基于改進(jìn)Vibe算法的觀賞魚目標(biāo)檢測(cè)研究

楊嵐蘭　侍國忠　陳明　張重陽

摘要 借助計(jì)算機(jī)視覺技術(shù)研究魚類行為已逐漸成為熱點(diǎn)課題，該技術(shù)模擬生物視覺原理，通過處理采集的圖片或視頻獲得動(dòng)態(tài)目標(biāo)參數(shù)信息，以達(dá)到對(duì)魚類游泳行為監(jiān)測(cè)分析的目的。利用傳統(tǒng)的Vibe算法進(jìn)行魚類游泳行為監(jiān)測(cè)會(huì)出現(xiàn)消除鬼影需要消耗大量視頻幀，存在水面波紋的動(dòng)態(tài)背景下運(yùn)動(dòng)目標(biāo)的檢測(cè)結(jié)果不準(zhǔn)確的問題，因此提出了一種改進(jìn)的Vibe算法。針對(duì)消除鬼影需要消耗大量視頻幀，提出利用層次遍歷搜索算法對(duì)目標(biāo)圖像進(jìn)行標(biāo)記并計(jì)數(shù)方法來自適應(yīng)調(diào)整背景更新概率以實(shí)現(xiàn)快速消除鬼影。針對(duì)存在水面波紋的動(dòng)態(tài)背景下運(yùn)動(dòng)目標(biāo)的檢測(cè)結(jié)果不夠精確，提出基于LBP和HSV去除水面波紋以提高檢測(cè)精度。

關(guān)鍵詞 運(yùn)動(dòng)目標(biāo)檢測(cè);Vibe算法;鬼影去除;動(dòng)態(tài)背景

中圖分類號(hào) TP 391文獻(xiàn)標(biāo)識(shí)碼 A

文章編號(hào) 0517-6611（2020）16-0222-05

doi：10.3969/j.issn.0517-6611.2020.16.063

Research on Target Detection of Ornamental Fish Based on Improved Vibe Algorithm

YANG Lan-lan1，SHI Guo-zhong2，3，CHEN Ming2，3 et al （1.Jiangsu Zhongyang Group Co.，Ltd.，Nantong，Jiangsu 226600;2.College of Information Technology，Shanghai Ocean University，Shanghai 201306;3.Key Laboratory of Fisheries Information，Ministry of Agriculture and Rural Affairs，Shanghai 201306）

Abstract Using computer vision technology to study fish behavior has gradually become a hot topic.It simulates the principle of biological vision and obtains dynamic target parameter information by processing collected pictures or videos to achieve the purpose of monitoring and analyzing fish swimming behavior.Using the traditional Vibe algorithm to monitor fish swimming behaviors，a large number of video frames will be consumed to eliminate ghost images，and there is a problem of inaccurate detection results of moving targets under the dynamic background of water ripples.Therefore，an improved Vibe algorithm is proposed .In order to eliminate the ghost image，a large number of video frames are consumed.This paper proposes a method of labeling and counting the target image by using a hierarchical traversal search algorithm to adaptively adjust the background update probability to quickly eliminate the ghost image.The detection results of moving targets under dynamic background with water surface ripple are not accurate enough.This paper proposes to remove water surface ripple based on LBP and HSV to improve detection accuracy.

Key words Moving target detection;Vibe algorithm;Ghost removal;Dynamic background

