CN114693576A - 一种实验动物行为学三维数据记录方法 - Google Patents
一种实验动物行为学三维数据记录方法 Download PDFInfo
- Publication number
- CN114693576A CN114693576A CN202210316172.4A CN202210316172A CN114693576A CN 114693576 A CN114693576 A CN 114693576A CN 202210316172 A CN202210316172 A CN 202210316172A CN 114693576 A CN114693576 A CN 114693576A
- Authority
- CN
- China
- Prior art keywords
- cage
- experimental animal
- video
- coordinate
- frame
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000010171 animal model Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000003542 behavioural effect Effects 0.000 title claims abstract description 23
- 230000006870 function Effects 0.000 claims description 31
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000003384 imaging method Methods 0.000 claims description 10
- 235000007265 Myrrhis odorata Nutrition 0.000 claims description 6
- 235000012550 Pimpinella anisum Nutrition 0.000 claims description 6
- 240000004760 Pimpinella anisum Species 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 230000003068 static effect Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000009432 framing Methods 0.000 claims description 3
- 230000008676 import Effects 0.000 claims description 3
- LFULEKSKNZEWOE-UHFFFAOYSA-N propanil Chemical group CCC(=O)NC1=CC=C(Cl)C(Cl)=C1 LFULEKSKNZEWOE-UHFFFAOYSA-N 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 abstract description 17
- 238000011160 research Methods 0.000 abstract description 7
- 230000008569 process Effects 0.000 abstract description 4
- 241000282693 Cercopithecidae Species 0.000 description 16
- 241001465754 Metazoa Species 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 230000009977 dual effect Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000288906 Primates Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000013016 learning Effects 0.000 description 1
- 241001515942 marmosets Species 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011273 social behavior Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03B—APPARATUS OR ARRANGEMENTS FOR TAKING PHOTOGRAPHS OR FOR PROJECTING OR VIEWING THEM; APPARATUS OR ARRANGEMENTS EMPLOYING ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ACCESSORIES THEREFOR
