基于支持向量機的魚群攝食行為識別技術

陳彩文， 杜永貴， 周 超， 孫傳恒

(1.太原理工大學信息工程學院，山西太原 030024；2.國家農業(yè)信息化工程技術研究中心/農業(yè)部農業(yè)信息技術重點實驗室/北京市農業(yè)物聯(lián)網(wǎng)工程技術研究中心，北京 100097)

隨著中國水產(chǎn)養(yǎng)殖業(yè)的快速發(fā)展，魚類的精細養(yǎng)殖技術在現(xiàn)代工廠化水產(chǎn)養(yǎng)殖中受到了越來越多的關注。在生產(chǎn)中，魚的攝食行為能夠反映其生理狀況及養(yǎng)殖條件是否合適等。同時正確地識別魚群攝食行為不僅可以提高魚類的養(yǎng)殖效率、避免水質污染，而且可以壓縮生產(chǎn)成本。因此，研究魚群的攝食行為對提升魚類養(yǎng)殖技術具有積極作用[1-3]。但當前大部分的魚類養(yǎng)殖還是基于人工觀測的投喂模式，而人工投喂須要養(yǎng)殖人員具有一定的養(yǎng)殖經(jīng)驗[4-5]。通過人眼正確地判斷出魚群的攝食狀態(tài)，并根據(jù)經(jīng)驗人為地投放相應的投餌量。但是，高昂的人工成本及投喂飼料的主觀性極大地影響了生產(chǎn)過程中的效率。因此，正確識別出魚群的攝食行為對工廠精細化養(yǎng)殖具有重要的實用價值[6-7]。

利用計算機視覺技術及時發(fā)現(xiàn)和檢測魚類的運動狀態(tài)，可以為魚類的餌料量提供重要的參考信息。計算機視覺技術因其非接觸、高精度、可量化的優(yōu)點，目前已逐漸應用于動物自動識別研究領域。隨著現(xiàn)代魚類養(yǎng)殖檢測技術的進步，不少國內外專家已將計算機視覺技術應用到水產(chǎn)品檢測與分級中，并取得了一定的成果[8-10]。在運動目標檢測方面，Kato等開發(fā)了1個金魚目標檢測與跟蹤系統(tǒng)，實現(xiàn)了對金魚的自動檢測與行為識別[11]；Ma等利用計算機視覺系統(tǒng)跟蹤魚的軌跡來監(jiān)測水質[12]；張志強等利用計算機視覺技術實現(xiàn)了對鰱魚、鯽魚、鳊魚和鯉魚的分類識別，準確率高達96.67%[13]。于欣等利用光流法和特征統(tǒng)計的方法對魚群的異常行為進行檢測，取得了較好的試驗效果[14]。但目前對魚群運動狀態(tài)識別的相關研究還較少。因此，本研究嘗試利用計算機視覺技術對魚群的運動狀態(tài)進行分類識別，以期達到對魚類的自動監(jiān)測。

1 試驗材料和設備

本試驗在北京小湯山國家精準農業(yè)示范基地的循環(huán)水養(yǎng)殖系統(tǒng)的養(yǎng)殖池中進行。本研究選用鏡鯉魚群作為試驗對象，為保證圖片的成像質量，相機架在養(yǎng)殖池的斜上方，拍攝時適當?shù)卣{整相機的角度，使相機的視野能夠清晰地拍到魚群的運動情況。然后從所拍攝的圖片中，挑選成像質量較好的魚群正常游動時的圖片和攝食時的圖片進行分析。

本試驗所采用的數(shù)據(jù)集為自制的魚群圖片，魚群圖片庫共有420張圖片(210張魚群在正常游動下的圖片和210張魚群在攝食時的圖片)，分別把魚群運動圖片庫中魚群正常游動狀態(tài)和魚群在攝食狀態(tài)的前110張圖片作為訓練集，后100張魚群正常游動時的圖片和魚群在攝食時的圖片作為測試集，即訓練集共有220張圖片、測試集共有200張圖片。試驗所采用的相機為尼康D90，圖像為1 280×720的真彩圖像，格式為JEPG。圖像分析軟件采用的是MATLAB R2013a和libsvm-mat-2.89工具箱。圖像采集裝置如圖1所示。

2 數(shù)據(jù)處理

由于魚類具有應激性，且魚類在水中活動會引起水面不斷波動，因此在水中檢測魚群的運動狀態(tài)難度較大，但筆者通過對循環(huán)水養(yǎng)殖系統(tǒng)的長期觀察發(fā)現(xiàn)，魚群在攝食時，會在水面激起強烈的水花，引起水面晃動，而魚群在正常游動的情況下，不存在這一狀況，因此利用魚群在不同運動狀態(tài)下所對應的紋理可以識別出魚群的運動狀態(tài)[15]。

