基于KPCA 的多特征融合的支持向量機魚群攝食行為檢測研究

袁超，朱瑞金

（西藏農牧學院電氣工程學院，西藏 林芝 860000）

目前，水產養殖朝著工廠化、規模化的趨勢發展，但是隨著工廠化養殖規模的快速擴張，魚類喂食還是比較原始的利用人工或者定時機械喂養模式，而這兩種喂養模式存在著較大弊端，例如人工喂養和定時機械喂養經常忽略魚類的覓食需求以及外界的環境條件，從而造成過度喂養或者喂養不足的情況。過度喂養會造成養殖水質的惡化以及飼料成本的增長，而喂養不足會造成魚類的生長緩慢。因此，對于魚類的攝食行為的科學化、精細化研究是勢在必行的，通過對魚類攝食行為的科學研究不僅可以優化魚類飼料的利用率，同時可以大幅度改善養殖水質。所以對于魚群攝食活動的科學研究具有重大的意義。

隨著人工智能技術的飛速發展，機器視覺技術目前應用在各個領域，機器視覺利用攝像頭充當人的眼睛，利用圖像處理等算法軟件來模擬人類的大腦進行思考分析，從而給出決策。基于機器視覺的魚類攝食行為分析研究是一種無接觸、全天候、實時性很強的一種技術，通過攝像頭連續不斷地對魚群的視頻圖像進行圖像處理分析，從而可以科學地對魚群的攝食行為進行檢測分析，利用檢測分析出來的數據進行計算從而給出決策，利用該決策可以科學地對投餌時間進行判斷，從而科學有效地優化飼料的利用效率。利用圖像處理對養殖魚群的攝食行為進行分析的前提條件是對魚的位置進行檢測標定，但是養殖區域的魚群經常會存在相互遮擋并且運動混亂的情況，因此對于魚群的運動軌跡量化分析就存在較大的困難。為了解決這一問題，該文提出了將循環養殖的魚群的圖像數據進行整體分析研究的思路，利用魚群在不同的狀態下圖像的顏色與紋理特征的差異較大等特點，首先對魚群活動圖像進行同態濾波，對濾波后的圖像分別提取顏色與紋理特征，然后利用KPCA 對顏色和紋理特征進行融合降維，從而加快了檢測識別速度，最后將融合降維后的數據送入SVM 分類識別器進行魚群攝食行為識別。

1 材料與方法

1.1 魚群活動分析試驗材料的獲取及設備

該文搭建了魚群養殖的循環系統，攝像機架設在養殖槽的正上方1 m 處，從而可以對魚群的運動情況進行清晰拍攝，攝像機將拍攝到的清晰視頻圖像直接傳輸到計算機上，計算機對傳輸過來的視頻每次間隔1 s 截取一幀圖像進行實時存儲，圖像存儲格式為BMP 格式。

該文對養殖魚群的活動分析是基于自制的圖像數據集，該數據集總共有1400 張圖像，其中魚群未攝食的自由活動狀態和魚群攝食中的運動狀態圖像分別為700 張。具體的采集示意圖以及采集的圖像素材分別如圖1、2 所示。

1.2 整體算法流程

該文算法流程如圖3 所示，由于圖像數據在采集過程中水槽的水面容易受到陰影以及燈光的干擾等影響，導致后續的處理難度增大，為了解決這些干擾問題，該文利用同態濾波算法進行圖像濾波，然后分別計算魚群圖像的紋理特征以及顏色特征，將以上兩類提取出來的特征經過KPCA 算法進行特征融合降維處理，從而減少了數據維度，加快了檢測識別速度。最后將降維融合后的特征送入SVM識別系統對魚群的攝食活動進行檢測識別。

2 魚群圖像處理

2.1 圖像濾波預處理

由于在拍攝過程中的燈光分布不均勻而導致魚群活動圖像后續處理比較困難，因此該文使用同態濾波對圖像進行濾波處理。基于照明—反射模型算法的同態濾波預處理可以有效地消除圖像上的光照分布不均勻現象，該算法在增強圖像暗區細節的同時也不會損失亮區的圖像細節。

基于照明—反射模型的算法數學表達式如式（1）所示：

上式中，i(x,y)是照明函數數學表達式，反射函數用r(x,y)表示。

對公式（1）兩邊分別進行取對數操作，可以得到式（2）：

式（2）經過傅里葉變換以后可以得到式（3）：

經過傅里葉變換后的式（3）中z(u,v)、I(u,v)及R(u,v)分別為式（2）中的z(x,y)、ln i(x,y)及ln r(x,y)的傅里葉變換結果。

對式（3）按照低頻段進行削弱，高頻段進行增強的處理原則進行處理，其數學表達式如式（4）所示：

式（4）中，傳遞函數表達式為H(u,v)。

針對一張魚群活動圖像進行相應的算法處理，假設該圖像的尺寸為M×N，其相對應的傳遞函數H(u,v)的數學表達式為：

式（5）中，D0為截止頻率。

魚群活動圖像經過同態濾波以后的效果圖如圖4 所示。

由圖4 可以明顯地看出經過同態濾波后的魚群活動圖像中的光照不均勻的現象明顯得到改善。

2.2 魚群圖像的特征提取

經過對魚群圖像預處理后，需要提取魚群圖像的相關區域的像素特征屬性來作為后續的分類識別器的訓練以及測試數據。該文分別提取魚群圖像的顏色特征以及紋理特征。

2.2.1 顏色特征

魚群在未攝食狀態與攝食狀態時的運動情況是不同的，導致相對應的顏色特征也是變化的，該文在提取顏色特征時分別獲取到魚群圖像的R、G、B 分量和H、S、V 分量的均值、方差、偏度、峰值、能量、熵等36 個特征值，具體的計算公式如式（7）所示：

