[发明专利]一种基于深度学习的圈养动物行为分析方法

权利要求书

1.一种基于深度学习的圈养动物行为分析方法，在圈养区域侧上方安装摄像头，包括如下步骤：

步骤S1，在线采集圈内动物全天活动视频；

步骤S2，从采集的视频中，遴选包含动物进食、饮水、行走和休息行为形态的帧图像，训练基于深度学习的动物个体检测模型；

步骤S3，读取待检测视频的第一帧图像；

步骤S4，采用步骤S2中训练得到的动物个体检测模型对当前帧图像进行动物个体目标检测，再判断动物个体边界框数量与圈中实际动物数量是否相等：

若不相等，则当前帧图像为无效帧图像，转步骤S6；

若相等，则当前帧图像为有效帧图像，接着判断前一帧图像的状态：

若前一帧图像为无效帧图像，则记录当前帧图像中各动物个体边界框质心的横、纵坐标，转步骤S6；

若前一帧图像为有效帧图像，则通过边界框判别动物在圈养区域内相对于进食、饮水兴趣区域所处的位置，转步骤S5；

步骤S5，分析动物个体边界框水平垂直方向长度比、边界框位于进食及饮水兴趣区域内的面积与整个边界框面积比、动物个体边界框质心位置变化量与临界值的关系，判别圈养动物的进食、饮水、行走和休息行为；

步骤S6，若当前帧图像为最后一帧图像，则行为分析终止；否则读取下一帧图像，所述下一帧图像与当前帧图像间隔可为1-10帧，转步骤S4；

所述步骤S4，采用步骤S2中训练得到的动物个体检测模型对当前帧图像执行动物个体目标检测，再判断动物个体边界框数量与圈中实际动物数量是否相等；若相等，且当前帧图像的前一帧图像为有效帧图像，通过边界框判别动物相对于进食、饮水兴趣区域所处的位置，具体判断过程包括：

建立判别公式：

(F_x-E_x)*(A_y-E_y)-(F_y-E_y)*(A_x-E_x)＜＝0 (1)；

(F_x-E_x)*(B_y-E_y)-(F_y-E_y)*(B_x-E_x)＜＝0 (2)；

(H_x-G_x)*(C_y-G_x)-(H_y-G_y)*(C_x-G_x)＝0 (3)；

(H_x-G_x)*(D_y-G_y)-(H_y-G_y)*(D_x-G_x)＝0 (4)；

若式(1)为真，A点在L1上方，P1＝1，表示A点在进食区域；反之，P1＝0；

若式(2)为真，B点在L1上方，P2＝1，表示B点在进食区域；反之，P2＝0；

若式(3)为真，C点在L2上方，P3＝1，表示C点在饮水区域；反之，P3＝0；

若式(4)为真，D点在L2上方，P4＝1，表示D点在饮水区域；反之，P4＝0；

L1表示进食槽与圈养栏杆分界线，L2表示饮水槽与圈养栏杆分界线；帧图像中检测出的动物个体采用矩形框圈定，将此矩形框定义为边界框，代表识别出的动物个体；左上点A(A_x,A_y)，左下点B(B_x,B_y)，右上点C(C_x,C_y)，右下点D(D_x,D_y)为边界框的四个顶点，E(E_x,E_y)为L1的下端点，F(F_x,F_y)为L1的上端点，G(G_x,G_y)为L2的下端点，H(H_x,H_y)为L2的上端点；P1表示A点与L1的位置关系；P2表示B点与L1的位置关系；P3表示C点与L2的位置关系；P4表示D点与L2的位置关系。