基于YOLOX-BT的奶牛多目标跟踪方法OA

奶牛跟踪是获取奶牛位置信息和活动数据的重要方式,对奶牛的智能管理具有重要意义。针对视频中部分奶牛目标较小、存在重叠与环境遮挡造成的漏检、误检和轨迹断裂的问题,提出了YOLOX-BT算法,该算法将YOLOX-s的CSP2_1结构替换成了CFP_EVCBlock结构,用于提升小目标检测性能;在CFP_EVCBlock结构中,通过整合多种特征增强机制设计了特征重标定模块(Feature refinement module,FRM),解决重叠与遮挡问题,实现了对重要特征的有效提取;为了改善轨迹断裂情况,在数据关联部分,引入外观相似度改进相似度计算方法,并且在匹配过程中,动态调整外观相似度匹配和IoU匹配的所占权重,提升了奶牛的匹配精度。实验结果表明,改进后的检测器平均检测精度、精确率、召回率、帧速率分别达到了94.9%、94.2%、92.7%和22.9 f/s,较原模型相比分别提高了1.2、0.8、2.3个百分点和29.4%,参数量下降了9.3%,浮点运算量减少了16.7%。YOLOX-BT方法在奶牛多目标跟踪任务上,MOTA为93.2%,IDF1为95.2%,IDs为13,MOTP为5.3%,与目前常用方法相比,在MOTA和IDF1上均有显著提升,并有效减少了ID切换。YOLOX-BT算法能实现养殖场奶牛的准确且持续有效跟踪,能够为奶牛智能管理提供技术支持。