CN115601401A - 基于牲畜群体运动特性的跟踪计数方法及其相关设备 - Google Patents

基于牲畜群体运动特性的跟踪计数方法及其相关设备 Download PDF

Info

Publication number
CN115601401A
CN115601401A CN202211523351.1A CN202211523351A CN115601401A CN 115601401 A CN115601401 A CN 115601401A CN 202211523351 A CN202211523351 A CN 202211523351A CN 115601401 A CN115601401 A CN 115601401A
Authority
CN
China
Prior art keywords
livestock
block diagram
counting
individual
shielded
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
Application number
CN202211523351.1A
Other languages
English (en)
Other versions
CN115601401B (zh
Inventor
尹高
徐妙然
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Property and Casualty Insurance Company of China Ltd
Original Assignee
Ping An Property and Casualty Insurance Company of China Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Property and Casualty Insurance Company of China Ltd filed Critical Ping An Property and Casualty Insurance Company of China Ltd
Priority to CN202211523351.1A priority Critical patent/CN115601401B/zh
Publication of CN115601401A publication Critical patent/CN115601401A/zh
Application granted granted Critical
Publication of CN115601401B publication Critical patent/CN115601401B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30242—Counting objects in image
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/70—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in livestock or poultry

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例属于金融科技技术领域，应用于养殖险智能计数领域中，涉及一种基于牲畜群体运动特性的跟踪计数方法及其相关设备，包括对于被遮挡个体，获取其未被遮挡前满足复用条件的计数框图；获取所述计数框图的拍摄时间点；获取在所述拍摄时间点和当前拍摄时间点之间，所述目标牲畜群体中其他牲畜个体的综合运动特性；根据所述综合运动特性和所述计数框图，预测当前拍摄时间点所述被遮挡个体的所在位置；若所述位置产生了新的计数框图，将所述计数框图的标注编号赋值给所述新的计数框图。本申请根据群体运动特性模拟出被遮挡个体的计数框图位置，避免重复计数，提高智能计数的准确性。

