摘要：鴕鳥養(yǎng)殖作為現(xiàn)代畜牧業(yè)的重要組成部分，全球的養(yǎng)殖規(guī)模正逐年以15%左右的速度增長。鴕鳥多目標跟蹤技術(shù)在提升養(yǎng)殖管理效率和精準度方面具有重要作用。然而，目前針對鴕鳥的多目標跟蹤算法在目標檢測精度和跟蹤穩(wěn)定性上仍存在不足，尤其是在處理小目標和高密度目標場景時容易出現(xiàn)漏檢與跟蹤丟失問題。為解決上述問題，文章提出了一種基于YOLOv7與ByteTrack的多目標跟蹤算法。該算法在YOLOv7主干網(wǎng)絡(luò)中引入注意力機制EMCA，顯著提升了對小目標的感知能力；在ByteTrack算法中，幀內(nèi)關(guān)系模塊結(jié)合匈牙利算法實現(xiàn)高效目標關(guān)聯(lián)，減少漏檢和身份切換的幾率。實驗結(jié)果表明，該算法相較于原始YOLOv7在處理速度上提升了7.9%，跟蹤準確性（MOTA） 在多個關(guān)鍵指標上均有顯著提升：相較于DeepSORT和DeepMOT分別提高了13.3%和10%。此外，ByteTrack算法在避免跟蹤丟失方面表現(xiàn)尤為突出。該研究為現(xiàn)代化鴕鳥養(yǎng)殖提供了高效可靠的多目標跟蹤技術(shù)支持，具有重要的實際應(yīng)用價值，為推動智能化畜牧業(yè)發(fā)展提供了參考。

關(guān)鍵詞：畜牧業(yè)；鴕鳥養(yǎng)殖；計算機視覺；目標檢測與跟蹤；YOLOv7；ByteTrack

中圖分類號：TP312 文獻標識碼：A

文章編號：1009-3044（2025）01-0005-07 開放科學(xué)（資源服務(wù)） 標識碼（OSID） ：

0 引言

畜禽業(yè)是農(nóng)業(yè)農(nóng)村經(jīng)濟的重要支柱產(chǎn)業(yè)之一，在中國國民經(jīng)濟中占據(jù)重要地位。然而，目前我國畜禽養(yǎng)殖業(yè)面臨著規(guī)模大而不強、多而不優(yōu)的問題[1]。為提高畜禽養(yǎng)殖的效益和質(zhì)量，需要引入先進的技術(shù)手段。鴕鳥的多目標跟蹤技術(shù)對于后續(xù)鴕鳥的生態(tài)學(xué)和行為研究，以及在農(nóng)業(yè)和養(yǎng)殖業(yè)中有效管理它們具有重要意義。

目前，國內(nèi)外動物行為研究最為準確的方式仍然是通過傳感技術(shù)來直接檢測動物的體征，但傳感技術(shù)需要對動物佩戴電子設(shè)備[2-3]，不僅投資價格高昂，而且容易引起動物的應(yīng)激反應(yīng)。

近年來，計算機視覺技術(shù)的快速發(fā)展為畜禽養(yǎng)殖業(yè)帶來了新的機遇[4]。SORT目標跟蹤框架[5]首次將卡爾曼濾波[6]與匈牙利算法[7]引入目標跟蹤領(lǐng)域，開啟了目標追蹤的新篇章。匈牙利算法用于處理上下兩張圖片中目標的關(guān)聯(lián)性，而預(yù)測下一張圖片目標的位置則使用卡爾曼濾波。SORT使用低精度模型完成了目標的匹配，但未對目標的外部特征進行提取，影響了跟蹤的穩(wěn)定性。2017 年提出的DeepSORT 模型[8]在SORT框架下進行了改進，加入了目標外觀特征的考慮，降低了遮擋目標身份頻繁發(fā)生跳變的問題，從而在多目標跟蹤任務(wù)中取得了顯著的性能提升。Sun 等[9] 提出DeepMOT（Deep Affinity Network for MultipleObject Tracking） 模型，通過跨幀匹配方式解決了數(shù)據(jù)集樣本數(shù)量不足的問題，并考慮了多尺度多感受野信息，親和度估計階段集成了特征相似度計算和數(shù)據(jù)關(guān)聯(lián)過程，考慮了實際過程中的FP和FN情況。該框架為多目標跟蹤領(lǐng)域提供了重要啟示，為后續(xù)研究提供了理論基礎(chǔ)和實踐參考。

