[发明专利]一种基于深度学习的动物中心追踪方法

说明书

本发明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。

技术领域

本发明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。

背景技术

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。

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。

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：markerless pose estimation of user-defined body parts with deep learning.Nat Neurosci，2018.21(9)：p.1281-1289.[2]Nath，T.，et al.，Using DeepLabCut for 3D markerless pose estimation acrossspecies and behaviors.Nat Protoc，2019.14(7)：p.2152-2176.)、LEAP([1]Wang，Z.R.，et al.，Leap Motion-based virtual reality training for improving motorfunctional recovery of upper limbs and neural reorganization in subacutestroke patients.Neural Regen Res，2017.12(11)：p.1823-1831.[2]Pereira，T.D.，etal.，Fast animal pose estimation using deep neural networks.Nat Methods，2019.16(1)：p.117-125.)、DeepPoseKit(Graving，J.M.，et al.，DeepPoseKit，a softwaretoolkit for fast and robust animal pose estimation using deep learning.Elife，2019.8.)、Trex(Walter，T.and I.D.Couzin，TRex，a fast multi-animal trackingsystem with markerless identification，and 2D estimation of posture and visualfields.Elife，2021.10.)等。虽然该类方法可以追踪动物的多个特征点，使得动物的行为分析更加丰富。但由于创建训练数据时无法客观地评估准确的动物中心位点，在追踪动物中心位置时需要更长的时间，并且效果较差。

发明内容

为了克服现有方法难以在多样化的实验范式中准确追踪实验动物的不足，本发明基于深度学习算法提供了一种基于深度学习的动物中心追踪方法。

一种基于深度学习的动物中心追踪方法，包括以下步骤：

(1)模型训练