基于全視域GA-SVR模型的魚類行為雙目視覺觀測系統(tǒng)標(biāo)定

劉世晶，唐 榮，周海燕，劉興國，陳 軍，王 帥

?

基于全視域GA-SVR模型的魚類行為雙目視覺觀測系統(tǒng)標(biāo)定

劉世晶1,2，唐 榮1,2，周海燕1，劉興國1,2，陳 軍1,2※，王 帥1

（1. 中國水產(chǎn)科學(xué)研究院漁業(yè)機(jī)械儀器研究所，上海 200092；2. 農(nóng)業(yè)部漁業(yè)裝備與工程技術(shù)重點實驗室，上海 200092）

針對大視場水下環(huán)境魚類行為視覺觀測系統(tǒng)較難準(zhǔn)確標(biāo)定的問題，該文以雙目立體測量系統(tǒng)為例，提出一種基于全視域GA-SVR（genetic algorithm-support vector regression）模型的魚類行為三維觀測系統(tǒng)標(biāo)定方法。該方法選用具有圓點靶標(biāo)的方形標(biāo)定板為標(biāo)定工具，通過設(shè)計具備前后左右移動能力的簡易滑動軌道，實現(xiàn)了標(biāo)定板的全視域空間定位。然后利用HALCON算子獲取標(biāo)定板靶點二維坐標(biāo)，聯(lián)立標(biāo)定板空間位置，構(gòu)建訓(xùn)練樣本集。選取SVR模型對樣本集進(jìn)行訓(xùn)練，對比不同的尋優(yōu)算法對支持向量回歸模型的參數(shù)組合尋優(yōu)結(jié)果，選用最優(yōu)參數(shù)分別建立，，軸標(biāo)定模型。試驗結(jié)果表明，利用遺傳算法進(jìn)行參數(shù)尋優(yōu)構(gòu)建的標(biāo)定模型，其、軸測量均方誤差分別為0.959、0.893和4.381 mm，互相關(guān)系數(shù)分別為0.999 988，0.999 998和0.998 356，優(yōu)于差分進(jìn)化算法和粒子群算法參數(shù)尋優(yōu)的標(biāo)定結(jié)果。與傳統(tǒng)標(biāo)定方法比較，該方法單點測量均方誤差為1.861 mm，距離測量均方誤差為0.706 mm，均低于空氣中標(biāo)定方法（單點均方誤差27.75 mm；距離均方誤差10.188 mm）和水下測量標(biāo)定方法（單點均方誤差8.215 mm；距離均方誤差2.832 mm）的標(biāo)定結(jié)果，有效的提高了魚類行為視覺觀測系統(tǒng)的定位精度。該研究可為魚類行為量化方法研究和優(yōu)化提供理論支持和技術(shù)參考。

測量；系統(tǒng)；標(biāo)定；魚類行為；全視域；視覺系統(tǒng)；模型

0 引 言

魚類運(yùn)動軌跡是魚類行為研究的重要內(nèi)容，其研究結(jié)果能夠為魚類行為量化和分析提供有效的數(shù)據(jù)支撐[1-2]。目前，觀測魚類運(yùn)動軌跡常用的手段包括人工、機(jī)器視覺和電子標(biāo)簽等方法。其中，機(jī)器視覺技術(shù)因其非接觸、高精度、可量化等優(yōu)點，已被廣泛應(yīng)用到魚類運(yùn)動軌跡測量中[3]。

對魚類運(yùn)動軌跡進(jìn)行量化，視覺測量系統(tǒng)需具備空間定位能力，而對測量系統(tǒng)進(jìn)行標(biāo)定是實現(xiàn)相機(jī)空間定位的有效途徑。目前常用的視覺觀測技術(shù)包括單目、雙目和多目視覺（三個及以上相機(jī)）技術(shù)，其中單目視覺觀測[4]方法主要是利用單個相機(jī)對魚類行為進(jìn)行觀測，適用于水面較低的空間二維觀測場景，受本身技術(shù)特點限制不能實現(xiàn)魚類運(yùn)動的空間三維觀測。為了解決這個問題，Laurel等[5]提出了一種結(jié)合魚類投影定位稀疏三維標(biāo)定方法，徐盼麟等[6-8]提出了一種結(jié)合鏡面反射的魚類三維標(biāo)定定位方法，上述方法需要利用投影或平面鏡等方法輔助定位，相機(jī)標(biāo)定復(fù)雜、定位精度低，只能適用于特定實驗室工況環(huán)境。多目視覺技術(shù)主要是利用多個相機(jī)從不同角度觀測魚類行為。該方法主要是通過建立多個雙目相機(jī)之間三維幾何約束，實現(xiàn)運(yùn)動準(zhǔn)確測量，因此其核心標(biāo)定方法還是雙目視覺標(biāo)定方法。例如，Santana等[9]沿5～200 m的不同深度安裝多組雙目視覺系統(tǒng)，構(gòu)建立體視頻觀測系統(tǒng)，檢測魚群運(yùn)動模式和行動規(guī)律；Bond等[10]利用多組雙目視覺系統(tǒng)構(gòu)建立體觀測網(wǎng)絡(luò)，監(jiān)測連片海底管網(wǎng)附近魚群活動，為研究魚群和海底基礎(chǔ)設(shè)施相互影響提供影像資料支持。雙目視覺技術(shù)是目前最常用的三維觀測技術(shù)，已被廣泛應(yīng)用在實際生產(chǎn)中的多個領(lǐng)域。在魚類運(yùn)動軌跡測量研究方面，Viscido等[11]提出一種分散式雙目視覺觀測系統(tǒng)，通過布置在魚缸兩邊的相機(jī)觀測魚類運(yùn)動行為，實現(xiàn)了魚類運(yùn)動軌跡測量，但是由于相機(jī)位置分散，較難構(gòu)建兩個相機(jī)間有效重疊視域，無法精準(zhǔn)標(biāo)定相機(jī)，只能利用2幅二維圖像相關(guān)性近似構(gòu)建空間三維關(guān)系，導(dǎo)致測量精度較低，無法準(zhǔn)確判斷魚類位置；李林波等[12]提出一種結(jié)合雙目視覺技術(shù)和高斯背景建模方法的水下魚類行為觀測系統(tǒng)，實現(xiàn)了對水下環(huán)境中的魚類的定位跟蹤，但是此方法采用傳統(tǒng)的張氏標(biāo)定方法[13]，沒有考慮水體和玻璃折射對測量精度的影響，降低了系統(tǒng)的觀測精度。