在鴕鳥養(yǎng)殖跟蹤中，如果養(yǎng)殖密度過大，鴕鳥間的遮擋嚴重將無法正常實時跟蹤每一只鴕鳥。為避免追蹤過程的丟失，使用改進的YOLOv7[10]模型可以在實時視頻中更加準確地檢測和定位鴕鳥，并利用改進的ByteTrack[11]算法對每一個目標進行跟蹤，不會因為目標暫時的遮擋而拋棄這一追蹤目標，從而實現(xiàn)對鴕鳥個體的行為追蹤。通過將計算機視覺技術(shù)與畜禽養(yǎng)殖相結(jié)合，可以實現(xiàn)對鴕鳥行為的自動監(jiān)測和識別，提供實時的健康狀況評估，這將有助于畜禽養(yǎng)殖業(yè)的智能化發(fā)展，提高養(yǎng)殖效率、產(chǎn)品質(zhì)量和動物福利，進一步推動畜禽業(yè)的可持續(xù)發(fā)展。

1 本文算法

本文結(jié)合改進的YOLOv7和ByteTrack算法，提出了一種新的整體框架，如圖1所示，包含數(shù)據(jù)預(yù)處理、改進的YOLOv7目標檢測和ByteTrack目標追蹤三個部分：1） 通過MixUp[12]擴充數(shù)據(jù)集，用以提升模型的泛化能力和對抗樣本；2） 優(yōu)化YOLOv7模型，添加EMCA[13]注意力機制模塊，提高對小目標檢測的精度；3） 在頸部特征提取網(wǎng)絡(luò)中引入PSAM[14]消除冗余信息，增強模型在復(fù)雜環(huán)境中的特征獲取能力；4） 引入ByteTrack算法進行目標追蹤，大大減少目標丟失概率。

1.1 數(shù)據(jù)預(yù)處理

將采集的視頻切分后進行篩選，去除錯誤圖片，使用MixUp對數(shù)據(jù)進行增強?；贛ixUp的虛擬樣本的構(gòu)建如公式（1） 和公式（2） ：

式中：λ? [0，1]，是從beta分布中隨機采樣的數(shù)，而（xi，yi ）和（xj，yj ）是同一批數(shù)據(jù)中隨機的兩個圖片對應(yīng)的標簽。MixUp不僅要對樣本進行線性插值，也需要對標簽進行線性插值，否則會出現(xiàn)樣本和標簽不匹配的問題，影響后續(xù)數(shù)據(jù)的訓(xùn)練。

MixUp會鼓勵模型對訓(xùn)練樣本形成線性理解，這意味著對樣本的判斷不會過于絕對，從而可以減少過擬合，使模型最終形成的決策邊界更加平滑。模型在面對不確定性時不會呈現(xiàn)非黑即白的判斷。由于構(gòu)建了模型對樣本的線性理解，這使得模型更容易從噪聲樣本中學(xué)習(xí)到這種線性特征。對樣本的線性理解會擴展模型的認知范圍，因為模型需要理解樣本線性所帶來的細微差別。較大的認知范圍使模型有潛力對訓(xùn)練集樣本分布范圍外的樣本做出判斷，進一步提升模型的泛化能力。

1.2 YOLOv7目標檢測部分

1.2.1 YOLOv7模型

改進的YOLOv7 模型如圖2所示，由輸入模塊、主干網(wǎng)絡(luò)以及頭部網(wǎng)絡(luò)三個主要模塊組成。輸入模塊的作用是對圖像進行預(yù)處理，并將其傳遞給主干網(wǎng)絡(luò)進行后續(xù)處理。主干網(wǎng)絡(luò)由CBS 卷積層、E-ELAN卷積層、MPConv卷積層和EMCA注意力模塊組成[15]。E-ELAN是一種優(yōu)化的層級聚合結(jié)構(gòu)，通過保留原始梯度路徑，增強了模型的學(xué)習(xí)效率。EMCA卷積層利用多尺度聚合來創(chuàng)建全局感知，從而提高模型的特征提取能力。MP-Conv卷積層在標準CBS層基礎(chǔ)上加入了Maxpool操作，形成上下雙分支結(jié)構(gòu)。通過最后的特征融合（Concat） ，上下分支提取的特征得以整合。

特殊的SPP結(jié)構(gòu)如圖3所示，通過最大池化獲得不同的感受野，使算法適應(yīng)不同分辨率的圖像。其中，CSP模塊將特征分為兩部分，一部分進行常規(guī)處理，另一部分進行SPP結(jié)構(gòu)處理，然后將兩部分進行合并，這樣可以減少一半的計算時間。緊接著用PSAM金字塔空間注意力模塊來細化底層特征，它減輕了背景噪聲的阻礙，突出了前景信息，產(chǎn)生了更易區(qū)分的邊緣銳利的特征表示。最后通過REPcon結(jié)構(gòu)調(diào)整不同尺度的特征。