- G03B15/00—Special procedures for taking photographs; Apparatus therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种实验动物行为学三维数据记录方法,涉及行为学研究领域。本发明的方法能重现实验动物的空间位置,且在应用过程中不需要指示灯,也不需要额外搭建总控开关,可在压缩实验软硬件成本的同时,消除指示灯法隐含的视频指示灯缺失、总控法隐含的控制延时等可能性,保障实验的有效率和实验数据的有效性,降低反复实验的几率。
Description
技术领域
本发明涉及行为学研究领域,具体涉及一种实验动物行为学三维数据记录方法。
背景技术
在生物学、医学、神经科学等领域中,行为学研究是一种常用且重要的技术手段,动物行为学研究动物对环境和其他生物的互动,是以其沟通行为、情绪表达、社交行为、学习行为、繁殖行为等为研究对象的学科。相对于微观研究,动物行为学能反映出多因素混合作用下的动物的整体状态。其中通过行为学录像数据获得实验动物具体位置是主要环节之一,随着生物学、医学、神经科学等领域的不断发展,模式动物的种类不断丰富,行为学研究也从平面发展到立体空间内。
现有技术的空间行为捕捉装置多采用双摄像机、三摄像机、多摄像机进行三维捕捉。摄像头数量越多,设备控制、数据匹配和分析等工作就越复杂,越容易产生问题,从而出现无效实验。而许多行为学实验不允许重复实验,且像灵长类等实验动物稀缺,所以无效实验的成本极高。与此同时,摄像头数量越少越难以做到全方位拍摄,比如仅用单一摄像机得到的视频,无法提供视线方向的运动信息。
多摄像机的数据处理,通常依据时间对齐所有视频,再根据研究实际需要,选择背景减噪法(Griffiths,B.B.,et al.,Pre-treatment with microRNA-181a AntagomirPrevents Loss of Parvalbumin Expression and Preserves Novel ObjectRecognition Following Mild Traumatic Brain Injury.Neuromolecular Med,2019.21(2):p.170-181.)或基于特征点检测的动物姿态评估法(Wang,Z.R.,et al.,Leap Motion-based virtual reality training for improving motor functional recovery ofupper limbs and neural reorganization in subacute stroke patients.NeuralRegen Res,2017.12(11):p.1823-1831.)等方法获得动物实际位置。
在实际的研究过程中,视频对齐的方法大致有两种:一种是指示灯法,即多台独立摄像机共用一个记录指示灯,根据每个视频中指示灯点亮和熄灭的时刻确定各自的起止时间,然后对齐所有视频,有时不同摄像机录制的视频帧率不同,还需另做计算;另一种是总控法,即额外搭建控制系统,用单一开关控制所有摄像机。使用指示灯法时,通常会根据实际实验需要而调整指示灯位置或形态,如果有某个摄像机未能完整记录到指示灯,会极大程度影响数据分析,甚至产生无效数据;使用总控法时,如果线路有损或无线信号弱,会产生可观的延时甚至摄像机不工作,进而造成多视频实际不匹配,在无形中影响数据质量和分析结果。
发明内容
为消除现有常用方法在实际操作中隐含的控制不足,本发明以单摄像机配合平面镜达到双摄像机的效果,提供了一种实验动物行为学三维数据记录的方法。
本发明提供了一种实验动物行为学三维数据记录的方法,包括以下步骤:
(1)将平面镜与笼具侧面夹角摆放;笼具朝向平面镜的一侧称为笼具成像侧面,笼具成像侧面镜面成像与笼具成像侧面垂直;摄像机设于平面镜前方且摄像机视线水平并正对笼具靠近平面镜一侧侧棱的中点;所述平面镜的高度不低于笼具的高度,平面镜的宽度大于笼具的宽度,至少笼具的正面和笼具成像侧面为网格状结构;所述摄像机为单摄像机;
(2)录制行为学视频;录制笼具内实验动物的行为学视频;
(3)打开MATLAB软件,使用importdata函数将录制的行为学视频文件导入内存,使用VideoReader函数调取视频帧率fps;
(4)使用imshow函数显示视频第一帧画面,框选笼具在行为学视频中的位置,作为笼具正面和笼具镜面的追踪范围,并计算每个像素点在所有帧内的平均灰度值,得到行为学视频静态背景图;
(5)调取每一帧画面,用每帧画面与得到的行为学视频静态背景图作差取绝对值,得到非零灰度的像素点,即实验动物的轮廓位置,并计算每一帧实验动物轮廓的质心,得到实验动物的坐标;
(6)设定相邻两帧实验动物坐标差值的阈值thrPixel,若两帧间坐标差值大于阈值thrPixel,或未识别出坐标,使用imshow函数逐一显示异常坐标对应的画面,使用ginput函数人工点击实验动物实际位置并返回坐标替换原异常坐标,可得到实验动物在笼具正面和笼具镜面中每一帧的校正后坐标;
(7)设定笼具正面的坐标为三维坐标系xyz轴的x轴和z轴坐标,笼具镜面的坐标为y轴和z轴坐标;将校正后笼具正面的x轴坐标、z轴坐标和笼具镜面的y轴坐标相结合,可得到实验动物每一帧的三维坐标;
(8)相邻帧三维坐标间的距离即为实验动物单位时间内运动的像素距离,根据笼具实际长度和像素长度可计算出比例尺,从而通过像素距离和比例尺计算得出实验动物运动参数。
