[发明专利]基于神经网络的圈养家畜多目标追踪方法及装置

说明书

本发明公开了一种基于神经网络的圈养家畜多目标追踪方法及装置，方法包括以下步骤：建立多目标追踪模型，所述多目标追踪模型包括YOLOv3改进网络、连接过渡层和Deep Sort改进网络，所述YOLOv3改进网络增加了目标特征数据的获取，所述Deep Sort改进网络省略了表观特征提取的神经网络；获取已有圈养家畜目标位置的若干图像，作为训练数据集对多目标追踪模型进行训练；获取家畜待追踪视频，将视频的每一帧图像输入已经训练好的多目标追踪模型，实现每个家畜目标的追踪。本发明复杂度低，追踪准确率高，追踪速率高。

技术领域

本发明涉及计算机视觉人工智能技术领域，尤其涉及一种基于神经网络的圈养家畜多目标追踪方法及装置。

背景技术

利用计算机视觉技术对家畜进行管理逐渐成为基于人工智能畜牧业的核心技术。目前基于计算机视觉技术的家畜养殖在视频图像上仅能够获取家畜的位置、识别家畜的种类，不能够对视频中每一个家畜目标进行追踪。事实上，高效的AI家畜管理技术需要对家畜的运动特征进行持续捕捉与信息收集，宏观的目标定位与种类识别不能关注到个体家畜的健康状况。缺少多目标追踪的家畜AI管理带来了较高的家畜管理成本，不利于低成本的人工智能的家畜养殖的实现，高效的人工智能管理需要对监控视频中的动物目标进行运动与活跃状态的持续跟踪。传统的多目标追踪算法基于图片识别算法之上在时间复杂度性能与追踪准确率性能有所欠缺，使得基于实时视频的多目标追踪算法难以满足工业与实际的需求。

发明内容

发明目的：本发明针对现有技术存在的问题，提供一种复杂度低、准确率高的基于神经网络的圈养家畜多目标追踪方法及装置。

技术方案：本发明所述的基于神经网络的圈养家畜多目标追踪方法包括以下步骤：

建立多目标追踪模型，所述多目标追踪模型包括YOLOv3改进网络、连接过渡层和Deep Sort改进网络，所述YOLOv3改进网络包括YOLOv3网络和目标特征数据获取模块，所述YOLOv3网络输出为目标坐标数据，所述目标特征数据获取模块用于从YOLOv3网络中获取目标特征数据，所述目标坐标数据直接输入至Deep Sort改进网络，所述连接过渡层用于对目标特征数据进行平均池化处理和归一化处理得到目标的表观特征数据，并输入Deep Sort改进网络，所述Deep Sort改进网络省略了用于提取表观特征的深度卷积神经网络，从目标坐标数据中提取运动特征数据，并结合所述连接过渡层输出的表观特征数据进行目标匹配和追踪；

获取已有圈养家畜目标位置的若干图像，作为训练数据集对多目标追踪模型进行训练；

获取家畜待追踪视频，将视频的每一帧图像输入已经训练好的多目标追踪模型，实现每个家畜目标的追踪。

进一步的，所述目标特征数据获取模块获取目标特征数据的步骤具体包括：

根据目标坐标数据中被识别目标所在候选框位置信息，获取能够包含候选框的最小整格框，作为目标特征框；

在YOLOv3网络的特征提取网络中的目标特征采集层提取尺度为26×26×512的特征数据集；

在目标特征框所在位置找到特征数据集中对应的特征信息，将其作为目标特征数据A_obj。

进一步的，所述连接过渡层对所述目标特征数据的处理步骤具体包括：

平均池化处理：将尺度为P×Q×512的目标特征数据A_obj平均池化为1×1×512的一维数据a_obj，其中a_obj的第i个元素a_obj(i)为：

式中，P表示目标特征数据的第一尺度的维数，Q表示目标特征数据第二尺度的维数，A_obj(s,j,i)表示A_obj中坐标为(s,j,i)的数据值；