【技术实现步骤摘要】
本专利技术涉及图像识别，更具体地，涉及一种实验动物的行为检测方法、设备、系统、计算机可读存储介质。
技术介绍
1、强迫游泳和悬尾实验是最常用的大小鼠抑郁行为模型，在神经科学与药物相关研究中发挥着重要作用。但以这两个范式为基础开展的传统研究通常需要手工标注动物的运动状态，需花费大量时间精力。虽有少数自动化识别动物行为的产品(如欣软visutrack啮齿动物行为视频分析软件、美国any-maze等)，这些软件价格昂贵且数据结果指标单一，使用很不方便。急需一种方便使用且较为准确的自动化运动状态识别方法。
2、自动识别动物运动状态面临两个技术问题：1、动物的运动存在主动运动与被动运动(如强迫游泳中的惯性漂浮，悬尾任务中的单摆运动等)的差别，研究者通常需要识别动物的主动运动，但被动运动会干扰帧间差分等自动化识别方法，使识别准确度下降；2、在数据分析和呈现方面，多以总不动时间/不动时间占比为指标，没有在时间维度上对动物运动状态进行细颗粒度描述以(如分时间窗的方式报告运动序列)，使得研究者无法深入挖掘动物的不同行为模式背后的认知机制。
3、在动物运动状态检测方法方面，自动检测强迫游泳与悬尾实验中动物运动状态的方法大致分为基于深度学习与基于传统计算机视觉2种：(1)上海欣软visutrack啮齿动物行为视频分析软件、美国any-maze动物行为视频分析软件，技术方法未知。其软硬件成本高，无法自定义检测技术方案，没有细时间颗粒度的数据分析和呈现方法，且不支持自定义时间窗长度的手工标注。(2)基于deeplabcut等深度学
4、在动物运动数据分析层面，现有方法单纯分析整个实验过程中不同运动状态的总时间及占比，无法体现动物运动状态随时间变化的动态发展过程，更无法探究运动行为背后的认知计算机制。
技术实现思路
1、鉴于上述问题，本专利技术提出一种基于经典计算机视觉的方法，使其对摄像机距离和角度不敏感，能够消除动物被动运动的干扰。此外能以分时间窗的方式报告动物的运动序列，为深入挖掘动物的运动行为模式，基于强化学习模型解析动物运动状态动态发展变化的认知计算机制提供数据。本方案即插即用，用户可高度自定义校准方式、特折抽提方式、去噪方法、识别阈值等参数，并可基于rw模型、反事实模型、考虑体力模型等多种模型拟合动物的运动行为发展过程，解析运动行为背后的认知计算机制。
2、一种基于实验动物的行为检测方法，包括：
3、获取实验动物的视频；
4、对所述实验动物的视频进行轮廓识别得到轮廓图序列；
5、基于被动运动状态下实验动物轮廓的相对不变性对所述轮廓图序列的每一帧轮廓图进行预测得到预测的被动运动轮廓图序列；计算所述轮廓图序列与所述预测的被动运动轮廓图序列的差分得到被动运动抵消后的轮廓图序列；
6、基于所述被动运动抵消后的轮廓图序列进行行为检测得到行为序列。
7、进一步，所述相对不变性是轮廓角点和/或轮廓矩的相对不变性；
8、优选的，所述基于轮廓角点的相对不变性预测得到预测的被动运动轮廓图序列的步骤包括：对所述轮廓图序列的每一帧轮廓图进行角点检测得到角点p0，计算下一帧轮廓图中对应所述角点p0的被动运动角点p1，使用仿射变换预测下一帧轮廓图中对应所述p0的预测被动运动角点p′1，最小化所述被动运动角点p1和所述预测被动运动角点p′1的距离求解得到仿射变换，依次对所述轮廓图序列的每一帧轮廓图应用所述仿射变换得到所述预测的被动运动轮廓图序列；
9、优选的，采用光流法计算下一帧轮廓图中对应所述角点p0的被动运动角点p1；
10、优选的，所述光流法包括下列的一种或几种：lucas-kanade方法、horn-schunck方法、farneback方法、金字塔lucas-kanade光流算法、基于深度学习的光流算法；
11、优选的，使用金字塔lucas-kanade光流算法识别所述角点p1，将所述轮廓图以2s的尺度缩放至不同层级，首先在最小尺度的层级上计算光流vs，并将所述光流vs作为上一尺度的初始值计算光流vs-1，依次迭代直至计算得到最大尺度的光流v0；
12、优选的，光流v的计算方法如下：
13、
14、其中ix与iy分别为图像在x与y方向上的灰度梯度，it为图像灰度随时间变化的梯度，n×n表示求解梯度的局部图像区域的大小。
15、进一步，所述角点检测使用的方法包括下列的一种或几种：harris角点检测、shi-tomasi角点检测、fast角点检测、orb角点检测、gftt角点检测、moravec角点检测；
16、优选的，使用harris角点检测进行所述角点检测，利用窗口向图像的x与y方向滑动，计算窗口内图像灰度变化，对于每个位置的窗口，计算角点响应函数，设定响应函数阈值，对于所述角点响应函数大于所述响应函数阈值的像素点，使用非极大值抑制筛选局部最优角点，通过筛选的角点纳入所述角点p0；