步骤(1)中,所述摄像机设于平面镜前方且摄像机视线水平并正对笼具靠近平面镜一侧且远离平面镜的侧棱的中点。
优选的,步骤(1)中所述笼具的所有面为网格状结构,可以使场景内保持光线充足,更好的观察实验动物运动轨迹;网格状结构的大小设置为实验动物无法逃逸的最大方格。
具体的,步骤(2)所述行为学视频参数为:帧率不低于30帧/秒,画质为480×360或以上,视频格式为AVI、MOV或MP4格式。
优选的,为减小实验人员操作过程中对实验动物产生的影响,步骤(3)中将整个行为学视频开始后和结束前10s的视频删除。
优选的,步骤(3)中使用rgb2gray函数将剪辑后的视频逐帧进行灰度转化,可将视频由RGB模式转为灰度格式,可节省数据储存空间和计算量的同时,不影响轨迹追踪效果。将灰度视频保存为MAT格式数据,便于后期处理分析。
优选的,步骤(4)中使用drawpolygon函数框选笼具在行为学视频中的位置。
具体的,步骤(4)中使用mean函数计算每个像素点在所有帧内的平均灰度值。
为排除零星像素点的干扰,步骤(5)中设定实验动物体型参数widthAni,使用strel函数建立形态学结构元素aniSE;设定灰度差值阈值thrG,设为在笼具正面或笼具镜面的追踪范围内所有非零像素点像素值的上四分位数,低于灰度差值阈值thrG的像素点判为0,得到实验动物的画面像素矩阵bwImg1;使用imerode函数,以结构元素aniSE对实验动物的画面像素矩阵bwImg1进行腐蚀,再使用imreconstruct函数,基于腐蚀后图像,对实验动物的画面像素矩阵bwImg1进行形态学重建,得到形态学重建后的画面像素矩阵bwImg2;每一帧形态学重建后的画面像素矩阵bwImg2中,都有一个实验动物的轮廓位置。
步骤(8)中结合像素距离和比例尺以及帧率,计算实验动物单位时间内的实际运动距离,即瞬时速度;计算实验动物一段时间内的实际运动距离,即平均速度;继续划分笼具空间,计算空间亚区内实验动物的停留时间、运动距离或运动速度。
本发明的有益效果:
本发明的方法能重现实验动物的空间位置,且在应用过程中不需要指示灯,也不需要额外搭建总控开关,可在压缩实验软硬件成本的同时,消除指示灯法隐含的视频指示灯缺失、总控法隐含的控制延时等可能性,保障实验的有效率和实验数据的有效性,降低反复实验的几率。
附图说明
图1为笼具与平面镜构架俯视图;其中,1为平面镜;2为笼具;3为摄像机。
图2为笼具与平面镜构架侧视图;其中,1为平面镜;2为笼具;3为摄像机。
图3为笼具与平面镜构架后视图;其中,1为平面镜;2为笼具;3为摄像机。
图4为实施例1与传统单摄像头和双摄像头数据的比较图;其中a为正面单机位的二维记录轨迹图;b为顶面单机位的二维记录轨迹图;c为实施例1的二维记录轨迹图。
图5为实施例1与传统单摄像头和双摄像头数据的比较图;其中a为正面单机位的二维记录轨迹图;b为顶面单机位的二维记录轨迹图;c为实施例1的二维记录轨迹图。
图6为实施例1与传统单摄像头和双摄像头数据的三维比较图;其中A为基于正面和顶面双摄像头确定的三维轨迹图;B为单摄像头配合平面镜确定的三维轨迹图。
图7为实施例1与传统单摄像头和双摄像头数据的三维比较图;其中A为基于正面和顶面双摄像头确定的三维轨迹图;B为单摄像头配合平面镜确定的三维轨迹图。
具体实施方式
实施例1
以狨猴为例;本方法涉及到的数据处理均基于MATLAB2021a;计算机配置为Intel(R)Core(TM)i7-8700K CPU@3.70GHz,64GB RAM,NVIDIA GeForce GTX 10606GB,Windows10。
1.按照图1-3构架图,准备行为学实验记录需要的配件材料,搭建行为学场景。猴笼尺寸为90cm×90cm×90cm,除必要的运猴拉门所在面,其他面都是2.5cm×2.5cm的浅色网格。平面镜宽135cm,高90cm,与猴笼成45°立于猴笼一侧;摄像机视线水平,且对准猴笼侧棱的中点。场景内保持光线充足,环境背景颜色与实验动物的颜色需呈较大反差,空间内整洁无杂物,除实验对象外无其他运动物体。
2.录制行为学视频前,按照不同实验需要,安排实验动物适应行为学实验环境。通常是依照正式实验流程,在正式实验记录前几天,每天特定时间段内将实验动物放入行为学猴笼内自由活动特定时长,然后将实验动物取出放回原猴舍。
3.正式实验记录前,检查确保摄像机电量充足,设置视频参数为480×360或以上、帧率30帧/秒、AVI/MOV/MP4格式均可。实验记录时,先将实验动物从原猴舍转移放入行为学猴笼,然后打开摄像机。开机后实验人员迅速离开记录房间,确保实验动物不受人员影响而实验人员须时刻观察动物情况。可给房间配置单向镜或监控等来实现。记录达到特定时长后,实验人员快速回到记录房间关闭摄像机,然后取出实验动物放回其原猴舍。
4.取出摄像机存储卡,将视频文件导入计算机。打开MATLAB,使用importdata函数将视频文件导入内存,使用VideoReader函数调取视频帧率fps。为减小实验人员操作过程中对实验动物产生的影响,将整个记录视频开始后和结束前10s的视频删除。使用rgb2gray函数将剪辑后的视频逐帧进行灰度转化,可将视频由RGB模式转为灰度格式,节省数据储存空间和计算量的同时,不影响轨迹追踪效果。将灰度视频保存为MAT格式数据,便于后期处理分析。
