CN108376238B - 一种多目标无标记的水生生物识别追踪方法及系统 - Google Patents

一种多目标无标记的水生生物识别追踪方法及系统 Download PDF

Info

Publication number
CN108376238B
CN108376238B CN201810053957.0A CN201810053957A CN108376238B CN 108376238 B CN108376238 B CN 108376238B CN 201810053957 A CN201810053957 A CN 201810053957A CN 108376238 B CN108376238 B CN 108376238B
Authority
CN
China
Prior art keywords
aquatic
image
aquatic organisms
aquatic organism
matched
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810053957.0A
Other languages
English (en)
Other versions
CN108376238A (zh
Inventor
任宗明
李尚戈
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Normal University
Original Assignee
Shandong Normal University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong Normal University filed Critical Shandong Normal University
Priority to CN201810053957.0A priority Critical patent/CN108376238B/zh
Publication of CN108376238A publication Critical patent/CN108376238A/zh
Application granted granted Critical
Publication of CN108376238B publication Critical patent/CN108376238B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种多目标无标记的水生生物识别追踪方法及系统，包括：步骤(1)：通过水生生物养殖系统对水生生物进行养殖；步骤(2)：通过水生生物养殖系统顶部和侧面的两个摄像头分别对水生生物进行视频采集；两个摄像头将采集的视频传输给控制器；步骤(3)：数据处理：控制器将两个摄像头采集的视频图像进行处理，最终得到水生生物的三维踪迹。通过无标记身份识别技术与视频三维处理，解决了现有生物示踪技术中对生物个体分辨能力低、视频存储空间占用过量的问题。

