何 佳，黃志濤，宋協(xié)法，彭 磊

(中國海洋大學(xué)水產(chǎn)學(xué)院，山東 青島 266003)

魚類行為是指魚類進(jìn)行的各種運(yùn)動，包括游泳、攝食、生殖、呼吸等運(yùn)動；此外，避敵、攻擊、求偶以及改變體色等非運(yùn)動形式也被列入行為范疇之中[1]。魚類行為與水體環(huán)境密切相關(guān)，當(dāng)魚類受到水體環(huán)境中的壓力脅迫時(shí)，其游泳和攝食行為以及體色均會發(fā)生改變[2-4]。當(dāng)水體中溶氧過低時(shí)，鯽魚的游泳速度和深度呈現(xiàn)出降低的趨勢，同時(shí)魚群整體分布更加分散[5]。在感染寄生蟲后，大西洋鮭躍出水面的行為發(fā)生的頻率顯著增加，同時(shí)表現(xiàn)出游泳速度降低、對刺激的反應(yīng)時(shí)間增加的特征[6]。因此，在水產(chǎn)養(yǎng)殖中，通過觀察魚類個體或魚群整體的行為變化，養(yǎng)殖人員能夠判斷養(yǎng)殖環(huán)境是否適宜魚類的生長發(fā)育，并且利用魚類的行為特點(diǎn)進(jìn)行養(yǎng)殖管理和操作。

在早期的經(jīng)典行為學(xué)研究中，主要依賴人為直接觀察[7-8]。對實(shí)時(shí)的養(yǎng)殖場景進(jìn)行直接觀察，此方法依賴觀察人員的主觀意識和判斷，觀察得到的結(jié)果很難進(jìn)行參數(shù)化，且此方法耗費(fèi)較多時(shí)間和勞動力[9]。與人為觀察相比，利用遙測技術(shù)和回聲技術(shù)觀察魚類行為，具有結(jié)果能夠參數(shù)化、省時(shí)省力的優(yōu)點(diǎn)。但回聲技術(shù)容易受到水面氣泡以及水面波動的影響；而遙測技術(shù)屬于入侵式的技術(shù)，需要在魚體體表或體內(nèi)安裝信號發(fā)射器，從而對試驗(yàn)對象造成損傷[10-12]。

計(jì)算機(jī)視覺(computer vision，CV)技術(shù)作為一種非入侵式且穩(wěn)定性較好的觀察技術(shù)，正在被眾多的水產(chǎn)養(yǎng)殖行為學(xué)研究人員所接受。計(jì)算機(jī)視覺技術(shù)是在圖像處理、人工智能、模式識別等技術(shù)的基礎(chǔ)上逐漸發(fā)展形成的一種新技術(shù)，其原理是利用攝像機(jī)等成像系統(tǒng)，采集拍攝區(qū)域的視頻序列圖像，再通過圖像處理的方式檢測和跟蹤圖像中的運(yùn)動目標(biāo)，從而得到目標(biāo)的參數(shù)[13-14]。目前已經(jīng)有許多研究在實(shí)驗(yàn)室水平上將計(jì)算機(jī)視覺技術(shù)應(yīng)用于水產(chǎn)養(yǎng)殖的魚類行為的觀察中，并取得了一定的研究成果。

本文對水產(chǎn)養(yǎng)殖關(guān)注的魚類行為、計(jì)算機(jī)視覺技術(shù)的組成以及目前計(jì)算機(jī)視覺技術(shù)在水產(chǎn)養(yǎng)殖的魚類行為中的應(yīng)用情況進(jìn)行綜述，以期為計(jì)算機(jī)視覺技術(shù)在水產(chǎn)養(yǎng)殖中的應(yīng)用提供參考。