1.2.2 EMCA 注意力模塊

通常注意力模塊被設(shè)計為調(diào)整注意力的權(quán)重，來優(yōu)化對學(xué)習(xí)特征的關(guān)注，以抑制干擾信號。EMCA是一種基于通道注意力的新型特征重新校準模塊，它使用全局信息來強調(diào)信息特征并選擇性地抑制不太有用的特征，從而提高了網(wǎng)絡(luò)所產(chǎn)生的特征質(zhì)量。與常規(guī)的注意力機制不同，多尺度注意力塊從所有先前的注意力塊獲得額外的輸入，它將其細化的特征映射傳遞到所有后續(xù)塊，通過利用多尺度聚合來創(chuàng)建全局感知。

本文使用來自較早層的較大尺度，這些尺度可以捕獲細粒度信息，有助于精確定位，同時關(guān)注來自最后層的特征，這些特征可以編碼抽象語義信息。在目標識別和分割任務(wù)中尤為明顯，特別是在處理復(fù)雜的場景或遮擋時，能夠更準確地保留關(guān)鍵特征。這不僅能夠精確定位目標，還能有效適應(yīng)目標外觀的變化，從而提高網(wǎng)絡(luò)的魯棒性和泛化能力。

設(shè)函數(shù)F （x）表示一個CNN塊，該塊由連續(xù)的CNN 層組成，中間穿插著非線性激活。給定任意輸入x ∈ RHi × wi × Ci，輸出y ∈ RH0 × w0 × C0 由映射函數(shù)F生成，其中，Hi、Wi、Ci 是輸入x 的高度、寬度和通道尺寸，而H0、W0、C0 為輸出y的高度、寬度和通道尺寸。在每個CNN block F 的尾部附加CA模塊C，生成有意義的尺度S，代表每個通道的重要性。然后通過將CNN輸出y乘以學(xué)習(xí)到的尺度S來對其進行細化，為下一個 CNN塊生成一個細化的輸入x。將這種集成機制稱為密集集成，即CA模塊在每個CNN塊后插入網(wǎng)絡(luò)，可以用公式（3） 表示：

根據(jù)上述公式，CA模塊的輸出依賴于所有先前層的輸出，增加了梯度路徑的長度。增加梯度路徑會使反向傳播過程變得更加復(fù)雜。此外，在任意精細化CNN輸出xk 的反向傳播過程中，所有前面的CNN 塊Fk - 1、Fk - 2，...，F(xiàn)（1） 的梯度都被考慮在內(nèi)，如公式（4） 所示，表示CNN權(quán)重的更新步驟如下：

不同于現(xiàn)有CA模塊強調(diào)內(nèi)部設(shè)計而忽視對最佳集成方法的研究，EMCA 是一種更加高效的集成機制。公式（1） 為密集積分，公式（4） 將導(dǎo)致在更新CA模塊權(quán)重時使用大量重復(fù)的梯度。因此，新的整合機制的構(gòu)架如圖4所示。為避免在更新CA模塊時使用重復(fù)的梯度，僅將其整合到最后的CNN模塊中，而不是將其整合到每一個CNN塊中。該機構(gòu)的前饋傳遞方程和權(quán)重更新公式如公式（5） 、（6） 所示：

從上式可以看出，細化后的輸出xk 只依賴于相關(guān)CA模塊Ck - 1，而不是依賴于之前的整個CA模塊，如公式（3） 所示。與之相反，EMCA模塊（如圖4所示） 利用了當前CNN塊輸出的一個覆蓋區(qū)域，用來界定當前圖3 SPPCSPC 模塊CNN塊旁邊將有多少個先前的多尺度CNN塊的輸出會被與當前CNN塊合并。為了合并先前的多尺度特征，提出了多尺度聚合塊（Multiscale AggregationBlock， MAB） 。此外，為了控制將合并多少個先前的多尺度特征，引入了覆蓋區(qū)域（R） 。

CNN塊旁邊將有多少個先前的多尺度CNN塊的輸出會被與當前CNN塊合并。為了合并先前的多尺度特征，提出了多尺度聚合塊（Multiscale AggregationBlock， MAB） 。此外，為了控制將合并多少個先前的多尺度特征，引入了覆蓋區(qū)域（R） 。

1） 通過引入覆蓋區(qū)域，將當前CNN塊的輸出與多尺度CNN塊的特征進行融合，全面利用全局和局部信息，彌補傳統(tǒng)注意力模塊只關(guān)注局部特征的不足。

2） 設(shè)計多尺度聚合塊（MAB） ，通過空間和通道維度的對齊操作，有效整合來自不同尺度的特征信息，提升特征表達能力。

3） 在實現(xiàn)特征重新校準的同時，避免了傳統(tǒng)密集集成帶來的冗余計算，優(yōu)化了模型的計算效率，適合高效實時目標檢測和跟蹤任務(wù)。