Description

一种多目标无标记的水生生物识别追踪方法及系统
技术领域
本发明涉及一种多目标无标记的水生生物识别追踪方法及系统。
背景技术
视频是生物行为研究中常用的一种研究方法，通过追踪视频中的被测生物体以观测其各种指标，然而原始的视频格式并不能用于行为数据采集，大部分用视频衡量生物行为的方法第一步就是构建一个识别追踪算法，估计生物体在待测区域中的位置、姿态，对每一个个体进行初级的识别、匹配，基于每个个体的移动是细小而平滑的假设，跟踪连续帧下的生物体。然而这种方法虽然在各个生物体分离的状态下有效率，但是当生物体彼此靠近，特别是接触甚至重合时，容易发生识别错误，出现张冠李戴的现象，且无法从该错误中恢复，一旦发生身份交换，未来的跟踪轨迹都是基于新的身份来定夺，整个轨迹路线就丧失了科研上的准确性。
以往的研究中，为了解决这个问题，人们会对被测生物体人工添加标记，或植入射频识别芯片，然而这样的标记方法对某些研究来说是耗时耗力甚至耗费大量金钱的，更有甚者，会对被测生物体造成永久性损伤，影响实验的结果。
生物个体在遗传变异、生存环境等因素的影响下，必然会产生一些与众不同的性状，这些性状类似于人类的指纹，可以直接由此确定该生物个体的身份，如果我们能在生物视频追踪中利用这些“指纹”，就能做到精确到个体的追踪。
对某些科研实验来说，准确的描绘每一个生物个体的活动踪迹是必须的要求，因此，必须要解决类似交叉换位这种对追踪结果的准确性影响至关重要的问题。
另一方面，现在大部分的视频追踪技术是基于原视频的分析，存储视频需要耗费极大的空间，尤其对于一些需要长时间观测的科研实验，基于原视频的分析是不现实的，因此将采集视频数字化也是该发明着力解决的问题。
发明内容
为了解决现有技术的不足，本发明提供了一种多目标无标记的水生生物识别追踪方法及系统，通过无标记身份识别技术与视频三维处理，解决了现有生物示踪技术中对生物个体分辨能力低、视频存储空间占用过量的问题。
一种多目标无标记的水生生物识别追踪方法，包括：
步骤(1)：通过水生生物养殖系统对水生生物进行养殖；
步骤(2)：通过水生生物养殖系统顶部和侧面的两个摄像头分别对水生生物进行视频采集；两个摄像头将采集的视频传输给控制器；
步骤(3)：数据处理：控制器将两个摄像头采集的视频图像进行处理，最终得到水生生物的三维踪迹。
所述步骤(1)通过水生生物养殖系统对水生脊椎动物的成体鱼类进行养殖，每个水生生物养殖系统所养殖的成体鱼为3-10条，所述水生生物养殖系统的进水口与外部水管连接，所述水管上设有流量计，用于控制进水量和出水量；
所述步骤(2)中，其中一个摄像头用于从水生生物养殖系统的顶部采集水生生物的XY轴坐标平面的视频图像，另外一个摄像头用于从水生生物养殖系统的侧面采集水生生物的YZ轴坐标平面的视频图像。所述采集水生生物的YZ轴坐标平面的视频图像用于定位水生生物的深度。
所述步骤(3)的步骤为：
步骤(31)：从XY轴坐标平面的视频图像中提取水生生物的不同姿态的参考图像；将参考图像中水生生物各自独立的图像称为标准图像，将参考图像中水生生物有重叠的图像称为问题图像；
步骤(32)：对标准图像进行去除背景处理，将水生生物从图像中分割出来，将分割出来的图像进行灰度化处理，对灰度化处理后的图像的每个像素点提取灰度值；提取每个水生生物的不同姿态下的指纹特征；
所述步骤(32)中提取每个水生生物的指纹特征的步骤为：
任意选取两个像素点i和j，计算所述两个像素点i和j之间的直线距离dij，计算所述两个像素点的灰度值之和hi+hj，计算所述两个像素点的灰度值之差hi-hj；hi表示像素点i的灰度值；hj表示像素点j的灰度值；
