基于嵌入式圖像處理系統(tǒng)的魚(yú)類軌跡跟蹤

劉星橋， 張 弛

(江蘇大學(xué)電氣信息工程學(xué)院/機(jī)械工業(yè)設(shè)施農(nóng)業(yè)測(cè)控技術(shù)與裝備重點(diǎn)實(shí)驗(yàn)室，江蘇鎮(zhèn)江 212013)

隨著信息化、集約化水產(chǎn)養(yǎng)殖的發(fā)展，養(yǎng)殖規(guī)模日益擴(kuò)大，高效準(zhǔn)確的水質(zhì)變化、養(yǎng)殖密度等信息可以為魚(yú)類的優(yōu)質(zhì)高產(chǎn)提供有效保證。應(yīng)激反應(yīng)是魚(yú)類受到氨氮、溶解氧等應(yīng)激源影響所表現(xiàn)出的機(jī)能障礙和防御反應(yīng)。魚(yú)類的行為變化則是監(jiān)測(cè)應(yīng)激反應(yīng)的靈敏指標(biāo)[1]。適當(dāng)?shù)膽?yīng)激可使魚(yú)類逐步適應(yīng)環(huán)境，增強(qiáng)免疫機(jī)能，從而提高生產(chǎn)性能，然而過(guò)度地應(yīng)激不僅影響魚(yú)類的生產(chǎn)性能，而且會(huì)誘發(fā)多種疾病，甚至造成魚(yú)類死亡[2]?，F(xiàn)代集約化養(yǎng)殖方式極大地限制了魚(yú)類的行為反應(yīng)，常導(dǎo)致其行為異常，引起生理系統(tǒng)的應(yīng)激反應(yīng)[3]。在這種環(huán)境下，養(yǎng)殖密度大，養(yǎng)殖水體水質(zhì)變化很快，當(dāng)魚(yú)類處于缺氧、水質(zhì)惡化等應(yīng)激條件下在較短的時(shí)間內(nèi)就會(huì)產(chǎn)生嚴(yán)重的后果[4]。隨著計(jì)算機(jī)圖像處理技術(shù)在水產(chǎn)養(yǎng)殖領(lǐng)域的作用不斷加強(qiáng)，國(guó)內(nèi)外學(xué)者已經(jīng)取得了可觀的研究成果。在國(guó)外，Ma等利用計(jì)算機(jī)視覺(jué)系統(tǒng)對(duì)魚(yú)在不同運(yùn)動(dòng)模式下的運(yùn)動(dòng)軌跡進(jìn)行分析從而實(shí)現(xiàn)對(duì)水質(zhì)監(jiān)測(cè)[5]。在國(guó)內(nèi)，盧煥達(dá)等利用攝像設(shè)備對(duì)魚(yú)的行為進(jìn)行監(jiān)控發(fā)現(xiàn)，魚(yú)類由于應(yīng)激或疾病等引起體色和游動(dòng)速度的變化[6]。目前，在水產(chǎn)養(yǎng)殖中魚(yú)類的行為信息基本上是通過(guò)人直接觀察得到，耗費(fèi)人力、時(shí)間，難以及時(shí)發(fā)現(xiàn)養(yǎng)殖系統(tǒng)中出現(xiàn)的問(wèn)題[7]。利用圖像處理技術(shù)對(duì)魚(yú)類進(jìn)行監(jiān)測(cè)能夠提升魚(yú)類養(yǎng)殖過(guò)程中的科技含量，對(duì)提高管理效率和增加養(yǎng)殖產(chǎn)量具有非常重要的意義[8]。利用嵌入式系統(tǒng)實(shí)時(shí)處理魚(yú)類圖像并分析魚(yú)類軌跡，為養(yǎng)殖管理提供有價(jià)值的信息，從而提高生產(chǎn)效率。

1 嵌入式圖像處理平臺(tái)構(gòu)建

1.1 圖像處理軌跡跟蹤試驗(yàn)平臺(tái)

試驗(yàn)平臺(tái)包括嵌入式開(kāi)發(fā)板、攝像頭、玻璃水槽、支架以及背光燈(圖1)。玻璃水槽長(zhǎng)為80 cm，寬為38 cm，高為 48 cm，水深為40 cm；嵌入式開(kāi)發(fā)板選用型號(hào)Tiny4412；配置2個(gè)攝像頭，分別放置在水槽上方距水面26 cm處和水槽前方距前玻璃30 cm處。為保證拍攝到的背景清晰均勻，玻璃水槽的后玻璃和槽底用白色聚氯乙烯(polyvinyl chloride，簡(jiǎn)稱PVC)墻紙覆蓋。

