實驗小鼠運動參數的模板匹配及粒子濾波提取方法

張繼文 梁 桐 張淑平

小鼠是生物學和醫學研究中常用的一種實驗動物.對實驗小鼠的運動軌跡和體態細節跟蹤能夠實現其行為學分析,對神經生物學、藥理學和心理學等學科具有重要的意義[1].在行為記錄和定量分析過程中,視頻監視和數字圖像處理是一種應用極為廣泛的方法.這是由于其具有布置簡單、成本低廉、可用信息量大及非介入等優點.經攝像采集、信號轉換、輸出記錄等一系列過程可獲得連續的數字圖像序列.在行為學分析時,首先從這一數字圖像序列中提取出小鼠的運動狀態參數,如活動軌跡、移動速度及體態等,從而統計出運動頻率、行為節律等生物學規律,而自動化的運動狀態參數提取將大幅提升這一過程的效率和準確性[2?3].

目前已有諸多小鼠運動監控系統[4?5]以及成熟的商業軟件,如EthoVision[6]等.這些系統一般基于小鼠與實驗背景的顏色或紋理差異,采用背景學習和背景減除的方法提取小鼠的二值化圖像,計算其包圍盒和重心,從而針對每一張數字圖像給出目標小鼠的位置及粗略的方位角[5],再經逐幀位置差分獲得其移動速度,通過連接小鼠在每一幀圖像中的位置,繪制出其移動軌跡.在細致的參數標定及濾波平滑處理條件下,這些方法能夠完成多種光照條件乃至黑暗條件下的運動識別任務[7?9],然而這種基于逐幀識別的方法易受到前景提取誤差和小鼠體態變化的干擾,產生跳躍的運動軌跡和較大移動速度估計偏差,從而難以滿足那些對動作細節要求較高或小鼠活動頻率要求精確統計的情形.此外,這些方法常常忽略小鼠體態的運動細節,例如蹲窩、蜷縮等.例如Pistori等[10]雖然實現了多只小鼠存在互相接觸條件下的相對位置跟蹤,引入粒子濾波器實現了接觸與非接觸狀態的區分以及各對象的宏觀位置識別,但難以解決小鼠體態信息的提取難題,進而無法為深入分析小鼠行為提供更多依據.

張敏等[11]以輪廓曲線的曲率及其頻譜作為特征矢量,針對一定數量圖像的聚類和學習,實現了小鼠的修飾、伸長、曲身等體態識別;Fabrice等[12]通過幾個基本幾何元素及其相對運動關系建立了小鼠的理想模型,通過物理學運動規律對該理想模型與二值化圖像中的前景像素點進行匹配,從而在非標記條件下獲得了其頭部、頸部、尾部等運動細節. Qing等[13]通過識別尾部、頭部等特征點較為精確地提取了頭部轉角及體長等信息.Branson等[14]基于小鼠的樣條輪廓模型及Gauss隨機運動模型采用粒子濾波器實現了幾個小鼠的輪廓最佳匹配.然而這些方法均依賴于精確提取的二值化圖像,在環境光照度變化,長時間觀測時小鼠對背景環境不斷產生影響的條件下,二值化預處理過程中均不可避免地引入噪聲干擾,進而降低了上述體態識別算法的準確率[15],限制了這些方法的應用環境.

事實上,實驗小鼠運動參數提取的主要困難源于其非剛性變形的特征.在鼠籠等被觀測視野較小的條件下,這一特點尤為顯著.如果再考慮視頻信號的干擾,則采用肢體的不變特征用于連續幀間的匹配存在較大的困難[16].為解決這一困境,本文引入模板匹配和粒子濾波的基本識別框架,提出實驗小鼠的幾何體部件模型及視頻觀測與模型匹配方法,借助粒子濾波器完成噪聲干擾條件下的小鼠運動軌跡參數及體態參數的同時提取.

1 目標跟蹤方法框架

實驗小鼠運動參數的提取問題本質上可以歸結為一個連續視頻中的目標跟蹤問題.而目標跟蹤在安全監控、氣象分析、醫療診斷、軍事制導等領域已經具備大量研究成果[17],其核心問題是在后續圖像中定位和搜索待跟蹤目標的先驗特征.目標跟蹤的關鍵因素包括對象的表示方法、搜索算法、模型更新等,現已形成了主動輪廓跟蹤、基于特征的跟蹤、基于模型的跟蹤以及基于判別式分類的跟蹤等幾類方法[18].本文所采用的模板匹配和粒子濾波方法是視頻跟蹤的一種重要方法,其基本原理如圖1所示.

