CN106228569A - 一种适用于水质监测的鱼体运动速度检测方法 - Google Patents

Abstract

本发明公开了一种适用于水质监测的鱼体运动速度检测方法，它涉及数字图像处理技术领域。通过摄像头采集鱼体运动视频，读取视频并逐帧分离为图片，对图像进行预处理操作，进行背景建模获得最终背景图像，通过Otsu算法获取自适应最佳分割阈值，每个视频帧图像与最终背景图像差分获取鱼体运动目标图像，通过连通区域质心法获取鱼体运动目标质心位置，求得质心，确定实际距离与像素坐标距离比值，求出鱼体在该时间段内的运动距离，由视频帧率与帧间隔关系确定运动时间，求得鱼体运动速率，确定鱼体当前时刻运动方向角，根据鱼体当前位置及运动速度规律分析水环境变化情况。本发明实时准确地获取鱼体运动速度，降低检测成本，提高算法检测精度。

Description

一种适用于水质监测的鱼体运动速度检测方法

技术领域

本发明涉及的是数字图像处理技术领域，具体涉及一种适用于水质监测的鱼体运动速度视频图像检测方法。

背景技术

目前，通过观测鱼体运动特征评估水质污染已成为重要的生物水质监测方法，鱼的游动速度是判定鱼类运动特征的重要参数之一，现有鱼体运动速度检测方法普遍存在依赖于硬件设备、算法复杂度高、误差较大等问题，且尚未提出有效的解决方案，基于此，设计一种新型的适用于水质监测的鱼体运动速度检测方法尤为必要。

发明内容

针对现有技术上存在的不足，本发明目的是在于提供一种适用于水质监测的鱼体运动速度检测方法，结构设计合理，通过采集鱼体运动视频，采用图像处理方法实时准确地获取鱼体运动速度，降低检测成本，提高算法检测精度。

为了实现上述目的，本发明是通过如下的技术方案来实现：一种适用于水质监测的鱼体运动速度检测方法，其步骤为：(1)通过摄像头采集鱼体运动视频，查看视频帧率，并解码为MPEG4压缩视频格式；

(2)技术人员可根据需求截取待检测的鱼体运动状态及背景视频，读取视频并逐帧分离为图片；

(3)对图像进行去噪、增强等预处理操作；

(4)调用背景视频帧图像，进行背景建模获得最终背景图像；

(5)通过Otsu算法获取自适应最佳分割阈值，Otsu算法原理简单，容易实现，对目标与背景相差较大的图像具有较好的分割效果；

(6)每个视频帧图像与最终背景图像差分获取鱼体运动目标图像；

(7)通过连通区域质心法获取每个鱼体运动目标的质心位置；

(8)建立参考坐标系，确定实际距离与像素坐标距离比值，求出鱼体在该时间段内的运动距离；

(9)摄像头视频帧率已知，确定帧间隔，由视频帧率与帧间隔关系确定运动时间；

(10)根据运动距离与运动时间的关系，求得鱼体运动速率；

(11)根据参考坐标系及质心位置，确定鱼体相对参考坐标系的运动方向角；

(12)根据鱼体当前位置及运动速度变化规律，分析水环境变化情况。

本发明的有益效果：能够实时快速地确定鱼***置，检测鱼体运动速度，得到鱼体特定时间段内鱼***置、运动速度等运动特征的实时变化规律，为进一步研究水质变化对鱼类运动特征的影响问题提供实验方法及技术方案。

附图说明

下面结合附图和具体实施方式来详细说明本发明；

图1为本发明的鱼体运动速度检测原理图；

图2为本发明的鱼体运动速度检测方法流程图。

具体实施方式

为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。

参照图1-2，本具体实施方式采用以下技术方案：一种适用于水质监测的鱼体运动速度检测方法，其步骤为：(1)通过摄像头采集鱼体运动视频，查看视频帧率，并解码为MPEG4压缩视频格式；

(2)技术人员可根据需求截取待检测的鱼体运动状态及背景视频，读取视频并逐帧分离为图片；

(3)对图像进行去噪、增强等预处理操作；

(4)调用背景视频帧图像，进行背景建模获得最终背景图像；

(5)通过Otsu算法获取自适应最佳分割阈值，Otsu算法原理简单，容易实现，对目标与背景相差较大的图像具有较好的分割效果；

(6)每个视频帧图像与最终背景图像差分获取鱼体运动目标图像；

(7)通过连通区域质心法获取每个鱼体运动目标的质心位置；

(8)建立参考坐标系，确定实际距离与像素坐标距离比值，求出鱼体在该时间段内的运动距离；

(9)摄像头视频帧率已知，确定帧间隔，由视频帧率与帧间隔关系确定运动时间；

(10)根据运动距离与运动时间的关系，求得鱼体运动速率；

(11)根据参考坐标系及质心位置，确定鱼体相对参考坐标系的运动方向角；

(12)根据鱼体当前位置及运动速度规律，分析水环境变化情况。例如当水质适合鱼类生存时，鱼类大多处于悠闲自在的运动状态，在没有其它外界刺激的情况下，在一段时间内的速度较稳定；水体严重污染时，鱼类可能会迅速游动；当外界环境极其恶劣导致鱼类即将死亡时，其运动速率极慢，对外界刺激反应时间会变长。

