多目標(biāo)魚(yú)體對(duì)象提議檢測(cè)算法研究

孫龍清 劉 婷 陳帥華 吳雨寒

(中國(guó)農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院， 北京 100083)

0 引言

魚(yú)的行為變化與養(yǎng)殖環(huán)境密切相關(guān)，可以作為水質(zhì)監(jiān)測(cè)的依據(jù)[1-2]?；谝曨l圖像處理技術(shù)對(duì)多目標(biāo)魚(yú)體進(jìn)行精確且快速的檢測(cè)定位，有助于進(jìn)一步提取多目標(biāo)魚(yú)體的運(yùn)動(dòng)和行為參數(shù)，對(duì)水質(zhì)異常做到早預(yù)警[3-5]。準(zhǔn)確有效的多目標(biāo)魚(yú)體檢測(cè)算法是魚(yú)群行為分析和水質(zhì)監(jiān)測(cè)的基礎(chǔ)。

目標(biāo)檢測(cè)是根據(jù)目標(biāo)區(qū)別于背景的特征，利用視頻圖像識(shí)別技術(shù)將目標(biāo)從圖像中自動(dòng)識(shí)別出來(lái)并進(jìn)行定位[6]。對(duì)象提議算法通過(guò)預(yù)先找出圖像中目標(biāo)可能出現(xiàn)的區(qū)域，避免滑動(dòng)窗口的窮盡搜索，提高檢測(cè)速度的精度。對(duì)象提議算法主要分為基于聚類操作的對(duì)象提議算法和基于窗口打分的對(duì)象提議算法[7]。基于聚類操作的對(duì)象提議算法中最具代表性的是UIJLINGS等[8]提出的選擇性搜索算法(Selective search，SS)，利用分割算法[9]產(chǎn)生超像素區(qū)域，通過(guò)不斷合并超像素來(lái)生成不同大小的候選窗口，已被應(yīng)用于R-CNN[10]、 Fast R-CNN[11]等物體檢測(cè)框架中，生成的候選窗口召回率高，缺點(diǎn)是運(yùn)算速度慢?；诖翱诖蚍值膶?duì)象提議算法利用滑動(dòng)窗口遍歷圖像，根據(jù)特定的特征對(duì)窗口打分篩選得到候選窗口，CHENG等[12]提出的二值化規(guī)范梯度(Binarized normed gradients，BING)對(duì)象提議算法，基于邊緣特征訓(xùn)練兩級(jí)線性SVM模型對(duì)窗口進(jìn)行打分，篩選得到候選區(qū)域，獲得的候選窗口召回率高，運(yùn)算速度快，但隨著候選窗口與真實(shí)窗口之間的交并比(Intersection over union，IOU)標(biāo)準(zhǔn)的嚴(yán)格，召回率會(huì)明顯下降。

針對(duì)對(duì)象提議算法難以同時(shí)滿足高召回率和高運(yùn)算速度的問(wèn)題，ZITNICK等[13]提出了Edge Boxes算法，基于滑動(dòng)窗口完全包含的邊緣數(shù)量對(duì)窗口打分篩選得到候選窗口，保證了高召回率和較高的運(yùn)算速度。ZHAO等[14]應(yīng)用Edge Boxes算法實(shí)現(xiàn)了行人檢測(cè)，在夜間環(huán)境下由于部分邊緣信息的丟失，會(huì)出現(xiàn)漏檢情況；HU等[15]將Edge Boxes算法與選擇性搜索算法結(jié)合起來(lái)，實(shí)現(xiàn)了對(duì)癌細(xì)胞的檢測(cè)，當(dāng)癌細(xì)胞之間出現(xiàn)黏連時(shí)，會(huì)出現(xiàn)一個(gè)候選窗口包含多個(gè)癌細(xì)胞的情況；KUANG等[16]將區(qū)域相似性與Edge Boxes算法融合，實(shí)現(xiàn)了對(duì)多種水果的檢測(cè)，當(dāng)水果間緊密相鄰時(shí)，易出現(xiàn)一個(gè)候選窗口包含多個(gè)目標(biāo)的狀況。大量的研究應(yīng)用表明，Edge Boxes主要缺陷在于：①當(dāng)圖像中的目標(biāo)物體位于低能見(jiàn)度環(huán)境下時(shí)，目標(biāo)物體會(huì)缺失部分邊緣信息，使得召回率降低，最終造成漏檢。②Edge Boxes算法具有窗口包含邊緣段越多、越易于獲得更高得分的特性，當(dāng)目標(biāo)相鄰或輕微重疊時(shí)，最終篩選獲得的候選窗口可能包含多個(gè)目標(biāo)，無(wú)法實(shí)現(xiàn)對(duì)每個(gè)目標(biāo)的精確檢測(cè)。

