黃志濤， 何 佳， 宋協(xié)法

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

在水產(chǎn)養(yǎng)殖過程中，魚類投喂量的控制是一個(gè)備受關(guān)注的問題，魚群攝食情況會(huì)直接影響魚體生長(zhǎng)發(fā)育狀況[1]。飼料投喂量過少會(huì)影響魚類的正常生長(zhǎng)，過多除了會(huì)造成浪費(fèi)還會(huì)引起水質(zhì)惡化及加重系統(tǒng)負(fù)荷等問題，不利于魚類生長(zhǎng)[2-3]。目前魚類投喂方法仍然以人工及機(jī)械定量投喂為主，但魚類攝食欲望會(huì)隨著水體環(huán)境因子的變化而改變，飼料的精確投喂量難以獲得[4-5]。因此，如何實(shí)現(xiàn)精準(zhǔn)投喂是水產(chǎn)養(yǎng)殖中亟需解決的關(guān)鍵問題，也是福利化養(yǎng)殖面臨的重要挑戰(zhàn)。

計(jì)算機(jī)視覺技術(shù)作為一種非入侵型且穩(wěn)定性較好的行為觀察技術(shù)，已經(jīng)成為精準(zhǔn)投喂控制的重要研究手段[6-8]。在水產(chǎn)養(yǎng)殖中，可以利用計(jì)算機(jī)視覺技術(shù)對(duì)魚類攝食行為進(jìn)行觀察和量化，為魚類的精準(zhǔn)投喂提供技術(shù)指導(dǎo)。目標(biāo)跟蹤是計(jì)算機(jī)視覺技術(shù)的常用方法，但在對(duì)魚類攝食行為進(jìn)行量化的過程中，多目標(biāo)跟蹤方法存在一定的局限性，尤其在魚體數(shù)量較多時(shí)，魚體間易發(fā)生重疊，這可能會(huì)導(dǎo)致目標(biāo)魚體的跟蹤失敗[9]。

在魚類攝食行為量化中，常根據(jù)魚群群體的行為特征研究魚群整體攝食行為或利用圖像整體特征反映圖像在魚群攝食行為發(fā)生前后的變化情況。Zhou等[10]提取圖像中的魚體，以圖像中魚體的形心作為狄羅尼三角形的頂點(diǎn)，以狄羅尼三角形的平均周長(zhǎng)作為魚群的群集指數(shù)進(jìn)行攝食行為量化，但該方法需要去除包含水花和反光的幀，計(jì)算量大。Liu等[11]利用幀間差分將相鄰幀圖像相減，將差分圖像像素值的和作為魚群整體的攝食行為活動(dòng)強(qiáng)度，但該方法在計(jì)算過程中需要人為確定魚體數(shù)目。陳彩文等[12]通過分析圖像紋理特征評(píng)估魚群攝食活動(dòng)強(qiáng)度，無需考慮水面反光及水花問題，但檢測(cè)精度有待提高。

盡管目前已經(jīng)開展了利用魚體運(yùn)動(dòng)特征或圖像整體特征+對(duì)魚類攝食行為進(jìn)行量化的研究，但除了大多圖像整體特征提取過程較為復(fù)雜之外，量化的過程中較多采用單一的魚體運(yùn)動(dòng)特征或圖像整體特征，較少利用多種特征綜合進(jìn)行量化。單一特征對(duì)于魚群攝食行為量化存在不足，魚體的速度、轉(zhuǎn)角等運(yùn)動(dòng)特征能為魚體運(yùn)動(dòng)狀態(tài)提供信息，圖像紋理特征也能在一定程度上反映魚群的活躍程度變化，同時(shí)能夠減小計(jì)算結(jié)果受到水花及水面反光的干擾。因此，本文以大西洋鮭(Sadlmosalar)為研究對(duì)象，在自然光照條件下提取魚體的速度、轉(zhuǎn)角等魚體運(yùn)動(dòng)特征及5種圖像紋理特征，通過兩種特征的結(jié)合，能夠準(zhǔn)確量化魚群攝食行為，從而對(duì)魚群攝食行為進(jìn)行檢測(cè)識(shí)別，為解決水產(chǎn)養(yǎng)殖中的精準(zhǔn)投喂問題提供基礎(chǔ)支撐。