Description

基于牲畜群体运动特性的跟踪计数方法及其相关设备
技术领域
本申请涉及金融科技及养殖险智能计数技术领域，尤其涉及一种基于牲畜群体运动特性的跟踪计数方法及其相关设备。
背景技术
当前，智能点数技术已经在农业养殖险中落地使用，遗憾的是，目前的智能点数技术仅在较为规范化的养殖场中才能表现良好，而且需要安装特殊的拍摄设备，比如:京东农牧的AI团队就要求在猪舍顶棚安装专用的农业摄像头，并架设特定轨道，让摄像头沿着轨道运动，进行生猪点数。
然而，以农业养殖险客户中大多数客户为例，绝大多数的养殖企业和养殖散户，不仅设备成本严重超出了他们的资金承受范围，更重要的是，他们的养猪场不具备规范化条件，无法安装这类设备，从而限制了智能点数技术的应用。根据生猪养殖行业分析报告指出，我国的生猪养殖散户约占50%，对于这类非规范化养殖场所，数据采集只能是人工手持拍摄方式，该方式会在视频中引入各种不确定情况，最常见的猪自身相互遮挡、障碍物遮挡等情况，这些问题是导致智能点数不准的重要原因，也是急需突破的难题。
发明内容
本申请实施例的目的在于提出一种基于牲畜群体运动特性的跟踪计数方法及其相关设备，以便于根据群体运动特性模拟出被遮挡个体的计数框图位置，避免重复计数，提高智能计数的准确性。
为了解决上述技术问题，本申请实施例提供一种基于牲畜群体运动特性的跟踪计数方法，采用了如下所述的技术方案：
一种基于牲畜群体运动特性的跟踪计数方法，包括下述步骤：
从目标牲畜群体实时视频中提取每个牲畜个体对应的计数框图；
根据所述每个牲畜个体对应的计数框图和预设检测条件，判断对所述目标牲畜群体进行实时视频获取中是否存在牲畜个体被其他物体遮挡；
若存在牲畜个体被其他物体遮挡，则根据预设复用条件，获取所述牲畜个体未被完全遮挡前满足复用条件的计数框图替换所述牲畜个体未被其他物体完全遮挡前不满足复用条件的计数框图；
获取所述牲畜个体未被完全遮挡前满足复用条件的计数框图对应的历史拍摄时间点；
根据所述每个牲畜个体对应的计数框图，获取在所述历史拍摄时间点和当前拍摄时间点之间，所述目标牲畜群体中未被遮挡的其他牲畜个体的综合运动特性；
根据所述综合运动特性和被遮挡牲畜个体在所述历史拍摄时间点对应的计数框图，预测所述牲畜个体在所述当前拍摄时间点下对应计数框图的所在位置；
若所述所在位置产生了计数框图，将所述被遮挡牲畜个体在历史拍摄时间点对应的计数框图的标注编号赋值给所述所在位置产生的计数框图。
进一步的，所述从目标牲畜群体实时视频中提取每个牲畜个体对应的计数框图的步骤，具体包括：
根据预设视频切分组件，将所述实时视频根据预设切分间隔切分为一张张视频图片；
将所述一张张视频图片按照切分顺序输入预设的智能AI标注模型，对所述一张张视频图片中的牲畜个体进行智能标注，其中，所述智能AI标注模型为预训练完成的专门为所述目标牲畜提供智能标注的模型，其中，所述智能标注包括矩阵框标注；
根据智能标注结果，获取所述目标牲畜群体中每个个体对应的计数框图，并为所述计数框图设置标注编号，其中，所述智能标注结果包括所述计数框图的位置信息和面积信息。
进一步的，所述根据所述每个牲畜个体对应的计数框图和预设检测条件，判断对所述目标牲畜群体进行实时视频获取中是否存在牲畜个体被其他物体遮挡的步骤，具体包括：
获取所述每个个体对应的计数框图在上一个标注时间点分别对应的面积信息，记为第一框图面积；
获取所述每个个体对应的计数框图在当前标注时间点分别对应的面积信息，记为第二框图面积；
根据预设算法公式、第一框图面积、第二框图面积和预设判断条件，判断对所述目标牲畜群体进行实时视频获取中是否存在牲畜个体被其他物体遮挡。
进一步的，所述根据预设算法公式、第一框图面积、第二框图面积和预设判断条件，判断对所述目标牲畜群体进行实时视频获取中是否存在牲畜个体被其他物体遮挡的步骤，具体包括：
根据所述标注编号，获取同一牲畜个体对应的第一框图面积和第二框图面积；
根据预设算法公式：
Figure 781770DEST_PATH_IMAGE001
，获取所述牲 畜个体在上一个标注时间点至当前标注时间点对应的框图面积变化率,其中， abs函数表 示获取所述第一框图面积和第二框图面积间的面积变化绝对值，max函数表示获取所述第 一框图面积和第二框图面积两者间的最大面积值；
判断所述框图面积变化率是否满足预设的正常变化率阈值；
若所述框图面积变化率不满足预设的正常变化率阈值，则确定对所述目标牲畜群体进行实时视频获取中所述牲畜个体被其他物体遮挡；
若所述框图面积变化率满足预设的正常变化率阈值，则确定对所述目标牲畜群体进行实时视频获取中所述牲畜个体未被其他物体遮挡。
进一步的，所述根据预设复用条件，获取所述牲畜个体未被完全遮挡前满足复用条件的计数框图替换所述牲畜个体未被其他物体完全遮挡前不满足复用条件的计数框图的步骤，具体包括：
获取所述牲畜个体未被其他物体完全遮挡前的计数框图的面积信息和位置信息；
根据所述计数框图对应的标注编号，依次获取所述牲畜个体在未被其他物体完全遮挡前对应的前一个计数框图的面积信息和位置信息；
根据所述牲畜个体在未被其他物体完全遮挡前对应的计数框图的面积信息和位置信息、所述前一个计数框图的面积信息和位置信息、所述复用条件，筛选出所述牲畜个体在未被其他物体完全遮挡前最近的可替换计数框图；
将所述牲畜个体在未被其他物体完全遮挡前最近的可替换计数框图替换为所述牲畜个体在未被其他物体完全遮挡前至被完全遮挡过程中的计数框图。
进一步的，所述根据所述牲畜个体在未被其他物体完全遮挡前对应的计数框图的面积信息和位置信息、所述前一个计数框图的面积信息和位置信息、所述复用条件，筛选出所述牲畜个体在未被其他物体完全遮挡前最近的可替换计数框图的步骤，具体包括：
根据所述牲畜个体在未被其他物体完全遮挡前对应的计数框图的面积信息和位置信息、所述前一个计数框图的面积信息和位置信息，确定两个计数框图交集区域面积与并集区域面积的比值；
判断所述比值是否满足预设跟踪匹配阈值；
若所述比值满足预设跟踪匹配阈值，则将所述前一个计数框图作为所述牲畜个体在未被其他物体完全遮挡前最近的可替换计数框图；
若所述比值不满足预设跟踪匹配阈值，则获取所述前一个计数框图所对应的前一个计数框图的面积信息和位置信息，再次进行判断，直到所述比值满足预设跟踪匹配阈值，则将所述满足预设跟踪匹配阈值的前一个计数框图作为所述牲畜个体在未被其他物体完全遮挡前最近的可替换计数框图。
进一步的，所述根据所述每个牲畜个体对应的计数框图，获取在所述历史拍摄时间点和当前拍摄时间点之间，所述目标牲畜群体中未被遮挡的其他牲畜个体的综合运动特性的步骤，具体包括：
分别获取在所述历史拍摄时间点和所述当前拍摄时间点时，所述目标牲畜群体中未被遮挡的其他牲畜个体的位置信息，根据预设偏移量计算公式，计算出所述目标牲畜群体中未被遮挡的其他牲畜个体的位置偏移量；
根据所述目标牲畜群体中未被遮挡的其他牲畜个体的位置偏移量，获得所述目标牲畜群体的平均位置偏移量；
