[发明专利]一种平养鸡舍黄羽鸡多目标跟踪方法

说明书

本发明公开了一种平养鸡舍黄羽鸡多目标跟踪方法。该方法包括构建目标检测数据集和多目标跟踪数据集，利用目标检测数据集训练改进YOLOv3模型，作为多目标跟踪的检测器，结合训练后的改进YOLOv3模型与Deep SORT模型，实现黄羽鸡的多目标实时跟踪。本发明针对平养舍内黄羽鸡尺度变化较小，且频繁发生聚集现象这一特点做出改进，改进后的YOLOv3模型mAP高达93.2％，超过其他目标检测算法，速度达到29FPS，较YOLOv3提高了23.4FPS。将改进后的目标检测模型与Deep SORT算法相结合，实现了黄羽鸡的多目标跟踪。

技术领域

本发明涉及平养鸡舍黄羽鸡多目标跟踪方法技术领域，具体涉及一种平养鸡舍黄羽鸡多目标跟踪方法。

背景技术

随着社会经济的迅速发展和人民生活水平的提高，人民群众对鸡肉的需求量与日俱增，大幅促进鸡禽的规模化养殖。其中，黄羽鸡具有生长快、不易受感染等特点，其肉质细嫩、口感好，广泛应用在餐饮行业以及人民日常饮食中，是中国人喜好的品种，2020年的消费量已经达到45亿只，和白羽鸡相当。近年来随着人们对鸡肉的需求不断增加，黄羽鸡的养殖规模不断扩大，精细化管理愈加困难。实时感知不同黄羽鸡的运动行为，掌握其行为状态，有助于及时发现黄羽鸡异常，提高鸡肉质量和产量。多目标实时跟踪作为行为实时感知的基础，对于黄羽鸡养殖具有重要意义。

目前众多学者就动物的行为实时感知开展了研究。部分学者研制可穿戴设备，利用安装在动物身上的追踪设备来收集动物的运动信息，获取其行为数据，再借助机器学习等方法分析数据，以实现对动物行为的监测。由于动物行为的不确定性，导致可穿戴设备的损坏率较高，在制作、维护上的成本增加，不符合养殖场的需求。相比之下，利用养殖场已有的监控视频对牲畜进行管理具有使用便利、普及度高、成本低的优点，非常适合养殖场的需求。

近年来，随着深度学习技术的不断进步，深度学习在动物分析研究中的应用越来越多。在多目标跟踪算法方面，多目标跟踪的跟踪效果很大程度上取决于目标检测的精度。随着深度学习的发展，基于深度学习的目标检测算法也愈加成熟，目前可划分为One-stage检测算法与Two-stage检测算法。One-stage算法主要有YOLO系列算法、SSD、RetinaNet等。在保证跟踪结果准确程度的同时，对禽畜进行跟踪还需要满足实时性的要求。在目标检测方面，One-stage检测算法较Two-stage检测有着更快的推理速度，更符合多目标跟踪的要求，而在One-stage检测算法中，YOLOv3模型的精度高于大部分One-stage检测算法。

在多目标跟踪算法方面，基于匈牙利算法的后端追踪优化算法，如SORT算法、DeepSORT算法，能够达成实时跟踪的要求，其中Deep SORT算法在SORT算法的基础上，通过小型CNN网络提取目标的外观信息，实现了目标短暂消失后的再跟踪，明显提高了多目标的跟踪效果。

然而这些算法在平养舍鸡只的检测和追踪中应用较少。黄羽鸡相较于其他被测目标具有尺寸小、且尺度变化不大的特点，现有的目标检测算法无法在黄羽鸡检测上发挥应有的检测效果。此外由于平养舍相对笼养舍更大，鸡只活动更为自由且鸡只存在聚集行为，这些都进一步加大了平养舍中黄羽鸡多目标追踪的难度。

发明内容

本发明的目的是针对现有技术存在的不足，提供一种平养鸡舍黄羽鸡多目标跟踪方法。

为实现上述目的，本发明提供了一种平养鸡舍黄羽鸡多目标跟踪方法，包括：

步骤1，构建目标检测数据集和多目标跟踪数据集；