群养圈舍中长期保持身份一致的多猪追踪

《Computers and Electronics in Agriculture》：Long-term identity-consistent multi-pig tracking in group-housed pens

　　

• •
  一种能够保持身份一致性、具备抗遮挡能力的长期多猪跟踪框架。
• •
  在MOTA和IDF1评分上优于BOT-SORT与ByteTrack等基准方法。
• •
  通过轨迹重新关联，提升身份识别准确性，减少身份混淆现象。
• •
  在多种场景下都具有较强稳定性，可应用于智能养猪领域。

引言

在智能养猪与精准畜牧业管理中，准确追踪猪只在猪舍内的活动轨迹对于健康监测及生产管理而言至关重要（Compte等人，2025）。持续监测猪只的行为与轨迹有助于进行个体健康评估、异常行为检测以及精细化管理（Psota等人，2019；Schmidt等人，2022；Meng等人，2025）。虽然传统的基于接触的个体识别方法，如可穿戴传感器和RFID耳标，能够实现身份区分，但其高昂的成本、复杂的维护要求以及可能给动物带来的压力，限制了其在大规模群养环境中的应用（Kapun等人，2023；Pandey等人，2021；Peng等人，2025；Zin等人，2020）。

相比之下，基于计算机视觉的非接触式多猪跟踪技术被认为在群养环境下的实时监控中更为高效，也能减少对动物的压力（Psota等人，2019；Compte等人，2025；Ma等人，2025）。通过持续提取个体的运动轨迹，可以更深入地分析行为模式，从而为健康管理及精准喂养决策提供支持（Tu等人，2024；Compte等人，2025；Tu与J?rgensen，2023）。然而，在真实的养殖环境中实现稳定可靠的长期个体跟踪依然面临诸多挑战。

在群养条件下，同品种的猪只外观相似度很高，很难直接找到明显的区分特征（Odo等人，2025；Ma等人，2025）。此外，猪舍中的监控摄像头通常固定在高处，从俯视角度拍摄，因此获取的视觉信息主要集中于猪只的背部区域（Lu等人，2024；Odo等人，2025）。某些猪种的背部纹理较为单一且模糊，进一步增加了仅依靠外观进行身份识别的难度（Xiao等人，2019；Kawagoe等人，2022；Odo等人，2025）。另外，猪只之间频繁出现遮挡和重叠现象，会导致目标丢失以及轨迹中断。当猪只经过长时间遮挡后再次进入视野时，其身份标签往往会被重新分配，从而导致身份混淆和轨迹碎片化，严重影响长期跟踪的稳定性（Lu等人，2024；Mon等人，2024；Tu等人，2024；Yang等人，2025）。

猪只的姿势变化较大，运动轨迹也不规则（Lu等人，2024）。再加上猪舍内复杂的照明条件，图像质量容易因运动模糊和光线不足而下降（Lu等人，2024）。尤其是在夜间，视频质量更低，进一步增加了检测和跟踪的难度（Ma等人，2025；Yang等人，2025）。这些因素共同作用，使得多目标跟踪算法在长期监控过程中难以保持身份一致性（Odo等人，2025；Yang等人，2025）。尽管现有研究在应用计算机视觉技术进行多动物跟踪方面已取得一定进展，但其在复杂群养环境中的适应性仍然有限（Compte等人，2025；Ma等人，2025；Lu等人，2023）。早期的研究主要依赖手工设计的特征和简单的匹配规则，对于复杂背景和频繁遮挡的情况，其鲁棒性较差（Xiao等人，2019）。随着深度学习的发展，先通过检测器定位目标，再由跟踪算法在不同帧间建立关联的“检测驱动跟踪”框架逐渐成为主流解决方案。例如，Psota等人（2019）和Tu等人（2024）就曾使用深度检测模型对群养猪只进行过初步的检测与跟踪分析。不过，在频繁遮挡或目标重新出现的情况下，由于缺乏专为猪只跟踪场景优化的身份识别机制，身份混淆问题依然普遍存在。

包括SORT、DeepSORT、ByteTrack和BoT-SORT在内的通用多目标跟踪算法，在行人跟踪场景中展现了良好的跟踪性能和较强的实时处理能力（Bewley等人，2016；Wojke等人，2017；Zhang等人，2022；Aharon等人，2022；Ma等人，2024）。然而，将这些方法直接应用于猪只跟踪时，会面临诸多挑战，主要是因为猪只的外观差异较小，且遮挡时间较长（Ma等人，2025）。目前，在猪只跟踪场景中专门设计或系统整合身份重新识别机制的研究还相对较少（Tu等人，2024；Meng等人，2025），这就导致在长期跟踪过程中会出现持续的身份漂移和轨迹断裂现象（Yang等人，2025）。与行人的移动目标跟踪场景不同，猪只在猪舍里常常聚集成群，或者长时间躺卧，而非作为独立的移动目标活动。在休息或聚群时，从俯视角度看，这些猪只的空间重叠时间较长，位移很小，姿势差异也较小，这就造成了持续的空间不确定性，仅靠轨迹缓冲区重新关联的方式难以解决这一问题。这类长时间的静止状态实际上是导致轨迹终止和身份重新标记的主要原因之一（Odo等人，2025）。