将所述两个像素点之间的直线距离dij与所述两个像素点的灰度值之和hi+hj组成像素集对比度矩阵的点[dij,hi+hj]，进而得到当前水生生物的所有像素点对应的标准像素集强度矩阵；
将所述两个像素点之间的直线距离dij与所述两个像素点的灰度值之差的绝对值|hi-hj|组成像素集对比度矩阵的点[dij,|hi-hj|]，进而得到当前水生生物的所有像素点对应的标准像素集对比度矩阵；
所述标准像素集强度矩阵和标准像素集对比度矩阵，共同构成每个水生生物的一种姿态下的指纹特征；进而得到每个水生生物不同姿态下的多个指纹特征。
步骤(33)：对问题图像行去除背景处理，将待匹配水生生物从图像中分割出来，将分割出来的图像进行灰度化处理，对灰度化处理后的图像的每个像素点提取灰度值；
采用与步骤(32)同样的方法，得到待匹配水生生物的像素集强度矩阵；
采用与步骤(32)同样的方法，得到待匹配水生生物的像素集对比度矩阵；
然后将待匹配水生生物的像素集强度矩阵的每个元素与标准像素集强度矩阵的对应元素作差，将得到的差值取绝对值，然后加和，取平均值，得到第一差异值；
然后将待匹配水生生物的像素集对比度矩阵的每个元素与标准像素集对比度矩阵的对应元素作差，将得到的差值取绝对值，然后加和，取平均值，得到第二差异值；
将第一差异值与第二差异值进行求和，得到总差异值；
计算待匹配水生生物图像与标准图像中每一条水生生物不同姿态图像的总差异值，挑选出总差异值超过设定阈值的待匹配水生生物的图像；所挑选的图像视为含水生生物交叉的图像；对挑选出的待匹配水生生物图像，根据水生生物交叉运动前的轨迹和交叉运动后的轨迹，评估被测水生生物的交叉运动过程中的运动轨迹；
对总差异值未超过设定阈值的待匹配水生生物的图像，视为水生生物为独立的个体，将待匹配水生生物的图像与标准图像中所有水生生物的不同姿态图像的总差异值进行从小到大排序，选择最小的总差异值，最小的总差异值对应的标准图像中的水生生物与当前待匹配水生生物是同一个体；
步骤(34)：将所有属于同一个个体的图像整合到一起，以图像中心按照时间顺序连线，记录被测水生生物在运动过程中的轨迹。
本步骤通过轨迹判断，出错的可能性很小，而基于构建的点集，即使这里判断出错，当交叉结束后，依然可以准确分辨每一个个体，不会影响总体的轨迹。
将视频图像数字化，将极大占用内存的视频数据转换为精简的矩阵数据，只将关键性的生物数据如位置、角度、姿态、行为踪迹、速度、角度等予以保留，该功能的实现方法也是通过前面的分析收集到的每个个体的状态，然后将每一个生物个体简化到点上。
水生生物养殖系统，包括：
有机玻璃制作的监测装置，在所述监测装置一个大空心圆柱和两个小空心圆柱，所述大空心圆柱的两个端部分别通过空心圆盖与对应的小空心圆柱连接；其中一个小空心圆柱连接进水管，另外一个小空心圆柱为开放式溢流口；将两个摄像头分别固定在监测装置的顶部和侧面，所述两个摄像头均与控制器连接；所述控制器用于控制摄像头对监测装置内水生生物进行视频拍摄，还用于对拍摄视频进行处理，得到水生生物识别追踪的结果。
所述空心圆盖通过内侧壁的内螺纹固定在大空心圆柱的两端。
所述大空心圆柱的内直径为四厘米，所述大空心圆柱的外直径为五厘米。
所述监测装置的顶部，是指大空心圆柱轴线上，与空心圆盖之间存在设定距离的一点。
本发明的有益效果是：
精确定位水生生物的行为踪迹，解决了现有技术由于脱离个体的采集技术而导致的高错误率，提高了计算机示踪技术的可信度，对于科研实验、环境侦测、信息采集等领域具有重要意义，同时数字化还减少了系统内存占用，更加适合于实践应用。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1是水生生物多目标识别追踪分析技术系统结构示意图；