5.使用imshow函数显示视频第一帧画面,使用drawpolygon函数框选真实猴笼在视频中的位置,作为猴笼正面(Cage Front,CF)的追踪范围mazeMaskCF;重复此操作框选猴笼镜面(Cage Mirror,CM)的追踪范围mazeMaskCM。使用mean函数计算每个像素点在所有帧内的平均灰度值,由此可以得到视频静态背景图bgImgM。
6.调取每一帧画面,用每帧画面与bgImgM作差取绝对值,得到的非零灰度的像素点都可能是实验动物。为排除零星像素点的干扰,需对非零灰度像素进行优化。设定实验动物体型参数widthAni(通常可设为身宽),使用strel函数建立形态学结构元素aniSE。设定灰度差值阈值thrG,通常可设为在mazeMaskCF或mazeMaskCM内所有非零像素点像素值的上四分位数,低于thrG的像素点判为0,得到实验动物的画面像素矩阵bwImgl。为减小因笼具等实验器材的遮蔽对影像造成的缺失,使用imerode函数,以结构元素aniSE对bwImg1进行腐蚀,再使用imreconstruct函数,基于腐蚀后图像,对bwImg1进行形态学重建,得到bwImg2。至此,每一帧bwImg2中,都有一个更贴近实际的实验动物的轮廓bwP。计算每一帧bwP的质心,可得到实验动物每帧的坐标mCen。
7.设定相邻两帧实验动物坐标差值的阈值thrPixel,若两帧间坐标mCen差值大于thrPixel,或未识别出坐标,则使用imshow函数逐一显示异常坐标对应的画面,使用ginput函数人工点击实验动物实际位置并返回坐标替换原异常坐标。反复筛检修正,得到实验动物在CF和CM中每一帧的校正后坐标。
8.通常,CF面的坐标为三维坐标系xyz轴的x轴和z轴坐标,CM面的坐标为y轴和z轴坐标。以校正后CF面的x、z和CM面的y相结合,可得到实验动物每一帧的三维坐标mCenA。
9.相邻帧三维坐标间的距离即为实验动物单位时间内运动的像素距离。已知猴笼边的实际长度和像素长度可计算出比例尺。根据实验需要:结合像素距离和比例尺以及帧率,可计算实验动物单位时间内的实际运动距离,即瞬时速度;亦可计算实验动物一段时间内的实际运动距离,即平均速度;继续划分猴笼空间,可计算空间亚区内实验动物的停留时间、运动距离、运动速度等。
基于本方法的行为场构架,应用单摄像机配合平面镜做记录分析,对比同期使用传统单摄像头和双摄像头的数据。如图4-7所示,图4和图5是两次实验的结果,图4a和图5a是正面单机位的二维记录轨迹,图4b和图5b是顶面单机位的二维记录轨迹,图4c和图5c是本方法的二维记录轨迹。图4a和图5a的轨迹路程分别为14.11m和13.50m,图4b和图5b轨迹路程分别为10.50m和12.47m。图6和图7是图4和图5两次记录的三维轨迹结果。图6A和图7A是基于正面和顶面双摄像头确定的三维轨迹,图6B和图7B是本方法即单摄像头配合平面镜确定的三维轨迹。图6A和图7A三维轨迹的总路程分别为17.63m、17.03m;图6B和图7B三维轨迹的总路程分别为18.16m和17.82m。两次实验记录时长分别为4.8min和5.4min。以传统的双摄像头数据作为对照。结果表明,约5min的总路程,用传统仅单一摄像头得到的结果差值达到3.52m-7.13m,占实际距离的19.97%-40.44%。而本方法得到的轨迹,差值均在1m之内(分别为0.60m和0.34m,占比3.40%和1.87%),说明本发明的方法能良好地呈现实验动物运动的三维轨迹,同时避免视频匹配对齐等繁杂计算,降低指示灯法或总控法隐含的指示灯缺失或控制延时等可能性。
Claims (9)
1.一种实验动物行为学三维数据记录的方法,其特征在于,包括以下步骤:
(1)将平面镜与笼具侧面夹角摆放;笼具朝向平面镜的一侧称为笼具成像侧面,笼具成像侧面的镜面成像与笼具成像侧面垂直;摄像机设于平面镜前方且摄像机视线水平并正对笼具靠近平面镜一侧侧棱的中点;所述平面镜的高度不低于笼具的高度,平面镜的宽度大于笼具的宽度,至少笼具的正面和笼具成像侧面为网格状结构;所述摄像机为单摄像机;
(2)录制行为学视频;录制笼具内实验动物的行为学视频;
(3)打开MATLAB软件,使用importdata函数将录制的行为学视频文件导入内存,使用VideoReader函数调取视频帧率fps;
(4)使用imshow函数显示视频第一帧画面,框选笼具在行为学视频中的位置,作为笼具正面和笼具镜面的追踪范围,并计算每个像素点在所有帧内的平均灰度值,得到行为学视频静态背景图;
(5)调取每一帧画面,用每帧画面与得到的行为学视频静态背景图作差取绝对值,得到非零灰度的像素点,即实验动物的轮廓位置,并计算每一帧实验动物轮廓的质心,得到实验动物的坐标;
(6)设定相邻两帧实验动物坐标差值的阈值thrPixel,若两帧间坐标差值大于阈值thrPixel,或未识别出坐标,使用imshow函数逐一显示异常坐标对应的画面,使用ginput函数人工点击实验动物实际位置并返回坐标替换原异常坐标,可得到实验动物在笼具正面和笼具镜面中每一帧的校正后坐标;
(7)设定笼具正面的坐标为三维坐标系xyz轴的x轴和z轴坐标,笼具镜面的坐标为y轴和z轴坐标;将校正后笼具正面的x轴坐标、z轴坐标和笼具镜面的y轴坐标相结合,可得到实验动物每一帧的三维坐标;
(8)相邻帧三维坐标间的距离即为实验动物单位时间内运动的像素距离,根据笼具实际长度和像素长度可计算出比例尺,从而通过像素距离和比例尺计算得出实验动物的运动参数。
