梁 存，危海明，周小芹

（1.河海大学物联网工程学院，常州213022；2.常州市特种机器人与智能技术重点实验室，常州213022）

·微机软件·

基于视频的动物交替转向行为自动检测方法

梁 存1，2，危海明1，周小芹1，2

（1.河海大学物联网工程学院，常州213022；2.常州市特种机器人与智能技术重点实验室，常州213022）

交替运动转向行为，即动物在迷宫中连续转向时，其运动转向与前一次转向是相反的。传统做法是利用人工观察和手工记录，观察动物的运动转向行为。基于视频的运动行为分析为动物行为研究提供了一种便捷、准确的研究工具，然而这些方法主要针对大鼠、小鼠和昆虫类等动物。潮虫（woodlice）是一种研究动物交替转向行为的常用实验动物，其个体远小于小鼠，又比果蝇大许多。由此提出了一种适用于潮虫的视频自动分析算法，该算法利用线性迭代的跟踪算法获得运动信息，同时可以获得潮虫运动转向与转向时间。实验结果表明：运动转向和运动转向时间结果比较准确。此方法为交替转向行为研究提供了一种准确客观的实验工具。

交替运动转向；视频；线性迭代跟踪算法；潮虫

1 引 言

近年来，研究工作者在研究中发现，大多数动物具有交替运动转向特性［1］。交替运动转向，即动物在迷宫中可以连续自由选择转向，后一次的运动转向与前一次的运动转向相反。

交替运动转向主要应用于动物的康复评价与健康评估。对于脑损伤和记忆力衰退的动物来说，是一种重要的健康评估手段。1925年，Tolman EC［2］就开始研究这种行为，尝试了不同因素对交替行为的影响。文献［3］概述了研究动物的交替运动转向主要受很多因素的影响，不同因素对动物交替运动影响不同。此外，对不同物种，实验方法也不一样，如对小鼠、大鼠等哺乳动物，考虑气味、摄食策略、年龄、情感等因素对交替运动转向行为的影响；而对于潮虫等节肢动物，则主要考虑年龄、动物大小尺寸等因素的影响。

国内在交替运动转向领域研究较少，唐伯平［4］利用上千只团子虫在不同条件下，观察交替运动转向并作了初步分析和统计。国际R.N.HUGHES对上百只潮虫在不同条件下，分析交替运动转向［5］。实验结果表明强迫转向后的距离越长，交替运动转向率越低。同样，ALAN W.HARVEY对草履虫的交替运动转向，根据通道宽度和通道长度不同分别设计实验［6］。实验结果表明，通道宽度对交替转向没有什么影响，通道长度对交替转向存在差异。Robert N.Hughes利用交替运动转向对药物治疗后的记忆进行测试［7］。

这些文献的实验都是通过人工观察和手工记录，实验结果的分析与处理不仅耗时费力，而且可能误计。更重要的是，肉眼观察动物交替转向行为，很难记录转向所花费的时间。基于视频研究动物运动行为越来越广泛。由于人工手段耗时并记录不准确，因此基于视频自动处理和分析系统是可取的。Thomas C.Henderson［8］利用多个摄像头拍摄的视频对动物的运动行为分析。Burgos－Artizzu［9］从正面和侧面两个角度记录视频对小鼠的行为运动识别。因此，可以采用基于视频手段，处理视频数据，获得运动转向及运动转向时间。

2 实验方法与结果

2.1 基于视频实验方法

基于视频手段对运动转向进行研究，以潮虫为研究对象，此项研究其意义在于：不仅将运动转向研究拓宽到对节肢动物的研究，同时开展了动物运动转向的自动识别研究，更是为动物运动行为提供了一种便捷且准确的工具。

2.1.1 运动目标检测与跟踪算法

基于视频的动物运动转向研究，核心是对动物的运动检测和跟踪。有效检测和跟踪才能提取较为准确的运动行为信息。

动物运动检测的常用方法有：背景差分法［10］、帧差法［11］、光流法［12］，在背景较为复杂的情况下，常用高斯混合模型［13］。它利用多个高斯模型进行更新，在获得新的一帧图像后更新高斯混合模型，用当前图像的每个像素点与高斯模型进行匹配，如果匹配成功，则称为背景，否则，则称为前景。

