基于DIDSON鱼群数量统计算法.docVIP

基于DIDSON鱼群数量统计算法 　　【摘 要】双频识别声纳（DIDSON）可以在黑暗浑浊的水下获得清晰的视频影像。对双频识别声纳的鱼群视频进行基于智能视觉的鱼群数量统计，可高效、准确的评估该水域的渔业资源[1]。提出了一种简单可靠的统计方法：首先通过改进的目标检测算法检测鱼体并统计每帧鱼体数量；其次将视频分成多个部分并对各部分的鱼体数量进行统计；最后将各个部分的统计值累计得到整个图像序列的鱼群数量。实验结果表明本文提出的鱼群数量统计结果比DIDSON二次开发软件的统计结果更准确，且满足实时性需求。 　　【关键词】双频识别声纳；鱼群检测；鬼影抑制；背景差分 　　【Abstract】The dual-frequency identification sonar （DIDSON） can get clear videos from cloudy and dark underwater. Useing intelligent visual statistics can be efficient and accurate assessment of fishery resources in the waters.In this paper，we propose a simple and reliable statistical methods： first， via algorithm of improved target detection to detect fishes； next， dividing the video into multiple parts， and count the number of fish in every parts， finally accumulate every parts’ statistics to the entire image sequence. Experimental results show that the proposed statistical methods has a out-standing advantage in counting fish. 　　【Key words】Dual-frequency identification sonar； Fish detection； Ghosting suppression； Background subtraction 　　0 前言 　　声纳视觉感知属于计算机视觉和人工智能的重要分支，在水下潜水器系统中具有不可替代的作用。近年来，水下声纳技术被广泛应用到鱼群探测、资源勘探、水下管道探测以及水底天然气监测等领域。声纳图像由于声信息传输的复杂性，在多数情况下目标信息会淹没在信道、背景等噪声中。随着信息技术的飞速发展，声纳数据处理的方法也随着科学技术的发展而不断改进。鱼群统计对于水下养殖以及珍贵鱼类保护具有重要的应用价[2-3]。2003年Moursud[4]等利用双频识别声纳观测了鱼群游过水电站鱼道的情况，2004年Maxwell[5]等验证了用双频识别声纳在浑浊水域中评估洄游大马哈鱼的数量，2006年Everitt[6]等利用双频识别声纳对密苏里河渔业进行管理。Han[7]等用双频识别声纳做了洄游鱼类以及养殖的大型鱼类的尾数、体长自动计数、测量的研究，能够自动精确地计算出鱼的尾数和体长。董剑锋[8-9]等对双频识别声纳图像处理进行了初步研究，并运用到香鱼计数上。上述方法主要是针对鱼群进行大致的统计分析，缺乏较为准确的定量分析。已有研究表明，利用DIDSON视频进行鱼群各种应用，其关键是鱼群检测方法的精度[10]。 　　1 传统目标检测算法鱼群检测结果 　　与光学图像相比，声纳图像本身的信息小于随机噪声信息，因此将光学图像的目标检测算法直接应用于声纳图像目标检测时效果不理想。图1分别为帧间差模型、平均背景法模型、高斯混合模型、CodeBook背景模型、背景差分法直接用于声纳图像目标检测的效果图。 　　由图可知，由于声纳图像随机高斯噪声含量大，帧间差模型检测结果最差；平均背景模型、高斯混合模型和CodeBool背景模型的检测结果含有大量孤立噪声点且鱼体轮廓含有大量毛刺；背景差分法检测结果中含有鬼影。 　　2 本文鱼群检测算法 　　本文充分利用声纳图像噪声特性和鱼体亮度统计特性，在背景差分法基础上提出了一种DIDSON鱼群目标检测及鬼影抑制方法。具体思路：首先采用背景差分法初步寻找可能出现的鱼体目标点；利用声纳特性，对初步检测的鱼体目标点进行鬼影判断去除鬼影；最后采用形态学开闭运算去除孤立噪声点。 　　2.1 背景差分理论 　　背景差分工作原理：设背景模型为M（x）={v1， v2， …， vN}，