17、优选的，所述角点响应函数的计算公式如下：
18、r＝det(m)-k(trace(m))2
19、其中，r表示角点响应函数，det(m)是协方差矩阵m的行列式，trace(m)是协方差矩阵m的迹，k为常数，协方差矩阵m的计算是基于图像局部区域的梯度信息，梯度在x和y方向上分别为ix和iy，则协方差矩阵m的定义如下：
20、
21、其中，w(x,y)为窗口中像素点的权重，ix与iy分别为窗口图像在x与y方向上的灰度梯度。
22、进一步，基于所述被动运动抵消后的轮廓图序列的邻域计算得到交集轮廓图序列，基于所述交集轮廓图序列进行行为检测；
23、优选的，使用三帧法得到所述交集轮廓图，所述三帧法的步骤包括：计算所述轮廓图序列中当前帧的轮廓图i(t)和所述预测的被动运动轮廓图序列的对应帧的预测的被动运动轮廓图的差分得到第一差分图像，计算所述轮廓图序列中下一帧的轮廓图i(t+1)和所述预测的被动运动轮廓图序列的对应帧的预测的被动运动轮廓图的差分得到第二差分图像，对所述第一差分图像和第二差分图像进行与运算得到三帧法的交集轮廓图，依次计算每一帧的所述交集轮廓图构成所述交集轮廓图序列；
24、优选的，对所述第一差分图像进行二值化得到第一二本文档来自技高网...
【技术保护点】
1.一种实验动物的行为检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的实验动物的行为检测方法，其特征在于，所述相对不变性是轮廓角点和/或轮廓矩的相对不变性；
3.根据权利要求2所述的实验动物的行为检测方法，其特征在于，所述角点检测使用的方法包括下列的一种或几种：Harris角点检测、Shi-Tomasi角点检测、FAST角点检测、ORB角点检测、GFTT角点检测、Moravec角点检测；优选的，使用Harris角点检测进行所述角点检测，利用窗口向图像的x与y方向滑动，计算窗口内图像灰度变化，对于每个位置的窗口，计算角点响应函数，设定响应函数阈值，对于所述角点响应函数大于所述响应函数阈值的像素点，使用非极大值抑制筛选局部最优角点，通过筛选的角点纳入所述角点P0；
4.根据权利要求1所述的实验动物的行为检测方法，其特征在于，基于所述被动运动抵消后的轮廓图序列的邻域计算得到交集轮廓图序列，基于所述交集轮廓图序列进行行为检测；
5.根据权利要求1所述的实验动物的行为检测方法，其特征在于，对所述实验动物的视频进行预处理后再进行所
6.一种实验动物行为的认知机制解析方法，其特征在于，所述方法包括：
7.根据权利要求6所述的实验动物行为的认知机制解析方法，其特征在于，所述贝叶斯建模方法包括下列的一种或几种：Rescorla-Wagner模型、反事实模型、考虑体力模型；
8.一种系统，其特征在于，所述系统包括计算机程序，所述计算机程序被处理器执行时实现权利要求1-5任意一项所述的实验动物的行为检测方法步骤或权利要求6-7任意一项所述的实验动物行为的认知机制解析方法步骤。
9.一种设备，包括：存储器和处理器；
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现权利要求1-5任意一项所述的实验动物的行为检测方法步骤或权利要求6-7任意一项所述的实验动物行为的认知机制解析方法步骤。
...【技术特征摘要】
1.一种实验动物的行为检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的实验动物的行为检测方法，其特征在于，所述相对不变性是轮廓角点和/或轮廓矩的相对不变性；
3.根据权利要求2所述的实验动物的行为检测方法，其特征在于，所述角点检测使用的方法包括下列的一种或几种：harris角点检测、shi-tomasi角点检测、fast角点检测、orb角点检测、gftt角点检测、moravec角点检测；优选的，使用harris角点检测进行所述角点检测，利用窗口向图像的x与y方向滑动，计算窗口内图像灰度变化，对于每个位置的窗口，计算角点响应函数，设定响应函数阈值，对于所述角点响应函数大于所述响应函数阈值的像素点，使用非极大值抑制筛选局部最优角点，通过筛选的角点纳入所述角点p0；
4.根据权利要求1所述的实验动物的行为检测方法，其特征在于，基于所述被动运动抵消后的轮廓图序列的邻域计算得到交集轮廓图序列，基于所述交集轮廓图序列进行行为检测；
5.根据权利要求1所述的实验...
【专利技术属性】
技术研发人员：李至涵，李云峰，陆添愉，章祥，
申请(专利权)人：中国人民解放军军事科学院军事医学研究院，
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。