1 水產(chǎn)養(yǎng)殖中的魚類行為

1.1 游泳行為

魚類的生態(tài)習(xí)性復(fù)雜，其棲息的水體環(huán)境也經(jīng)常發(fā)生變化，而其游泳行為被視為魚類實(shí)現(xiàn)生存繁衍等生命活動的重要基礎(chǔ)[15]。盡管許多學(xué)者已經(jīng)就不同的分類標(biāo)準(zhǔn)對魚類的游泳行為進(jìn)行了劃分[16-17]，但總體上，魚類的游泳行為仍然是一系列比較隨機(jī)的復(fù)雜行為，例如魚類個體的加速、逃避以及魚群的聚集和分散等各個游泳行為的組合[18]。在魚類的整個生命過程中，溫度[19]、溶氧[20]、pH[21]、光照度[22]、噪聲[23]、水體渾濁度[24]，甚至加速流[25]都會對魚類游泳行為產(chǎn)生影響。并且，游泳行為的變化不僅會對魚類的生長發(fā)育和繁殖活動造成影響，還會對整個魚群的種群動態(tài)產(chǎn)生影響[26]。

1.2 攝食行為

攝食行為是水產(chǎn)養(yǎng)殖中最為關(guān)鍵的一部分，魚群攝食情況直接影響到魚體生長發(fā)育狀況[27]。目前在水產(chǎn)養(yǎng)殖中，飼料是基于魚體的體質(zhì)量百分比進(jìn)行投喂，但由于魚體質(zhì)量測量的不精確，飼料精確的投喂量很難獲得[28]。而殘飼會影響水體環(huán)境，尤其是在循環(huán)水養(yǎng)殖中，殘飼在水體中分解，導(dǎo)致水體中的氨氮和亞硝酸鹽氮質(zhì)量濃度升高，嚴(yán)重影響魚群的生存環(huán)境，進(jìn)而降低養(yǎng)殖品種的質(zhì)量[29]。

1.3 體色變化

魚體的體色變化也屬于魚類行為的范疇，大多數(shù)魚類都具有改變體色以適應(yīng)環(huán)境背景色的能力[30]。因此，當(dāng)水體環(huán)境發(fā)生改變或受到刺激時(shí)，魚體的體色會發(fā)生變化。Rotllant等[31]發(fā)現(xiàn)，在黑色背景養(yǎng)殖池中，當(dāng)魚體處于種群密度較大的應(yīng)激條件下時(shí)，魚體的血漿皮質(zhì)醇水平會有一個短暫的升高，2 d之后出現(xiàn)下降，而白色背景的養(yǎng)殖池中魚體的血漿皮質(zhì)醇水平在升高之后保持不變，未有下降趨勢。而Shack[32]給6組魚投喂含梯度濃度生物素的飼料，結(jié)果顯示，在投喂42 d之后，飼料中不含生物素的魚群出現(xiàn)體色變黑的情況。

2 計(jì)算機(jī)視覺技術(shù)

2.1 圖像采集

圖像采集是運(yùn)用計(jì)算機(jī)視覺技術(shù)對魚類行為進(jìn)行監(jiān)測的首要部分，采集得到的圖像的質(zhì)量好壞決定之后圖像處理的難易程度，圖像質(zhì)量好則處理較為容易。早期攝像系統(tǒng)的像素不高且品種單一，成像的質(zhì)量較差，因此從圖像中較難得到精確的信息。但目前成像精度日益提高，采集的方式也呈現(xiàn)多元化的特點(diǎn)。