圖1 用于小鼠目標跟蹤的模板匹配及粒子濾波方法Fig.1 Model matching and particle fi ltering method applied to the object tracking of a laboratory mouse

圖1中的觀測結果是待處理圖像的二值化結果,視野內標記為黑色的像素是小鼠目標及干擾像素.圖1中的粒子集合是小鼠諸多可能狀態所對應的理想觀測結果.將實際觀測結果與之進行對比匹配,并從中挑選出匹配度最佳的運動狀態作為觀測結果.經過粒子濾波重采樣后,生成了一批新的狀態粒子以備下一幀圖像的匹配處理.

模板匹配方法避免了直接從精確二值化圖像中擬合小鼠特征參數的困境,其優勢是降低了圖像預處理的難度,并允許一定程度的圖像噪聲干擾存在,因而對系統的前期參數調整和標定要求較低.同時,模板匹配方法不對二值化實施過程做出過多假設,無論是閾值劃分、背景減除或是多種策略的綜合方法,只要能夠盡可能凸顯小鼠目標和活動背景的差異,即可在統一框架下實現運動參數的提取,因而擴展了方法對光照、背景等條件變化的適應性.

基于模板匹配和粒子濾波的關鍵是建立小鼠外形的觀測模型以及模擬小鼠活動的運動模型,以前者作為粒子濾波器的觀測模型,以后者作為狀態轉移模型,從而建立起如圖1所示的完整目標跟蹤算法.

2 實驗小鼠的物理模型

小鼠的物理模型與觀測視角相關.一般有頂置攝像機視角[7?11]、側置攝像機視角[3,14]、斜置攝像機視角[5]及各種混合攝像機視角等.其中頂置攝像機能夠觀測小鼠的運動軌跡和移動速度,也是觀測體態的較優視角,因此物理模型主要針對頂置攝像機觀測情形.

2.1 實驗小鼠模型

小鼠的模型如圖2所示:將小鼠分解為頭部和臀部,從而得到兩個橢圓形幾何體構成的部件模型.兩個橢圓形的幾何尺寸固定不變,但兩者的相對位置發生變化.圖2中,Oxy是模型坐標系,固連在臀部橢圓形的中心.頭部橢圓的中心點表示為ch,頭部相對臀部的運動軌跡表示為ch沿C點為圓心的一段圓弧,C點僅位于Oxy的y軸上,坐標為(0,yc),定義體態的曲率為與一般圓弧曲率定義不同,ρ帶有符號,當ρ＜0,圓心C位于x軸下方,頭部以順時針方向偏轉,當ρ＞0,圓心C位于x軸上方,頭部向逆時針方向偏轉,當ρ=0時,圓弧退化為直線,此時頭部相對臀部僅有伸縮運動,若設圓弧長e＞0,則圓弧對應的圓心角可表示為φ=eρ.

圖2 小鼠部件模型示意圖Fig.2 Illustration of the part model of a mouse

頭部橢圓的半長軸、半短軸分別是(ah,bh),臀部橢圓的半長軸、半短軸分別是(at,bt).ρ=0,e=0時,模型處于零點,此時ch的坐標為(f,0).ah,bh,at,bt,f與被跟蹤小鼠的體型有關,在視頻跟蹤前通過手動設定,并在跟蹤過程中保持不變.因此,小鼠的體態可由體態曲率ρ和體態伸長e兩個參數描述.

上述模型本質上是一種變形體的近似部件模型[18?19].依照這一思路建立的其他模型包括橢圓包圍盒模型[13]及多幾何元素模型[12]等.相比于這些已有模型,本文提出新模型主要考慮了幾個因素的綜合與平衡,具體包括外形相似性、參數可視化和計算高效性等三個方面.

