误收敛于％a.s.作为一个森林里树木数量变大的极限。分类树的森林的泛化误差取决于森林个别树木的实力以及它们之间的相关性。随机森林是由若干决策树通过一定方式组成。决策树被认为是一种有效的分类方法。为了接近完美的训练出决策树模型，我们通常会加大树的深度。然而这样的方式会使得决策树在训练样本集上有接近完美的预测，但是在预测样本集中有着较差的效果，即决策树过拟合。尽管后续提出了许多决策树剪枝的方式，但是对于多类别区分，即使使用GART代替传统离散类别决策树，单棵树还是略显薄弱。随机森林算法是LeoBreiman和AdeleCutler2001年共同提出的一种分类算法。该方法利用若干棵相互独立的决策树共同表决得到预测结果，回避单棵决策树造成过拟合问题。随机森林利用Bagging模型，采用训练样本集随机，特征集随机的双随机方式构造出若干颗独立的树，组成森林。在树的构造过程中，从总的训练样本空间中随机抽取一部分为子集作为单棵树的训练数据，在训练样本上保证了树与树之间的独立性。对于每一个分裂节点(非叶子节点)，都在总特征空间中随机抽取特征子集作为每个节点的候选特征集，使得树与树的节点之间，以及每棵树的各个节点之间的特征子集都不同，在特征集上保证了树的独立性。由于参与训练每棵树的样本集与特征集都不会完全覆盖样本空间及特征空间，每棵树对训练样本集的噪声有很大的容忍性。随机森林的精髓在于每棵树之间的独立。独立的直观反映是每棵树的分工不同，每棵树相当于是对于某个或者某少部分领域的专家。预测过程中，是由各个专家综合投票决定出预测样本所属的类别。基于局部轮廓和随机森林的人体行为识别

【作

者】

\t"/views/specific/3004/_blank"蔡加欣;\t"/views/specific/3004/_blank"冯国灿;\t"/views/specific/3004/_blank"汤鑫;\t"/views/specific/3004/_blank"罗志宏【刊

名】

\t"/views/specific/3004/_blank"光学学报【ISSN】02532239【出版日期】2014【期

号】第10期【页

码】1015006【基金项目】国家自然科学基金（61272338）【作者单位】中山大学数学与计算科学学院；广东省计算科学重点实验室；中山大学数学与计算科学学院；广东省计算科学重点实验室；中山大学数学与计算科学学院；广东省计算科学重点实验室；中山大学信息科学与技术科学学院【参考文献格式】蔡加欣,冯国灿,汤鑫,罗志宏.基于局部轮廓和随机森林的人体行为识别[J].光学学报,2014,(第10期).【摘要】基于视频信息的人体行为识别得到了越来越多的关注。针对人体行为的局部表达，提出了一种新的局部轮廓特征来描述人体的外观姿势，可以同时利用水平和竖直方向上的轮廓变化信息。该特征能有效区分不同动作，与轮廓起始点无关，具有平移、尺度和旋转不变性。针对该特征，提出了一种基于随机森林的两阶段分类方法，使用随机森林分类器对行为视频的局部轮廓进行初分类，并根据每个局部轮廓对应决策类的分类树数目占总分类树数目的比例，提出了一种基于袋外（OOB）数据误差加权投票准则的行为视频分类算法。在测试数据集上的实验结果证实了该方法的有效性。

特征轮廓提取基于随机森林的两阶段识别算法测试集则是测试视频包含的帧。每一帧的输出类别取为随机森林中决策树输出类别的众数。(1)对训练图像集，用采样生成N个子样本集。(2)对每个子训练集，随机选择m个属性作为节点分裂的候选属性。(3)计算每个子样本集在每个候选节点上的Gini指数。(4)在每个子样本集上生成一个决策树。(5)训练完所有决策树后，使用决策树对未被采样的袋外训练样本进行分类。将得到的分类结果与袋外训练样本的类别相比较，计算误差。(6)对测试视频的每一图像帧用已生成的决策树分类，得到每个决策树对每一帧的分类结果。使用随机森林中决策树输出类别的众数作为每一帧的输出类别。两种投票策略在得到所有帧的类别后，每个行为视频的类别就可以由之前随机森林算法所得到的帧分类结果来投票决定。(1)RF-0在这种投票方案中,视频的分类结果由每一帧的分类结果投票决定,最终的决策结果是所有帧归属类别的众数。(2)RF-1使用袋外数据误差加权投票，分类结果由视频中所有帧对应于每一类的决策树数目及决策树的袋外数据误差决定。袋外数据误差的作用是用来衡量各决策树分类结果的信度。可以对每颗决策树设置不同的权重，使得袋外误差小的决策树具有较大的权重，从而使得在投票时分类置信度越大的决策树对投票结果具有越大的影响。通过袋外误差进行加权投票，能使分类器具有更好的对抗噪声的能力。结论将本文的方法与本文多篇参考文献中用到的方法进行比较，从分类结果的混淆矩阵，数据库识别率，平均计算耗时等多个方面的数据，表明本文的方法具有有效性和优越性。基于改进的随机森林的人体部件识别