目前的圖像采集方式包括二維成像和三維成像，其中二維成像主要是研究水平面中的魚類運(yùn)動情況或研究魚類的垂直分布情況，其圖像采集系統(tǒng)也均是單攝像機(jī)系統(tǒng)[33-34]。三維成像通常是在單攝像機(jī)的基礎(chǔ)上，通過添加攝像機(jī)或在方形養(yǎng)殖池的側(cè)面放置平面鏡的方式，使計(jì)算機(jī)能同時(shí)得到魚體在3個方向上的位置數(shù)據(jù)[5,35]。但三維拍攝模式普遍存在圖像校準(zhǔn)的問題，且在面對多攝像機(jī)系統(tǒng)時(shí)，計(jì)算機(jī)處理數(shù)據(jù)的壓力也會成倍增加。另外一種基于單攝像機(jī)的三維成像系統(tǒng)是利用近紅外攝像系統(tǒng)進(jìn)行圖像采集，其原理是基于利用近紅外攝像機(jī)進(jìn)行拍攝時(shí)水體對紅外光的吸收和魚體對紅外光的反射，不同深度的水體中魚體對紅外光的反射顯示出的強(qiáng)度不同，因此可以利用近紅外攝像系統(tǒng)構(gòu)建魚體反射光亮度與深度的關(guān)系，從而實(shí)現(xiàn)單攝像機(jī)三維的圖像采集模式[36]。除攝像機(jī)的三維成像之外，還有利用結(jié)構(gòu)光傳感器進(jìn)行三維成像的方式[37]。

2.2 預(yù)處理

通過成像系統(tǒng)采集到的圖像包含魚體和背景的全部信息，但在許多研究中由于養(yǎng)殖池背景的復(fù)雜性和魚類對環(huán)境背景色的體色適應(yīng)，魚類與背景之間的顏色差別比較?。换蛘哂捎跓艄庵鄙?，水體表面產(chǎn)生反光；以及由于水體中存在氣泡和殘飼，導(dǎo)致拍攝得到的圖像中出現(xiàn)大量噪聲。因此研究人員需要在提取魚體目標(biāo)之前對原始圖像進(jìn)行預(yù)處理操作。預(yù)處理包括灰度化、圖像增強(qiáng)和濾波去噪等步驟[38-39]。其中灰度化是將三通道的彩色圖像降維轉(zhuǎn)換為單通道的灰度圖像，過程中選擇性地保留亮度、色度或?qū)Ρ榷鹊葘傩訹40]；圖像增強(qiáng)則是針對特定的應(yīng)用目的，增強(qiáng)圖像的整體或局部特性，從而加強(qiáng)圖像對于某些特征的辨識效果[41]；而濾波去噪是通過均值濾波、中值濾波或形態(tài)學(xué)濾波等方法將圖像中與周圍灰度值相差較大的像素值替換成與周圍像素值相近的值，從而去除圖像中的噪點(diǎn)以降低在對圖像進(jìn)行特征分析中產(chǎn)生的誤差[42]。

2.3 運(yùn)動目標(biāo)檢測與跟蹤

2.3.1 運(yùn)動目標(biāo)檢測

運(yùn)動目標(biāo)的檢測是計(jì)算機(jī)視覺技術(shù)的基礎(chǔ)，其目的是基于運(yùn)動目標(biāo)與周圍環(huán)境的不同，將運(yùn)動的目標(biāo)從背景中分離，運(yùn)動目標(biāo)的檢測包括3種方法：基于背景差分的目標(biāo)檢測、基于幀間差分的目標(biāo)檢測以及基于光流的目標(biāo)檢測[43]。

基于背景差分的目標(biāo)檢測又稱背景差分法，其基本原理是將當(dāng)前幀的圖像與背景幀圖像相減得到差幀圖像，再通過閾值分割提取得到運(yùn)動目標(biāo)。如Sadoul等[44]通過選取圖像序列中前30張圖像的每個像素點(diǎn)的最大值來創(chuàng)建背景圖像，再對差幀圖像利用閾值分割將運(yùn)動目標(biāo)與背景分離。背景差分法適用于背景較為穩(wěn)定的情況，當(dāng)背景不夠穩(wěn)定，如養(yǎng)殖環(huán)境中的光線變化較大時(shí)，提取效果就會很差[45]。針對此不足，目前的研究多建立自適應(yīng)背景模型，使背景幀能夠隨養(yǎng)殖環(huán)境變化而實(shí)時(shí)改變，常見自適應(yīng)背景模型有平均背景模型、單高斯分布背景模型和混合高斯分布背景模型等[43]。