1)新模型將小鼠簡化為頭部、臀部兩個部分,能夠更為細致地描繪蜷縮和彎曲等體態.而單個橢圓包圍盒模型則以其長短軸作為描述參數,僅能有效描述體長參數,而無法描述體態曲率.另外,從生物學角度分析實驗小鼠的骨骼特征,其體態的變化對應了脊柱的狀態,而模型中圓弧實現了脊柱狀態在頂置攝像機視角方向的近似變化.盡管文獻[13]中的模型從機械連接及物理學規律應用的角度較為容易,但缺乏這一相似性.

2)新模型可將小鼠體態的關鍵參數歸納為體態伸長e和體態曲率ρ.同時將臀部(或模型固連坐標系Oxy)的位姿及移動速率描繪為小鼠整體的運動狀態,這些參數完整展現了先前研究過程中小鼠行為學分析的幾個關鍵參數[11,13],從而在參數可視化方面具有優勢.

3)在給定模型狀態的條件下,只需要針對二值化圖像中的前景像素點執行兩個橢圓形的包含性測試即可完成匹配檢驗和評估,從而具有更低的計算量.同時,兩個橢圓間僅存在圓弧的相對運動,因而兩者相對位置計算較為容易.這些特征對后續粒子濾波跟蹤過程中大量的匹配計算性能尤為重要.

當然,模型也存在幾個尚未考慮問題:其一臀部橢圓模型尺寸固定無法反應蜷縮時臀部形狀的真實變化,其二是兩個橢圓相交處并非光滑過渡,與實際小鼠的外形略有差異.但是這些參數對小鼠行為學研究的意義較小,如果引入更多的狀態參數或局部部件將大幅度增加濾波提取的難度.因而這些因素就作為算法的系統性偏差或者未來用于在線模型修正的因素而暫時不再考慮.

2.2 小鼠運動狀態方程

通過建立實驗小鼠的運動狀態方程以實現其運動狀態的描述,兩個關鍵問題是狀態向量中各個分量的選擇以及狀態方程的建立.

針對第2.1節中的小鼠部件模型，其完整運動狀態應包含兩部分:體態變化及整體位姿變化.前者由體態伸長e和體態曲率ρ兩個變量所描述,后者則包括平面位姿變量(x,y,θ)表示其在全局坐標系下的坐標及姿態角,從而構成基本狀態向量XXX=(x,y,θ,e,ρ)T.基于小鼠運動不受外界主觀控制的特點,一種運動建模方法是假定各分量服從獨立隨機變化規律的隨機運動模型,即在前一個狀態基礎上增加一個隨機偏移從而推算出新狀態,結果如式(2)所示.

然而這種方法沒有充分利用實驗小鼠的運動習性特征,小鼠的運動狀態變為純粹猜測,最終影響了精確估計條件下的濾波算法的粒子規模.同時小鼠的移動速度仍然需要對小鼠位置變量(x,y)做差分運算,喪失了粒子濾波充分利用先驗觀測實現精確估計的優勢.

為解決上述問題,在狀態向量中引入一個移動速率變量v,并認為v的方向與頭部橢圓模型的長軸方向一致.如圖3所示,在移動速率v及體態曲率ρ恒定不變的條件下,小鼠將以勻速圓周規律運動.其圓心與圖2中的C點重合,運動軌跡的曲率則與式(1)中的ρ相同.

圖3 小鼠以恒定的體態曲率ρ及移動速率v的勻速圓周運動Fig.3 Uniform circular motion of a mouse with constant curvature ρ and constant moving velocity v

由于小鼠體態的變化難以預測,因此體態伸長e和體態曲率ρ仍服從隨機運動規律.綜上所述,新的狀態向量可表示為

而狀態方程則如式(3)所示.

式中,Δt是視頻采集周期,函數fx與fy分別是小鼠位置x和y的變化規律,基于圓周運動假設有:

其中,ωk是圓周運動的角速度,且有ωk=vkρk.式(3)中，δ是六維隨機向量,描述了小鼠運動的隨機特性.

此外,實際應用狀態方程(3)時,還需考慮小鼠體態的物理限制、移動速度的限制以及視頻觀測的視野范圍等,針對式(3)所得的狀態向量XXX的每一個分量q限幅:

式中,q1,q2,···,q7分別對應了XXX的各個分量x,y,θ,v,e,ρ,各變量物理限制依據經驗預先設定.