1 材料與方法

1.1 實(shí)驗(yàn)系統(tǒng)和實(shí)驗(yàn)用魚

實(shí)驗(yàn)系統(tǒng)如圖1所示，包括養(yǎng)殖池及水處理用砂濾罐、視頻采集用計(jì)算機(jī)(Dell Inspiron 3670，CPU i5-9400，頻率2.80 GHz，內(nèi)存16 GB)、相機(jī)(Basler ace acA2440-35 μm)、鏡頭(Kowa Lens LM16HC F1.4f16mm 1")。其中投餌裝置安裝于養(yǎng)殖池(直徑1.5 m，水深0.5 m)邊緣，投餌速度65 g/min；相機(jī)和鏡頭安裝于養(yǎng)殖池上方，距離水面2.3 m，采集的圖像分辨率為2 464×2 056，采集速率10幀/s。

(a：計(jì)算機(jī) Computer；b：養(yǎng)殖池 Tank；c：砂濾罐 Sand filter；d：攝像機(jī) Camera；e：LED燈 LED light.)

實(shí)驗(yàn)所用大西洋鮭購(gòu)自山東東方海洋科技股份有限公司大西洋鮭繁育場(chǎng)，魚苗初始體長(zhǎng)為(14.22±0.83) cm，初始體質(zhì)量為(31.74±4.95) g。魚苗購(gòu)回后暫養(yǎng)于養(yǎng)殖池(直徑1.5 m，水深0.5 m)一周，暫養(yǎng)期間水溫(18.0±0.4) ℃，DO>6.5 mg/L，光照周期12L∶12D，所投飼料為山東省青島市愛樂水產(chǎn)有限公司生產(chǎn)的大西洋鮭專用飼料。暫養(yǎng)期間每天換水2次，每次換水量為總水量的50%。

1.2 實(shí)驗(yàn)設(shè)計(jì)

隨機(jī)選取30尾大西洋鮭魚置于圓形養(yǎng)殖池中，溫度(15.0±0.5) ℃，DO>6 mg/L。實(shí)驗(yàn)期間每天投喂2次(9:00；17:00)，每次投喂為定量投喂，投喂時(shí)間為1 min，投喂量65 g。每次投喂前10 s開始拍攝，拍攝時(shí)間2 min。拍攝所獲取的視頻均保存于計(jì)算機(jī)中，后續(xù)使用MatLab2018a軟件對(duì)視頻進(jìn)行背景構(gòu)建、魚體提取、圖像紋理特征分析等處理。其中，在對(duì)視頻進(jìn)行處理并輸出整個(gè)序列的各幀圖像后，通過人為觀察，判定投喂開始的圖像幀數(shù)及魚群攝食結(jié)束時(shí)的圖像幀數(shù)，用于后期的識(shí)別和量化準(zhǔn)確率評(píng)估。

1.3 圖像處理方法

1.3.1 基于魚體運(yùn)動(dòng)特征的處理 首先構(gòu)建養(yǎng)殖池的背景，并對(duì)背景進(jìn)行實(shí)時(shí)更新，將采集得到的圖像與實(shí)時(shí)的背景進(jìn)行差分，并運(yùn)用Otsu法對(duì)差分圖像進(jìn)行分割，去除噪點(diǎn)后得到只包含魚體的二值化圖像；再利用光流法提取魚體的速度、轉(zhuǎn)角兩個(gè)特征量，分別計(jì)算速度、轉(zhuǎn)角的熵值，得到兩者的混合熵。

1.3.1.1 魚群前景提取 魚群前景提取是指將魚群從包含魚體以及背景中的圖像中進(jìn)行提取的過程，常見的前景提取方法有背景差分法和幀間差分法，前者在背景較穩(wěn)定時(shí)具有較好的提取效果，而后者適合目標(biāo)運(yùn)動(dòng)較為劇烈的情況[13]。

在實(shí)驗(yàn)室條件下，穩(wěn)定的光線為背景差分法的使用提供了可能。因此本實(shí)驗(yàn)采用背景差分法提取圖像中的魚體前景，首先計(jì)算圖像序列中每一像素點(diǎn)在前m幀中的像素均值作為背景，同時(shí)建立背景更新機(jī)制，使背景隨環(huán)境光線變化而實(shí)時(shí)更新。背景建立及更新公式如式(1)所示。

