猪的行为是猪的语言,是诊断其健康的依据之一。正常的环境和生理状态下,猪只表现出休息、行走、进食、饮水等正常的行为。当生存环境和生活状态发生改变时,猪只的行为则可能出现异常。猪只的行为识别可借助视频监控的方式来完成。目前基于视频自动化监管猪只的研究多集中在猪只的检测和识别上,对行为的研究尚处于初步阶段。论文从猪场的视频数据出发,采用图像处理、深度学习的方法,研究猪只各类行为的自动化提取策略。在生猪养殖过程对猪只进行监管,最急迫的需求为掌握猪只每时每刻的行为状况。围绕着这一需求,论文设计了对猪场监控视频进行自动化行为信息提取的技术路线。论文的研究内容和成果如下:（1）猪只行为自动化识别的支撑数据集构建。论文以养殖现场猪只样本数据为基础,通过直方图均衡化、图像几何变化、生成模型等方式增强数据集,并对部分样本数据集进行人工标签添加,为猪只视频数据机器学习处理提供基础。论文成功完成了对猪场样本数据集的构建,相应的数据集已在猪只检测和行为识别中作为训练集及测试集使用。（2）猪只的检测与个体识别。论文针对猪只现场视频数据,提出了基于颜色的猪只轮廓分割算法,在图像中将猪只像素点与背景像素点区分检测。在猪只个体识别上,论文提出了创新的方案。通过在猪只背部打上字母标记的方式,利用深度卷积神经网络进行特征提取及检测,完成对猪只个体的身份识别。论文同时实现了对猪只的头部、尾部的检测,并提出通过猪只局部的检测结果推测缺失检测的目标位置的算法。本文在猪只的分割和个体识别中上均有理想的试验结果,其中猪只分割检测精确率为96.22%,召回率为89%。对猪只个体检测的平均精确率为97.44%,平均召回率为95.25%。猪只头部的检测精确率为98.75%,召回率为79.00%。猪只尾部的检测精确率为99.40%,召回率为82.25%。（3）猪只行为的分类识别方案。论文将猪只的行为划分为简单行为和复杂行为两大类,制定了简单行为由姿态识别,复杂行为融合空间区域、时序、猪只关系等因素联合识别的方案。简单行为通过对检测出来的猪只个体图像,训练姿态分类器完成猪只的躺、趴及站三种不同姿态的分类。依据姿态的区分以及中心的位置变化,对猪只的休息、走动、静站行为进行识别。将猪只的位置信息与猪舍功能区域、时间信息联合,实现了对猪只的饮水、进食行为识别。通过两头猪只在时序序列中的位置关系以及变化趋势,实现了猪只爬跨行为的识别。通过分析监控视频各帧之间的关联,提取有效像素点的变化值来对猪群整体的活跃度进行评估。论文对猪只姿态的分类平均精确率和召回率为76.67%,饮水行为识别的精确率为92.11%,召回率为85.37%,进食行为识别的精确率为99.59%,召回率为86.83%,成功地实现了对猪只多种类别日常行为的识别。（4）猪只行为数据的应用展示。针对视频数据存储容量大、网络传输带宽要求高的特点,论文设计了猪场数据分布式处理框架,提出猪场行为监管平台原型系统。在猪场本地利用本文的算法实现猪只行为分析,将无结构化的流式视频数据转换为容量小且结构化的行为描述数据。猪只行为数据传送到远程服务器,并以图表的方式直观地将猪只行为监管结果进行展示。论文的主要创新点在于猪只的个体识别算法及多元因素融合的猪只行为识别策略。借助本文提出的猪只行为提取方案,可为养殖户从海量的监控视频数据中提取出猪只行为节律,发现猪只的行为异常,让猪场养殖决策更客观和智能。