1.2.3 金字塔空間注意力模塊（PSAM）

在整個YOLOv7的頭部網(wǎng)絡(luò)head部分，采用了金字塔空間注意力模塊（PSAM） ，以消除低層特征中的冗余信息，抑制背景干擾。鴕鳥大多群居聚集在一起，導(dǎo)致目標特征的背景過于復(fù)雜。為了緩解這個問題，一種常用的方法是連續(xù)下采樣特征圖，使其規(guī)模接近卷積感受野的規(guī)模。在圖2中，該模塊首先使用堆疊金字塔結(jié)構(gòu)逐步將輸入從較深細化到較淺。隨著來自更深層的語義信息的參與，較淺層的冗余特征被抑制。這個過程的公式如下：

式中：F si ，? = 1，2，3是第i 層的精細化特征圖。然后對它們應(yīng)用空間注意力機制[16]。生成的空間注意圖也由深到淺進行級聯(lián)，使其更具代表性。最后將每一層生成的注意圖與相對應(yīng)的編碼器特征相乘，得到精細化的特征圖：

式中：conv_7表示用7×7內(nèi)核進行卷積運算，后面跟著一個BN和一個ReLU。Sa表示空間注意力模塊，這是通過連接全局平均池化和全局最大池化的輸出，然后經(jīng)過7×7卷積和Sigmoid層來實現(xiàn)的。

然而，這種方法仍然存在以下局限性：1） 可能導(dǎo)致大規(guī)模顯著對象或大尺寸輸入圖像的特征不一致，其中在最深處獲得的特征仍保持局部性質(zhì)，無法覆蓋完整的顯著對象。2） 連續(xù)下采樣可能會嚴重且不可逆地破壞小尺度顯著對象的信息，增加了檢測此類對象的難度。

為解決這些問題，筆者采用了Transformer指導(dǎo)的雙流策略。Transformer引導(dǎo)的雙流編碼器通過利用長程相關(guān)性，既能保留小尺度顯著對象的有用信息，又能保持大尺度顯著對象的特征一致性。

1.3 ByteTrack 模塊

1.3.1 ByteTrack 簡介

ByteTrack是一種基于tracking-by-detection范式的跟蹤方法。首先，根據(jù)運動相似性或外觀相似性將高分檢測框與軌跡匹配。采用卡爾曼濾波器來預(yù)測新幀中軌跡的位置。相似性可以通過預(yù)測框和檢測框的IOU[17]或Re-ID[18]特征距離來計算。隨后，對未匹配的軌跡小片段之間進行第二次匹配。其創(chuàng)新之處在于同時利用高置信和低置信的檢測框進行目標跟蹤，有效解決了遮擋和模糊問題。

1.3.2 ByteTrack 算法流程概述

ByteTrack的具體流程如下：

1） 檢測框分類：通過檢測器獲取檢測框和對應(yīng)的檢測分數(shù)，對檢測框進行分類。如果分數(shù)高于Thigh，將檢測框分類為高置信度組（High reliability） ；如果分數(shù)低于Thigh 但高于Tlow，則將檢測框分類為低置信度組（Low reliability） 。

2） 初步匹配（高置信度檢測框） ：匹配過程使用檢測框和卡爾曼濾波估計結(jié)果之間的相似度，這里采用IOU或Re-ID特征間的距離作為相似度度量。然后，基于相似度采用匈牙利算法[7]進行匹配，并保留那些未匹配到軌跡的高置信度檢測框，以及未匹配到檢測框的軌跡。

3） 第二輪匹配（低置信度檢測框） ：關(guān)聯(lián)第一次匹配后剩下的軌跡與低置信度檢測框。之后，保留第二次匹配后仍未匹配到邊界框的軌跡，并刪除那些在第二次匹配后未找到對應(yīng)軌跡的低置信度邊界框，因為這些邊界框被認定為不包含任何物體的背景。筆者發(fā)現(xiàn)，單獨使用IOU作為第二次關(guān)聯(lián)中的相似度非常重要，因為低分數(shù)檢測框通常包含嚴重的遮擋或運動模糊，其外觀特征不可靠。因此，當將ByteTrack應(yīng)用于其他基于Re-ID的跟蹤器時，筆者在第二次關(guān)聯(lián)中不采用外觀相似性。