基于幀間差分的目標(biāo)檢測又稱為幀間差分法或幀差法，其原理是在連續(xù)的圖像序列中將相鄰的兩幀圖像像素值做差得到差幀圖像，再通過閾值分割得到運(yùn)動目標(biāo)圖像。在幀差法中，閾值分割中選取的閾值尤其重要，閾值過小會導(dǎo)致噪聲過多，閾值過大會使運(yùn)動目標(biāo)無法被有效地檢測[46]；其次，幀間時(shí)間的選取也很重要，間隔太短，運(yùn)動目標(biāo)運(yùn)動的距離過短，也會導(dǎo)致檢測失敗[47]。但相較于背景差分法，幀差法的優(yōu)點(diǎn)是無需考慮背景的更新情況，且該方法更新速度快、計(jì)算量較小。

光流法是基于光流場的運(yùn)動目標(biāo)檢測方法。當(dāng)在圖像中每一像素點(diǎn)上添加一個運(yùn)動矢量后，整個圖像形成了矢量運(yùn)動場，即光流場。光流場可被認(rèn)為是圖像中每個像素點(diǎn)的運(yùn)動趨勢的集合，當(dāng)某一像素點(diǎn)與臨近區(qū)域的像素點(diǎn)產(chǎn)生相對運(yùn)動時(shí)，像素點(diǎn)的運(yùn)動矢量會出現(xiàn)差異，此時(shí)把運(yùn)動矢量相似的像素點(diǎn)集合形成運(yùn)動區(qū)域，從而檢測出運(yùn)動目標(biāo)[48]。光流法的優(yōu)點(diǎn)是運(yùn)動目標(biāo)的檢測不需要收集背景環(huán)境中的任何信息；其缺點(diǎn)是抗噪能力差，且計(jì)算方法過于復(fù)雜，很難實(shí)現(xiàn)實(shí)時(shí)的運(yùn)動目標(biāo)檢測[49]。

2.3.2 運(yùn)動目標(biāo)跟蹤

運(yùn)動目標(biāo)跟蹤即通過對圖像序列的分析，從圖像第一幀開始，在后續(xù)的圖像中確認(rèn)目標(biāo)的位置[50]。一個運(yùn)動目標(biāo)跟蹤系統(tǒng)通常包括外觀模型、運(yùn)動(位置)模型、搜索策略(即匹配機(jī)制)以及適應(yīng)外觀模型的持續(xù)變化的學(xué)習(xí)機(jī)制[51-52]。根據(jù)對目標(biāo)進(jìn)行搜索時(shí)采用信息的不同，可以將運(yùn)動目標(biāo)的跟蹤方法分為3種：基于特征的運(yùn)動目標(biāo)跟蹤、基于區(qū)域的運(yùn)動目標(biāo)跟蹤以及基于活動輪廓的運(yùn)動目標(biāo)跟蹤[53]。

基于特征的運(yùn)動目標(biāo)跟蹤包括目標(biāo)特征的提取和特征的搜索匹配兩個過程。常見的特征包括魚體的外部尺寸、明度值、顏色直方圖等[50]。Pinkiewicz等[54]提取了跟蹤物體的中心坐標(biāo)、主軸長和次軸長以及外圍尺寸和離心率等目標(biāo)特征，通過離心率判斷檢測出的物體是否為魚體。由于快速跟蹤的要求，基于特征的運(yùn)動目標(biāo)跟蹤經(jīng)常需要結(jié)合運(yùn)動模型，采用預(yù)測算法對后續(xù)圖像序列進(jìn)行預(yù)測以縮小搜索范圍以及優(yōu)化搜索過程，常用的方法有粒子濾波等[55-56]。

