基于視頻分析的魚(yú)類(lèi)運(yùn)動(dòng)目標(biāo)提取

張勝茂，趙 申，張 衡，楊東海

(1. 中國(guó)水產(chǎn)科學(xué)研究院東海水產(chǎn)研究所 農(nóng)業(yè)部東海與遠(yuǎn)洋漁業(yè)資源開(kāi)發(fā)利用重點(diǎn)實(shí)驗(yàn)室，上海 200090；2. 上海理工大學(xué) 光電信息與計(jì)算機(jī)工程學(xué)院，上海 200090)

基于視頻分析的魚(yú)類(lèi)運(yùn)動(dòng)目標(biāo)提取

張勝茂1，趙 申2，張 衡1，楊東海1

(1. 中國(guó)水產(chǎn)科學(xué)研究院東海水產(chǎn)研究所 農(nóng)業(yè)部東海與遠(yuǎn)洋漁業(yè)資源開(kāi)發(fā)利用重點(diǎn)實(shí)驗(yàn)室，上海 200090；2. 上海理工大學(xué) 光電信息與計(jì)算機(jī)工程學(xué)院，上海 200090)

中國(guó)是一個(gè)水產(chǎn)養(yǎng)殖大國(guó)，漁業(yè)養(yǎng)殖產(chǎn)業(yè)不但具有一個(gè)很大的基數(shù)而且增量也是相當(dāng)可觀。因此傳統(tǒng)依靠人工對(duì)漁業(yè)進(jìn)行病害防治的方法過(guò)于低效，也不能提供較高的可靠性；在圖像處理和計(jì)算機(jī)視覺(jué)技術(shù)快速發(fā)展的基礎(chǔ)上，選擇使用視頻監(jiān)控的手段，利用計(jì)算機(jī)對(duì)圖像進(jìn)行分析進(jìn)而得出對(duì)魚(yú)類(lèi)行為的判斷結(jié)果，滿(mǎn)足高效、穩(wěn)定等要求。本文提出了基于監(jiān)控視頻分析進(jìn)行魚(yú)類(lèi)運(yùn)動(dòng)捕捉的方法，首先對(duì)視頻圖像進(jìn)行灰度化處理，利用高斯模板對(duì)圖像進(jìn)行平滑處理，最后選擇對(duì)視頻幀使用高斯混合模型的方法進(jìn)行建模得到背景模型，進(jìn)而得到運(yùn)動(dòng)的前景目標(biāo)，提出了對(duì)前景輪廓進(jìn)行合理性分析提高檢測(cè)正確率的方法，并且通過(guò)實(shí)驗(yàn)驗(yàn)證得到了較好的效果。

