基于改進ByteTrack算法的群養(yǎng)生豬行為識別與跟蹤技術

涂淑琴 湯寅杰 李承桀 梁 云 曾揚晨 劉曉龍

(華南農業(yè)大學數學與信息學院， 廣州 510642)

0 引言

生豬養(yǎng)殖業(yè)是畜牧業(yè)的支柱產業(yè)，在國民經濟中占據著舉足輕重的地位[1]。豬只的健康情況決定著生豬養(yǎng)殖業(yè)的發(fā)展與經濟效益，多數生豬疾病的臨床或亞臨床體征表現之前常伴隨行為異常[2]，故對豬只的運動、飲食等行為的監(jiān)測有助于判斷豬只健康情況。目前，隨著圖像處理技術的發(fā)展，人工觀察與計算機視覺融合監(jiān)測是大型豬場的主要管理方式，其需要一定的勞動力，同時借助智能耳標(豬只身份識別)，采用計算機輔助手段實現半自動化監(jiān)測豬只行為狀態(tài)。為實現高效全自動監(jiān)控豬只健康情況，利用多目標跟蹤技術，完成豬場豬只健康的智能監(jiān)測[3]，對實現生豬智慧養(yǎng)殖具有重要意義。

隨著深度學習的發(fā)展，多目標跟蹤技術取得快速進展[4-7]。根據其工作方式不同，主要分為：基于檢測的跟蹤(Tracking by detection，TBD)和檢測跟蹤一體策略(Joint detection and embedding，JDE)。TBD首先用檢測器輸出檢測結果，然后，利用卡爾曼濾波、貝葉斯概率和匈牙利算法等數據關聯算法進行多目標跟蹤。其中，DeepSORT算法[7]采用不同的檢測器，提取目標檢測結果，然后，為改善遮擋目標的跟蹤性能，采用運動和表觀信息進行數據關聯匹配，實現高效的多目標跟蹤。該方法在群養(yǎng)生豬跟蹤中獲得廣泛應用[8-10]。但是，TBD方法一般是分兩個階段，先檢測，再跟蹤，同時跟蹤中采用運動和外觀相似度進行數據關聯匹配，導致多目標跟蹤速度較慢，在大量攝像頭的視頻監(jiān)控環(huán)境下，要達到實時跟蹤效果具有很大的難度[11-13]。

JDE算法是聯合檢測和跟蹤操作實現端對端的一階段方法，其通過修改對象檢測器頭部組件，完成預測對象在下一幀的位置。該方法在一個網絡中同時完成目標檢測和身份重識別(Re-IDfeature)任務，通過共享大部分計算來減少推理時間，達到實時跟蹤。近年來，研究者開發(fā)了多種JDE類方法[14-15]。TransTrack方法[4]基于transformer結構，利用Query-Key機制，追蹤當前幀已經存在的目標，同時完成新目標的檢測。但注意力機制極大地增加模型的復雜度，導致其計算成本較高。JDE類方法在跟蹤性能提升的基礎上，運行速度也有顯著提升。

以上TBD和JDE類方法在獲取目標檢測結果后，會丟棄置信度小于一定閾值的低分框。這些低分框可能是對物體遮擋時產生的框，直接將低分框拋棄，會產生大量的漏檢和軌跡中斷，影響目標跟蹤性能。因此，若使用低分框對追蹤算法進行二次匹配，就能有效解決追蹤過程中由于遮擋造成的錯誤身份(ID)變換問題。針對該問題，ZHANG等[6]提出了ByteTrack方法。該方法在TBD基礎上，改進數據關聯策略，有效利用低分框，提高目標跟蹤性能。其首先采用YOLOX算法[16]作為檢測器，然后設計一種簡單高效的數據關聯算法BYTE。同時，為提高跟蹤速度，僅僅使用運動信息相似度來關聯檢測框，沒有使用外觀特征匹配，獲得了快速的跟蹤性能，在MOT17[17]和MOT20[18]數據集中取得最好的效果。