(1)

式中：F(x,y)為當(dāng)前幀圖像中(x,y)點(diǎn)的像素值；Bk(x,y)為背景圖像(x,y)點(diǎn)的像素值；α為背景的更新速率，根據(jù)預(yù)試驗(yàn)中背景更新模型的更新情況，在此實(shí)驗(yàn)中，將α設(shè)置為1。

對(duì)圖像序列中每一幀圖像進(jìn)行背景差分，得到包含魚體前景的灰度圖像，之后利用Otsu法[14]對(duì)差分后的圖像進(jìn)行分割，得到包含魚體目標(biāo)的二值化圖像，再利用膨脹腐蝕算法去除殘餌、糞便等噪聲，得到只包含魚體的二值化圖像。圖像處理流程如圖2所示。

1.3.1.2 光流法 光流是圖像運(yùn)動(dòng)速度的表征，當(dāng)給予圖像中每一個(gè)像素點(diǎn)一個(gè)運(yùn)動(dòng)矢量時(shí)，整個(gè)圖像形成一個(gè)光流場(chǎng)，其中運(yùn)動(dòng)物體的光流與背景光流之間存在差異，因此運(yùn)動(dòng)物體能被檢測(cè)和識(shí)別。

本研究利用Lucas-Kanade光流法[15]，通過計(jì)算前后兩幀圖像中各像素點(diǎn)的變化，得到每一幀像素點(diǎn)的運(yùn)動(dòng)矢量，具有相似運(yùn)動(dòng)矢量的像素點(diǎn)即構(gòu)成同一魚體。由于算法只對(duì)分割后的魚體二值化圖像進(jìn)行計(jì)算，因此檢測(cè)出的運(yùn)動(dòng)矢量均屬于魚體前景的運(yùn)動(dòng)情況。

1.3.1.3 速度、轉(zhuǎn)角的統(tǒng)計(jì) 利用光流法計(jì)算得到的運(yùn)動(dòng)矢量為圖像中每一像素點(diǎn)的橫向及縱向運(yùn)動(dòng)速度，通過公式(2)計(jì)算得到每一運(yùn)動(dòng)矢量的速度及轉(zhuǎn)角，

圖2 圖像處理流程

之后對(duì)圖像中所有像素點(diǎn)的速度及轉(zhuǎn)角分別進(jìn)統(tǒng)計(jì)。對(duì)統(tǒng)計(jì)結(jié)果進(jìn)行歸一化，分別得到圖像中每一運(yùn)動(dòng)矢量在速度及轉(zhuǎn)角上的分布概率。

(2)

Sv(x)=Hv(x)， 0Pv(x)=Sv(x)/M，
Sθ(y)=Hθ(y)， 0Pθ(y)=Sθ(y)/M。

(3)

式中：將速度歸一化，分為i個(gè)區(qū)間；將180°轉(zhuǎn)角分為j個(gè)區(qū)間；Sv(x)和Hv(x)為速度在x范圍內(nèi)運(yùn)動(dòng)矢量的個(gè)數(shù)；Sθ(y)和Hθ(y)為角度在y范圍內(nèi)運(yùn)動(dòng)矢量的個(gè)數(shù)；Pv(x)和Pθ(y)分別為Sv(x)和Sθ(y)出現(xiàn)的概率。圖3是運(yùn)動(dòng)矢量中速度的統(tǒng)計(jì)直方圖，其中橫坐標(biāo)代表運(yùn)動(dòng)速度，縱坐標(biāo)代表運(yùn)動(dòng)速度出現(xiàn)的概率。

信息熵在信息論領(lǐng)域一般用于解決信息的度量問題，以及用來描述信息的不確定性[16-17]，因此通過計(jì)算速度和轉(zhuǎn)角分布概率的信息熵，對(duì)速度、轉(zhuǎn)角的離散程度進(jìn)行衡量。根據(jù)熵值的定義，速度和轉(zhuǎn)角兩種離散型變量的熵值分別為：

(4)