将所述平均位置偏移量作为所述目标牲畜群体中未被遮挡的其他牲畜个体的综合运动特性。
为了解决上述技术问题，本申请实施例还提供一种基于牲畜群体运动特性的跟踪计数装置，采用了如下所述的技术方案：
一种基于牲畜群体运动特性的跟踪计数装置，包括：
计数框图获取模块，用于从目标牲畜群体实时视频中提取每个牲畜个体对应的计数框图；
遮挡识别模块，用于根据所述每个牲畜个体对应的计数框图和预设检测条件，判断对所述目标牲畜群体进行实时视频获取中是否存在牲畜个体被其他物体遮挡；
计数框图替换模块，用于若存在牲畜个体被其他物体遮挡，则根据预设复用条件，获取所述牲畜个体未被完全遮挡前满足复用条件的计数框图替换所述牲畜个体未被其他物体完全遮挡前不满足复用条件的计数框图；
时间点确定模块，用于获取所述牲畜个体未被完全遮挡前满足复用条件的计数框图对应的历史拍摄时间点；
群体运动特征获取模块，用于根据所述每个牲畜个体对应的计数框图，获取在所述历史拍摄时间点和当前拍摄时间点之间，所述目标牲畜群体中未被遮挡的其他牲畜个体的综合运动特性；
位置预测模块，用于根据所述综合运动特性和被遮挡牲畜个体在所述历史拍摄时间点对应的计数框图，预测所述牲畜个体在所述当前拍摄时间点下对应计数框图的所在位置；
编号赋值模块，用于若所述所在位置产生了计数框图，将所述被遮挡牲畜个体在历史拍摄时间点对应的计数框图的标注编号赋值给所述所在位置产生的计数框图。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现上述所述的基于牲畜群体运动特性的跟踪计数方法的步骤。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上述所述的基于牲畜群体运动特性的跟踪计数方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例所述基于牲畜群体运动特性的跟踪计数方法，对于被遮挡的牲畜个体，获取所述牲畜个体未被遮挡前满足复用条件的计数框图替换所述牲畜个体被其他物体遮挡时的计数框图；获取所述牲畜个体未被遮挡前满足复用条件的计数框图对应的历史拍摄时间点；获取在所述历史拍摄时间点和当前拍摄时间点之间，所述目标牲畜群体中未被遮挡的其他牲畜个体的综合运动特性；根据所述综合运动特性和被遮挡牲畜个体在所述历史拍摄时间点对应的计数框图，预测所述牲畜个体在所述当前拍摄时间点下的计数框图的所在位置；若所述位置产生了新的计数框图，将所述被遮挡牲畜个体在历史拍摄时间点对应的计数框图的标注编号赋值给所述新的计数框图。本申请根据群体运动特性模拟出被遮挡个体的计数框图位置，避免重复计数，提高智能计数的准确性。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性系统架构图；
图2根据本申请的基于牲畜群体运动特性的跟踪计数方法的一个实施例的流程图；
图3是图2所示步骤201的一种具体实施方式的流程图；
图4是图2所示步骤202的一种具体实施方式的流程图；
图5是图4所示步骤403的一种具体实施方式的流程图；
图6是图2所示步骤203的一种具体实施方式的流程图；
图7是图6所示步骤603的一种具体实施方式的流程图；
图8是图2所示步骤205的一种具体实施方式的流程图；
图9根据本申请的基于牲畜群体运动特性的跟踪计数装置的一个实施例的结构示意图；
图10根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器( Moving PictureExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3 )、MP4( MovingPictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4 )播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的基于牲畜群体运动特性的跟踪计数方法一般由服务器/终端设备执行，相应地，基于牲畜群体运动特性的跟踪计数装置一般设置于服务器/终端设备中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的基于牲畜群体运动特性的跟踪计数方法的一个实施例的流程图。所述的基于牲畜群体运动特性的跟踪计数方法，包括以下步骤：
步骤201，从目标牲畜群体实时视频中提取每个牲畜个体对应的计数框图。
本实施例中，基于预设拍摄设备对目标牲畜群体进行实时视频获取；根据预设的视频处理组件，对所述实时视频进行图片化处理。
本实施例中，所述拍摄设备首选可跟随牲畜群体进行移动的非固定式拍摄设备，例如便携式拍摄设备、手机或个人相机等。
本实施例中，所述视频处理组件包括视频切分组件和图片标注组件，其中，视频切分组件用于对视频进行图片化切分，所述图片标注组件用于对图片中检测到的个体进行标注。
继续参考图3，图3是图2所示步骤201的一种具体实施方式的流程图，包括：
步骤301，根据预设视频切分组件，将所述实时视频根据预设切分间隔切分为一张张视频图片；
步骤302，将所述一张张视频图片按照切分顺序输入预设的智能AI标注模型，对所述一张张视频图片中的牲畜个体进行智能标注，其中，所述智能AI标注模型为预训练完成的专门为所述目标牲畜提供智能标注的模型，其中，所述智能标注包括矩阵框标注；
本实施例中，所述智能标注指的是通过识别每一张视频图片中牲畜个体的外部轮廓，获取每一张视频图片中牲畜个体对应的矩阵型框图，所述矩阵型框图的位置信息和面积信息，并为所述矩阵型框图设置标注编号；
步骤303，根据智能标注结果，获取所述目标牲畜群体中每个个体对应的计数框图，并为所述计数框图设置标注编号，其中，所述智能标注结果包括所述计数框图的位置信息和面积信息。
本实施例中，所述目标牲畜群体中每个个体对应的计数框图即每个牲畜个体对应的矩阵型框图。
通过对实时视频经过切分处理、标注处理获取到每个牲畜个体对应的计数框图，并对计数框图设置标注编号，便于智能计数。
本实施例中，在所述根据预设的视频处理组件，对所述实时视频进行图片化处理的步骤之后，所述方法还包括：根据所述计数框图的位置信息对所述计数框图进行滑动变化，其中，所述位置信息中包括所述计数框图的中心坐标、宽度值和高度值，其中，所述滑动变化的具体处理方式为：
根据第一滑动公式：
Figure 430795DEST_PATH_IMAGE002
， 获取滑动变化之后对应计数框图的中心坐标；
根据第二滑动公式：
Figure 621736DEST_PATH_IMAGE003
， 获取滑动变化之后对应计数框图的宽度值和高度值,其中，
Figure 345452DEST_PATH_IMAGE004
为所述计数框图在当前 标注时间点下滑动变化后的中心坐标，
Figure 949740DEST_PATH_IMAGE005
为所述计数框图在当前标注时间点下滑 动变化前的中心坐标，
