基于多时相图像融合与深度学习的动物行为识别方法技术

本发明专利技术提供一种基于多时相图像融合与深度学习的动物行为识别方法，首先根据获取的小鼠动作序列样本，利用多时相图像融合的方法，将小鼠动态的时序图像转变为静态表达，得到带有动作信息的融合图像后，采用边缘检测算法将小鼠的运动轮廓提取并剪切出来制作样本数据集，再通过深度学习的方法对数据集进行训练得到用于解决小鼠行为分类的识别模型，利用训练后的卷积神经网络模型预测小鼠行为，得到小鼠连续及完整的行为序列和各个行为发生的频数。这种方法不仅能够准确识别小鼠复杂的行为，同时还具有低成本、可重复性高的特点；运用多路摄像头进行综合预测，可以避免由于单一摄像头无法准确判断小鼠行为类型问题，从而提高识别效果。效果。效果。

【技术实现步骤摘要】
基于多时相图像融合与深度学习的动物行为识别方法


[0001]本专利技术属于图像处理
，具体涉及一种基于多时相图像融合与深度学习的动物行为识别方法。

技术介绍

[0002]近些年来，动物的行为识别在动物行为学实验中的应用非常广泛，其对于动物行为学研究、动物学习记忆研究和药物作用分析等方面具有重要意义。由于小鼠具有体积小、生长繁殖快以及易于饲养管理等优点，小鼠现已成为最常用的实验动物。然而，如何对小鼠的行为进行快速准确的连续判断及记录分析仍是一个问题。
[0003]动物行为学实验的记录手段经历了人工记录、力学传感器检测、模拟视频追踪和数字视频处理四个阶段。人工记录不仅费时费力、准确率低，并且可重复性差；力学传感器检测虽然在一定限度上节省了人力，但是获得的可利用的信息较少；相比于模拟视频追踪，数字视频处理成为了未来发展的主要方向。随着计算机硬件的快速发展和算法的进一步成熟，深度学习其理论和方法已被广泛应用于解决工程应用和科学领域的复杂问题。

技术实现思路

[0004]基于上述问题，本专利技术提出一种基于多时相图像融合与深本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多时相图像融合与深度学习的动物行为识别方法，其特征在于，包括：步骤1：采集动物行为的视频制作样本数据集；步骤2：构建卷积神经网络模型，利用样本数据集进行训练得到训练后的卷积神经网络模型；步骤3：采集待识别动物的视频制作预测数据集，利用训练后的卷积神经网络模型预测待识别动物的行为动作。2.根据权利要求1所述的一种基于多时相图像融合与深度学习的动物行为识别方法，其特征在于，所述步骤1包括：步骤1.1：制定动物行为的分类准则，将动物的行为分为舔舐、探索、静止、运动四大类，其中舔舐分为理头、舔爪、舔腹、舔背和舔尾五小类动作；探索分为张望和攀爬两小类动作；静止分为蹲站和伏地两小类动作；运动分为转圈和漫步两小类动作，一共将行为动作分为十一小类；步骤1.2：分别采集不同健康状况下动物的行为视频；步骤1.3：将采集到的行为视频进行分帧处理；步骤1.4：将分帧后的视频以连续N帧作为一个序列，按照分类准则对每个序列进行行为动作的分类；步骤1.5：对于同一序列的图像集，将不同时间获取的同一地域的两张图像进行融合，生成一个动作序列的多张具有动作信息流的图像；步骤1.6：将融合后的图像运用边缘检测算法将动物的运动轮廓提取并剪切出来作为训练样本得到...

【专利技术属性】
技术研发人员：赵玉良，王星淇，
申请(专利权)人：东北大学秦皇岛分校，
类型：发明
国别省市：