為克服上述缺陷，生成高召回率的候選窗口，實(shí)現(xiàn)多目標(biāo)魚(yú)體的精確檢測(cè)，本文提出利用魚(yú)體圖像的骨架和邊緣信息，設(shè)計(jì)新的窗口打分策略，獲得候選窗口，訓(xùn)練主成分分析(Principal component analysis，PCA)卷積核提取魚(yú)體目標(biāo)和背景的特征，利用支持向量機(jī)分類得到魚(yú)體目標(biāo)所在的候選窗口，運(yùn)用非極大值抑制算法[17]剔除得分低的窗口，完成目標(biāo)檢測(cè)。

1 材料和方法

1.1 實(shí)驗(yàn)平臺(tái)與樣本數(shù)據(jù)集

實(shí)驗(yàn)平臺(tái)主要由攝像機(jī)、魚(yú)缸和臺(tái)式計(jì)算機(jī)3部分組成，如圖1所示。 攝像機(jī)為?？低暪I(yè)攝像機(jī)，分辨率為3 840像素×2 160像素，安裝在養(yǎng)殖魚(yú)缸的正上方；魚(yú)缸尺寸為120 cm×120 cm×100 cm，其中水深50 cm；臺(tái)式計(jì)算機(jī)的顯卡為NVIDIA GeForce GTX 970M，16 GB內(nèi)存。

圖1 實(shí)驗(yàn)平臺(tái)Fig.1 Experiment platform1.攝像機(jī) 2.魚(yú)缸 3.臺(tái)式計(jì)算機(jī)

樣本數(shù)據(jù)集截取自上述實(shí)驗(yàn)平臺(tái)采集到的真實(shí)視頻圖像，數(shù)據(jù)集構(gòu)建步驟如下：

(1)從視頻中截取1 500幅魚(yú)體圖像數(shù)據(jù)，這些圖像數(shù)據(jù)可以是連續(xù)截取的，也可是隨機(jī)挑選的，圖像樣本如圖2a所示。

圖2 訓(xùn)練數(shù)據(jù)集Fig.2 Training data sets

(2)對(duì)截取的圖像利用開(kāi)源圖像標(biāo)注軟件labelImg進(jìn)行人工標(biāo)注，生成表明魚(yú)體真實(shí)位置的XML文件。

(3)根據(jù)標(biāo)注，將含有目標(biāo)魚(yú)體的區(qū)域剪裁下來(lái)構(gòu)成檢測(cè)對(duì)象識(shí)別模型的正樣本，如圖2b所示，隨機(jī)剪裁一些背景區(qū)域作為負(fù)樣本，如圖2c所示。

1.2 算法原理

本目標(biāo)檢測(cè)模型主要包括獲得候選窗口和檢測(cè)對(duì)象識(shí)別兩部分，完整的算法流程如圖3所示。

圖3 魚(yú)體檢測(cè)算法流程圖Fig.3 Flow chart of fish detection algorithm

1.2.1獲得候選窗口

用不同寬高比、不同尺度的滑動(dòng)窗口按照一定的滑動(dòng)步長(zhǎng)對(duì)圖像進(jìn)行從左到右、從上到下的掃描，生成一系列初始窗口，基于圖像的骨架信息和邊緣信息設(shè)計(jì)打分函數(shù)對(duì)初始窗口打分，篩選得到候選窗口。

(1)骨架信息提取

對(duì)連續(xù)多幀圖像求相應(yīng)位置像素值的中值作為背景模型，將待檢測(cè)圖像與背景差分獲得運(yùn)動(dòng)前景，對(duì)運(yùn)動(dòng)前景二值化后進(jìn)行骨架提取，二值化運(yùn)動(dòng)前景如圖4所示。骨架提取可以理解為提取出運(yùn)動(dòng)前景的中心軸[18-19]，原理如圖5所示。假設(shè)P1=1為待判斷的點(diǎn)，其8鄰域分別按照?qǐng)D5中的順序標(biāo)記為P2、P3、P4、P5、P6、P7、P8、P9。