目前，現(xiàn)有測量方法雖然都能夠?qū)崿F(xiàn)魚類行為測量，但是由于相機(jī)標(biāo)定過程沒有考慮水下攝像鏡頭畸變、多層平面折射幾何以及觀測角度影響，僅能近似定位目標(biāo)魚類位置。為了提升觀測系統(tǒng)的標(biāo)定精度，徐杰等[14]提出一種圖像轉(zhuǎn)換方法，將水下圖像轉(zhuǎn)化成空氣中圖像進(jìn)行相機(jī)近似標(biāo)定，張文明等[15]、張強(qiáng)等[16]深入討論多種光路轉(zhuǎn)化模型，上述方法都對玻璃折射問題進(jìn)行了近似，忽略了玻璃折射的影響，適用于觀測距離遠(yuǎn)大于玻璃厚度的工況環(huán)境，限制了算法的應(yīng)用場景。利用機(jī)器學(xué)習(xí)方法對相機(jī)進(jìn)行間接標(biāo)定是近年來的研究熱點[17]，延和等[18-20]利用BP神經(jīng)網(wǎng)絡(luò)，通過構(gòu)建二維成像平面與空間三維坐標(biāo)之間的映射關(guān)系，實現(xiàn)相機(jī)的間接標(biāo)定。劉勝等[21-22]將SVM算法引入相機(jī)標(biāo)定，有效提高了算法的訓(xùn)練速度和標(biāo)定精度。上述基于機(jī)器學(xué)習(xí)的相機(jī)間接標(biāo)定方法，為解決大視場、復(fù)雜工況環(huán)境的相機(jī)標(biāo)定提供了可行性思路，但是相關(guān)研究還是集中于傳統(tǒng)的空氣標(biāo)定環(huán)境，且應(yīng)用的標(biāo)定器材構(gòu)造復(fù)雜，不適用于水下標(biāo)定環(huán)境。

綜上所述，目前針對魚類行為研究，常見的空氣中標(biāo)定方法，沒有考慮光線折射、鏡頭畸變等影響，觀測精度較低；而現(xiàn)有水下視頻標(biāo)定技術(shù)標(biāo)定過程較為復(fù)雜，且受空氣濕度、工況環(huán)境等限制不適于搭建高精度標(biāo)定系統(tǒng)。為了解決這個問題，本文提出一種基于全視域和遺傳優(yōu)化支持向量回歸（genetic algorithm-support vector regression，GA-SVR）的魚類行為雙目觀測系統(tǒng)標(biāo)定方法。該方法通過設(shè)計具備前后左右移動能力的定位軌道，建立靶標(biāo)點三維空間坐標(biāo)與圖像二維平面坐標(biāo)對應(yīng)關(guān)系，以期降低全視域水下標(biāo)定點三維坐標(biāo)采樣難度。同時，將遺傳優(yōu)化算法和支持向量回歸算法結(jié)合，構(gòu)造基于二維圖像坐標(biāo)的水下空間三維坐標(biāo)預(yù)測模型，以期提高魚類行為視覺觀測系統(tǒng)的標(biāo)定精度。最后，通過和不同尋優(yōu)模型以及標(biāo)定算法進(jìn)行比較，驗證模型的準(zhǔn)確性。

1 材料與方法

1.1 試驗裝置

本文設(shè)計了如圖1所示試驗系統(tǒng)，該系統(tǒng)由玻璃魚缸和水上雙目視覺系統(tǒng)組成。其中玻璃魚缸（長度：1 500 mm，寬度：1 000 mm，高度：1 000 mm）采用高透玻璃制造，玻璃厚度9 mm，工作水深800 mm。雙目視覺系統(tǒng)由2個大廣角相機(jī)組成，焦距6 mm，采樣距離850～900 mm。相機(jī)采用支架安裝，支架固定在魚缸頂部，可上下左右調(diào)整相機(jī)位姿。采用非平行雙目視覺模型[14]模擬常見的雙目觀測系統(tǒng)相機(jī)安裝方式，選擇魚缸長邊作為觀測平面。此外，為了降低背景噪聲干擾，模擬自然水體成像條件，魚缸其余三面使用黑布遮擋，降低鏡面反射影響。

本文設(shè)計的試驗系統(tǒng)主要用于實驗室環(huán)境下的魚類行為觀測，但是針對視覺觀測系統(tǒng)標(biāo)定技術(shù)研究，系統(tǒng)光路傳輸原理與自然條件中水上和水下觀測時一致，能夠滿足標(biāo)定試驗測試要求。

1.雙目相機(jī) 2.相機(jī)支架 3.勻光光源 4.魚缸 5.黑布 6.標(biāo)定板

HALCON是一套工業(yè)級的機(jī)器視覺軟件，具有豐富的標(biāo)準(zhǔn)算子庫，是一種常用的機(jī)器視覺集成開發(fā)環(huán)境[23]。本試驗中標(biāo)定板采用HALCON推出的圓點標(biāo)定板（如圖 1所示），該標(biāo)定板有49個均勻排列靶點，靶點直徑35.5 mm，中心距70 mm，標(biāo)定板大小為600 mm×600 mm。

1.2 雙目系統(tǒng)全視域采樣方法

在魚類行為觀測系統(tǒng)中，魚類在水缸中游動具有不確定性，游動區(qū)域覆蓋整個水缸空間。由于試驗水缸玻璃厚度較大，通過玻璃后光線的徑向偏移已經(jīng)明顯改變了光線的方向，因此標(biāo)定板取樣必須盡量涵蓋整個觀測空間，對魚類運(yùn)動區(qū)域進(jìn)行整體采樣，建立完備的樣本集，有利于提高間接標(biāo)定下模型的空間適應(yīng)性。

為了實現(xiàn)整個魚缸空間標(biāo)定過程的快速取樣，設(shè)計了一種移動采樣裝置（如圖2所示），該裝置由定位軌道、移動機(jī)構(gòu)和掛接件組成。其中：1）定位軌道內(nèi)徑尺寸為1 300×900 mm，軌道上下厚度為20 mm，單邊寬度為50 mm，軌道長軸離魚缸內(nèi)壁間距為41 mm，短軸離魚缸內(nèi)壁間距為16 mm。采用掛接方式安裝在水缸內(nèi)部，上平面與魚缸頂部近似等高；2）移動桿長度為1 320 mm，上下厚度為20 mm，寬度為20 mm，通過卡槽固定在定位軌道上；3）沿軌道短軸方向，從短軸起始位置每隔50 mm加工一個卡槽（長度：10 mm，寬度：20 mm，深度：10 mm），共加工17對卡槽；4）沿軌道長軸方向，在移動桿上從長軸起始位置每隔400 mm加工一對卡槽（長度：20 mm，寬度：20 mm，深度：10 mm），每對卡槽間隔550 mm，與移動機(jī)構(gòu)掛臂等寬，共加工3對卡槽；5）移動機(jī)構(gòu)高900 mm，寬550 mm，通過卡槽固定在移動桿上，標(biāo)定板固定在如圖1所示移動機(jī)構(gòu)底端；6）整個移動采樣裝置采用高精度數(shù)控機(jī)床加工，加工精度為±0.05 mm，卡槽安裝精度為±0.1 mm。相機(jī)標(biāo)定時，將標(biāo)定板固定在移動桿上（如圖1所示），根據(jù)卡槽位置分別沿長軸方向移動標(biāo)定板以及沿短軸方向移動移動桿，并在每個卡槽位置拍攝樣本圖像，使采集標(biāo)定板圖像能夠覆蓋整個魚缸空間，實現(xiàn)全視域采樣。