計(jì)算機(jī)視覺(jué)； 視頻分析； 運(yùn)動(dòng)檢測(cè)； 高斯混合模型

在水產(chǎn)品養(yǎng)殖業(yè)中，通過(guò)魚(yú)類(lèi)運(yùn)動(dòng)的活躍程度分析可以判斷魚(yú)的健康狀況；通過(guò)對(duì)魚(yú)類(lèi)在水層中聚集位置的分析可以推測(cè)水質(zhì)狀況；當(dāng)魚(yú)類(lèi)感染寄生蟲(chóng)時(shí)也會(huì)表現(xiàn)出特定的行為動(dòng)作，因此對(duì)魚(yú)類(lèi)的各種行為進(jìn)行分析一直是研究人員關(guān)心的問(wèn)題。最開(kāi)始的魚(yú)類(lèi)行為研究是由人工觀察記錄數(shù)據(jù)，存在任務(wù)繁重、記錄不準(zhǔn)確、觀察不全面等諸多缺陷。隨著技術(shù)的發(fā)展，開(kāi)始出現(xiàn)了自動(dòng)記錄的方式，如對(duì)魚(yú)群的活動(dòng)檢測(cè)采用回聲探測(cè)技術(shù)[1]；對(duì)魚(yú)的生理行為分析采用聲音測(cè)量的方式[2]；隨著計(jì)算機(jī)視覺(jué)技術(shù)的發(fā)展和硬件計(jì)算能力的不斷提升，魚(yú)類(lèi)行為的研究開(kāi)始進(jìn)入了以視覺(jué)信息為基礎(chǔ)的自動(dòng)分析階段[3,4]。1996年，以金魚(yú)的行為作為研究對(duì)象，Kato等[5]開(kāi)發(fā)出了一個(gè)計(jì)算機(jī)圖形處理系統(tǒng)；2004年，Kato等[6]借助計(jì)算機(jī)和圖像處理技術(shù)，開(kāi)展了對(duì)斑馬魚(yú)行為的研究；2003年，Suzuki等[7]利用計(jì)算機(jī)視覺(jué)技術(shù)進(jìn)行了不同大小的魚(yú)類(lèi)群體行為的差異性研究；2009年，Wang等[8]對(duì)魚(yú)類(lèi)在擁擠環(huán)境中的活動(dòng)行為進(jìn)行了建模分析。在國(guó)內(nèi)，也有盧煥達(dá)等[9]利用計(jì)算機(jī)視覺(jué)技術(shù)，設(shè)計(jì)魚(yú)類(lèi)行為監(jiān)控系統(tǒng)完成對(duì)魚(yú)群的自動(dòng)監(jiān)控工作；近些年，由于人們對(duì)環(huán)境污染檢測(cè)意識(shí)的逐步提高，魚(yú)類(lèi)的運(yùn)動(dòng)狀態(tài)在一定程度上反應(yīng)了水質(zhì)的狀況，設(shè)計(jì)基于視覺(jué)的方法進(jìn)行魚(yú)類(lèi)運(yùn)動(dòng)分析來(lái)反映水環(huán)境質(zhì)量也成為了研究的熱點(diǎn)問(wèn)題[10]。

利用計(jì)算機(jī)視覺(jué)技術(shù)進(jìn)行魚(yú)類(lèi)行為的分析對(duì)魚(yú)的正?；顒?dòng)不產(chǎn)生影響，與聲波和光電的測(cè)量手段相比，不會(huì)使魚(yú)類(lèi)產(chǎn)生應(yīng)激反應(yīng)，不改變魚(yú)類(lèi)生活的環(huán)境，屬于一種非接觸測(cè)量方式，能夠真實(shí)地反映出魚(yú)類(lèi)在自然環(huán)境下的活動(dòng)狀態(tài)。一般的魚(yú)類(lèi)行為視頻監(jiān)控系統(tǒng)包含視頻圖像的獲取、圖像的預(yù)處理、魚(yú)類(lèi)運(yùn)動(dòng)捕捉、魚(yú)類(lèi)行為分析。其中獲取魚(yú)類(lèi)準(zhǔn)確位置，是后續(xù)運(yùn)動(dòng)狀態(tài)跟蹤、軌跡生成、行為分析的基礎(chǔ)，因此對(duì)運(yùn)動(dòng)檢測(cè)至關(guān)重要，其好壞在很大程度上影響了后續(xù)處理的質(zhì)量，本文首先對(duì)獲取的圖像進(jìn)行灰度化處理，利用高斯模板對(duì)圖像進(jìn)行平滑處理，在一定程度上濾除圖像獲取和傳輸過(guò)程中噪聲帶來(lái)的影響，利用高斯混合模型的方法對(duì)背景進(jìn)行建模獲得運(yùn)動(dòng)目標(biāo)，能夠抑制水面緩慢小幅度波動(dòng)及水底水草的搖擺帶來(lái)的影響，得到前景模板之后進(jìn)行形態(tài)學(xué)操作分割出完整的輪廓，最后本文引入對(duì)輪廓目標(biāo)的合理性分析提高目標(biāo)檢測(cè)的準(zhǔn)確率。

