秦立峰 张晓茜 董明星 岳 帅

(1.西北农林科技大学机械与电子工程学院， 陕西杨凌 712100；2.农业农村部农业物联网重点实验室， 陕西杨凌 712100；3.陕西省农业信息感知与智能服务重点实验室， 陕西杨凌 712100)

0 引言

奶牛目标区域的精确提取是后续奶牛的跛行检测[1-2]、呼吸检测[3-4]、个体识别[5-6]以及行为识别[7-9]的基础，对奶牛养殖业的发展有重要的意义[10]。基于机器视觉和图像处理、机器学习等智能化技术可帮助实现对奶牛目标的精准提取[11-12]。然而，由于奶牛养殖场环境差异大、背景复杂，且奶牛活动姿态差异大，使得基于视觉方法的奶牛目标提取精度有待提高。

传统用于图像或视频中奶牛目标提取的常用算法有边缘检测法[13]和背景建模法[14]，前者对于复杂背景以及相似的颜色干扰难以取得较高准确率，目标范围易存在较大误差[15]；后者则对于背景依赖大，参数量往往较难估计，不同场景背景下的模型难以移植，且算法稳定性受光照影响较大[16]。刘冬等[17]提出了一种动态的建模方法，基于GMM采用局部更新的策略和基于色度和亮度偏差的二分类算法对奶牛目标进行实时检测，平均模型复杂度比GMM降低了50.85%，前景误检率、背景误检率分别降低了19.50%和13.37%。宋怀波等[18]提出了一种无参核密度估计背景建模的方法，解决了现有的参数化模型实现奶牛目标检测方法的缺陷，算法平均前景正检率为95.65%。但阈值选取上不能够达到自适应。ZHAO等[19]在背景减去法的基础上融合帧差法并实时调整奶牛的RGB通道系数来进行运动奶牛的目标检测，目标检测精度为88.34%，但对环境变化比较敏感。……