3 實驗小鼠的粒子濾波跟蹤

粒子濾波是Bayes濾波器的一種形式,Bayes濾波器的目標是給出狀態變量在一次新觀測條件下的后驗概率分布.粒子濾波器通過蒙特卡洛方法,以一定數量的采樣粒子來近似表示這一概率分布,其特點是能夠適用于非線性系統,并易于理解和實現.粒子濾波算法已具有堅實的理論基礎和成熟的技術實現,細節可參照文獻[20].本文采用基本粒子濾波算法,著重討論實驗小鼠跟蹤這一特定問題下應考慮的因素,至于針對粒子匱乏、粒子搶奪等缺陷的各種算法改進和提升可參考文獻[21].

3.1 基本粒子濾波算法

基本粒子濾波算法列表如表1所示.

表1 基本粒子濾波算法列表[20]Table 1 Algorithm list of the basic particle fi lter[20]

算法中M是預設的粒子總數,χt是上一個周期的M個粒子集合,zt+1是本周期的觀測結果,對于小鼠跟蹤這一特定問題,zt+1是圖像的二值化圖像結果.第4行的采樣過程即依據小鼠運動模型式(3)從前一個狀態產生新的狀態第5行計算對應的理論觀測結果和實際觀測結果zt+1兩者的匹配度,從而求得狀態粒子的重要性權重是所有粒子狀態及其權重二元組的集合.第8行則是粒子濾波器的重采樣過程,由于重采樣算法較為成熟,且與小鼠跟蹤這一特定問題較為獨立,這里不再詳細列出,具體可參照文獻[20?21].

“通過此次身體檢查，我知道了自己身體存在哪些問題，也知道了以后在飲食上要注意些什么，要感謝公司的這個好政策。”近日，一師電力公司職工許衛軍告訴筆者。

由此可見,為實現上述粒子濾波算法,需要為式(3)中的隨機向量δ定義合理的概率分布規律.同時需要依據實際觀測zt+1求出任意粒子狀態的重要性權重

3.2 模板匹配及重要性權重計算方法

設攝像機的采集分辨率為W×H像素,則算法列表 1中第 5行中的zt+1由W×H個布爾函數q(u,v)組成,其中,(u,v)是像素坐標,q(u,v)=true表明該像素隸屬于小鼠目標;反之,則不屬于小鼠目標,記所有屬于小鼠的像素坐標集合為ΣO,即:

為描述實際觀測與理論模型之間的差異,定義一種差異度函數為

其中,n(·)為集合中元素的個數.當時,由式(8)計算出表示實際觀測與該狀態粒子的差異度為0,兩者完全匹配;當時,由式 (8)可知表示實際觀測與部件模型不具備任何匹配像素,兩者完全不同.而當的元素數目從0逐步增加至逐步減小至0,從而表明兩者差異度逐步降低直至完全匹配.式(8)連續可微且對匹配像素數單調遞減,因而可用于生成粒子的重要性權重系數.

結合式(8)和式(10)得到第m個粒子的差異度r[m]的概率密度,作為第m個樣值粒子所對應的相對權重,并用于后續重采樣過程,從而得到算法列表1第5行的粒子權重計算方法.

3.3 運動模型中的隨機參數

表1中第4行的計算依據是式(3)所示的實驗小鼠運動狀態方程.粒子狀態的推移與式中六維隨機向量δ的分布規律有關,本文假定其服從均值為0,協方差矩陣為Σ的六維聯合Guass分布.然而相應的隨機實驗存在較大困難,無法確定Σ的具體數值.為簡化計算難度,進一步忽略了隨機向量的各個分量的相關性,從而將六維隨機向量簡化為服從相互獨立的Guass分布,其協方差矩陣Σ退化為一個對角陣,對角線元素分別是每一個隨機變量的方差,即:

3.4 粒子的密度估計

諸多方法中最易實施、計算代價最低的是均值估計,即假設粒子分布滿足高斯分布,計算各粒子對應狀態的期望和方差,并將期望作為估計結果.然而該方法無法處理小鼠在透明鼠籠上的鏡像所導致的多峰分布狀況,均值運算將混合小鼠目標與其鏡像狀態,從而可能產生較大的跟蹤誤差.核密度估計法能夠擬合出一批采樣粒子所對應的精確分布規律,但是多元核密度估計算法較為復雜,且核密度估計后還需求解非線性函數的局部極值才能獲得最終結果,計算效率較低.直方圖法則難以應對六維狀態空間的有效劃分問題,難以在有限的存儲空間下獲得優良的估計結果.