基金項(xiàng)目 國家重點(diǎn)研發(fā)計(jì)劃（2018YFD0701003）。

作者簡(jiǎn)介 楊嵐蘭（1986—），女，江蘇海安人，工程師，碩士，從事電子信息工程研究。

收稿日期 2020-02-18;修回日期 2020-03-16

計(jì)算機(jī)視覺（Computer vision）技術(shù)是一種快速、經(jīng)濟(jì)、有效的測(cè)量和評(píng)價(jià)手段，通過實(shí)現(xiàn)人的視覺功能來感知、識(shí)別和理解三維場(chǎng)景[1]。運(yùn)動(dòng)目標(biāo)檢測(cè)是計(jì)算機(jī)視覺研究的前沿課題，借助運(yùn)動(dòng)目標(biāo)檢測(cè)研究魚類行為已逐漸成為熱點(diǎn)課題。通過檢測(cè)運(yùn)動(dòng)的魚，可以得到魚的軌跡、位置、尺寸、形狀、加速度等進(jìn)行魚類游泳行為的識(shí)別與分析[2]。魚類游泳行為的研究為改進(jìn)捕撈技術(shù)、優(yōu)化養(yǎng)殖環(huán)境、監(jiān)測(cè)水源水質(zhì)[3-4]、增強(qiáng)漁業(yè)資源保護(hù)與管理能力提供了理論基礎(chǔ)，是魚類行為學(xué)、生理學(xué)、生態(tài)學(xué)等學(xué)科的重要研究?jī)?nèi)容[5]。當(dāng)前主要的運(yùn)動(dòng)目標(biāo)檢測(cè)算法分為3類：幀間差分法[6]、背景差分法[7-8]、光流法[9]。其中，幀間差分法時(shí)間復(fù)雜度較低，但對(duì)二值化的閾值選取要求較高，閾值選取太小會(huì)導(dǎo)致檢測(cè)結(jié)果中有大量的噪聲，但選取過大又會(huì)丟失大量的運(yùn)動(dòng)目標(biāo)信息，并且它受魚的運(yùn)動(dòng)速度影響較大，如果魚發(fā)生突然性地跳躍，用幀間差分法檢測(cè)就會(huì)出現(xiàn)雙輪廓的現(xiàn)象;光流法最大的優(yōu)點(diǎn)就是能夠適應(yīng)攝像機(jī)運(yùn)動(dòng)的監(jiān)控場(chǎng)景，但是因?yàn)樗獙?duì)每1個(gè)像素點(diǎn)計(jì)算光流場(chǎng)，所以時(shí)間復(fù)雜度很高，而且它很容易受到光照強(qiáng)度變化的影響;背景差分法的基本原理是通過選取一定數(shù)量的視頻幀建立背景模型，將當(dāng)前視頻幀減去背景模型獲得運(yùn)動(dòng)目標(biāo)。背景差分法是常用的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，其中早期典型的方法主要包括混合高斯模型[10]、碼本模型[10-11]、自組織神經(jīng)網(wǎng)絡(luò)模型等[12]。Vibe算法因其檢測(cè)速度快、敏感度高，在移動(dòng)目標(biāo)檢測(cè)方面有著許多應(yīng)用，因此該研究選取背景差分法中的Vibe算法進(jìn)行研究。

