[发明专利]一种基于长短记忆的哺乳仔猪多目标跟踪方法

说明书

本发明公开了一种基于长短记忆的哺乳仔猪多目标跟踪方法，包括：S1：采集哺乳仔猪视频，建立哺乳仔猪多目标跟踪视频数据库；S2：搭建CenterReID模型，用数据库中的训练集和验证集对该模型进行训练并验证；S3：用训练好的CenterReID模型对数据库中的测试集进行测试，获得哺乳仔猪目标检测结果Dets和特征提取结果Features；S4：针对不同消失时间再次出现的仔猪，设计适应长短时间外观特征变化匹配机制，利用Dets和Features对连续图像哺乳仔猪进行目标ID匹配，进而获得跟踪结果。本发明能在固定场景下克服小猪运动不规律、身体形变较大、扎堆、难重新识别等困难，可自动识别跟踪哺乳仔猪，解决猪场饲养环境下饲养员长时间巡查猪群疲惫造成判断不准确的问题。

技术领域

本发明涉及视频多目标跟踪的技术领域，尤其是指一种固定场景下基于长短记忆的哺乳仔猪多目标跟踪方法。

背景技术

猪场环境下，仔猪存活率关系到猪场的养殖效益。猪生长状况的检测是保证猪健康养殖的关键。传统的方法一般是人工检查，以巡查的方式轮流观察猪栏内每只仔猪的活动状况，持续时间大约为半分钟到十分钟不等。该种方法费时费力，且长时间观察对饲养员的观察判断造成影响。基于计算机视觉技术智能跟踪小猪，除了能克服传统方法的缺点外，还能快速统计小猪的生理活动规律，为后续小猪行为研究提供基础。有利于推进我国智能化禽畜养殖。

目前，有利用计算机视觉技术实现猪只跟踪，如授权号为CN108508782B的专利提出了一种基于ARM的猪只行为跟踪识别监控装置及方法。授权号为CN109684953B的专利提出了一种基于目标检测和粒子滤波算法进行猪只跟踪的方法，利用背景差分和阈值分割等算法检测猪只，然后用粒子滤波算法进行跟踪预测。公开号为CN111709287A的专利公开了一种基于深度学习的断奶仔猪目标跟踪方法，先是用YOLO v3算法检测在猪只，而后利用卡尔曼滤波器进行预测跟踪。

尽管现有许多技术实现猪只多目标跟踪，但仍存在一些问题。基于高自适应的滤波器或者容易由于噪声更新造成漂移，或者难以预测非刚性物体的非线性运动；由于不同仔猪外观相似度高，直接利用外观特征进行匹配，容易造成仔猪ID互换的情况；基于运动特征的检测框与跟踪框交叠率(IOU)，在仔猪扎堆时容易发生仔猪ID互换，亦不适用；此外，现有猪只多目标跟踪技术大部分没有记忆功能，或者只有短暂记忆，对于被母猪或者其他仔猪遮挡后再次出现，特别是遮挡长时间后再次出现，难以恢复其ID。2020年Zhou Xingyi等人提出了CenterTrack多目标跟踪算法，利用了基于anchor_free的检测方法，在仔猪扎堆、粘连时仍有较好的检测结果，且基于中心点的匹配方法，避免仔猪扎堆、粘连时ID互换的情况。CenterTrack能准确跟踪前后帧目标，但其只针对局部匹配，没有记忆功能，不能恢复消失的轨迹。为此，在保留其连续帧匹配功能的基础上，改进网络，增加重识别Re-ID分支，用于提取哺乳仔猪的外观特征，设计具有长短记忆的多目标跟踪级联匹配算法，针对仔猪消失不同时间长度再次出现时，在小猪已匹配ID达到最大值的情况下，都能恢复其ID。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提出了一种基于长短记忆的哺乳仔猪多目标跟踪方法，可有效解决小猪运动过程中运动不规律、身体形变较大、扎堆、难重新识别等困难，为后续仔猪行为研究打下基础。

为实现上述目的，本发明所提供的技术方案为：一种基于长短记忆的哺乳仔猪多目标跟踪方法，包括以下步骤：

S1：采集哺乳仔猪视频，建立哺乳仔猪多目标跟踪视频数据库；

S2：搭建CenterReID模型，用哺乳仔猪多目标跟踪视频数据库中的训练集和验证集对该模型进行训练并验证；

S3：用训练好的CenterReID模型对哺乳仔猪多目标跟踪视频数据库中的测试集进行测试，获得哺乳仔猪目标检测结果Dets和特征提取结果Features；