1.本技术涉及智能监控领域，特别是一种基于人工智能的跟踪监测方法和系统。
背景技术：2.动物行为指动物在一定环境条件下，为了完成摄食排遗、体温调节、生存繁殖以及满足其他生理需求而以一定姿势完成的一系列动作。
3.动物行为的辨别与分类是对动物健康状况进行监测的一项重要内容。动物行为识别依据感知方式不同，可分为接触式佩戴传感器方式与基于视觉的视频感知方式两大类；接触式传感器方式是将各类传感器佩戴在动物身上，而养殖环境的复杂性或动物活动习性对设备具有一定破坏性，造成设备损坏影响数据实时监测，且设备对动物心理和行为造成影响，不利于其正常行为活动，损害动物福利；视频感知方式通过监控摄像头自动采集动物视频数据传输到pc端实时分析，不需与动物身体密切接触，被越来越多应用于动物识别中。然而，通过视频感知的方式获取的数据很有限，难以实现以更多维的方式对动物进行跟踪监控。
技术实现要素：4.本发明的目的在于避免现有技术中的不足之处而提供一种能够智能化的对动物的身体状况进行自动分析的技术。
5.本发明的目的通过以下技术方案实现：
6.一种基于人工智能的跟踪监测方法，包括以下步骤：
7.s1：获取监控视频；
8.s2：识别监控视频中的各个动物对应的个体信息；
9.s3：通过视觉神经网络模型，对监控视频的图像数据进行识别，识别出监控视频中各个时间节点的图像数据所对应的各个动物对应的动物骨骼关键点，并计算出对应的运动轨迹，生成对应的动物骨骼模型；
10.s4：识别动物骨骼模型在各个时间节点中所对应的活动区域；
11.s5：根据动物骨骼模型的运动轨迹及对应的活动区域，识别出动物骨骼模型在各个时间节点上对应的行为类型。
12.具体的，步骤s2包括以下步骤：通过识别各个动物身上设置的图样标记来识别各个动物的个体信息。
13.以上的，视觉神经网络模型的构建步骤包括：
14.s10：把获取的视频分解按时间次序为若干关键帧图片；
15.s20：对关键帧图片中的动物进行动物骨骼关键点的标注，形成标签数据集；
16.s30：采用yolo算法以及标签数据集对视觉神经网络模型进行训练，形成模型库。
17.进一步的，活动区域关联有对应的若干行为类型；模型库包括若干行为识别模型；各个行为类型分别关联有对应的行为识别模型。
18.更进一步的，步骤s5包括以下步骤：
19.s51：根据确定的活动区域，获取关联的各个行为识别模型；
20.s52：通过对动物骨骼模型的运动轨迹与行为识别模型进行匹配，确定动物骨骼模型在确定的时间节点中对应的行为类型。
21.更进一步的，还包括以下步骤：
22.s6：获取各个时间节点对应的检测数据，并根据检测数据的类型与行为类型进行匹配。
23.具体的，检测数据包括心率数据和体温数据；行为类型包括睡眠。
24.另一具体的，检测数据包括水流量数据；行为类型包括饮水。
25.另一具体的，监测数据包括食量数据；行为类型包括进食。
26.一种基于人工智能的跟踪监测系统，包括：数据传输设备、计算设备以及若干数据采集部件和若干智能摄像头；各个数据采集部件用于采集监测数据；各个智能摄像头用于获取监控视频；计算设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机指令，处理器执行指令时实现上述方法的步骤。
27.本发明的有益效果：一种基于人工智能的跟踪监测系统，通过动物脸型数据标注和训练，可以识别出来不同的动物，进而可以对动物进行识别；识别后通过监测动物的行为轨迹，结合对活动区域的识别，可自动分析出动物在各个时间节点的行为类型，再通过结合设置的智能设备，可掌握动物的体温变化数据、体重变化数据、位置变化数据以及采食数据等，实现了全方位的数据采集，并随时把采集到的数据同步到大数据系统上，大大减少养殖的人工管理成本，且能实现数据的全过程追溯。
附图说明
28.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图做一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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。
29.图1是本技术实施例的一种基于人工智能的跟踪监测方法的示意性流程图。
具体实施方式
