ORP-Byte与其他多目标跟踪算法对比的可视化结果
（图文|鲁基圣 编辑|信息 审核|王海燕）近日，我校信息学院王海燕副教授研究成果以“ORP-Byte: A multi-object tracking method of pigs that combines Oriented RepPoints and improved Byte”为题在农业计算机与电子信息领域期刊Computers and Electronics in Agriculture在线发表。该研究利用猪场日常监控视频，结合旋转边界框检测模型和改进Byte关联算法，提出一种基于群养环境的猪只多目标跟踪方法，实现对非接触、无应激、低成本、高精度的猪只个体识别。
对每头猪进行独特的个体身份识别，可记录和监测猪的日常行为和生理状态，是高通量获取猪表型数据、实现生产性能指标自动测定的基础，在猪智能表型组研究中发挥着关键作用。目前猪的个体识别主要采用射频识别（RFID）技术，但该技术存在诸多缺陷：电子耳标易造成猪的应激反应；感应器只能在特定范围内读取电子耳标信息，无法实现实时和持续的识别；电子耳标随着猪的运动容易丢失或损坏，导致数据错误。随着人工智能技术和计算机视觉技术的发展，基于视频的多目标检测和跟踪算法由于其出色的目标持续感知和理解能力，受到广泛应用，因此该研究将多目标检测和跟踪算法引入到猪场高密度养殖环境下的猪只个体识别研究中。在猪场群养环境中，由于猪只重叠、相互遮挡、体型相似、易形变、移动和光线波动等原因，导致目标检测和跟踪的不稳定和不准确。针对上述问题，该论文提出一种新颖的猪多目标检测与跟踪算法ORP-Byte，用于猪只个体身份识别。该算法主要由2部分组成：目标检测和跟踪。为监控到猪栏的全部，一般猪场日常监控摄像头安装在猪栏上方正中处。对于从俯视角度拍摄的图像，旋转框可更好与地面物体对齐，减少背景干扰，使模型能够提取更准确的物体特征。猪的形变有多个方向，该算法选择旋转框检测模型Oriented RepPoints来准确定位猪只。对于跟踪过程，该方法提出在Byte跟踪算法中添加中心距离匹配机制以解决由于猪只在跟踪过程中的不规则运动和身体形变导致的ID切换问题。
该研究在猪群跟踪数据集上对ORP-Byte进行了评估，并与其他多目标跟踪方法进行对比：ORP-Byte在检测精度仅为82.4%的情况下实现了99.8%的MOT准确度（MOTA）、16的IDSW、91.6%的身份F1分数（IDF1）；该方法在MOTA、IDF1、HOTA等多个指标上均优于现有多目标跟踪方法，如SORT算法和DeepSORT算法。此外，该方法还支持5帧/秒的低帧率视频的猪只目标跟踪。结果表明，该方法能在群养环境下准确实时地追踪每头猪的轨迹、高精度地识别每头猪的身份。
本研究突破了高密度群养环境下进行猪只个体识别的技术瓶颈，摆脱了电子耳标的识别范围局限性，为密集场景下高通量、持续、无应激、低成本的猪表型数据采集开辟了新路径。借助该方法，猪的行为分析、生长发育、生理状态等各项表型测定都可精细到个体水平，克服了传统方法只能获取群体数据的缺陷，有助于深入分析个体差异、挖掘新的经济性状，有效推进猪智能表型组和智能育种的研究进程。
我校信息学院硕士研究生鲁基圣为该论文第一作者，信息学院本科生陈喆参与该研究，信息学院王海燕副教授为通讯作者，动科动医学院刘小磊教授、付玉华研究员、熊雄副研究员参与指导该研究工作，工学院黎煊副教授参与了该研究工作。该研究获国家重点研发计划、湖北省科技重大专项和中央高校基本科研业务经费资助。