Figure 136876DEST_PATH_IMAGE006
为中心坐标对应的预设滑动向量，
Figure 103695DEST_PATH_IMAGE007
和
Figure 252173DEST_PATH_IMAGE008
为所述计数 框图在当前标注时间点下滑动变化后的宽度值和高度值，
Figure 750282DEST_PATH_IMAGE009
和
Figure 334585DEST_PATH_IMAGE010
为所述计数框图在当 前标注时间点下滑动变化前的宽度值和高度值，
Figure 562435DEST_PATH_IMAGE011
和
Figure 881814DEST_PATH_IMAGE012
为宽度值和高度值分别对应的 预设滑动值，
Figure 867219DEST_PATH_IMAGE013
为预设的滑动系数。
在实际的拍摄过程中，由于该拍摄过程并非固定拍摄设备，而是移动拍摄设备进行跟踪拍摄，拍摄过程中的抖动或者移动过程，会造成拍摄的视频并不能一直保持同一水平拍摄线，因此，需要在进行图片处理时，进行滑动变化处理，通过滑动变化的方式维护每个牲畜个体目标的历史计数框图，对每个跟踪目标，将第一次的计数框图作为最初的历史计数框图，后续，分别对最近的历史计数框图的中心和宽高做滑动变化，在实际工程中，我们发现，当滑动因子设为0.9时，再次成功匹配的概率最大，通过滑动变化，减少因拍摄过程中的抖动或者移动过程造成的检测误差，便于后期检测拍摄时的跟踪匹配。
步骤202，根据所述每个牲畜个体对应的计数框图和预设检测条件，判断对所述目标牲畜群体进行实时视频获取中是否存在牲畜个体被其他物体遮挡。
根据生产经验得出，目标被遮挡时，检测框，即计数框图面积的变化速率往往大于正常丢失时的面积变化速率，因此，我们把计数框图的变化速率作为判断遮挡的条件。
继续参考图4，图4是图2所示步骤202的一种具体实施方式的流程图，包括：
步骤401，获取所述每个个体对应的计数框图在上一个标注时间点分别对应的面积信息，记为第一框图面积；
步骤402，获取所述每个个体对应的计数框图在当前标注时间点分别对应的面积信息，记为第二框图面积；
步骤403，根据预设算法公式、第一框图面积、第二框图面积和预设判断条件，判断对所述目标牲畜群体进行实时视频获取中是否存在牲畜个体被其他物体遮挡。
继续参考图5，图5是图4所示步骤403的一种具体实施方式的流程图，包括：
步骤501，根据所述标注编号，获取同一牲畜个体对应的第一框图面积和第二框图面积；
步骤502，根据预设算法公式：
Figure 661737DEST_PATH_IMAGE014
，获取所述牲 畜个体在上一个标注时间点至当前标注时间点对应的框图面积变化率,其中， abs函数表 示获取所述第一框图面积和第二框图面积间的面积变化绝对值，max函数表示获取所述第 一框图面积和第二框图面积两者间的最大面积值；
步骤503，判断所述框图面积变化率是否满足预设的正常变化率阈值；
步骤504，若所述框图面积变化率不满足预设的正常变化率阈值，则确定对所述目标牲畜群体进行实时视频获取中所述牲畜个体被其他物体遮挡；
步骤505，若所述框图面积变化率满足预设的正常变化率阈值，则确定对所述目标牲畜群体进行实时视频获取中所述牲畜个体未被其他物体遮挡。
通过框图面积变化率，识别出被遮挡的牲畜个体，便于对该牲畜个体对应的计算框图进行处理。
步骤203，若存在牲畜个体被其他物体遮挡，则根据预设复用条件，获取所述牲畜个体未被完全遮挡前满足复用条件的计数框图替换所述牲畜个体未被其他物体完全遮挡前不满足复用条件的计数框图。
本实施例中，所述不满足复用条件的计数框图即无法满足跟踪匹配要求的计数框图。在遇到遮挡时，目标的检测框（计数框图）会快速变小，从而导致后续的跟踪匹配失效，即遮挡前后的检测框之间的两个检测框交集区域面积与并集区域面积的比值太小，无法满足跟踪匹配的要求。因此，为了让遮挡前后的检测框能够跟踪匹配成功，我们将被遮挡目标的检测框大小和位置重置为遮挡前某刻的历史状态，如此，被遮挡目标的计数框图的大小和位置均变得正常，从而，提高了被遮挡牲畜个体在后续跟踪过程中匹配成功的几率。
继续参考图6，图6是图2所示步骤203的一种具体实施方式的流程图，包括：
步骤601，获取所述牲畜个体未被其他物体完全遮挡前的计数框图的面积信息和位置信息；
步骤602，根据所述计数框图对应的标注编号，依次获取所述牲畜个体在未被其他物体完全遮挡前对应的前一个计数框图的面积信息和位置信息；
步骤603，根据所述牲畜个体在未被其他物体完全遮挡前对应的计数框图的面积信息和位置信息、所述前一个计数框图的面积信息和位置信息、所述复用条件，筛选出所述牲畜个体在未被其他物体完全遮挡前最近的可替换计数框图；
步骤604，将所述牲畜个体在未被其他物体完全遮挡前最近的可替换计数框图替换为所述牲畜个体在未被其他物体完全遮挡前至被完全遮挡过程中的计数框图。
实际养殖场景中未被完全遮挡到被完全遮挡的过程中，随着牲畜个体的缩小，计数框图会逐渐变小，框图缩小到一定程度，不满足跟踪匹配阈值，影响计数，使用可用的计数框图替换逐渐缩小的计数框图，保证未被完全遮挡到被完全遮挡的过程中一直处于正常计数中，避免了因为框图缩小影响计数，其中，所述可用的计数框图即满足复用条件的计数框图，所述缩小到一定程度，不满足跟踪匹配阈值的计数框图即不满足复用条件的计数框图。
继续参考图7，图7是图6所示步骤603的一种具体实施方式的流程图，包括：
步骤701，根据所述牲畜个体在未被其他物体完全遮挡前对应的计数框图的面积信息和位置信息、所述前一个计数框图的面积信息和位置信息，确定两个计数框图交集区域面积与并集区域面积的比值；
步骤702，判断所述比值是否满足预设跟踪匹配阈值；
步骤703，若所述比值满足预设跟踪匹配阈值，则将所述前一个计数框图作为所述牲畜个体在未被其他物体完全遮挡前最近的可替换计数框图；
步骤704，若所述比值不满足预设跟踪匹配阈值，则获取所述前一个计数框图所对应的前一个计数框图的面积信息和位置信息，再次进行判断，直到所述比值满足预设跟踪匹配阈值，则将所述满足预设跟踪匹配阈值的前一个计数框图作为所述牲畜个体在未被其他物体完全遮挡前最近的可替换计数框图。
本实施例中，所述复用条件的判断方式，具体为根据所述牲畜个体在未被其他物体完全遮挡前对应的计数框图的面积信息和位置信息、所述前一个计数框图的面积信息和位置信息，确定两个计数框图交集区域面积与并集区域面积的比值；判断所述比值是否满足预设跟踪匹配阈值；若所述比值满足预设跟踪匹配阈值，则满足所述复用条件，否则，不满足复用条件。
实际的养殖应用中，如果牲畜在被遮挡前对应有计数框图，在被完全遮挡的过程中，该计数框图由于找不到计数目标，会自动消失，在牲畜从遮挡物中出来之后，程序会当成新牲畜个体处理，产生新的计数框图，并非原来的计数框图，通过选择出被遮挡牲畜个体在未遮挡前可以检测到的计数框图，并将其替换为被遮挡牲畜个体在遮挡时、遮挡后的计数框图，便于智能计数。