4） 軌跡管理：將未匹配到對應(yīng)軌跡的高置信度邊界框作為新出現(xiàn)的軌跡進行保存。對于兩次匹配都未匹配到的檢測框，將它們初始化為新的軌跡。

2 實驗分析

2.1 實驗數(shù)據(jù)集與評估指標

由于現(xiàn)有的公開數(shù)據(jù)集如MOT16[19]、MOT17[19]、MOT20[20]等主要關(guān)注行人目標追蹤，缺少鴕鳥目標追蹤的數(shù)據(jù)集，因此，本文使用了自采集的視頻數(shù)據(jù)集進行實驗。數(shù)據(jù)集的采集工作在鴕鳥養(yǎng)殖場進行，旨在提供與行人追蹤任務(wù)不同的挑戰(zhàn)，測試模型在鴕鳥上的性能。

2.1.1 采集環(huán)境與條件

視頻采集工作在2023年4月至5月期間進行，時間段包括白天和傍晚，確保涵蓋不同光照條件。采集地點位于荊州市長江大學(xué)西校區(qū)的鴕鳥養(yǎng)殖場，場地寬闊，包含多個鴕鳥在不同區(qū)域自由活動。拍攝場景包含鴕鳥在開闊的草地、柵欄區(qū)以及帶有圍欄的較小活動區(qū)域等不同環(huán)境中移動。視頻中的背景包括自然草地、人工圍欄以及偶爾的農(nóng)業(yè)設(shè)施，提供了較為復(fù)雜的背景。視頻采集工作在2023年4月至5月期間進行，時間段包括白天和傍晚，確保涵蓋不同光照條件。采集地點位于荊州市長江大學(xué)西校區(qū)的鴕鳥養(yǎng)殖場，場地寬闊，包含多個鴕鳥在不同區(qū)域自由活動。拍攝場景包含鴕鳥在開闊的草地、柵欄區(qū)以及帶有圍欄的較小活動區(qū)域等不同環(huán)境中移動。視頻中的背景包括自然草地、人工圍欄以及偶爾的農(nóng)業(yè)設(shè)施，提供了較為復(fù)雜的背景。

2.1.2 數(shù)據(jù)集構(gòu)成與劃分

本數(shù)據(jù)集包含6個不同的視頻序列，用于鴕鳥目標追蹤任務(wù)的訓(xùn)練與評估。每個視頻序列的時長、內(nèi)容和場景配置有所不同，確保了數(shù)據(jù)集的多樣性。

為保證模型的訓(xùn)練效果和評估標準，數(shù)據(jù)集被劃分為訓(xùn)練集和驗證集。對視頻序列中效果較好的部分進行切分，選取了8 910張圖片，其中訓(xùn)練集包含7 128張圖片，涵蓋了鴕鳥在不同場景、不同姿態(tài)下的表現(xiàn)。驗證集包含1 782張圖片，主要用于驗證模型在新數(shù)據(jù)上的泛化能力。

2.1.3 標注方法說明

標注工作使用了Labelimg工具進行，所有鴕鳥目標的位置均通過矩形框（bounding box） 方式進行標注。Labelimg 是一個開源的圖像標注工具，支持PascalVOC和YOLO格式的標注。為了確保標注的準確性和一致性，標注人員進行了多次交叉驗證，確保每個鴕鳥目標在每一幀中的位置都被正確標注。

2.2 實驗設(shè)置和參數(shù)評估

2.2.1 實驗平臺和軟件環(huán)境

實驗平臺為Intel（R） Core（TM） i5-12400F CPU、NVIDIA RTX3060（12GB） GPU的計算機。軟件環(huán)境如下：操作系統(tǒng)為Windows 10，深度學(xué)習(xí)框架為torch-1.10.2+cu113-cp36-cp36m-win_amd64，torchvision 版本為0.15.0。

2.2.2 訓(xùn)練參數(shù)設(shè)置

為了優(yōu)化模型性能，初始學(xué)習(xí)率設(shè)為0.001，使用余弦退火策略逐步降低學(xué)習(xí)率。優(yōu)化器使用Adam優(yōu)化器，權(quán)重衰減設(shè)置為1e-5，批次大小為32，共設(shè)200 輪訓(xùn)練輪數(shù)，早停策略設(shè)為驗證集精度連續(xù)5輪無提升時終止訓(xùn)練。在訓(xùn)練數(shù)據(jù)上應(yīng)用了隨機水平翻轉(zhuǎn)、亮度調(diào)整、隨機裁剪等數(shù)據(jù)增強方法，以提高模型的泛化能力。損失函數(shù)采用交叉熵損失（Cross-EntropyLoss） 用于分類分支，采用Smooth L1 Loss用于邊界框回歸。

2.2.3 模型評估方法

訓(xùn)練完成后，對模型性能進行了全面評估。使用訓(xùn)練好的模型對測試集進行推理，生成每一幀的目標檢測和追蹤結(jié)果。指標計算按照MOT17評估標準，計算以下關(guān)鍵指標：