目前，針對(duì)鬼影問題主要的解決辦法有改進(jìn)初始化背景模型和改進(jìn)時(shí)間子采樣因子。陳亮等[13]利用相鄰像素點(diǎn)的空間一致性原理對(duì)Vibe算法進(jìn)行改進(jìn)，當(dāng)一像素點(diǎn)被判為前景時(shí)，將該點(diǎn)與其鄰域像素點(diǎn)背景模型中的像素值進(jìn)行匹配，如果匹配點(diǎn)數(shù)超過閾值則判定此像素點(diǎn)為鬼影點(diǎn)，然后消除鬼點(diǎn)并重新初始化該點(diǎn)的背景模型，從而抑制鬼影。該方法雖然能抑制鬼影，但算法運(yùn)算量大。Li等[14]提出了一種幀間差分法與Vibe算法相結(jié)合的改進(jìn)算法，這種方法將開始若干幀的差分結(jié)果與Vibe算法同一幀檢測(cè)得到的結(jié)果進(jìn)行“與”運(yùn)算，抑制鬼影并更新鬼影區(qū)域的背景模型。該方法可以抑制部分鬼影，而剩余鬼影點(diǎn)的抑制還是依賴Vibe原始更新策略，多幀后才能消除。針對(duì)動(dòng)態(tài)背景問題目前主要解決辦法有自適應(yīng)更新閾值、邊緣檢測(cè)和形態(tài)學(xué)處理、改進(jìn)模型更新策略。Guang等[15]提出了自適應(yīng)的距離閾值，對(duì)于和背景區(qū)分不開的前景取得了較好的效果。該方法計(jì)算每個(gè)像素的強(qiáng)度以確定閾值，增加了算法復(fù)雜度。Hofmann等[16]在Vibe算法框架上引入了時(shí)域信息，用連續(xù)N幀圖像建模，通過計(jì)算模型樣本統(tǒng)計(jì)信息得到自適應(yīng)閾值，對(duì)類周期性動(dòng)態(tài)背景有較好的適應(yīng)性，但是對(duì)間斷性的擾動(dòng)背景的響應(yīng)時(shí)間較慢，它還放棄了Vibe算法的單幀建模的優(yōu)勢(shì)，增加了算法的復(fù)雜度和內(nèi)存開銷。鑒于此，筆者在前人研究基礎(chǔ)上針對(duì)消除“鬼影”需要消耗大量視頻幀，提出利用層次遍歷搜索算法對(duì)目標(biāo)圖像進(jìn)行標(biāo)記并計(jì)數(shù)方法來自適應(yīng)調(diào)整背景更新概率，以實(shí)現(xiàn)快速消除鬼影;針對(duì)動(dòng)態(tài)背景情景下運(yùn)動(dòng)的檢測(cè)結(jié)果不夠精確的問題，提出了基于LBP和HSV去除水面波紋以提高檢測(cè)精度，旨在消耗少量視頻幀就可以快速消除鬼影，在水面波紋的動(dòng)態(tài)復(fù)雜背景下也可以準(zhǔn)確地檢測(cè)出運(yùn)動(dòng)目標(biāo)。

1 材料與方法

1.1 對(duì)象與材料

采用草種金魚為試驗(yàn)對(duì)象，體長為3～5 cm。在開展試驗(yàn)前，將試驗(yàn)魚放入試驗(yàn)室水族箱飼養(yǎng)數(shù)月，使其充分適應(yīng)試驗(yàn)環(huán)境。為保證成像質(zhì)量，相機(jī)安裝在水族箱的正上方進(jìn)行拍攝。試驗(yàn)硬件平臺(tái)配置為：Intel Core 8核CPU，8 GB內(nèi)存，Windows 10操作系統(tǒng)。試驗(yàn)數(shù)據(jù)來源于尼康D90拍攝視頻，采用vs 2010 + OpenCV 2.4.9進(jìn)行試驗(yàn)。

1.2 試驗(yàn)方法

1.2.1 Vibe算法。

1.2.1.1 初始化背景模型。Vibe算法假定圖像中每個(gè)像素點(diǎn)和其相鄰像素點(diǎn)有類似的分布。在該假定前提下，背景模型可以通過每個(gè)像素點(diǎn)和其相鄰像素點(diǎn)來表示，建立足夠多的背景模型以符合統(tǒng)計(jì)學(xué)規(guī)律。當(dāng)獲取到第1幀圖像時(shí)，即t=0時(shí)，通過公式1建立背景模型：

式中，C（x，y）表示當(dāng)前點(diǎn)的鄰域像素，f（x，y）表示當(dāng)前點(diǎn)的像素。C（x，y）中的像素點(diǎn)（xi，yi）在N次初始化過程中，被選中的次數(shù)為N = 1，2，3，…，n。

1.2.1.2 背景差分。計(jì)算后續(xù)圖像和背景模型像素點(diǎn)的距離差并統(tǒng)計(jì)距離小于半徑R的個(gè)數(shù)以判定運(yùn)動(dòng)目標(biāo)。

式中，fk（x，y）表示t=k時(shí)像素點(diǎn)的值，num表示每個(gè)像素與背景模型相應(yīng)像素點(diǎn)N個(gè)樣本值的距離小于半徑R的個(gè)數(shù)。