相比之下,K-means聚類法[22]依據狀態向量間的歐氏距離對采樣粒子進行分類,可以滿足多峰值條件下的提取要求.同時,狀態向量的歐氏距離計算能夠滿足計算效率要求,因而在多個多方面具有優勢.K-means算法在實際應用過程中需要預先指定峰值的最多個數,其來源于對小鼠狀態分布的先驗知識.例如,粒子狀態的峰值主要出現于小鼠首尾對稱的兩種狀況下,則可預先指定聚類類別k=2,若再考慮實驗鼠籠產生小鼠鏡像的狀況,則可設定k=4.K-means聚類后,從最終峰值中,選擇權重之和最大的一個作為最終的識別結果.

4 實驗結果及討論

4.1 實驗裝置及方法

為驗證小鼠運動參數提取算法的有效性,設計并實施了一種小動物行為學實驗裝置,系統原理如圖4所示.主體結構是一個鐵制白色不透光箱體,內部可放置若干個上端開口的透明動物籠.箱體四壁分布了多個LED照明燈管.照明自動控制系統實現了三種照明模式:自然強度的白光、強照度藍光及黑暗條件下的紅外光.三種模式可以以任意次序,任意時長組合并循環切換.箱體頂部配置一臺CCD彩色攝像機,輸出的信號經視頻采集系統轉換為數字圖像并傳送到圖像處理工作站,經工作站在線處理并保存為AVI格式視頻文件,視頻采集幀速率為24幀/s.圖形處理工作站采用Intel Core i7-4700MQ處理器及8GB內存.

圖4 帶有視頻跟蹤的小鼠行為學實驗裝置Fig.4 Experimental device for behavior analysis of mice with video tracking

行為學實驗要求在多種光照模式下觀測并提取小鼠的運動軌跡、運動速度和體態等參數,實驗時間最長可達48h.采用白色小鼠在三種光照條件下的樣本圖片如圖5所示.

圖5 不同光照條件下的視頻拍攝截圖Fig.5 Snapshots of the video in diあerent illuminating conditions

4.2 小鼠跟蹤實驗及結果

為了適應不同的光照條件,避免頻繁的顏色域值標定,采用背景減除法提取小鼠的二值化圖像.分別在不同的光照條件下采用混合Guass模型對一段初始圖像序列執行背景學習后,啟動背景減除過程,同時在背景減除處理期間,每間隔若干幀執行一次背景學習,從而不斷適應環境所發生的微小變化.對背景減除所生成的二值化圖像進行了形態學運算和輪廓求解,從而濾除了明顯的識別噪聲.上述過程采用OpenCV圖像處理庫實現.藍色強光照射條件下的一幀處理實例如圖6所示.由圖6可見,最終處理結果除了目標小鼠的像素外,還遺留了透明鼠籠所產生的鏡像等干擾尚未濾除.

圖6 背景減除及后續的圖像預處理過程示例Fig.6 An example of the background subtraction and the followed image preprocessing

粒子濾波算法基于Bayes濾波庫OROCOS[23]實現,所形成的算法流程圖如圖7所示.

圖7所示的過程中,粒子濾波器的粒子總數設定為500,當無效粒子權重達到粒子總數的1/4啟動重采樣.實驗過程中,式(3)所對應的物理量如表2所示,此外觀測模型中的模型差異度r及其概率分布參數也列在表2中.

如圖8所示是在藍色強光照射條件下截取的一段小鼠視頻跟蹤結果.在透明鼠籠鏡面反射干擾的條件下,能夠有效地跟隨小鼠的運動軌跡,除較為精確的位置x,y外,還包括其姿態角θ,且能夠有效地區分小鼠的頭部和尾部.

