基于计算机视觉技术的水产养殖鱼三维坐标获取方法与流程

本发明涉及一种淡水水产养殖鱼三维坐标的获取方法，属于智能水产养殖技术领域。

背景技术：

我国水产养殖产量占世界总产量的70％以上，是世界上唯一养殖产量超过捕捞产量的国家，水产养殖产业规模日益增大。夏季高温天气是户外淡水水产养殖及工厂化密集型淡水水产养殖的高危阶段，每年因为水体溶解氧缺乏或养殖水质污染等非自然灾害导致的水产养殖损失高达数十亿元。

借助于三维计算机数据采集系统，对实验鱼缸中的淡水鱼在溶解氧缺乏下的情况下采集其各种行为图像并对之进行分析。主要方法是从视频图像提取、分割前景对象，在获得淡水鱼在鱼缸中的三维坐标数据基础上，通过淡水鱼个体及鱼群的运动速度、角速度、离散度、平均高度及运动轨迹等特征参数对淡水鱼的行为特征进行描述，分析淡水鱼在水体溶解氧缺乏下的行为特征。其主要目的在于能够获得鱼群在水体溶解氧初步缺乏下的各种行为，并有效采取各种措施。这对研究养殖鱼行为与水质参数之间的关系，以及提高淡水水产养殖智能化和精确化管理水平具有重要的意义。

技术实现要素：

本发明针对现有的技术问题，提供一种基于计算机视觉技术的水产养殖鱼三维坐标获取方法，并在此基础上分析各种养殖鱼行为，从而为水产养殖过程中各种异常情况进行有效预警，目的是避免池塘水产养殖中出现的经济损失，从而提高水产养殖的效率，拟解决现有技术存在的问题。

本发明采用以下技术方案：

基于计算机视觉技术的水产养殖鱼三维坐标获取方法，其特征在于，包括：图像s分量提取；鱼目标分割；鱼目标质心获取；鱼目标三维坐标计算；鱼行为表征。

更进一步地，所述图像s分量提取为在hsv空间中提取s分量。

更进一步地，所述鱼目标分割为，针对获取鱼行为图像装置的稳定性，采用基于固定区域的otsu阈值方法对图像中的鱼体进行目标分割，同时包括鱼缸图像和镜面图像的鱼目标分割。

更进一步地，所述鱼目标质心获取为，利用最佳阈值对图像进行二值化；针对图像中的粘连部分采用分水岭算法进行处理，得到较为完整的鱼体轮廓；使用像素化算法计算出鱼的质心坐标。

更进一步地，所述鱼目标三维坐标计算为，根据三维坐标获取算法计算各条鱼的三维坐标。

更进一步地，假设图像灰度值范围[1,2,3,......,l]，用于表示一幅m×n像素的数字图像的l个不同灰度，则ni在图像中出现的概率且pi≥0；若选择一个阈值t(k)＝k(1<k<l)，将图像阈值化为两类：c1＝{1,2,...,k}和c2＝{k+1,k+2,...,l}，则

更进一步地，为了评价阈值k的选取质量，使用归一化的无量纲矩阵其中和分别为图像的类间方差和全局方差，σb²＝p1(m1-mg)²+p2(m2-mg)²和

更进一步地，通过下式得到鱼体在鱼缸内三维坐标的y值，从而最终获得鱼体在鱼缸内的实际三维坐标o(x,y,z)；

(n²-sin²β)y²-2yi(n²-sin²β)y+(n²-sin²β)[yi²+(x-xi)²]+sin²β(z-h)²＝0。

与现有技术相比，本发明的有益效果是：依靠基于三维计算机视觉技术的水产养殖鱼行为获取方法，能实现鱼群各目标的三维数据获取，并在此基础上研究鱼群各种情况下的异常行为特征，从而弥补二维坐标下各种鱼行为分析的不足，这对高效水产养殖提供了精准地科学依据，尤其适合夏季户外淡水水产养殖及工厂化密集型淡水水产养殖。

附图说明

图1是本发明中鱼行为表征算法流程图。

图2是本发明一种基于计算机视觉技术的水产养殖鱼三维坐标获取装置的结构示意图。

具体实施方式

下面结合附图对本发明作进一步详细说明。

本发明针对现有的技术问题，提供一种基于计算机视觉技术的水产养殖鱼三维坐标获取方法，目的是更好、更科学的获取养殖鱼行为，并以此分析养殖鱼在各种异常情况下的行为特征，从而最终提高水产养殖的效率，避免池塘水产养殖中常见的严重经济损失问题，降低水产养殖风险，拟解决现有技术存在的问题。

为实现上述目的，本发明提供如下技术方案：一种基于三维计算机视觉技术的水产养殖鱼行为获取方法，其包括计算机、高清摄像头、平面镜、led照明灯、鱼缸及屏蔽箱等组件，鱼缸采用透光性较强的超白玻璃定做，其尺寸为20cm×20cm×20cm，平面镜尺寸为20cm×28.2cm，平面镜与鱼缸底部接触并倾斜45°，平面镜另一侧与鱼缸上平面基本保持在同一平面内。摄像头位于平面镜和鱼缸接触线的中点上方50cm位置。

