一种基于机器视觉的鱼类群体位置偏好行为量化方法与流程

本发明主要涉及动物行为学的，具体为一种基于机器视觉的鱼类群体位置偏好行为量化方法。

背景技术：

1、动物行为学是指研究的对象包括动物的沟通行为、情绪表达、社交行为、学习行为、繁殖行为等，由于动物行为学对于动物学习和认知等方面的研究，以及与神经科学的相关性，它对心理学、教育学等学科产生一定的影响。

2、对鱼类行为的描述和量化是鱼类行为学研究的重要内容，传统的基于鱼类群体的区域偏好行为测试在数据统计时，一般需进行手动帧分割，或直接以定时拍照的方式采集图片，数据量化采用手动统计，费时费力且效率低下，采用人工计数的方式对鱼群位置偏好行为进行数据量化时，也往往容易出现主观的偏差和误判，得出的数据类型也较为单一，一般仅可得出某个偏好区域在整个实验期间的鱼类出现总频次，图表展示类型也往往仅能呈现出条形图或单一饼形图。

技术实现思路

1、本发明技术方案针对现有技术解决方案过于单一的技术问题，提供了显著不同于现有技术的解决方案，具体地本发明主要提供了一种基于机器视觉的鱼类群体位置偏好行为量化方法，用以解决上述背景技术中提出的在传统的鱼类群体区域偏好行为测试中，采取手动帧分割或直接以定时拍照的方式采集图片的方式，来数据量化统计，费时费力且效率低下，容易出现主观的偏差和误判的技术问题。

2、本发明解决上述技术问题采用的技术方案为：

3、一种基于机器视觉的鱼类群体位置偏好行为量化方法，包括以下步骤：

4、s1定义测试区域，包括整体试验区域和各个偏好区域，对整个试验区建立二维坐标系，整体试验区域通过设置起始横纵坐标值xf、yf及横纵坐标区间xrange和yrange来确定，各个偏好区域的定义通过设置各个顶点坐标值实现，如区域一的坐标设置为：

5、x1(x11、x12、x13…x1n)

6、y1(y11、y12、y13…y1n)

7、区域二的坐标设置为：

8、x2(x21、x22、x23…x2n)

9、y2(y21、y22、y23…y2n)

10、以此类推，第n个区域的坐标设置为：

11、xn(xn1、xn2、xn3…xnn)

12、yn(yn1、yn2、yn3…ynn)

13、一般的，坐标点的数量比定义区域的实际顶点数量多1，以形成闭合区域，即

14、n坐标＝n顶点+1；

15、s2鱼群行为测试和影像记录，根据具体的实验目的设置实验流程和使用鱼类的数量，使用高清摄像头对鱼群在整个实验期间的行为状态进行连续记录采集，拍摄画面必须包含上述定义的所有区域，数据以视频格式存储，采集帧速率(fps)以25-35帧/秒为宜；

16、s3鱼群行为影像帧分割，首先读取并载入视频影像数据的全部帧，根据所使用实验鱼的实际活动强度，以4-10的帧间隔(ifs)对视频影像数据进行帧分割，所得帧数量为：

17、nframe＝ntotal/ifs

18、s4鱼群行为影像二值化，将帧分割后获取的鱼类图像数据利用最大类间方差法(otsu)进行二值化处理，处理时根据具体的目标与背景对比度选取合适的阈值bthd，得到二值化图像，其中白色为背景区域，黑色为实体目标区域；

19、s5鱼群行为影像降噪处理，对于二值化处理后的图像黑色区域，使用二值图像孔洞填充方法进行目标填充，并计算各个区域的像素面积，根据所使用实验鱼群中个体长度及宽度的大小，设置鱼群影像降噪阈值sthd，删除二值图像中相互连接像素个数小于sthd的目标对象，实现图鱼群行为影像的降噪；

20、s6鱼群目标位置确定，理论上在降噪后的二值图像中，实验鱼的目标面积应为最大，根据具体使用的实验鱼数量n，从孔洞填充后的图像中选择像素面积最大的n个像素连接区域作为实验鱼目标，获取每条质心的横纵坐标，具体来讲，首先建立数据集合s，用于存储孔洞填充并降噪后二值图像中所有像素连接区域的面积值，将这些值从大到小进行排序：

21、smax>ssecond>sthird>sforuth…smin

22、抽取其中最大的前n个数据smax、ssecond、sthird…sn作为鱼群每个个体的像素面积值，并获取每个面积区域的质心坐标作为鱼群个体的位置；

23、s7鱼群在各区域分布情况分析，根据所述s1定义测试区域定义的各偏好区域的顶点坐标xn、yn，及所述s6鱼群目标位置确定确定的鱼群各个个体的位置坐标，分别判定鱼群中的各个个体与各个偏好区域的位置关系，通过统计某个偏好区域中的鱼类个体数来确定鱼群对该区域的偏好程度，具体的判断方式为：

24、假设某偏好区域各顶点的集合为z(z1、z2、z3…zn)，某条鱼类个体的位置点为t，计算t的特征行列式序列：{|tzi，tz(i+1)|}；

25、对序列内各值的符号进行判断，若各值恒正，则该鱼体位于该偏好区域内部，若存在0点，则该鱼体位于该偏好区域边界线上，若各值的符号不同，则该鱼体位于该偏好区域外，若鱼体在偏好区域外，则赋值为0，否则赋值为1，通过统计0与1的数量，即可确定鱼群对该区域的偏好程度；