基于區(qū)域的運(yùn)動目標(biāo)跟蹤需要選擇包含運(yùn)動目標(biāo)的區(qū)域作為模板，在運(yùn)動目標(biāo)檢測后，利用搜索算法搜索與模板相關(guān)系數(shù)最高的區(qū)域，由此實(shí)現(xiàn)目標(biāo)的跟蹤[53]。該方法搜索耗時(shí)長，且在出現(xiàn)遮擋情況時(shí)容易出現(xiàn)匹配和跟蹤失敗的情況[57]。因此，該方法普遍會結(jié)合預(yù)測算法以縮短搜索時(shí)間。Lin等[58]利用卡爾曼濾波作為預(yù)測算法，將魚體看作點(diǎn)模型，通過計(jì)算魚體的速度和加速度來預(yù)估魚體位置。

基于活動輪廓的運(yùn)動目標(biāo)跟蹤算法中最重要的部分是主動輪廓模型，也稱為Snake模型[59]。該模型不僅將圖片本身的灰度信息考慮在內(nèi)，還會利用目標(biāo)的整體輪廓，使跟蹤更加準(zhǔn)確。由于該模型在跟蹤方面的優(yōu)勢，使其得到廣泛應(yīng)用[60-62]。此方法的特點(diǎn)是跟蹤效果受初始化的影響較大；且當(dāng)物體運(yùn)動速度較快時(shí)，跟蹤效果不理想；同時(shí)易受噪聲的干擾；且在多目標(biāo)的跟蹤中存在跟蹤失敗的可能性。

3 計(jì)算機(jī)視覺技術(shù)在水產(chǎn)養(yǎng)殖魚類行為中的應(yīng)用現(xiàn)狀

3.1 計(jì)算機(jī)視覺技術(shù)在游泳行為中的應(yīng)用現(xiàn)狀

計(jì)算機(jī)視覺技術(shù)在游泳行為的觀察研究中應(yīng)用較早。早期Israeli等[5]以金魚為研究對象，利用兩臺攝像機(jī)分別在方形養(yǎng)殖池的正前方和正上方進(jìn)行拍攝，對得到的圖像進(jìn)行灰度化處理并采用閾值分割得到魚體輪廓，在每張圖像中建立統(tǒng)一坐標(biāo)軸以得到魚體坐標(biāo)，以此計(jì)算得到魚體在3個方向上的坐標(biāo)和標(biāo)準(zhǔn)差，從而研究低氧脅迫(1 mg/L)下魚群的行為反應(yīng)。之后Xu等[63]也進(jìn)行了類似的研究，利用計(jì)算機(jī)視覺觀察溶氧突發(fā)性波動情況下 (6.8 mg/L～1.5 mg/L～0.8 mg/L～0.3 mg/L～6.8 mg/L)魚類游泳行為的變化情況。Kane等[33]以底鳉為研究對象，將12條魚分別單獨(dú)放置在12個容器中，利用計(jì)算機(jī)視覺技術(shù)觀察魚體在MS222暴露情況下的游泳行為變化情況，結(jié)果表明，在毒物暴露環(huán)境中，底鳉的運(yùn)動所占百分比、速度、與中心的距離、相對速度爆發(fā)頻率顯著增加，而游泳路徑的復(fù)雜性顯著降低。Miller等[64]還研究了魚體在捕食者壓力下的游泳行為反應(yīng)，試驗(yàn)利用計(jì)算機(jī)進(jìn)行觀察，并結(jié)合人為標(biāo)記運(yùn)動目標(biāo)的方式進(jìn)行跟蹤，從而對魚體的行為進(jìn)行量化，結(jié)果發(fā)現(xiàn)，捕食者的出現(xiàn)會使得魚群密度有一個短暫的增加，而計(jì)算機(jī)視覺能夠很好地量化這一過程。