2.如权利要求1所述的方法,其特征在于,步骤(1)中所述笼具的所有面为网格状结构。
3.如权利要求1所述的方法,其特征在于,步骤(2)所述行为学视频参数为:帧率不低于30帧/秒,画质为480×360或以上,视频格式为AVI、MOV或MP4格式。
4.如权利要求1所述的方法,其特征在于,步骤(3)中将整个行为学视频开始后和结束前10s的视频删除。
5.如权利要求4所述的方法,其特征在于,步骤(3)中使用rgb2gray函数将剪辑后的视频逐帧进行灰度转化,将视频由RGB模式转为灰度格式。
6.如权利要求1所述的方法,其特征在于,步骤(4)中使用drawpolygon函数框选笼具在行为学视频中的位置。
7.如权利要求1所述的方法,其特征在于,步骤(4)中使用mean函数计算每个像素点在所有帧内的平均灰度值。
8.如权利要求1所述的方法,其特征在于,步骤(5)中设定实验动物体型参数widthAni,使用strel函数建立形态学结构元素aniSE;设定灰度差值阈值thrG,设为在笼具正面或笼具镜面的追踪范围内所有非零像素点像素值的上四分位数,低于灰度差值阈值thrG的像素点判为0,得到实验动物的画面像素矩阵bwImg1;使用imerode函数,以结构元素aniSE对实验动物的画面像素矩阵bwImg1进行腐蚀,再使用imreconstruct函数,基于腐蚀后图像,对实验动物的画面像素矩阵bwImg1进行形态学重建,得到形态学重建后的画面像素矩阵bwImg2;每一帧形态学重建后的画面像素矩阵bwImg2中,都有一个实验动物的轮廓位置。
9.如权利要求1所述的方法,其特征在于,步骤(8)中结合像素距离和比例尺以及帧率,计算实验动物单位时间内的实际运动距离,即瞬时速度;计算实验动物一段时间内的实际运动距离,即平均速度;继续划分笼具空间,计算空间亚区内实验动物的停留时间、运动距离或运动速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210316172.4A CN114693576B (zh) | 2022-03-28 | 2022-03-28 | 一种实验动物行为学三维数据记录方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210316172.4A CN114693576B (zh) | 2022-03-28 | 2022-03-28 | 一种实验动物行为学三维数据记录方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114693576A true CN114693576A (zh) | 2022-07-01 |
CN114693576B CN114693576B (zh) | 2023-07-18 |
Family
ID=82140127
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210316172.4A Active CN114693576B (zh) | 2022-03-28 | 2022-03-28 | 一种实验动物行为学三维数据记录方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114693576B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005088541A1 (de) * | 2004-03-08 | 2005-09-22 | Hendrik Fehlis | Echtzeit-bewegungsanalysevorrichtung |
CN109947233A (zh) * | 2017-12-20 | 2019-06-28 | 天津大学 | 一种实验仪器操作行为记录系统 |
CN111476883A (zh) * | 2020-03-30 | 2020-07-31 | 清华大学 | 多视角无标记动物的三维姿态轨迹重建方法及装置 |
CN111563465A (zh) * | 2020-05-12 | 2020-08-21 | 淮北师范大学 | 一种动物行为学自动分析系统 |
CN112101146A (zh) * | 2020-08-28 | 2020-12-18 | 中国科学院深圳先进技术研究院 | 一种动物行为学记录三维捕捉装置、方法、系统及应用 |
-
2022
- 2022-03-28 CN CN202210316172.4A patent/CN114693576B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005088541A1 (de) * | 2004-03-08 | 2005-09-22 | Hendrik Fehlis | Echtzeit-bewegungsanalysevorrichtung |
CN109947233A (zh) * | 2017-12-20 | 2019-06-28 | 天津大学 | 一种实验仪器操作行为记录系统 |
CN111476883A (zh) * | 2020-03-30 | 2020-07-31 | 清华大学 | 多视角无标记动物的三维姿态轨迹重建方法及装置 |
