基于深度观测中心化排序（Depth-OC-SORT）的奶牛多目标跟踪方法及其在精准畜牧业中的应用

本文提出一种基于Depth-OC-SORT的奶牛多目标跟踪方法，通过引入深度信息、优化卡尔曼滤波（Kalman filter）及几何感知误报抑制（FPS）算法，有效解决了实际养殖场景中因牛只遮挡、形态突变导致的ID切换频繁（10–20次/分钟）问题。实验表明，该方法在MOTA（71.298）、HOTA（54.026）和IDF1（75.386）指标上均显著优于现有2D基线方法，为精准畜牧业（precision dairy farming）提供了可靠技术支撑。

　　

亮点

• •
  (1) Depth-OC-SORT：我们建立了一个适用于高密度牛群场景的、基于深度的目标跟踪框架。该框架通过优化的卡尔曼滤波（OKF）和误报抑制（FPS）模块，有效解决了真实养殖环境中因牛只相互遮挡和/或形态变化引起的身份（ID）切换问题。凭借其对遮挡和时序一致性的更好处理能力，Depth-OC-SORT有望超越现有方法。
• •
  (2) 几何感知误报抑制算法：我们提出了一种用于目标检测的后处理方法，该算法基于几何感知进行误报抑制。通过依次应用交并比评估、检查包含关系以及边界对齐过滤，能有效剔除错误的检测框。这显著减轻了在视觉复杂场景中因目标遮挡和重叠而产生的误检，从而提升了整体检测精度。
• •
  (3) 深度信息融合：我们创新性地通过单目深度估计模型（Depth Anything V2）引入深度信息，将传统的二维奶牛图像数据转换为三维空间表示。此外，我们对卡尔曼滤波器进行了修改，使其能够根据奶牛的运动模式选择运动模型，实现参数的自适应调整。这增强了对奶牛快速形态变化（如转身或遮挡）的响应能力，从而减少了因形状变形和目标混淆引起的跟踪误差。

章节摘要

数据采集与预处理

本研究使用的数据集采集自位于北京市顺义区的一个奶牛场，利用了农场内部的监控系统。摄像机安装在围栏上方，距地面3米。采集的视频片段分辨率为640 × 360像素，帧率为每秒25帧。该农场饲养了40头牛，视频录制于2024年11月。总共录制了19段视频，每段平均时长为3分20秒。

整体方法

农场中的奶牛具有相互遮挡、运动轨迹多变以及转身时体型变化等特征，这些都对跟踪精度提出了挑战。这些因素常常导致错误的身份（ID）切换并降低跟踪精度。为了解决这些挑战，本研究提出了Depth-OC-SORT：一种基于深度的目标跟踪方法。该方法包含两个关键阶段：目标检测和目标跟踪。在目标检测阶段，使用YOLO11作为基础模型来获取初始检测框。

对比实验

通过与七个集成了检测与跟踪机制的主流跟踪模型进行比较，验证了所提出方法的有效性。这些模型包括SORT、OC-SORT、Deep OC-SORT、StrongSORT、ByteTrack、BoT-SORT和ImpRAssoc。这些算法代表了多目标跟踪领域的关键进展，涵盖了多种跟踪策略。

结论

本研究提出了一种基于Depth-OC-SORT的在线奶牛多目标跟踪方法。通过融入深度信息、优化卡尔曼滤波器以及基于几何感知误报抑制机制的后处理算法，该方法有效应对了奶牛遮挡和转身时显著形状变化带来的挑战，从而实现了在实际养殖场景中鲁棒的多目标跟踪。为了验证所提出方法的有效性...（此处原文截断，但根据上下文，应为进行了实验验证）。