本具体实施方式通过摄像头实时采集获取鱼体运动状态及运动背景视频；逐帧读取背景视频，并建立统计学背景模型，其模型建立方法如下：由于视频采集过程中可能会存在光线变化、水纹波动、相机抖动等众多干扰因素，导致无法获得理想的背景图像，通过背景建模可以减弱干扰因素的影响，提高监测的准确率，当环境相对稳定时，只有在鱼体通过像素点时，其亮度值才发生变化。因此，采用实时快速的统计学方法建立背景模型。

假设采集到m帧背景视频图像，第k幅背景图像记为B_k，则背景图像第i行第j列像素点均值A(i，j)及方差V(i，j)为

$A(i,j)=\frac{1}{m}\underset{k=1}{\overset{m}{\Σ}}{B}_k(i,j)$

$V(i,j)=\frac{1}{m}\underset{k=1}{\overset{m}{\Σ}}{\left(B_k\right(i,j)-A(i,j\left)\right)}^2$

假设第k幅背景图像像素点满足|B_k(i，j)-A(i，j)|＜V(i，j)，则该图像像素点加入背景模型库，依次遍历找到所有满足条件的像素点加入背景模型库。假设加入背景模型库的有效像素个数为n(n≤m)个，则以n个像素点的均值作为该背景像素点最终的像素值，最终的背景图像B(i，j)即为：

B(i，j)＝Mean(B_n(i，j)，B_n-1(i，j)…，B₁(i，j))

背景差分图像自适应分割：采用最大类间方差(Ostu)算法确定最佳分割阈值，采用背景差分法检测鱼体运动目标。

假设原始图像为I，差分图像定义为：D(i，j)＝|I(i，j)-B(i，j)|，采用阈值分割算法对检测鱼体运动目标，定义鱼体运动目标区域二值化像素集合为：

$G(i,j)=\left\{\begin{array}{cc}1,& D\left(i,j\right)\&GreaterEqual;T\\ 0,& D\left(i,j\right)<T\end{array}\right.---\left(1\right)$

其中T为鱼体运动目标与背景分割阈值，采用最大类间方差准则函数法(Otsu)求解最佳阈值T，利用目标和背景类间方差最大作为阈值选取准则，其最佳阈值T求解过程如下：

假设原图像灰度级为L，每个灰度级内像素个数为a_l，图像像素总个数为N，则各灰度级出现概率为：

p_l＝a_l/N

按照图像灰度级用阈值T将图像分为背景C₀(0，1，...T)和目标C₁(T+1，T+2，...L-1)两类，其背景像素和目标像素出现概率为：

$p_o\left(T\right)=\underset{l=T+1}{\overset{L-1}{\&Sigma;}}{p}_l$ $p_b\left(T\right)=\underset{l=0}{\overset{T}{\&Sigma;}}{p}_l$

其对应的均值分别为：

${\mathrm{\&mu;}}_o\left(T\right)=\frac{\underset{l=T+1}{\overset{L-1}{\&Sigma;}}{\mathrm{lp}}_l}{p_0\left(T\right)}$ ${\mathrm{\&mu;}}_b\left(T\right)=\frac{\underset{l=0}{\overset{T}{\&Sigma;}}{\mathrm{lp}}_l}{p_b\left(T\right)}$

整幅图像的灰度均值为：

$\mathrm{\&mu;}=\underset{l=0}{\overset{L-1}{\&Sigma;}}l\&times;p_l$

则其类间方差为：

$\begin{array}{c}{\mathrm{\&sigma;}}_B^2\left(T\right)=p_b\left(T\right){\&lsqb;{\mathrm{\&mu;}}_B\left(T\right)-\mathrm{\&mu;}\&rsqb;}^2+p_o\left(T\right){\&lsqb;{\mathrm{\&mu;}}_o\left(T\right)-\mathrm{\&mu;}\&rsqb;}^2\\ =p_b\left(T\right)\&lsqb;1-p_b\left(T\right)\&rsqb;{\&lsqb;{\mathrm{\&mu;}}_b\left(T\right)-{\mathrm{\&mu;}}_o\left(T\right)\&rsqb;}^2\end{array}$

即能够使值最大的最佳阈值T′为

$T^{\&prime;}=Arg\underset{0\&le;T\&le;L-1}{\max }\left({\mathrm{\&sigma;}}_B^2\right)$

将最佳阈值代入(1)，得到二值化鱼体运动目标区域像素集合。

鱼体运动目标位置检测以质心位置等效鱼体运动目标位置，经过背景差分法自适应分割得到鱼体运动目标，其二值化图像背景像素值为0。鱼体目标区域由于色彩及亮度各不相同，可使部分目标区域因与背景色相似而被划分为背景，鱼体质心成为所有像素值为1的区域质心。因此考虑以目标区域中连通区域质心替代整个鱼体质心，在确定鱼***置的同时减少计算复杂度。

目标区域0阶距和1阶距如下：

$\left\{\begin{array}{c}{M}_{00}=\underset{i=0}{\overset{x}{\&Sigma;}}\underset{j=0}{\overset{y}{\&Sigma;}}I(i,j)\\ M_{10}=\underset{i=0}{\overset{x}{\&Sigma;}}\underset{j=0}{\overset{y}{\&Sigma;}}iI(i,j)\\ M_{01}=\underset{i=0}{\overset{x}{\&Sigma;}}\underset{j=0}{\overset{y}{\&Sigma;}}jI(i,j)\end{array}\right.$

其中x和y分别为图像长、宽方向的像素点数，I(i，j)为二值化图像像素值，且满足：

$I(i,j)=\left\{\begin{array}{cc}1,& I(i,j)<T^{\&prime;}\\ 0,& otherwise\end{array}\right.$

根据上式，鱼体运动目标区域质心坐标为：

$\left\{\begin{array}{c}{x}_c=\frac{M_{10}}{M_{00}}\\ y_c=\frac{M_{01}}{M_{00}}\end{array}\right.---\left(2\right)$

鱼体运动速度检测：鱼体在不同帧图像中目标位置变化程度反应了鱼体运动距离大小，如图1所示，以视频图像左下角为坐标原点，建立直角坐标系，设鱼体在两个不同帧中质心位置分别为A(x_1c，y_1c)和B(x_2c，y_2c)，运动方向为A→B。

设实际距离与像素坐标距离比值为e，将像素坐标距离转化为实际距离，则鱼体在该时间段内的运动距离表示为：

$dis=e\sqrt{{(x_{1c}-x_{2c})}^2+{(y_{1c}-y_{2c})}^2}$

设鱼体运动视频帧率为r fps，视频帧间隔为Δf，鱼体运动时间为：

$t=\frac{1}{r}\mathrm{\&Delta;}f$

则鱼体在该时间段内的平均速率为：

$v=\frac{dis}{t}=\frac{er\sqrt{{(x_{1c}-x_{2c})}^2+{(y_{1c}-y_{2c})}^2}}{\mathrm{\&Delta;}f}---\left(3\right)$

鱼体从A→B运动方向为：

本具体实施方式鱼类运动速度在一定程度上能够反映水质变化状况，通过实时获取鱼的运动速度特征，对水环境质量做出科学推测。该方法将为生物水质监测提供实验方法和实验数据，为进一步研究鱼类水质指示特性及水质变化奠定基础。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (1)

1.一种适用于水质监测的鱼体运动速度检测方法，其特征在于，其步骤为：(1)通过摄像头采集鱼体运动视频，查看视频帧率，并解码为MPEG4压缩视频格式；

(2)技术人员可根据需求截取待检测的鱼体运动状态及背景视频，读取视频并逐帧分离为图片；

(3)对图像进行去噪、增强等预处理操作；

(4)调用背景视频帧图像，进行背景建模获得最终背景图像；

(5)通过Otsu算法获取自适应最佳分割阈值，Otsu算法原理简单，容易实现，对目标与背景相差较大的图像具有较好的分割效果；

(6)每个视频帧图像与最终背景图像差分获取鱼体运动目标图像；

(7)通过连通区域质心法获取每个鱼体运动目标的质心位置；

(8)建立参考坐标系，确定实际距离与像素坐标距离比值，求出鱼体在该时间段内的运动距离；

(9)摄像头视频帧率已知，确定帧间隔，由视频帧率与帧间隔关系确定运动时间；

(10)根据运动距离与运动时间的关系，求得鱼体运动速率；

(11)根据参考坐标系及质心位置，确定鱼体相对参考坐标系的运动方向角；

(12)根据鱼体当前位置及运动速度变化规律，分析水环境变化情况。