基于DIDSON的魚群數量統計算法

簡夏　劉軍清

【摘 要】雙頻識別聲納（DIDSON）可以在黑暗渾濁的水下獲得清晰的視頻影像。對雙頻識別聲納的魚群視頻進行基于智能視覺的魚群數量統計，可高效、準確的評估該水域的漁業資源[1]。提出了一種簡單可靠的統計方法：首先通過改進的目標檢測算法檢測魚體并統計每幀魚體數量；其次將視頻分成多個部分并對各部分的魚體數量進行統計；最后將各個部分的統計值累計得到整個圖像序列的魚群數量。實驗結果表明本文提出的魚群數量統計結果比DIDSON二次開發軟件的統計結果更準確，且滿足實時性需求。

【關鍵詞】雙頻識別聲納；魚群檢測；鬼影抑制；背景差分

【Abstract】The dual-frequency identification sonar （DIDSON） can get clear videos from cloudy and dark underwater. Useing intelligent visual statistics can be efficient and accurate assessment of fishery resources in the waters.In this paper，we propose a simple and reliable statistical methods： first， via algorithm of improved target detection to detect fishes； next， dividing the video into multiple parts， and count the number of fish in every parts， finally accumulate every parts statistics to the entire image sequence. Experimental results show that the proposed statistical methods has a out-standing advantage in counting fish.

【Key words】Dual-frequency identification sonar； Fish detection； Ghosting suppression； Background subtraction

0 前言

聲納視覺感知屬于計算機視覺和人工智能的重要分支，在水下潛水器系統中具有不可替代的作用。近年來，水下聲納技術被廣泛應用到魚群探測、資源勘探、水下管道探測以及水底天然氣監測等領域。聲納圖像由于聲信息傳輸的復雜性，在多數情況下目標信息會淹沒在信道、背景等噪聲中。隨著信息技術的飛速發展，聲納數據處理的方法也隨著科學技術的發展而不斷改進。魚群統計對于水下養殖以及珍貴魚類保護具有重要的應用價[2-3]。2003年Moursud[4]等利用雙頻識別聲納觀測了魚群游過水電站魚道的情況，2004年Maxwell[5]等驗證了用雙頻識別聲納在渾濁水域中評估洄游大馬哈魚的數量，2006年Everitt[6]等利用雙頻識別聲納對密蘇里河漁業進行管理。Han[7]等用雙頻識別聲納做了洄游魚類以及養殖的大型魚類的尾數、體長自動計數、測量的研究，能夠自動精確地計算出魚的尾數和體長。董劍鋒[8-9]等對雙頻識別聲納圖像處理進行了初步研究，并運用到香魚計數上。上述方法主要是針對魚群進行大致的統計分析，缺乏較為準確的定量分析。已有研究表明，利用DIDSON視頻進行魚群各種應用，其關鍵是魚群檢測方法的精度[10]。

1 傳統目標檢測算法魚群檢測結果

與光學圖像相比，聲納圖像本身的信息小于隨機噪聲信息，因此將光學圖像的目標檢測算法直接應用于聲納圖像目標檢測時效果不理想。圖1分別為幀間差模型、平均背景法模型、高斯混合模型、CodeBook背景模型、背景差分法直接用于聲納圖像目標檢測的效果圖。

由圖可知，由于聲納圖像隨機高斯噪聲含量大，幀間差模型檢測結果最差；平均背景模型、高斯混合模型和CodeBool背景模型的檢測結果含有大量孤立噪聲點且魚體輪廓含有大量毛刺；背景差分法檢測結果中含有鬼影。

2 本文魚群檢測算法

本文充分利用聲納圖像噪聲特性和魚體亮度統計特性，在背景差分法基礎上提出了一種DIDSON魚群目標檢測及鬼影抑制方法。具體思路：首先采用背景差分法初步尋找可能出現的魚體目標點；利用聲納特性，對初步檢測的魚體目標點進行鬼影判斷去除鬼影；最后采用形態學開閉運算去除孤立噪聲點。

2.1 背景差分理論

背景差分工作原理：設背景模型為M（x）={v1， v2， …， vN}，其中N個樣本值均為已被判斷為背景的像素值。記v（x）為x點處的像素值，設定閾值R，計算{v（x）-R， v（x）+R}區間內與樣本模型M（x）相交的樣本值個數，若數值大于預設的某個最小值，則將當前像素點x的像素值v（x）判斷為背景，否則為前景。

初始化：利用相近像素點具有相近的時空分布特性，用一幀圖像填充樣本集。其優點在于：對噪聲比較靈敏、計算量小、速度快，可以很快的進行運動物體檢測。更新策略：每一個背景點有1/φ的概率更新背景模型樣本集，同時也有1/φ的概率去更新其它的鄰居點的背景模型樣本集。當前景點計數達到臨界值時，將其變為背景，并有1/φ的概率背景模型樣本值。

由于背景差分采用一幀建模，如果模型初始化時出現目標，會將前景目標點誤判為背景。當前景目標點離開后，當前像素值無法與背景樣本集匹配，導致背景像素點被錯誤地檢測為前景點形成鬼影，嚴重影響后續的跟蹤或識別。

2.2 鬼影抑制

通過對DIDSON數據圖像的特性分析可知聲納圖像中的魚體目標屬于高亮區域，且背景區域中僅有少量的波紋信息是屬于高亮區域的。因此本文基于此特性提出了鬼影抑制方法。其基本思想：對已預處理的視頻采用背景差分法初步尋找出當前幀中的前景目標；然后對這些前目標景的像素值作進一步判斷，若此像素點的像素值大于閾值T，即判斷為前景，否則認為是鬼影并判斷為背景，同時更新背景模型。