圖7 圖像預處理與粒子濾波的小鼠運動參數提取流程圖Fig.7 Flow chart of the parameters for behavior analysis based on image preprocessing and particle fi lter

以藍光—白光—黑暗三種照射條件各持續60s為標準實驗,每一種光照條件下的前20s用于背景學習,后40s啟動背景減除及粒子濾波算法.將三段的提取結果進行連接,小鼠的運動軌跡和姿態角如圖9所示,可見其軌跡連續、姿態角和軌跡具有良好的一致性,未出現因為識別錯誤而導致的小鼠位置跳躍及軌跡不連續現象.因而證實本文的方法能夠達到優良整體軌跡跟蹤性能.

表2 實驗小鼠狀態變量及模型差異度r的正態分布參數Table 2 Parameters of the normalized distribution for the state variables and model-observation diあerence r of a laboratory mouse

圖8 藍光照射條件下的一段小鼠目標跟蹤結果Fig.8 One piece of the object tracking result of a mouse in the blue illuminating condition

如圖10所示是算法所提取的運動參數,包括小鼠移動速度圖v、體態伸長e和體態曲率ρ變化圖.其能夠較為精確地顯示出實驗小鼠的運動速度和體態的變化.圖10中,在實驗小鼠具有較高移動速度時,均對應了其體態伸長幅度的增加,因而符合小鼠的運動習性.其中65s～80s時間段內,小鼠的移動速度接近于零,同時體態伸長也縮減到最小值表明小鼠處于靜止蹲窩的狀態,與其他時間段內小鼠的快速移動和探索行為對比明顯,因而所提取的小鼠體態及其他運動參數可用于小鼠的后續行為學分析.

圖9 模板匹配及粒子濾波方法在三種不同光照條件下所提取的實驗小鼠整體運動軌跡提取結果Fig.9 The extracting result of the moving trajectory of the laboratory mouse in three diあerent illuminating conditions using model matching and particle fi ltering

圖10 模板匹配及粒子濾波算法所提取的移動速度、體長變化及體態曲率結果Fig.10 The extracting result of the motion speed,body length variation and body curvature using model matching and particle fi ltering

上述的三種光照切換實驗中,排除前期背景學習實驗段的每一獨立幀的處理時間統計直方圖如圖11所示,可見該時間主要分布在30ms以下,因而能夠達到實驗裝置24幀/s的采集速率下的實時在線提取需求.

圖11 單周期運動參數提取算法計算耗時直方圖Fig.11 Histogram of the computing time consumption of the motion parameter extraction algorithm for a single cycle

4.3 與單幀圖像差分跟蹤方法的對比實驗

在本文所述的模板匹配和粒子濾波算法外,還采用面向單幀數字圖像處理的方法求解二值化圖像中前景像素的矩形包圍盒,并通過幀間差分的方法進行了實驗小鼠軌跡跟蹤以及移動速度提取的實驗.如圖12所示是基于相同的背景減除方法及形態學濾波及輪廓計算,針對如圖9所示相同的實驗視頻的軌跡提取結果,圖13是利用差分法計算所得的移動速度和體長變化參數.

圖12 采用幀間差分法在三種光照條件下所提取的目標小鼠整體運動軌跡提取結果Fig.12 The extracting result of the moving trajectory of the object mouse in three diあerent illuminating conditions using frame diあerencing method

圖12中的軌跡存在較大的跳躍,并且存在一系列誤識別結果,這些錯誤的識別結果來源于將實驗小鼠的鏡像誤當做小鼠本身.同時圖13對小鼠移動速度和體長參數的估計被大量噪聲所干擾,難以統計出活動頻率的特征,進而很難應用于后續行為參數的分析.

圖13 幀間差分法所提取的移動速度、體長變化及體態曲率結果Fig.13 The extracting result of the motion speed,body length variation,and body curvature using frame diあerencing method

4.4 針對移動速度 v 的討論

如第2.2節中的狀態向量中引入小鼠移動速率v的策略除了能夠實現該變量的直接估計外,還能夠在目標跟蹤時盡快糾正首尾倒置的錯誤.

實驗表明,當圖2所示的模型中臀部橢圓參數(at,bt)與頭部橢圓參數(ah,bh)相近或者圖像二值化過程中存在較大識別誤差的條件下,易導致小鼠首尾倒置的識別結果.此時若按照式(2)的隨機運動規律,則可能在較長時間內無法糾正這一錯誤.