1 系統(tǒng)組成

本文所述方法由圖1所示的硬件實(shí)驗(yàn)平臺(tái)進(jìn)行驗(yàn)證，該實(shí)驗(yàn)裝置包括魚(yú)類(lèi)運(yùn)動(dòng)容器、前端攝像頭采集裝置、PC端圖像處理裝置。采集視頻分辨率為1 920×1 080像素，幀率為25幀/s。如果考慮魚(yú)類(lèi)運(yùn)動(dòng)的三維物理位置，可以增加攝像頭數(shù)目，利用多攝像頭進(jìn)行實(shí)時(shí)數(shù)據(jù)融合分析。該視覺(jué)系統(tǒng)相機(jī)數(shù)據(jù)傳輸通過(guò)USB接口實(shí)現(xiàn)，相機(jī)輸出圖像為RGB三通道彩色圖像。

圖1 魚(yú)類(lèi)行為檢測(cè)系統(tǒng)

軟件系統(tǒng)包含圖像獲取、圖像灰度化預(yù)處理和高斯平滑、背景建模得到運(yùn)動(dòng)的前景目標(biāo)、對(duì)獲取的前景形態(tài)學(xué)操作后得到輪廓、對(duì)輪廓進(jìn)行合理性分析得到所要檢測(cè)魚(yú)類(lèi)目標(biāo)。其處理流程如圖2所示。

圖2 系統(tǒng)軟件流程圖

2 魚(yú)類(lèi)運(yùn)動(dòng)檢測(cè)

魚(yú)類(lèi)在水中常表現(xiàn)為運(yùn)動(dòng)狀態(tài)，因此通過(guò)對(duì)運(yùn)動(dòng)檢測(cè)可以有效地得到魚(yú)體輪廓和狀態(tài)，為進(jìn)一步的行為分析提供了數(shù)據(jù)支撐。計(jì)算機(jī)視覺(jué)中常用的運(yùn)動(dòng)檢測(cè)方法有幀差法、光流法、背景建模法等。幀差法[11]是利用連續(xù)幀的像素值進(jìn)行差分，將新生成的圖像進(jìn)行閾值化處理得到運(yùn)動(dòng)目標(biāo)，幀差法對(duì)光線(xiàn)變化不敏感、更新較快，較為簡(jiǎn)單，但是對(duì)較大的目標(biāo)分割效果較差；光流是在1950年由Gison[12]提出的，光流法是依靠像素點(diǎn)建立的二維速度矢量場(chǎng)進(jìn)行運(yùn)動(dòng)分析，對(duì)背景是否為靜止?fàn)顟B(tài)沒(méi)有要求，常見(jiàn)的求解光流的方法有Horn-Schunck[13]方法和Lucas-Kanade[14]方法等，但都存在計(jì)算量大的缺點(diǎn)；背景建模法能夠有效地抑制背景中干擾像素，比較適合現(xiàn)實(shí)場(chǎng)景中使用。

2.1 圖像灰度化預(yù)處理和高斯平滑

一般情況下，對(duì)魚(yú)類(lèi)行為的觀察數(shù)據(jù)為彩色視頻圖像資料，彩色圖像的每一個(gè)像素都是由R、G、B三個(gè)分量決定的，每一個(gè)像素點(diǎn)的顏色變化范圍有1 600多萬(wàn)(255×255×255)種?；叶葓D像是R、G、B三個(gè)分量相等(R=G=B)的一種圖像，每一個(gè)像素點(diǎn)的值(灰度值)的變化范圍是255種?；叶葓D像中涵蓋大量的信息而且數(shù)據(jù)量較小，為了加快處理速度，通常需要將圖像進(jìn)行灰度化處理，在系統(tǒng)中采用如式1所示的方法進(jìn)行灰度化處理。

Gray=0.72169×B+0.715160×G+0.212671×R

(1)

在圖像的獲取過(guò)程中，攝像頭采集硬件和圖像數(shù)據(jù)傳輸過(guò)程往往引入噪聲，為了改善質(zhì)量，需要對(duì)圖像進(jìn)行平滑處理，常見(jiàn)的平滑方法有均值濾波、中值濾波、高斯濾波、頻域?yàn)V波，在本系統(tǒng)中用二維高斯函數(shù)(式2)對(duì)圖像進(jìn)行了高斯平滑。