圖4 二值化運(yùn)動(dòng)前景Fig.4 Binarization of foreground segmentation

圖5 骨架提取原理圖Fig.5 Schematic of skeleton extraction

為了保證骨架的連續(xù)性，將每次迭代分為兩個(gè)子迭代。在第1個(gè)子迭代中，去除同時(shí)滿足以下條件的點(diǎn)

式中B(P1)——點(diǎn)P1的8鄰域中像素值為1的點(diǎn)的像素之和

A(P1)——點(diǎn)P1的8鄰域中，順時(shí)針?lè)较蛳袼刂祻?到1的變化次數(shù)

p2、p4、p6、p8——點(diǎn)P2、P4、P6、P8的像素

在第2個(gè)子迭代中，去除同時(shí)滿足以下條件的點(diǎn)

循環(huán)迭代直到?jīng)]有符合條件的點(diǎn)為止。骨架信息如圖6所示。

圖6 骨架信息Fig.6 Skeleton information

(2)邊緣信息提取

本文采用快速有效的結(jié)構(gòu)化森林邊緣檢測(cè)算子[20]得到魚(yú)體圖像的邊緣響應(yīng)，如圖7所示。為了保證算法的運(yùn)算效率，引入“邊緣段”數(shù)據(jù)結(jié)構(gòu)，即將具有相似性的邊緣點(diǎn)進(jìn)行聚合。搜索邊緣響應(yīng)圖中每一個(gè)邊緣點(diǎn)的8鄰域，找到與其梯度方向角差值最小的邊緣點(diǎn)添加進(jìn)來(lái)，直到梯度方向角差值的和超過(guò)閾值π/2，得到一系列邊緣段，此時(shí)邊緣圖像可以看成是邊緣段的集合。

圖7 邊緣響應(yīng)圖Fig.7 Edge response map

(3)初始窗口打分

針對(duì)滑動(dòng)窗口從左到右、從上到下掃描得到的一系列初始窗口，依據(jù)提取到的二值化運(yùn)動(dòng)前景可以濾除一部分不可能位于目標(biāo)之上的初始窗口。對(duì)初始窗口打分的兩個(gè)重要依據(jù)為窗口中完全包含的邊緣段數(shù)量和窗口中可能包含的魚(yú)體數(shù)量。

設(shè)定位于窗口邊界上的邊緣段為窗口外物體的邊緣響應(yīng)，基于與窗口邊界上的邊緣段的相似度，對(duì)初始窗口中每一個(gè)邊緣段計(jì)算一個(gè)0～1范圍內(nèi)的連續(xù)值來(lái)指示其被初始窗口完全包含的程度

(1)

其中

a(si,sj)=|cos(θi-θij)cos(θj-θij)|γ

(2)

式中w(si)——邊緣段si被初始窗口完全包含的程度

b——初始窗口

Sb——窗口b邊界上的邊緣段集合

xi——邊緣段si上任意一點(diǎn)

T——長(zhǎng)度為|T|的有向邊緣組路徑，起點(diǎn)是t1=sj∈Sb，終點(diǎn)是t|T|=si

a(si,sj)——任意兩個(gè)邊緣段之間的相似度

θi——邊緣段si的平均方向角

θj——邊緣段sj的平均方向角

θij——邊緣段si平均坐標(biāo)位置和邊緣段sj平均坐標(biāo)位置連線向量的方向角

γ——調(diào)節(jié)相似度計(jì)算的敏感度

把在原圖生成的初始窗口b映射到骨架圖像上，處理初始窗口內(nèi)的連通區(qū)域時(shí)，一個(gè)點(diǎn)其8鄰域中只有1個(gè)非零像素點(diǎn)與它相鄰，則該點(diǎn)是骨架的端點(diǎn)，通過(guò)對(duì)骨架的端點(diǎn)計(jì)數(shù)可以估計(jì)初始窗口中完全包含的魚(yú)體數(shù)量。

(3)

其中

u=uin-ub

(4)

式中μ——初始窗口中可能包含的魚(yú)體數(shù)

u——完全包含在初始窗口b中的骨架的端點(diǎn)數(shù)

uin——初始窗口b中的所有端點(diǎn)數(shù)

ub——初始窗口b中與窗口邊界相關(guān)的端點(diǎn)數(shù)

(5)

(6)