速度、轉(zhuǎn)角的離散程度能夠表現(xiàn)魚群整體的運(yùn)動(dòng)狀態(tài)，如圖3所示，當(dāng)魚體處于正常狀態(tài)時(shí)，速度分布較為分散，當(dāng)處于攝食狀態(tài)時(shí)，速度分布較為集中；同時(shí)，魚群個(gè)體的轉(zhuǎn)角在正常游動(dòng)狀態(tài)下相差較小，但在攝食過程中個(gè)體間的轉(zhuǎn)角差異較大。因此結(jié)合速度、轉(zhuǎn)角的熵值，能夠?qū)︳~群運(yùn)動(dòng)狀態(tài)進(jìn)行更好的量化。根據(jù)速度和轉(zhuǎn)角的熵值，定義兩者的混合熵為[18]：

H=Hv/Hθ。

(5)

1.3.2 基于圖像紋理特征的處理

1.3.2.1 圖像紋理特征的提取 紋理是圖像的內(nèi)在特征，反映了圖像像素間的灰度重復(fù)或變化[19]。圖像紋理特征可以通過像素及其周圍空間鄰域的灰度分布來表現(xiàn)圖像的局部紋理信息，而灰度圖像的紋理特征可以定量描述灰度圖像中局部區(qū)域像素之間的關(guān)系[20]。在魚群攝食行為實(shí)驗(yàn)中，當(dāng)魚群處于未攝食狀態(tài)時(shí)，圖像顯示養(yǎng)殖池水面保持平穩(wěn)的波動(dòng)；當(dāng)魚群開始攝食時(shí)，水面出現(xiàn)較大的波動(dòng)，圖像顯示養(yǎng)殖池水面出現(xiàn)水花，圖像的灰度信息也出現(xiàn)較大的變化，因此可以利用紋理特征定量描述灰度圖像中的信息。

圖像紋理特征的分析方法主要有4種：統(tǒng)計(jì)方法、基于紋理模型的方法、信號(hào)處理方法和結(jié)構(gòu)分析方法[21-22]。其中，統(tǒng)計(jì)方法中的灰度共生矩陣(Gray-level co-occurrence matrix, GLCM)應(yīng)用最為廣泛，該算法能夠利用二階度量統(tǒng)計(jì)圖像中的灰度值在空間上的分布特性，同時(shí)具有較強(qiáng)的魯棒性。

圖3 運(yùn)動(dòng)矢量速度統(tǒng)計(jì)直方圖

1.3.2.2 灰度共生矩陣的生成 假設(shè)灰度圖像G=f(x,y)分辨率為Nx×Ny，為減少計(jì)算量，對(duì)原始圖像進(jìn)行灰度級(jí)壓縮，Ng為壓縮后的灰度級(jí)數(shù)?；叶裙采仃嚰礊閺脑蓟叶葓D像過渡到灰度壓縮圖像的灰度變換矩陣。其定義為，以圖像中灰度為i的像素點(diǎn)(x1,y1)為起點(diǎn)，統(tǒng)計(jì)與其距離為d，方向?yàn)棣鹊南袼攸c(diǎn)(x2,y2)灰度為j的概率。則灰度共生矩陣可定義為：

P=p(i,j,d,θ)。

(6)

其中以X軸正方向?yàn)槠鹗冀嵌?，逆時(shí)針為正方向，θ一般取0°、45°、90°、135°四個(gè)方向。則灰度共生矩陣元素在四個(gè)方向的具體表達(dá)式為：

p(i,j,d,0°)=#{(x1,y1)(x2,y2)∈(Nx×Ny)×(Nx×Ny)|x1-x2=0,|y1-y2|=d;

f(x1,y1)=i,f(x2,y2)=j} ，

p(i,j,d,45°)=#{(x1,y1)(x2,y2)∈(Nx×Ny)×(Nx×Ny)|(x1-x2=d,y1-y2=d)

或(x1-x2=-d,y1-y2=-d);f(x1,y1)=i,

f(x2,y2)=j} ，

p(i,j,d,90°)=#{(x1,y1)(x2,y2)∈(Nx×Ny)×(Nx×Ny)||x1-x2|=d,y1-y2=0;

f(x1,y1)=i,f(x2,y2)=j} ，

p(i,j,d,135°)=#{(x1,y1)(x2,y2)∈(Nx×Ny)×(Nx×Ny)|(x1-x2=d,y1-y2=-d)

或(x1-x2=-d,y1-y2=d);f(x1,y1)=i,

f(x2,y2)=j} 。

(7)