尽管在猪只检测和通用多目标跟踪方面已有所进展，但现有的方法在实现群养猪圈中的长期身份一致性跟踪方面仍面临诸多挑战。目前的移动目标跟踪方法主要是为短期轨迹关联设计的，因此一旦由于长时间遮挡或静止导致轨迹中断，就难以保持身份的连续性。此外，虽然有一些基于猪只ReID的跟踪研究（Odo等人，2025）将外观信息纳入在线跟踪框架中，但它们通常只关注短期的身份关联，并没有明确建模猪只在长时间休息、聚群或完全遮挡后又重新出现时的跨时间身份恢复问题。而且，大多数现有的猪只跟踪流程并没有将基于俯视视角的边界框检测、针对猪舍特点设计的轻量级ReID模型以及跨时间轨迹重新关联功能整合到统一的在线框架中。正是出于这些局限性，本研究提出了一种用于群养猪舍长期身份一致性监控的集成式在线跟踪框架。

本研究的主要贡献如下：

• 1.
  我们提出了一种用于群养猪圈的集成式在线检测驱动跟踪框架，该框架结合了YOLO11-OBB检测、基于外观与运动的联合关联以及跨时间轨迹管理功能，旨在减少遮挡和密集互动情况下的身份漂移与轨迹碎片化现象。
• 2.
  我们为俯视视角下的猪舍监控开发了一种轻量级、经过注意力增强处理的ReID子网络，它不同于基于ViT的在线移动目标跟踪+ReID方案（Odo等人，2025），该网络能够生成64维的、与边界框对齐的嵌入向量，从而实现对高度相似猪只的实时区分。
• 3.
  我们引入了一种具有优先重新关联功能的跨时间身份记忆库，这使得该框架能够在传统移动目标跟踪方法（如DeepSORT/BoT-SORT）的轨迹缓冲区重新关联之外，实现更有效的身份恢复。

章节节选

实验环境

本研究中的所有实验都在统一的图形处理器服务器环境下进行，以此确保实验结果的稳定性和可重复性。模型训练与推理工作是使用Python 3.10编程语言，在PyTorch 2.8.0深度学习框架的基础上实现的，同时通过CUDA 12.6实现了GPU加速。所有实验均使用单块NVIDIA RTX A6000 GPU来完成，没有采用多GPU并行处理或分布式训练方式。

旋转边界框猪只检测器

在所提出的检测驱动跟踪框架中，旋转边界框猪只检测器作为系统的感知模块。系统会对输入的视频序列逐帧进行处理，从而为后续的数据关联与轨迹管理提供基础信息。该检测器的整体架构与处理流程如图7所示。该检测器由主干网络、颈部结构以及多尺度检测头组成，通过分层特征提取的方式实现目标识别功能。

整体性能与对比分析

在介绍实验评估结果之前，首先从系统设计的角度将所提出的框架与近期的一些猪只跟踪研究进行对比。表4列出了Lu等人（2024）、Odo等人（2025）、Compte等人（2025）以及本研究中所采用的检测器类型、ReID技术的应用情况、重新关联策略以及数据集规模等信息。

基于上述总结的数据集配置，下文将汇报所提方法的检测与跟踪性能表现。

结论

本研究开发了一种用于群养猪只的在线式、身份一致性跟踪框架，该框架整合了旋转检测、基于外观的关联机制以及跨时间轨迹管理功能。所提出的框架能够生成稳定、连续的个体级轨迹，这些轨迹可为后续的应用提供基础支持，比如在大型畜牧业系统中进行行为分析、健康监测以及福利评估等工作。

此外，本研究还进行了模块级的消融实验，并进行了定性分析。

CRediT作者贡献说明

郝子清：论文撰写——初稿撰写、可视化处理、方法设计、实验开展、形式化分析、数据整理。庄彦荣：论文撰写——审阅与编辑、项目指导、方法设计、实验开展、概念构思。何进：方法设计、数据整理。李佳伟：论文撰写——审阅与编辑、方法设计。杨甘：方法设计、数据整理。刘凯：论文撰写——审阅与编辑、方法设计。高荣华：论文撰写——审阅与编辑、方法设计。赵玉杰：方法设计、数据整理。李启峰：

利益冲突声明

作者声明不存在任何可能影响本文研究结果的已知利益冲突或个人关系。

致谢

作者感谢以下机构提供的资金支持：北京市农林科学院科技创新能力建设项目（编号：KJCX20250913）、农业动物智慧养殖技术重点实验室开放研究基金、农业农村部（编号：KLSFTAA-KF001-2025），以及北京市农林科学院杰出科学家计划（编号：JKZX202214）。

Ziqing Hao|Yanrong Zhuang|Jin He|Jiawei Li|Gan Yang|Kai Liu|Ronghua Gao|Yujie Zhao|Qifeng Li|Ligen Yu