为确保在采集鱼行为图像的过程中，避免外界信息对鱼行为的干扰，将三维鱼行为图像采集装置置于一开口的屏蔽箱内。鱼缸内的鱼群行为经过水体折射、平面镜反射共同在摄像头ccd中成像，从而实现了一个摄像头从两个视角获取鱼行为图像的目的。结合一定的算法即可获得鱼缸中鱼的三维坐标，通过对鱼群的空间位置信息，能实现跟踪、记录鱼的三维运动轨迹，计算出鱼群的运动速度、角速度、加速度、高度、离散度等参数，并根据这些参数对鱼群在溶解氧缺乏下的各种行为，如浮头、漂浮、疯狂游动等行为进行表征。

本发明对摄像头所获取的视频图像进行“鱼目标分割”、“鱼目标质心获取”，并在此基础上完成鱼类的三维坐标的计算，最终依据三维坐标数据对各种异常情况下的鱼行为进行分析、判断。

首先在hsv空间中提取s分量。另外，针对本发明中所使用的获取鱼行为图像装置的稳定性，采用基于固定区域的otsu阈值方法对图像中的鱼体进行目标分割，同时包括了鱼缸图像和镜面图像的鱼目标分割。最后再利用该最佳阈值对图像进行二值化。在获得图像的二值化图像后，针对图像中的粘连部分采用分水岭算法进行处理，得到较为完整的鱼体轮廓。并在此基础上使用像素化算法计算出鱼的质心坐标。在获得缸内各条鱼的质心坐标后，便可根据三维坐标获取算法计算各条鱼的三维坐标。

鱼缸中鱼体的三维坐标数据获取是后面进行鱼群在异常情况下行为分析的关键。其鱼体的三维坐标是在鱼体的质心坐标的基础上获得的。

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。具体请参阅图1、图2。

本发明对摄像头所获取的视频图像进行“鱼目标分割”、“鱼目标质心获取”，并在此基础上完成鱼类的三维坐标的计算，最终依据三维坐标数据对各种异常情况下的鱼行为进行分析、判断。

假设图像灰度值范围[1,2,3,......,l]，用于表示一幅m×n像素的数字图像的l个不同灰度(总像素数为mn)，则ni(灰度级为i的像素)在图像中出现的概率且pi≥0。若选择一个阈值t(k)＝k(1<k<l)，将图像阈值化为两类：c1＝{1,2,...,k}和c2＝{k+1,k+2,...,l}，则

因为分配到c1和c2的像素平均灰度值分别为

整幅图像的平均灰度则存在p1m1+p2m2＝mg，p1+p2＝1，则c1和c2的方差分别为

为了评价阈值k的选取质量，使用归一化的无量纲矩阵其中和分别为图像的类间方差和全局方差，σb²＝p1(m1-mg)²+p2(m2-mg)²和

仅仅在图像中所有灰度级都相同的时候，方为零，意味着则存在同一类像素。则最佳阈值为k*，其最大化阈值求解过程为最后再利用该最佳阈值k*对图像进行二值化。在获得图像的二值化图像后，针对图像中的粘连部分采用分水岭算法进行处理，得到较为完整的鱼体轮廓。并在此基础上使用像素化算法计算出鱼的质心坐标。在获得缸内各条鱼的质心坐标后，便可根据三维坐标获取算法计算各条鱼的三维坐标。

鱼缸中鱼体的三维坐标数据获取是后面进行鱼群在缺氧情况下行为分析的关键。图2是鱼体在鱼缸中三维成像的原理图，其鱼体的三维坐标是在鱼体的质心坐标的基础上获得的。图2中，h：摄像头ccd至鱼缸底部距离；h：鱼缸水平面与缸底距离；o：鱼体坐标；v：鱼体虚像坐标；i和i'：为折射光线与水平面的交点，处于同一平面；α：鱼体散射光线的入射角；β：光线的出射角；v'：鱼体虚像v在摄像头ccd平面上成像坐标。

根据勾股定理，图2中鱼体散射光线的入射角的正弦值和光线的出射角的正弦值分别如式1和式2所示：

并由此推导出水体的折射率n，如式3所示：

根据水体的折射定律所知，摄像头、鱼体坐标o及交点i必在同一平面，则由此可以获得交点i在x-y平面内的坐标值，即且存在xyi'＝yxi'。

假设o'为鱼体在平面镜另一侧的虚像，根据平面镜成像原理其坐标为o'(-z,y,-x)，这里的负号表示方向相反；而o'在摄像头ccd平面上的成像坐标为o”(xs,ys,h-f)，则同样存在由此得到鱼体在鱼缸内x-z平面中的坐标值，即

将xi,yi,x,z代入式3，经转换后得到一个关于y未知数的函数，如式4：

(n²-sin²β)y²-2yi(n²-sin²β)y+(n²-sin²β)[yi²+(x-xi)²]+sin²β(z-h)²＝0(4)

对式4的求解，涉及到4次多项式的求解，会计算出4个解析解，其结果均是复数。因为入射角和折射处于同一平面，所以4个解析解中有3个解的角度都是负值，这里对其舍弃。

通过计算式4，可以得到鱼体在鱼缸内三维坐标的y值，从而最终可以获得鱼体在鱼缸内的实际三维坐标o(x,y,z)。通过该方法所获得的鱼体的三维坐标，充分考虑到了摄像头在采集鱼体图像过程中水体折射的影响，其数据更为客观、准确。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。