MOTA（Multi-Object Tracking Accuracy） ：綜合考慮目標丟失率、誤檢率和漏檢率的指標；IDF1（IDentityF1） ：衡量目標追蹤的一致性，計算精度和召回率的調(diào)和平均數(shù)；IDP（Identity Precision） ：衡量追蹤的目標是否正確匹配，表示正確匹配的目標數(shù)占所有預(yù)測目標數(shù)的比例；IDR（Identity Recall） ：表示正確匹配的目標數(shù)占真實目標總數(shù)的比例；FP（False Positives） ：誤檢數(shù)量；FN（False Negatives） ：漏檢數(shù)量。

然后將本文方法的評估結(jié)果與其他經(jīng)典方法（例如DeepSORT、SORT） 進行對比，分析本文方法的優(yōu)勢與不足。評估中特別關(guān)注模型在復(fù)雜背景下的魯棒性和對目標遮擋的處理能力。同時，采用可視化手段展示模型在不同場景下的追蹤效果，以驗證其實用性。

2.3 評估指標

目標檢測的性能評價指標，使用均值化的平均精度mAP[21]。對于目標追蹤，使用CLEAR指標[22]，包括MOTA、FP、FN、ID等，以及IDF1和HOTA來評估跟蹤性能的不同方面。MOTA基于FP、FN和ID計算。考慮到FP和FN的數(shù)量大于ID，MOTA更關(guān)注檢測性能。IDF1評估了身份保持能力，更側(cè)重關(guān)聯(lián)性能。HOTA 是最近提出的度量，其明確地平衡了執(zhí)行準確檢測、關(guān)聯(lián)和定位的效果，但無法直接反映身份一致性的情況，因此需要結(jié)合IDF1來全面評估模型的追蹤能力。

本文將從檢測性能和跟蹤性能兩個維度進行評估。在檢測方面，主要使用平均精度均值mAP和速度FPS作為評價指標。mAP的計算需要先獲得平均精度AP[23]。在多目標跟蹤的性能測試中，本文選用了自制的6 個視頻切片數(shù)據(jù)集，評價指標包括MOTA、MOTP、MT、ML和IDSW。其中，MOTA（多目標跟蹤準確度） 用于衡量誤檢、漏檢和ID切換對跟蹤結(jié)果的影響，其計算公式如公式（14） 所示；MOTP（多目標跟蹤精度） 反映預(yù)測框與真實標注框的匹配程度，其計算公式如公式（15） 所示。MT代表被成功跟蹤超過80%的軌跡比例，ML表示被成功跟蹤未超過20%的軌跡比例，IDSW 表示整個跟蹤過程中發(fā)生的ID 錯誤切換次數(shù)。

MOTA = 1 - FN + FP + IDSW／GT （14）

式中：FN 表示整個跟蹤過程中誤檢的數(shù)量，F(xiàn)P 表示整個跟蹤過程中漏檢的數(shù)量，GT 表示數(shù)據(jù)集真實標注的數(shù)量。

式中：Ct 表示第t 幀中目標位置與數(shù)據(jù)集標注位置相匹配的個數(shù)；dt，i 表示匹配誤差，用第t 幀中目標檢測框與對應(yīng)數(shù)據(jù)集中標注框的IOU值來表示。IOU的值為100%時，表示檢測框與數(shù)據(jù)集中標注框完全匹配；為0時，則表示完全偏離。

2.4 目標檢測算法消融實驗

每次實驗僅改變一個模塊或條件，以確保性能提升的來源可追溯。然后對每種組合方法進行多次重復(fù)實驗，取平均值以確保結(jié)果的可靠性。表1為檢測模型的消融實驗結(jié)果?？梢钥吹剑捎脭U充的訓(xùn)練數(shù)據(jù)集后，模型在訓(xùn)練過程中能夠?qū)W習(xí)更豐富的特征，從而使YOLOv7檢測器的mAP性能略有提升，處理速度基本不變；僅添加EMCA注意力模塊，可以使mAP 提高2.3%，但處理速度略有降低；僅改進FPN模塊部分，也可以使整個YOLOv7檢測器的性能略微提升，同時不影響其處理速度。如果同時使用上述三種改進方法，改進后的YOLOv7檢測模型在基本不影響處理速度的情況下使mAP提高了4.4%。

添加的EMCA模塊由于其覆蓋區(qū)域的設(shè)計，保留了特征的優(yōu)點，同時通過截斷梯度流防止過多的重復(fù)梯度信息，在精度和速度方面均表現(xiàn)出良好的效果。FPN模塊中設(shè)計的PSAM金字塔空間注意模塊通過細化底層特征并抑制背景干擾，實現(xiàn)了更準確的目標檢測。由于沒有多個中間語義信息傳播的過程，該模塊顯著提高了算法的檢測速度。