1.2.1.3 背景模型更新。背景模型的更新具有隨機(jī)性，表現(xiàn)在時(shí)間隨機(jī)性和空間隨機(jī)性。①時(shí)間隨機(jī)性。假如圖像中某一位置x相應(yīng)的像素被判定為背景，算法按照一定的概率對(duì)背景模型進(jìn)行更新，這體現(xiàn)了時(shí)間上的隨機(jī)性。②空間隨機(jī)性。隨機(jī)抽取N個(gè)背景模型中的一個(gè)背景模型，設(shè)為PM。 圖1表示PM在x位置的某一像素點(diǎn)及其相鄰的8個(gè)像素點(diǎn)。在PM（x）的相鄰的9個(gè)位置上隨機(jī)的選取1個(gè)像素點(diǎn)PM（r），用Pt（x）來替換PM（r），這體現(xiàn)了空間上的隨機(jī)性。

1.2.2 自適應(yīng)背景更新概率的鬼影消除。傳統(tǒng)Vibe算法中經(jīng)常出現(xiàn)的問題是檢測(cè)結(jié)果中存在鬼影。當(dāng)算法使用第1幀圖片進(jìn)行初始化背景建模時(shí)，圖片中可能包含運(yùn)動(dòng)目標(biāo)，在后續(xù)幀中它們開始運(yùn)動(dòng)便產(chǎn)生了鬼影;當(dāng)圖片中運(yùn)動(dòng)目標(biāo)由運(yùn)動(dòng)狀態(tài)轉(zhuǎn)變成靜止?fàn)顟B(tài)后，再開始運(yùn)動(dòng)也會(huì)產(chǎn)生鬼影。針對(duì)傳統(tǒng)Vibe算法采用保守更新策略：當(dāng)某一像素連續(xù)n次被判斷為前景像素，則判定該像素為鬼影，并采用全局固定的背景更新概率，將鬼影像素更新為背景像素，使得消除鬼影需要消耗大量視頻幀。改進(jìn)傳統(tǒng)Vibe算法的保守更新策略基本思想是：先利用傳統(tǒng)Vibe算法進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)，在獲得含有鬼影的運(yùn)動(dòng)目標(biāo)圖像后利用層次遍歷搜索算法對(duì)目標(biāo)圖像中運(yùn)動(dòng)目標(biāo)進(jìn)行標(biāo)記并計(jì)數(shù)，如果計(jì)數(shù)的結(jié)果和實(shí)際目標(biāo)個(gè)數(shù)不等則加快背景更新概率，如果相等則不改變背景更新概率。

1.2.2.1 標(biāo)圖像標(biāo)記計(jì)數(shù)。傳統(tǒng)Vibe算法檢測(cè)后得到含有鬼影的二值圖?？梢越柚鷮哟伪闅v搜索算法對(duì)前景像素進(jìn)行遍歷，以標(biāo)記檢測(cè)后運(yùn)動(dòng)目標(biāo)，從而獲得圖中運(yùn)動(dòng)目標(biāo)的數(shù)量。具體實(shí)現(xiàn)步驟如下：①按照從左向右、從上到下的順序掃描Vibe算法檢測(cè)后帶有鬼影的二值圖像。②如果當(dāng)前像素點(diǎn)是前景像素點(diǎn)，將num（目標(biāo)物體個(gè)數(shù)）加1并將標(biāo)記矩陣，該像素對(duì)應(yīng)位置設(shè)置為M，表示已經(jīng)處理過該像素。如果為背景像素點(diǎn)跳過則繼續(xù)掃描下1個(gè)像素。③查找它相鄰4連通鄰域中未處理過的前景像素點(diǎn)，將其插入隊(duì)列，如果隊(duì)列不空繼續(xù)以下循環(huán)。④出隊(duì)并將標(biāo)記矩陣該像素對(duì)應(yīng)位置設(shè)置為M，查找它相鄰4連通鄰域中未處理過

的前景像素點(diǎn)將其插入隊(duì)列。⑤掃描到二值圖像的結(jié)尾結(jié)束循環(huán)，num中存儲(chǔ)了Vibe算法檢測(cè)后運(yùn)動(dòng)目標(biāo)的個(gè)數(shù)。

