摘要:為準(zhǔn)確實(shí)時(shí)跟蹤羊只目標(biāo),,進(jìn)行疾病異常預(yù)警,,實(shí)現(xiàn)奶山羊精細(xì)化養(yǎng)殖,,本文基于DiMP跟蹤模型,利用奶山羊跟蹤對(duì)象單一且圖像樣本豐富的特點(diǎn),,結(jié)合遷移學(xué)習(xí)和類特定融合方法,,設(shè)計(jì)了一種類特定的奶山羊目標(biāo)跟蹤模型,,能夠有效克服DiMP算法在跟蹤類特定目標(biāo)時(shí)定位精度不足的缺點(diǎn)。利用構(gòu)建的奶山羊視頻跟蹤數(shù)據(jù)訓(xùn)練集對(duì)跟蹤算法進(jìn)行遷移訓(xùn)練,,加快模型收斂速度,,使評(píng)估網(wǎng)絡(luò)預(yù)測出的邊界框更貼合奶山羊真實(shí)框的位置和尺寸。在線跟蹤階段,,針對(duì)目標(biāo)模板僅采用第1幀特征制作整個(gè)序列的調(diào)制向量,,導(dǎo)致該調(diào)制向量相對(duì)整個(gè)跟蹤階段特征不具代表性,與后續(xù)幀差異大的缺點(diǎn),,使用訓(xùn)練集制作包含奶山羊各種姿態(tài)的類調(diào)制向量,,以指數(shù)消融方式更新奶山羊類調(diào)制向量與第1幀調(diào)制向量間的比重,增強(qiáng)邊界框回歸任務(wù)中的奶山羊特征與背景的判別性,。提出的算法在測試集上的AUC(Area under curve)和精準(zhǔn)度(Precision)分別為76.20%和60.19%,,比DiMP方法分別提升6.17、14.18個(gè)百分點(diǎn),,跟蹤速度為30f/s,,滿足實(shí)時(shí)跟蹤的要求。實(shí)驗(yàn)結(jié)果表明,,提出的類特定奶山羊目標(biāo)跟蹤方法可用于監(jiān)測復(fù)雜場景下奶山羊的運(yùn)動(dòng),,為奶山羊精細(xì)化管理提供了技術(shù)支持。