式中#(x)表示集合x中的元素個(gè)數(shù)。

1.3.2.3 特征量的提取 灰度共生矩陣反映了圖像的灰度在相鄰間隔、方向及變化幅度上的綜合信息，為了能更直觀地以灰度共生矩陣分析圖像紋理狀況，一般不直接應(yīng)用得到的灰度共生矩陣，而是在其基礎(chǔ)上進(jìn)行二次統(tǒng)計(jì)量的計(jì)算。本文選取能量、熵、對(duì)比度、相關(guān)性和逆差距5個(gè)二次統(tǒng)計(jì)量用于圖像的紋理特征描述[23]，其中灰度級(jí)數(shù)被設(shè)置為16，距離設(shè)置為1。

能量(Energy)：灰度共生矩陣元素值的平方和，也稱為角二階距，反映了圖像灰度分布的均勻程度和紋理粗細(xì)度，計(jì)算公式如下：

(8)

熵(Entropy)：圖像包含信息量的隨機(jī)性度量，表明圖像灰度分布的非均勻程度或復(fù)雜程度，計(jì)算公式如下：

(9)

對(duì)比度(Contrast)：反映圖像的清晰度和紋理的溝紋深淺，計(jì)算公式如下：

(10)

相關(guān)性(Correlation)：度量灰度共生矩陣在行或列方向上的相似程度，反映局部灰度相關(guān)性，計(jì)算公式如下：

(11)

式中μ1,μ2,σ1,σ2分別為

(12)

逆差距(Homogeneity)：反映圖像紋理局部變化的大小，計(jì)算公式如下：

(13)

1.3.3 魚群攝食活動(dòng)強(qiáng)度分析 在圖像序列中，魚群的運(yùn)動(dòng)特征包含了魚體的運(yùn)動(dòng)信息，圖像紋理特征則顯示了整幅圖像的紋理變化。因此，將魚體運(yùn)動(dòng)特征與圖像紋理特征進(jìn)行結(jié)合，能更精確地描述魚群在攝食活動(dòng)中的行為變化。

式(5)為基于魚體運(yùn)動(dòng)特征的魚群攝食行為量化。式(8)～(13)為5種圖像紋理特征量的計(jì)算，5種紋理特征量分別從不同角度對(duì)魚群攝食過程中的圖像紋理變化進(jìn)行描述，因此在式(8)～(13)的基礎(chǔ)上，基于圖像紋理特征的魚群攝食行為量化可表示為[24]：

F=α1fENE+α2fENT+α3fCON+α4fCOR+

α5fHOM+α6。

(14)

式中：α1、α2、α3、α4、α5分別為5個(gè)圖像紋理特征值的系數(shù)；α6為綜合參數(shù)的修正值。

魚群攝食活動(dòng)強(qiáng)度是指在攝食前后魚群的活躍程度，由于餌料應(yīng)激的出現(xiàn)，魚群的活躍程度改變，即魚群攝食活動(dòng)強(qiáng)度發(fā)生變化，而魚群運(yùn)動(dòng)狀態(tài)和圖像紋理的改變能夠從魚群自身和圖像整體的角度對(duì)魚群攝食活動(dòng)強(qiáng)度的變化進(jìn)行表征。其中，式(5)定義了魚群的速度、轉(zhuǎn)角混合熵，并將其作為魚體運(yùn)動(dòng)特征來量化魚群攝食行為，式(14)綜合5種圖像紋理特征量，通過圖像紋理特征表述魚群的攝食行為變化。因此，根據(jù)式(5)和(14)，定義魚群攝食活動(dòng)強(qiáng)度為：

C=F/H。

(15)

式中：H為魚群的速度、轉(zhuǎn)角混合熵；F為基于圖像紋理特征的魚群攝食行為參數(shù)。

2 結(jié)果與分析

2.1 基于魚體運(yùn)動(dòng)特征的攝食行為量化

圖4為基于魚體運(yùn)動(dòng)特征的魚群攝食行為量化結(jié)果。由圖4可以看出，速度、轉(zhuǎn)角混合熵在1～117幀之間保持一定的波動(dòng)，在117幀處，魚群開始攝食，此時(shí)熵值由非攝食狀態(tài)下的0.92均值水平迅速下降至接近0.72的水平，并在短時(shí)間內(nèi)回升至0.92處，之后又出現(xiàn)下降并最終在均值為0.85的熵值水平保持波動(dòng)，直至815幀時(shí)，魚群攝食結(jié)束，熵值再次出現(xiàn)波動(dòng)并逐漸上升到投喂之前的熵值水平，此時(shí)熵值在均值為0.91的水平上下波動(dòng)。