針對大視場全視域采樣，HALCON推出的工業(yè)級圓點標(biāo)定板靶標(biāo)中心距達(dá)到70 mm，以此為參照并考慮適當(dāng)增加樣本數(shù)量，本文設(shè)定移動桿短軸采樣距離為50 mm；綜合考慮標(biāo)定板大小和移動機(jī)構(gòu)平移距離，當(dāng)移動機(jī)構(gòu)沿移動桿平移3次時，樣本圖像已基本覆蓋整個長軸平面，能夠保證長軸方向采樣范圍，因此設(shè)定長軸采樣距離為400 mm。根據(jù)設(shè)備尺寸大小，沿短軸方向共設(shè)有17對卡槽，其中利用前16對卡槽獲取的樣本圖像用于構(gòu)建訓(xùn)練集和測試集，最后1對卡槽獲取的樣本圖像用于構(gòu)建遺傳尋優(yōu)算法的評價樣本。此外，為了開展后續(xù)魚類行為觀測試驗，將在第17卡槽位置后方安放隔水板以便放置水處理填料，因此將第17對卡槽設(shè)定為評價樣本不會影響后續(xù)魚類行為觀測定位效果。

1.定位軌道 2.移動機(jī)構(gòu) 3.卡槽對 4.移動桿 5.掛接件 6.長軸起始位置 7.短軸起始位置

1.3 SVR水下雙目系統(tǒng)標(biāo)定模型

在水下成像過程中，受光線傳輸介質(zhì)變化影響，發(fā)生折射現(xiàn)象，改變了光線傳輸路徑，針孔成像模型不再適用。水下非平行雙目視覺系統(tǒng)成像原理如圖3所示，左右像平面坐標(biāo)系分別用，表示，世界坐標(biāo)系用OXYZ表示。

注：OUV為左像平面坐標(biāo)系；O′U′V′為右像平面坐標(biāo)系；OwXwYwZw為世界坐標(biāo)系；f為焦距；OXYZ為左像平面世界坐標(biāo)系。

設(shè)標(biāo)定板某靶點1在世界坐標(biāo)系下的坐標(biāo)為(1,1,1)，在像平面成像坐標(biāo)分別為1(1,1)和1(1,1)，提取圖像中標(biāo)定板上所有靶點位置，可得容量為的靶點圖像坐標(biāo)樣本集={(A,A′)}，=1, 2, …。已知標(biāo)定板靶點相對位置和移動距離，可計算得到所有靶點對應(yīng)的空間坐標(biāo)樣本集={(P)}，=1, 2, …。聯(lián)立圖像樣本集和空間坐標(biāo)樣本集可得到訓(xùn)練樣本集={(,)}= {(I,I′)}，其中I=(A,A′)，I′=(P)，=1, 2, …。針對每個坐標(biāo)軸，分別建立基于訓(xùn)練樣本集的ε-SVR回歸模型[22]，共建立3個標(biāo)定模型，其邏輯表達(dá)式為:

式中(?)為非線性映射算子，、分別為超平面法向量和常數(shù)項，為回歸參數(shù)，為懲罰因子，、ξ分別為正負(fù)方向松弛變量，s.t.為限制條件。利用最優(yōu)化方法的對偶原理得到-SVR模型估計的表達(dá)式為

式中為核參數(shù)，控制函數(shù)的徑向作用范圍。

1.4 遺傳算法優(yōu)化SVR模型參數(shù)

遺傳算法作為一種實用、高效、魯棒性強(qiáng)的優(yōu)化技術(shù)應(yīng)用廣泛[24-27]，本文采用遺傳算法優(yōu)化選擇SVR參數(shù)。針對水下雙目相機(jī)標(biāo)定試驗，作為訓(xùn)練樣本靶標(biāo)點相互之間既有關(guān)聯(lián)性又有獨(dú)立性，且訓(xùn)練樣本近似涵蓋了整個有效視域空間，每一個樣本都與訓(xùn)練結(jié)果緊密關(guān)聯(lián)，因此傳統(tǒng)的基于交叉驗證適應(yīng)度函數(shù)不能滿足評價要求[28-29]，因此本文在參數(shù)尋優(yōu)過程中增加3個固定位置標(biāo)定板作為評價樣本，利用評價樣本均方誤差（mean square error）MSE作為適應(yīng)度函數(shù)來對SVR系數(shù)進(jìn)行修訂。

針對采用徑向基核函數(shù)的SVR算法，影響測量精度主要模型參數(shù)包括懲罰因子和核函數(shù)參數(shù)，則優(yōu)化算法步驟如下：

1）初始化種群：構(gòu)建一定數(shù)量的初始種群，選擇實數(shù)法對染色進(jìn)行編碼；

2）選擇操作：本文選擇輪盤賭方法，充分利用適應(yīng)度函數(shù)進(jìn)行選擇操作；

3）交叉操作：由于本文中每個訓(xùn)練樣本點都具有較強(qiáng)的獨(dú)立性，懲罰因子可能在較大參數(shù)區(qū)間取值，因此采用均勻?qū)崝?shù)方法作為交叉算子進(jìn)行兩組基因之間的交叉組合，以提高算法的收斂速度。

4）變異操作：針對雙目標(biāo)定過程，由于樣本點分布均勻，且在一個坐標(biāo)軸方向具有較強(qiáng)重疊度，當(dāng)核函數(shù)參數(shù)選擇過大時，容易出現(xiàn)過擬合現(xiàn)象，因此本文選擇較小的變異算子[0.0001，0.01]區(qū)間進(jìn)行變異操作，以維持樣本的多樣性。

當(dāng)達(dá)到最大迭代次數(shù)時，輸出最優(yōu)參數(shù)組合。本文對3個標(biāo)定模型均采用上述遺傳算法優(yōu)化-SVR模型參數(shù)。

2 結(jié)果分析

2.1 雙目標(biāo)定試驗方案設(shè)計

仿真試驗是使用Halcon 和Matlab R2012b聯(lián)合編程實現(xiàn)的，其中數(shù)據(jù)集為采集的標(biāo)定板靶標(biāo)像素坐標(biāo)和空間位置。采樣過程如下：

1）安裝雙目視覺設(shè)備和標(biāo)定板移動裝置，調(diào)整雙目相機(jī)位置，使水缸能夠完整成像，設(shè)備布置如圖1所示；

2）將移動桿放置到圖2所示短軸起始位置卡槽、移動機(jī)構(gòu)放置到移動桿上長軸起始位置卡槽，以此位置作為采樣起點，并設(shè)定標(biāo)定板左下角靶點為世界坐標(biāo)系原點，拍攝第1幀圖像；