1.2 開(kāi)發(fā)環(huán)境搭建

開(kāi)發(fā)在嵌入式Linux系統(tǒng)上運(yùn)行的人機(jī)界面，為嵌入式平臺(tái)下的復(fù)雜圖像處理算法的設(shè)計(jì)和實(shí)現(xiàn)作基礎(chǔ)。在PC端流行的Ubuntu操作系統(tǒng)中交叉編譯OpenCV(開(kāi)源計(jì)算機(jī)視覺(jué)庫(kù))和Qt(跨平臺(tái)C++圖形用戶界面庫(kù))移植到嵌入式Linux系統(tǒng)。嵌入式硬件結(jié)構(gòu)如圖2所示。使用Qt設(shè)計(jì)圖像處理系統(tǒng)的人機(jī)交互界面；OpenCV庫(kù)作為提供圖像處理函數(shù)的靜態(tài)庫(kù)添加到Qt的工程文件中作算法函數(shù)支持。

2 魚(yú)類軌跡跟蹤方法設(shè)計(jì)

本設(shè)計(jì)采用的基本流程由圖像采集、圖像預(yù)處理、目標(biāo)分割、目標(biāo)標(biāo)記、目標(biāo)跟蹤以及輸出軌跡6個(gè)部分組成(圖3)。

2.1 圖像預(yù)處理

處理彩色圖像會(huì)造成不必要的系統(tǒng)開(kāi)銷，所以要對(duì)采集到的圖像進(jìn)行灰度化處理?；叶然幚硎菍GB(red，green，blue)格式的彩色圖像轉(zhuǎn)換為灰度圖像，轉(zhuǎn)換公式如公式(1)所示：

Gray=0.229×R+0.587×G+0.114×B。

(1)

式中：Gray表示灰度值；R、G、B分別表示圖像的紅、綠、藍(lán)3分量。

2.2 目標(biāo)分割

目標(biāo)分割就是把魚(yú)類目標(biāo)從采集到的圖像中分割出來(lái)，實(shí)現(xiàn)前景目標(biāo)的提取。

2.2.1 背景差分 背景差分法是將當(dāng)前包含魚(yú)類目標(biāo)的圖像與背景圖片作差，得到的差值圖像即前景圖像。通過(guò)對(duì)前景圖像的二值化，就可以提取出魚(yú)類目標(biāo)區(qū)域。差分公式如公式(2)所示：

Ik(x,y)=|Fk(x,y)-Bk(x,y)|。

(2)

式中：Ik(x,y)為作差獲得的差分圖像；Fk(x,y)、Bk(x,y)分別為k時(shí)刻視頻幀圖像和背景圖像。

2.2.2 閾值分割 對(duì)差分圖像進(jìn)行最大類間方差法(OTSU)閾值分割得到二值圖像。OTSU是通過(guò)整幅圖像的灰度特性來(lái)選取合適的閾值。用假設(shè)的一個(gè)灰度值T將圖像的所有像素灰度值分成2組，當(dāng)這2組的類間方差最大時(shí)，所分出來(lái)的前景組和背景組的灰度差最大，此灰度值T被采用為閾值[9]。效果如圖4所示。

2.2.3 形態(tài)學(xué)處理 此時(shí)二值圖像往往是帶有噪聲的，比如剩余飼料、魚(yú)類糞便等，須要使用形態(tài)學(xué)處理去除噪聲點(diǎn)。采用開(kāi)操作，即先對(duì)二值圖像腐蝕處理，然后用膨脹處理恢復(fù)。腐蝕操作可以去除小噪聲點(diǎn)，使目標(biāo)邊界向內(nèi)部收縮。膨脹操作可以擴(kuò)大噪聲點(diǎn)，使目標(biāo)邊界向外擴(kuò)張。形態(tài)學(xué)處理的效果如圖5所示。