动物运动跟踪的经典算法是kalman滤波［14］，它利用kalman滤波对运动目标进行预测和估计。卡尔曼滤波采用的是目标动态信息，设法减少噪声等影响，得到很好的目标位置估计。因此，利用高斯混合模型与kalman滤波共同完成动物运动的检测和跟踪，其鲁棒性较高，但比较耗时，不能满足实时处理。

为解决算法耗时问题，可采用方框法提取运动目标的质心。方框法利用的是一种基于线性递归算法的迭代跟踪算法［15］，其跟踪机制是捕获跟踪目标的外部变化，并确保模型实时更新。

下面对高斯混合模型和卡尔曼滤波与线性递归迭代跟踪算法进行实验测试，并对实验中各自耗用的时间以及实验结果进行比较。

2.1.2 基于视频的运动行为处理

动物运动分析研究处理过程：首先将采集后的视频数据分帧，再利用跟踪算法在视频帧数据中跟踪动物运动，获取动物的位置信息，得到其运动轨迹；再根据设定的迷宫，利用定义判断动物的运动转向，同时根据转向的帧数来获取转向的耗用时间，其流程图如图1所示。

图1 潮虫行为视频处理流程

2.2 实验过程

2.2.1 实验对象选取

选取潮虫为实验对象。潮虫，俗称鼠妇，个体比较小，成年潮虫体长为10－15mm，体宽为4－6.5mm，形状为长椭圆形［16］。在室外的砖头、花盆下可以比较容易地采集潮虫。

在设计好的迷宫中，观察潮虫运动转向。迷宫包括三个部分，即为自由转向，“正确”强迫转向，“错误”强迫转向。其中“正确”强迫转向为：当第一次强迫向右转向，则第二次强迫向左转向，第三次为强迫向右转向，依次完成交替运动转向。“错误”强迫转向：当第一次强迫向右转向，则第二次继续强迫向右转向，第三次继续强迫向右转向，这种转向不是交替的运动转向，则称为“错误”强迫转向。如图2所示为自由转向和强迫转向的示意图。

图2 强迫转向和自由转向示意图

2.2.2 数据采集

实验中，设计一个视频采集系统，视频采集系统包括摄像头、电源、接头、采集卡和线材等。其中，采用的摄像头为索尼CCD，采集卡为Easycap。采集的视频为黑白视频，采集视频数据的视频参数为：帧率为25帧／秒，格式为avi格式，数据速率为286kbps，总比特率为286kbps，帧宽度为320，帧高度为240。

2.2.3 数据处理

实验数据处理采用matlab软件。

利用经典算法（高斯混合模型＋kalman滤波）和方框与质心（线性递归迭代跟踪算法）两种算法对视频帧数据所耗用时间进行比较，实验结果如表1所示。其中，利用方框和质心的方法，采用手工标记第一帧跟踪目标的位置以及所在初始区域。在表1中，发现新方法比经典方法所耗用时间短。对于实时性处理而言，现用方法要比经典方法实时性效果好，克服了经典算法耗时长的缺陷。

表1 传统方法和现用方法所耗时间的比较

2.3 结果分析

2.3.1 利用经典算法处理数据

处理视频帧数据的实验结果如图3显示。

图3 传统算法跟踪图

实验结果表明，利用该算法对潮虫的跟踪较为准确，鲁棒性较好，但是耗时较长。

2.3.2 利用现用算法处理

处理视频帧数据的实验结果如图4显示。

图4 现用方法跟踪图

实验结果表明：利用现用算法采用方框对潮虫进行跟踪，其中质心确定潮虫在迷宫中的位置。实验数据的动物运动轨迹如图5所示。

研究动物的运动转向，对本设计的迷宫判断方向给出如下定义：首先将设定潮虫所在初始区域，其区域由左上顶点坐标和右下顶点坐标构成。随着潮虫继续运动，如果潮虫不在初始区域内运动，将会朝四个方向运动，即东南西北四个方向。