3）沿長軸方向根據(jù)卡槽位置順序平移移動機(jī)構(gòu)2次，移動距離400 mm，分別拍攝第2～3幀圖像；

4）保持移動機(jī)構(gòu)位置，沿短軸方向平移移動桿50 mm，放置到定位軌道下一個卡槽位置，拍攝第4幀圖像；

5）逆向順序平移移動機(jī)構(gòu)2次，移動距離400 mm，拍攝第5～6幀圖像；

部分醫(yī)學(xué)人員認(rèn)為臨床路徑減少了自主權(quán)，限制了臨床思維和創(chuàng)新能力。臨床路徑是為特定病種的通常情況設(shè)計的，考慮到心血管外科疾病已經(jīng)將不穩(wěn)定性心絞痛、室間隔缺損、主動脈瓣關(guān)閉不全等納入單病種，但心血管外科還有很多疾病，存在復(fù)雜性和個體差異，允許有變異或退出路徑，因此在實施臨床路徑時要引導(dǎo)住院醫(yī)師善于發(fā)現(xiàn)問題、分析變異并及時處理。

6）保持移動機(jī)構(gòu)位置，沿短軸方向平移移動桿50 mm，重復(fù)步驟2）～5），直到最后一個卡槽位置停止，完成全視域采樣。

根據(jù)設(shè)備安裝布局和標(biāo)定板尺寸，本次試驗設(shè)定標(biāo)定板從左到右可移動距離上限為1 200 mm，移動桿從前到后可移動距離上限為850 mm；完成上述采樣過程，樣本庫將有51對102張圖像，選擇其中的前47對作為訓(xùn)練集，第48對作為測試集，后3對作為評價樣本。由于每張圖片有49個靶標(biāo)點，則前47對圖像中共有2 303靶標(biāo)點作為訓(xùn)練集，第48對圖像共有49個靶標(biāo)點作為測試集，后3對圖像共有147個靶標(biāo)點作為評價樣本。

針對全視域標(biāo)定過程，靶標(biāo)樣本應(yīng)涵蓋整個觀測空間，為了保證訓(xùn)練過程的收斂性，需盡量增加訓(xùn)練樣本數(shù)量，因此，本文選擇47對樣本作為訓(xùn)練集。由于采樣點之間存在一定關(guān)聯(lián)性，邊緣采樣位置由于關(guān)聯(lián)樣本較少，導(dǎo)致邊緣位置預(yù)測結(jié)果精度下降的概率增大，因此本文選擇邊緣的第48對樣本作為測試集，用于驗證本文算法的有效性。

此外，為了驗證本文方法在參數(shù)尋優(yōu)和降低標(biāo)定誤差方面的有效性，分別采用不同尋優(yōu)算法和不同標(biāo)定算法進(jìn)行對比試驗。

2.2 標(biāo)定結(jié)果分析

標(biāo)定板位置信息通過find_caltab()算子獲取，獲得標(biāo)定板位置后，利用算子find_marks_and_pose() 對區(qū)域中的圓進(jìn)行分割，找到圓的個數(shù)、周長、坐標(biāo)位置等應(yīng)該和標(biāo)定板描述文件中的一致靶標(biāo)點[22]。通過上述算子運(yùn)算可以得到靶標(biāo)點的像素坐標(biāo)(U，V，′，′)。本文設(shè)定世界坐標(biāo)系X軸與魚缸長軸平行、Y軸垂直于魚缸底部、Z軸與魚缸短軸平行、原點為標(biāo)定板起始位置右下靶標(biāo)點，聯(lián)立標(biāo)定板移動距離和靶標(biāo)點空間分布可得到靶標(biāo)點的世界坐標(biāo)系坐標(biāo)(X，Y，Z)。共有效采集2 352個靶標(biāo)點。

使用遺傳算法對3個坐標(biāo)系訓(xùn)練集參數(shù)進(jìn)行優(yōu)化，綜合考慮算法運(yùn)行速度和不同標(biāo)定模型適應(yīng)度函數(shù)的收斂性，3組尋優(yōu)樣本種群規(guī)模和進(jìn)化代數(shù)統(tǒng)一選擇為60和200。參數(shù)和的搜索范圍分別為[1 000，10 000]、[0.000 001，0.000 1]。當(dāng)?shù)_(dá)到最大次數(shù)后，輸出最優(yōu)組合，得到優(yōu)化后的模型參數(shù)如表1所示。

表1 訓(xùn)練模型優(yōu)化參數(shù)

利用遺傳算法確定的參數(shù)，分別構(gòu)建3個坐標(biāo)系的SVR訓(xùn)練模型，預(yù)測世界坐標(biāo)系中的3個參數(shù)，預(yù)測結(jié)果如表2所示。其中，靶標(biāo)點包含左、右圖像像素坐標(biāo)和世界坐標(biāo)等信息，圖像坐標(biāo)值的單位為像素，即靶點在圖像中的像素坐標(biāo)。誤差評價采用軸向誤差評價和單點誤差評價相結(jié)合的方法，軸向誤差評價采用MSE（均方根誤差）函數(shù)，單點誤差評價采用MSE函數(shù)，函數(shù)模型如下

式中x、y、z為測量點實際空間坐標(biāo)，x′、y′、z′為測量點模型預(yù)測數(shù)據(jù)，d為所有測量點在X、Y或Z軸實際空間坐標(biāo)，d′為所有測量點在X、Y或Z軸模型預(yù)測數(shù)據(jù)。此外，由于m測量精度已經(jīng)是一個非常好的測量精度，而基于訓(xùn)練模型的預(yù)測值不受實際測量精度影響，預(yù)測值可以到無限位數(shù)，因此為了保證評價精度的有效性，精度誤差設(shè)定為小數(shù)點后3位。

比較3個軸向輸出模型的預(yù)測結(jié)果，發(fā)現(xiàn)X，Y軸預(yù)測精度相差不大，Z軸預(yù)測精度較低，均方誤差超過2 mm，最大誤差為3.422 mm，這主要是由于在世界坐標(biāo)系建立過程中，將Z軸方向確定為移動桿運(yùn)動方向，由于運(yùn)動最小距離為50 mm，采樣間隔較大，導(dǎo)致訓(xùn)練樣本量不能涵蓋所有運(yùn)動空間，降低了標(biāo)定精度。單點的均方誤差為1.887 mm，與Z軸測量誤差接近，高于X，Y軸測量誤差。