圖像的紋理分析是指通過一定的圖像處理技術抽取出物體的紋理特征，從而獲得對紋理定量或定性描述的過程。一般情況下圖像的紋理特征具有周期性，它能反映物品的質地，如粗糙度、光滑度、顆粒度、隨機性、規(guī)范性等。關于紋理，國內外的研究學者做了大量的研究，并從中總結了多種描繪紋理的方法[15-18]，但各種方法的適用場合各不相同，經(jīng)過對比大量文獻資料，在本試驗中選擇3種較為典型的紋理特征提取方法來提取魚群的紋理特征，分別為灰度差分統(tǒng)計法、灰度共生矩陣、高斯-馬爾科夫隨機場模型[19-21]。

對于一幅魚群圖片，首先須要對圖片進行預處理，然后用這3種方法提取魚群的紋理特征，最后利用支持向量機(support vector machine，簡稱SVM)對魚群的運動狀態(tài)進行分類識別，繼而判斷出魚群的運動狀態(tài)，以達到對魚群運動狀態(tài)分類識別的目的。本試驗的系統(tǒng)流程如圖2所示。

2.1 基于灰度差分統(tǒng)計法的紋理特征提取

灰度差分統(tǒng)計法的核心思想是通過計算圖像的統(tǒng)計特征，從中推導出一些特征量來描述紋理。設(x，y)為圖像中的一點，該點和它只有微小距離的點(x+Δx，y+Δy)的灰度差值為

gΔ(x，y)=g(x，y)-g(x+Δx，y+Δy)。

2.2 基于灰度共生矩陣的紋理特征提取

灰度共生矩陣是一種典型的分析紋理圖像的二階統(tǒng)計法，它描述了灰度圖像關于方向、相鄰間隔、變化幅度等的綜合信息，這種方法在許多文獻中得到了推廣應用，是最為有效的描述紋理的算子之一。一般取其中的4個常用的紋理特征參數(shù)，這4個紋理參數(shù)分別為

(1)能量：它反映的是灰度圖像分布均勻的程度和紋理粗細的程度，當其值越大時，紋理越粗糙。公式如下：

式中：i代表灰度圖像中的一個像素點；j代表灰度圖像中的另一個像素點；θ代表灰度圖像中像素點i和像素點j與坐標橫軸的夾角；d代表像素點i和像素點j之間的距離。

(2)相關性：它度量了空間灰度共生矩陣元素在行或列方向上的相似程度，因此，其值的大小反映了圖像中局部灰度的相關性。公式如下：

(3)逆差矩：反映了圖像紋理局部變化的大小，當紋理越規(guī)則時，其值越大。公式如下：

(4)對比度：刻畫了圖像紋理的清晰程度，當圖像越清晰時，其值就越大。公式如下：

2.3 基于高斯馬爾科夫隨機場模型的紋理特征提取

馬爾科夫隨機場(Markov random field，簡稱 MRF)作為一種描述圖像結構的概率模型，能夠兼顧紋理局部的隨機性和整體上的規(guī)律性，它在描述物理現(xiàn)象空間或背景依賴性方面有著無可比擬的優(yōu)越性。在本試驗中選用高斯-馬爾科夫隨機場(Gauss Markov random filed，簡稱GMRF)模型來描述魚群的紋理特征，該模型以鄰域系統(tǒng)為基礎，通過一個鄰域系統(tǒng)，可以把圖像中的點和其鄰域中任意其他的點聯(lián)系起來?，F(xiàn)取圖像中某一點s，其灰度值y(s)是s鄰域Ns灰度的函數(shù)，Ns是以s點為中心，r為半徑，但不包括s的對稱鄰域[23]。則在一個M×M的網(wǎng)格點集S，GMRF模型可以用包含多個未知數(shù)的線性方程來表示：

y(s)=∑r∈Nsθr[y(s+r)+y(s-r)]+e(s)。

式中：θr為未知系數(shù)；e(s)為零均值的高斯噪聲序列。在GMRF模型中，鄰域系統(tǒng)的階數(shù)決定了模型描述圖像紋理的能力，階數(shù)越高，模型描述的紋理越復雜，結合魚群運動時的紋理情況，并參考相關文獻，最后選定系統(tǒng)的階數(shù)為3，此時共提取了魚群的6個紋理特征向量。如圖3所示，a、b分別為魚群在正常游動狀態(tài)和攝食狀態(tài)下的原始圖片，c、d分別為魚群在正常游動狀態(tài)和攝食狀態(tài)下的灰度圖片。

