一种基于PCA和AdaBoost算法的运动鱼苗识别方法技术

一种运动鱼苗识别方法，包括步骤：(1)构建AdaBoost算法识别训练集及测试集并进行训练，步骤包括：A1，截取k×k像素的鱼苗图像m张、非鱼苗图像n张构成训练集，m/2张鱼苗图像、n/2张非鱼苗图像构成测试集，k、n、m为正整数；A2,使用PCA方法进行特征提取，数据降维；A3,使用AdaBoost算法进行训练，并确定AdaBoost算法强分类器的迭代次数；(2)对待识别图像进行预处理，主要是分离鱼苗和图像背景；(3)对预处理后图像进行分割，确定待识别矩形区域；(4)使用AdaBoost算法识别模型进行识别。

【技术实现步骤摘要】

本专利技术属于渔业养殖
，特别涉及一种基于PCA和AdaBoost算法的运动鱼苗识别方法。
技术介绍
中国是世界上发展淡水养鱼最早的国家之一，且我国拥有优越的自然条件与广阔的水资源，据20世纪80年代初统计,淡水水域约有2.5亿亩,占国土面积的2％左右，其中能够进行养殖的水域为7500万亩，且还有许多稻田具备养鱼的条件。随着我国养殖业的迅速发展，对科学养殖与管理提出了更高的要求。鱼类的行为是指鱼类在外在和自身环境发生变化时产生的外在反应，开展鱼类的行为研究对促进养殖方式改进和养殖技术的提升具有积极的作用。在鱼类行为研究中能否有效区分鱼与背景并进行鱼类的识别是决定鱼类行为研究成败的关键因素。目前运动鱼类识别及鱼的行为研究大多采用的是人工观测法，然而由于人工观测易受外界影响，具有主观性，使得观测的标准难以统一，且其结果很难量化。机器视觉技术因拥有非接触、高精度、可量化等特点目前已广泛用在动植物的自动识别领域。迄今为止，尚未看到有关运动鱼苗检测与识别研究的相关报道。但有一些学者开展了成鱼的检测和识别研究，大都采用基于典型特征或帧间差分的运动物体识别算法，适用于目标特征明显，易于分割的鱼类。由于鱼苗体型较小，鱼鳍、鱼尾不明显，加之运动剧烈使得成像之后外形特征丢失严重。
技术实现思路
本专利技术的目的是提供一种基于PCA和AdaBoost算法的运动鱼苗识别方法，可以迅速有效地识别出运动鱼苗，为下一步的鱼类行为量化研究打下坚实的基础。主成分分析(PrincipalComponentAnalysis，PCA)是90年代初期由Tutk等提出的一种掌握事物主要矛盾的统计分析方法，它可以从多元事物中解析出主要影响因素，揭示事物的本质，简化复杂的问题。这种方法可以有效的找出数据中最“主要”的元素和结构，去除噪音和冗余，将原有的复杂数据降维，揭示隐藏在复杂数据背后的简单结构。它的优点是简单，而且无参数限制，可以方便的应用与各个场合，主要应用于多源融合、数据降维、分析数据互相关性以及模式识别中。AdaBoost，英文“AdaptiveBoosting”的缩写，是YoavFreund和RobertSchapire在1995年提出的一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器，即弱分类器，然后把这些弱分类器集合起来，构造一个更强的最终分类器。算法本身是改变数据分布实现的，它根据每次训练集之中的每个样本的分类是否正确，以及上次的总体分类的准确率，来确定每个样本的权值。将修改权值的新数据送给下层分类器进行训练，然后将每次训练得到的分类器融合起来，作为最后的决策分类器。目前，AdaBoost算法主要应用于分类和回归问题。本专利技术的技术方案是，一种运动鱼苗识别方法，包括以下步骤：(1)构建AdaBoost算法识别训练集及测试集并进行训练，步骤包括：A1，截取k×k像素的鱼苗图像m张、非鱼苗图像n张构成训练集，m/2张鱼苗图像、n/2张非鱼苗图像构成测试集，k、n、m为正整数；A2,对截取的图像使用PCA方法进行特征提取，数据降维；A3,使用AdaBoost算法进行训练，并确定AdaBoost算法强分类器的迭代次数；(2)对待识别图像进行预处理，分离鱼苗和图像背景；(3)对预处理后图像进行分割，确定待识别矩形区域；(4)使用AdaBoost算法识别模型进行运动鱼苗识别。步骤(2)还包括步骤：B1，首先使用背景差分法去除鱼苗图像背景得到第一张图；B2，使用Ostu算法对第一张图进行阈值分割，得到第二张图；B3,对图像进行形态学处理，即分别从横向和纵向方向进行膨胀操作,得到第三张图；B4，统计第三张图各个连通区域的面积大小，预先估计鱼苗区域的面积，对于和目标面积相差甚远的小面积区域将其去除，从而得到第四张图，即为预处理后的图像。统计第四张图中所有连通区域的形心在第一张图中所处位置，并以形心为中心构建大小为k×k像素的识别框体，得到第五张图，然后分别截取第五张图所示的所有待识别矩形区域，以供后续步骤识别。本专利技术的基于PCA和AdaBoost算法的运动鱼苗识别方法可以成功识别运动鱼苗，无需人工干预，大大提高识别精度，可以为鱼苗下一步的行为研究提供技术支持。附图说明图1为本专利技术实施例中使用背景差分法去除鱼苗图像背景后的待识别鱼苗图像；图2为本专利技术实施例中阈值分割后的待识别鱼苗图像；图3为本专利技术实施例中进行形态学处理后的待识别鱼苗图像；图4为本专利技术实施例中去除小面积连通区域后的待识别鱼苗图像；图5为本专利技术实施例中构建识别区域后的待识别鱼苗图像；图6为根据本专利技术实施例的运动鱼苗识别方法的流程图。具体实施方式下面结合附图对本专利技术的实现过程进行详细说明。本专利技术实施例提供了一种基于PCA和AdaBoost算法的运动鱼苗识别方法，如图6所示，该方法包括:(1)构建AdaBoost算法识别训练集(300张图像)、测试集(150张图像)并进行训练，主要步骤包括：①截取100×100像素的鱼苗图像200张(其中静止鱼苗图像100张，运动鱼苗图像100张)、非鱼苗图像100张构建训练集；100张鱼苗图像、50张非鱼苗图像构成测试集。②使用PCA方法对训练集图片进行特征提取、数据降维，并分析主成分，最终确定主成分数为18，累计贡献率为99.89％。③使用AdaBoost算法进行训练。分别使用10,15和20次迭代次数构建AdaBoost算法强分类器对测试集图像进行识别试验，分别从识别时间和识别精度最终确定15次迭代次数构建AdaBoost算法强分类器，得到AdaBoost算法识别模型。(2)对待识别图像进行预处理。①首先使用背景差分法去除鱼苗图像背景得到图1；②使用Ostu算法对图1进行阈值分割，得到图2；③为了减少连通区域，排除图像中过分割现象，并使后面的图像处理获得好的效果，需要对图像进行形态学处理，即分别从横向和纵向方向进行膨胀操作。得到图3；④因为图3存在一些由粪便和残饵等造成的噪声点，为去除这些小的噪声点，统计各个连通区域的面积大小，并且利用先验知识，可以预先估计鱼苗区域的面积，对于和目标面积相差甚远的小面积区域可以将其去除，从而得到图4；(3)统计图4中所有连通区域的形心在图1中所处位置，并以形心为中心构建大小为100×100像素的识别框体，得到图5。然后分别截取图5所示的所有待识别矩形区域，等待识别；(4)使用获得的AdaBoost算法模型进行识别试验。本文档来自技高网...