步骤204，获取所述牲畜个体未被完全遮挡前满足复用条件的计数框图对应的历史拍摄时间点。
步骤205，根据所述每个牲畜个体对应的计数框图，获取在所述历史拍摄时间点和当前拍摄时间点之间，所述目标牲畜群体中未被遮挡的其他牲畜个体的综合运动特性。
众所周知，在受到惊吓或引诱时，牲畜群体倾向于向同一方向运动，最简单的例子：在喂食时，所有的猪都会向喂食者靠近。基于这个群体特性，我们可以认为，当镜头画面中的少数猪因遮挡而丢失时，被遮挡猪的行为与大部分未被遮挡猪的行为是一致的，因此，我们利用大部分未被遮挡猪的平均运动偏移量去调整被遮挡猪的轨迹，从而获取到被遮挡牲畜个体的位置信息。
继续参考图8，图8是图2所示步骤205的一种具体实施方式的流程图，包括：
步骤801，分别获取在所述历史拍摄时间点和所述当前拍摄时间点时，所述目标牲畜群体中未被遮挡的其他牲畜个体的位置信息，根据预设偏移量计算公式，计算出所述目标牲畜群体中未被遮挡的其他牲畜个体的位置偏移量；
本实施例中，所述偏移量计算公式，即分别获取在所述历史拍摄时间点和所述当前拍摄时间点时，所述目标牲畜群体中未被遮挡的其他牲畜个体的位置信息，记为位置一和位置二，通过对位置二和位置一之间的坐标差值平方开平方根，获取其偏移量。
步骤802，根据所述目标牲畜群体中未被遮挡的其他牲畜个体的位置偏移量，获得所述目标牲畜群体的平均位置偏移量；
步骤803，将所述平均位置偏移量作为所述目标牲畜群体中未被遮挡的其他牲畜个体的综合运动特性。
通过计算所述目标牲畜群体中未被遮挡的牲畜个体的平均位置偏移量，获取到所述目标牲畜群体的综合运动特性，便于结合目标牲畜群体的综合运动特性预测被遮挡牲畜个体的运动轨迹，从而预测到被遮挡牲畜个体在经过遮挡源之后的位置信息。
步骤206，根据所述综合运动特性和被遮挡牲畜个体在所述历史拍摄时间点对应的计数框图，预测所述牲畜个体在所述当前拍摄时间点下对应计数框图的所在位置。
本实施例中，所述根据所述综合运动特性和被遮挡牲畜个体在所述历史拍摄时间点对应的计数框图，预测所述牲畜个体在所述当前拍摄时间点下的计数框图的所在位置的步骤，具体包括： 根据所述综合运动特性和被遮挡牲畜个体对应的所述可替换计数框图的位置信息，对所述可替换计数框图进行位置偏移处理，获取位置偏移处理之后所述可替换计数框图的位置信息。
步骤207，若所述所在位置产生了计数框图，将所述被遮挡牲畜个体在历史拍摄时间点对应的计数框图的标注编号赋值给所述所在位置产生的计数框图。
本实施例中，所述将所述被遮挡牲畜个体在历史拍摄时间点对应的计数框图的标注编号赋值给所述所在位置产生的计数框图的步骤，具体包括：获取根据步骤206预测的所述牲畜个体在所述当前拍摄时间点下对应计数框图的所在位置，判断在所述所在位置是否产生了计数框图；若产生了计数框图，将所述可替换计数框图的标注编号赋值给所述所在位置产生的计数框图，若未产生计数框图，将所述可替换计数框图及其所对应的标注编号添加到所述所在位置。
在实际的养殖应用场景内，计数框图变化有两个阶段，第一个阶段是牲畜被遮挡且未被完全遮挡过程中，还会有计数框图，但是由于体积被逐渐遮挡，框图会逐渐缩小，因此采用之前可复用计数框图替换缩小的计数框图；第二个阶段是牲畜被完全遮挡时，由于失去目标，不会再有计数框图，会在牲畜从遮挡物中走出来之后产生新的计数框图，程序语言会默认为是产生了新的计数框图对象，而非直接复用原来的计数框图对应的对象。
通过判断被遮挡牲畜个体在经过遮挡源之后的位置信息处是否产生了计数框图，若产生，则将可替换计数框图的标注编号赋值给所述计数框图，若未产生，直接将所述可替换计数框图及其所对应的标注编号添加到所述所在位置，通过判断所述预测位置是否产生了计数框图，若产生，则无需将可替换计数框图更新到该位置处，若未产生，则将可替换计数框图更新到该位置处，既避免了在遮挡后对被遮挡牲畜个体进行重复计数，也避免了牲畜个体从遮挡物中出来后未能及时更新计数框图的情况发生，保证智能计数的准确性。
本申请对于被遮挡的牲畜个体，获取所述牲畜个体未被遮挡前满足复用条件的计数框图替换所述牲畜个体被其他物体遮挡时的计数框图；获取所述牲畜个体未被遮挡前满足复用条件的计数框图对应的历史拍摄时间点；获取在所述历史拍摄时间点和当前拍摄时间点之间，所述目标牲畜群体中未被遮挡的其他牲畜个体的综合运动特性；根据所述综合运动特性和被遮挡牲畜个体在所述历史拍摄时间点对应的计数框图，预测所述牲畜个体在所述当前拍摄时间点下的计数框图的所在位置；若所述位置产生了新的计数框图，将所述被遮挡牲畜个体在历史拍摄时间点对应的计数框图的标注编号赋值给所述新的计数框图。本申请根据群体运动特性模拟出被遮挡个体的计数框图位置，避免重复计数，提高智能计数的准确性。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能（Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例中，可以根据所述基于牲畜群体运动特性的跟踪计数方法训练出基于牲畜群体运动特性的跟踪计数模型，使用人工智能模型进行智能计数，更加智能化和自动化。
进一步参考图9，作为对上述图2所示方法的实现，本申请提供了一种基于牲畜群体运动特性的跟踪计数装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图9所示，本实施例所述的基于牲畜群体运动特性的跟踪计数装置900包括：计数框图获取模块901、遮挡识别模块902、计数框图替换模块903、时间点确定模块904、群体运动特征获取模块905、位置预测模块906和编号赋值模块907。其中：
计数框图获取模块901，用于从目标牲畜群体实时视频中提取每个牲畜个体对应的计数框图；
遮挡识别模块902，用于根据所述每个牲畜个体对应的计数框图和预设检测条件，判断对所述目标牲畜群体进行实时视频获取中是否存在牲畜个体被其他物体遮挡；
计数框图替换模块903，用于若存在牲畜个体被其他物体遮挡，则根据预设复用条件，获取所述牲畜个体未被完全遮挡前满足复用条件的计数框图替换所述牲畜个体未被其他物体完全遮挡前不满足复用条件的计数框图；
时间点确定模块904，用于获取所述牲畜个体未被完全遮挡前满足复用条件的计数框图对应的历史拍摄时间点；
群体运动特征获取模块905，用于根据所述每个牲畜个体对应的计数框图，获取在所述历史拍摄时间点和当前拍摄时间点之间，所述目标牲畜群体中未被遮挡的其他牲畜个体的综合运动特性；
位置预测模块906，用于根据所述综合运动特性和被遮挡牲畜个体在所述历史拍摄时间点对应的计数框图，预测所述牲畜个体在所述当前拍摄时间点下对应计数框图的所在位置；
编号赋值模块907，用于若所述所在位置产生了计数框图，将所述被遮挡牲畜个体在历史拍摄时间点对应的计数框图的标注编号赋值给所述所在位置产生的计数框图。