30.为使本技术的目的、技术方案和优点更加清楚，以下将参照本技术实施例中的附图，通过实施方式清楚、完整地描述本技术的技术方案，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
31.实施例1
32.一种基于人工智能的跟踪监测方法，如图1所示，包括以下步骤s1至s6：
33.s1：获取监控视频；
34.s2：识别监控视频中的各个动物对应的个体信息；
35.在本实施例中，智能摄像头可将每一只动物的面部信息、体表信息和其它能够分辨动物个体的信息录入平台内部，之后通过智能摄像头对每一只录入平台的动物进行监
控。其中，对动物的识别，利用ai学习法：采用人工干预机器学习的方式，将未能识别出的动物进行人工判定，通过机器学习进行模糊图象或残缺图像识别的学习。
36.具体的，步骤s2包括以下步骤：
37.通过识别各个动物身上设置的图样标记来识别各个动物的个体信息。
38.其中，可采用颜色加图形的形式进行。在被识别动物脖颈和蹄踝处放置带有特殊颜色及图案的绑带，通过ai摄像头对绑带进行识别，对颜色及图案进行混合分析，通过md5加密算法进行动物个体特征比较，确定携带此绑带的动物个体。
39.s3：通过视觉神经网络模型，对监控视频的图像数据进行识别，识别出监控视频中各个时间节点的图像数据所对应的各个动物对应的动物骨骼关键点，并计算出对应的运动轨迹，生成对应的动物骨骼模型；
40.在本实施例中，运动轨迹检测是以行为识别技术为主要核心再加上动作识别、路程规划记录、视频解码等技术，进而来识别动物的行为动作及行动路径。而行为识别技术主要是基于动物的骨骼关键点识别，采用ai视觉神经网络分析算法，根据动物的骨骼架构，以关节为动物运动的节点识别动物骨骼关键点，再通过大数据的分析和运算进而来定义动物的运动轨迹。
41.其中，视觉神经网络模型的构建步骤包括以下步骤s10至s30：
42.s10：把获取的视频分解按时间次序为若干关键帧图片；
43.s20：对关键帧图片中的动物进行动物骨骼关键点的标注，形成标签数据集；
44.s30：采用yolo算法以及标签数据集对视觉神经网络模型进行训练，形成模型库。
45.在本实施例中，利用背景建模或跟踪等技术提取运动目标的空间位置或轮廓等信息，然后对图像序列感兴趣区域编码实现对运动行为的描述，获得运动目标轮廓、光流、梯度边缘等全局特征；同时以图像或视频局部块为基本单元，采用密集采样与时空兴趣点结合方法，通过视频块熵值最大化确定感兴趣区域位置与尺度，实现动物关节、肢体等运动细节精确定位。对典型动物行为的全局特征与局部特征的样本数据进行深度学习，构建动物典型肢体行为视图特征模型；建立不同行为特征与动物健康、繁殖、异常等行为的动态映射关系，形成对应模型库，以实现动物运动目标识别与跟踪。
46.s4：根据动物骨骼模型的运动轨迹，识别动物骨骼模型在各个时间节点中所对应的活动区域；
47.活动区域的识别：由于图像熵能够描述某一图像灰度分布的聚集特性，但不能反映相应的灰度分布空间特征，故可将聚类算法与熵结合，从在特征空间内对像素进行聚类的角度，设定阈值t1、t2、t3，将图像分为目标对象o、天空s、地面g背景3个区域，按照相似度量对图像欧式空间内的特征向量进行聚类，得到xo、xs、xg3个子集。通过设置阈值，在截取到的视频关键帧中分割出动物目标对象。
48.s5：根据动物骨骼模型的运动轨迹及对应的活动区域，识别出动物骨骼模型在各个时间节点上对应的行为类型。
49.具体的，活动区域关联有对应的若干行为类型；模型库包括若干行为识别模型；各个行为类型分别关联有对应的行为识别模型；
50.更进一步的，步骤s5包括以下步骤：
51.s51：根据确定的活动区域，获取关联的各个行为识别模型；
52.s52：通过对动物骨骼模型的运动轨迹与行为识别模型进行匹配，确定动物骨骼模型在确定的时间节点中对应的行为类型。
53.本技术的技术方案，能够在实时感知数据出现误差时，以可视化效果，准确捕获动物异常行为。为避免低层视觉特征与类标签之间的语义鸿沟、高维低层特征对动物行为分析产生的计算代价，以及海量标签训练视频样本数据的缺乏，采用有监督模型中的视频表达与概率图方法，还可学习具有区分不同动物行为的视频类相关隐性特征，构建动物发情、打斗、跛行等几种典型异常行为视图特征模块。