考慮到小鼠更習慣于前進運動的習性,在引入移動速率v且在式(5)的限幅函數中設定小鼠的最高前進移動速率|vmax|遠大于最高后退移動速率|vmin|的條件下,只有那些首尾狀態與移動速率方向一致的粒子才能夠達到更好的匹配度,而首尾狀態與移動速度方向相反的粒子則迅速遭到淘汰,從而能夠在后續幾幀內快速消除首尾的識別錯誤,提高了小鼠運動的跟蹤準確度.

4.5 粒子濾波器的必要性討論

本文所提出的方法能夠有效濾除透明鼠籠產生的虛影,并得出較為精確的參數提取結果得益于粒子濾波器的幾項特征.粒子濾波基于概率隨機思想,求解結果是小鼠狀態的概率分布而非單一取值,當概率分布存在多個峰值時,可以通過小鼠的活動范圍對結果進行進一步過濾,從而排除了錯誤的識別結果.同時,基于Markov過程的方法能夠有效利用多次觀測結果,逐步改正識別錯誤和觀測誤差,從而避免錯誤估計的傳播.粒子濾波器本質上建立了視頻圖片的前后聯系,協助濾除了圖像二值化的噪聲,從而在較大干擾的條件下,依然能夠實現小鼠宏觀運動和微觀體態信息的同時精確提取.

5 結論

本文將實驗小鼠的運動參數提取歸結為一個視頻目標跟蹤問題,并采用模板匹配和粒子濾波思想對該問題進行求解.提出一種實驗小鼠的簡化幾何體模型,在完整描繪其運動特性的前提下,充分考慮了模型與頂置視角實驗小鼠的形體相似性,并實現了高效的匹配運算性能.所提出的運動模型中引入了小鼠移動速率參數,在實現了這一參數的精確估計之外,有效解決了首尾識別混淆的錯誤,提升了參數提取的精確度.粒子濾波方法有效建立起了視頻圖像的前后聯系,解決了虛影等一系列干擾問題.與逐幀識別差分法的對比實驗證實了模板匹配與粒子濾波器能夠實現強噪聲干擾條件下小鼠宏觀運動和微觀體態的同時提取,從而能夠為后續行為學分析提供可靠依據.

未來研究方向包括:依據識別結果更新小鼠模型長短軸參數的在線自適應調整;基于粒子濾波器具有融合多個視頻采集信息的能力,實現更為精確的運動參數乃至三維運動參數的提取,可能的解決方案如建立一種合理的小鼠三維觀測模型;此外如果考慮多只小鼠的交互行為實驗,則需要對粒子濾波器做進一步的改進,以解決高維度下的運算負荷問題和粒子搶奪等問題.

1 Shang Yu-Chang.Animal Ethology.Beijing:Peking University Press,2005.

(尚玉昌.動物行為學.北京:北京大學出版社,2005.)

2 Dell A I,Bender J A,Branson K,Couzin I D,de Polavieja G G,Noldus L P J J,P′erez-Escudero A,Perona P,Straw A D, Wikelski M,Brose U.Automated image-based tracking and its application in ecology.Trends in Ecology&Evolution, 2014,29(7):417?428

3 Jhuang H,Garrote E,Yu X L,Khilnani V,Poggio T,Steele A D,Serre T.Automated home-cage behavioural phenotyping of mice.Nature Communications,2010,1(6):Article No.68

4 Ishii H,Ogura M,Kurisu S,Komura A,Takanishi A,Iida N, Kimura H.Development of autonomous experimental setup for behavior analysis of rats.In:Proceedings of the 2007 IEEE/RSJ International Conference on Intelligent Robots and Systems.San Diego,USA:IEEE,2007.4152?4157

5 Salem G,Dennis J,Krynitsky J,Garmendia-Cedillos M, Swaroop K,Malley J D,Pajevic S,Abuhatzira L,Bustin M,Gillet J P,Gottesman M M,Mitchell J B,Pohida T J.SCORHE:a novel and practical approach to video monitoring of laboratory mice housed in vivarium cage racks.Behavior Research Methods,2014,47(1):235?250

6 Noldus L P J J,Spink A J,Tegelenbosch R A J.Etho-Vision:a versatile video tracking system for automation of behavioral experiments.Behavior Research Methods,Instruments,&Computers,2001,33(3):398?414