2.3 目標(biāo)標(biāo)記

采用Two-pass連通域標(biāo)記的方法標(biāo)記魚(yú)類目標(biāo)。連通域標(biāo)記是指在二值圖像中把所有的連通域都賦予1個(gè)編號(hào)并作記錄。Two-pass法指2遍掃描法，其中心思想為：第1遍掃描時(shí)先賦予每1個(gè)值為1的像素位置1個(gè)編號(hào)，在掃描過(guò)程中即使是同1個(gè)連通域的像素集合也可能會(huì)被賦予多個(gè)不同的編號(hào)，所以將屬于同1個(gè)連通域但又不同的編號(hào)合并成1個(gè)編號(hào)，建立相等關(guān)系；第2遍掃描就是根據(jù)相等關(guān)系將所標(biāo)記的像素歸為1個(gè)連通域，賦予1個(gè)相同的編號(hào)，大多數(shù)情況下此編號(hào)取相等關(guān)系集合中的最小編號(hào)值。所有連通域的編號(hào)都存儲(chǔ)在一個(gè)編號(hào)序列中。

目標(biāo)標(biāo)記時(shí)按由下至上、由右至左的順序賦予目標(biāo)編號(hào)。連通域標(biāo)記效果如圖6所示。

2.4 目標(biāo)跟蹤

直接從圖像序列中獲取目標(biāo)的相關(guān)信息，根據(jù)圖像特征構(gòu)造目標(biāo)的外觀模型，跟蹤器根據(jù)目標(biāo)模型確定目標(biāo)在圖像中的位置對(duì)目標(biāo)進(jìn)行跟蹤[10]。采用先提取目標(biāo)邊緣計(jì)算目標(biāo)邊緣點(diǎn)的形心，然后匹配目標(biāo)特征實(shí)現(xiàn)對(duì)魚(yú)類目標(biāo)的跟蹤。

2.4.1 邊緣檢測(cè) Canny邊緣檢測(cè)算法包括高斯濾波器平滑圖像、計(jì)算梯度幅值和角度圖像、梯度幅值圖像非最大抑制、雙閾值處理和連接邊緣4個(gè)步驟。計(jì)算梯度的幅值和方向采用Sobel算子，雙閾值處理時(shí)高低閾值比率為3 ∶1。邊緣檢測(cè)效果如圖7-a所示。

2.4.2 形心提取 將形心作為魚(yú)類目標(biāo)的跟蹤點(diǎn)。邊緣檢測(cè)后，在連通域最外圍矩形區(qū)域的基礎(chǔ)上，把每個(gè)矩形區(qū)域的長(zhǎng)寬各擴(kuò)展4像素，將矩形區(qū)域設(shè)置為感興趣區(qū)域(region of interest，簡(jiǎn)稱ROI)。在每個(gè)ROI內(nèi)都只包含1個(gè)魚(yú)類目標(biāo)的完整邊緣，根據(jù)這些ROI中的邊緣數(shù)據(jù)提取魚(yú)類目標(biāo)的形心。

在按照目標(biāo)編號(hào)設(shè)置ROI之后，提取形心的操作都將在每個(gè)ROI中獨(dú)立進(jìn)行。假設(shè)邊緣圖像為g(x,y)，原點(diǎn)不變矩的計(jì)算公式為：

(3)

式中：i，j為計(jì)數(shù)變量；g為灰度值。

0階矩m00是邊緣圖像ROI的灰度值和，由公式(4)來(lái)計(jì)算ROI中邊緣圖像的形心(xc,yc)：

(4)

式中：m10表示x方向的一階矩；m01表示y方向的一階矩。

形心作為目標(biāo)的跟蹤點(diǎn)，用小點(diǎn)標(biāo)記。形心提取效果如圖7-b所示。

2.4.3 目標(biāo)特征匹配 建立以橢圓模型近似魚(yú)類目標(biāo)的運(yùn)動(dòng)模型如圖8所示。其中，(xc,yc)表示目標(biāo)的形心；a為半長(zhǎng)軸長(zhǎng)；θ為橢圓的傾斜角度；vx、vy分別為2幀間速度V在x、y軸上的分量。

以10幀/s的速度進(jìn)行采樣，同一魚(yú)類目標(biāo)的形心在相鄰2幀之間距離不遠(yuǎn)，以檢測(cè)到的目標(biāo)為基礎(chǔ)，對(duì)當(dāng)前幀檢測(cè)到的團(tuán)塊與前1幀中的目標(biāo)計(jì)算最近鄰，作初步匹配。

