一种猪的攻击行为时长量化方法

本发明涉及图像数据处理，特别涉及一种猪的攻击行为时长量化方法。

背景技术：

1、在规模化养猪生产中，群养模式能够提高栏舍利用率、降低单头饲养成本，但也显著增加了猪只争斗与攻击性行为的发生概率；此类攻击行为不仅会造成咬伤、抓伤等外伤并诱发感染与应激反应，还会引起采食下降、生长性能降低、用药成本上升与淘汰率提高等连锁影响，最终转化为直接与间接经济损失。当前猪场对争斗事件的发现仍以人工巡查为主，但该方式需要持续投入人力、管理成本高且难以长期稳定覆盖，同时受巡查间歇性与主观性影响，难以实现实时监测与一致性预警；更关键的是，人工观察难以沉淀可追溯、可比较的个体级量化记录，难以支撑问题个体的长期档案构建与精准干预决策。

2、近年来，计算机视觉方法在猪只行为监测中的应用日益广泛，针对猪攻击性行为自动识别的研究也取得了显著进展。早期研究多将攻击行为视为片段级或短序列分类任务，判断视频片段中是否存在攻击行为。近年来，相关研究进一步开始尝试估计攻击行为发生的时间区间或持续时间。然而，上述研究大多仍停留在群体层面的行为判断，尚未实现对参与攻击个体的可靠量化，因此难以支撑个体级行为追踪与事件归因。已有一些相关工作尝试对单个猪只行为进行检测，但通常依赖人工为不同个体预先赋予编号或标签，再据此观测特定个体的行为表现，实施复杂、扩展性有限。

3、此外，攻击行为与多种正常社交行为之间在视觉上高度相似。在群养场景中，靠近、拥挤、追逐或短暂身体接触等正常交互，在外观表现和运动模式上往往与真实攻击行为较为接近，现有行为识别模型在此类场景下容易产生较高误报。

4、进一步地，即使系统能够检测出攻击行为，如何将逐帧或片段级预测转化为可靠的事件统计结果，仍然是一个关键难点。实际养殖管理关注的不仅是攻击是否发生，更关心其何时开始、何时结束以及持续多长时间。然而，短时漏检、预测抖动以及交互行为本身的间歇性，往往导致事件边界难以稳定确定，进而造成事件片段碎片化、持续时间统计偏差以及个体归因不准确等问题，最终影响攻击持续时间估计的准确性。

5、综合来看，现有方法通常只解决了问题链条中的某一部分，当前系统仍难以在统一框架下同时回答养殖管理中最关键的三个问题：参与攻击的是哪些猪只、当前观测到的交互是否真实属于攻击行为，以及该事件持续了多长时间。

技术实现思路

1、为了解决上述技术问题，本发明提供一种猪的攻击行为时长量化方法，能够提升攻击行为识别性能。

2、本发明实施例提供一种猪的攻击行为时长量化方法，包括以下步骤：

3、对监控视频中的各猪只个体进行识别并赋予身份标识，并根据身份标识生成各猪只个体的运动轨迹，再根据运动轨迹构建每个身份标识对应的猪只个体的时空片段；

4、将时空片段输入p2p-slowfast网络，获得每帧中每个身份标识对应的猪只个体的行为判断结果；行为判断结果包括该身份标识及其对应的攻击行为类别；

5、其中，p2p-slowfast网络包括依次级联的slowfast双路径骨干网络、上下文模块、p2p关系推理模块和分类头；通过slowfast双路径骨干网络提取时空片段的多尺度时空特征并进行融合，形成共享特征表示；通过上下文构建模块从共享特征表示中提取并压缩得到一组固定数量的上下文本标记；通过p2p关系推理模块从共享特征表示中提取的主体标记作为查询，以上下文本标记作为键和值，利用多头注意力机制检索与当前个体相关的交互线索，并以残差连接的方式将检索到的交互线索融入主体标记中，输出增强后的主体标记；通过分类头将增强后的主体标记映射为攻击行为类别和非攻击行为类别的概率分布，并结合共享特征表示中的时间维度信息，输出行为判断结果及其对应的攻击行为持续时间。

6、进一步的，上下文本标记的构建方式为：对共享特征表示依次进行时间均值池化与空间自适应池化，得到固定数量的上下文本标记。

7、进一步的，增强后的主体标记输入分类器，输出行为判断结果，具体为：

8、将增强后的主体标记输入全连接层，映射至类别数量的维度；

9、经softmax函数计算得到攻击行为类别和非攻击行为类别的概率分布；

10、取概率最大的类别作为该时空片段对应的猪只个体的行为判断结果。

11、进一步的，p2p关系推理模块被配置为：

12、以主体标记和上下文本标记作为输入；

13、将主体标记和上下文本标记分别通过线性投影层映射至统一特征空间，生成查询、键和值；

14、将查询和键输入多头注意力层，计算注意力权重并经softmax归一化后得到注意力分布，根据注意力分布对值进行加权聚合，检索得到与当前个体相关的交互线索；其中，多头注意力层在计算注意力权重时，注入由当前个体的归一化边界框经轻量级多层感知机生成的几何先验偏置；