7 Rantalainen T,Silvennoinen M,Kainulainen H,Siev¨anen H. Vertical ground reaction force measurements and video measurements provide comparable estimates of distance moved by mice during arti fi cial light and dark periods.Journal of Neuroscience Methods,2011,197(1):104?108

8 Dielenberg R A,Halasz P,Day T A.A method for tracking rats in a complex and completely dark environment using computerized video analysis.Journal of Neuroscience Methods,2006,158(2):279?286

9 Zurn J B,Jiang X H,Motai Y.Video-based tracking and incremental learning applied to rodent behavioral activity under near-infrared illumination.IEEE Transactions on Instrumentation and Measurement,2008,56(6):2804?2813

10 Pistori H,Odakura V V V A,Monteiro J B O,Gon?calves W N,Roel A R,de Andrade Silva J.Mice and larvae tracking using a particle fi lter with an auto-adjustable observation model.Pattern Recognition Letters,2010,31(4):337?346

11 Zhang Min,Zhang Heng-Yi,Zheng Xiao-Xiang.Automatic recognition of rat′s postures based on contour curvature and hierarchical clustering analysis.Journal of Zhejiang University(Engineering Science),2006,40(3):524?527,532

(張敏,張恒義,鄭筱祥.基于輪廓曲率和譜系聚類的大鼠體態自動識別.浙江大學學報(工學版),2006,40(3):524?527,532)

12 de Chaumont F,Coura R D S,Serreau P,Cressant A, Chabout J,Granon S,Olivo-Marin J C.Computerized video analysis of social interactions in mice.Nature Methods, 2012,9(4):410?41713 Shi Q,Miyagishima S,Fumino S,Konno S,Ishii H,Takanishi A.Development of a cognition system for analyzing rat′s behaviors.In:Proceedings of the 2010 IEEE International Conference on Robotics and Biomimetics(ROBIO).Tianjin,China:IEEE,2010.1399?1404

14 Branson K,Belongie S.Tracking multiple mouse contours (without too many samples).In:Proceedings of the 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition.San Diego,CA,USA:IEEE,2005: 1039?1046

15 Farah R,Langlois J M P,Bilodeau G.Catching a rat by its edglets.IEEE Transactions on Image Processing,2013, 22(2):668?678

16 de Andrade Silva J,Gon?calves W,Machado B,Pistori H,de Souza A S,de Souza K P.Comparison of shape descriptors for mice behavior recognition.In:Proceeding of Progress in Pattern Recognition,Image Analysis,Computer Vision,and Applications.Berlin Heidelberg,Germany:Springer,2010. 370?377

17 Wu Y,Lim J,Yang M H.Online object tracking:a benchmark.In:Proceedings of the 2013 IEEE Conference on Computer Vision and Pattern Recognition.Portland,OR, USA:IEEE,2013.2411?2418

18 Smeulders A W M,Chu D M,Cucchiara R,Calderara S, Dehghan A,Shah M.Visual tracking:an experimental survey.IEEE Transactions on Pattern Analysis and Machine Intelligence,2013,36(7):1442?1468

19 Li X,Hu W M,Shen C H,Zhang Z F,Dick A,Van Den Hengel A.A survey of appearance models in visual object tracking.ACM Transactions on Intelligent Systems and Technology,2013,4(4):Article No.58

20 Thrun S,Burgard W,Fox D.Probabilistic Robotics.Cambridge,UK:MIT Press,2006.

21 Li Tian-Cheng,Fan Hong-Qi,Sun Shu-Dong.Particle fi ltering:theory,approach,and application for multi-target tracking.Acta Automatica Sinica,2015,41(12):1981?2002 (李天成,范紅旗,孫樹棟.粒子濾波理論、方法及其在多目標跟蹤中的應用.自動化學報,2015,41(12):1981?2002)

22 Hartigan J A,Wong M A.Algorithm as 136:a K-means clustering algorithm.Journal of the Royal Statistical Society.Series C(Applied Statistics),1979,28(1):100?108

23 Bruyninckx H.Open robot control software:the OROCOS project.In:Proceedings of the 2001 IEEE International Conference on Robotics and Automation.Seoul,South Korea:IEEE,2001:2523?2528