[发明专利]一种无侵入动物行为特征观测方法

说明书

本发明公开了一种无侵入动物行为特征观测方法，属于人工智能算法动物学与行为分析技术领域，根据标记的特征点坐标，进行动物的肢体运动分析，通过动物的各个关节点坐标来分析老鼠的前后肢关节运动状态；将数据集随机分为训练集和测试集；通过神经网络来训练训练集，然后通过测试集计算神经网络预测的误差并对其进行评估。本发明还使用了迁移学习，当在对另外一种动物进行行为分析时，可以通过少量的标记数据集与之前的训练模型结合，达到相近的训练效果，从而达到减少人工标注的成本与时间。

技术领域

本发明涉及人工智能算法动物学与行为分析领域，具体涉及一种无侵入动物行为特征观测方法。

背景技术

动物行为是指动物受自身思想支配而表现出来的活动形式、发声和身体姿势，并在外表上可以进行辨认的变化，这些变化可以起到对外界传达信息的作用。随着人类在神经科学、医药学、社会科学等领域的探索发展，动物行为往往作为实验对象进行观测和研究。以老鼠为例，研究人员经常通过观察老鼠的行为来验证药物或治疗的可靠性。随着研究的深入，对于老鼠的行为观察精度需求越来越高，因此侵入式传感器和标记物被广泛的应用于老鼠的社会行为观察之中。但是侵入式传感器和标记物这两种方法都存在很大的局限性，侵入式传感器造价较高，同时需要进行复杂的手术，而且手术过程对于实验对象也有一定程度上的损伤，这对于实验结果会造成潜在的影响；使用标记物一般是在直接老鼠表皮上进行标记，操作简单的同时成本低廉，但实际上在老鼠的运动过程中，关节骨骼与老鼠的表皮会有较大幅度的相对移动，导致实验精度很差。因此，使用一种不对动物造成伤害并且将精度保持在较高水准的老鼠观测系统是本发明需要解决的问题。

受观测要求的限制，以往对于动物行为方面的检测一般是将动物放在面积较大且限制较少的行为箱中进行观察，然后通过人工观察的方式来进行检测。而近年来，传统的图像处理技术与动物行为观察之间拥有了长足的进展，但当这种观察方式与机器学习、行为运动学结合起来时，摄像机很难观察到动物的特定行为，摄像机观测的效果也较差，特别时再针对动物的四肢以及头部运动的观察时，同时传统行为观察箱宽阔的观测空间会导致动物的肢体运动会被身体遮掩，运动激励手段的缺失也使得动物的肢体运动存在随机性，这对于机器学习过程有很大的干扰。因此，精确观察动物四肢与头部的行为特征并将其与机器学习结合同样是本发明需要解决的问题。

发明内容

为此，需要提供一种无侵入动物行为特征观测方法，通过限制动物的行动范围来对动物进行特定特征的观察，增强训练效率，通过动物四肢以及头部偏移角度的变化来进行行为分析。

为实现上述目的，本发明提供了一种无侵入动物行为特征观测方法，具体包括以下步骤：

获取动物运动视频；

对视频图像进行处理，标记视频图像中动物的特征点数据，将数据存储成数据集；

根据动物的特征点数据，进行动物肢体肢体运动分析分析，即通过动物各个关节的变化分析动物的前后肢关节的运动状态；

将以上数据集随机分为训练集和测试集，使用训练集训练神经网络模型，采用测试集对神经网络模型进行评估；

采用神经网络模型对动物行为进行分析。

本技术方案进一步的优化，所述神经网络模型具有四个阶段级预估特征点坐标，并使用损失函数提升估计精度。

本技术方案进一步的优化，所述使用测试集对神经网络模型进行评估，具体包括：将每一个标记特征点生成一个高斯概率的热图，在估计特征点坐标之后，使用双三次插值即将高斯热图恢复至原输入图像大小，使用均方误差来计算标记热图与估计热图之间的误差，同时使用soft-argmax方法，将热图的最大值位置转化为特征点的坐标，然后使用损失函数来计算标记特征点与估计特征点的误差。

本技术方案更进一步的优化，所述soft-argmax公式为：