除人為環(huán)境影響之外，許多研究人員還將計(jì)算機(jī)視覺技術(shù)應(yīng)用于魚類游泳行為與自然環(huán)境因子之間的關(guān)系中。Pinkiewicz 等[54]以大西洋鮭為研究對象，運(yùn)用背景差分法檢測出運(yùn)動魚體，并提取魚體的中心坐標(biāo)、外圍尺寸和離心率等目標(biāo)特征，并把這些尺寸量化為魚體的速度和方向，以此研究魚體速度及方向與潮汐周期之間的關(guān)系，結(jié)果發(fā)現(xiàn)，魚體速度和方向與潮汐周期在日間試驗(yàn)中沒有明顯的關(guān)系，但在投喂飼料之后，魚體的游泳速度和方向出現(xiàn)了明顯的變化。Yan等[65]在魚體上做標(biāo)記，并通過攝像機(jī)拍攝圖像，利用魚體和背景中的灰度差異檢測和跟蹤魚體，研究了鯉魚和鱒魚在不同流速下的游泳行為適應(yīng)，結(jié)果顯示，魚體是通過身體的擺動實(shí)現(xiàn)游泳速度的變化，其中，與鱒魚相比，鯉魚的擺動周期更長，且擺動幅度更大；同時(shí)，鯉魚在適應(yīng)速度的過程中依靠其擺動頻率和擺動幅度的劇烈變化，而鱒魚主要是通過控制擺動頻率來改變速度。

在魚群內(nèi)部聯(lián)系方面，Salierno等[66]以底鳉為研究對象，研究魚群在適應(yīng)環(huán)境過程中的集群和聚集行為，試驗(yàn)將采集到的圖像通過Adobe軟件進(jìn)行分割之后運(yùn)用Videoscript軟件進(jìn)行跟蹤，對得到魚體的橫縱坐標(biāo)運(yùn)用最小二乘法確定路徑，并分析魚群中魚體之間的夾角平均值和魚體的距離均值，結(jié)果顯示，集群行為主要在馴化的第1天出現(xiàn)(因?yàn)轸~群的自我保護(hù))，而在前24 h中魚群中兩條魚之間的夾角平均值為54.5°，但在1 d之后，夾角平均值增加到80°，表明魚群在馴化過程中集群行為逐漸弱化，個體間的交流減少。Suzuki等[67]利用攝像機(jī)拍攝并跟蹤養(yǎng)殖池中的三線磯鱸，研究其個體與群體游泳狀態(tài)下的差異，結(jié)果發(fā)現(xiàn)，當(dāng)魚群中個體數(shù)目增多時(shí)，魚體將不再沿著養(yǎng)殖池壁游動，而是在養(yǎng)殖池的某一區(qū)域進(jìn)行活動，并且魚群中個體與養(yǎng)殖池壁的平均距離隨著魚體數(shù)目的增加呈指數(shù)型增長。

盡管目前已經(jīng)利用計(jì)算機(jī)技術(shù)進(jìn)行了許多環(huán)境因子變化與游泳行為反應(yīng)之間的研究，但大多環(huán)境刺激因子都集中于低氧或毒物暴露等壓力因子，對溫度、pH或魚群密度等壓力因子研究的較少。并且在部分研究中，計(jì)算機(jī)視覺技術(shù)在處理過程中仍需要結(jié)合人為標(biāo)記等操作進(jìn)行應(yīng)用，這與計(jì)算機(jī)視覺技術(shù)省時(shí)省力的特點(diǎn)相違背。

