基于人计算的小鼠行为识别

已有的计算机视觉自动分析系统很难准确识别小鼠行为,因此普遍采用专家对大量的视频图像进行行为标注的方法获得真实值,但专家标注存在一定的主观误判。针对上述问题,提出将人计算思想应用于小鼠行为识别中,让人辅助计算机识别小鼠行为。首先利用人在视觉感知等方面的优势,以及网络的分众、协同性,把人作为分布式个体处理单元,将小鼠行为视频按帧分配给网络上的人,同一帧图像由若干人进行行为分类;然后计算机系统对所有有效的分类结果进行统计、分析和处理,实现对视频图像序列的行为分类。实验表明,该方法在有限代价下,能够有效地提高小鼠行为的正确识别率。

改进YOLO5Face的小鼠行为实时分析方法研究

传统的动物行为分析方法大部分是采取离线的形式,不能做到实时分析。为了解决此问题,本文提出了一种改进YOLO5Face的小鼠行为实时分析方法。本方法分为两个步骤:首先是小鼠关键点实时检测,然后是小鼠行为实时识别。针对小鼠关键点实时检测,在深度学习网络YOLO5Face的基础上改进:新增了一个更小的检测头来检测更小尺度的物体;主干网络中加入YOLOv8的C2f模块,让模型获得了更加丰富的梯度流信息,大大缩短了训练时间,提高了关键点检测精度;引入GSConv和Slim-neck,减轻模型的复杂度同时提升精度。结果表明:模型对鼻尖、左耳、右耳、尾基关键点检测的平均PCK指标达到了97.5%,推理速度为79 f/s,精度和实时帧率均高于DeepLabCut模型的性能。针对小鼠行为实时识别:利用上述改进的关键点检测模型获得小鼠关键点坐标,再将体态特征与运动特征相结合构造行为识别数据集,使用机器学习方法SVM进行行为分类。模型对梳洗、直立、静止、行走四种基本行为的平均识别准确率达到了91.93%。将关键点检测代码与行为识别代码拼接,整个代码运行的实时帧率可以达到35 f/s。