2.3 對比分析

2.3.1 不同尋優(yōu)方法標(biāo)定結(jié)果分析

利用SVR算法進(jìn)行訓(xùn)練，選擇不同參數(shù)建立的預(yù)測模型，測量準(zhǔn)確度存在差異。本文采用徑向基核函數(shù)進(jìn)行回歸訓(xùn)練，影響測量精度主要模型參數(shù)包括懲罰因子，核函數(shù)參數(shù)。為了比較本文算法的有效性，利用差分進(jìn)化算法（differential evolution algorithm，DE）、粒子群算法（particle swarm optimization，PSO）以及遺傳算法進(jìn)行參數(shù)尋優(yōu)，分別建立標(biāo)定模型，以均方根誤差、單點誤差和互相關(guān)系數(shù)（式（6））作為評價指標(biāo)對測試集獲得的預(yù)測結(jié)果進(jìn)行對比分析，對比結(jié)果如圖4和表3所示。

表2 訓(xùn)練集標(biāo)定結(jié)果

式中CC(?)為互相關(guān)系數(shù)函數(shù)，cov(?)為協(xié)方差算子，d為所有測量點在X、Y或Z軸實際空間坐標(biāo)，d′為所有測量點在X、Y或Z軸模型預(yù)測數(shù)據(jù)，、為樣本均值，和′分別為實際空間和預(yù)測數(shù)據(jù)的樣本向量。

從圖4中可以看出，由遺傳算法確定的懲罰因子，核函數(shù)參數(shù)在測試集各坐標(biāo)軸預(yù)測中誤差小，計算得到的世界坐標(biāo)誤差同樣較小。比較表3中各尋優(yōu)算法，本文采用遺傳算法進(jìn)行參數(shù)尋優(yōu)構(gòu)建的標(biāo)定模型在均方誤差和互相關(guān)性方面表現(xiàn)更好。這主要是由于粒子群算法對權(quán)值選擇以及樣本選擇較為敏感，而本文方法受采樣條件限制，訓(xùn)練樣本量較小，導(dǎo)致算法收斂性較差。差分預(yù)測算法由于對噪聲比較敏感，對于本文測量環(huán)境，受設(shè)備加工誤差影響，定義的實際世界坐標(biāo)存在隨機(jī)誤差噪聲，影響了差分算法的尋優(yōu)精度。本文采用引入交叉驗證機(jī)制的遺傳算法，提高了算法對于噪聲的魯棒性，此外，由于相機(jī)標(biāo)定從根本上說是一個線性問題，數(shù)據(jù)不存在較大維度，因此遺傳算法在此過程中具有良好的尋優(yōu)表現(xiàn)。

圖4 不同尋優(yōu)算法標(biāo)定下測試集誤差

Fig 4 Calibration error of test sets with different optimization algorithms

表3 誤差分析

2.3.2 傳統(tǒng)標(biāo)定方法與本文方法比較

本文選取常用的魚類行為觀測空氣中標(biāo)定方法[30]和水下測量標(biāo)定方法[31]與本文方法進(jìn)行比較。針對空氣標(biāo)定方法，首先使用同型號相機(jī)搭建一套雙目視覺系統(tǒng)，相機(jī)間距和拍攝角度與本文試驗系統(tǒng)近似。針對水下標(biāo)定方法，仍然采用本文的雙目系統(tǒng)進(jìn)行采樣，并分別采用游標(biāo)卡尺和插針法確定玻璃厚度和折射率。其中玻璃厚度為9.08 mm，玻璃折射率為1.58，水體折射率為1.34。試驗時：1）按照文獻(xiàn)[30]和[31]標(biāo)定要求分別在空氣中和魚缸內(nèi)采集圓點標(biāo)定板樣本，采樣范圍與魚缸內(nèi)部空間大小一致；2）利用本文中的HALCON算子分別提取2組相機(jī)中的圖像二維坐標(biāo)，統(tǒng)一像素點提取精度；3）采用文獻(xiàn)[30]和[31]中的標(biāo)定方法，分別標(biāo)定2組雙目系統(tǒng)；4）利用2組標(biāo)定完成的相機(jī)拍攝移動采樣裝置起始位置處的靶標(biāo)圖像，分別計算圖像左下角靶標(biāo)點空間坐標(biāo)，然后以此點為世界坐標(biāo)系原點，通過坐標(biāo)系平移和旋轉(zhuǎn)，將2組雙目測量系統(tǒng)定義世界坐標(biāo)系與本文初始定義的世界坐標(biāo)系重合。在統(tǒng)一世界坐標(biāo)系下以本文測試集樣本為試驗對象開展對比試驗，試驗結(jié)果如圖5所示，其中圖5a為靶標(biāo)點單點誤差，圖5b為標(biāo)定板2個靶標(biāo)點預(yù)測值與實際值之間的距離誤差。

圖5 三種標(biāo)定方法比較

從圖5中可以看出，采用本文標(biāo)定方法在單點測量和距離測量2個方面標(biāo)定誤差都最小，采用空氣中標(biāo)定方法標(biāo)定誤差最大，其中空氣中標(biāo)定方法在單點測量方面最大誤差超過5 cm，已經(jīng)嚴(yán)重影響下一步行為分析效果。采用水下測量標(biāo)定方法，單點測量結(jié)果明顯優(yōu)于空氣中標(biāo)定方法。從圖5b可以看出，空氣中標(biāo)定方法和水下測量標(biāo)定方法兩點距離測量誤差明顯小于單點測量誤差，分別為10.188 mm和2.832 mm，水下測量標(biāo)定方法距離測量誤差略高于本文方法。對比分析不同標(biāo)定方法測量結(jié)果，空氣中標(biāo)定方法由于沒有考慮玻璃和水體折射，在空間位置上測量偏差較大，但是由于光線傳輸線性特性，在測量2點距離時由于折射方向存在互相抵消現(xiàn)象，降低了2點之間的距離測量誤差；水下測量標(biāo)定方法，綜合考慮了玻璃厚度與光線折射的影響具有較好的測量精度，但是受玻璃加工工藝、水體渾濁度變化以及大視場鏡頭畸變等相互影響，很難準(zhǔn)確確定標(biāo)定過程中的定量參數(shù)，導(dǎo)致存在較大定位測量誤差，但是由于標(biāo)定過程類似于一個線性求解過程，降低了測距誤差。本文方法采用SVR算法對相機(jī)進(jìn)行標(biāo)定，能夠有效降低隨機(jī)誤差對測量精度的影響，采用全視域大樣本量訓(xùn)練標(biāo)定模型，提高了算法對鏡頭畸變、折射率變化的適應(yīng)性，提高了算法的魯棒性，測距誤差為0.706 mm。

3 討 論

1）在魚類行為分析研究中，準(zhǔn)確定位和量化魚類行為是開展行為分析的基礎(chǔ)，本試驗針對魚類行為視覺觀測系統(tǒng)開展了標(biāo)定技術(shù)研究，受設(shè)備加工精度影響，存在一定的標(biāo)定誤差，但是針對魚類運(yùn)動行為分析，毫米級誤差在本質(zhì)上不影響魚類行為量化精度，屬于可容忍誤差范圍。此外，受水體和透光介質(zhì)折射影響，傳統(tǒng)的針孔成像原理不能適用于水下成像環(huán)境，本文提出的標(biāo)定方法，可有效降低光線折射、鏡頭畸變對標(biāo)定精度的影響，提高標(biāo)定算法的普適程度，降低標(biāo)定過程對復(fù)雜精密設(shè)備的依賴程度，降低標(biāo)定算法復(fù)雜度。

2）復(fù)雜環(huán)境相機(jī)標(biāo)定不可避免地存在算法適應(yīng)性問題，針對水下標(biāo)定場景，影響光線線性傳輸?shù)闹饕蛩厥撬w濁度和透光介質(zhì)密度，傳統(tǒng)的水下標(biāo)定方法主要依賴人工方法測量光線傳輸介質(zhì)的折射率，當(dāng)水體分層較多時，很難準(zhǔn)確測量相關(guān)參數(shù)。為了降低標(biāo)定過程的復(fù)雜程度，本文設(shè)計了一種軌道式標(biāo)定板定位方法，該方法通過定位標(biāo)定板相對位置實現(xiàn)相機(jī)標(biāo)定，無需考慮軌道的安裝精度。在實際工況環(huán)境下，只需定制一個簡易化移動裝置，既能滿足標(biāo)定過程采樣要求。

3）魚類的游泳行為是一個空間性行為，針對魚類行為研究，單一雙目相機(jī)很難滿足運(yùn)動全景測量要求，特別是當(dāng)目標(biāo)對象垂直于雙目系統(tǒng)基線移動時，雙目相機(jī)無法直接定位目標(biāo)位置。本文以雙目相機(jī)為例，開展標(biāo)定方法研究，提出的標(biāo)定原理能夠滿足全景觀測多目相機(jī)標(biāo)定要求，但是當(dāng)相機(jī)數(shù)量較多時，單一的軌道式定位方法將不能滿足標(biāo)定要求，因此如何利用相機(jī)之間相對位置關(guān)系及空間特定參照物簡化多目相機(jī)標(biāo)定過程，將是下一步全景行為觀測需要開展的重要工作。此外，基于單目技術(shù)的深度信息測量已經(jīng)成為國內(nèi)外研究熱點[32]，如果能用單個相機(jī)獲取魚類運(yùn)動軌跡，將大大降低多維觀測的系統(tǒng)復(fù)雜程度，因此如何利用單目相機(jī)進(jìn)行毫米級精準(zhǔn)測距[33]，將是本研究另一個工作重點。

4）本文采用的全視域GA-SVR標(biāo)定方法，針對水下行為觀測環(huán)境，在提高標(biāo)定精度，降低標(biāo)定復(fù)雜度、提升方法適用度等方面具有一定優(yōu)勢，但是針對流動水體，由于水體折射率不斷變化，單一正向的標(biāo)定測量方法不能滿足魚類行為觀測的需要，因此如何利用水下地形特點或固定標(biāo)志物對標(biāo)定參數(shù)進(jìn)行實時修正，是本研究下一步需要開展的主要工作。

4 結(jié) 論

針對魚類行為觀測研究中相機(jī)無標(biāo)定或較難標(biāo)定的情況，提出了一種基于全視域GA-SVR魚類視覺觀測系統(tǒng)標(biāo)定方法，試驗結(jié)果表明：

1）該方法在水下觀測環(huán)境中具有較好的單點測量精度和距離測量精度，在49個測試樣本中，單點測量精度均方誤差為1.861 mm，距離測量誤差為0.706 mm，相比于傳統(tǒng)的空氣中標(biāo)定方法（單點均方誤差27.75 mm；距離均方誤差10.188 mm）和水下測量標(biāo)定方法（單點均方誤差8.215 mm；距離均方誤差2.832 mm），有效提升了魚類行為觀測中雙目測量系統(tǒng)的標(biāo)定精度；

2）該方法使用卡槽式運(yùn)動軌道定位訓(xùn)練樣本，降低了采樣過程對高精度設(shè)備的依賴程度，簡化了采樣過程，增強(qiáng)了標(biāo)定算法的廣適性；

3）本文采用引入交叉驗證機(jī)制的遺傳算法對模型參數(shù)進(jìn)行尋優(yōu)，提高了算法對隨機(jī)噪聲的魯棒性，降低了設(shè)備加工誤差對標(biāo)定精度的影響；利用大樣本量訓(xùn)練標(biāo)定模型, 提高了算法對鏡頭畸變、折射率變化的適應(yīng)性。

受采樣間隔限制，相機(jī)測量誤差還是超過1 mm，下一步研究將嘗試通過采樣軌道自動化升級，增加訓(xùn)練樣本數(shù)量和覆蓋范圍，提升標(biāo)定模型精度。

[1] Kuroda Toshikazu. A system for the real-time tracking of operant behavior as an application of 3D camera[J]. Journal of the Experimental Analysis of Behavior, 2018, 110(3): 1－23.

[2] 周應(yīng)祺，王軍，錢衛(wèi)國，等. 魚類集群行為的研究進(jìn)展[J]. 上海海洋大學(xué)學(xué)報，2013，22(5)：734－743. Zhou Yingqi, Wang Jun, Qian Weiguo, et al. Review of fish schooling behavior study[J]. Journal of Shanghai Ocean University, 2013, 22(5): 734－743. (in Chinese with English abstract)

[3] 劉世晶，王帥，陳軍，等. 基于改進(jìn)主成分分析和AdaBoost算法的運(yùn)動蝦苗識別方法[J]. 農(nóng)業(yè)工程學(xué)報，2017，33(1)：212－218. Liu Shijing, Wang Shuai, Chen Jun, et al. Moving larval shrimps recognition based on improved principal component analysis and AdaBoost[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(1): 212－218. (in Chinese with English abstract)

[4] Matthew D Campbell, Joseph Salisbury, Ryan Caillouet, et al. Camera field-of-view and fish abundance estimation: A comparison of individual-based model output and empirical data[J]. Journal of Experimental Marine Biology and Ecology, 2018, 501: 46－53.

[5] Laurel B J, Laurel C J, Brown J A, et al. A new technique to gather 3-D spatial information using a single camera[J]. Journal of Fish Biology, 2005, 66(2): 429－441.

[6] 徐盼麟，韓軍，童劍鋒. 基于單攝像機(jī)視頻的魚類三維自動跟蹤方法初探[J]. 水產(chǎn)學(xué)報，2012，36(4)：623－628. Xu Panlin, Han Jun, Tong Jianfeng. Preliminary studies on an automated 3D fish tracking method based on a single video camera[J]. Journal of Fisheries of China, 2012, 36(4): 623－628. (in Chinese with English abstract)

[7] Gilbert A, Bonifasius P S, Stevhen J, et al. A simple setup to serform 3D locomotion tracking in zebrafish by using a single camera[J]. Inventions, 2018, 3(1): 11－14

[8] Mao J F, Xiao G, Sheng W G, et al. A 3D occlusion tracking model of the underwater fish targets[C]//IEEE International Conference on Electro/information Technology, 2015: 82－86.

