基于改進(jìn)主成分分析和AdaBoost算法的運動蝦苗識別方法

劉世晶，王 帥，陳 軍，劉興國，周海燕

（中國水產(chǎn)科學(xué)研究院漁業(yè)機械儀器研究所，上海 200092）

基于改進(jìn)主成分分析和AdaBoost算法的運動蝦苗識別方法

劉世晶，王 帥，陳 軍※，劉興國，周海燕

（中國水產(chǎn)科學(xué)研究院漁業(yè)機械儀器研究所，上海 200092）

針對蝦行為量化過程中運動蝦苗較難檢測與識別的問題，該文以南美白對蝦蝦苗為例，提出了一種基于改進(jìn)主成分分析(principal component analysis,PCA)+AdaBoost算法的運動蝦苗自動識別方法。在室內(nèi)自然光條件下，利用工業(yè)相機采集承裝容器中蝦苗的灰度圖像。提取圖像中大小為100×100像素的不同運動狀態(tài)的蝦苗圖像，首先使用改進(jìn)PCA算法進(jìn)行主成分分析，并進(jìn)行特征提取。根據(jù)特征參數(shù)的分布情況，對其進(jìn)行歸一化處理，利用歸一化的特征構(gòu)建多個弱分類器，利用Adaboost方法將弱分類器構(gòu)建成強分類器。最后，利用強分類器對運動蝦苗進(jìn)行識別。試驗結(jié)果表明，在150幅不同運動狀態(tài)蝦苗測試樣本中，基于改進(jìn) PCA+Adaboost方法的識別正確率 98%，平均每個樣本識別時間為0.027 898 s，滿足行為量化中的自動識別要求。

圖像識別；識別；算法；運動蝦苗；改進(jìn)PCA；AdaBoost；行為量化

0 引 言

蝦類行為是蝦類對內(nèi)外環(huán)境改變時的外在反應(yīng)[1]，開展蝦類行為量化研究對促進(jìn)養(yǎng)殖方式改進(jìn)和養(yǎng)殖技術(shù)提升具有積極作用[2]。在蝦類行為量化研究過程中能否有效區(qū)分蝦與背景是決定蝦類行為研究成敗的關(guān)鍵因子，而蝦苗因體型較小、身體透光性強等特點又是蝦檢測和識別中的難點。

目前運動蝦苗識別乃至蝦的行為研究主要使用人工觀測法，但人工觀測由于其定性觀測的特性，導(dǎo)致觀測標(biāo)準(zhǔn)很難統(tǒng)一，結(jié)果很難量化。機器視覺技術(shù)因其非接觸、高精度、可量化的優(yōu)點目前已逐漸應(yīng)用于動物自動識別研究領(lǐng)域[3]。迄今為止，尚未看到有關(guān)運動蝦苗檢測與識別研究的相關(guān)報道，但是已有一些學(xué)者利用機器視覺技術(shù)開展其它水生動物的行為檢測與識別研究[4-5]。在運動目標(biāo)檢測方面，Kato等[6]使用光流法實現(xiàn)了基于二維圖像的金魚自動監(jiān)測與行為識別；徐盼麟等[7]利用單目視覺技術(shù)，結(jié)合 I MMJPDA算法實現(xiàn)的魚類行為的立體觀測，觀測結(jié)果為基于時空坐標(biāo)魚類行為識別與量化提供了參考方法；Vassilis 等[8]利用幀間差分法構(gòu)建了針對魚群的快速檢測與識別系統(tǒng)，該系統(tǒng)可實現(xiàn)快速監(jiān)測和量化魚群行為；朱佩儒[9]使用了基于檢測的魚群跟蹤算法和跟蹤斑馬魚輪廓的跟蹤算法解決了斑馬魚群互相交錯的問題；在靜態(tài)目標(biāo)識別與檢測方面，李賢等[10]利用顏色空間相關(guān)性實現(xiàn)了大菱鲆幼魚體色監(jiān)測與識別。徐建瑜[11]研究了尼羅羅非魚在不同水質(zhì)狀態(tài)下體色，初步形成了尼羅羅非魚的體色識別與量化方法。謝瑜等[12]使用邊緣檢測算法實現(xiàn)了斑馬魚卵細(xì)胞的識別。吳一全等[13]使用基于蜂群優(yōu)化多核支持向量機實現(xiàn)了5種淡水魚的識別。王斌等[14]利用Haar-like特征檢測蟹類的蛻殼行為，在有沙背景下識別準(zhǔn)確率達(dá)到79.5%。