當(dāng)目標(biāo)個(gè)體與周圍目標(biāo)距離的最小值大于設(shè)定的閾值Td時(shí)，說(shuō)明下1幀該目標(biāo)不會(huì)與其他目標(biāo)重疊、遮擋，用全局最近鄰法就能夠?qū)δ繕?biāo)進(jìn)行跟蹤。若第i幀目標(biāo)檢測(cè)中得到mi個(gè)團(tuán)塊，第i-1幀有mi-1個(gè)目標(biāo)，形心距離公式如公式(5)所示。其中，α對(duì)第i幀mi個(gè)團(tuán)塊進(jìn)行遍歷，β對(duì)第i-1幀mi-1個(gè)目標(biāo)進(jìn)行遍歷。

(5)

對(duì)于目標(biāo)重疊、遮擋的情況，為保持魯棒性配合目標(biāo)的橢圓模型的角度、運(yùn)動(dòng)方向特征來(lái)處理。根據(jù)魚(yú)類個(gè)體運(yùn)動(dòng)的特點(diǎn)，在短時(shí)間內(nèi)的游動(dòng)方向、游動(dòng)姿態(tài)不會(huì)有很大的變化，所以可以選用橢圓運(yùn)動(dòng)模型的角度、速度方向的余弦值作特征值。

(1)橢圓的角度：

(6)

式中：α對(duì)第i幀mi個(gè)團(tuán)塊進(jìn)行遍歷，β對(duì)第i-1幀mi-1個(gè)目標(biāo)進(jìn)行遍歷。計(jì)算前后2幀中，第i幀中的某個(gè)團(tuán)塊與第i-1 幀中目標(biāo)的橢圓角度差異性，Pθ(α,β)值越小，表示此團(tuán)塊和前1幀中目標(biāo)的相似度越高。

(2)運(yùn)動(dòng)方向：

(7)

式中：S表示位移；Δt表示時(shí)間差；V由vx、vy等2個(gè)分量組成，α對(duì)第i幀mi個(gè)團(tuán)塊進(jìn)行遍歷，β對(duì)第i-1幀mi-1個(gè)目標(biāo)進(jìn)行遍歷。2個(gè)速度方向夾角范圍為[0，180]，cos范圍為[-1，1]，Pv(α,β)范圍為[0，2]，值越小表示速度方向的夾角越小，相似度越高。dp(α,β)值表示目標(biāo)距離的遠(yuǎn)近，Pθ(α,β)、Pv(α,β)值分別表示形態(tài)、運(yùn)動(dòng)方向的相似度，由此來(lái)進(jìn)行目標(biāo)特征匹配。對(duì)于發(fā)生重疊、遮擋的團(tuán)塊，一般可以假設(shè)目標(biāo)在進(jìn)行直線運(yùn)動(dòng)，可以將目標(biāo)融合前的目標(biāo)和目標(biāo)分裂后的團(tuán)塊進(jìn)行橢圓角度、運(yùn)動(dòng)方向的特征確定其相似度，然后進(jìn)行特征匹配，連接匹配目標(biāo)的形心，實(shí)現(xiàn)目標(biāo)的跟蹤。

3 軟件設(shè)計(jì)與試驗(yàn)參數(shù)分析

3.1 軟件設(shè)計(jì)與實(shí)現(xiàn)效果

使用Qt GUI類庫(kù)編寫(xiě)的人機(jī)交互界面(圖9)，按“開(kāi)始”鍵攝像頭開(kāi)始采集；按“停止”鍵停止采集；按“拍背景”鍵更新背景圖像；按“退出”鍵退出程序。顯示圖像區(qū)域的左上角為當(dāng)前圖像的幀數(shù)以及處理當(dāng)前幀所消耗的時(shí)間，此幀圖像為第156幀，該幀處理耗時(shí)89.15 ms。

軟件設(shè)計(jì)以幀為單位對(duì)輸入的圖像進(jìn)行上述處理。軟件設(shè)計(jì)采集到的圖像分辨率為640像素×480像素，幀數(shù)設(shè)置為10幀/s，平均處理每幀圖像的時(shí)間為90 ms左右，能保持較好的實(shí)時(shí)性。

當(dāng)魚(yú)類目標(biāo)處于非應(yīng)激狀態(tài)時(shí)，魚(yú)類目標(biāo)相對(duì)靜止，誤差能夠保持在2個(gè)像素以內(nèi)，對(duì)目標(biāo)跟蹤點(diǎn)的檢測(cè)能達(dá)到較高的精度。

將作為目標(biāo)跟蹤點(diǎn)的形心按時(shí)間順序連接起來(lái)后就形成魚(yú)類目標(biāo)的運(yùn)動(dòng)軌跡。軌跡數(shù)據(jù)會(huì)以幀為單位儲(chǔ)存在本地的SQLite數(shù)據(jù)庫(kù)中，用戶需要后續(xù)的分析評(píng)估時(shí)可提取使用軌跡數(shù)據(jù)。