54.另外，通过卷积层和下采样层组合，交替对输入视频数据的时间维度和空间维度图像进行卷积，在卷积过程中的特征图与多个连续帧中的数据进行连接，抽取动物异常行为视图特征，其中第一层包括灰度数据、x,y方向梯度、x,y方向光流等构成的卷积核,还包括3个卷积层、2个下采样层和1个全连接层，对于视频中存在的冗余信息及噪声，采用卷积神经网络结构对其进行重建，提取对动物异常行为有效的特征信息，通过多层神经元处理，对动物原始行为特征向量进行重新表示和描述，得到最终的重建特征向量，输出不同类型的异常行为判断结果，在较少标签训练样本基础上提高了动物行为识别的精度。
55.额外的，将收集的各个动物骨骼模型对应的运动轨迹的数据上传并保存至平台，通过数据分析，可分别测得各个动物在当天的活动量，动物监控平台能够实时的展示该动物当天的活动量以及近几天的活动量。其中，动物活动量是由动物运动轨迹得出，通过对动物运动轨迹进行分析，得出动物的运动轨迹量，再对动物行动轨迹按照不同动物、不同体重、不同时间段进行分析，得出最终的动物活动量。
56.更进一步的，还包括以下步骤：
57.s6：获取各个时间节点对应的检测数据，并根据检测数据的类型与行为类型进行匹配。
58.具体的，检测数据包括心率数据和体温数据；行为类型包括睡眠。
59.在本实施例中，为每一只动物安装体表温度传感器和心率监测传感器，收集到的体温数据和心率数据传并保存至平台，通过调取数据，可以实时跟踪并显示每一只动物当前体温和过去一段时间内的体温变化情况，以及通过不同时间段动物的心率来监测其睡眠情况。
60.另一具体的，检测数据包括水流量数据；行为类型包括饮水。
61.在本实施例中，当动物进入到饮水区后，智能摄像头识别出该动物处于饮水状态(行为类型为饮水)，配合安装在水槽处的流量计，检测出水量，进而确定动物每天的饮水量。
62.另一具体的，监测数据包括食量数据；行为类型包括进食。
63.在本实施例中，当动物进入到进食区后，智能摄像头识别该动物处于进食状态(行为类型为进食)，配合设有料槽检测装置的料槽箱，检测料槽内进出食物量；当动物结束进食后，智能摄像头检测该动物所在区域内有无饲料残留，根据饲料残留面积和料槽检测装置，通过数据分析，测得每一只动物的进食量。
64.另一具体的，监测数据包括排便数据；行为类型包括排便。
65.在本实施例中，通过智能摄像头视觉抓取，实时捕捉动物的肛门是否排便，记录其排便时间并连续多次抓拍照片，通过图像识别，数据分析测出粪便体积，得到该动物的排便
量。
66.额外的，在本实施例中，通过智能摄像头视觉抓取并连续多次抓拍照片，通过图像识别，数据分析测出该动物在图像上所占的面积大小，进而预估出该动物的当前体重。
67.一种基于人工智能的跟踪监测系统，包括：数据传输设备、计算设备以及若干数据采集部件和若干智能摄像头；各个数据采集部件用于采集上述的监测数据；各个智能摄像头用于获取监控视频；计算设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机指令，处理器执行指令时实现上述方法的步骤，并把采集的数据上传至互联网(动物监控平台)。
68.其中，各个数据采集部件与数据传输设备之间通过rj45网线或usb数据线连接，数据传输设备与计算设备之间通过rj45网线连。
69.在本发明的描述中，若干的含义是一个以上，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
70.本发明的描述中，除非另有明确的限定，设置等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
71.本发明的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
72.在本技术中所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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中，包括若干指令用以使得一台计算机装置(可以是个人计算机，服务器，或者网络装置等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-onlymemory，简称rom)、随机存取存储器(random access memory，简称ram)、磁碟或者光盘等各种可以存储程序代码的介质。