圖4 基于魚體運(yùn)動(dòng)特征的攝食行為量化

2.2 基于圖像紋理特征的攝食行為量化

基于灰度共生矩陣提取的5個(gè)特征量在0°、 45°、 90°、 135° 4個(gè)方向的分量取平均值，其變化趨勢(shì)如圖5所示。從圖5(a)和(e)可以看出，能量和逆差距在趨勢(shì)上保持一致，均在117幀開始投喂時(shí)迅速上升，其中，能量特征值在攝食之前均值保持在0.92的水平，而在117幀開始上升之后直到815幀，仍保持在較高水平，而能量特征值趨勢(shì)開始下降的時(shí)間與魚群攝食結(jié)束的時(shí)間一致；同時(shí)，逆差距在開始投喂時(shí)迅速上升，并在短時(shí)間內(nèi)恢復(fù)到投喂前的1.00的均值水平，相比較而言，逆差距在攝食過程中的均值水平為1.00，這與攝食前的水平相同，但逆差距能夠識(shí)別出魚群在攝食過程發(fā)生時(shí)出現(xiàn)的突然變化。在圖5(b)和(c)中，熵值和對(duì)比度具有相似的趨勢(shì)，但對(duì)比度在迅速下降之后迅速上升到攝食行為發(fā)生之前的0.01均值水平，而熵值雖然也出現(xiàn)上升，但仍然保持在較低的0.15均值水平，這個(gè)水平相較于攝食行為發(fā)生之前的0.25水平仍有較大差距。相比上述4個(gè)紋理特征值，相關(guān)性的趨勢(shì)在魚群攝食前后變化更明顯，從117幀開始，相關(guān)性在均值為23.98水平上保持波動(dòng)，并在815幀開始逐漸恢復(fù)到魚群未攝食的5.64均值水平(見圖5(d))。

圖5 圖像紋理特征曲線

2.3 魚群攝食活動(dòng)強(qiáng)度量化

基于魚體運(yùn)動(dòng)特征和圖像紋理特征的魚群攝食活動(dòng)強(qiáng)度量化結(jié)果如圖6所示，由圖6可以看出，在0～117幀處，魚群處于未攝食狀態(tài)，此時(shí)魚群的攝食活動(dòng)強(qiáng)度保持在均值為12.13的水平上波動(dòng)。在117幀投喂開始時(shí)，魚群迅速進(jìn)入攝食狀態(tài)，魚群的攝食活動(dòng)強(qiáng)度在短時(shí)間內(nèi)迅速升高至接近70的水平，之后迅速下降并維持在均值為30.85的水平，此水平相較于投餌前的水平明顯較高，表明魚群仍然處于攝食的活動(dòng)狀態(tài)。在717幀處，投喂結(jié)束，但魚群仍在攝食殘餌，由于魚群對(duì)殘餌的攝食為間歇式，此時(shí)魚群攝食活動(dòng)強(qiáng)度值出現(xiàn)較大的波動(dòng)，直到815幀魚群攝食結(jié)束后，魚群攝食活動(dòng)強(qiáng)度值才出現(xiàn)明顯的下降趨勢(shì)，并逐漸恢復(fù)到攝食前的水平。