【作

者】

\t"/views/specific/3004/_blank"郭天楚;\t"/views/specific/3004/_blank"吴晓雨;\t"/views/specific/3004/_blank"杨磊;\t"/views/specific/3004/_blank"黄向生【刊

名】

\t"/views/specific/3004/_blank"中国传媒大学学报(自然科学版)【ISSN】16734793【出版日期】2014【期

号】第5期【页

码】32-38【基金项目】国家自然科学基金:基于超多视角成像的三维重建关键技术研究（项目编号:61175034）；大范围室内增强现实系统的混合跟踪定位关键技术研究（项目编号:61103154）【作者单位】中国传媒大学信息工程学院；中国科学院自动化研究所【参考文献格式】郭天楚,吴晓雨,杨磊,黄向生.基于改进的随机森林的人体部件识别[J].中国传媒大学学报(自然科学版),2014,(第5期).【摘要】姿态估计是自然人机交互最为重要的环节,人体部件识别是姿态估计的重要步骤。本文介绍了一种基于特征预筛选的改进的随机森林的方法来识别人体各个部件。与传统的随机森林构造不同,在该方法中,对于特征空间十分庞大的实例给出了特征预筛选方法,使得每个分裂节点的特征子集更为高效。该方法既保证了树与树之间的独立,又保证了每棵树的分类性能。在树与树之间的组合中,根据人体部件构造,引入了和分层树的组合模型方式,提高了差异较小类的分类性能,进而提高了森林的准确性。1.根据随机森林特征的选取方式，我们随机选取特定数目的特征，组成特征子集，再从特征子集中选取最有效的特征作为树节点的分裂特征。基于Bin方差的筛选随着样本空间的增大，特征响应趋于多样化，无效特征率会降低。当树节点越远离根节点时，节点包含类别越少，越趋于一致化，该方法可以筛选掉更多的无效特征。定义节点分裂准则，森林分层，将人体上半身和下半身分开来分类。误差计算。Multi-viewactionrecognitionusinglocalsimilarityrandomforestsandsensorfusion

【作者】FanZhu;LingShao;MingxiuLin【刊名】PatternRecognitionLetters【影响因子】2013:1.062;2012:1.266;2011:1.034;2010:1.213;2009:1.303;2008:1.559;2007:0.853;【出版日期】2013【卷号】Vol.34【期号】No.1【页码】20-24【作者单位】aDepartmentofElectronicandElectricalEngineering,TheUniversityofSheffield,UK;bCollegeofInformationScienceandEngineering,NortheasternUniversity,China

【关键词】\t"/views/specific/3004/_blank"Localsimilarity;\t"/views/specific/3004/_blank"Randomforests;\t"/views/specific/3004/_blank"Sensorfusion;\t"/views/specific/3004/_blank"Votingstrategy;\t"/views/specific/3004/_blank"IXMAS;\t"/views/specific/3004/_blank"Actionrecognition【摘要】Thispaperaddressesthemulti-viewactionrecognitionproblemwithalocalsegmentsimilarityvotingscheme,uponwhichwebuildanovelmulti-sensorfusionmethod.Therecentlyproposedrandomforestsclassifierisusedtomapthelocalsegmentfeaturestotheircorrespondingpredictionhistograms.WecomparetheresultsofourapproachwiththoseofthebaselineBag-of-Words(BoW)andtheNaïve–BayesNearestNeighbor(NBNN)methodsonthemulti-viewIXMASdataset.Additionally,comparisonsbetweenourmulti-camerafusionstrategyandthenormallyusedearlyfeatureconcatenatingstrategyarealsocarriedoutusingdifferentcameraviewsanddifferentsegmentscales.Itisproventhattheproposedsensorfusiontechnique,coupledwiththerandomforestsclassifier,iseffectiveformultipleviewhumanactionrecognition.本文中我们建立了一种新的多传感器融合方法，讨论了一个局部缓解的相似投票方案的多视图动作识别问题。最近提出的随机森林分类器用于描绘局部环节特征及其相应的预测图。在多视点IXMAS数据集中，使用不同的相机视图和不同分割尺度用我们的方法所得的结果与基于词袋（BOW）【这个方法下面的2篇文章有用到】和NaïVE–Bayes的最近邻（NBNN）方法作出了比较。此外，使用不同的相机视图和不同分割尺度，我们的多摄像机融合策略和早期利用特征级联策略也进行了比较。实践证明，该传感器融合技术，结合随机森林分类器，对多视角的人体动作识别有效。Abagofwordsapproachtosubjectspecific3Dhumanposeinteractionclassificationwithrandomdecisionforests

【作者】JingjingDeng;XianghuaXie;BenDaubney【刊名】GraphicalModels【影响因子】2013:0.967;2012:0.697;2011:1.000;2010:0.828;2009:0.926;【出版日期】2014【卷号】Vol.76【期号】No.3【页码】162-171【作者单位】DepartmentofComputerScience,SwanseaUniversity,Swansea,UK

【关键词】\t"/views/specific/3004/