图2是本发明的流程图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
鉴于传统的标记法识别生物个体耗时耗力危害性大，本发明采用无标记法解决这些问题，其难点主要在于在视频数据中，一个个体对应的是一个像素块，即使是同一个个体，在不同的姿态下其模型也不一样，如果单纯的鉴别单一像素块面积，可能某条鱼呈C型状态游动的时刻与另一条鱼正常游动的面积相当。我们提出的解决方式是通过采集一系列的动作的姿态，其中涵盖了生物体运动过程中各种不同的姿势，实际监测中对某一个姿势进行匹配。
参考图1，对斑马鱼的行为踪迹进行监测分析，斑马鱼的观测养殖系统由有机玻璃制作的监测区域，该监测区域的大小为内径φ4Cm×外径5Cm。监测区域两端固定各一圆盖，底部圆盖中心连接为进水口，连接外部给水管，上盖中心为开放式溢流口，圆盖与监测区域之间通过与受试生物相适应的带孔硅胶片封住。在圆盖内侧壁上带有内螺纹，通过内螺纹将圆盖分别固定在监测区域两端的端口上。将一对用于视频采集的摄像头镶嵌于生物行为监测区域顶盖与侧面的合适位置，对区域内斑马鱼行为进行三维示踪监测。
利用本监测装置进行三维示踪印迹分析，试验进行的温度控制在20±2℃，光照周期为16H：8D。在试验过程中，流水速率控制在1升/小时，食物通过流水系统投喂。
同时用于观察记录斑马鱼行为踪迹的摄像头分别负责采集上面与侧面的标准视频数据，由信号线传输到控制器，将采集的视频虚拟信号转换为数字信号，输送到上位机，得出每个生物个体的踪迹跟三维数据。
通过对视频数据进行像素级的分析，分割出代表生物个体各种姿态的标准图像，将标准图像与其余无法确定的问题图像进行比对，区别出单独个体与处于交叉混合状态的群落，并通过关联前后点的方法尽可能识别交叉状态的个体，另一方面，挑选出几帧完全独立的画面进行重建，以获得大量生物个体的标准图像，通过点集与标准图像的比对，可以将处于交叉混合状态的多个生物个体识别的准确度计算出来，由用户选择是否采用这个结论，从而合适的定位每个个体的行为踪迹以及三维数据。
如图2所示，一种多目标无标记的水生生物识别追踪方法，包括：
步骤(1)：通过水生生物养殖系统对水生生物进行养殖；
步骤(2)：通过水生生物养殖系统顶部和侧面的两个摄像头分别对水生生物进行视频采集；两个摄像头将采集的视频传输给控制器；
步骤(3)：数据处理：控制器将两个摄像头采集的视频图像进行处理，最终得到水生生物的三维踪迹。
所述步骤(1)通过水生生物养殖系统对水生脊椎动物的成体鱼类进行养殖，每个水生生物养殖系统所养殖的成体鱼为3-10条，所述水生生物养殖系统的进水口与外部水管连接，所述水管上设有流量计，用于控制进水量和出水量；
所述步骤(2)中，其中一个摄像头用于从水生生物养殖系统的顶部采集水生生物的XY轴坐标平面的视频图像，另外一个摄像头用于从水生生物养殖系统的侧面采集水生生物的YZ轴坐标平面的视频图像。所述采集水生生物的YZ轴坐标平面的视频图像用于定位水生生物的深度。
所述步骤(3)的步骤为：
步骤(31)：从XY轴坐标平面的视频图像中提取水生生物的不同姿态的参考图像；将参考图像中水生生物各自独立的图像称为标准图像，将参考图像中水生生物有重叠的图像称为问题图像；
步骤(32)：对标准图像进行去除背景处理，将水生生物从图像中分割出来(假设一幅标准图像中有五条鱼，那么从标准图像中分割出来的五幅图像，每幅图像上有一条独立完整的鱼，假设标准图像有若干幅，每一幅中的五条鱼都处于不同的姿态，则分割后得到每条鱼处于不同姿态下的独立完整图像)，将分割出来的图像进行灰度化处理，对灰度化处理后的图像的每个像素点提取灰度值；提取每个水生生物的不同姿态下的指纹特征；
