智能化管理是规模化养殖的基础和发展方向。为实现羊场的智能化和规模化建设,提高羊场管理效率,本文以西北农林科技大学畜牧教学试验基地的奶山羊养殖场图像为研究对象,基于自适应增强算法(Adaboost)和视觉显著性实现了羊场图像的羊只目标检测与计数。本文的主要研究内容与结论有:(1)数据集的采集与标注。为满足对羊场中运动场和羊舍两个不同区域目标检测的需要,首先在羊场搭建远程视频监控设备以获取大量羊场视频;然后经过视频分段、关键帧提取与筛选,分别建立了运动场和羊舍的数据集;最后利用Labelme软件对数据集中的羊只进行标注,生成正负样本用于运动场图像中的羊只目标检测,生成真值图(GroundTruth)用于羊舍图像中羊只目标检测。(2)运动场图像中羊只目标检测。针对运动场图像易受光照强度影响的问题,利用局部二值模式(LBP)特征构造了基于多分支结构的弱分类器;针对羊只间存在遮挡易被漏检的问题,改进了Adaboost算法,并将多个强分类器级联,以提高检测准确率;针对羊只目标颜色较为单一的特点,基于H分量灰度化并分割图像,以提高检测速度。实验结果表明,与其他分量相比,本文基于H分量的图像分割方法,准确率最高,且对光照的鲁棒性最强,且本文目标检测结果优于与其对比的两种基于传统特征的方法,检测准确率可达84.3%。(3)羊舍图像中羊只目标检测。针对羊舍图像中羊只目标颜色单一的特点和存在多个目标的问题,对快速最小障碍距离算法(FastMBD)进行改进,估计背景先验显著图;针对羊舍图像背景中干扰较多的问题,基于密度聚类算法(DBSCAN)划分超像素,并利用优化的方法选取前景种子,最终基于流行排序算法估计前景先验显著图;针对生成的背景和前景先验显著图,采用指数融合方法生成显著图,并采用基于数学形态学的方法进行后处理。实验结果表明,本文方法在主观和客观的准确率-召回率曲线、平均准确率和平均召回率等评价指标方面均优于常用的7种显著目标检测方法。(4)羊只目标计数。运动场图像可在获得检测结果时直接统计检测到的和误检的羊只数,针对无法直接计数的羊舍目标检测结果,采用基于K均值聚类算法(K-Means)的阈值分割方法进行图像分割;针对分割结果中一个连通区域内可能存在羊只间相互遮挡的问题,基于8连通准则对分割结果中的连通区域进行标记,并基于比例因数法实现羊只计数。实验发现,本文分割方法在羊舍数据集和ECSSD数据集上均优于常用的6种图像分割方法,平均准确率可达89.50%,羊只计数的准确率可达79.70%。综上所述,本文基于Adaboost算法和视觉显著性实现了羊场的目标检测及计数,对于促进奶山羊的规模化养殖,提升奶山羊养殖的智能化管理水平,实现奶山羊的“健康养殖”具有重要的理论和现实意义。