15、将检索到的交互线索乘以可调节系数后，以残差连接的方式叠加至原始主体标记，得到中间特征；

16、将中间特征依次输入层归一化层、前馈网络层和第二次层归一化层，得到增强后的主体标记。

17、进一步的，输出行为判断结果及其对应的攻击行为持续时间，具体为：

18、以轨迹编号为单位，将连续被判断为攻击行为的行为判断结果按时间连续性聚合为一个或多个独立的攻击事件片段；

19、对于每个攻击事件片段，获取其起始帧对应的时间戳作为攻击开始时间，获取其结束帧对应的时间戳作为攻击结束时间；

20、计算攻击结束时间与攻击开始时间的差值，作为该个体在该攻击事件片段中的持续时长；

21、若同一身份标识下存在多个攻击事件片段，则分别输出每个攻击事件片段的持续时长，或输出所有攻击事件片段的持续时长之和。

22、进一步的，输出行为判断结果及其对应的攻击行为持续时间之前，还包括对所述连续被判断为攻击行为的行为判断结果进行优化处理的步骤：去除持续时长短于第一设定阈值的离散片段，并对时间间隔小于第二设定阈值的相邻同类片段进行合并；第一设定阈值小于第二设定阈值。

23、进一步的，确定个体参与攻击行为的持续时长后，还包括事件级量化评估步骤：以轨迹编号为单位，将后处理后的连续攻击帧序列聚合为独立的攻击事件，计算每个事件的起始时间、结束时间和持续时长，并基于真实标注计算每个身份标识下攻击事件的整轨时间交并比、匹配成功的事件数、漏检事件数、虚警事件数，以及起始时间、结束时间和持续时长的平均绝对误差，最终生成包含所有个体均值指标的汇总json输出。

24、进一步的，对监控视频中的各猪只个体赋予身份标识，根据身份标识生成各猪只个体的运动轨迹，再根据运动轨迹构建每个身份标识对应的猪只个体的时空片段包括：将监控视频逐帧输入多目标跟踪器；多目标跟踪器对各帧图像中的猪只个体进行跨帧关联匹配，为各猪只个体生成对应的身份标识，并根据身份标识生成各猪只个体的运动轨迹；

25、根据身份标识确定对应的运动轨迹，对每个身份标识下的猪只个体，根据运动轨迹，以最新帧的检测框为参考基准，从历史缓冲帧中裁剪出对应猪只个体的图像区域，将连续多帧的裁剪区域沿时间维度堆叠，构建与该身份标识绑定的时空片段。

26、进一步的，多目标跟踪器在跟踪过程中，为每条运动轨迹维护一个置信度基线，置信度基线表示该轨迹对应的猪只个体在正常可见状态下的检测置信度水平；当当前帧中该轨迹对应的检测置信度相对于置信度基线的下降程度超过设定范围时，将该轨迹标记为待遮挡状态，并记录遮挡前的状态信息；

27、对于当前帧中未成功关联的检测结果，与处于待遮挡状态的轨迹基于状态信息进行重新连接；若重连成功，则恢复该轨迹并保持其原有的身份标识；若重连失败，则为该检测结果创建新的身份标识和新的运动轨迹。

28、进一步的，多目标跟踪器将检测到的猪只个体按置信度分为高分组和低分组；其中，高分组个体先提取重识别外观特征，再与当前活跃轨迹及丢失轨迹组成候选池，计算交并比距离与特征嵌入距离的融合矩阵，通过匈牙利算法完成第一轮关联匹配；剩余未匹配的高分轨迹与低分个体进行第二轮交并比匹配；

29、置信度基线的维护方式为：在每次成功关联后，根据当前检测置信度与既有基线水平的接近程度进行选择性更新；仅当当前帧的检测置信度与既有基线水平的差异小于设定值时，才根据当前检测置信度更新置信度基线。

30、本发明实施例提供的技术方案与现有技术相比具有如下优点：在多目标跟踪方面，本文将遮挡周期作为建模对象，通过遮挡证据提取和遮挡轨迹优先重连的机制，显著提升密集遮挡与短时消失场景下的轨迹连续性与身份一致性。验证了其在遮挡恢复阶段抑制身份切换错误的有效性，为后续感兴趣区域对齐时空建模奠定了可靠输入基础。在行为识别方面，本文提出在双时间尺度建模的基础上，于感兴趣区域级隐式注入“猪—猪交互”关系推理，通过上下文记忆库与注意力聚合将交互证据写回个体表征，从而更有效地区分攻击与外观相似的非攻击性交互。加入p2p交互建模与该任务的判别本质高度一致。在个体级量化输出方面，本文基于轨迹编号将帧级预测整理为事件片段集合并进行集合/事件两级评估，得到该闭环流程能够在真实群养场景下提供具有可用精度的个体攻击时长统计。综合来看，本发明不仅提升了攻击行为识别性能，也实现了从识别结果到管理指标的可解释转换，为群养猪舍攻击行为的智能监测与精准干预提供了可落地的技术支撑。