【技术保护点】
一种运动鱼苗识别方法，包括以下步骤：(1)构建AdaBoost算法识别训练集及测试集并进行训练，步骤包括：A1，截取k×k像素的鱼苗图像m张、非鱼苗图像n张构成训练集，m/2张鱼苗图像、n/2张非鱼苗图像构成测试集，k、n、m为正整数；A2,对截取的图像使用PCA方法进行特征提取，数据降维；A3,使用AdaBoost算法进行训练，并确定AdaBoost算法强分类器的迭代次数；(2)对待识别图像进行预处理，分离鱼苗和图像背景；(3)对预处理后图像进行分割，确定待识别矩形区域；(4)使用AdaBoost算法识别模型进行运动鱼苗识别。

【技术特征摘要】
1.一种运动鱼苗识别方法，包括以下步骤：(1)构建AdaBoost算法识别训练集及测试集并进行训练，步骤包括：A1，截取k×k像素的鱼苗图像m张、非鱼苗图像n张构成训练集，m/2张鱼苗图像、n/2张非鱼苗图像构成测试集，k、n、m为正整数；A2,对截取的图像使用PCA方法进行特征提取，数据降维；A3,使用AdaBoost算法进行训练，并确定AdaBoost算法强分类器的迭代次数；(2)对待识别图像进行预处理，分离鱼苗和图像背景；(3)对预处理后图像进行分割，确定待识别矩形区域；(4)使用AdaBoost算法识别模型进行运动鱼苗识别。2.如权利要求1所述运动鱼苗识别方法，其特征在于...

【专利技术属性】
技术研发人员：王帅，刘世晶，唐荣，
申请(专利权)人：中国水产科学研究院渔业机械仪器研究所，
类型：发明
国别省市：上海;31