在真實養(yǎng)殖豬場中，由于光照變化與豬群的密集遮擋，容易造成目標漏檢和誤檢，導致跟蹤中豬只目標ID 錯誤頻繁跳變，降低跟蹤性能。為克服這些挑戰(zhàn)，本研究在ByteTrack方法基礎上，設計一種改進的群養(yǎng)生豬多目標跟蹤算法。該方法首先通過YOLOX-X檢測器，輸出群養(yǎng)生豬的4類行為、位置和分類置信度信息，改善漏檢和誤檢操作。然后，改進BYTE數據關聯策略，設計軌跡插值后處理策略和適合生豬的檢測框，提升跟蹤中豬只ID的穩(wěn)定性。最后只采用交并比(Intersection over union，IOU)匹配，未采用外觀匹配，減少算法的推理運行時間，達到實時跟蹤的效果，以期為快速無接觸式自動監(jiān)測群養(yǎng)生豬行為提供技術支持。

1 實驗數據

實驗數據從文獻[19]的數據集中選擇，篩選保留15段豬只移動較多的有效視頻，每段視頻60 s，每秒5幀。將視頻分辨率裁剪為2 688像素×1 012像素，在視頻段中只保留同一豬舍下的豬只。使用DarkLabel軟件對視頻段進行標注，構建ByteTrack數據集，其中隨機挑選4段不同條件下的視頻作為測試集，用于驗證算法效果，具體信息如表1所示。

表1 測試集Tab.1 Test dataset

2 多目標跟蹤算法

本文提出的群養(yǎng)生豬多目標行為跟蹤方法分為目標檢測和多目標跟蹤兩階段，其工作流程如圖1所示。首先，將視頻圖像輸入到目標檢測器，即YOLOX-X檢測器，快速準確地檢測出每頭豬只信息，包括其置信度、檢測框和行為類別。然后，將檢測結果輸入到多目標跟蹤器。多目標跟蹤器采用BYTE數據關聯算法，其將檢測結果分為高分檢測框和低分檢測框，分別采用卡爾曼濾波預測和匈牙利匹配算法，獲得連續(xù)視頻幀圖像的目標軌跡框。最后，輸出多目標跟蹤圖像序列結果。

圖1 群養(yǎng)生豬多目標行為跟蹤流程圖Fig.1 Flow chart of multi-object behavior tracking of group-housed pigs

2.1 基于YOLOX-X的目標檢測器

基于YOLOX-X的目標檢測算法結構如圖2所示。主要部件為特征提取主干網絡、中間多尺度特征融合和解耦頭3個模塊。主干網絡CSPDarknet53負責對輸入圖像進行特征提取，由Focus組件和4個Dark網絡塊組成。中間多尺度特征融合模塊由自頂向下特征金字塔網絡(Feature pyramid networks，FPN)和自底向上的路徑聚合網絡(Path aggregation network，PAN)結構組成，即路徑聚合-特征金字塔網絡(PAFPN)，融合不同尺寸特征圖的語義信息和位置信息。解耦頭將根據3個不同尺度的特征，分別輸出目標檢測結果。

圖2 YOLOX-X檢測模型結構圖Fig.2 Structure diagram of YOLOX-X detection model

YOLOX-X在目標檢測中主要有4個優(yōu)點：①YOLOX在網絡輸入部分采用兩種數據增強方法，分別為Mosaic數據增強和MixUp數據增強[20]。Mosaic數據增強通過隨機裁剪、隨機縮放和隨機排布，將多幅圖像融合在一起，增加許多小目標，增強主干網絡魯棒性。MixUp數據增強將2幅圖像通過融合疊加在一起，構建虛擬樣本，其對不同類別和不同樣本之間鄰域關系進行建模，提高模型泛化能力。②采用解耦頭(Decoupled head)檢測。解耦頭具有更好的表達能力，其每一個頭部分支只負責單一功能，收斂速度更快，精度更高。③采用無錨框(Anchor-Free)，將每個位置的預測個數從有錨框的3減到1，直接預測目標框的4個值，降低檢測器的參數量，加快檢測速度。④采用標簽分配SimOTA。SimOTA的分配方法能顯著提高檢測模型精度。

2.2 基于改進ByteTrack的多目標跟蹤算法

2.2.1基本的ByteTrack多目標跟蹤算法

群養(yǎng)生豬多目標跟蹤算法采用BYTE數據關聯策略，該策略能夠較好地跟蹤復雜場景下嚴重遮擋的群養(yǎng)生豬對象，其具體運行過程如下：

(1)將YOLOX-X目標檢測結果分為高分和低分檢測框。檢測結果中，若檢測框置信度大于高分框閾值，則將檢測框放入高得分檢測框集合Dhigh中。檢測框置信度值小于高分框閾值，并且大于低分框閾值，則將該檢測框放入低得分檢測框集合Dlow中。