通過分析圖5、6的樣本，并結(jié)合魚群攝食行為的人為評(píng)定，人為選擇經(jīng)驗(yàn)值作為閾值，得到魚群攝食行為的檢測(cè)結(jié)果(見表1)。其中開始投喂時(shí)間即魚群攝食開始時(shí)間，魚群實(shí)際攝食結(jié)束時(shí)間由人為觀察圖像確定，各方法中閾值由各樣本中開始投喂和魚群攝食結(jié)束這2個(gè)時(shí)間點(diǎn)的前后3幀的特征值或魚群攝食活動(dòng)強(qiáng)度均值來確定，對(duì)于攝食結(jié)束的判定標(biāo)準(zhǔn)為持續(xù)20幀的量化結(jié)果低于閾值可判定為攝食結(jié)束，其中利用各量化方法進(jìn)行量化的結(jié)果與人工判定結(jié)果相同時(shí)視為識(shí)別準(zhǔn)確，否則為錯(cuò)誤。由表1可以看出，在此實(shí)驗(yàn)中，單獨(dú)利用圖像紋理特征中的相關(guān)性及能量對(duì)于魚群攝食行為具有較好的檢測(cè)效果，其識(shí)別準(zhǔn)確率分別達(dá)到了87.75%和80.08%。而基于魚體運(yùn)動(dòng)特征和圖像紋理特征的魚群攝食活動(dòng)強(qiáng)度檢測(cè)的準(zhǔn)確率為94.17%，相較于單一的圖像紋理特征參數(shù)，識(shí)別準(zhǔn)確率有一定的提高[12]。

圖6 魚群攝食活動(dòng)強(qiáng)度變化

表1 魚群攝食行為檢測(cè)結(jié)果

3 討論

3.1 魚群前景提取效果

由于實(shí)驗(yàn)條件下的環(huán)境光變化較小，本研究選取了背景差分的方法進(jìn)行魚體前景提取，并且，為了避免由于環(huán)境光變化對(duì)前景提取產(chǎn)生的影響，本研究建立自適應(yīng)背景模型，對(duì)背景進(jìn)行更新。除環(huán)境光對(duì)前景提取的影響之外，魚群在攝食狀態(tài)下由于爭(zhēng)搶餌料產(chǎn)生的水花也會(huì)對(duì)前景提取產(chǎn)生影響。

圖7為在自適應(yīng)背景模型下統(tǒng)計(jì)魚群速度得到的速度熵。攝食階段，速度熵的均值為4.31，此水平相較于未攝食階段的4.54均值水平較小，但兩個(gè)水平之間的差距并不明顯。在開始投餌時(shí)，速度熵迅速出現(xiàn)下降至3.7的水平，但在很短時(shí)間內(nèi)就恢復(fù)到投餌前的水平，恢復(fù)的原因可能是在魚群剛開始攝食時(shí)，水花的產(chǎn)生影響了魚群前景的提取[25]。因此，利用光流法檢測(cè)出的運(yùn)動(dòng)矢量的速度出現(xiàn)誤差，從而影響速度的統(tǒng)計(jì)結(jié)果。當(dāng)魚群攝食結(jié)束后，水面趨于平緩，水花逐漸消失，魚群前景提取的誤差減小，運(yùn)動(dòng)矢量的速度熵在850幀之后恢復(fù)到投餌前的4.54均值水平。于欣等[26]在研究魚群的異常行為時(shí)同樣也利用光流法對(duì)魚群前景進(jìn)行提取，并統(tǒng)計(jì)了魚群在正常行為及異常行為的速度及轉(zhuǎn)角分布的差異，結(jié)果表明此研究對(duì)于魚群前景提取的效果較好，這是因?yàn)閷?shí)驗(yàn)中光照較為充足，且魚體規(guī)格較小，較難產(chǎn)生水花。在魚類攝食行為研究中，為了去除水花和水面反光帶來的影響，常通過濾波檢測(cè)并去除水面反光或利用插值替代反射幀[6，11]，但這些方法一般計(jì)算量較大，并且不太適用于養(yǎng)殖密度較大，水面反光較多的情況。

