基于视频监测的鱼类运动跟踪研究

论文摘要

以鱼类为主要研究对象的生物监测技术越来越成为水体环境保护的主要发展方向,它主要是通过实时监测、分析生物个体或群体的行为或运动情况,及时的预报防范水体环境污染。借助于当今发展最快速的计算机技术以及计算机视觉技术的普及,本文进行了基于视频监测的鱼类运动跟踪研究。作为水体环境保护研究的基础——鱼类运动跟踪研究,即准确快速的捕捉、跟踪并监测鱼类运动目标,是该研究领域的重要方法。视频目标分割和跟踪是利用视频监测技术进行本课题研究的关键步骤,是对鱼类运动视频进行监测、目标捕捉及行为分析的基础。本文分别从视频目标分割和视频目标跟踪两个方面进行算法优化,提高运算效率,增强适用性,完成视频目标的检测、提取、分割和跟踪。在视频目标分割中,本文提出了基于标记的多尺度分水岭目标分割算法,继承了传统分水岭算法简单、分割快速的优点,采用多尺度形态学处理优化目标轮廓,并结合标记的方法克服了过分割现象,精确的进行目标提取及分割。基于视频理论的运动目标跟踪算法很多,但目前仍然没有通用的。本文提出了基于边缘多值的加权Hausdorff跟踪算法,将目标边缘二值转换为多值再用来分配权重,克服了传统Hausdorff易受随机噪声干扰的不足,突出目标,并定义目标模板更新,实现准确快速的跟踪目标。在鱼类视频跟踪实验中,本文通过单鱼、双鱼视频序列对提出的视频目标分割和跟踪算法进行验证,并从时间性能和跟踪精度两方面分析反映了本文算法的有效性及适用性。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题研究背景及意义
• 1.2 研究现状及应用
• 1.2.1 鱼类行为监测
• 1.2.2 监测常用技术
• 1.2.3 视频目标分割
• 1.2.4 视频跟踪
• 1.3 论文主要研究内容
• 第2章 鱼类视频跟踪关键技术
• 2.1 视频监测基本理论
• 2.1.1 图像工程
• 2.1.2 二值形态学理论
• 2.2 鱼类视频目标分割
• 2.2.1 基于时空分割算法
• 2.2.2 基于运动分割算法
• 2.2.3 基于变化检测算法
• 2.2.4 基于模型算法
• 2.3 鱼类视频跟踪
• 2.3.1 基于区域的跟踪
• 2.3.2 基于特征的跟踪
• 2.3.3 基于模型的跟踪
• 2.4 本章小结
• 第3章 基于改进分水岭算法的视频目标分割
• 3.1 分水岭算法
• 3.2 基于标记的多尺度分水岭算法
• 3.2.1 运动检测
• 3.2.2 改进最小Tsallis 交叉熵
• 3.2.3 多尺度形态学梯度
• 3.2.4 基于标记的分水岭分割
• 3.3 算法实验
• 3.3.1 运动检测实验
• 3.3.2 基于标记的分水岭分割实验
• 3.4 本章小结
• 第4章 基于边缘多值的加权Hausdorff 跟踪
• 4.1 常用视频跟踪算法
• 4.1.1 匹配算法
• 4.1.2 形心算法
• 4.1.3 Kalman 滤波模型
• 4.1.4 活动轮廓线模型
• 4.2 Hausdorff 跟踪
• 4.2.1 Hausdorff 距离
• 4.2.2 几种常用的改进Hausdorff 距离算法
• 4.3 基于边缘多值的加权Hausdorff 跟踪算法
• 4.3.1 运动目标估计
• 4.3.2 基于边缘多值的权值分配
• 4.3.3 模板更新
• 4.4 算法实验
• 4.4.1 基于边缘多值的加权Hausdorff 跟踪
• 4.4.2 视频序列目标跟踪
• 4.5 本章小结
• 第5章 鱼类视频跟踪实验
• 5.1 实验环境
• 5.2 单鱼运动跟踪实验
• 5.3 双鱼运动跟踪实验
• 5.4 实验分析
• 5.5 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间承担的科研任务与主要成果
• 致谢
• 作者简介