2.5 對比實驗與分析

2.5.1 目標檢測算法對比實驗

為了驗證本文提出的多目標追蹤算法的有效性，將本文算法與YOLOv3、YOLOv5、Faster R-CNN、YO?LOv7這4種基于深度學(xué)習(xí)的目標檢測模型進行對比分析，結(jié)果如表2所示。

YOLOv3作為經(jīng)典單階段目標檢測算法，具有較高的速度和較低的計算復(fù)雜度，是實時檢測任務(wù)的參考基準。相較于YOLOv3，YOLOv5的性能提升顯著，是當前主流單階段檢測算法之一，而YOLOv7作為最新的單階段目標檢測方法，綜合性能優(yōu)異，是改進模型的基礎(chǔ)。Faster R-CNN是兩階段檢測算法的代表，精度較高，但速度較慢，適合作為高精度對比基線。

由表2可以看出，改進后的YOLOv7的mAP性能比YOLOv3[24] 高9%，比YOLOv5 高4%。YOLOv3 和YOLOv5的檢測精度略低，主要原因是未能充分優(yōu)化特征提取結(jié)構(gòu)。改進的YOLO算法比Faster R-CNN 提高了8%。雖然相較于原本YOLOv7的mAP性能差別不大，但FPS卻顯著提升。這主要是由于Faster RCNN采用二階段機制，雖然精度較高，但速度無法滿足實時需求。

2.5.2 多目標跟蹤算法對比實驗

同樣選取了4個經(jīng)典多目標跟蹤算法在MOT17 數(shù)據(jù)集上進行對比實驗，實驗結(jié)果是由6個數(shù)據(jù)集測試結(jié)果的平均值計算而來。將SORT、DeepSORT、DeepMOT、ByteTrack這四種跟蹤模型在自制數(shù)據(jù)集上進行比較，比較結(jié)果如表3所示：

由表3可以看出，ByteTrack算法的目標標識（ID） 的F1得分最高，說明其在目標身份識別上的表現(xiàn)最優(yōu)。MOTA（27.9%） 比SORT 略低0.1%，但顯著優(yōu)于DeepSORT和DeepMOT，表明其漏檢率和誤檢率較低，整體追蹤性能更均衡。MOTP為0.293，僅次于Deep?SORT和DeepMOT，說明其軌跡與真實路徑的偏差較小。ByteTrack的IDt和IDm指標顯著優(yōu)于其他算法，表明其對目標的連續(xù)跟蹤能力較強，避免了頻繁的目標丟失和重新分配。總之，ByteTrack是本實驗中性能最優(yōu)的算法，適合復(fù)雜場景下對目標跟蹤精度與效率均有要求的應(yīng)用場景。

3 結(jié)束語

本文介紹了一種基于改進的YOLOv7 和ByteT?rack算法的多目標跟蹤框架，旨在解決鴕鳥養(yǎng)殖中的小目標檢測和穩(wěn)定追蹤問題。通過引入EMCA注意力機制優(yōu)化特征提取能力，以及改進FPN模塊提升多尺度檢測性能，同時結(jié)合ByteTrack的目標匹配策略，創(chuàng)新性地提升了檢測與跟蹤的綜合性能。實驗結(jié)果表明，相較于原始算法，處理速度提升了7.9%，跟蹤準確性分別提升了13.3%和10%，且能更好地避免跟蹤丟失。

為進一步優(yōu)化算法性能和擴展應(yīng)用場景，未來工作將重點圍繞以下方向展開：引入輕量化模型設(shè)計（如量化與剪枝技術(shù)） 以提升實時性；優(yōu)化數(shù)據(jù)增強策略，加強復(fù)雜背景與遮擋場景的魯棒性；增強目標關(guān)聯(lián)模塊，使算法適應(yīng)長時間多目標跟蹤需求。在應(yīng)用方面，該算法還可推廣至其他農(nóng)牧業(yè)場景（如牛羊監(jiān)控） 及城市交通監(jiān)控等領(lǐng)域。

參考文獻：

[1] 張雅燕.我國畜牧業(yè)高質(zhì)量發(fā)展的挑戰(zhàn)與出路：基于數(shù)字經(jīng)濟視角[J].黑龍江畜牧獸醫(yī)，2023（10）：6-11.

[2] TABASUM A S，HONG-SEOK M，MANIRUL I M，et al.Monitor?ing activity for recognition of illness in experimentally infectedweaned piglets using received signal strength indication ZigBeebasedwireless acceleration sensor[J].Asian-Australasian Journalof Animal Sciences，2016，29（1）：149-156.

[3] 李頎，王丹聰.基于多傳感器的豬只行為辨識[J].黑龍江畜牧獸醫(yī)，2018（9）：95-99，246-248.