CN111563465A (zh) * | 2020-05-12 | 2020-08-21 | 淮北师范大学 | 一种动物行为学自动分析系统 |
CN112101146A (zh) * | 2020-08-28 | 2020-12-18 | 中国科学院深圳先进技术研究院 | 一种动物行为学记录三维捕捉装置、方法、系统及应用 |
Non-Patent Citations (2)
Title |
---|
何坤金 等: "基于视频的静态场景与运动物体三维融合研究", 系统仿真学报, vol. 28, no. 1, pages 63 - 69 * |
韩亚宁: "基于人工智能的动物结构化行为分析与研究", 中国优秀硕士学位论文全文数据库基础科学辑, no. 8, pages 006 - 99 * |
Also Published As
Publication number | Publication date |
---|---|
CN114693576B (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Köhler et al. | Toward bridging the simulated-to-real gap: Benchmarking super-resolution on real data | |
US8636361B2 (en) | Learning-based visual attention prediction system and method thereof | |
CN109284737A (zh) | 一种用于智慧教室的学生行为分析和识别系统 | |
CN105957110B (zh) | 用于检测对象的设备和方法 | |
DE112016006066T5 (de) | Analyse von umgebungslicht zur blickverfolgung | |
CN109035307B (zh) | 基于自然光双目视觉的设定区域目标追踪方法及系统 | |
US20060029254A1 (en) | Methods and computer-readable medium for navigating between a plurality of discrete images | |
CN111563449A (zh) | 一种实时课堂注意力检测方法及系统 | |
CN105809711A (zh) | 一种基于视频追踪的猪只运动大数据提取方法及其系统 | |
EP3432575A1 (en) | Method for performing multi-camera automatic patrol control with aid of statistics data in a surveillance system, and associated apparatus | |
CN108010058A (zh) | 一种对视频流中目标对象进行视觉跟踪的方法及系统 | |
CN114693576B (zh) | 一种实验动物行为学三维数据记录方法 | |
Liu et al. | MonkeyTrail: A scalable video-based method for tracking macaque movement trajectory in daily living cages | |
CN115984124A (zh) | 一种神经形态脉冲信号去噪和超分辨方法及装置 | |
Ba et al. | Probabilistic head pose tracking evaluation in single and multiple camera setups | |
Tsuruda et al. | 3D body parts tracking of mouse based on RGB-D video from under an open field | |
CN115082537A (zh) | 单目自监督水下图像深度估计方法、装置及存储介质 | |
CN109361904A (zh) | 一种监控视频切片存储方法及系统 | |
Guney et al. | " What Is Optical Flow for?": Workshop Results and Summary | |
CN113869123A (zh) | 一种基于人群的事件检测方法及相关装置 | |
US11373318B1 (en) | Impact detection | |
CN112766033A (zh) | 一种基于多视角相机估计场景下行人共同关注目标的方法 | |
KR101807201B1 (ko) | 영상분석을 이용한 공감 감성 추론 방법 및 시스템 | |
Magee et al. | Towards a multi-camera mouse-replacement interface | |
Verschae et al. | A multi-camera system for underwater real-time 3D fish detection and tracking |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |