基于多视角视觉的肉鸡自动追踪系统BroilerTrack：提升家禽养殖管理与动物福利的新方法

为解决家禽养殖中个体肉鸡追踪的难题，研究人员开发了多摄像头多肉鸡追踪框架BroilerTrack。该系统通过Top-view Aggregation、Side-view Distribution和Identification Assignment三大模块，在统一坐标系中实现基于位置的追踪策略，克服了传统外观特征方法在肉鸡高度相似性下的局限性。研究同时建立了包含6个同步摄像头的Multi-view Broiler数据集，实验表明该方法在检测和关联指标上均优于现有MCMOT技术，为家禽行为分析、福利优化和育种选择提供了实时、非侵入性解决方案。

　　

在现代化家禽养殖业中，肉鸡育种对提高生产效率和可持续性至关重要。然而，传统的个体评估方法存在明显局限——仅在肉眼可见的跛行或疾病情况下进行，这无疑错失了通过持续监测优化活体性能、产量和动物福利的良机。当前商业鸡舍中实现个体鸟类追踪的能力，或将彻底改变家禽管理模式。

这项发表在《Smart Agricultural Technology》的研究，由Thinh Phan等学者组成的团队开发了创新性多摄像头多肉鸡追踪系统BroilerTrack。与依赖外观特征的传统多目标追踪(MOT)方法不同，该系统采用基于统一坐标系的位置追踪策略，有效规避了肉鸡外观高度相似导致的身份模糊问题。研究还建立了包含两个俯视和四个侧视摄像头的Multi-view Broiler数据集，在模拟商业环境的3鸡和10鸡围栏中收集同步视频数据。

关键技术方法包括：1) 使用YOLO V架构开发专用肉鸡检测器；2) 通过逆透视映射(IPM)将检测框投影到统一平面；3) 提出改进的K-means++聚类算法处理几何形状分组；4) 设计顶视图细化算法校正高密度情况下的错误聚类；5) 应用OC-SORT算法进行统一平面上的身份分配。所有实验均在阿肯色大学研究基地进行，采用Reolink 842A摄像头以15fps采集1920×1080分辨率视频。

研究结果部分：

1. 1.

   设施设置与数据创建：建立了包含3鸡和10鸡的两个相同尺寸围栏(1.5ft×4ft×6ft)，配置六台相机确保无盲区覆盖。通过AprilTag标定板和OpenCV的solvePnP方法完成相机校准，获得内参矩阵K和畸变系数D。

2. 2.

   BroilerTrack方法学：系统包含三个核心模块：

   • •

     顶视图聚合：将俯视相机检测框投影到统一平面，通过约束版K-means++算法分组

   • •

     侧视图分布：基于欧氏距离和匈牙利匹配将侧视投影框关联到对应簇

   • •

     身份分配：使用OC-SORT在统一平面上维持跨帧ID一致性

3. 3.

   定量评估：在3鸡围栏视频中，使用真实检测框时HOTA达94.87%，MOTA 95.01%，IDSW仅11.4次；使用YOLO V检测时性能保持稳定。10鸡围栏中虽因密度增加导致IDSW升至138.8次，但MODA仍达78.92%，显著优于MVDET(23.25%)和EarlyBird(25.92%)等方法。

4. 4.

   定性分析：可视化结果显示系统能有效处理正常稀疏情况，而在肉鸡紧密聚集的挑战性场景中，通过细化算法可纠正初始聚类错误。典型失败案例多发生在仅单俯视相机可见的重叠个体间。

5. 5.

   消融研究：验证了K-means++和细化算法的必要性——单独使用原始K-means时IDSW达124.2次，加入两项改进后降至11.4次，AssA从46.45%提升至94.75%。

研究结论指出，BroilerTrack系统通过创新的多视角几何一致性策略，克服了肉鸡外观相似性带来的追踪难题，实现了无需统一平面标注的端到端解决方案。这项工作不仅为家禽行为分析和福利评估提供了可靠工具，其模块化设计也为其他密集通用物体追踪场景提供了参考框架。未来研究可扩展数据集规模，并将该框架应用于更广泛的精准畜牧业场景。

值得注意的是，相比依赖深度学习的方法，该系统仅需目标检测标注而非完整的追踪标注，大幅降低了标注成本。研究者特别强调，相机布局确保每只肉鸡至少在三个不同视角中持续可见，这种硬件设计为算法可靠性提供了基础保障。温度维持在70°F和16小时光照/8小时黑暗的标准化环境控制，也确保了数据采集的生物学相关性。