26、s8鱼群与各区域顶点最近距离计算，根据所述s1定义测试区域定义的各偏好区域的顶点坐标xn、yn，及所述s6鱼群目标位置确定确定的鱼群各个个体的位置坐标，计算鱼群中各个个体与各偏好区域边界的最近距离，具体计算方式为：

27、假设某偏好区域各顶点的坐标为：

28、xn(xn1、xn2、xn3…xnn)

29、yn(yn1、yn2、yn3…ynn)

30、某条鱼类个体的位置点为t(xt，yt)，

31、分别计算鱼体t与偏好区域各顶点的距离值dp：

32、

33、将求得的各距离值从大到小排列，取最小的一个作为鱼体距偏好区域顶点最近的距离。

34、s9鱼群与各区域几何中心距离计算，首先确定各区域几何中心的坐标，

35、某偏好区域各顶点的坐标为：

36、xn(xn1、xn2、xn3…xnn)

37、yn(yn1、yn2、yn3…ynn)

38、原点坐标为(0，0)，则各顶点的x轴向量和为

39、sumx＝xn1+xn2+xn3+…xnn

40、y轴向量和为

41、sumy＝yn1+yn2+yn3+…ynn

42、若设几何中心坐标为(xcenter，ycenter)，则x轴坐标为：

43、xcenter＝sumx/n

44、y轴坐标为：

45、ycenter＝sumy/n

46、假设某条鱼类个体的位置点为t(xt，yt)，则该鱼体与该偏好区域几何中心的距离为

47、

48、优选的，所述s7、s8和s9中对单条鱼类的各参数进行量化后，再对鱼群中每个个体进行逐条量化，随后对所有帧中的行为参数进行逐帧量化。

49、与现有技术相比，本发明的有益效果为：

50、(1)通过本发明，实现了鱼群位置偏好行为参数的量化更加便捷高效，传统的基于鱼类群体的区域偏好行为测试在数据统计时，一般需先对采集的视频进行手动帧分割，或直接以定时拍照的方式采集大量的图片数据，然后对图片中鱼类在各区域的分布情况进行手动统计，当实验时间较长时，获取的图片数量往往达到数千张甚至数万张，人工统计费时费力且效率低下，如图1所示本发明提出的基于机器视觉的鱼群位置偏好行为量化方法采用机器视觉原理，能够实现视频帧分割—鱼体目标检测—图像降噪—鱼体坐标输出—数据处理与图形绘制等多步骤的集成化处理，便捷高效，如上述实验案例中对青鱼光照偏好行为的测试，实验时长为5分钟，视频采集总帧数达9000帧，帧分割后获取的有效图像数据也达1500张，但采用本发明的方法对所有鱼体目标进行检测、识别、位置确定及图像绘制，总耗时仅为1分钟，若计算机搭载高性能图形处理器(gpu)，耗时还可进一步缩短，效率远远高于传统的行为参数统计量化方式，大大提高了包括鱼类在内的动物行为学实验数据的量化效率。

51、(2)通过本发明，实现了可同时进行多个鱼体目标的检测和位置识别，当前已有部分基于图像二值化技术对简单背景下目标的识别方法，但大部分仅能进行单一目标的检测和识别，本发明提出的目标区域像素面积降序排列取值方法能够实现对多个目标的识别和位置检测，大大提高了本技术在动物行为学领域的应用范围，如图2和图3所示，可同时对5条目标鱼体进行孔洞填充和位置坐标的检测识别，并生成逻辑判别数据。

52、(3)通过本发明，实现了鱼群位置偏好行为参数的统计更加精准客观，采用人工计数的方式对鱼群位置偏好行为进行数据量化时，往往容易出现主观的偏差和误判，如当鱼体刚好位于偏好区域的边界线上时，对其归属区域做出的判别决定可能会因人而异，导致得出的数据结果主观性较强，本发明提出的基于机器视觉的鱼群位置偏好行为量化方法在对鱼体位置进行确定时，以鱼体的几何中心点为鱼体位置依据，基于点、线、面的相对位置进行判断，对鱼体的归属判别更为客观和准确，避免了人为主观误差。

53、(4)通过本发明，实现了鱼群位置偏好行为的数据挖掘和展现形式更加多元，以往基于鱼类群体的区域偏好行为测试由于主要依赖人工计数，得出的数据类型较为单一，一般仅可得出某个偏好区域在整个实验期间的鱼类出现总频次，图表展示类型也往往仅能呈现出条形图或单一饼形图，本发明提出的基于机器视觉的鱼群位置偏好行为量化方法对鱼群行为参数数据的挖掘和展现形式更为多元，除图3所示传统的偏好区域鱼类出现总频次等数据外，还可如图4所示，自动绘制出每条鱼整个试验期间在试验区域中的分布情况，并以不同的数据标记类型对不同偏好区域内的出现情况进行区分，同时如图5所示，还可自动计算出每条鱼整个试验期间距离特定偏好区域几何中心的距离，并绘制出该距离随实验时间的变化图，这些多元化的数据类型是传统的人工统计方法难以做到的。

54、以下将结合附图与具体的实施例对本发明进行详细的解释说明。