【技术实现步骤摘要】
本专利技术属于计算机多目标跟踪算法，尤其涉及基于旋转框检测模型和byte算法的群养猪长期自动跟踪，具体涉及一种群养环境下多目标的猪跟踪方法、装置、设备及介质。
技术介绍
1、随着生活水平的提升，消费者和畜牧业越来越关注畜牧系统的可持续性，即关注规模化养殖场景下对于个体动物从出生到死亡的生长状况的全程监控。因此，需要通过智慧养殖系统及早发现影响猪只的健康问题和福利问题，以便及时干预、减少损失并改善生猪福利，从而实现对疾病的预防和控制，以达到减少损失的目的。智能化养殖以猪只个体跟踪识别为基础，需要给猪只建立个体档案、对猪只进行日常的行为记录以及健康状态的监测。
2、在猪只的监测领域，早期主要靠射频识别(radio frequency identification)技术解决猪只身份识别的问题，但是该方法会使得猪只产生应激反应，并且穿孔还可能导致猪只皮肤发炎，从而影响猪只的健康成长。同时，基于耳标的身份识别需要猪只在特定的区域才能实现身份信息的读取。随着基于深度学习的计算机视觉技术的发展，依靠远程视频监控设备便能自动识别猪只的身份，方便后续记录每头猪只的日常行为，减少了人工监测的工作量。通过该技术只需一些价格低廉的设备便可实施远程视频监控系统的部署，工作人员无需和猪只直接接触，不会有猪只产生应激性的情况出现，降低了人畜共患病的风险。
3、计算机视觉中的多目标跟踪技术将目标检测和多目标跟踪算法结合，通过使用目标检测模型可以定位猪只目标，之后多目标跟踪算法根据不同时刻相同目标的相似性来确定是否是同一目标，以达到跟踪的
4、目前，对猪只进行目标检测主要采用基于无向框的目标检测模型，但它的精度还不够高。当前多目标跟踪算法的主流是利用目标检测得到的结果进行数据关联从而实现多目标跟踪，但在目标数量较多和重叠遮挡等复杂场景下，当前多目标跟踪算法还不能实现优秀的跟踪效果。
技术实现思路
1、为克服上述现有技术的不足，本专利技术提供一种群养环境下多目标的猪跟踪方法、装置、设备及介质，通过基于深度学习的多目标跟踪算法实现对猪只的精准跟踪，实现对猪只个体的实时、精准身份识别，有利于对群体猪只的自动化管理，对智能养殖具有重要研究意义。
2、根据本专利技术说明书的一方面，提供一种群养环境下多目标的猪跟踪方法，包括：
3、获取猪只视频序列；
4、根据所述猪只视频序列，结合旋转框检测模型，进行目标检测，得到猪只检测结果；
5、根据所述猪只检测结果，结合预先构建的目标跟踪算法，进行目标跟踪，得到猪只跟踪结果；
6、预先构建的所述目标跟踪算法还包括：在现有byte算法的基础上，引入匈牙利算法和卡尔曼滤波算法，所述匈牙利算法用于byte算法中第三次关联，所述卡尔曼滤波算法用于在关联之前预测跟踪框在下一帧中可能出现的位置。
7、上述技术方案利用旋转框检测模型oriented reppoints来准确地定位猪只，其可以在接受视频序列的同时，更准确地输出猪只的检测框，用于定位任意方向的猪只；在通过目标检测实时获取猪的位置后，使用预先构建的目标跟踪算法实现数据关联，所述目标跟踪算法在第三次关联过程中应用匈牙利算法，可以连接两个没有任何交集，但属于同一个目标的框，从而解决猪只在跟踪过程中的不规则运动和身体变形导致的id切换问题；并在进行关联之前，通过应用卡尔曼滤波算法来预测其在下一帧中可能出现的位置，从而使跟踪结果更加稳定和准确。
8、作为进一步的技术方案，所述目标跟踪算法还包括：
9、获取视频序列、目标检测器、检测得分阈值和追踪得分阈值；
10、使用目标检测器预测视频每一帧中的目标检测框和对应的置信度得分；
11、遍历跟踪列表中的每一个跟踪框，并检查其是否丢失，如果某个跟踪框没有丢失，那么就对其应用卡尔曼滤波算法，来预测其在下一帧中可能出现的位置；
12、对于得分高于阈值的检测框和跟踪框，使用iou计算相似度进行关联；
13、更新剩余未匹配的检测框，更新剩余未匹配的跟踪框，并对于剩余未匹配的检测框和剩余未匹配的跟踪框，使用iou计算相似度进行关联；
14、更新剩余未匹配的跟踪框，并对剩余未匹配的检测框和剩余未匹配的跟踪框，使用中心距离计算相似度进行关联；
15、更新未匹配的跟踪框，更新未匹配的检测框。
16、作为进一步的技术方案，在使用目标检测器预测该帧中的目标检测框和对应的置信度得分之前，还包括：初始化跟踪列表为空。
17、作为进一步的技术方案，对于三次关联后仍然未匹配的追踪框，将其在追踪列表中删除；对于三次关联后仍未匹配的检测框，如果其得分大于追踪得分阈值，则进行初始化新的跟踪框，将该检测框加入跟踪列表中。