2.3 實驗結果分析

本實驗將本文的目標檢測方法與其它經典檢測算法，針對小魚群和大魚群檢測性能進行對比分析。實驗環境配置為matlab2009a，內存8GB，處理器為Intel Core i5-3470 3.20GHz、聲納視頻幀率為8 fps。大魚群檢測結果如圖2所示。

如圖2，CodeBook算法檢測出的目標邊緣模糊，且存在大量的誤檢像素。背景差分法存在嚴重的鬼影現象（圖2中第3行白色橢圓標記的魚體為鬼影），鬼影在第139幀以后也未消失。而本文提出的算法在第28幀之前，鬼影已消失，整體檢測性能明顯優于CodeBook算法和背景差分算法。同時本文算法在魚體較小的情況下，其檢測效果同樣較好。

3 魚群數量統計

3.1 魚群數量統計方法

本文單幀魚群數量統計流程：魚群目標檢測后的圖像中任然還有一個小面積的連通域，這些小面積的連通域并不是魚體而是一些干擾物，因此在進行單幀數量統計之前需要消除面積較小的連通域。首先去除面積較小的連通域，然后統計這一幀圖像中連通區域的個數，既可以得到一幀中的魚體個數。

從圖中可以看出，本文算法對單幀魚體數量統計基本準確，但是對于即將消失的魚體和即將出現在聲納視野中的魚體檢測結果較差、不夠精確。由于將消失的魚體其回波較弱，在圖像上反應忽明忽暗，容易被漏檢。其次大魚在游動的過程中會產生大量水波，劇烈的水波也會被誤檢成魚體。

采用本文所示方法對many fish.avi圖像序列進行魚群數量統計，整個視頻一共有162幀，目測整個圖像序列一共游過了16條魚。通過本文的檢測結果N=16，其中m取得40；通過DIDSON二次開發軟件檢測的結果如圖4所示；本文單幀檢測結果見表1。

如圖4所示，DIDSON二次開發軟件檢測出的魚群數量為9。通過本文算法檢測出的魚體數量為16，與DIDSON二次開發軟件檢測的結果更準確。其中表1 展示了本文算法在many fish.avi圖像序列從第1幀到第27幀的單幀檢測結果。

采用本文提出的方法對Kenai3-12manyfishnoshad.avi圖像序列進行魚群數量統計，整個視頻一共有790幀，目測整個圖像序列一共游過了87條魚。通過本文的檢測結果N=72條，其中m取得40；通過DIDSON二次開發軟件檢測的結果如圖5所示。

如圖5所示，DIDSON二次開發軟件統計的魚群數量為42條。由此可以看出DIDSON二次開發軟件在對體長較小的魚統計數量效果較差。本文的統計結果更接近真實結果。

4 結論

由于聲納圖像的含有大量噪聲信息，采用光學圖像的目標檢測算法不能滿足聲納圖像目標檢測的要求。針對這個問題，本文提出的目標檢測方法在保留背景差分法優勢的同時能快速抑制鬼影。其次再魚群統計算法上，本文提出了一種簡單的統計方法：在基于精確的魚群檢測上，統計魚群數量；實驗結果表明，本文提出的魚群數量統計結果比DIDSON二次開發軟件的統計結果更準確，且滿足實時性需求。

【參考文獻】

[1]張進.基于雙頻識別聲納DIDSON的魚群定量評估技術[D].上海：上海海洋大學，2012.

[2]SHEN W， YANG L， ZHANG J， et al. The survey of fishery resources and spatial distribution using DIDSON imaging sonar data [C]//IFIP 2013： International conference on the Advances in Information and Communication Technology. New York， US： Springer Press， 2013： 366-375

[3]譚細暢，史建全，張宏.EY60回聲探測儀在青海湖魚類資源量評估中的應用[J].湖泊科學，2009，21（6）：865-872.

[4]Melvin，G， Li. Y. Mayer，L and Clay，A. The development of an automated sounder soanr acoustic logging system for deployment on commercial fishing vessel[Z].ICES CM，1998：14.

[5]Misund，O.A.Aglen，Aand Fronaes，E.Mapping the shape，size （下轉第86頁）（上接第13頁）and density of fishs chools by echo integration and a high-resolution sonar[J]. ICES J. Mar. Sci，1995，52：11-20.

[6]Maxwell，S.and Gove，N.The Feasibility of Estimating Migrating Salmon Passage Rates in Turbid Rivers using a Dual-Frequency Identification Sonar （DIDSON）.Regional Information Report No.2A04-05[R].Alaska Department of Fish and Game，March 2004.

[7]Everitt，D.Adams，J.and Mestl，G.Using DIDSON technology to observe the ecology and behavior of Missouri River fishes[C]//Proceedings of the 67th Midwest Fish and Wildlife Conference.Omaha.Nebraska，Dec 6-10，2006.

[8]童劍鋒，韓軍，沈蔚.聲學攝像儀圖像處理的初步研究及在漁業上的應用[J].湖南農業科學，2010，17.

[9]童劍鋒，韓軍，淺田昭，溝口雅彥.基于聲學攝像儀的溯河洄游幼香魚計數[J].漁業現代化，2009，36.

[10]AYKIN M D， NEGAHDARIPOUR S. Forward-look 2-D sonar image formation and 3-D reconstruction [C]// IEEE Oceans Conference. San Diego， IEEE Press， 2013：23-27.

[責任編輯：湯靜]