3.2 計(jì)算機(jī)視覺技術(shù)在攝食行為中的應(yīng)用現(xiàn)狀

對于計(jì)算機(jī)視覺技術(shù)在水產(chǎn)養(yǎng)殖中魚類攝食行為的應(yīng)用，目前主要是通過計(jì)算機(jī)視覺技術(shù)實(shí)時(shí)監(jiān)測魚類行為并量化其攝食強(qiáng)度，以此進(jìn)行投飼決策。Liu等[45]以大西洋鮭為研究對象，利用幀差法將兩張連續(xù)幀相減得到差幀中所有像素強(qiáng)度之和作為魚群的攝食強(qiáng)度，再利用插值法替代檢測出的錯誤值，之后計(jì)算基于計(jì)算機(jī)視覺得到的結(jié)果與基于人為觀察得到的攝食情況，并記錄這兩者的相關(guān)性，結(jié)果顯示計(jì)算機(jī)視覺與人為觀察有0.919 5的相關(guān)系數(shù)。在部分基于計(jì)算機(jī)視覺技術(shù)的魚類攝食行為研究中，由于一般不需要計(jì)算魚體的速度、方向等參數(shù)，因此并不需要對魚體進(jìn)行跟蹤，而是通過量化當(dāng)前圖像序列中魚群整體的攝食強(qiáng)度值來進(jìn)行投飼決策。Zhou等[68]利用近紅外拍攝系統(tǒng)來量化魚群的攝食行為，實(shí)驗(yàn)在提高圖像的灰度和對比度的基礎(chǔ)上利用背景差分法提取魚體，將圖像中魚體的形心作為狄羅尼三角剖分的頂點(diǎn)，通過狄羅尼三角剖分計(jì)算魚類攝食行為群集指數(shù)，再與人為觀察魚群活躍程度并記錄的結(jié)果進(jìn)行相關(guān)性分析，結(jié)果顯示，兩者的相關(guān)性達(dá)到了0.945。Sadoul等[44]以虹鱒為研究對象，利用中值濾波和高斯濾波對灰度圖進(jìn)行平滑處理，再通過背景差分檢測魚體，通過對每一張圖像中所有魚體的周長進(jìn)行求和來計(jì)算魚群的分散指數(shù)，以此估計(jì)魚群的游泳活動，結(jié)果發(fā)現(xiàn)，在投放餌料之后就出現(xiàn)了游泳活動增強(qiáng)以及魚群分散度降低，但魚體的速度和方向也可以作為魚群攝食強(qiáng)度的一部分來參與量化過程。Zhao等[69]提出一種改進(jìn)的動能模型來量化魚群的攝食強(qiáng)度，模型由魚群的離散程度和空間行為特征綜合得到，其中離散程度是通過魚群的速度和轉(zhuǎn)角(由光流法提取得到)以及魚群整體的熵值來確定，而空間行為特征是基于水面的反射區(qū)域計(jì)算得到。

除此之外，目前還有部分研究者將計(jì)算機(jī)視覺技術(shù)應(yīng)用于魚類攝食行為中，以研究攝食行為與外部刺激的聯(lián)想機(jī)制或者研究攝食行為與水體環(huán)境變化之間的關(guān)系。Doyle等[70]研究了斑馬魚的攝食行為與學(xué)習(xí)及記憶能力之間的關(guān)系，通過在聲學(xué)刺激(FM掃頻)和光學(xué)刺激(綠色LED照明)之后進(jìn)行延遲投飼，從而給魚體建立聯(lián)想機(jī)制，實(shí)驗(yàn)利用攝像機(jī)進(jìn)行拍攝并進(jìn)行手動跟蹤，從而計(jì)算魚體的橫縱坐標(biāo)，以此分析魚體的位置變化，結(jié)果顯示，魚體能夠建立投飼與刺激之間的聯(lián)系，并保存這種記憶至少2 d，而在16 d之后，記憶會出現(xiàn)衰退。Wu等[71]基于魚群在爭搶餌料時(shí)的養(yǎng)殖區(qū)域水流變化會導(dǎo)致溶氧質(zhì)量濃度變化這一現(xiàn)象，通過監(jiān)測養(yǎng)殖區(qū)域內(nèi)的溶氧質(zhì)量濃度變化來確定魚群的食欲，利用攝像機(jī)拍攝圖像實(shí)時(shí)量化魚群的群集指數(shù)以及爭搶強(qiáng)度，同時(shí)利用推理系統(tǒng)通過魚體的食欲來確定投飼的閾值， 結(jié)果顯示，溶氧的變化與魚群的攝食行為有一定的正相關(guān)關(guān)系，且推理系統(tǒng)的最優(yōu)狀態(tài)下檢驗(yàn)誤差為0.077 3，同時(shí)，以圖像觀測得到的魚群的攝食強(qiáng)度為標(biāo)準(zhǔn)得到的投飼決策的閾值為0.17，此時(shí)推理系統(tǒng)的準(zhǔn)確性達(dá)到了97.89%。

