基于定向边界框标注的猪只多目标跟踪方法

摘要

【目的】为解决因长时间严重遮挡导致的猪只轨迹丢失问题，提出一种基于定向边界框（Oriented bounding box,OBB）标注的猪只多目标跟踪方法，以提升遮挡场景下的猪只跟踪性能。【方法】首先，以YOLOv11n为基线模型，通过引入C3k2＿DualConv卷积网络和双向特征金字塔网络结构（Bidirectional feature pyramid network,BiFPN）对其进行改进，构建猪只目标检测模型YOLO-DB；其次，在BoT-SORT跟踪算法的基础上，通过轨迹帧分析机制并融合猪只在遮挡前、后姿势所呈现的一致性特征，采用更适合OBB标注的基于概率交并比（Probabilistic intersection over union,ProbIoU）的目标匹配机制，构建额外的匹配策略；最后，通过整合YOLODB算法和改进的BoT-SORT跟踪算法，实现丢失轨迹的有效找回。【结果】YOLO-DB算法的精确率、召回率和mAP₅₀分别达到96.5%、95.6%和97.3%，较基线模型分别提升了2.7、1.2和1.4个百分点，参数量也降低了2.4%。改进后的跟踪算法在高阶跟踪精度（Higher order tracking accuracy,HOTA）、多目标跟踪准确率（Multiple object tracking accuracy,MOTA）和识别F1分数（Identification F1 score,IDF1）指标上分别达到82.4%、97.7%和89.1%，较基线模型分别提高了0.9、1.3和5.4个百分点，身份切换次数（Identification switch,IDS）、误检数（False positives,FP）和漏检数（False negatives,FN）均显著降低。【结论】本文算法有效地解决了因长时间遮挡导致的猪只轨迹丢失问题，遮挡场景下猪只行为跟踪的性能显著提升，为规模猪场的智能化管理提供了一种高效可靠的技术手段。

关键词

多目标跟踪 / 定向边界框 / YOLOv11n / 生猪 / BoT-SORT