[9] Santana Garcon J, Newman S J, Harvey E S. Development and validation of a mid-water baited stereo-video technique for investigating pelagic fish assemblages[J]. Journal of Experimental Marine Biology and Ecology, 2014, 452: 82－90.

[10] Bond T, Partridge J C, Taylor M D, et al. Fish associated with a subsea pipeline and adjacent seafloor of the North West Shelf of Western Australia[J]. Marine Environmental Research, 2018, 141: 53－65.

[11] Viscido S V, Parrish J K, Grünbaum D. Individual behavior and emergent properties of fish schools: A comparison of observation and theory[J]. Marine Ecology Progress Series, 2004, 273: 239－249.

[12] 李林波，陳從平，吳喆，等. 基于雙目視覺的魚類游動三維軌跡跟蹤[J]. 三峽大學(xué)學(xué)報：自然科學(xué)版，2018，40(2)：95－99. Li Linbo, Chen Congping, Wu Zhe, et al. Three-dimensional trajectory tracking of fish swimming based on binocular vision[J]. Journal of China Three Gorges University: Natural Science Edition, 2018, 40(2): 95－99. (in Chinese with English abstract)

[13] Zhang Zhengyou. A flexible new technique for camera calibration[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2000, 22(11): 1330－1334.

[14] 徐杰，王宗義，劉濤，等. 水下圖像的校正[J]. 黑龍江科技學(xué)院學(xué)報，2008，18(2)：133－136. Xu Jie, Wang Zongyi, Liu Tao, et al. Correction for underwater image[J]. Journal of Heilongjiang Institute of Science and Technology, 2008, 18(2): 133－136. (in Chinese with English abstract)

[15] 張文明，鄧茜雪，張強(qiáng)，等. 基于非平行系統(tǒng)的水下圖像轉(zhuǎn)化模型[J]. 光子學(xué)報，2015，44(2)：158－162. Zhang Wenming, Deng Xixue, Zhang Qiang, et al. Non-parallel system underwater image transformation model[J]. Acta Photonica Sinica, 2015, 44(2): 158－162. (in Chinese with English abstract)

[16] 張強(qiáng)，王鑫，李海濱. 基于粒子群優(yōu)化的水下成像系統(tǒng)標(biāo)定[J]. 光子學(xué)報，2014，43(1)：109－113. Zhang Qiang, Wang Xin, Li Haibin. Calibration algorithm of underwater imaging system based on PSO[J]. Acta Photonica Sinica, 2014, 43(1): 109－113. (in Chinese with English abstract)

[17] Tu Junchao, Zhang Liyan. Laser projection positioning of spatial contour curves via a galvanometric scanner[J]. Multimedia Tools and Applications, 2018, 10696(25): 17－121.

[18] 延和，吳斌. 基于改進(jìn)型神經(jīng)網(wǎng)絡(luò)的雙目攝像機(jī)標(biāo)定[J]. 西南科技大學(xué)學(xué)報，2013，28(4)：66－70. Yan He, Wu Bin. Improved neural network for binocular camera calibration[J]. Journal of Southwest University of Science and Technology, 2013, 28(4) : 66－70. (in Chinese with English abstract)

[19] 劉小娟，李學(xué)軍，王文韞，等. 基于神經(jīng)網(wǎng)絡(luò)的虛擬靶標(biāo)大視場雙目相機(jī)標(biāo)定技術(shù)[J]. 光學(xué)技術(shù)，2017，43(4)：314－318. Liu Xiaojuan, Li Xuejun, Wang Wenyun, et al. Large-scale binocular camera calibration combining neural network with virtual target[J]. Optical Technique, 2017, 43(4): 314－318. (in Chinese with English abstract)

[20] 金偉龍，周美英. 基于不同BP網(wǎng)絡(luò)層數(shù)的雙目立體視覺標(biāo)定研究[J]. 光學(xué)技術(shù)，2015，41(1)：72－76. Jin Weilong, Zhou Meiying. Study on calibration of binocular stereovision based on BP neural network with different layers[J]. Optical Technique, 2015, 41(1): 72－76. (in Chinese with English abstract)

[21] 劉勝，傅薈璇，王宇超. 基于分割區(qū)間LS-SVM的攝像機(jī)標(biāo)定[J]. 計算機(jī)工程，2009，35(24)：179－181. Liu Sheng, Fu Huixuan, Wang Yuchao. Camera calibration based on divided region LS-SVM[J]. Computer Engineering, 2009, 35 (24): 179－181. (in Chinese with English abstract)

[22] 張從鵬，劉重陽. 基于機(jī)器視覺的UVW定位系統(tǒng)[J]. 機(jī)床與液壓，2018，46(14)：108－110，127. Zhang Congpeng, Liu Chongyang. UVW positioning system based on machine vision[J]. Machine Tool and Hydraulics, 2018, 46(14): 108－110, 127. (in Chinese with English abstract)

[23] 尹曉艮，張曉芳，張偉超，等. 基于光場數(shù)字重聚焦的三維重建方法研究[J]. 光電子·激光，2015，26(5)：986－991. Yin Xiaogen, Zhang Xiaofang, Zhang Weichao, et al. Study on 3D reconstruction based on light field digital refocusing[J]. Journal of Optoelectronics·Laser, 2015, 26(5) : 986－991. (in Chinese with English abstract)

[24] 崔東文. 幾種智能算法與支持向量機(jī)融合模型在中長期月徑流預(yù)測中的應(yīng)用[J]. 華北水利水電大學(xué)學(xué)報，2016(5)：51－57. Cui Dongwen. Application of several intelligent algorithms and support vector machine fusion model in medium and long term runoff forecasting[J]. North China Institute of Water Conservancy and Hydroelectric Power, 2016(5): 51－57. (in Chinese with English abstract)

[25] 孫俊，莫云南，戴春霞，等. 基于介電特性與IRIV-GWO-SVR算法的番茄葉片含水率檢測[J]. 農(nóng)業(yè)工程學(xué)報，2018，34(14)：188－195. Sun Jun, Mo Yunnan, Dai Chunxia, et. al. Detection of moisture content of tomato leaves based on dielectric properties and IRIV-GWO-SVR algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(14): 188－195. (in Chinese with English abstract)

[26] 段青玲，張磊，魏芳芳，等. 基于時間序列GA-SVR的水產(chǎn)品價格預(yù)測模型及驗證[J]. 農(nóng)業(yè)工程學(xué)報，2017，33(1)：308－314. Duan Qingling, Zhang Lei, Wei Fangfang, et. al. Forecasting model and validation for aquatic product price based on time series GA-SVR[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(1): 308－314. (in Chinese with English abstract)

[27] 王海軍，柳敏燕，高娟. 利用遺傳算法和支持向量機(jī)測算農(nóng)用地理論單產(chǎn)和可實現(xiàn)單產(chǎn)[J]. 農(nóng)業(yè)工程學(xué)報，2013，29(19)：244－252. Wang Haijun, Liu Minyan, Gao Juan. Calculation of theoretical and accessible yields of agricultural land based on geneticalgorithm and support vector machine[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(19): 244－252. (in Chinese with English abstract)

[28] 孫俊，張國坤，毛罕平，等. 基于介電特性與回歸算法的玉米葉片含水率無損檢測[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2016，47(4)：257－264. Sun Jun, Zhang Guokun, Mao Hanping, et al. Nondestructive moisture content detection of corn leaves based on dielectric properties and regression algorithm[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(4): 257－264. (in Chinese with English abstract)

[29] Foucard R, Essid S, Richard G, et al. Exploring new features for music classification[C]//IEEE Transportation on 2013 14th International Workshop on Image Analysis for Multimedia Interactive Services, 2013: 1－4.