3.2 魚(yú)類運(yùn)動(dòng)軌跡參數(shù)分析

采用多個(gè)方向拍攝圖像的方式，能更加全面地分析魚(yú)類的行為。通過(guò)對(duì)軌跡數(shù)據(jù)的分析可建立模型，計(jì)算出魚(yú)類目標(biāo)的運(yùn)動(dòng)速度和位移量。采集圖像的方向?yàn)檎戏胶蛡?cè)面，分別由圖1中的攝像頭1和攝像頭2拍攝。

2臺(tái)攝像機(jī)分開(kāi)時(shí)間拍攝，每臺(tái)拍攝時(shí)間為25 s，每臺(tái)采集到的圖像共為250幀。從上方拍攝的第156幀，圖像處理耗時(shí)89.15 ms(圖10-a)；從側(cè)面拍攝的第172幀，圖像處理耗時(shí)89.07 ms(圖10-b)。

根據(jù)存儲(chǔ)在本地SQLite數(shù)據(jù)庫(kù)中的軌跡數(shù)據(jù)重新繪制軌跡(圖11)。

采集到的圖像分辨率為640像素×480像素，幀數(shù)設(shè)為10幀/s，玻璃水槽的長(zhǎng)為80 cm、寬為38 cm、高為48 cm。除去玻璃水槽的玻璃厚度2 cm，從正上方拍攝到的投影面積為48 cm×36 cm。從側(cè)面拍攝到的投影面積設(shè)置為48 cm×36 cm。

使用形心作為跟蹤點(diǎn)，設(shè)在第i-1幀和第i幀的時(shí)間分別為ti-1、ti時(shí)刻，形心的位置分別為(xi-1,yi-1)、(xi,yi)，則魚(yú)的位移量(di)、總位移(D)、運(yùn)動(dòng)速度Vi可由公式(8)、(9)、(10)計(jì)算得到。

(8)

(9)

(10)

根據(jù)保存的軌跡數(shù)據(jù)，每幀之間的時(shí)間差為100 ms，經(jīng)過(guò)換算得到魚(yú)類目標(biāo)位移曲線(圖12)。

通過(guò)公式(9)、(10)分析可得最大速度和總位移(表1)。

3.3 溶解氧濃度不同情況下的魚(yú)類行為反應(yīng)

采用2條鯽魚(yú)作為試驗(yàn)對(duì)象，拍攝方向?yàn)檎戏?，在不同溶解氧條件下觀察魚(yú)類目標(biāo)的行為反應(yīng)。

表1 軌跡參數(shù)分析

3.3.1 試驗(yàn)過(guò)程 試驗(yàn)前1周，將2條鯽魚(yú)放入玻璃水槽內(nèi)，定期喂食和清潔水槽。在實(shí)驗(yàn)前1 d停止喂食，添加新水使水位達(dá)到40 cm，pH值保持在6.9～7.5之間，室溫為26 ℃左右。通過(guò)管道向水體通入純氮壓縮氣體以獲得低溶解氧條件。為了提高氧剝離的效率，在水槽上方蓋上塑料布；通過(guò)布置在水體中的傳感器獲得實(shí)時(shí)的溶解氧數(shù)值。溶解氧值正常情況下在6.5～7.0 mg/L之間，進(jìn)行試驗(yàn)的溶解氧濃度分別為較高的7.0 mg/L和較低的1.0 mg/L。

試驗(yàn)開(kāi)始時(shí)溶解氧在(7.0±0.1) mg/L，輕輕敲擊水槽，拍攝25 s的視頻序列，幀數(shù)為250幀。然后向水體通入壓縮氮?dú)庖欢螘r(shí)間，溶解氧控制在(1.0±0.1) mg/L，經(jīng)過(guò)6 min后輕輕敲擊水槽，拍攝25 s的視頻序列，幀數(shù)為250幀。按照上述方法分析在不同溶解氧濃度下的魚(yú)類軌跡。

3.3.2 試驗(yàn)結(jié)果分析 試驗(yàn)獲得多組視頻，選擇其中1組分析魚(yú)類目標(biāo)軌跡(圖13)。通過(guò)公式(9)、公式(10)分析可得，在不同溶解氧濃度下魚(yú)類目標(biāo)總位移和最大速度(表2)。