本申请对于被遮挡的牲畜个体，获取所述牲畜个体未被遮挡前满足复用条件的计数框图替换所述牲畜个体被其他物体遮挡时的计数框图；获取所述牲畜个体未被遮挡前满足复用条件的计数框图对应的历史拍摄时间点；获取在所述历史拍摄时间点和当前拍摄时间点之间，所述目标牲畜群体中未被遮挡的其他牲畜个体的综合运动特性；根据所述综合运动特性和被遮挡牲畜个体在所述历史拍摄时间点对应的计数框图，预测所述牲畜个体在所述当前拍摄时间点下的计数框图的所在位置；若所述位置产生了新的计数框图，将所述被遮挡牲畜个体在历史拍摄时间点对应的计数框图的标注编号赋值给所述新的计数框图。本申请根据群体运动特性模拟出被遮挡个体的计数框图位置，避免重复计数，提高智能计数的准确性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）等非易失性存储介质，或随机存储记忆体（Random Access Memory，RAM）等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图10，图10为本实施例计算机设备基本结构框图。
所述计算机设备10包括通过系统总线相互通信连接存储器10a、处理器10b、网络接口10c。需要指出的是，图中仅示出了具有组件10a-10c的计算机设备10，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器 (Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器10a至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器（例如，SD或DX存储器等）、随机访问存储器（RAM）、静态随机访问存储器（SRAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、可编程只读存储器（PROM）、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器10a可以是所述计算机设备10的内部存储单元，例如该计算机设备10的硬盘或内存。在另一些实施例中，所述存储器10a也可以是所述计算机设备10的外部存储设备，例如该计算机设备10上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）等。当然，所述存储器10a还可以既包括所述计算机设备10的内部存储单元也包括其外部存储设备。本实施例中，所述存储器10a通常用于存储安装于所述计算机设备10的操作系统和各类应用软件，例如基于牲畜群体运动特性的跟踪计数方法的计算机可读指令等。此外，所述存储器10a还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器10b在一些实施例中可以是中央处理器（Central Processing Unit，CPU）、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器10b通常用于控制所述计算机设备10的总体操作。本实施例中，所述处理器10b用于运行所述存储器10a中存储的计算机可读指令或者处理数据，例如运行所述基于牲畜群体运动特性的跟踪计数方法的计算机可读指令。
所述网络接口10c可包括无线网络接口或有线网络接口，该网络接口10c通常用于在所述计算机设备10与其他电子设备之间建立通信连接。
本实施例提出的计算机设备，属于养殖险智能计数技术领域。本申请对于被遮挡的牲畜个体，获取所述牲畜个体未被遮挡前满足复用条件的计数框图替换所述牲畜个体被其他物体遮挡时的计数框图；获取所述牲畜个体未被遮挡前满足复用条件的计数框图对应的历史拍摄时间点；获取在所述历史拍摄时间点和当前拍摄时间点之间，所述目标牲畜群体中未被遮挡的其他牲畜个体的综合运动特性；根据所述综合运动特性和被遮挡牲畜个体在所述历史拍摄时间点对应的计数框图，预测所述牲畜个体在所述当前拍摄时间点下的计数框图的所在位置；若所述位置产生了新的计数框图，将所述被遮挡牲畜个体在历史拍摄时间点对应的计数框图的标注编号赋值给所述新的计数框图。本申请根据群体运动特性模拟出被遮挡个体的计数框图位置，避免重复计数，提高智能计数的准确性。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被处理器执行，以使所述处理器执行如上述的基于牲畜群体运动特性的跟踪计数方法的步骤。
本实施例提出的计算机可读存储介质，属于养殖险智能计数技术领域。本申请对于被遮挡的牲畜个体，获取所述牲畜个体未被遮挡前满足复用条件的计数框图替换所述牲畜个体被其他物体遮挡时的计数框图；获取所述牲畜个体未被遮挡前满足复用条件的计数框图对应的历史拍摄时间点；获取在所述历史拍摄时间点和当前拍摄时间点之间，所述目标牲畜群体中未被遮挡的其他牲畜个体的综合运动特性；根据所述综合运动特性和被遮挡牲畜个体在所述历史拍摄时间点对应的计数框图，预测所述牲畜个体在所述当前拍摄时间点下的计数框图的所在位置；若所述位置产生了新的计数框图，将所述被遮挡牲畜个体在历史拍摄时间点对应的计数框图的标注编号赋值给所述新的计数框图。本申请根据群体运动特性模拟出被遮挡个体的计数框图位置，避免重复计数，提高智能计数的准确性。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，空调器，或者网络设备等）执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种基于牲畜群体运动特性的跟踪计数方法，其特征在于，包括下述步骤：
从目标牲畜群体实时视频中提取每个牲畜个体对应的计数框图；
根据所述每个牲畜个体对应的计数框图和预设检测条件，判断对所述目标牲畜群体进行实时视频获取中是否存在牲畜个体被其他物体遮挡；
若存在牲畜个体被其他物体遮挡，则根据预设复用条件，获取所述牲畜个体未被完全遮挡前满足复用条件的计数框图替换所述牲畜个体未被其他物体完全遮挡前不满足复用条件的计数框图；
获取所述牲畜个体未被完全遮挡前满足复用条件的计数框图对应的历史拍摄时间点；
根据所述每个牲畜个体对应的计数框图，获取在所述历史拍摄时间点和当前拍摄时间点之间，所述目标牲畜群体中未被遮挡的其他牲畜个体的综合运动特性；
根据所述综合运动特性和被遮挡牲畜个体在所述历史拍摄时间点对应的计数框图，预测所述牲畜个体在所述当前拍摄时间点下对应计数框图的所在位置；
若所述所在位置产生了计数框图，将所述被遮挡牲畜个体在历史拍摄时间点对应的计数框图的标注编号赋值给所述所在位置产生的计数框图。
2.根据权利要求1所述的基于牲畜群体运动特性的跟踪计数方法，其特征在于，所述从目标牲畜群体实时视频中提取每个牲畜个体对应的计数框图的步骤，具体包括：
根据预设视频切分组件，将所述实时视频根据预设切分间隔切分为一张张视频图片；
