一个多鱼追踪和行为建模框架,用于高密度水产养殖.
Xinyao Xiao1,2,3, Tao Liu1,4, Shuangyan He1,2,3
1State Key Laboratory of Ocean Sensing & Ocean College, Zhejiang University, Zhoushan 316021, China.
Sensors (Basel, Switzerland)
|January 10, 2026
概括
SOD-SORT通过将先进的运动模型与外观特征集成,改善了深海中的多鱼追踪. 这种新的方法减少了身份交换机,并使水产养殖监测可靠的行为分析.
科学领域:
- 计算机视觉 计算机视觉
- 动物行为分析.
- 水产养殖技术 水产养殖技术
背景情况:
- 在深海环境中追踪多种鱼类是具有挑战性的,因为鱼类的外观均,图像质量差.
- 标准的线性运动模型对于复杂的,非线性鱼类游泳模式是不够的,导致跟踪错误.
研究的目的:
- 加强水产养殖环境中的多鱼追踪和行为分析.
- 为了解决基于外观的关联和鱼类跟踪的运动建模的局限性.
主要方法:
- 拟议的SOD-SORT,将一个恒定转速和速度 (CTRV) 运动模型在扩展卡尔曼波器 (EKF) 中集成到DeepOCSORT跟踪器中.
- 使用贝叶斯优化对EKF参数 (Q,R) 和ReID加权.
- 引入了用于轨迹分析和行为分类的统计量化.
主要成果:
- 在DeepBlueI数据集中,SOD-SORT实现了0.829的IDF1得分,并减少了13%的身份切换.
- 优化整合解决了 naive CTRV-EKF 实现的性能下降.
- 在多个数据集上使用量化轨迹成功分类了正常和异常的游泳行为.
结论:
- 先进的运动模型和外观线索的原则集成提高了鱼的追踪可靠性.
- 高质量的连续轨迹对于在水产养殖中准确的行为建模至关重要.
- 拟议的方法为监测鱼类在海洋环境中的福利和行为提供了一个强大的解决方案.