[4] CHEN C，ZHU W X，NORTON T.Behaviour recognition of pigsand cattle： journey from computer vision to deep learning[J].Computers and Electronics in Agriculture，2021（187）：106255.

[5] BEWLEY A，GE Z Y，OTT L，et al.Simple online and realtimetracking[C]//2016 IEEE International Conference on Image Pro?cessing （ICIP）.September 25-28，2016，Phoenix，AZ，USA.IEEE，2016：3464-3468.

[6] KALMAN R E.A new approach to linear filtering and predic?tion problems[J].Journal of Basic Engineering，1960，82（1）：35-45.

[7] MUNKRES J.Algorithms for the assignment and transportationproblems[J].Journal of the Society for Industrial and AppliedMathematics，1957，5（1）：32-38.

[8] WOJKE N，BEWLEY A，PAULUS D.Simple online and realtimetracking with a deep association metric[C]//2017 IEEE Interna?tional Conference on Image Processing （ICIP）.September 17-20，2017，Beijing，China.IEEE，2017：3645-3649.

[9] SUN S， AKHTAR N， SONG H， et al. Deep affinity network formultiple object tracking[EB/OL]. [2024-05-23]. https：//arxiv.org/abs/1810.11780.

[10] WANG C Y，BOCHKOVSKIY A，LIAO H Y M.YOLOv7：train?able bag-of-freebies sets new state-of-the-art for real-timeobject detectors[C]//2023 IEEE/CVF Conference on ComputerVision and Pattern Recognition （CVPR）. June 17-24， 2023，Vancouver，BC，Canada.IEEE，2023：7464-7475.

[11] ZHANG Y. ByteTrack： Multi-object tracking by associatingevery detection box[EB/OL]. [2024-05-23]. https：//arxiv. org/abs/2110.06864.

[12] ZHANG H， CISSE M， DAUPHIN Y N， et al. mixup： Beyondempirical risk minimization[EB/OL]. [2024-05-23]. https：//arxiv.org/abs/1710.09412.

[13] BAKR E M，EL-SALLAB A，RASHWAN M.EMCA：efficientmultiscale channel attention module[J]. IEEE Access， 2022（10）：103447-103461.

[14] LI G Y，BAI Z，LIU Z，et al.Salient object detection in optical re?mote sensing images driven by transformer[J].IEEE Transac?tions on Image Processing，2023（32）：5257-5269.

[15] 趙元龍，單玉剛，袁杰.改進YOLOv7與DeepSORT的佩戴口罩行人跟蹤[J].計算機工程與應(yīng)用，2023，59（6）：221-230.

[16] WOO S，PARK J，LEE J Y，et al.CBAM：convolutional block at?tention module[M].Lecture Notes in Computer Science.Cham：Springer International Publishing，2018：3-19.

[17] YU J， JIANG Y， WANG Z， et al. UnitBox： An advanced objectdetection network[EB/OL].[2024-05-23].https：//arxiv.org/abs/1608.01471. DOI：10.48550/arXiv.1608.01471

[18] HE L， LIAO X， LIU W， et al. FastReID： A pytorch toolbox forgeneral instance re-identification[EB/OL].[2024-05-23].https：//arxiv.org/abs/2006.02631.

[19] MILAN A，LEAL-TAIXE L，REID I，et al.MOT16：a benchmarkfor multi-object tracking[EB/OL][2024-08-23].https：//arxiv.org/abs/1603.00831v2.

[20] DENDORFER P，REZATOFIGHI H，MILAN A，et al.MOT20：abenchmark for multi object tracking in crowded scenes[EB/OL].[2024-05-23].https：//arxiv.org/abs/2003.09003v1.

[21] ANDRILUKA M，PISHCHULIN L，GEHLER P，et al.2D humanpose estimation：new benchmark and state of the art analysis[C]//2014 IEEE Conference on Computer Vision and PatternRecognition. June 23-28， 2014， Columbus， OH， USA. IEEE，2014：3686-3693.

[22] HE Y， SICK B. CLeaR： An adaptive continual learning frame?work for regression tasks[EB/OL].[2024-05-23].https：//arxiv.org/abs/2101.00926. DOI：10.48550/arXiv.2101.00926.

[23] LIU S Y，DENG W H.Very deep convolutional neural networkbased image classification using small training sample size[C]//2015 3rd IAPR Asian Conference on Pattern Recognition（ACPR）.November 3-6，2015，Kuala Lumpur，Malaysia.IEEE，2015：730-734.

[24] REDMON J，F(xiàn)ARHADI A.YOLOv3：an incremental improve?ment[EB/OL].[2024-05-23].https：//arxiv.org/abs/1804.02767v1.

【通聯(lián)編輯：唐一東】