表2 不同溶解氧濃度下的魚(yú)類軌跡參數(shù)分析

由圖13、表2可以看出，與7.0 mg/L溶解氧環(huán)境下相比，魚(yú)類目標(biāo)在1.0 mg/L溶解氧環(huán)境下移動(dòng)速度緩慢、移動(dòng)距離短、活躍程度明顯降低。在嚴(yán)重缺氧時(shí)魚(yú)的活躍程度減小，為了生存魚(yú)在缺氧條件下的對(duì)策是降低新陳代謝來(lái)減少能量消耗，減少運(yùn)動(dòng)活躍性是減少能量消耗的常用方式[11]。試驗(yàn)結(jié)果與此論點(diǎn)相符，驗(yàn)證了本試驗(yàn)分析方法的有效性。

4 結(jié)論

(1)嵌入式系統(tǒng)結(jié)合圖像處理技術(shù)能夠?qū)?shí)時(shí)的魚(yú)類圖像進(jìn)行處理。結(jié)合OpenCV和Qt，嵌入式系統(tǒng)通過(guò)友好的用戶界面展示復(fù)雜圖像的處理結(jié)果。

(2)設(shè)計(jì)由圖像采集、預(yù)處理、目標(biāo)分割、目標(biāo)標(biāo)記、目標(biāo)跟蹤以及輸出軌跡組成的魚(yú)類軌跡跟蹤方法，準(zhǔn)確地計(jì)算速度、位移量，用于檢測(cè)魚(yú)類活躍程度。

(3)通過(guò)試驗(yàn)對(duì)比分析在不同溶解氧濃度下的魚(yú)類軌跡，檢測(cè)其活躍程度。試驗(yàn)驗(yàn)證在嚴(yán)重缺氧時(shí)魚(yú)的活躍程度明顯減小，也驗(yàn)證了魚(yú)類運(yùn)動(dòng)軌跡參數(shù)分析方法的有效性。

(4)跟蹤魚(yú)類軌跡是分析處理魚(yú)類行為的前置步驟。根據(jù)魚(yú)類行為標(biāo)準(zhǔn)分析魚(yú)類活躍程度等指標(biāo)以確定其自身健康狀況和養(yǎng)殖環(huán)境的變化，為信息化和應(yīng)對(duì)突變情況的快速反應(yīng)提供保證。

參考文獻(xiàn)：

[1]劉小玲. 魚(yú)類應(yīng)激反應(yīng)的研究[J]. 水利漁業(yè)，2007，27(3)：1-3.

[2]王國(guó)強(qiáng)，王 雯. 應(yīng)激反應(yīng)對(duì)魚(yú)類影響的研究進(jìn)展[J]. 安徽農(nóng)業(yè)科學(xué)，2009，37(24)：11579-11580.

[3]趙建華，楊德國(guó)，陳建武，等. 魚(yú)類應(yīng)激生物學(xué)研究與應(yīng)用[J]. 生命科學(xué)，2011，23(4)：394-401.

[4]徐建瑜，崔紹榮，苗香雯，等. 計(jì)算機(jī)視覺(jué)技術(shù)在水產(chǎn)養(yǎng)殖中的應(yīng)用與展望[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2005，21(8)：174-178.

[5]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.

[6]盧煥達(dá)，劉 鷹，范良忠. 基于計(jì)算機(jī)視覺(jué)的魚(yú)類行為自動(dòng)監(jiān)測(cè)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J]. 漁業(yè)現(xiàn)代化，2011，38(1)：19-23.

[7]江丹丹，桂福坤. 基于視頻圖像的魚(yú)類行為軌跡追蹤[J]. 浙江海洋學(xué)院學(xué)報(bào)(自然科學(xué)版)，2015，34(2)：112-118.

[8]于 欣，侯曉嬌，盧煥達(dá)，等. 基于光流法與特征統(tǒng)計(jì)的魚(yú)群異常行為檢測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2014，30(2)：162-168.

[9]孫少林，馬志強(qiáng)，湯 偉. 灰度圖像二值化算法研究[J]. 價(jià)值工程，2010，29(5)：142-143.

[10]王書(shū)朋. 視頻目標(biāo)跟蹤算法研究[D]. 西安：西安電子科技大學(xué)，2009：16.

[11]Wu R S S. Hypoxia：from molecular responses to ecosystem responses[J]. Marine Pollution Bulletin，2002，45：35-45.