式中hb——初始窗口b的得分

mi——邊緣段si上所有邊緣點(diǎn)幅值的總和

bw——初始窗口b的寬度

bh——初始窗口b的高度

nb——初始窗口b對(duì)應(yīng)運(yùn)動(dòng)前景像素值的和

λ——分子標(biāo)準(zhǔn)化系數(shù)，本文設(shè)置為1.5

p——邊緣點(diǎn)

mp——邊緣點(diǎn)的幅值

當(dāng)u=0時(shí)，為了保證不出現(xiàn)打分函數(shù)分母為0的極端情況，設(shè)置μ=1。

根據(jù)分?jǐn)?shù)對(duì)初始窗口進(jìn)行排序，并輸出得分排名前β的窗口作為單幅圖像的候選窗口，用于后續(xù)檢測(cè)對(duì)象識(shí)別階段。其中β為可以使本文魚(yú)體對(duì)象提議算法達(dá)到最高召回率的最少候選窗口。

1.2.2檢測(cè)對(duì)象識(shí)別

計(jì)算每一個(gè)候選窗口對(duì)應(yīng)區(qū)域

(7)

G——候選窗口對(duì)應(yīng)區(qū)域

經(jīng)過(guò)兩級(jí)PCA卷積后，每個(gè)候選窗口對(duì)應(yīng)區(qū)域生成了l×r幅特征圖。對(duì)這些特征圖進(jìn)行哈希編碼，堆疊成l組特征圖，每組r幅二進(jìn)制特征圖。將每組的r幅二進(jìn)制特征圖轉(zhuǎn)換成1幅十進(jìn)制特征圖，共有l(wèi)幅。最后對(duì)每1幅特征圖進(jìn)行直方圖統(tǒng)計(jì)，形成一個(gè)直方圖向量，把l個(gè)直方圖向量串聯(lián)為一個(gè)特征向量后，輸入到SVM中分類，判斷該候選窗口是否含有目標(biāo)。保留包含魚(yú)體的候選窗口并濾除位于背景的候選窗口，保留下的部分候選窗口會(huì)在同一個(gè)魚(yú)體目標(biāo)上高度重疊，本文利用非極大值抑制算法解決該問(wèn)題，完成多目標(biāo)魚(yú)體檢測(cè)。

1.2.3PCA卷積核與SVM訓(xùn)練

設(shè)有N個(gè)尺寸為K×K的訓(xùn)練樣本，對(duì)于每一個(gè)訓(xùn)練樣本，利用k×k的采樣窗口以每個(gè)像素點(diǎn)為中心進(jìn)行采樣，則每一個(gè)訓(xùn)練樣本共K2個(gè)采樣塊，每個(gè)采樣塊的尺寸為k×k。N個(gè)訓(xùn)練樣本構(gòu)成一個(gè)k×k行、K2×N列的矩陣。提取采樣矩陣的協(xié)方差矩陣的前L1個(gè)特征向量構(gòu)成第1級(jí)PCA卷積核。

將訓(xùn)練樣本與第1級(jí)PCA卷積核進(jìn)行卷積，對(duì)卷積結(jié)果采用與第1級(jí)相同的方法獲得第2級(jí)PCA卷積核。將第1級(jí)卷積結(jié)果與第2級(jí)PCA卷積核進(jìn)行卷積得到特征圖，經(jīng)過(guò)哈希編碼與直方圖統(tǒng)計(jì)獲得特征向量輸入到SVM中訓(xùn)練，得到檢測(cè)對(duì)象識(shí)別模型。

2 實(shí)驗(yàn)與討論

2.1 魚(yú)體對(duì)象提議算法效果分析

2.1.1滑動(dòng)窗口的寬高比、面積和滑動(dòng)步長(zhǎng)

對(duì)人工標(biāo)注魚(yú)體真實(shí)位置窗口的寬和高進(jìn)行統(tǒng)計(jì)分析，設(shè)定滑動(dòng)窗口的寬高比在[1/3,3]之間；滑動(dòng)窗口的面積在100～10 000像素之間；滑動(dòng)窗口的步長(zhǎng)α是通過(guò)相鄰滑動(dòng)窗口的交并比來(lái)表示的，當(dāng)該值設(shè)定太大時(shí)，會(huì)生成密集的初始窗口增加運(yùn)算時(shí)長(zhǎng)，當(dāng)該值設(shè)定太小，又會(huì)降低命中率。經(jīng)過(guò)實(shí)驗(yàn)分析，滑動(dòng)窗口的步長(zhǎng)α一般情況下設(shè)置為0.7，具體實(shí)驗(yàn)結(jié)果如表1所示。α的計(jì)算公式為

(8)