图5 动物跟踪轨迹图

如果向西运动的话，坐标区域x轴坐标减少deta（x），y轴坐标不变，构成新的区域；如果向东运动的话，坐标区域x轴坐标增加deta（x），y轴坐标不变，构成新的区域；如果向北运动的话，坐标区域y轴坐标减少deta（y），x轴不变，构成新的区域；如果向南运动的话，坐标区域y轴坐标增加deta（y），x轴不变，构成新的区域。潮虫每次到达新的区域，同样按照该定义来获得潮虫下次运动所在的区域。

潮虫的运动转向，应以潮虫为参考系，需要加一个定义：以“向前”，“折返”，“左”，“右”四种状态来表示潮虫在迷宫中的运动转向。给出定义如表2所示。

表2 以潮虫为基准，所定义的转向

对图5进行实验测试，其初始区域的坐标为：左上顶点（147，78），右下顶点（167，94），由该两个顶点坐标所构成的初始区域。根据上述两个定义来对潮虫的运动转向作判断。根据定义判断对图5进行测试的实验结果如表3所示。

表3 自由转向的实验结果

实验中，动物运动转向所耗用的时间，人工手段可以基于视频利用秒表对潮虫的运动转向时间进行记录；智能化系统处理可根据潮虫在转向区域内帧数的数目来确定时间，利用智能系统与人工基准作比较。

本次实验对运动转向的时间记录，对自由转向、“正确”强迫转向及“错误”强迫转向，分别进行实验。这三种情况下迷宫在开始处都有强迫转向，其中自由转向时入口处有一次强迫转向。其各自采用80只潮虫进行运动转向视频录制，每只潮虫仅参与一次录制（为了避免记忆等其他因素对运动转向产生的影响）。基于视频用人工手段采用秒表对运动转向进行记录，当潮虫进行运动转向时，潮虫质心位置超过转向线时开始记录，在当潮虫质心位置超出另一端转向线时结束记录。通过这种方法来获得潮虫的转向时间，将各自转向时间求平均如表4所示。

表4 人工记录运动转向时间

在表中，可以发现在三种情况下，“强迫”转向耗用时间要比自由转向长，这初步可以判断潮虫存在一些特定规律。

因利用摄像头拍摄并记录，获得的视频帧率为25frame／s，则每帧的时间间隔为0.04s。所以潮虫在转向时，可以设定转向区域，判断潮虫运动的质心点个数，即潮虫在此处区域的帧数，从而可根据帧数与时间间隔的乘积，获得潮虫在转向处的时间。对实验中图5进行实验测试，其结果如表5显示。

表5 运动转向时间统计

实验结果表明，利用该法可看出与人工记录的时间相比，基本准确。

3 讨论与结论

利用人工观察的传统方法对动物运动行为进行研究，存在耗时和不准确等缺陷，采用基于视频的方法对动物运动行为进行研究，与先前研究人员所用方法相比，基于视频研究动物的运动转向行为，并记录出转向所耗用的时间，存在如下优势：

（1）与人工记录传统方法相比，利用视频方法可以反复观看，因而数据记录比较准确。

（2）动物运动行为研究，常把小鼠作为研究对象，对动物运动行为识别并作分析，但很少对运动转向进行研究。对于运动转向研究，常把潮虫作为研究对象，可采用基于视频的方法来进行运动转向研究，自动获取运动转向。通过运动转向可以对动物进行健康评估，并对脑损伤和记忆力衰退的动物做康复评估，这是一种客观准确的技术。

（3）本实验还可记录转向的时间。在以往试验中都采用人工肉眼观察的方法，难以记录运动转向的准确时间，该实验记录了大量的运动转向时间，同时可部分实现自动分析运动转向时间。

［1］Patricia Ann Ramey，Elizabeth Teichman，Fuat Balci，et al.Spontaneous alternation in marine crabs：Invasive versus native species［J］.Behavioural Processes，2009，82（1）：51－55.

［2］Tolman，E.C.Purpose and cognition.the determiners of animal learning［J］.Psychological Review，1925，32：285－97.