所述步骤(32)中提取每个水生生物的指纹特征的步骤为：
任意选取两个像素点i和j，计算所述两个像素点i和j之间的直线距离dij，计算所述两个像素点的灰度值之和hi+hj，计算所述两个像素点的灰度值之差hi-hj；hi表示像素点i的灰度值；hj表示像素点j的灰度值；
将所述两个像素点之间的直线距离dij与所述两个像素点的灰度值之和hi+hj组成像素集对比度矩阵的点[dij,hi+hj]，进而得到当前水生生物的所有像素点对应的标准像素集强度矩阵；
将所述两个像素点之间的直线距离dij与所述两个像素点的灰度值之差的绝对值|hi-hj|组成像素集对比度矩阵的点[dij,|hi-hj|]，进而得到当前水生生物的所有像素点对应的标准像素集对比度矩阵；
所述标准像素集强度矩阵和标准像素集对比度矩阵，共同构成一个水生生物的一种姿态下的指纹特征；为了后期数据匹配的精确度，这里重复步骤(32)的步骤，进而得到每个水生生物不同姿态下的多个指纹特征。
步骤(33)：对问题图像行去除背景处理，将待匹配水生生物从图像中分割出来，(这里分割后的图像既有独立水生生物，也有交叉水生生物，例如问题图像中有五条鱼，第1、2、3条鱼各自独立，第4和第5条鱼交叉重叠，那么分割后会得到四幅图像，分别是第一条鱼所在的第一幅图像，第二条鱼所在的第二幅图像，第三条鱼所在的第三幅图像，第四条鱼和第五条鱼共同所在的第四幅图像。)将分割出来的图像进行灰度化处理，对灰度化处理后的图像的每个像素点提取灰度值；
采用与步骤(32)同样的方法，得到待匹配水生生物的像素集强度矩阵；
采用与步骤(32)同样的方法，得到待匹配水生生物的像素集对比度矩阵；
然后将待匹配水生生物的像素集强度矩阵的每个元素与标准像素集强度矩阵的对应元素作差，将得到的差值取绝对值，然后加和，取平均值，得到第一差异值；
然后将待匹配水生生物的像素集对比度矩阵的每个元素与标准像素集对比度矩阵的对应元素作差，将得到的差值取绝对值，然后加和，取平均值，得到第二差异值；
将第一差异值与第二差异值进行求和，得到总差异值；
计算待匹配水生生物图像与标准图像中每一条水生生物不同姿态图像的总差异值，挑选出总差异值超过设定阈值的待匹配水生生物的图像；所挑选的图像视为含水生生物交叉的图像；对挑选出的待匹配水生生物图像，根据水生生物交叉运动前的轨迹和交叉运动后的轨迹，评估被测水生生物的交叉运动过程中的运动轨迹；
对总差异值未超过设定阈值的待匹配水生生物的图像，视为水生生物为独立的个体，将待匹配水生生物的图像与标准图像中所有水生生物的不同姿态图像的总差异值进行从小到大排序，选择最小的总差异值，最小的总差异值对应的标准图像中的水生生物与当前待匹配水生生物是同一个体；
步骤(34)：将所有属于同一个个体的图像整合到一起，以图像中心按照时间顺序连线，记录被测水生生物在运动过程中的轨迹。
本步骤通过轨迹判断，出错的可能性很小，而基于构建的点集，即使这里判断出错，当交叉结束后，依然可以准确分辨每一个个体，不会影响总体的轨迹。
将视频图像数字化，将极大占用内存的视频数据转换为精简的矩阵数据，只将关键性的生物数据如位置、角度、姿态、行为踪迹、速度、角度等予以保留，该功能的实现方法也是通过前面的分析收集到的每个个体的状态，然后将每一个生物个体简化到点上。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (7)