式中St——當(dāng)前時(shí)刻與下一時(shí)刻滑動(dòng)窗口的交集

St′——當(dāng)前時(shí)刻與下一時(shí)刻滑動(dòng)窗口的并集

IOU閾值定義為

(9)

式中TIOU——候選窗口與人工標(biāo)注窗口的交并比

Soverlap——候選窗口與人工標(biāo)注窗口的交集

Sunion——候選窗口與人工標(biāo)注窗口的并集

召回率(Recall)定義為

(10)

式中R——召回率

Tp——存在目標(biāo)的候選窗口數(shù)量

Fn——不存在目標(biāo)的候選窗口數(shù)量

表1 不同IOU閾值和α下本文算法召回率 (前1 000個(gè)候選窗口)和運(yùn)行時(shí)間Tab.1 Results of proposal recall at 1 000 proposals and runtime at different values of IOU and α

分析表1可知,在IOU閾值較低時(shí)，如TIOU≤0.7，步長(zhǎng)α為0.70時(shí),本文算法在運(yùn)行效率和召回率之間有一個(gè)較好的平衡；當(dāng)IOU閾值較高時(shí)，如TIOU=0.9，步長(zhǎng)α為0.85時(shí)，會(huì)生成密集的初始窗口，使得算法的召回率提高，但運(yùn)行時(shí)間高達(dá)2.30 s。由上述分析可知，一般情況下設(shè)定滑動(dòng)窗口的寬高比為 [1/3，3]、面積為100～10 000像素，α取0.7，對(duì)輸入圖像進(jìn)行遍歷。

2.1.2召回率分析

衡量本文算法性能的一個(gè)重要指標(biāo)是召回率。評(píng)價(jià)召回率的方法有兩種[22]:固定候選窗口數(shù)量，根據(jù)不同的IOU閾值來(lái)計(jì)算召回率；固定IOU閾值，根據(jù)不同的候選窗口數(shù)量計(jì)算召回率。

依據(jù)這兩種評(píng)價(jià)方法在真實(shí)數(shù)據(jù)樣本上分析比較本文算法、Edge Boxes算法和滑動(dòng)窗口算法，其中滑動(dòng)窗口算法作為參照基準(zhǔn)。分別固定候選窗口數(shù)量為100、500、1 000個(gè)，設(shè)置步長(zhǎng)α為0.7，依據(jù)不同的IOU閾值計(jì)算召回率，實(shí)驗(yàn)結(jié)果如圖8所示。

圖8 3種不同候選窗口數(shù)量下的召回率對(duì)比Fig.8 Comparison of recall rates under three different proposals

由圖8可知，本文算法的召回率均比Edge Boxes算法高。TIOU≤0.7時(shí)，本文算法召回率較Edge Boxes算法提升明顯；而TIOU≥0.8時(shí)，本文算法改善微弱，但是根據(jù)表1可知，若僅實(shí)現(xiàn)在高IOU閾值下保持高召回率，且不考慮時(shí)間，可以通過(guò)增大步長(zhǎng)α的方式實(shí)現(xiàn)。

在IOU閾值分別為0.5、0.7和0.9時(shí)，根據(jù)不同候選窗口數(shù)量來(lái)計(jì)算召回率。其中在IOU閾值為0.5和0.7時(shí)設(shè)置α為0.7，在IOU閾值為0.9時(shí)設(shè)置α為0.85，實(shí)驗(yàn)結(jié)果如圖9所示。

圖9 3種不同IOU閾值下的召回率對(duì)比Fig.9 Comparison of recall rates under three different values of IOU

由圖9可知，本文算法召回率相較于Edge Boxes算法均有不同程度的提高。在IOU閾值為0.5、0.7和0.9時(shí)，本文算法召回率最高分別為96.9%、78.4%和31.0%，高于Edge Boxes算法的85.2%、58.5%和27.0%。根據(jù)圖9b可知，當(dāng)候選窗口數(shù)量大于950時(shí)，召回率曲線斜率趨向于0，說(shuō)明當(dāng)候選窗口數(shù)量大于950時(shí)，召回率基本不變，故本文選擇窗口得分排名前950的候選窗口進(jìn)行目標(biāo)對(duì)象的識(shí)別。