将所述一张张视频图片按照切分顺序输入预设的智能AI标注模型，对所述一张张视频图片中的牲畜个体进行智能标注，其中，所述智能AI标注模型为预训练完成的专门为所述目标牲畜提供智能标注的模型，其中，所述智能标注包括矩阵框标注；
根据智能标注结果，获取所述目标牲畜群体中每个个体对应的计数框图，并为所述计数框图设置标注编号，其中，所述智能标注结果包括所述计数框图的位置信息和面积信息。
3.根据权利要求2所述的基于牲畜群体运动特性的跟踪计数方法，其特征在于，所述根据所述每个牲畜个体对应的计数框图和预设检测条件，判断对所述目标牲畜群体进行实时视频获取中是否存在牲畜个体被其他物体遮挡的步骤，具体包括：
获取所述每个个体对应的计数框图在上一个标注时间点分别对应的面积信息，记为第一框图面积；
获取所述每个个体对应的计数框图在当前标注时间点分别对应的面积信息，记为第二框图面积；
根据预设算法公式、第一框图面积、第二框图面积和预设判断条件，判断对所述目标牲畜群体进行实时视频获取中是否存在牲畜个体被其他物体遮挡。
4.根据权利要求3所述的基于牲畜群体运动特性的跟踪计数方法，其特征在于，所述根据预设算法公式、第一框图面积、第二框图面积和预设判断条件，判断对所述目标牲畜群体进行实时视频获取中是否存在牲畜个体被其他物体遮挡的步骤，具体包括：
根据所述标注编号，获取同一牲畜个体对应的第一框图面积和第二框图面积；
根据预设算法公式：
Figure DEST_PATH_IMAGE001
，获取所述牲畜个 体在上一个标注时间点至当前标注时间点对应的框图面积变化率,其中， abs函数表示获 取所述第一框图面积和第二框图面积间的面积变化绝对值，max函数表示获取所述第一框 图面积和第二框图面积两者间的最大面积值；
判断所述框图面积变化率是否满足预设的正常变化率阈值；
若所述框图面积变化率不满足预设的正常变化率阈值，则确定对所述目标牲畜群体进行实时视频获取中所述牲畜个体被其他物体遮挡；
若所述框图面积变化率满足预设的正常变化率阈值，则确定对所述目标牲畜群体进行实时视频获取中所述牲畜个体未被其他物体遮挡。
5.根据权利要求2所述的基于牲畜群体运动特性的跟踪计数方法，其特征在于，所述根据预设复用条件，获取所述牲畜个体未被完全遮挡前满足复用条件的计数框图替换所述牲畜个体未被其他物体完全遮挡前不满足复用条件的计数框图的步骤，具体包括：
获取所述牲畜个体未被其他物体完全遮挡前的计数框图的面积信息和位置信息；
根据所述计数框图对应的标注编号，依次获取所述牲畜个体在未被其他物体完全遮挡前对应的前一个计数框图的面积信息和位置信息；
根据所述牲畜个体在未被其他物体完全遮挡前对应的计数框图的面积信息和位置信息、所述前一个计数框图的面积信息和位置信息、所述复用条件，筛选出所述牲畜个体在未被其他物体完全遮挡前最近的可替换计数框图；
将所述牲畜个体在未被其他物体完全遮挡前最近的可替换计数框图替换为所述牲畜个体在未被其他物体完全遮挡前至被完全遮挡过程中的计数框图。
6.根据权利要求5所述的基于牲畜群体运动特性的跟踪计数方法，其特征在于，所述根据所述牲畜个体在未被其他物体完全遮挡前对应的计数框图的面积信息和位置信息、所述前一个计数框图的面积信息和位置信息、所述复用条件，筛选出所述牲畜个体在未被其他物体完全遮挡前最近的可替换计数框图的步骤，具体包括：
根据所述牲畜个体在未被其他物体完全遮挡前对应的计数框图的面积信息和位置信息、所述前一个计数框图的面积信息和位置信息，确定两个计数框图交集区域面积与并集区域面积的比值；
判断所述比值是否满足预设跟踪匹配阈值；
若所述比值满足预设跟踪匹配阈值，则将所述前一个计数框图作为所述牲畜个体在未被其他物体完全遮挡前最近的可替换计数框图；
若所述比值不满足预设跟踪匹配阈值，则获取所述前一个计数框图所对应的前一个计数框图的面积信息和位置信息，再次进行判断，直到所述比值满足预设跟踪匹配阈值，则将所述满足预设跟踪匹配阈值的前一个计数框图作为所述牲畜个体在未被其他物体完全遮挡前最近的可替换计数框图。
7.根据权利要求2所述的基于牲畜群体运动特性的跟踪计数方法，其特征在于，所述根据所述每个牲畜个体对应的计数框图，获取在所述历史拍摄时间点和当前拍摄时间点之间，所述目标牲畜群体中未被遮挡的其他牲畜个体的综合运动特性的步骤，具体包括：
分别获取在所述历史拍摄时间点和所述当前拍摄时间点时，所述目标牲畜群体中未被遮挡的其他牲畜个体的位置信息，根据预设偏移量计算公式，计算出所述目标牲畜群体中未被遮挡的其他牲畜个体的位置偏移量；
根据所述目标牲畜群体中未被遮挡的其他牲畜个体的位置偏移量，获得所述目标牲畜群体的平均位置偏移量；
将所述平均位置偏移量作为所述目标牲畜群体中未被遮挡的其他牲畜个体的综合运动特性。
8.一种基于牲畜群体运动特性的跟踪计数装置，其特征在于，包括：
计数框图获取模块，用于从目标牲畜群体实时视频中提取每个牲畜个体对应的计数框图；
遮挡识别模块，用于根据所述每个牲畜个体对应的计数框图和预设检测条件，判断对所述目标牲畜群体进行实时视频获取中是否存在牲畜个体被其他物体遮挡；
计数框图替换模块，用于若存在牲畜个体被其他物体遮挡，则根据预设复用条件，获取所述牲畜个体未被完全遮挡前满足复用条件的计数框图替换所述牲畜个体未被其他物体完全遮挡前不满足复用条件的计数框图；
时间点确定模块，用于获取所述牲畜个体未被完全遮挡前满足复用条件的计数框图对应的历史拍摄时间点；
群体运动特征获取模块，用于根据所述每个牲畜个体对应的计数框图，获取在所述历史拍摄时间点和当前拍摄时间点之间，所述目标牲畜群体中未被遮挡的其他牲畜个体的综合运动特性；
位置预测模块，用于根据所述综合运动特性和被遮挡牲畜个体在所述历史拍摄时间点对应的计数框图，预测所述牲畜个体在所述当前拍摄时间点下对应计数框图的所在位置；
编号赋值模块，用于若所述所在位置产生了计数框图，将所述被遮挡牲畜个体在历史拍摄时间点对应的计数框图的标注编号赋值给所述所在位置产生的计数框图。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的基于牲畜群体运动特性的跟踪计数方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的基于牲畜群体运动特性的跟踪计数方法的步骤。
CN202211523351.1A 2022-12-01 2022-12-01 基于牲畜群体运动特性的跟踪计数方法及其相关设备 Active CN115601401B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211523351.1A CN115601401B (zh) 2022-12-01 2022-12-01 基于牲畜群体运动特性的跟踪计数方法及其相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211523351.1A CN115601401B (zh) 2022-12-01 2022-12-01 基于牲畜群体运动特性的跟踪计数方法及其相关设备