上述方法主要是采用基于典型特征或者幀間差分的運動物體識別算法，適用于目標(biāo)特征明顯，易分割的試驗條件，針對蝦苗識別主要存在以下問題：1）對于基于典型特征目標(biāo)識別方法，由于算法在識別前需要明確找到物體的典型特征信息，使得算法在失真圖像的識別上很難準(zhǔn)確定位特征位置，而運動蝦苗特別是劇烈運動的蝦苗，圖像失真較為嚴(yán)重，導(dǎo)致很多明顯的外形信息丟失，因此很難直接利用典型特征對蝦苗進(jìn)行識別；2）對于幀間差分法，由于算法本身是通過計算兩幀圖像之間的灰度差來定位運動圖像，因此需要被識別物體與背景差異明顯且圖像失真較少，使得差分后的圖像具有典型的外形特征，針對蝦苗圖像，由于蝦苗身體透光性和運動失真影響，幀差后的圖像雖然會產(chǎn)生像素差異，但是不同差異相關(guān)性并不明顯，很難有效找到固定參數(shù)量化差異。

綜上所述，目前針對運動水生動物識別研究大都集中在魚類領(lǐng)域，面向蝦的研究特別是蝦苗研究較少，且傳統(tǒng)方法并不適用于蝦苗識別研究。針對這種情況，本文提出了一種基于改進(jìn)主成分分析法(principal component analysis,PCA)+ AdaBoost方法的運動蝦苗識別技術(shù)，該方法實現(xiàn)了運動蝦苗自動識別，且識別精度和運行效率滿足行為量化研究中的自動識別要求，為進(jìn)一步的蝦類行為研究提供了技術(shù)支撐。

1 材料與方法

1.1 蝦苗圖像

試驗采用的蝦苗為南美白對蝦，購買于通威海南海壹水產(chǎn)種苗有限公司，蝦苗體長均約為1 cm。

試驗設(shè)備主要包括：工業(yè)CCD數(shù)字相機、矩形玻璃皿承裝容器（規(guī)格為20 cm×20 cm×3 cm）、相機固定支架（可以上下移動相機）、臺式電腦等（如圖1所示）。試驗設(shè)備的具體參數(shù)見表1。

表1 試驗設(shè)備參數(shù)Table 1 Parameters of experimental equipments

圖1 試驗設(shè)備Fig.1 Experimental equipment

蝦苗圖像采集過程為：1）上下移動固定支架的臂手調(diào)整相機的垂直高度，使玻璃承裝容器完全包含在相機取景范圍內(nèi)設(shè)置固定相機；2）為保障試驗的成像質(zhì)量，適當(dāng)?shù)卣{(diào)整相機的角度，使相機的鏡頭和水平面近似垂直；3）在室內(nèi)正常光照強度下進(jìn)行取樣，相機設(shè)置為自動調(diào)節(jié)焦距與光圈，自動白平衡。利用采集的蝦苗，構(gòu)建待識別運動蝦苗樣本，樣本圖像如圖2所示。其中圖2a為靜止或運動緩慢蝦苗圖像、圖2b為運動激烈蝦苗圖像。

圖2 蝦苗圖像Fig.2 Larval shrimps images

從圖2中能夠看到采集到的蝦苗圖像擁有以下3個顯著特點：1）運動蝦苗圖像失真，丟失了蝦苗眼睛、體長等關(guān)鍵外形信息；2）蝦苗體征特點導(dǎo)致成像模糊。由于蝦苗身體較強的透光性，尤其是軀干和尾部的成像近乎和背景融為一體，蝦苗運動時這部分特點導(dǎo)致蝦苗圖像成像模糊，很難直接構(gòu)建蝦苗外形特征；3）蝦苗背景的圖像光照不均勻。在室內(nèi)開放的環(huán)境下，拍攝的時間與地點不同，由此產(chǎn)生了不同角度的入射光，以此造成了蝦苗圖像背景的不同，增加識別難度。

1.2 研究方法

1.2.1 改進(jìn)PCA算法

主成分分析法是模式識別中的一個線性監(jiān)督分析法，主要是基于變量協(xié)方差矩陣對原始信息進(jìn)行壓縮和提取處理。PCA是將多元的信息線性變換（降維、簡化、重排）為少數(shù)的幾個綜合信息（主成分）[15]，不僅保留了原始數(shù)據(jù)中的主要信息，而且可以將降維轉(zhuǎn)換后的特征向量線性分類。算法原理如下：

1）設(shè)訓(xùn)練樣本集X={x1,x2,…,xM}由M個蝦苗的訓(xùn)練樣本構(gòu)成，其中向量xi是每個樣本灰度的一維行向量展開，其維數(shù)為訓(xùn)練樣本圖像的像素點數(shù)。

2）計算X協(xié)方差矩陣，并求得特征值和特征向量，將特征值按從大到小的順序排列，其對應(yīng)的特征向量構(gòu)成了特征向量矩陣W，則得到X的特征矩陣Y=WTX。其中，Y1,Y2,…,Yk分別為第1,2,…,k主成分。

