基于关键点检测的山羊攻击行为实时识别方法及其在动物行为学研究中的应用

本研究针对山羊群体中攻击行为的实时识别难题，创新性地提出基于关键点检测（keypoint detection）的计算机视觉方法。研究人员通过整合YOLOv8s-pose姿态估计模型与多目标跟踪技术，构建了无需行为标注数据的实时检测框架，在0.09秒/帧的处理速度下实现高精度识别。该研究不仅解决了传统静态图像分析对动态交互行为误判的问题，更避免了人为诱导攻击行为带来的生态效度影响，为动物社会结构研究提供了创新技术方案。相关数据集已开源共享于GitHub平台。

　　

在动物行为学研究领域，山羊等社会性动物的攻击行为识别一直是颇具挑战性的课题。这类行为不仅关乎个体健康与生存适应性，更直接影响群体稳定性与资源分配。传统监测手段面临两难困境：基于静态图像的方法（如Faster R-CNN）虽处理速度快，却常将亲昵接触误判为攻击；而结合LSTM等时序模型的方法虽提高准确性，又因依赖长序列分析导致实时性差。更棘手的是，攻击行为自然发生率低，人工诱导采集数据可能引发应激反应（stress-related responses），破坏行为生态效度（ecological validity）。

针对这些痛点，来自重庆科技大学的Ansong Leng研究团队在《Applied Animal Behaviour Science》发表创新成果。该研究摒弃传统数据采集方式，另辟蹊径地开发出基于骨架运动特征分析的检测框架。研究人员利用安装于重庆綦江区安文镇山羊养殖场的HIKVISION网络摄像机，采集1920×1080分辨率视频数据，通过YOLOv8s-pose模型提取山羊13个关键身体部位坐标，结合运动矢量（motion vectors）与交互距离特征，实现对头对头碰撞（head-to-head collisions）和头对身碰撞（head-to-body collisions）的精准识别。

关键技术路线包含三大创新点：首先采用轻量化YOLOv8s-pose模型实现单帧9毫秒的实时姿态估计；其次构建包含464段1秒视频片段的数据集（含232例攻击行为）；最后设计基于运动学特征的行为判定算法，避免依赖大量标注数据。实验结果显示，该方法在保持0.09秒/帧处理速度的同时，准确率显著优于传统静态检测方法。

研究结果部分，"Data source and annotation"详细说明了数据采集于标准化围栏（4m×3.5m×3m），通过关键点标注建立基准数据集；"Experiments and results"揭示系统对两类攻击行为的识别效能，特别指出头对头碰撞（S1）与头对身碰撞（S2）的统一处理策略；"Discussion"强调该方法突破性地实现三个优势：实时性（real-time performance）较时序模型提升10倍，避免人工诱导的数据偏差，以及通过开源数据集促进方法可重复性。

结论部分指出，这项研究首次将工业级姿态估计技术（pose estimation）创新应用于山羊行为学分析，其技术框架可扩展至其他社会性动物研究。特别值得注意的是，研究团队公开的关键点数据集包含山羊静态行为（站立、躺卧等）数据，为后续社会结构分析提供宝贵资源。正如作者在讨论中指出，这种方法不仅解决动物行为监测中的"实时性-准确性"悖论，更开创了非侵入式（non-intrusive）行为分析的新范式，对理解山羊优势等级（dominance relationships）和资源竞争机制具有重要价值。研究获得川渝科技创新合作计划（CSTB2024TIAD-CYKJCXX0026）资助，相关代码与数据已发布于GitHub开源平台。