非顶视视角下的多相机奶牛群体追踪技术：精准畜牧业健康监测新突破

针对单相机监控盲区与空间分辨率不一致问题，西北农林科技大学团队提出多相机多奶牛追踪方法(MCMCT)。通过整合四元数卷积(Quaternion Convolution)、排斥损失(Repulsion Loss)和姿态感知时序平滑嵌入(PTE)，实现遮挡场景下84.81% AP50-95 检测精度与82.68% HOTA跟踪准确率，跨相机轨迹关联IDF1达82.23%，为精准畜牧业(PLF)提供全场景运动监测方案。

　　

在现代化奶牛养殖场，如何通过科技手段实现24小时无应激健康监测，一直是精准畜牧业(Precision Livestock Farming, PLF)的核心挑战。传统单相机监控系统存在两大痛点：倾斜安装导致的图像畸变使真实坐标难以换算，而固定视角的盲区更让30%的运动轨迹"消失"在监控死角。更棘手的是，奶牛相互遮挡引发的ID切换问题，使得发情期特有的躁动行为、病牛的异常步态等关键生物信号，在现有算法下平均每5分钟就会发生17%的身份识别错误。

西北农林科技大学动物科技学院团队在《Expert Systems with Applications》发表的研究，给出了破局方案。通过部署双非顶视相机网络覆盖22×10m²
的奶牛休息区，创新性地将几何标定、目标检测、单相机跟踪与跨相机关联四大模块有机整合。关键技术包括：1)基于蓝色橡胶标记点的单应性矩阵(Homography matrix)标定，实现图像像素到地面坐标的映射；2)改进YOLOv8n模型，引入四元数卷积强化色彩结构特征提取，配合排斥损失函数抑制预测框偏移；3)设计姿态感知时序平滑嵌入(PTE)算法，通过时序滤波消除因奶牛转头、躺卧导致的外观突变；4)将跨相机轨迹关联建模为图最小割问题，采用谱聚类实现身份一致性传递。

几何映射建立
通过12个地面标记点计算相机畸变参数与单应性矩阵，将图像坐标转换为统一的地面坐标系，平均重投影误差控制在1.2像素内。

奶牛检测优化
在YOLOv8n骨干网络嵌入四元数卷积层，利用RGB-D四通道特征交互提升边界识别能力。结合排斥损失使检测框AP_50-95
提升3.17%，遮挡场景下误检率降低41%。

单相机跟踪增强
PTE模块通过LSTM网络融合当前姿态与历史外观特征，将因奶牛转头导致的ID切换率从15.3%降至6.8%，HOTA指标达82.68%。

跨相机轨迹关联
构建轨迹相似度矩阵，谱聚类算法在重叠视野区IDF1达82.23%，较传统ReID方法提升21.32%，成功关联跨相机行走路径。

该研究的突破性在于首次实现非理想监控条件下的全场景奶牛运动图谱构建。实验数据显示，系统可稳定捕捉发情奶牛特有的"三点定位"行为（频繁往返于饮水点、饲槽与休息区），其轨迹曲率变化与人工观察结果相关系数达0.91。相较于传统耳标传感器，这套视觉方案不仅避免动物应激反应，更通过多相机协同将监测成本降低62%。

讨论部分指出，当前方法在超大面积牛舍应用时仍受限于标定工作量，未来拟结合无人机航拍实现自动标定。值得注意的是，研究团队公开了包含37,852帧标注数据的MCMCT数据集，为畜牧业计算机视觉树立新基准。正如通讯作者Diyi Chen强调："这项技术真正价值在于将离散的运动数据转化为可量化的健康指标，比如通过轨迹分析预测肢蹄病发病风险，这将是智慧牧业的下一个里程碑。"