一种基于深度学习的动物中心追踪方法技术

本发明专利技术公开了一种基于深度学习的动物中心追踪方法，包括模型训练和动物追踪，模型训练时，采用预训练的神经网络进行图片的特征提取，采用YOLO算法的目标检测层识别目标动物的边界框，最终获得训练好的模型；动物追踪时，使用训练好的模型对视频中所有帧图片进行追踪，计算出动物的边界框，并最终得到动物运动的轨迹图。本发明专利技术基于深度学习的动物中心追踪方法提供了一种新的实验动物行为学追踪定位的方法，该方法可以在多种实验范式及复杂的实验环境中准确地对动物中心位点进行定位，克服了在体记录电线以及实验人员进入场景的干扰，并且可以适用于不同种类的动物模型。可以适用于不同种类的动物模型。可以适用于不同种类的动物模型。

【技术实现步骤摘要】
一种基于深度学习的动物中心追踪方法


[0001]本专利技术涉及图像处理方法领域，特别是涉及一种基于深度学习的动物中心追踪方法。

技术介绍

[0002]在生物、医学、神经科学等领域的行为学研究中，通过录像数据准确获得动物在实验场景中的位置具有重要作用。随着在体记录技术的发展和实验范式的多样化，研究人员经常会遇到实验动物难以准确定位的问题。
[0003]传统的方法(如：Limelight、ANY
‑
maze、XT、TopScan等)是利用背景减噪法提取实验动物的轮廓，再通过计算轮廓的中心来确定动物的位置，这类方法虽然计算速度快，但只适用于背景干净、图像信噪比高、干扰小的简单场景，且容易受到实验过程中在体记录设备的电线和实验人员进入场景进行必要操作的影响，无法适应实验范式的多样化。
[0004]近年来计算机视觉技术的发展提供了大量的图像数据处理算法，为追踪实验动物提供了新的解决方案。然而目前该类算法大多是基于特征点检测的动物姿态评估，如DeepLabCut([1]Mathis，A.，et al.，DeepLabCut本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的动物中心追踪方法，其特征在于，包括以下步骤：(1)模型训练(1.1)从待测场景视频中随机提取图片，然后手动创建提取图片的边界框用于模型训练的数据集，(1.2)将数据集划分为训练集、交叉验证集和测试集三部分，训练集的数据用于训练模型的参数，交叉验证集和测试集用于验证和测试模型的效果，训练时，采用预训练的神经网络进行图片的特征提取，采用YOLO算法的目标检测层识别目标动物的边界框，最终获得训练好的模型，(2)动物追踪(2.1)每次追踪之前手动限定追踪的区域，并把视频中每帧图像该区域以外的部分设置为背景相似的颜色，(2.2)使用训练好的模型对视频中所有帧图片进行追踪，计算出动物的边界框，(2.3)将视频中的每帧的格式转换为灰度格式，计算视频所有帧的平均值，作为视频的背景噪声，(2.4)使用背景减噪法，视频中每帧图片减去边界框区域对应的背景噪声，即可得到动物在边界框中的轮廓，(2.5)最后通过计算视频所有帧中动物轮廓的质心对动物进行追踪，得到动物运动的轨迹图。2.如权利要求1所述的动物中心追踪方法，其特征在于，步骤(1.1)中，图片为RGB格式。3.如权利要求1所述的动物中心追踪方法，其特征在于，步骤(1.2)中，预训练的神经网络为resnet18、mobilenetv2或resnet50。4....

【专利技术属性】
技术研发人员：李新建，孙广龙，高利霞，
申请(专利权)人：浙江大学，
类型：发明
国别省市：