［3］CHARLES L RICHMAN，WILLIAM N DEMBER，et al.Spontaneous Alternation Behavior in Animals：A Review［J］.Current Psychological Research＆Reviews，Winter 1986－87，5（4）：358－391.

［4］唐伯平，归鸿，吴钿.团子虫的交替运动转向的初步研究［J］.南京师大学报（自然科学报），1988（1）：83－88.

［5］R N HUGHES.Turn alternation in woodlice（Porcellio scaber）［J］.Animal Behavior，1967，15：282－286.

［6］ALANW HARVEY，NYRON K A.BOVELL.Spontaneous alternation behavior in Paramecium［J］.Learning＆Behavior，2006，34（4）：361－365.

［7］Robert N Hughes.The value of spontaneous alternation behavior（SAB）as a test of retention in pharmacological investigations ofmemory［J］.Neuroscience and Biobehavioral Reviews，2004，28：497－505.

［8］Thomas C.Henderson，Xinwei Xue.Video－based Animal Behavior Analysis From Multiple Cameras［C］.2006 IEEE International Conference on Multisensor Fusion and Integration for Intelligent System，September 3－6，2006.

［9］Burgos－Artizzu XP，Dollár P，Lin D，Anderson DJ，et al.Social behavior recognition in continuous videos［C］.In：IEEE Conf Comp Vis and Pattern Recognit（CVPR 2012），2012.

［10］Senior A，Tian H A Y，Brown L，Pankanti S，et al.Appearancemodels for occlusion handling［C］.In 2nd IEEE workshop on performance evaluation of tracking and surveillance PETS，2001.

［11］Robert T Collins，Alan J Lipton，Takeo Kanade，et al.A system for video surveillance and monitoring：VSAM final report［R］.The Robotics Institute，Carnegie Mellon University，Pittsburgh PA，2000.

［12］Yuqiang Fang，Bin Dai.An Improved Moving Target Detecting and Tracking Based On Optical Flow Technique and Kalman Filter［C］.Proceedings of 2009 4th International Conference on Computer Science＆Education，2009，1197－1202.

［13］Stauffer C，Grimson W.Adaptive background mixture models for real time tracking［J］.Computer Vision Pattern Recognition，1999：246－252.

［14］SSBlackman，R Popoli.Design and Analysis of Modern Tracking Systems［J］.Norwood，MA，USA：Artech House，1999.

［15］Dong Wang，Huchuan Lu，Ming－Hsuan Yang.Least Soft－thresold Squares Tracking［J］.2013 IEEE Conference on Computer Vision and Pattern Recognition，2013.

［16］王源，丁梅.鼠妇的采集和饲养［J］.中学生物学，2007，23（7）：27.

Automatic Detection Method of Video－Based Spontaneous Alternation Behavior

LIANG Cun1，2，WEIHai－ming1，ZHOU Xiao－qin1，2
（1.College of Internet of Things Engineering，Hohai University，Changzhou 213022，China；2.Changzhou Key Laboratory of Robotics and Intelligent Technology，Changzhou 213022，China）

The spontaneous alternation behavior is the opposite turning to the previous one when the animals successively turn right or left in a maze.Comparing with the traditional visual observation and manual records，the video－based motion analysis of the behavior provides a convenient and accurate research tool.However，these availablemethods are suited to rats，mice and insects.A woodlice is used as the experimental animal for study of spontaneous alteration behavior，which is less than themice but much larger than the fruit fly.This paper presents an automatic video analysis algorithm for woodlice spontaneous alteration.The algorithm uses a linear iterative tracking algorithm to obtain motion information.The test results show that alteration and its duration are accurate.This algorithm will be a feasible tool for spontaneous alteration research.

Spontaneous alternation behavior；Video；Linear iterative tracking algorithm；Woodlice

10.3969／j.issn.1002－2279.2014.06.011

TP391.4

：A

：1002－2279（2014）06－0033－05

梁存（1988－），男，安徽六安人，硕士研究生，主研方向：图像处理，机器视觉。

2014－07－23