73.注意，上述仅为本技术的较佳实施例及所运用技术原理。本领域技术人员会理解，本技术不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本技术的保护范围。因此，虽然通过以上实施例对本技术进行了较为详细的说明，但是本技术不仅仅限于以上实施例，在不脱离本技术构思的情况下，还可以包括更多其他等效实施例，而本技术的范围由所附的权利要求范围决定。
技术特征：1.一种基于人工智能的跟踪监测方法，其特征在于，包括以下步骤：s1：获取监控视频；s2：识别所述监控视频中的各个动物对应的个体信息；s3：通过视觉神经网络模型，对所述监控视频的图像数据进行识别，识别出所述监控视频中各个时间节点的图像数据所对应的各个所述动物对应的动物骨骼关键点，并计算出对应的运动轨迹，生成对应的动物骨骼模型；s4：识别所述动物骨骼模型在各个时间节点中所对应的活动区域；s5：根据所述动物骨骼模型的运动轨迹及对应的活动区域，识别出所述动物骨骼模型在各个时间节点上对应的行为类型。2.根据权利要求1所述的一种基于人工智能的跟踪监测方法，其特征在于，所述步骤s2包括以下步骤：通过识别各个所述动物身上设置的图样标记来识别各个所述动物的个体信息。3.根据权利要求1或2所述的一种基于人工智能的跟踪监测方法，其特征在于：所述视觉神经网络模型的构建步骤包括：s10：把获取的视频分解按时间次序为若干关键帧图片；s20：对所述关键帧图片中的动物进行动物骨骼关键点的标注，形成标签数据集；s30：采用yolo算法以及所述标签数据集对视觉神经网络模型进行训练，形成模型库。4.根据权利要求3所述的一种基于人工智能的跟踪监测方法，其特征在于：所述活动区域关联有对应的若干行为类型；所述模型库包括若干行为识别模型；各个所述行为类型分别关联有对应的行为识别模型。5.根据权利要求4所述的一种基于人工智能的跟踪监测方法，其特征在于：所述步骤s5包括以下步骤：s51：根据确定的活动区域，获取关联的各个行为识别模型；s52：通过对所述动物骨骼模型的运动轨迹与所述行为识别模型进行匹配，确定所述动物骨骼模型在确定的时间节点中对应的行为类型。6.根据权利要求5所述的一种基于人工智能的跟踪监测方法，其特征在于,还包括以下步骤：s6：获取各个时间节点对应的检测数据，并根据所述检测数据的类型与所述行为类型进行匹配。7.根据权利要求6所述的一种基于人工智能的跟踪监测方法，其特征在于：所述检测数据包括心率数据和体温数据；所述行为类型包括睡眠。8.根据权利要求6所述的一种基于人工智能的跟踪监测方法，其特征在于：所述检测数据包括水流量数据；所述行为类型包括饮水。9.根据权利要求6所述的一种基于人工智能的跟踪监测方法，其特征在于：所述监测数据包括食量数据；所述行为类型包括进食。
10.一种基于人工智能的跟踪监测系统，其特征在于，包括：数据传输设备、计算设备以及若干数据采集部件和若干智能摄像头；各个所述数据采集部件用于采集监测数据；各个所述智能摄像头用于获取监控视频；所述计算设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机指令，所述处理器执行所述指令时实现权利要求1至9任意一项所述方法的步骤。
技术总结本申请公开了一种基于人工智能的跟踪监测系统，涉及智能监控领域，特别是一种基于人工智能的跟踪监测方法和系统，其通过动物脸型数据标注和训练，可以识别出来不同的动物，进而可以对动物进行识别；识别后通过监测动物的行为轨迹，结合对活动区域的识别，可自动分析出动物在各个时间节点的行为类型，再通过结合设置的智能设备，可掌握动物的体温变化数据、体重变化数据、位置变化数据以及采食数据等，实现了全方位的数据采集，并随时把采集到的数据同步到大数据系统上，大大减少养殖的人工管理成本，且能实现数据的全过程追溯。且能实现数据的全过程追溯。且能实现数据的全过程追溯。
技术研发人员：牟云飞 于奎 张庆岩
受保护的技术使用者：中科装备（广州）生物安全科技有限公司
技术研发日：2022.08.02
技术公布日：2022/12/1