圖2a是原始灰度圖像，255表示前景像素，0表示背景像素，M表示已經(jīng)處理過的前景像素，用4領(lǐng)域進(jìn)行層次遍歷過程（圖2）。處理結(jié)果表明，算法對(duì)檢測(cè)后運(yùn)動(dòng)目標(biāo)進(jìn)行了正確標(biāo)記并獲得了運(yùn)動(dòng)目標(biāo)的個(gè)數(shù)。

1.2.2.2 自適應(yīng)調(diào)整背景更新概率。經(jīng)過層次遍歷搜索算法對(duì)Vibe算法檢測(cè)后的目標(biāo)圖像計(jì)數(shù)得到的運(yùn)動(dòng)目標(biāo)個(gè)數(shù)如果和實(shí)際運(yùn)動(dòng)目標(biāo)個(gè)數(shù)不相等，此時(shí)應(yīng)該增加背景更新概率加快鬼影消除，如果相等應(yīng)使用初始背景更新概率防止正確的前景像素點(diǎn)被更新為背景。如公式3所示

式中，a是固定參數(shù)取值為20，fnum為實(shí)際運(yùn)動(dòng)目標(biāo)個(gè)數(shù)，num為統(tǒng)計(jì)運(yùn)動(dòng)目標(biāo)個(gè)數(shù)。通過自適應(yīng)背景更新概率可以迅速消除鬼影。

1.2.3 動(dòng)態(tài)背景運(yùn)動(dòng)目標(biāo)提取。傳統(tǒng)Vibe算法中對(duì)于動(dòng)態(tài)背景情況如水面波紋，檢測(cè)結(jié)果是大量背景點(diǎn)（水面波紋）被錯(cuò)誤地檢測(cè)為前景點(diǎn)，從而嚴(yán)重影響檢測(cè)精度。該研究提出基于LBP和HSV去除動(dòng)態(tài)背景以提高檢測(cè)精度。

1.2.3.1 LBP紋理。LBP是一種用來描述圖像局部紋理特征的算子，它的作用是進(jìn)行特征提取，提取圖像的局部紋理特征。LBP算子定義為在3×3的窗口內(nèi)，以窗口中心像素為閾值，將相鄰的8個(gè)像素的灰度值與其進(jìn)行比較，若周圍像素值大于等于中心像素值，則該像素點(diǎn)的位置被標(biāo)記為1，否則為0。從右側(cè)領(lǐng)域像素開始按照逆時(shí)針的順序掃描3×3領(lǐng)域內(nèi)的8個(gè)點(diǎn)可以產(chǎn)生8 Bit的無符號(hào)二進(jìn)制數(shù)然后轉(zhuǎn)換為十進(jìn)制數(shù)，即得到該窗口的LBP值，并用這個(gè)值來反映該區(qū)域的紋理信息具體過程（圖3）。

1.2.3.2 結(jié)合LBP紋理和HSV顏色空間去除水面波紋。在利用Vibe算法進(jìn)行背景建模前先對(duì)視頻幀進(jìn)行LBP紋理計(jì)算和HSV顏色空間轉(zhuǎn)換以進(jìn)行水面波紋檢測(cè)，最后去除水面波紋然后使用Vibe算法檢測(cè)運(yùn)動(dòng)背景。具體實(shí)現(xiàn)步驟如下：①截取視頻中的一幀圖片。②復(fù)制截取圖片將其轉(zhuǎn)化為灰度圖像并劃分為128×128個(gè)小區(qū)域。③對(duì)于每個(gè)小區(qū)域的每個(gè)像素計(jì)算LBP值。④統(tǒng)計(jì)每個(gè)小區(qū)域的直方圖，即每個(gè)數(shù)字（假定是十進(jìn)制數(shù)LBP值）出現(xiàn)的頻率;然后對(duì)該直方圖進(jìn)行歸一化處理。⑤設(shè)置水面波紋的閾值范圍，將范圍內(nèi)的像素設(shè)置為0（0表示黑色），過濾水面波紋。⑥將截取圖片由RGB顏色空間轉(zhuǎn)化為HSV顏色空間。⑦設(shè)置H、S、V的閾值范圍，將在閾值范圍內(nèi)的像素V設(shè)置為0（0表示黑色），過濾水面波紋。⑧將使用顏色空間過濾后獲得截取圖片轉(zhuǎn)化為灰度圖像。⑨將使用LBP過濾后的灰度圖像和HSV過濾后的灰度圖像按照像素進(jìn)行運(yùn)算，獲得最終濾掉水面波紋的灰度圖像。⑩將過濾掉水面波紋的灰度圖像使用上文提出的改進(jìn)的Vibe算法進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)。