在魚類攝食強(qiáng)度的量化中，魚體的速度和轉(zhuǎn)角應(yīng)作為魚類攝食活躍程度的一部分來參與量化，今后的研究應(yīng)適當(dāng)考慮構(gòu)建包括速度、轉(zhuǎn)角等表示魚群活躍程度的綜合評價(jià)參數(shù)來對魚類的攝食強(qiáng)度進(jìn)行量化。

3.3 計(jì)算機(jī)視覺技術(shù)在體色變化中的應(yīng)用現(xiàn)狀

由于養(yǎng)殖環(huán)境中普遍存在水體混濁度高和光線弱的問題，體色變化在RGB顏色空間中并不明顯。因此在基于計(jì)算機(jī)視覺技術(shù)的魚體體色變化研究中，需要將圖像轉(zhuǎn)化為HSV色度空間，并在色度空間中挑選魚體與環(huán)境差異最為明顯的分量進(jìn)行量化[72]。李賢等[73]將拍攝得到的圖像轉(zhuǎn)化為HSV顏色空間，選取V分量進(jìn)行觀察，在運(yùn)用最大類間方差法分割得到魚體圖像后，選取CIE-Lab顏色空間作為體色量化標(biāo)準(zhǔn)，計(jì)算魚體體色灰度變化速率，結(jié)果發(fā)現(xiàn)，大菱鲆幼魚對于不同的背景顏色具有主動選擇性，偏愛于淺色背景。徐建瑜[30]對圖像序列進(jìn)行濾波去噪、圖像增強(qiáng)等一系列預(yù)處理步驟后，采用最大類間方差法分割圖像得到魚體圖像，之后將得到的RGB圖像轉(zhuǎn)化為HSV顏色空間，將獲得的魚體明度值與校準(zhǔn)后的無色玻璃覆蓋的灰階明度值進(jìn)行比較，以獲得的魚體的明度階值表示魚體的體色明暗程度，從而實(shí)現(xiàn)對魚體體色的量化。

目前關(guān)于計(jì)算機(jī)視覺技術(shù)在魚體體色變化中的應(yīng)用較少，且仍是單純地利用計(jì)算機(jī)視覺技術(shù)觀察魚體在適應(yīng)背景色中的體色變化情況，較少的研究由刺激因子導(dǎo)致的體色變化，并且很少與游泳行為以及攝食行為的變化相結(jié)合。

4 展望

作為目前魚類行為學(xué)研究的主流技術(shù)，計(jì)算機(jī)視覺受到國內(nèi)外魚類行為學(xué)研究者的高度關(guān)注并發(fā)展迅速。但同時(shí)，由于魚類生活環(huán)境的復(fù)雜性，計(jì)算機(jī)視覺技術(shù)在研究魚類行為方面的問題仍然存在。之后的研究重點(diǎn)可以在參數(shù)設(shè)置、算法統(tǒng)一以及新成像技術(shù)3個方面進(jìn)行延伸：1)在多目標(biāo)的目標(biāo)跟蹤復(fù)雜性較強(qiáng)的情況下，研究魚群整體參數(shù)，如群體活躍程度和攝食強(qiáng)度等參數(shù)的量化方法及其統(tǒng)一化。2)在目前研究的算法較為散亂的狀況下，針對特定種類和養(yǎng)殖環(huán)境，建立能夠適應(yīng)一定養(yǎng)殖條件和特定種類的識別和量化的模型。3)根據(jù)目前成像系統(tǒng)的發(fā)展，將更多的成像系統(tǒng)應(yīng)用于魚類行為觀察中，以期為之后魚類行為更方便快捷和有效的識別奠定基礎(chǔ)。

□