Publications (2)

Publication Number Publication Date
CN115601401A true CN115601401A (zh) 2023-01-13
CN115601401B CN115601401B (zh) 2023-04-07

Family

ID=84852351

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211523351.1A Active CN115601401B (zh) 2022-12-01 2022-12-01 基于牲畜群体运动特性的跟踪计数方法及其相关设备

Country Status (1)

Country Link
CN (1) CN115601401B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111680551A (zh) * 2020-04-28 2020-09-18 平安国际智慧城市科技股份有限公司 监控牲畜数量的方法、装置、计算机设备及存储介质
CN112070791A (zh) * 2020-09-21 2020-12-11 深圳喜为智慧科技有限公司 一种提升畜牧个体点数精度和效率的方法和系统
CN113628165A (zh) * 2021-07-12 2021-11-09 杨龙 一种牲畜转栏盘点方法、装置及存储介质
US20220104463A1 (en) * 2020-10-06 2022-04-07 Sixgill, LLC System and method of counting livestock
CN114519725A (zh) * 2020-11-04 2022-05-20 顺丰科技有限公司 物体跟踪计数方法、装置、计算机设备和存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111680551A (zh) * 2020-04-28 2020-09-18 平安国际智慧城市科技股份有限公司 监控牲畜数量的方法、装置、计算机设备及存储介质
CN112070791A (zh) * 2020-09-21 2020-12-11 深圳喜为智慧科技有限公司 一种提升畜牧个体点数精度和效率的方法和系统
US20220104463A1 (en) * 2020-10-06 2022-04-07 Sixgill, LLC System and method of counting livestock
CN114519725A (zh) * 2020-11-04 2022-05-20 顺丰科技有限公司 物体跟踪计数方法、装置、计算机设备和存储介质
CN113628165A (zh) * 2021-07-12 2021-11-09 杨龙 一种牲畜转栏盘点方法、装置及存储介质

Also Published As

Publication number Publication date
CN115601401B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN108038880B (zh) 用于处理图像的方法和装置
CN108229489B (zh) 关键点预测、网络训练、图像处理方法、装置及电子设备
CN111680551B (zh) 监控牲畜数量的方法、装置、计算机设备及存储介质
CN110163096B (zh) 人物识别方法、装置、电子设备和计算机可读介质
CN111160434B (zh) 目标检测模型的训练方法、装置及计算机可读存储介质
CN113379718A (zh) 一种目标检测方法、装置、电子设备以及可读存储介质
CN110610125A (zh) 基于神经网络的牛脸识别方法、装置、设备及存储介质
CN113239877B (zh) 基于计算机视觉的农田监测方法及其相关设备
CN111079638A (zh) 基于卷积神经网络的目标检测模型训练方法、设备和介质
CN108228421A (zh) 数据监测方法、装置、计算机及存储介质
CN108876858A (zh) 用于处理图像的方法和装置
CN114550053A (zh) 一种交通事故定责方法、装置、计算机设备及存储介质
CN113254491A (zh) 一种信息推荐的方法、装置、计算机设备及存储介质
CN113326773A (zh) 识别模型训练方法、识别方法、装置、设备及存储介质
CN115941322A (zh) 基于人工智能的攻击检测方法、装置、设备及存储介质
CN114861241A (zh) 基于智能检测的防窥屏方法及其相关设备
CN111860071A (zh) 用于识别物品的方法和装置
CN109684953A (zh) 基于目标检测和粒子滤波算法进行猪只跟踪的方法及装置
CN115601401B (zh) 基于牲畜群体运动特性的跟踪计数方法及其相关设备
CN111310595B (zh) 用于生成信息的方法和装置
CN109600627B (zh) 一种视频识别方法和装置
CN110378241B (zh) 作物生长状态监控方法、装置、计算机设备及存储介质
CN111539390A (zh) 一种基于Yolov3的小目标图像识别方法、设备和系统
CN114022509B (zh) 基于多个动物的监控视频的目标跟踪方法及相关设备
CN115757075A (zh) 任务异常检测方法、装置、计算机设备及存储介质

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