(2)

式中，x和y分別為圖像中像素的行與列的二維坐標(biāo)，σ是標(biāo)準(zhǔn)差。

二維高斯函數(shù)具有旋轉(zhuǎn)不變性，濾波器對(duì)圖像平滑過(guò)程中沒(méi)有方向性；高斯函數(shù)是單值函數(shù)，對(duì)模板中心很遠(yuǎn)的像素點(diǎn)的影響較弱，不會(huì)造成圖像失真的現(xiàn)象；高斯濾波器的平滑程度可以由參數(shù)σ決定。在對(duì)圖像進(jìn)行濾波處理時(shí)往往采用模板的方式在圖像上進(jìn)行卷積操作，系統(tǒng)采用如圖3所示的模板進(jìn)行平滑操作。

圖3 高斯平滑模板

2.2 運(yùn)動(dòng)目標(biāo)檢測(cè)

在運(yùn)動(dòng)目標(biāo)的提取過(guò)程中一般的噪聲干擾為水面和水中藻類(lèi)的波動(dòng)，而這些變化的分布常?？梢允褂酶咚购瘮?shù)進(jìn)行描述，所以采用高斯混合模型對(duì)背景進(jìn)行建模能夠有效的濾除噪聲提取運(yùn)動(dòng)的前景目標(biāo)[15]。高斯分布是一種重要的概率分布，又稱(chēng)為正態(tài)分布，生活中的隨機(jī)變量都符合高斯分布的特征，其在很多領(lǐng)域都有著重要的作用。高斯概率密度函數(shù)數(shù)學(xué)表達(dá)式為式3。

(3)

式中，x為隨機(jī)變量，μ是高斯分布期望，σ為高斯分布的方差，自然情況下的隨機(jī)變量，很大一部分都分布在3σ范圍以?xún)?nèi)。關(guān)于高斯混合模型對(duì)背景建模，Porikli等[16]取得了較好的結(jié)果。對(duì)采用RGB色彩模型的圖像，對(duì)圖像中的每個(gè)像素的三個(gè)通道分別進(jìn)行建模；對(duì)灰度圖像每個(gè)坐標(biāo)位置的灰度值進(jìn)行建模，系統(tǒng)中為了增加系統(tǒng)的穩(wěn)定性，這里選擇2.5σ作為一個(gè)閾值。

在使用單個(gè)高斯模型對(duì)背景建模時(shí)，無(wú)法排除水面較為嚴(yán)重的波動(dòng)和水中水草和其它物體的晃動(dòng)。因此采用混合高斯模型，采用多個(gè)高斯模型對(duì)背景進(jìn)行建模。如果采用K個(gè)高斯模型對(duì)像素X進(jìn)行建模，那么其在t時(shí)刻的概率應(yīng)為式4。

(4)

式中，wk(t)為權(quán)重值，表示第k個(gè)高斯模型的權(quán)重，且滿(mǎn)足權(quán)重累計(jì)和為1；μk(t)為分布期望。

定義一個(gè)閾值δw來(lái)判斷模型的穩(wěn)定程度，穩(wěn)定模型滿(mǎn)足式5。

(5)

此時(shí)的權(quán)值應(yīng)該由大到小排列，滿(mǎn)足上述條件，即認(rèn)為第k以上的模型是穩(wěn)定的，其占了總比重的δw以上的比例。利用下式6來(lái)區(qū)別前景信息和背景信息，滿(mǎn)足條件的判定為背景信息，否則認(rèn)為是前景。

|X(t)-μk(t)|<2.5σk(t)

(6)

在區(qū)分出前景背景信息時(shí)，需要對(duì)模型進(jìn)行更新處理，按照以下規(guī)則(式7、8、9)進(jìn)行：其中α值越大，背景的更新速度越快，同樣β也決定著更新的速率。更新的過(guò)程讓與背景匹配度較高的模型權(quán)重不斷增加，減小匹配度較低的模型的權(quán)重。

wi,t+1=(1-α)wi,t+α

(7)

μk,t+1=(1=β)μk,t+βXt

(8)

(9)

當(dāng)遇到?jīng)]有模型可以進(jìn)行此時(shí)的匹配時(shí)，這里引入新的模型，應(yīng)設(shè)置其權(quán)值較少，方差較大，當(dāng)前圖像幀的像素?cái)?shù)值作為均值。當(dāng)模型不滿(mǎn)足穩(wěn)定模型的條件時(shí)，將這些模型舍棄處理。

2.3 形態(tài)學(xué)操作

對(duì)于高斯混合模型建模得到背景后分割出的前景圖像中的目標(biāo)往往含有大量的空洞，對(duì)于應(yīng)屬于背景的區(qū)域也往往含有許多孤立的噪聲點(diǎn)，為了改善這種狀況，一個(gè)比較簡(jiǎn)單的方法是對(duì)得到的圖像進(jìn)行形態(tài)學(xué)操作。

基本形態(tài)學(xué)操作包括膨脹和腐蝕。膨脹是將一些圖像(或圖形的部分區(qū)域)A與核B進(jìn)行卷積。其中用來(lái)進(jìn)行卷積的核的形狀和尺寸可以是任意形式和大小，但在多數(shù)情況下選擇使用中間帶參考點(diǎn)的實(shí)心正方形或圓盤(pán)。進(jìn)行卷積的過(guò)程，可以看成是利用以卷積核為模板在圖像中求局部最大值的操作過(guò)程。而腐蝕操作可以看作是膨脹的反操作，它是一種求解局部最小值的過(guò)程。膨脹操作示意如圖4a所示，腐蝕操作示意如圖4b所示。

圖4 形態(tài)學(xué)圖像操作

在本文中先對(duì)圖像進(jìn)行一次腐蝕操作，然后再進(jìn)行多次膨脹操作，用得到的結(jié)果圖像和前景圖像進(jìn)行“與”操作，就實(shí)現(xiàn)孤立點(diǎn)的刪除。

2.4 輪廓分析

在得到分割好的前景運(yùn)動(dòng)目標(biāo)后，根據(jù)目標(biāo)的輪廓就能得到外接矩形相關(guān)信息。在獲得魚(yú)類(lèi)大小和形狀等先驗(yàn)知識(shí)的情況下就可以對(duì)得到的輪廓和外接矩形進(jìn)行合理性分析，濾除與所要觀察的目標(biāo)相關(guān)性較小的序列進(jìn)一步提高系統(tǒng)的準(zhǔn)確性，通過(guò)實(shí)驗(yàn)驗(yàn)證了此方法能夠有效保證目標(biāo)檢測(cè)的正確率。

在本文中主要考慮了目標(biāo)的長(zhǎng)寬比b、輪廓面積a兩個(gè)因素進(jìn)行相關(guān)性比較，在獲取相機(jī)與觀察目標(biāo)的距離和目標(biāo)大小的情況下，能夠確定出兩個(gè)參數(shù)需滿(mǎn)足式10，其中bmin、amin分別是相關(guān)參數(shù)的設(shè)定最小值， bmax、amax分別是相關(guān)參數(shù)的設(shè)定最大值。

bmin

(10)

3 結(jié)果與討論

利用上文中的硬件構(gòu)建實(shí)驗(yàn)平臺(tái)進(jìn)行測(cè)試。將攝像頭架設(shè)在魚(yú)缸的合適位置，以能夠獲得較好的視野且引入最小的干擾為目標(biāo)，通過(guò)USB接口從攝像頭讀取的連續(xù)兩幀彩色圖像如圖5所示。

圖5 攝像頭獲取的彩色圖像(A為前一幀，B為后一幀)

對(duì)于彩色圖像直接使用幀差法進(jìn)行運(yùn)動(dòng)檢測(cè)有圖6所示的結(jié)果，可以看出雖然能夠得到魚(yú)所在位置的大致信息，但對(duì)噪聲的魯棒性不強(qiáng)，對(duì)噪聲的抑制能力較弱，不能得到較為完整的邊緣。對(duì)上述圖像進(jìn)行灰度化后使用幀差法得到如圖6所示的結(jié)果。

圖6 圖像灰度化進(jìn)行幀差(A,B為連續(xù)幀，C為結(jié)果圖)

對(duì)幀差后的圖像進(jìn)行彩色化處理后得到如圖7a所示的結(jié)果，可以看出存在大量噪聲；對(duì)于含有噪聲的圖像進(jìn)行二值化處理得到了如圖7b所示的結(jié)果。

圖7 噪聲去除

使用文中的高斯混合模型的方法對(duì)背景進(jìn)行建模獲取運(yùn)動(dòng)目標(biāo)，并對(duì)圖像進(jìn)行形態(tài)學(xué)操作得到了如圖8所示的結(jié)果，通過(guò)與幀差法的結(jié)果進(jìn)行對(duì)比可以看出，通過(guò)本模型得到的結(jié)果對(duì)噪聲的干擾有較好的抑制作用，對(duì)表現(xiàn)較為嚴(yán)重的水面波動(dòng)在實(shí)驗(yàn)結(jié)果基本得到濾除，也能夠得到魚(yú)類(lèi)的大致輪廓信息，但存在邊緣不連續(xù)的缺點(diǎn)。

圖8 高斯混合模型分割結(jié)果

為了驗(yàn)證本文中所引入的輪廓合理性分析的有效性，對(duì)含有大量噪聲的如圖9a所示的圖像進(jìn)行處理，獲取魚(yú)體輪廓，然后得到輪廓的外接矩形，如圖9b所示的結(jié)果，此方法可以達(dá)到較好的預(yù)期效果，能夠有效地提取目標(biāo)。

4 結(jié)論

通過(guò)以上實(shí)驗(yàn)結(jié)果可以看出，通過(guò)簡(jiǎn)單的方法能夠有效地得到運(yùn)動(dòng)目標(biāo)的主要信息，但是存在著大量的噪點(diǎn)，不能得到目標(biāo)的完整形狀、外觀。使用高斯混合模型對(duì)背景進(jìn)行建模的方法，雖然抑制了大量噪聲的干擾，但是計(jì)算復(fù)雜度較大，邊緣存在缺失的部分。通過(guò)大量實(shí)驗(yàn)發(fā)現(xiàn)，分割出目標(biāo)的主體部分較容易，但對(duì)魚(yú)尾等顏色較淺的透明組織存在一定難度，考慮在以后的分割過(guò)程中引入模板的方法，對(duì)目標(biāo)的各部分進(jìn)行精確分割，引入跟蹤的方法，將跟蹤的結(jié)果反饋到分割過(guò)程。

圖9 目標(biāo)提取

[1] ABAID N, PORFIRI M. Collective behavior of fish in one-dimensional annular domains [C]. American Control Conference, Marriott Waterfront, Baltimore, MD, USA, 2010, 63-68.

[2] CONTI S G, ROUX P, FAUVEL C,etal. Acoustical monitoring of fish density, behavior, and growth rate in a tank [J]. Aquaculture, 2007, 251(2-4):314-323.

[3] CHA B J, BAE B S, CHO S K,etal. A simple method to quantify fish behavior by forming time-lapse image [J]. Aquacultural Engineering, 2012(51):15-20.

[4] STIEN L H, BRATLAND S, AUSTEVOLL I,etal. A video analysis procedure for assessing vertical fish distribution in aquaculture tanks[J]. Aquacultural engineering, 2007, 37(2): 115-124.

[5] KATO S, TAMADA K, SHIMADA Y,etal. A quantification of goldfish behavior by an image processing system [J]. Behavioural brain research, 1996, 80(1): 51-55.

[6] KATO S, NAKAGAWA T, OHKAWA M,etal. A computer image processing system for quantification of zebrafish behavior [J]. Journal of neuroscience methods, 2004, 134(1): 1-7.

[7] SUZUKI K, TAKAGI T, HIRAISHI T. Video analysis of fish schooling behavior in finite space using a mathematical mode[J]. Fisheries Research, 2003, 60(1): 3-10.

[8] WANG X, MA X, GRIMSON W E. Unsupervised activity perception in crowded and complicated scenes using hierarchical Bayesian models[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2009, 31(3): 539-555.

[9] 盧煥達(dá)，劉鷹，余心杰等. 基于計(jì)算機(jī)視覺(jué)技術(shù)的運(yùn)動(dòng)與檢測(cè)算法[J]. 農(nóng)業(yè)工程學(xué)報(bào),2011,38(1)：19-23.

[10] MA H, TSAI T F, LIU C C. Real-time monitoring of water quality using temporal trajectory of live fish[J]. Expert Systems with Applications, 2010, 37(7): 5158-5171.

[11] PARAGIOS N, DERICHE R. Geodesic active contours and level sets for the detection and tracking of moving objects[J]. IEEE Transactions on pattern analysis and machine intelligence, 2000, 22(3): 266-280.

[12] GIBSON J J. The perception of the visual world [M]. Westport: Greenwood Press, 1950.

[13] HORN B K P, SCHUNCK B G. Determining optical flow [J]. Artificial Intelligence, 1981, 17(1):185-203.

[14] LUCAS B D, KANADE T. An iterative image registration technique with an application to stereo vision[C]. Proceedings of Imaging Understanding Workshop. Vancouver, British Columbia, 1981, 81(1): 674-679.

[15] STAUFFER C, GRIMSON W E L. Adaptive background mixture models for real-time tracking[C]. Computer Vision and Pattern Recognition, 1999. IEEE Computer Society Conference on. IEEE, 1999, 2.

[16] PPRIKLI F, TUZEL O. Human body tracking by adaptive background models and mean-shift analysis[C]. IEEE International Workshop on Performance Evaluation of Tracking and Surveillance. 2003: 1-9.

Study on fish moving object extraction based on video analysis

ZHANG Sheng-mao1, ZHAO Shen2, ZHANG Heng1, YANG Dong-hai1

(1.KeyLaboratoryofEastChinaSea&OceanicFisheryResourcesExploitationandUtilizationofMinistryofAgriculture,EastChinaSeaFisheriesResearchInstitute，ChineseAcademyofFisherySciences,Shanghai200090,China; 2.SchoolofOpticalandComputerEngineering,UniversityofShanghaiforScienceandTechnology200090,China)

China is a superpower aquaculture country. The aquaculture industry not only has a considerable large base but also shows a very high speed increase. The traditional ways in fisheries disease prevention are very inefficient and perform a low reliability. With the rapid development of image processing and computer vision technology, the method of video monitoring is chosen to analyze the image by computer, and then to judge the results of fish behaviors. Firstly, the color image is converted into gray image. Then, Gaussian template is used to smooth the images. Finally, Gaussian Mixture Model (GMM) is used to obtain the background model. It is used to get the images of moving fish. It also provides the way of getting more stable result by analyzing the outline of targets. The methods herein have been verified by experiments. Application of video analysis techniques will increase the aquatic production level of automation and fine processing capacity.

computer vision; video analysis; motion detection; Gaussian Mixture Model

2016-10-29

2016-12-31

中央級(jí)公益性科研院所基本科研業(yè)務(wù)費(fèi)專(zhuān)項(xiàng)資金項(xiàng)目(東海水產(chǎn)研究所2016T01)；上海市自然科學(xué)基金項(xiàng)目(15ZR1450000)

張勝茂(1976-)，男，副研究員、博士。研究方向：漁業(yè)遙感，地理信息系統(tǒng)，圖像處理。 E-mail：ryshengmao@126.com。

2095-3666(2017)01-0044-07

10.13233/j.cnki.fishis.2017.01.008

TP 751.1

A