圖7 基于自適應(yīng)背景差分的速度熵

3.2 基于魚體運(yùn)動(dòng)特征和圖像紋理特征的檢測(cè)效果

本實(shí)驗(yàn)所用算法在檢測(cè)魚群攝食活動(dòng)方面具有較高的準(zhǔn)確率，仍存在進(jìn)一步提升的空間。本研究選用自然光作為光源，而以速度、轉(zhuǎn)角、形狀、面積等特征為基礎(chǔ)的算法檢測(cè)和量化的效果均依賴于魚體前景的提取效果，盡管可以使用背景更新模型減小環(huán)境光線對(duì)前景提取產(chǎn)生的影響，但水花和水面反光仍然使前景提取的效果不夠理想[27-28]。圖像紋理特征通過分析圖像在魚群未攝食與攝食時(shí)的紋理差異對(duì)魚群攝食行為進(jìn)行檢測(cè)，其中未涉及前景目標(biāo)的提取，因此魚群爭(zhēng)搶餌料引起的水花及水面反光并未對(duì)圖像紋理特征的分析產(chǎn)生較大影響。但圖像紋理對(duì)于光照的敏感性較高，在光線強(qiáng)度發(fā)生變化時(shí)，圖像的紋理特征值也會(huì)產(chǎn)生變化[29]。由圖5可以看出，相較于魚群的未攝食狀態(tài)，魚群處于攝食狀態(tài)時(shí)5個(gè)圖像紋理特征值的波動(dòng)更加頻繁，說明在魚群處于攝食狀態(tài)時(shí)，整個(gè)圖像更為混亂，其原因可能在于，在魚群處于攝食狀態(tài)時(shí)，整個(gè)圖像更為混亂，水面反光和水花使得圖像紋理出現(xiàn)變化，但此變化結(jié)果對(duì)量化結(jié)果影響較小。在圖5(c)和圖5(e)中，在魚群攝食結(jié)束后，對(duì)比度和逆差距未恢復(fù)到魚群攝食之前的水平。這一結(jié)果產(chǎn)生的原因可能在于，在魚群開始攝食后，實(shí)驗(yàn)環(huán)境中的自然光光線減弱，導(dǎo)致圖像紋理的溝紋變淺和局部變化增大，從而引起對(duì)比度和逆差距的變化。

同時(shí)，本研究中選取的自然光條件也較為理想，這為前景提取提供了良好的條件，但在其他實(shí)驗(yàn)室及工廠化養(yǎng)殖的自然光條件下，可能會(huì)出現(xiàn)光照強(qiáng)度過低導(dǎo)致圖像中魚體不可見的情況出現(xiàn)，此時(shí)就需要使用人工光源進(jìn)行光照補(bǔ)充。

盡管如此，由于速度、轉(zhuǎn)角和圖像紋理信息均為魚類攝食行為量化提供重要信息，本研究將魚體運(yùn)動(dòng)特征和圖像紋理特征融合用于魚群攝食活動(dòng)強(qiáng)度量化，在對(duì)與大西洋鮭具有相似游泳和攝食行為的魚類如虹鱒等進(jìn)行攝食行為檢測(cè)時(shí)，本實(shí)驗(yàn)算法具有較大的識(shí)別潛力。而對(duì)于環(huán)境光線變化問題，后續(xù)的實(shí)驗(yàn)在利用魚體運(yùn)動(dòng)特征及圖像紋理特征參數(shù)進(jìn)行魚類行為識(shí)別時(shí)，可以通過人工光源使環(huán)境光照均勻，提高檢測(cè)的準(zhǔn)確率。

4 結(jié)語(yǔ)

本文針對(duì)水產(chǎn)養(yǎng)殖中的魚類攝食行為，利用自適應(yīng)背景建模和光流法從圖像中提取魚群的速度、轉(zhuǎn)角，通過信息熵研究了魚群在攝食和非攝食狀態(tài)下速度和轉(zhuǎn)角的分布情況，提取了灰度圖像的5種紋理參數(shù)，結(jié)合魚體運(yùn)動(dòng)特征和圖像紋理特征，提出了一種識(shí)別魚群攝食活動(dòng)強(qiáng)度的量化方法，利用該量化方法識(shí)別魚群的攝食和非攝食狀態(tài)的準(zhǔn)確率可達(dá)到94.17%。由于圖像紋理特征值在不同光照以下會(huì)發(fā)生相應(yīng)的變化，在實(shí)驗(yàn)過程中需要保持均勻的光照，并且由于背景差分的速度、轉(zhuǎn)角統(tǒng)計(jì)值在檢測(cè)的過程中也易受水花因素影響，因此在利用魚體運(yùn)動(dòng)特征或圖像紋理特征進(jìn)行量化時(shí)，仍需要結(jié)合其他特征進(jìn)行補(bǔ)充。后續(xù)研究將針對(duì)人工光照下的魚群攝食行為檢測(cè)和識(shí)別，以圖像紋理特征為基礎(chǔ)，在魚群前景較難完全提取的情況下，對(duì)水面反光以及因魚體活動(dòng)形成的水花進(jìn)行量化研究