2 結(jié)果與分析

2.1 自適應(yīng)背景更新概率的鬼影消除試驗(yàn)結(jié)果

試驗(yàn)中樣本模型個(gè)數(shù)N=20;最小匹配個(gè)數(shù)min=2;初始距離閾值R=20;背景更新概率P（x）=1/30;固定參數(shù)a=10。從圖4可以看出，基于自適應(yīng)背景更新概率的改進(jìn)Vibe算法可以較快地去除鬼影。

為了詳細(xì)表現(xiàn)改進(jìn)后的Vibe檢測(cè)效果，統(tǒng)計(jì)各個(gè)視頻中消除鬼影所需幀數(shù)，如表1所示。結(jié)果顯示，改進(jìn)的Vibe算法利用層次遍歷搜索算法對(duì)目標(biāo)圖像中運(yùn)動(dòng)目標(biāo)進(jìn)行標(biāo)記并計(jì)數(shù)，以動(dòng)態(tài)調(diào)整背景更新概率。即不需要等待某一像素連續(xù)n次被判斷為前景像素，又可以在存在鬼影的情況下加快背景更新概率，所以消除鬼影所需視頻幀數(shù)比經(jīng)典算法所需視頻幀數(shù)少50%以上。

2.2 基于LBP和HSV動(dòng)態(tài)背景去除試驗(yàn)結(jié)果

試驗(yàn)中LBP閾值設(shè)置為200～230，H閾值范圍設(shè)置為0～42;S閾值范圍設(shè)置為0～50;V閾值范圍設(shè)置為110～127。圖5中由于存在動(dòng)態(tài)背景（水面波紋），使得檢測(cè)結(jié)果存在許多噪點(diǎn)。如圖5b所示，經(jīng)過HSV顏色空間去除動(dòng)態(tài)背景后的檢測(cè)精度大大提高。為了詳細(xì)表現(xiàn)改進(jìn)后的Vibe檢測(cè)效果，該研究采用精確度（Precision）、召回率（Recall）、評(píng)價(jià)值（Rating）作為判斷改進(jìn)Vibe性能指標(biāo)[17]，精確度指標(biāo)反映了檢測(cè)正確的前景像素點(diǎn)的個(gè)數(shù)與檢測(cè)出的前景像素點(diǎn)的比值，召回率指標(biāo)反映了檢測(cè)錯(cuò)誤的前景像素點(diǎn)的個(gè)數(shù)與真實(shí)前景像素點(diǎn)個(gè)數(shù)的比值，具體如公式4、5所示，檢測(cè)結(jié)果如表2所示。

式中，TP表示檢測(cè)正確的前景像素點(diǎn)的個(gè)數(shù)，F(xiàn)P表示前景像素點(diǎn)的個(gè)數(shù)，F(xiàn)N表示檢測(cè)錯(cuò)誤的前景像素點(diǎn)的個(gè)數(shù)。改進(jìn)的Vibe算法利用LBP和HSV對(duì)視頻幀進(jìn)行了去除波紋的前期處理，使得使用Vibe算法可以準(zhǔn)確建模所以檢測(cè)效果大大提高。

3 小結(jié)

針對(duì)傳統(tǒng)Vibe算法中消除鬼影需要消耗大量視頻幀，且動(dòng)態(tài)背景情況下運(yùn)動(dòng)目標(biāo)檢測(cè)結(jié)果不夠精確的問題，筆者提出了自適應(yīng)動(dòng)態(tài)背景更新概率和基于LBP和HSV去除動(dòng)態(tài)背景。試驗(yàn)結(jié)果表明，改進(jìn)的Vibe算法消除鬼影所需視頻幀數(shù)比經(jīng)典算法所需視頻幀數(shù)少50%以上。在存在水面波紋的動(dòng)態(tài)背景下改進(jìn)Vibe算法的檢測(cè)精度大大提高。

參考文獻(xiàn)

[1] 張勝茂，張衡，唐峰華，等.計(jì)算機(jī)視覺技術(shù)在監(jiān)測(cè)魚類游泳行為中的研究進(jìn)展[J].大連海洋大學(xué)學(xué)報(bào)，2017，32（4）：493-500.

[2] 田超，黃志勇.一種實(shí)時(shí)的魚類軌跡跟蹤算法[J].信息通信，2017（1）：47-50.

[3] 李雷華.基于魚群運(yùn)動(dòng)的異常水質(zhì)監(jiān)測(cè)[D].秦皇島：燕山大學(xué)，2017.

[4] 李治國，路娜，郭曉芝，等.基于青鳉魚行為的在線生物監(jiān)測(cè)系統(tǒng)及綜合預(yù)警平臺(tái)建設(shè)研究[J].科學(xué)技術(shù)與工程，2017，17（7）：288-292，298.

[5] 于曉明，張秀梅.魚類游泳能力測(cè)定方法的研究進(jìn)展[J].南方水產(chǎn)科學(xué)，2011，7（4）：76-84.

[6] ZHOU A M，QU B Y，LI H，et al.Multiobjective evolutionary algorithms：A survey of the state of the art[J].Swarm & evolutionary computation，2011，1（1）：32-49.

[7] BARNICH O，VAN DROOGENBROECK M.ViBe：A universal background subtraction algorithm for video sequences[J].IEEE Transactions on Image Processing ，2011，20（6）：1709-1724.

[8] VAN DROOGENBROECK M，PAQUOT O.Background subtraction：Experiments and improvements for ViBe[C]// Computer vision and pattern recognition workshops.Rhode Island，US：IEEE，2012：32-37.

[9] HORN B K P，SCHUNCK B G.Determining optic flow[J].Artificial intelligence，1981，17（1/2/3）：185-203.

[10] ZIVKOVIC Z.Improved adaptive Gaussian mixture model for background subtraction[C]//Proceedings of the 17th international conference on pattern recognition（ICPR′04）.Cambridge，UK：IEEE Computer Society，2004：28-31.

[11] KIM K，CHALIDABHONGSE T H，HARWOOD D，et al.Real-time foreground-background segmentation using codebook model[J].Real-time imaging，2005，11（3）：172-185.

[12] MADDALENA L，PETROSINO A.A fuzzy spatial coherence-based approach to background/foreground separation for moving object detection[J].Neural computing & applications，2010，19（2）：179-186.

[13] 陳亮，陳曉竹，范振濤.基于Vibe的鬼影抑制算法[J].中國計(jì)量學(xué)院學(xué)報(bào)，2013，24（4）：425-429.

[14] LI Y Q，CHEN W Z，JIANG R.The integration adjacent frame difference of improved ViBe for foreground object detection[C]// 2011 7th international conference on wireless communications，networking and mobile computing.Wuhan，China：IEEE，2011：1-4.

[15] HAN G，WANG J K，CAI X.Improved visual background extractor using an adaptive distance threshold[J].Journal of electronic imaging，2014，23（6）：1-12.

[16] HOFMANN M，TIEFENBACHER P，RIGOLL G.Background segmentation with feedback：The Pixel-Based Adaptive Segmenter[C]// Computer vision and pattern recognition workshops.Piscataway，NJ，USA：IEEE，2012：38-43.

[17] ARORA M，KANJILAL U，VARSHNEY D.Evaluation of information retrieval：Precision and recall[J].International journal of Indian culture & business management，2016，12（2）：224-236.