3 結果與分析

3.1 SVM對魚群運動狀態(tài)的識別

支持向量機是根據(jù)Vapnik提出的結構風險最小化原則來提高學習機泛化能力的方法，其本質是通過非線性變換將原始的特征空間變換到一個高維的空間，在這個新的空間里求取最優(yōu)分類面。支持向量機因其須要調整的參數(shù)較少，準確率高，魯棒性強，且有著良好的抗干擾能力，因此在分類識別中得到了廣泛的應用[24-25]。

假設訓練樣本為{(x1，y1)，(x2，y2)，…，(xN，yN)}，其中xi∈Rd代表輸入，yi∈{±1}代表輸出。設最優(yōu)決策面方程為wTxi+b=0，yi(wTxi+b)≥1-ξi為約束條件，其中ξi為線性不可分條件下的松弛變量。最優(yōu)決策面的求解必須盡量使平均錯誤誤差減到最小，因此利用 Lagrange 乘子將求解問題轉化為以下的約束優(yōu)化問題[25]：

由于核函數(shù)參數(shù)g和懲罰因子c的確定影響了SVM的精度，因此為了提高分類效率及減少分類的時間，在本試驗中使用libsvm程序包來實現(xiàn)參數(shù)的最優(yōu)選擇，libsvm程序包不僅分類效果好，而且提供了很多默認的參數(shù)值，免去了后期的調試，大大減少了人力物力的消耗。在本試驗中是通過libsvm來對支持向量機的核函數(shù)進行自動尋優(yōu)，經(jīng)過參數(shù)尋優(yōu)后，g取0.707 1，c取4。最后根據(jù)對整個訓練集進行訓練獲得支持向量機的模型，利用獲取的模型分別對訓練樣本圖像和測試樣本圖像的紋理特征向量所組成的數(shù)據(jù)集進行測試，測試樣本分類準確率達到96.5%，程序運行時間為 39.04 s。

3.2 特征降維后SVM對魚群運動狀態(tài)的識別

要想對紋理特征進行全面的描述，須要將這些特征有機地融合在一起，本試驗決定用主成分分析法(principal component analysis，簡稱PCA)來對這13個特征向量進行降維，這樣做的好處就是去掉特征向量中的冗余信息，保留主要信息。

主成分分析法是一種線性降維方法，能夠降低樣本的維度，主要是基于變量協(xié)方差矩陣對原始信息進行壓縮和提取處理。它的核心思想如下：

假設有m個n維數(shù)據(jù)，首先將數(shù)據(jù)進行中心化，即計算該維數(shù)據(jù)平均值，再利用原數(shù)據(jù)與平均值相減，得到以下結果：

求出協(xié)方差矩陣：

計算協(xié)方差矩陣的特征向量以及特征值。假設矩陣C的秩為p，特征值順序排列記為λ1≥λ2≥λ3≥λ4≥…≥λp>0。

選取較大的前i個特征值對應的特征向量vi=xTvi，i=1，2，…，l，則樣本x可以表示為[y1，y2，y3，…，yk]T，其維數(shù)由n維降到了l維。

在本試驗中通過PCA算法把提取出來的特征向量降到了3維。由表1可知，測試樣本的準確率有所下降，運行時間大大縮短。但分類準確率還是相對較高的，為93.5%。

表1SVM的識別結果

4 結論

本試驗利用計算機視覺技術，對魚群的運動狀態(tài)進行分類識別。結果表明，利用灰度差分統(tǒng)計法、灰度共生矩陣法和基于高斯馬爾科夫隨機場模型的方法共提取了魚群的13個紋理特征，在識別魚群的攝食行為中具有較高的精度和識別速度，在220張訓練樣本，200張測試樣本中，SVM對測試集的識別率達到96.5%，運行時間為39.04 s，通過PCA降維后，使得提取的紋理特征向量的維數(shù)降為3維，SVM對測試集的識別率達到93.5%，運行時間為0.63 s，雖然識別率有所下降，但是識別速度有了大大的提高，這樣更能達到魚群實時分類的目的。

本試驗充分利用了魚群攝食時產(chǎn)生的水花及由水面抖動等引起的圖像紋理變化，對魚群的運動狀態(tài)進行分類識別，避免了對魚群其他特征的提取，且本試驗所需的設備種類較少，成本低，操作簡單，對計算機性能要求不高。本試驗所介紹的方法對于魚群運動狀態(tài)的識別提供了一種全新的思路。

參考文獻：

[1]Liu Z Y，Li X，F(xiàn)an L Z，et al. Measuring feeding activity of fish in RAS using computer vision[J]. Aquacultural Engineering，2014，60(1)：20-27.