(2)將Dhigh與已有軌跡進行首次關聯匹配。計算出Dhigh高分框與軌跡集合的IOU距離矩陣，用匈牙利算法進行匹配。對于成功匹配的軌跡，更新其卡爾曼濾波，并放入當前幀軌跡集合中。對未能夠成功匹配的軌跡放入第一次關聯未能匹配的軌跡集合Tremain中，未能夠成功匹配的高得分檢測框放入第1次關聯未能匹配的檢測框集合Dremain中。

(3)將Dlow與Tremain軌跡進行第2次IOU關聯匹配。計算Dlow低分框與Tremain軌跡集合的IOU距離矩陣，用匈牙利算法進行匹配。未能夠成功匹配的軌跡放入丟失軌跡集合Tlost中，未能夠成功匹配的低得分檢測框直接刪除，這個檢測框被認為是背景框。對于成功匹配的軌跡，更新其卡爾曼濾波，并放入當前幀軌跡集合中。

(4)軌跡創(chuàng)建、刪除和合并。對于Dremain中的檢測框，若置信度值大于跟蹤得分閾值，則為其創(chuàng)建一個新的軌跡，并且合并入當前幀軌跡集合中，否則不做處理。對于保留在Tlost里的軌跡，若超出30幀，則認為其為丟失軌跡并刪除。返回當前幀的所有軌跡集合，將其作為下一幀圖像的已有軌跡集合，輸出軌跡集合，進行卡爾曼濾波預測軌跡新位置。

該策略處理流程圖如圖3所示。

圖3 基于BYTE數據關聯算法流程圖Fig.3 Flow chart of algorithm based on BYTE data association

2.2.2改進ByteTrack的多目標跟蹤算法

基于BYTE的數據關聯跟蹤器只能用于跟蹤單類別的行人，無法識別目標對象的行為動作類別，難以識別非行人的目標，因此，需要對BYTE數據關聯算法進行改進。為實現群養(yǎng)生豬多種行為穩(wěn)定跟蹤，改進ByteTrack的多目標跟蹤算法的改進包括兩部分：

(1)設計并實現BYTE數據關聯的軌跡插值后處理策略。針對群養(yǎng)生豬之間存在的嚴重遮擋，導致目標ID錯誤變換，該策略能顯著提升遮擋目標的穩(wěn)定跟蹤性能。其工作原理為：假設軌跡T在t1幀和t2幀之間因遮擋處于丟失狀態(tài)，若當前軌跡T恰好處于第t幀(t1

(1)

式中Bt——第t幀的軌跡框坐標(包含4個值，分別是左上和右下坐標值)

Bt1——第t1幀的軌跡框坐標

Bt2——第t2幀的軌跡框坐標

與此同時，需要設置一個超參數σ，表示執(zhí)行插值的最大幀數間隔，這意味著只有當t2-t1<σ時才執(zhí)行軌跡插值。

(2)針對豬只形狀，設計適合群養(yǎng)生豬的檢測錨框。原本基于BYTE的數據關聯跟蹤器的檢測框根據行人的窄高特點設計，本文中去除對目標檢測框的形狀限制，同時設計適合生豬的檢測框。同時，在基于BYTE的數據關聯跟蹤器中，增加豬只4類行為類別(躺臥、站立、飲食和其他)跟蹤。首先，在YOLOX-X目標檢測中，采用目標、分類和回歸3個解耦頭，每一個頭部分支負責單一功能。設計群養(yǎng)生豬4種分類行為，分類信息由獨立的一個解耦頭負責。然后，將檢測結果中檢測框坐標和類別信息一起傳入BYTE數據關聯算法中，實現在跟蹤模塊中，對每個軌跡增加類別和置信度信息。使每個軌跡包含坐標信息、ID號、置信度和類別信息，最終實現豬只行為類別跟蹤。

在豬只存在物體遮擋或者其他豬只遮擋時，YOLOX-X可能在相鄰幾幀之間，會出現漏檢或者誤檢的檢測框，其產生無類別或者錯誤的行為類別；將其引入跟蹤模塊，會產生錯誤的ID跟蹤框，其并無類別或者錯誤的類別信息；在這種情況下，利用改進的BYTE數據關聯的軌跡插值后處理，去更正錯誤的ID跟蹤框，在更正軌跡框坐標信息及ID信息時，同時去更正類別信息，實現穩(wěn)定的行為類別跟蹤。其中，更正軌跡T的行為分類信息依據分類信息是離散變量，通過t1幀和t2幀的類別信息，采用最大投票方法修正軌跡T的類別信息。

改進BYTE數據關聯跟蹤器實現效果如圖4所示，圖4a中原本的跟蹤框只能顯示豬只的ID號，而圖4b中的跟蹤框能夠顯示豬只的行為類別和ID號，可以體現出增加行為類別后的跟蹤差異。

圖4 改進ByteTrack算法中增加行為類別跟蹤結果Fig.4 Behavior recognition tracking results based on improved ByteTrack algorithm

基于改進ByteTrack數據關聯策略，將所有檢測框都保留下來，將檢測框分為高分和低分檢測框，提高遮擋物體的穩(wěn)定跟蹤。同時對匹配過程中發(fā)生丟失的軌跡進行靈活處理，提高遮擋物體的跟蹤性能。

2.3 實驗平臺與評價指標

實驗采用基于ByteTrack的深度學習多目標跟蹤模型，運行模型的服務器操作系統(tǒng)為Ubuntu18.04，編程語言為Python3.7，深度學習框架為Pytorch1.9.1，cuda版本11.1。服務器的GPU為RTX 3090，內存為64 GB。

圖5 ByteTrack算法跟蹤部分結果Fig.5 Examples of MOT results based on ByteTrack

采用識別平均數比率(Identification F1，IDF1)、召回率(Recall，R)、精確率(Precision，P)、大多數跟蹤(Mostly tracked，MT)、主要丟失目標(Mostly lost，ML)、誤報數(False positives，FP)、漏報數(False negatives，FN)、身份切換(ID switch，IDs)次數、多目標跟蹤準確度(Multiple object tracking accuracy，MOTA)和多目標跟蹤精確度(Multiple object tracking precision，MOTP)進行綜合評價跟蹤模型。其中，IDF1、IDs和MOTA主要反映跟蹤器的性能，IDF1和MOTA數值越高，性能越好，IDs值越小，性能越好；輔助以R、P、MT、ML、FP、FN、MOTP等指標進行跟蹤模型的性能評估，R、P、MT、MOTP值越高，性能越好，ML、FP、FN值越小，性能越好。

3 結果與分析

3.1 ByteTrack群養(yǎng)豬多目標跟蹤結果與分析

為檢驗ByteTrack多目標跟蹤模型性能，將4段不同環(huán)境場景下的群養(yǎng)生豬視頻作為測試視頻，設置軌跡分數閾值為0.76，匹配閾值為0.98，輸入圖像尺寸為1 344像素×506像素，ByteTrack在測試集上的跟蹤結果如表2所示，其中真實豬只數量(Ground truth，GT)代表每個視頻段中共有幾頭豬只。該方法的MOTA和IDF1分別為95.3%和93.9%，說明跟蹤器在豬舍場景中，對于群養(yǎng)生豬跟蹤具有較好的效果。IDs為13，說明模型能持續(xù)跟蹤，性能穩(wěn)定。綜合其他指標結果，該跟蹤器適用群養(yǎng)生豬環(huán)境下的多目標跟蹤。

表2 基于ByteTrack的群養(yǎng)生豬多目標跟蹤結果Tab.2 Pig MOT results based on ByteTrack

利用ByteTrack對不同條件下群養(yǎng)生豬進行跟蹤測試，結果如圖5所示。圖5a為在白天豬只個數較少、存在部分遮擋的情況下，模型可以準確地識別并跟蹤豬只行為，跟蹤效果較好。圖5b為在夜晚豬只個數較多、存在嚴重遮擋的情況下，模型也能夠準確識別出每頭豬只并進行跟蹤，表明該模型能夠很好地處理目標遮擋問題；圖5c、5d為在白天豬只較多、密集擁擠情況下的跟蹤性能。在這些場景下，算法具有較好的跟蹤效果，表明模型對于不同光照也具有較好性能。綜上，ByteTrack模型適用生豬跟蹤。

3.2 基于改進ByteTrack群養(yǎng)生豬多目標行為跟蹤結果

3.2.1基于改進ByteTrack的多目標跟蹤結果分析

基于改進ByteTrack的多目標跟蹤測試結果如表3所示。從表3可以看出，視頻序號0102、0402和0602的IDF1值在92%～93%之間，說明對3個視頻中目標跟蹤保持良好，而視頻序號1502的IDF1達到99%，保持目標跟蹤的時間更長。所有測試視頻IDF1平均值達到94.5%，表明，整體上模型算法的軌跡跟蹤性能較優(yōu)。在P與R方面，所有測試視頻平均值分別為98.0%和98.1%，說明模型能夠準確地識別出豬只目標。在MT和ML上，所有視頻都達到最佳，表明所有軌跡大多數時間都能被正確跟蹤，跟蹤持續(xù)性沒有過大的偏差。

表3 改進ByteTrack的群養(yǎng)生豬多目標跟蹤結果Tab.3 Pig MOT results of improved ByteTrack algorithm

圖6 改進ByteTrack的部分跟蹤效果Fig.6 Examples of MOT results based on improved ByteTrack

在IDs指標方面，4個視頻的IDs總數只有9，而1502視頻段的IDs為0，表明改進ByteTrack跟蹤模型在密集和遮擋復雜環(huán)境下，能對目標持續(xù)跟蹤，不存在丟失，跟蹤性能穩(wěn)定。同時，測試視頻的MOTA均在90%以上，平均值為96.1%，表明模型算法對檢測目標的準確性和保持軌跡穩(wěn)定性很好，MOTP的平均值為0.189，表明位置誤差較小。綜上所述，改進ByteTrack多目標跟蹤模型無論在識別目標的準確度，還是保持軌跡持續(xù)性和穩(wěn)定性方面，都表現較優(yōu)。

改進ByteTrack的群養(yǎng)生豬多目標跟蹤部分效果如圖6所示。其中，視頻0102在第50、150、250幀都保持穩(wěn)定的跟蹤，其最大ID號為7。視頻1502為夜晚密集情況下，在第50、150、250幀一直保持穩(wěn)定的跟蹤，其最大ID號為16，和表3中視頻1502的真實豬只數量GT相同。視頻0402在150幀時，最大ID號為15，和GT值對應，說明該視頻在白天密集情況下，保持軌跡持續(xù)性和穩(wěn)定性。說明改進BYTE數據關聯對群養(yǎng)生豬多目標跟蹤能取得穩(wěn)定的跟蹤性能。

3.2.2改進ByteTrack與ByteTrack效果對比

對測試視頻跟蹤信息進行軌跡插值后處理，可以有效地處理因遮擋而產生的IDs問題，提高IDF1和MOTA值。

應用軌跡插值算法進行處理前和處理后的相應視頻幀對比如圖7所示，圖7a和圖7b由軌跡插值處理前和處理后視頻0102的第264幀所截取，當ID為4的豬只被ID為1的豬只遮擋時，經過軌跡插值處理后，其跟蹤結果仍然能保留ID為4，沒有發(fā)生ID切換。圖7c和圖7d由視頻0402的117幀截取，可以觀察到插值處理前黃色框ID為11的豬只被ID為15的豬只遮擋后軌跡框丟失，而插值處理后沒有造成丟失。因此，運用軌跡插值算法能有效提高跟蹤性能，避免因遮擋問題造成跟蹤框丟失和ID錯誤切換。

3.3 改進算法和其他多目標跟蹤算法結果比較

與DeepSORT和JDE多目標跟蹤算法不同，改進ByteTrack算法將所有檢測框都保留下來，并將檢測框分為高分檢測框和低分檢測框。檢測分數較低的目標對象往往由一些因素(例如遮擋、運動模糊、行為姿態(tài)變化等)造成，如果簡單地將低分檢測框去除，容易造成目標對象軌跡丟失或身份切換頻繁等問題。而將低分檢測框與軌跡進行關聯，利用位置重合度就能把遮擋的物體從低分框中挖掘出來，保持軌跡連貫性，因此，保留低分檢測框很有必要。表4為JDE和DeepSORT的多目標跟蹤實驗結果。

表4 JDE和DeepSORT的實驗結果對比Tab.4 Experimental results comparison between JDE and DeepSORT

對比表2、4發(fā)現，JDE、DeepSORT和ByteTrack算法的IDF1平均值為66.5%、67.3%和93.9%。改進ByteTrack模型達到94.5%，顯著優(yōu)于其他3種方法，表明改進模型對于目標能保持長時間的跟蹤能力。在IDs方面，改進ByteTrack算法的IDs總數只有9，而 JDE和DeepSORT模型的IDs總數分別達到了232和251，表明ByteTrack模型無論在豬只稀疏、活動較少的場景下，還是豬只密集、遮擋情況較多、活動頻繁等復雜環(huán)境下，ID切換次數非常少，具有穩(wěn)定的多目標跟蹤性能。在MOTA方面，改進ByteTrack算法(96.1%)顯著高于JDE、DeepSORT算法(84.0%、87.9%)，這也說明改進ByteTrack算法在檢測精度和保持軌跡的能力都高于其他模型。總體來說，改進ByteTrack模型的所有性能指標都優(yōu)于其他算法模型，適合用于復雜場景下的群養(yǎng)生豬多目標跟蹤。