3）分別計算出相應(yīng)特征值占所有特征值之和的比例即為該主成分的貢獻(xiàn)率。

運動蝦苗因其外形特征和運動方向的不確定性，導(dǎo)致識別圖像本身會丟失很多重要信息，此外由于傳統(tǒng)的基于單維空間的PCA算法容易損壞圖像的二維結(jié)構(gòu)而且容易帶來維數(shù)災(zāi)難，要實現(xiàn)準(zhǔn)確識別必須增加主成分變量，降低運算速度[16]。針對此種情況，本文采用一種基于二維圖像的改進(jìn)PCA 算法（雙向PCA算法）進(jìn)行主成分提取，即針對每個圖像樣本分別在行向量和列向量上分別進(jìn)行PCA處理，最后結(jié)合雙向處理結(jié)果構(gòu)造特征矩陣，由于圖像的總方差矩陣明顯小于原始圖像的經(jīng)過變換后的矩陣維數(shù)，因此該算法能夠在保護(hù)圖像二維結(jié)構(gòu)的同時降低圖形處理時間。

改進(jìn)PCA的基本原理如下：

假設(shè)訓(xùn)練集有X1,X2,…,Xn，N個p×q的圖像樣本，使用p個1×q的行向量來代表第i個的樣本矩陣Xi，則通過下面的公式可計算得到圖像樣本的行散度陣：

得到Wr和Wc之后，通過下式能夠計算出圖像X的特征矩陣：

式中Y1為第一主成分,Y2為第二主成分,…,Yp為第p主成分。主成分對應(yīng)的特征值分別為k1,k2,…,kp。

1.2.2 AdaBoost算法

AdaBoost算法是一種分類器組合重構(gòu)的方法，其算法特點是不必準(zhǔn)確地了解樣本空間的分布，通過簡單弱分類器的自組織學(xué)習(xí)，確定分類器的分類結(jié)果并賦予相應(yīng)權(quán)重，根據(jù)權(quán)重將弱分類器組合成強分類器，實現(xiàn)樣本分類[17]。算法具體實現(xiàn)步驟如下：

假設(shè)有一個訓(xùn)練樣本集T={(x1,y1),(x2,y2),…(xn,yn)}，其中xi∈X，x1到xn為n個樣本，yi∈{-1,1}標(biāo)記集合。假設(shè)需要進(jìn)行r=1,2,…,R次訓(xùn)練，每次訓(xùn)練都可以獲得一個弱分類器，最后將R次訓(xùn)練后獲得的R個弱分類器構(gòu)造成一個強分類器[18]。

1）第一步，初始化訓(xùn)練樣本的權(quán)值分布。賦予每一個訓(xùn)練數(shù)據(jù)一樣的權(quán)重：1/n。

2）①利用擁有權(quán)值來分布Dr的訓(xùn)練集進(jìn)行學(xué)習(xí)，獲得弱分類器：

②計算Gr(x)的分類錯誤率：

從上面的公式可以看出，Gr(x)的錯誤率 er即被錯分類樣本的權(quán)值之和。

③運算弱分類器Gr(x)的系數(shù)，αr代表弱分類器在最后強分類器中的重要程度也就是獲得弱分類器在最后構(gòu)造的強分類器中所占的權(quán)重：

從上面的公式可以看出，er<=1/2時，αr>=0，同時αr會隨 er的變小而變大，這說明分類的錯誤率越小的弱分類器在構(gòu)造強分類器中的決定作用就會越大。

④更新訓(xùn)練集樣本的權(quán)值分布：

上面的公式增大了被錯誤分類的樣本權(quán)值，減小被準(zhǔn)確分類樣本的權(quán)值。

上式中Zr為規(guī)范因子，可以讓Dr+1呈現(xiàn)概率分布：

3）組合每個弱分類器：

獲得最后的強分類器：

2 試驗結(jié)果與分析

2.1 試驗環(huán)境

仿真試驗是使用Matlab R2012b編程實現(xiàn)的，其中數(shù)據(jù)集為自制的蝦苗庫。蝦苗庫共有350張圖像（200張運動蝦苗圖像、150張非蝦苗圖像），大小均為100×100像素。分別把蝦苗庫中運動蝦苗和非蝦苗圖像的前 1 00張圖像作為訓(xùn)練集，另外100張運動蝦苗和50張非蝦苗圖像作為測試集，即訓(xùn)練集共有 2 00張圖像、測試集共有150張圖像。

2.2 識別模型分析

2.2.1 蝦苗特征建模

針對運動蝦苗圖像，分別使用傳統(tǒng)PCA和改進(jìn)PCA算法，進(jìn)行圖像降維和特征提取，分析主成分，最后根據(jù)表2中貢獻(xiàn)率的分布情況確定待提取主成分個數(shù)。

表2中，PC1～PC20代表不同主成分?jǐn)?shù)量，其貢獻(xiàn)率為主成分對應(yīng)特征值占全部特征值之和的比重，累計貢獻(xiàn)率為其對應(yīng)貢獻(xiàn)率之和。識別用的主成分?jǐn)?shù)量，主要由主成分的累積貢獻(xiàn)率決定，即累計貢獻(xiàn)率越高，降維后的圖像關(guān)鍵信息損失越少。從表2 中可以看出，相比于傳統(tǒng)PCA算法，改進(jìn)算法在達(dá)到相同的累計貢獻(xiàn)率情況下使用的主成分較少，且由于算法本身形成協(xié)方差矩陣小于傳統(tǒng)PCA算法，因此在識別同一幅圖像時，算法運算次數(shù)更少，算法的運行效率更高。

表2 2種不同主成分分析算法分析結(jié)果Table 2 Analysis results of two different principal component analysis algorithms（PCA）

從表2中可知，針對改進(jìn)PCA算法，當(dāng)主成分選擇12時，累計貢獻(xiàn)率達(dá)到99.48%，表明其分析效果良好。然而在實際的應(yīng)用中，結(jié)合Adaboost算法進(jìn)行目標(biāo)識別時，發(fā)現(xiàn)最終識別效果并不理想。因此，為保證識別精度，本文最終選擇主成分?jǐn)?shù)為 2 0，這時的累計貢獻(xiàn)率達(dá)到了99. 95%，其損失的數(shù)據(jù)量幾乎能夠被忽略[19]。

2.2.2 迭代次數(shù)分析

AdaBoost算法核心是分類器組合重構(gòu)，重構(gòu)的強分類器識別效果與迭代訓(xùn)練次數(shù)密切相關(guān)，為了尋找最優(yōu)的迭代次數(shù)本文分別進(jìn)行10、15、20、25和30次迭代來重構(gòu)強分類器，對 150張測試集進(jìn)行識別研究，其識別效果如表3所示。

表3 不同迭代次數(shù)分類器的識別結(jié)果Table 3 Recognition results of different iterations classifier

從表3 可以看出，采用不同迭代次數(shù)，其識別準(zhǔn)確率和平均識別時間與迭代次數(shù)呈近似正相關(guān)。傳統(tǒng) PCA算法和改進(jìn)PCA算法，當(dāng)?shù)螖?shù)分別超過25和20時，算法識別準(zhǔn)確率基本穩(wěn)定。而算法平均識別時間隨著迭代次數(shù)的升高不斷增加。因此，綜合考慮以上因素，本文選擇使用改進(jìn)PCA算法進(jìn)行20次迭代構(gòu)建最終的識別模型。

2.3 結(jié)果與分析

2.3.1 測試集試驗分析

使用改進(jìn)PCA+AdaBoost算法對測試集中的150張運動蝦苗和50張非蝦苗圖像進(jìn)行識別測試。最終檢測結(jié)果如表4所示，150張測試蝦苗圖像識別正確率為98%，平均每張圖像識別時間為0.027 898 s。

1）識別精度：從表4可以看出，改進(jìn)PCA+AdaBoost算法對150張測試蝦苗圖像的識別正確率為98%。其中對于靜止和運動緩慢蝦苗的檢測率是100%；非蝦苗的檢測率是98%；而針對運動劇烈的蝦苗識別正確率為96%，這主要是由于訓(xùn)練集構(gòu)建過程中，很難獲取所有運動種類蝦苗圖像，且由于運動劇烈蝦苗圖像失真較為嚴(yán)重，丟失了過多的外形信息，降低了識別精度。

2）識別速度：從表4可以看出，使用改進(jìn)PCA+ AdaBoost算法對測試集150張樣本進(jìn)行識別發(fā)現(xiàn)單張樣本的識別時間可以達(dá)到0.025 s到0.035 s之間，150張測試樣本的平均每張識別時間為0.027 898 s。

無論是從識別正確率還是識別速度角度考慮，改進(jìn)PCA+AdaBoost算法都滿足后期蝦行為量化的要求。針對運動激烈的蝦苗存在的誤識別問題，在以后的研究中通過結(jié)合目標(biāo)跟蹤[20-21]、路徑擬合[22-23]技術(shù)可以進(jìn)一步的提升識別的準(zhǔn)確率。

表4 蝦苗檢測結(jié)果定量比較Table 4 Quantitative comparison of larval shrimp detection results

2.3.2 實際試驗分析

針對個體行為觀測中實際應(yīng)用的蝦苗圖像，利用背景差分、閾值分割、噪聲點去除、構(gòu)建待識別區(qū)域等方法對圖像進(jìn)行預(yù)處理，并利用本文方法對待識別區(qū)域進(jìn)行識別，圖像預(yù)處理試驗結(jié)果如圖3所示。

對圖3a進(jìn)行背景差分后的試驗結(jié)果為圖3b，從圖3b可以看出，針對不同背景環(huán)境，采用背景差分方法可有效降低背景噪聲。使用Ostu算法對圖3b進(jìn)行閾值分割，分割結(jié)果為圖3c。從圖3c中可以看出，蝦苗存在過分割現(xiàn)象并產(chǎn)生一定量噪聲點。過分割現(xiàn)象主要是由于蝦苗身體透光性較強，身體部分連接區(qū)域與背景差異不明顯導(dǎo)致；噪聲點主要是由糞便和殘餌引起。因此，本文通過預(yù)實驗，首先確定蝦苗圖像中連通域面積大?。ㄏ袼睾停?，然后對比不同結(jié)構(gòu)閉運算連通效果，確定過分割蝦苗的最終連通結(jié)構(gòu)，最后采用面積閾值法去除面積小于5像素的小噪聲點，采用邊長為10的矩形結(jié)構(gòu)進(jìn)行閉運算連接過分割蝦苗。處理結(jié)果為圖3d，統(tǒng)計3d中所有連通區(qū)域的形心在3b中所處位置，并以形心為中心構(gòu)建大小為100×100像素的識別框體，結(jié)果見圖3e。在此基礎(chǔ)上使用本文方法對所識別框體進(jìn)行識別試驗，識別結(jié)果如圖3f所示。從圖3f中可以看出，針對密度較低的個體蝦苗試驗，通過構(gòu)建標(biāo)準(zhǔn)識別區(qū)域可有效利用本文方法對運動蝦苗進(jìn)行識別，識別精度與測試集保持一致。圖片識別速度與蝦苗個數(shù)與不能去除的噪聲點數(shù)量有關(guān)。此外，針對重疊蝦苗識別問題，將結(jié)合下一步行為量化研究中提供的運動矢量及蝦苗形體方向等運動參數(shù)開展進(jìn)一步試驗研究。

綜上所述，本文識別方法適用于蝦苗密度不高的個體蝦苗行為量化研究，在實際應(yīng)用中，通過構(gòu)建標(biāo)準(zhǔn)識別框，使實際識別過程與訓(xùn)練集識別過程一致，因此對無重疊蝦苗圖像識別精度與訓(xùn)練集精度保持一致。另外該方法能夠自適應(yīng)的學(xué)習(xí)蝦苗和背景的圖像特征，避免了典型特征和幀差法固定參數(shù)或閾值的設(shè)定，適用于模糊判別，且通過背景差分和分割結(jié)果進(jìn)行蝦苗識別，不但減少了背景噪聲影響，而且能夠有效區(qū)分雜質(zhì)和蝦苗，保證了下一步行為量化前期數(shù)據(jù)的準(zhǔn)確性。

圖3 圖像預(yù)處理及識別結(jié)果Fig.3 Image preprocessing and recognition result

3 討 論

1）在蝦苗行為量化過程中，準(zhǔn)確跟蹤和識別蝦苗是決定行為量化的關(guān)鍵，本試驗針對運動蝦苗開展了識別研究，受蝦苗本身外形特點和運動圖像失真干擾，存在一定的識別誤差，但是結(jié)合下一步開展的路徑跟蹤研究[24]，可以初步估算蝦苗的運動方向和運動趨勢，為運動蝦苗識別提供時空坐標(biāo)下的相關(guān)參數(shù)，增加可能出現(xiàn)蝦苗位置的圖像權(quán)重，有效提高識別精度。此外，受運動蝦苗圖像失真及蝦苗本身的透光特性影響，傳統(tǒng)的行為跟蹤算法很難有效定位蝦苗位置及確定形體方向[25]。本文提出的蝦苗識別技術(shù)，在識別蝦苗的基礎(chǔ)上，可初步定位蝦苗，縮小蝦苗外形提取所需圖像處理范圍，減少外部噪聲影響，降低蝦苗定位和定向算法復(fù)雜度。

2）蝦苗行為量化不可避免的存在算法運行效率問題，傳統(tǒng)的PCA算法是基于單維空間對樣本數(shù)據(jù)進(jìn)行降維處理的，很容易破壞圖像樣本的二維結(jié)構(gòu)，而且由于蝦苗本身的外形特征和其運動方向的不確定性等，要達(dá)到一定識別精度，必須犧牲運行效率增加主成分變量。為提高算法運行效率，本文采用了一種基于二維圖像的改進(jìn)PCA 算法（雙向PCA算法）。試驗結(jié)果表明，在不增加主成分?jǐn)?shù)量和迭代次數(shù)的情況下，使用改進(jìn)PCA算法可有效提高運動蝦苗的識別準(zhǔn)確率和識別速度。

3）蝦苗圖像失真程度不僅受蝦苗的運動速度影響還與圖像拍攝幀頻有關(guān)，幀頻越高圖像失真概率越小。但是如果全部利用每幀圖像進(jìn)行行為研究，算法運行速度將很難滿足試驗要求，因此選擇合適的圖像拍攝幀頻，降低蝦苗圖像的失真程度，提高蝦苗的識別精度，將是下一步蝦苗行為研究需要開展的重要工作。

4）本文采用基于改進(jìn)PCA+Adaboost算法，針對運動蝦苗圖像，在提高識別精度，降低圖像維度、降低算法運行時間方面具有一定優(yōu)勢，但是針對多蝦苗行為檢測，其計算時間將呈級數(shù)增長，如何利用蝦苗運動特點，及群體性行為特征進(jìn)一步降低識別所需的主成分?jǐn)?shù)量和迭代次數(shù)，是本研究下一步工作重點。

4 結(jié) 論

本文以南美白對蝦蝦苗為研究對象，提出了一種基于改進(jìn) P CA+AdaBoost算法的運動蝦苗識別方法，試驗結(jié)果表明:

1）本文方法在不同類型運動蝦苗識別中具有較高精度和識別速度，在150張測試圖像樣本中，基于改進(jìn)PCA+Adaboost算法的識別正確率達(dá)到98%，平均每張圖像識別時間為0.027 898 s；

2）本文方法能夠適用于不同運動方向、不同大小的運動蝦苗識別，有利于解決不同背景下運動蝦苗識別問題，增強了算法的廣適性。

3）通過增加學(xué)習(xí)樣本，本文方法能夠應(yīng)用于不同種類運動蝦苗識別，為下一步蝦類行為量化提供了有效的技術(shù)支撐。

本文方法能夠充分利用蝦的多種外形特征，通過模糊特征提取和特征聚類整合，進(jìn)一步提高了運動蝦苗識別結(jié)果的準(zhǔn)確性。

圖像中蝦苗的粘連是影響識別精度的一個重要原因，改進(jìn)算法有待進(jìn)一步研究。

[1] 欽俊德. 動物行為的生理基礎(chǔ)[J]. 生物學(xué)通報，1999，34(10)：1－4.

[2] 徐建瑜，崔紹榮，苗香雯，等. 計算機視覺技術(shù)在水產(chǎn)養(yǎng)殖中的應(yīng)用與展望[J]. 農(nóng)業(yè)工程學(xué)報，2005，21(8)：174－178. Xu Jianyu,Cui Shaorong,Miao Xiangwen,et al. Application and prospect of computer vision technology in aquaculture[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2005,21(8):174－178.(in Chinese with English abstract)

[3] 范良忠，劉鷹，余心杰，等. 基于計算機視覺技術(shù)的運動魚檢測算法[J]. 農(nóng)業(yè)工程學(xué)報，2011，27(7)：226－230. Fan Liangzhong,Liu Ying,Yu Xinjie,et al. Fish motion detecting algorithms based on computer vision technologies[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2011,27(7):226－230.(in Chinese with English abstract)

[4] Heng Maa,Tsueng Fang Tsaib,Chia Cheng Liuc. Real-time monitoring of water quality using temporal trajectory of live fish[J]. Expert Systems with Applications,2010,37(7):5158－5171.

[5] Israeli D,Kimmel E. Monitoring the behavior of hypoxiastressed Carassius auratus using computer vision[J]. Aquacultural Engineering,1996,15(6):423－440.

[6] Kato S,Tamada K,Shimada Y,et al. A quantification of goldfish behavior by an image processing system[J]. Behavioral Brain Research,1996,80(1):51－55.

[7] 徐盼麟，韓軍，童劍鋒. 基于單攝像機視頻的魚類三維自動跟蹤方法初探[J]. 水產(chǎn)學(xué)報，2012，36(4)：623－628. Xu Panlin,Han Jun,Tong Jianfeng. Preliminary studies on an automated 3D fish tracking method based on a single video camera[J]. Journal of Fisheries of China,2012,36(4):623－628.(in Chinese with English abstract)

[8] Vassilis M P,Ioannis E P,Lamprianidou F,et al. A computer -vision system and methodology for the analysis of fish behavior[J]. Aquacultural Engineering,2012(46):53－59.

[9] 朱佩儒. 斑馬魚群的自動跟蹤系統(tǒng)[D]. 上海：復(fù)旦大學(xué)，2015. Zhu Peiru. Automatic Tracking System of Zebra Fish School[D]. Shanghai:Fudan University,2015.

[10] 李賢，范良忠，劉子毅，等. 基于計算機視覺的大菱鲆對背景色選擇習(xí)性研究[J]. 農(nóng)業(yè)工程學(xué)報，2012，28(10)：189－193. Li Xian,Fan Liangzhong,Liu Ziyi,et al. Preference habit of juvenile turbot for different color backgrounds based on computer vision[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2012,28(10):189－193.(in Chinese with English abstract)

[11] 徐建瑜. 基于計算機視覺的急性應(yīng)激條件下尼羅羅非魚的行為研究[D]. 杭州：浙江大學(xué)，2005. Xu Jianyu. Behavioral Responses of Tilapia(Oreochromis niloticus) to Acute Stress Monitored by Computer Vision[D]. Hangzhou:Zhejiang University,2005.(in Chinese with English abstract)

[12] 謝瑜，曾鳳，周赟磊，等. 細(xì)胞顯微操作的自動調(diào)焦及圖像處理[J]. 中國科技論文，2015，10(10)：1117－1122. Xie Yu,Zeng Feng,Zhou Yunlei,et al. Auto-focusing based location method and image processing algorithm for a robot-assist embryo microinjection system[J]. China Science Paper,2015,10(10):1117－1122.(in Chinese with English abstract)

[13] 吳一全，殷駿，戴一冕，等. 基于蜂群優(yōu)化多核支持向量機的淡水魚種類識別[J]. 農(nóng)業(yè)工程學(xué)報，2014，30(16)：312－319. Wu Yiquan,Yin Jun,Dai Yimian,et al. Identification method of freshwater fish species using multi-kernel support vector machine with bee colony optimization[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2014,30(16):312－319.(in Chinese with English abstract)

[14] 王斌，徐建瑜，王春琳. 基于計算機視覺的梭子蟹蛻殼檢測及不同背景對蛻殼的影響[J]. 漁業(yè)現(xiàn)代化，2016，43(2)：11－16. Wang Bin,Xu Jianyu,Wang Chunlin. Computer-vision based molting detection of portunus tritubercularus and effects of different backgrounds on molting[J]. Fishery Moder Nization,2016,43(2):11－16.(in Chinese with English abstract)

[15] 王帥，李文舉，韋麗華，等. 基于電子鼻的有機正山小種紅茶的檢測[J]. 食品科技，2015，40(11)：292－296. Wang Shuai,Li Wenju,Wei Lihua,et al. The detection oforganic lapsang souchong black tea based on electronic nose[J]. Food Science and Technology,2015,40(11):292－296.(in Chinese with English abstract)

[16] 趙鑫，汪維家，曾雅云，等. 改進(jìn)的模塊PCA人臉識別新算法[J]. 計算機工程與應(yīng)用，2015，51(2)：161－164. Zhao Xin,Wang Weijia,Zeng Yayun,et al. Improved modular PCA face recognition algorithm[J]. Computer Engineering and Applications,2015,51(2):161－164.(in Chinese with English abstract)

[17] 于霜，劉國海，夏榮盛，等. 基于Adaboost及譜回歸判別分析的近紅外光譜固態(tài)發(fā)酵過程狀態(tài)識別[J]. 光譜學(xué)與光譜分析，2016，36(1)：51－54. Yu Shuang,Liu Guohai,Xia Rongsheng,et al. State recognition of solid fermentation process based on near infrared spectroscopy with Adaboost and spectral regression discriminant analysis[J]. Spectroscopy and Spectral Analysis,2016,36(1):51－54.(in Chinese with English abstract)

[18] 崔成，田啟川. 基于Adaboost算法的快速人臉檢測技術(shù)[J].信息工程期刊，2015，5(3)：90－96. Cui Cheng,Tian Qichuan. Fast face detection technology based on Adaboost algorithm[J]. Scientific Journal of Information Engineering,2015,5(3):90－96.(in Chinese with English abstract)

[19] 孫俊，金夏明，毛罕平，等. 基于Adaboost及高光譜的生菜葉片氮素水平鑒別研究[J]. 光譜學(xué)與光譜分析，2013，33(12)：3372－3376. Sun Jun,Jin Xiaming,Mao Hanping,et al. Identification of lettuce leaf nitrogen level based on Adaboost and hyperspectrum[J]. Spectroscopy and Spectral Analysis,2013,33(12):3372－3376.(in Chinese with English abstract)

[20] Pinkiewicz T,Williams R,Purser J. Application of the particle filter to tracking of fish in aquaculture research[J]. Digital Image Computing:Techniques and Applications,2008,1397(1):389－390.

[21] 侯崇明，袁廣林，王健. 基于粒子濾波和仿射變換的魚目標(biāo)跟蹤算法[J]. 計算機技術(shù)與發(fā)展，2014，24(4)：135－138. Hou Chongming,Yuan Guanglin,Wang Jian. A fish tracking algorithm based on particle filtering and affine transform[J]. Computer Technology and Development,2014,24(4):135－138.(in Chinese with English abstract)

[22] 徐盼麟. 基于視頻的魚類行為自動觀測系統(tǒng)[D]. 上海：上海海洋大學(xué)，2011. Xu Panlin. An Automated Fish Behavior Observation and Measure System Based on Video[D]. Shanghai:Shanghai Ocean University,2011.(in Chinese with English abstract)

[23] 盧煥達(dá)，劉鷹，范良忠. 基于計算機視覺的魚類行為自動監(jiān)測系統(tǒng)設(shè)計與實現(xiàn)[J]. 漁業(yè)現(xiàn)代化，2011，38(1)：19－23. Lu Huanda,Liu Ying,Fan Liangzhong. Design and implementation of fish behavior automatic monitoring system based on computer vision[J]. Fishery Modernization,2011,38(1):19－23.(in Chinese with English abstract)

[24] 崔金魁，宋旭，楊揚. 視頻監(jiān)控中多運動目標(biāo)的檢測與跟蹤[J]. 計算機應(yīng)用與軟件，2013，30(3)：278－290. Cui Jinkui,Song Xu,Yang Yang. Detecting and tracking multiple motion objects in video surveillance[J]. Computer Applications and Software,2013,30(3):278－290.(in Chinese with English abstract)

[25] Jiang H,Fels S,Little J J. A linear programming approach for multiple object tracking[C]//IEEE Conference on Computer Vision &Pattern Recognition,2007:1－8.

Moving larval shrimps recognition based on improved principal component analysis and AdaBoost

Liu Shijing,Wang Shuai,Chen Jun※,Liu Xingguo,Zhou Haiyan
(Fishery Machinery and Instrument Research Institute,Chinese Academy of Fishery Sciences,Shanghai 200092,China)

Recognition of larval shrimp is the key to realize the quantification of the behavior of larval shrimp. Recently,the studies on aquatic animal behavior recognition mainly use the typical features method or frame differential method. It is hard to accurately identify larval shrimp due to the lack of key profile information caused by the strong motion distortion and background noise. To solve this problem,we took the Penaeus vannamei as research object,and proposed a recognition method for moving larval shrimp based on the improved PCA(principal component analysis) and Adaboost algorithm in this paper. Firstly,we extracted and optimized the effective features. The improved PCA algorithm was applied to the larval shrimp images with the size of 100×100 pixels to reduce the image dimension and extract the external features. We then analyzed and determined the number of principal components according to the distribution of the contribution rate. After that we expounded the theory of the Adaboost algorithm,and used these principal components to build different weak classifiers. A total of 100 images of larval shrimp and background samples were used for training. During the training every weak classifier was selected automatically,and a stage classifier was generated after 20 iterations. To verify the effectiveness of the proposed algorithm,the recognition experiment was performed with 150 sample images containing 100 images of larval shrimp and 50 sample images of background. The images were captured in the Key Laboratory of Fishery Equipment and Engineering Technology of Ministry of Agriculture in Shanghai,China. The experiment results showed that,the recognition rate for stationary and slowly-moving larval shrimp and fast-moving larval shrimp was 100% and 96% respectively,and the overall recognition rate reached 98%. Among all the test samples,the recognition time for each image ranged from 25 to 35 ms,and the average time was 27.898 ms. Compared with the conventional typical feature method and the frame differential method,the proposed method can be used to recognize the moving larval shrimp. Furthermore,the proposed method has better performance,because it effectively restrains the influence of complex situation such as the velocity and direction of motion and the sample’s size. This paper provides a technical basis for the larval shrimp’s behavior quantification.

image recognization;identification;algorithms;moving larval shrimps;improved PCA;AdaBoost;behavior quantification

10.11975/j.issn.1002-6819.2017.01.029

S951.2

A

1002-6819(2017)-01-0212-07

劉世晶，王 帥，陳 軍，劉興國，周海燕. 基于改進(jìn)主成分分析和AdaBoost算法的運動蝦苗識別方法[J]. 農(nóng)業(yè)工程學(xué)報，2017，33(1)：212－218.

10.11975/j.issn.1002-6819.2017.01.029 http://www.tcsae.org

Liu Shijing,Wang Shuai,Chen Jun,Liu Xingguo,Zhou Haiyan. Moving larval shrimps recognition based on improved principal component analysis and AdaBoost[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2017,33(1):212－218.(in Chinese with English abstract)doi：10.11975/j.issn.1002-6819.2017.01.029 http://www.tcsae.org

2016-05-18

2016-09-26

中國水產(chǎn)科學(xué)研究院中央級公益性科研院所基本科研業(yè)務(wù)費專項資金項目（2015A02XK06）；國家現(xiàn)代農(nóng)業(yè)產(chǎn)業(yè)技術(shù)體系項目（CARS-47）

劉世晶，男，山東青島人，助理研究員，碩士，主要從事圖像處理、模式識別和機器視覺相關(guān)領(lǐng)域研究。上海 中國水產(chǎn)科學(xué)研究院漁業(yè)機械儀器研究所，200092。Email：lsjing2003@163.com

※通信作者：陳 軍，男，上海人，研究員，主要從事數(shù)字漁業(yè)相關(guān)領(lǐng)域研究。上海 中國水產(chǎn)科學(xué)研究院漁業(yè)機械儀器研究所，200092。Email：chenjun@fmiri.ac.cn