18、作为进一步的技术方案，在进行第三次关联时，关联过程基于跟踪框和检测框之间的亲和力矩阵来分配id号，所述亲和矩阵力根据框中心之间的欧几里得距离计算得到。
19、作为进一步的技术方案，还包括如下约束：不对丢失状态的跟踪边界框进行卡尔曼滤波预测，以及，在所有跟踪边界框匹配完成之前不初始化剩余未匹配的检测框。
20、根据本专利技术说明书的一方面，提供一种群养环境下多目标的猪跟踪装置，包括：
21、获取模块，用于获取猪只视频序列；
22、目标检测模块，用于根据所述猪只视频序列，结合旋转框检测模型，进行目标检测，得到猪只检测结果；
23、目标跟踪模块，用于根据所述猪只检测结果，结合预先构建的目标跟踪算法，进行目标跟踪，得到猪只跟踪结果；
24、其中，预先构建的所述目标跟踪算法还包括：在现有byte算法的基础上，引入匈牙利算法和卡尔曼滤波算法，所述匈牙利算法用于byte算法中第三次关联，所述卡尔曼滤波算法用于在关联之前预测跟踪框在下一帧中可能出现的位置。
25、根据本专利技术说明书的一方面，提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的群养环境下多目标的猪跟踪方法的步骤。
26、根据本专利技术说明书的一方面，提供一种计算机存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的群养环境下多目标的猪跟踪方法的步骤。
27、与现有技术相比，本专利技术的有益效果在于：
28、本专利技术采用旋转框检测模型oriented reppoints来准确地定位猪只。相对于现有检测模型获得的水平框不能很好地代表任何角度拍摄的猪的形状，导致有检测框的一部分没有框住猪身体，造成不包含猪体的检测框部分的冗余的问题而言，本专利技术采用的旋转框更适合从俯视角度拍摄的图像，可以更好地与地面物体对齐，减少本文档来自技高网...
【技术保护点】
1.群养环境下多目标的猪跟踪方法，其特征在于，包括：
2.根据权利要求1所述群养环境下多目标的猪跟踪方法，其特征在于，所述目标跟踪算法还包括：
3.根据权利要求2所述群养环境下多目标的猪跟踪方法，其特征在于，在使用目标检测器预测该帧中的目标检测框和对应的置信度得分之前，还包括：初始化跟踪列表为空。
4.根据权利要求3所述群养环境下多目标的猪跟踪方法，其特征在于，对于三次关联后仍然未匹配的追踪框，将其在追踪列表中删除；对于三次关联后仍未匹配的检测框，如果其得分大于追踪得分阈值，则进行初始化新的跟踪框，将该检测框加入跟踪列表中。
5.根据权利要求2所述群养环境下多目标的猪跟踪方法，其特征在于，在进行第三次关联时，关联过程基于跟踪框和检测框之间的亲和力矩阵来分配ID号，所述亲和矩阵力根据框中心之间的欧几里得距离计算得到。
6.根据权利要求5所述群养环境下多目标的猪跟踪方法，其特征在于，还包括如下约束：不对丢失状态的跟踪边界框进行卡尔曼滤波预测，以及，在所有跟踪边界框匹配完成之前不初始化剩余未匹配的检测框。
7.群养
8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6中任一项所述的群养环境下多目标的猪跟踪方法的步骤。
9.一种计算机存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-6中任一项所述的群养环境下多目标的猪跟踪方法的步骤。
...【技术特征摘要】
1.群养环境下多目标的猪跟踪方法，其特征在于，包括：
2.根据权利要求1所述群养环境下多目标的猪跟踪方法，其特征在于，所述目标跟踪算法还包括：
3.根据权利要求2所述群养环境下多目标的猪跟踪方法，其特征在于，在使用目标检测器预测该帧中的目标检测框和对应的置信度得分之前，还包括：初始化跟踪列表为空。
4.根据权利要求3所述群养环境下多目标的猪跟踪方法，其特征在于，对于三次关联后仍然未匹配的追踪框，将其在追踪列表中删除；对于三次关联后仍未匹配的检测框，如果其得分大于追踪得分阈值，则进行初始化新的跟踪框，将该检测框加入跟踪列表中。
5.根据权利要求2所述群养环境下多目标的猪跟踪方法，其特征在于，在进行第三次关联时，关联过程基于跟踪框和检测框之间的亲和力矩阵...
【专利技术属性】
技术研发人员：王海燕，石雯惠，鲁基圣，赵书红，李新云，刘小磊，付玉华，熊雄，黎煊，
申请(专利权)人：华中农业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。