1.一种多目标无标记的水生生物识别追踪方法，其特征是，包括：
步骤(1)：通过水生生物养殖系统对水生生物进行养殖；
步骤(2)：通过水生生物养殖系统顶部和侧面的两个摄像头分别对水生生物进行视频采集；两个摄像头将采集的视频传输给控制器；
步骤(3)：数据处理：控制器将两个摄像头采集的视频图像进行处理，最终得到水生生物的三维踪迹；
所述步骤(3)的步骤为：
步骤(31)：从XY轴坐标平面的视频图像中提取水生生物的不同姿态的参考图像；将参考图像中水生生物各自独立的图像称为标准图像，将参考图像中水生生物有重叠的图像称为问题图像；
步骤(32)：对标准图像进行去除背景处理，将水生生物从图像中分割出来，将分割出来的图像进行灰度化处理，对灰度化处理后的图像的每个像素点提取灰度值；提取每个水生生物的不同姿态下的指纹特征；得到待匹配水生生物的像素集强度矩阵和对比度矩阵；
所述步骤(32)中提取每个水生生物的指纹特征的步骤为：
任意选取两个像素点i和j，计算所述两个像素点i和j之间的直线距离dij，计算所述两个像素点的灰度值之和hi+hj，计算所述两个像素点的灰度值之差hi-hj；hi表示像素点i的灰度值；hj表示像素点j的灰度值；
将所述两个像素点之间的直线距离dij与所述两个像素点的灰度值之和hi+hj组成像素集对比度矩阵的点[dij,hi+hj]，进而得到当前水生生物的所有像素点对应的标准像素集强度矩阵；
将所述两个像素点之间的直线距离dij与所述两个像素点的灰度值之差的绝对值|hi-hj|组成像素集对比度矩阵的点[dij,|hi-hj|]，进而得到当前水生生物的所有像素点对应的标准像素集对比度矩阵；
步骤(33)：对问题图像行去除背景处理，将待匹配水生生物从图像中分割出来，将分割出来的图像进行灰度化处理，对灰度化处理后的图像的每个像素点提取灰度值；得到待匹配水生生物的像素集强度矩阵和对比度矩阵；
步骤(34)：将所有属于同一个个体的图像整合到一起，以图像中心按照时间顺序连线，记录被测水生生物在运动过程中的轨迹。
2.如权利要求1所述的一种多目标无标记的水生生物识别追踪方法，其特征是，所述步骤(1)通过水生生物养殖系统对水生脊椎动物的成体鱼类进行养殖，每个水生生物养殖系统所养殖的成体鱼为3-10条，所述水生生物养殖系统的进水口与外部水管连接，所述水管上设有流量计，用于控制进水量和出水量。
3.如权利要求1所述的一种多目标无标记的水生生物识别追踪方法，其特征是，所述步骤(2)中，其中一个摄像头用于从水生生物养殖系统的顶部采集水生生物的XY轴坐标平面的视频图像，另外一个摄像头用于从水生生物养殖系统的侧面采集水生生物的YZ轴坐标平面的视频图像；所述采集水生生物的YZ轴坐标平面的视频图像用于定位水生生物的深度。
4.如权利要求1所述的一种多目标无标记的水生生物识别追踪方法，其特征是，所述标准像素集强度矩阵和标准像素集对比度矩阵，共同构成每个水生生物的一种姿态下的指纹特征；进而得到每个水生生物不同姿态下的多个指纹特征；
采用与步骤(32)同样的方法，得到待匹配水生生物的像素集强度矩阵；
采用与步骤(32)同样的方法，得到待匹配水生生物的像素集对比度矩阵；
然后将待匹配水生生物的像素集强度矩阵的每个元素与标准像素集强度矩阵的对应元素作差，将得到的差值取绝对值，然后加和，取平均值，得到第一差异值；
然后将待匹配水生生物的像素集对比度矩阵的每个元素与标准像素集对比度矩阵的对应元素作差，将得到的差值取绝对值，然后加和，取平均值，得到第二差异值；
将第一差异值与第二差异值进行求和，得到总差异值；
计算待匹配水生生物图像与标准图像中每一条水生生物不同姿态图像的总差异值，挑选出总差异值超过设定阈值的待匹配水生生物的图像；所挑选的图像视为含水生生物交叉的图像；对挑选出的待匹配水生生物图像，根据水生生物交叉运动前的轨迹和交叉运动后的轨迹，评估被测水生生物的交叉运动过程中的运动轨迹；
对总差异值未超过设定阈值的待匹配水生生物的图像，视为水生生物为独立的个体，将待匹配水生生物的图像与标准图像中所有水生生物的不同姿态图像的总差异值进行从小到大排序，选择最小的总差异值，最小的总差异值对应的标准图像中的水生生物与当前待匹配水生生物是同一个体。
5.一种基于权利要求1-4任一项所述方法的水生生物养殖系统，其特征是，包括：
有机玻璃制作的监测装置，在所述监测装置一个大空心圆柱和两个小空心圆柱，所述大空心圆柱的两个端部分别通过空心圆盖与对应的小空心圆柱连接；其中一个小空心圆柱连接进水管，另外一个小空心圆柱为开放式溢流口；将两个摄像头分别固定在监测装置的顶部和侧面，所述两个摄像头均与控制器连接；所述控制器用于控制摄像头对监测装置内水生生物进行视频拍摄，还用于对拍摄视频进行处理，得到水生生物识别追踪的结果。
6.如权利要求5所述的水生生物养殖系统，其特征是，所述空心圆盖通过内侧壁的内螺纹固定在大空心圆柱的两端。
7.如权利要求5所述的水生生物养殖系统，其特征是，所述大空心圆柱的内直径为四厘米，所述大空心圆柱的外直径为五厘米；所述监测装置的顶部，是指大空心圆柱轴线上，与空心圆盖之间存在设定距离的一点。
CN201810053957.0A 2018-01-19 2018-01-19 一种多目标无标记的水生生物识别追踪方法及系统 Active CN108376238B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810053957.0A CN108376238B (zh) 2018-01-19 2018-01-19 一种多目标无标记的水生生物识别追踪方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810053957.0A CN108376238B (zh) 2018-01-19 2018-01-19 一种多目标无标记的水生生物识别追踪方法及系统

