简要摘要
监测单条鱼的运动有助于研究人员研究鱼类行为并改进水产养殖管理。然而，在水下视频中追踪鱼类非常困难，因为个体之间外观往往相似、相互重叠，且部分会被遮挡。水面反射和图像模糊使这一任务更加困难。我们开发了一种方法，将改进的鱼类检测与识别个体间细微视觉差异相结合。在实验室水槽中录制视频上的测试表明，该方法提高了鱼类检测效果，并在连续帧之间保持了更加一致的个体身份识别。与现有追踪方法相比，它将鱼类身份错误切换的次数从18次减少到了13次。更加连续和可靠的运动记录可以为未来研究游泳活动、群体行为以及对喂食的反应提供支持。这些潜在应用需要进一步验证，包括测试改进的追踪是否带来更准确的行为测量，以及该方法在商业水产养殖环境中是否可靠。
摘要
可靠的鱼类多目标追踪对于个体级别的行为分析和智能水产养殖监测至关重要。然而，水下图像质量退化、密集群体中边界模糊以及个体间高度相似的表观外观，常常导致漏检、关联错误和身份切换。我们提出了BF-DETR-DAPS-BoT-SORT，一种集鱼类检测、身份表征和轨迹关联于一体的检测追踪框架。BF-DETR集成了鱼类形态增强模块（FMEM），用于建模局部纹理、方向结构和上下文信息，以及边界对比分离模块（BCSM），用于区分相邻个体。我们进一步开发了细节感知部件相似度网络（DAPS），该网络结合水下纹理增强、双轴局部表征和部件相似度学习，以捕捉游泳方向变化下的细微外观差异。DAPS特征被集成到BoT-SORT中进行数据关联。在从连续水下视频中构建的任务专用数据集上，BF-DETR的mAP@0.5和mAP@0.5:0.95分别达到96.63%和77.53%。完整框架的MOTA、HOTA和IDF1得分分别为93.1%、75.8%和91.2%，身份切换次数为13次。与BoT-SORT相比，HOTA和IDF1分别提高了1.4和2.1个百分点，身份切换次数从18次减少到13次。这些结果表明，在复杂水下场景中，轨迹连续性和身份一致性得到了改善，支持可靠的个体级别鱼类行为分析。