改進ByteTrack算法與JDE、DeepSORT算法的跟蹤結果如圖8所示。圖8a中DeepSORT和圖8c中JDE在第55幀中，豬只最大ID號都為14，而改進ByteTrack算法中，豬只最大ID號為7(圖8e)；在第230幀時，對應圖8b和圖8d，DeepSORT和JDE算法分別為42和59，這表明DeepSORT和JDE在豬只行動活躍的情形下，ID切換十分頻繁，多目標跟蹤穩(wěn)定性差。在圖8f中，改進ByteTrack算法在第230幀中，其最大ID號一直保持在7，這與豬只總數一致，表明ByteTrack在當前場景下發(fā)生ID切換的次數極少，保持跟蹤穩(wěn)定性。同時，圖8b與圖8d中有一因遮擋而導致漏檢的豬只，在圖8f中一直能夠穩(wěn)定跟蹤，因此，改進ByteTrack算法在目標遮擋的情況下，也能很好地跟蹤該目標。

針對夜晚、豬只個數較多(GT為16)、豬群密集擁擠、個別豬只活動較多(對應測試視頻序號1502)的情況，改進ByteTrack算法與JDE、DeepSORT算法的跟蹤結果如圖9所示。

圖8 ByteTrack與JDE、DeepSORT算法跟蹤結果對比(測試視頻0102)Fig.8 Comparison of ByteTrack, JDE and DeepSORT tracking results (test video 0102)

圖9 ByteTrack與JDE、DeepSORT算法跟蹤結果對比(測試視頻1502)Fig.9 Comparison of ByteTrack, JDE and DeepSORT tracking results (test video 1502)

從圖9a與圖9c可以觀察到，DeepSORT與JDE算法在第20幀時，已經產生ID錯誤切換，最高ID數分別為24和28，與豬只個數(16)不符。圖9e中改進ByteTrack算法在第20幀中，其最大ID數為16，與豬只個數一致。在第258幀中，DeepSORT和JDE跟蹤框(圖9b和圖9d)最大ID分別為121和 100，表明跟蹤期間產生頻繁的ID變換。改進ByteTrack算法(圖9f)跟蹤框最大ID號仍保持在16，這說明改進ByteTrack算法在光線較弱、豬只密集擁擠的復雜環(huán)境下，也有穩(wěn)定的跟蹤性能。原因可能是改進ByteTrack算法將低分檢測框與軌跡進行關聯，并采用軌跡插值后處理，把遮擋的物體從低分框中挖掘出來，保持軌跡連貫性。

綜上所述，改進ByteTrack算法相比于DeepSORT與JDE，在復雜場景下更突顯其出色的跟蹤精度，優(yōu)越的跟蹤性能，發(fā)生IDs的情況明顯少于其他算法，并能夠準確地實現跟蹤群養(yǎng)生豬。

4 結論

(1)提出了一種改進ByteTrack算法的多目標跟蹤模型，該模型基于YOLOX-X和改進ByteTrack算法構成。針對群養(yǎng)生豬密集遮擋的復雜場景，在BYTE數據關聯基礎上，引入行為類別，增加插值后處理，實現群養(yǎng)生豬穩(wěn)定高效的多目標跟蹤性能。

(2)實驗結果表明，在目標跟蹤方面，改進ByteTrack算法實驗結果的MOTA為96.1%，IDF1為94.5%，IDs為9，MOTP為0.189，對比JDE、DeepSORT和ByteTrack算法，改進ByteTrack算法的所有指標都有較好的提升。不同算法跟蹤效果的對比證明了改進ByteTrack算法性能較優(yōu)。

(3)本文所構建群養(yǎng)生豬行為跟蹤算法可以滿足實際養(yǎng)殖環(huán)境中的需要，能夠為無接觸式自動監(jiān)測生豬提供技術支持，在智慧養(yǎng)殖群養(yǎng)生豬中，具有良好的應用前景。