[30] 果佳良. 基于計算機(jī)視覺的魚類三維行為監(jiān)測研究及應(yīng)用[D]. 秦皇島: 燕山大學(xué)，2011. Guo Jialiang. Fish Behavior of Three-Dimensional monitoring Research and Application Based on Computer Vision[D]. Qinhuangdao: Yanshan University, 2011. (in Chinese with English abstract)

[31] 高新浩，黃茹楠，楊育林. 水下相機(jī)標(biāo)定算法研究[J]. 燕山大學(xué)學(xué)報，2014，38(3)：252－258. Gao Xinhao, Huang Runan, Yang Yulin. Study on underwater camera calibration algorithm[J]. Journal of Yanshan University, 2014, 38(3): 252－258. (in Chinese with English abstract)

[32] He Lei, Wang Guanghui, Hu Zhanyi. Learning depth from single images with deep neural network embedding focal length[J]. IEEE permission On Image Processing, 2018, 27(9): 4676－4689.

[33] 黃小云，高峰，徐國艷，等. 基于單幅立式標(biāo)靶圖像的單目深度信息提取[J]. 北京航空航天大學(xué)學(xué)報，2015，41(4)：649－655. Huang Xiaoyun, Gao Feng, Xu Guoyan, et al. Depth Information extraction of on-board monocular vision based on a single vertical target image[J]. Journal of Beijing University of Aeronautics and Astronautics, 2015, 41(4): 649－655. (in Chinese with English abstract)

Calibration for fish behavior binocular visual observation system based on GA-SVR full vision field model

Liu Shijing1,2, Tang Rong1,2, Zhou Haiyan1, Liu Xingguo1,2, Chen Jun1,2※, Wang Shuai1

(1.,,200092,; 2.,,200092,)

For reducing the calibration error and improving the measurement accuracy of fish behavior observation system, a binocular calibration method based on genetic algorithm-support vector regression (GA-SVR) is proposed to solve the problem of image distortion and light refraction, and realize the indirect calibration of underwater large field of view. In this paper, a standard board with 49 uniformly arranged circular targets points developed by HALCON is chosen for calibration. The diameter of the target is 35.5 mm, the center distance of two targets is 70 mm, and the size of the calibration board is 600 mm×600 mm. Furthermore, in order to reduce the dependence on precision instruments for full-view sampling, a sliding track with bidirectional mobile positioning ability is designed, which is manufactured by the high precision CNC(computerized numerical control) tool with accuracy of 0.05 mm. And along the short axis of the track, 17 pairs of slots are machined at 50 mm intervals to locate the calibration board longitudinal moving distance. A transverse moving bar is erected in the slots, and on which 3 pairs of slots are machined at 400 mm intervals. According to the slot positions, the calibration board is moved along the long axis and the moving rod is moved along the short axis respectively. Sample images are acquired at each slot position, so that the image of the calibration board can cover the whole space of fish tank. The calibration board is used as the basis to collect parallax coordinates and world coordinates, and then the complete sample sets are established in the entire effective vision field of the binocular system. The parallax coordinates of the target points are acquired by Halcon operators, and the relative position information of the calibration board is acquired according to the position of sliding track. The samples of target point used in this study include 2 352 targets from all 49 sample images. The SVR is selected to train the sample set, and three decision function with mathematical expression are established with model parameters calculated by the genetic algorithm. In this article the differential evolution(DE) algorithm, particle swarm optimization(PSO) algorithm and genetic algorithm(GA) are chosen to optimize the SVR parameters, and establish the calibration models respectively. The root mean square error(RMSE), single point error and cross-correlation coefficient are used as evaluation indicators. Based on evaluation results the optimal parameters are selected to establish the position calibration model in,,axis respectively. Experimental results show that the genetic algorithm has better optimization effect than the other two algorithms. The mean square errors acquired of,andaxis are 0.959, 0.893 and 4.381 mm, and the correlation coefficients are 0.999 988, 0.999 998 and 0.998 356, respectively. Compared with traditional calibration methods, the single-point mean square error and distance mean square error of proposed method are 1.861 and 0.706 mm, which are lower than that of calibration method in air (single-point mean square error of 27.75 mm; distance mean square error of 10.188 mm) and underwater calibration methods (single-point mean square error of 8.215 mm; distance mean square error of 2.832 mm). This study could provide reference for quantitative methods of fish behavior.

measurements; systems; calibration; fish behavior; full vision field; visual observation system; models

2018-11-22

2019-02-24

國家重點研發(fā)計劃（2017YFD0701705）；中國水產(chǎn)科學(xué)研究院中央級公益性科研院所基本科研業(yè)務(wù)費(fèi)專項資金項目（2016HY-ZD14）

劉世晶，助理研究員，主要從事漁業(yè)信息化、圖像處理、模式識別和機(jī)器視覺相關(guān)領(lǐng)域研究。Email：liushijing@fmiri.ac.cn

陳軍，研究員，主要從事數(shù)字漁業(yè)相關(guān)領(lǐng)域研究。 Email：chenjun@fmiri.ac.cn

10.11975/j.issn.1002-6819.2019.06.022

S951.2

A

1002-6819(2019)-06-0181-09

劉世晶，唐 榮，周海燕，劉興國，陳 軍，王 帥. 基于全視域GA-SVR模型的魚類行為雙目視覺觀測系統(tǒng)標(biāo)定[J]. 農(nóng)業(yè)工程學(xué)報，2019，35(6)：181－189. doi：10.11975/j.issn.1002-6819.2019.06.022 http://www.tcsae.org

Liu Shijing, Tang Rong, Zhou Haiyan, Liu Xingguo, Chen Jun, Wang Shuai. Calibration for fish behavior binocular visual observation system based on GA-SVR full vision field model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(6): 181－189. (in Chinese with English abstract) doi：10.11975/ j.issn.1002-6819.2019.06.022 http://www.tcsae.org