2.2 檢測(cè)對(duì)象識(shí)別模型參數(shù)分析

通過(guò)對(duì)魚(yú)體標(biāo)注框的統(tǒng)計(jì)可知，其寬、高均處于40～120像素之間，本文將訓(xùn)練樣本的尺寸統(tǒng)一設(shè)置為64像素×64像素。檢測(cè)對(duì)象識(shí)別模型的主體部分是兩級(jí)PCA卷積， PCA卷積核的尺寸和數(shù)量是決定識(shí)別準(zhǔn)確率的關(guān)鍵因素。

為了確定卷積核的尺寸，本文分別使用3×3、5×5、7×7、9×9共4種不同尺寸的卷積核進(jìn)行實(shí)驗(yàn)，設(shè)兩級(jí)PCA卷積核數(shù)量都為8，實(shí)驗(yàn)結(jié)果如表2所示。

表2 不同尺寸卷積核識(shí)別準(zhǔn)確率對(duì)比Tab.2 Classification accuracy comparison of different convolution kernel size

由表2可知，在固定兩級(jí)卷積核數(shù)量的情況下，卷積核尺寸為5×5時(shí)的識(shí)別準(zhǔn)確率最高，為94.25%，因此在訓(xùn)練檢測(cè)對(duì)象識(shí)別模型時(shí)，采樣塊尺寸為5×5。

確定卷積核為5×5后，通過(guò)改變卷積核數(shù)量η分析其對(duì)識(shí)別準(zhǔn)確率的影響，設(shè)兩級(jí)卷積核的數(shù)量一致，即L1=L2=η,結(jié)果如圖10所示。

圖10 不同卷積核數(shù)量下的識(shí)別準(zhǔn)確率Fig.10 Identification accuracy under different convolution kernel numbers

由圖10可知，當(dāng)4≤η≤9時(shí)，識(shí)別準(zhǔn)確率隨著η的增大而提高，當(dāng)η=9時(shí)，識(shí)別準(zhǔn)確率達(dá)到最大值95.71%，當(dāng)10≤η≤12時(shí)，識(shí)別準(zhǔn)確率隨η的增大而下降。由此可知，PCA卷積核數(shù)量為9時(shí)識(shí)別效果最優(yōu)。

2.3 本文算法效果分析

Edge Boxes-PCANet算法的檢測(cè)效果如圖11所示，本文算法的檢測(cè)效果如圖12所示。

圖11和圖12來(lái)自于本實(shí)驗(yàn)平臺(tái)采集到的真實(shí)

圖11 Edge Boxes-PCANet算法檢測(cè)效果圖Fig.11 Detection effect diagram of Edge Boxes-PCANet detection algorithm

圖12 本文算法檢測(cè)效果圖Fig.12 Detection effect diagram of the proposed algorithm

數(shù)據(jù)，直觀地對(duì)比檢測(cè)效果，本文算法能夠針對(duì)目標(biāo)魚(yú)體生成更緊密的包圍框，并且對(duì)處于較深水體處的目標(biāo)魚(yú)體也展現(xiàn)了較好的檢測(cè)性能，如圖中的綠色圓圈標(biāo)記所示。

對(duì)檢測(cè)結(jié)果進(jìn)行數(shù)據(jù)分析，如表3所示，本文算法的漏檢率、誤檢率均低于Edge Boxes-PCANet算法，表明本文算法的性能優(yōu)于Edge Boxes-PCANet算法。

表3 本文算法與Edge Boxes-PCANet算法的檢測(cè)性能對(duì)比Tab.3 Comparision of detection performance between the proposed algorithm and Edge Boxes-PCANet algorithm

3 結(jié)論

(1)根據(jù)魚(yú)體圖像的邊緣和骨架特征提出了多目標(biāo)魚(yú)體對(duì)象提議檢測(cè)算法，對(duì)生成的候選窗口利用 PCA卷積核提取特征，利用SVM進(jìn)行目標(biāo)對(duì)象識(shí)別，最后利用非極大值抑制算法剔除冗余窗口，實(shí)現(xiàn)對(duì)多目標(biāo)魚(yú)體的精確檢測(cè)。

(2)實(shí)驗(yàn)表明，本文算法在固定候選窗口下召回率最高可達(dá)96.9%；對(duì)目標(biāo)對(duì)象的最高識(shí)別準(zhǔn)確率可達(dá)95.71%。本文算法的漏檢率、誤檢率和平均檢測(cè)時(shí)間分別為5.26%、2.52%和0.40 s，與Edge Boxes-PCANet算法相比，本文檢測(cè)算法在多目標(biāo)魚(yú)體檢測(cè)上具有更優(yōu)越的性能。