[2]周應祺，王 軍，錢衛(wèi)國，等. 魚類集群行為的研究進展[J]. 上海海洋大學學報，2013，22(5)：734-743.

[3]胡金有，王靖杰，張小栓，等. 水產(chǎn)養(yǎng)殖信息化關鍵技術研究現(xiàn)狀與趨勢[J]. 農業(yè)機械學報，2015，46(7)：251-263.

[4]陳 紅，夏 青，左 婷，等. 基于紋理分析的香菇品質分選方法[J]. 農業(yè)工程學報，2014，30(3)：285-292.

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

[6]Wu T H，Huang Y，Chen J M. Development of an adaptive neural-based fuzzy inference system for feeding decision-making assessment in silver perch(Bidyanusbidyanus)culture[J]. Aquacultural Engineering，2015，66：42-51.

[7]Mallet D，Pelletier D. Underwater video techniques for observing coastal marine biodiversity：a review of sixty years of publications(1952—2012)[J]. Fisheries Research，2014，154(3)：44-62.

[8]Papadakis V M，Papadakis I E，Lamprianidou F，et al.A computer-vision system and methodology for the analysis of fish behavior[J]. Aquacultural Engineering，2012，46(2)：53-59.

[9]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性研究[J]. 農業(yè)工程學報，2012，28(10)：189-193.

[10]段延娥，李道亮，李振波，等. 基于計算機視覺的水產(chǎn)動物視覺特征測量研究綜述[J]. 農業(yè)工程學報，2015，31(15)：1-11.

[11]Kato S，Tamada K，Shimada Y，et al. A quantification of goldfish behavior by an image processing system[J]. Behavioural Brain Research，1996，80(1/2)：51-55.

[12]Ma H，Tsai T F，Liu C C. Real-time monitoring of water quality using temporal trajectory of live fish[J]. Expert Systems With Applications，2010，37(7)：5158-5171.

[13]張志強，牛智有，趙思明. 基于機器視覺技術的淡水魚品種識別[J]. 農業(yè)工程學報，2011，27(11)：388-392.

[14]于 欣，侯曉嬌，盧煥達，等. 基于光流法與特征統(tǒng)計的魚群異常行為檢測[J]. 農業(yè)工程學報，2014，30(2)：162-168.

[15]任立輝，李文東，慈興華，等. 基于LIBSVM的石油錄井中巖屑巖性識別方法研究[J]. 中國海洋大學學報(自然科學版)，2010，40(9)：131-136.

[16]Sadoul B，Mengues P E，F(xiàn)riggens N C，et al. A new method for measuring group behaviours of fish shoals from recorded videos taken in near aquaculture conditions[J]. Aquaculture，2014，430：179-187.

[17]Pautsina A，Cisar P，Stys D，et al. Infrared reflection system for indoor 3D tracking of fish[J]. Aquacultural Engineering，2015，69：7-17.

[18]Zhao J，Gu Z B，Shi M M，et al. Spatial behavioral characteristics and statistics-based kinetic energy modeling in special behaviors detection of a shoal of fish in a recirculating aquaculture system[J]. Computers and Electronics in Agriculture，2016，127：271-280.

[20]徐小軍，邵 英，郭尚芬. 基于灰度共生矩陣的火焰圖像紋理特征分析[J]. 計算技術與自動化，2007，26(4)：64-67.

[21]劉 麗，匡綱要. 圖像紋理特征提取方法綜述[J]. 中國圖象圖形學報，2009，14(4)：622-635.

[22]范良忠，劉 鷹，余心杰，等. 基于計算機視覺技術的運動魚檢測算法[J]. 農業(yè)工程學報，2011，27(7)：226-230.

[23]王慧勤，雷 剛. 基于LIBSVM的風速預測方法研究[J]. 科學技術與工程，2011，11(22)：5440-5442，5450.

[24]Ashley P J. Fish welfare：current issues in aquaculture[J]. Applied Animal Behaviour Science，2007，104(4)：199-235.

[25]張學工. 關于統(tǒng)計學習理論與支持向量機[J]. 自動化學報，2000，26(1)：32-42