Publications (2)

Publication Number Publication Date
CN108376238A CN108376238A (zh) 2018-08-07
CN108376238B true CN108376238B (zh) 2020-06-30

Family

ID=63015572

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810053957.0A Active CN108376238B (zh) 2018-01-19 2018-01-19 一种多目标无标记的水生生物识别追踪方法及系统

Country Status (1)

Country Link
CN (1) CN108376238B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109633113B (zh) * 2018-12-05 2021-06-29 环境保护部华南环境科学研究所 基于青鳉鱼逐级行为模型的水质监测预警方法及系统
TWI718572B (zh) * 2019-06-25 2021-02-11 海盛科技有限公司 基於立體視覺的生物自動量測系統及其量測方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4300216A (en) * 1979-12-10 1981-11-10 Barton Jr George G Multi-channel fishscope
CN101900688A (zh) * 2010-08-19 2010-12-01 潘海朗 基于图像中水生生物运动特征的水质监测方法
CN103745460A (zh) * 2013-12-30 2014-04-23 深圳市开天源自动化工程有限公司 基于三维图像分析的水体生物跟踪方法、装置及系统
CN106156717A (zh) * 2015-04-28 2016-11-23 济南拜尔森仪器有限公司 水生生物个体指纹印迹识别分析仪

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4300216A (en) * 1979-12-10 1981-11-10 Barton Jr George G Multi-channel fishscope
CN101900688A (zh) * 2010-08-19 2010-12-01 潘海朗 基于图像中水生生物运动特征的水质监测方法
CN103745460A (zh) * 2013-12-30 2014-04-23 深圳市开天源自动化工程有限公司 基于三维图像分析的水体生物跟踪方法、装置及系统
CN106156717A (zh) * 2015-04-28 2016-11-23 济南拜尔森仪器有限公司 水生生物个体指纹印迹识别分析仪

Also Published As

Publication number Publication date
CN108376238A (zh) 2018-08-07

Similar Documents

Publication Publication Date Title
CN110148142B (zh) 图像分割模型的训练方法、装置、设备和存储介质
CN110414368B (zh) 一种基于知识蒸馏的无监督行人重识别方法
CN102509305B (zh) 基于全方位视觉的动物行为检测装置
CN109376576A (zh) 基于交替更新密集连通从零训练网络的目标检测方法
CN109377517B (zh) 一种基于视频追踪技术的动物个体识别系统
CN110889844B (zh) 一种基于深度聚类分析的珊瑚分布及健康状况评估方法
CN109635726B (zh) 一种基于对称式深度网络结合多尺度池化的滑坡识别方法
CN108376238B (zh) 一种多目标无标记的水生生物识别追踪方法及系统
CN112949517B (zh) 基于深度迁移学习的植物气孔密度和开度识别方法及系统
CN113052872B (zh) 一种基于声呐图像的水下运动目标跟踪方法
CN114463701B (zh) 一种基于多源大数据动物养殖数据挖掘的监测预警系统
CN110456050B (zh) 便携式智能数字化寄生虫体外诊断仪
CN114916964A (zh) 一种咽拭子采样有效性检测方法及自助式咽拭子采样方法
CN104123569B (zh) 一种基于有监督学习的视频人数信息统计方法
CN110751077B (zh) 一种基于部件匹配与距离约束的光学遥感图片船舶检测方法
CN114926772B (zh) 一种咽拭子头部的跟踪与轨迹预测方法
CN116229511A (zh) 基于金丝猴躯干特征提取的身份重识别方法
WO2023108782A1 (zh) 行为识别模型训练方法及装置、行为识别方法及装置、系统、介质
CN109633113B (zh) 基于青鳉鱼逐级行为模型的水质监测预警方法及系统
CN111753640B (zh) 一种采用卷积神经网络和长短期记忆检测群养猪玩耍行为的分析方法
CN114202587A (zh) 基于船载单目相机的视觉特征提取方法
Mei et al. A Method Based on Knowledge Distillation for Fish School Stress State Recognition in Intensive Aquaculture.
CN113326850B (zh) 一种基于实例分割的日本蟳群体行为视频分析方法
CN112529072A (zh) 一种基于声呐图像处理的水下沉埋物识别与定位方法
CN110738167A (zh) 一种基于多域空间属性关联分析的行人辨识方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant