第一论文网免费提供科技创新论文范文,科技创新论文格式模板下载

基于DIDSON的鱼群数量统计算法

  • 投稿艺名
  • 更新时间2015-09-23
  • 阅读量782次
  • 评分4
  • 32
  • 0

简 夏 刘军清

(三峡大学计算机与信息学院,湖北 宜昌 443002)

【摘 要】双频识别声纳(DIDSON)可以在黑暗浑浊的水下获得清晰的视频影像。对双频识别声纳的鱼群视频进行基于智能视觉的鱼群数量统计,可高效、准确的评估该水域的渔业资源[1]。提出了一种简单可靠的统计方法:首先通过改进的目标检测算法检测鱼体并统计每帧鱼体数量;其次将视频分成多个部分并对各部分的鱼体数量进行统计;最后将各个部分的统计值累计得到整个图像序列的鱼群数量。实验结果表明本文提出的鱼群数量统计结果比DIDSON二次开发软件的统计结果更准确,且满足实时性需求。

教育期刊网 http://www.jyqkw.com
关键词 双频识别声纳;鱼群检测;鬼影抑制;背景差分

【Abstract】The dual-frequency identification sonar (DIDSON) can get clear videos from cloudy and dark underwater. Useing intelligent visual statistics can be efficient and accurate assessment of fishery resources in the waters.In this paper,we propose a simple and reliable statistical methods: first, via algorithm of improved target detection to detect fishes; next, dividing the video into multiple parts, and count the number of fish in every parts, finally accumulate every parts’ statistics to the entire image sequence. Experimental results show that the proposed statistical methods has a out-standing advantage in counting fish.

【Key words】Dual-frequency identification sonar; Fish detection; Ghosting suppression; Background subtraction

0 前言

声纳视觉感知属于计算机视觉和人工智能的重要分支,在水下潜水器系统中具有不可替代的作用。近年来,水下声纳技术被广泛应用到鱼群探测、资源勘探、水下管道探测以及水底天然气监测等领域。声纳图像由于声信息传输的复杂性,在多数情况下目标信息会淹没在信道、背景等噪声中。随着信息技术的飞速发展,声纳数据处理的方法也随着科学技术的发展而不断改进。鱼群统计对于水下养殖以及珍贵鱼类保护具有重要的应用价[2-3]。2003年Moursud[4]等利用双频识别声纳观测了鱼群游过水电站鱼道的情况,2004年Maxwell[5]等验证了用双频识别声纳在浑浊水域中评估洄游大马哈鱼的数量,2006年Everitt[6]等利用双频识别声纳对密苏里河渔业进行管理。Han[7]等用双频识别声纳做了洄游鱼类以及养殖的大型鱼类的尾数、体长自动计数、测量的研究,能够自动精确地计算出鱼的尾数和体长。董剑锋[8-9]等对双频识别声纳图像处理进行了初步研究,并运用到香鱼计数上。上述方法主要是针对鱼群进行大致的统计分析,缺乏较为准确的定量分析。已有研究表明,利用DIDSON视频进行鱼群各种应用,其关键是鱼群检测方法的精度[10]。

1 传统目标检测算法鱼群检测结果

与光学图像相比,声纳图像本身的信息小于随机噪声信息,因此将光学图像的目标检测算法直接应用于声纳图像目标检测时效果不理想。图1分别为帧间差模型、平均背景法模型、高斯混合模型、CodeBook背景模型、背景差分法直接用于声纳图像目标检测的效果图。

由图可知,由于声纳图像随机高斯噪声含量大,帧间差模型检测结果最差;平均背景模型、高斯混合模型和CodeBool背景模型的检测结果含有大量孤立噪声点且鱼体轮廓含有大量毛刺;背景差分法检测结果中含有鬼影。

2 本文鱼群检测算法

本文充分利用声纳图像噪声特性和鱼体亮度统计特性,在背景差分法基础上提出了一种DIDSON鱼群目标检测及鬼影抑制方法。具体思路:首先采用背景差分法初步寻找可能出现的鱼体目标点;利用声纳特性,对初步检测的鱼体目标点进行鬼影判断去除鬼影;最后采用形态学开闭运算去除孤立噪声点。

2.1 背景差分理论

背景差分工作原理:设背景模型为M(x)={v1, v2, …, vN},其中N个样本值均为已被判断为背景的像素值。记v(x)为x点处的像素值,设定阈值R,计算{v(x)-R, v(x)+R}区间内与样本模型M(x)相交的样本值个数,若数值大于预设的某个最小值,则将当前像素点x的像素值v(x)判断为背景,否则为前景。

初始化:利用相近像素点具有相近的时空分布特性,用一帧图像填充样本集。其优点在于:对噪声比较灵敏、计算量小、速度快,可以很快的进行运动物体检测。更新策略:每一个背景点有1/φ的概率更新背景模型样本集,同时也有1/φ的概率去更新其它的邻居点的背景模型样本集。当前景点计数达到临界值时,将其变为背景,并有1/φ的概率背景模型样本值。

由于背景差分采用一帧建模,如果模型初始化时出现目标,会将前景目标点误判为背景。当前景目标点离开后,当前像素值无法与背景样本集匹配,导致背景像素点被错误地检测为前景点形成鬼影,严重影响后续的跟踪或识别。

2.2 鬼影抑制

通过对DIDSON数据图像的特性分析可知声纳图像中的鱼体目标属于高亮区域,且背景区域中仅有少量的波纹信息是属于高亮区域的。因此本文基于此特性提出了鬼影抑制方法。其基本思想:对已预处理的视频采用背景差分法初步寻找出当前帧中的前景目标;然后对这些前目标景的像素值作进一步判断,若此像素点的像素值大于阈值T,即判断为前景,否则认为是鬼影并判断为背景,同时更新背景模型。

2.3 实验结果分析

本实验将本文的目标检测方法与其它经典检测算法,针对小鱼群和大鱼群检测性能进行对比分析。实验环境配置为matlab2009a,内存8GB,处理器为Intel Core i5-3470 3.20GHz、声纳视频帧率为8 fps。大鱼群检测结果如图2所示。

如图2,CodeBook算法检测出的目标边缘模糊,且存在大量的误检像素。背景差分法存在严重的鬼影现象(图2中第3行白色椭圆标记的鱼体为鬼影),鬼影在第139帧以后也未消失。而本文提出的算法在第28帧之前,鬼影已消失,整体检测性能明显优于CodeBook算法和背景差分算法。同时本文算法在鱼体较小的情况下,其检测效果同样较好。

3 鱼群数量统计

3.1 鱼群数量统计方法

本文单帧鱼群数量统计流程:鱼群目标检测后的图像中任然还有一个小面积的连通域,这些小面积的连通域并不是鱼体而是一些干扰物,因此在进行单帧数量统计之前需要消除面积较小的连通域。首先去除面积较小的连通域,然后统计这一帧图像中连通区域的个数,既可以得到一帧中的鱼体个数。

假设在图像中有n帧图像检测到鱼体,每帧鱼体数量记为Nm,对每m帧求一次平均,即将视频分成k个部分,其中k=floor(n/m);再对k部分的鱼体数量分别求均值,最后将k个部分的均值累计即得到整个图像序列的鱼群数量,其公式表达式如下:

3.2 实验结果与分析

采用本文所示方法对many fish.avi图像序列进行单帧鱼体数量统计,其结果如图所示。

从图中可以看出,本文算法对单帧鱼体数量统计基本准确,但是对于即将消失的鱼体和即将出现在声纳视野中的鱼体检测结果较差、不够精确。由于将消失的鱼体其回波较弱,在图像上反应忽明忽暗,容易被漏检。其次大鱼在游动的过程中会产生大量水波,剧烈的水波也会被误检成鱼体。

采用本文所示方法对many fish.avi图像序列进行鱼群数量统计,整个视频一共有162帧,目测整个图像序列一共游过了16条鱼。通过本文的检测结果N=16,其中m取得40;通过DIDSON二次开发软件检测的结果如图4所示;本文单帧检测结果见表1。

如图4所示,DIDSON二次开发软件检测出的鱼群数量为9。通过本文算法检测出的鱼体数量为16,与DIDSON二次开发软件检测的结果更准确。其中表1 展示了本文算法在many fish.avi图像序列从第1帧到第27帧的单帧检测结果。

采用本文提出的方法对Kenai3-12manyfishnoshad.avi图像序列进行鱼群数量统计,整个视频一共有790帧,目测整个图像序列一共游过了87条鱼。通过本文的检测结果N=72条,其中m取得40;通过DIDSON二次开发软件检测的结果如图5所示。

如图5所示,DIDSON二次开发软件统计的鱼群数量为42条。由此可以看出DIDSON二次开发软件在对体长较小的鱼统计数量效果较差。本文的统计结果更接近真实结果。

4 结论

由于声纳图像的含有大量噪声信息,采用光学图像的目标检测算法不能满足声纳图像目标检测的要求。针对这个问题,本文提出的目标检测方法在保留背景差分法优势的同时能快速抑制鬼影。其次再鱼群统计算法上,本文提出了一种简单的统计方法:在基于精确的鱼群检测上,统计鱼群数量;实验结果表明,本文提出的鱼群数量统计结果比DIDSON二次开发软件的统计结果更准确,且满足实时性需求。

教育期刊网 http://www.jyqkw.com
参考文献

[1]张进.基于双频识别声纳DIDSON的鱼群定量评估技术[D].上海:上海海洋大学,2012.

[2]SHEN W, YANG L, ZHANG J, et al. The survey of fishery resources and spatial distribution using DIDSON imaging sonar data [C]//IFIP 2013: International conference on the Advances in Information and Communication Technology. New York, US: Springer Press, 2013: 366-375

[3]谭细畅,史建全,张宏.EY60回声探测仪在青海湖鱼类资源量评估中的应用[J].湖泊科学,2009,21(6):865-872.

[4]Melvin,G, Li. Y. Mayer,L and Clay,A. The development of an automated sounder soanr acoustic logging system for deployment on commercial fishing vessel[Z].ICES CM,1998:14.

[5]Misund,O.A.Aglen,Aand Fronaes,E.Mapping the shape,size and density of fishs chools by echo integration and a high-resolution sonar[J]. ICES J. Mar. sci,1995,52:11-20.

[6]Maxwell,S.and Gove,N.The Feasibility of Estimating Migrating Salmon Passage Rates in Turbid Rivers using a Dual-Frequency Identification Sonar (DIDSON).Regional Information Report No.2A04-05[R].Alaska Department of Fish and Game,March 2004.

[7]Everitt,D.Adams,J.and Mestl,G.Using DIDSON technology to observe the ecology and behavior of Missouri River fishes[C]//Proceedings of the 67th Midwest Fish and Wildlife Conference.Omaha.Nebraska,Dec 6-10,2006.

[8]童剑锋,韩军,沈蔚.声学摄像仪图像处理的初步研究及在渔业上的应用[J].湖南农业科学,2010,17.

[9]童剑锋,韩军,浅田昭,溝口雅彦.基于声学摄像仪的溯河洄游幼香鱼计数[J].渔业现代化,2009,36.

[10]AYKIN M D, NEGAHDARIPOUR S. Forward-look 2-D sonar image formation and 3-D reconstruction [C]// IEEE Oceans Conference. San Diego, IEEE Press, 2013:23-27.

[责任编辑:汤静]