式（7）中p（b）是代表圖像的灰度級，s 為圖像面積，b是灰度像素平均值是b 的平均值，bk是偏度，bF是峰值，bN是能量，bE是熵。

2.2.2 紋理特征提取

魚群在各個活動階段的圖像紋理具有較大差異，因此利用魚群活動的圖像紋理特征進行魚群攝食活動檢測識別是一種有效的特征。灰度共生矩陣是一種成熟而且經典的紋理特征，該特征可以有效地表征魚群活動灰度圖像中的方向、變化幅度以及相鄰間隔等圖像的多種特征。

灰度共生矩陣的具體定義為在一幅圖像中，位于方向θ 上的兩個相距d 的像素點的灰度值為i 和j 的概率分別為P（i,j;d,θ）。在圖像中位于坐標為（x,y）的點的像素灰度值為f（x,y），圖像的灰度級表示為L，圖像的行列維度分別為Lr，Lc。

根據以上定義，圖像存在兩個像素點，分別為：f（x,y）=i 和f（x',y'）=j，以上兩個點在0°、45°、90°、135°四個方向上的灰度共生矩陣為：

上述式子中，#代表集合中元素的個數。同時，利用公式（12）對灰度共生矩陣進行歸一化處理，R 是歸一化參數。

該文擬提取的灰度共生矩陣特征分別為：角二階矩、逆差分矩、對比度以及熵。

①角二階矩

②對比度

③逆差分矩

④熵

根據對以上公式的總結分析可以得知，同一張圖像在方向、灰度等級、像素之間的距離不同就會提取到不同的灰度共生矩陣特征，為了快捷準確地計算紋理特征，該文設置灰度級為10 級（0—9），距離設置為15，方向設置為0°、45°、90°、135°等四個方向。因此，該文會得到角二階矩、對比度、逆差分矩以及熵這四個特征統計值作為紋理特征來描述魚群攝食活動中的圖像特征量。

2.3 基于KPCA 算法的圖像特征融合

通過KPCA 算法可以將輸入空間的樣本數據利用非線性映射ψ 映射至高維特征空間，然后再進行主成分分析處理。

假設樣本數據為x1, x2...xn，同時均值為零，特征空間的協方差矩陣如式（17）所示：

利用上式計算出來矩陣C 后，對該矩陣進行特征矢量分析，其中特征值是λ，v 為特征向量，由此可得式（18）：

式（19）中K=(kij)n×n是核矩陣。

當nλα=Kα 時，同時K 的特征值滿足λ1≥λ2≥...λn的條件，同時特征向量表達式為a1,a2...an，則樣本數據x 的第k 個非線性主元表達式為：

當映射數據的均值不滿足為零的條件時，利用式（21）做中心化操作步驟：

其中，An=(aij)n×n, aij=1/n。

該文在采用KPCA 算法時所采用的核函數為徑向基函數，當可以將原始的特征數位維度從52 降維至9。

3 試驗及結果分析

3.1 具體試驗步驟

第一，對魚群活動樣本圖像進行同態濾波等預處理；第二，圖像經過預處理后分別提取顏色及紋理特征；第三，當顏色和紋理特征提取出來以后，利用KPCA 算法進行特征融合以及數據降維；第四，融合降維后的特征數據送入SVM 分類器進行魚群活動動態的分類識別。

3.2 支持向量機（SVM）理論與參數選取

SVM 算法于1995 年提出，該算法適用于小樣本、非線性以及高維模式識別問題。SVM 分類器的本質算法就是通過非線性變換將原始特征的數據空間映射到高維空間，從而在高位空間尋求最優的分類面。支持向量機（SVM）的具體計算步驟為：

第一，提取待分類識別數據的特征；

第二，確定一個核函數，利用該核函數對樣本數據的空間轉換至一個高維度的RKHS（Reproducing kernel Hilbert space）空間；

第三，在高維度空間中構建最優分類超平面，從而構造SVM 學習機，將訓練輸入SVM 學習機對模型進行訓練學習；

第四，利用訓練好的SVM 模型對測試數據進行分類識別，從而得到SVM 識別結果。

在構建SVM 分類器的過程中，核函數有徑向基核函數RBF、多項式核函數以及sigmod 函數等。由于利用徑向基核函數RBF 在對輸入數據進行高維空間非線性映射的過程中，映射轉換的誤差是比較小的，因此，該文選擇徑向基核函數RBF 進行空間映射轉換。SVM 數學模型以及所對應的決策函數如式（22）（23）所示：

該文設置SVM 分類識別器的相關參數為：σ2=0.6。

該文為了加快魚群活動狀態的檢測與識別，利用KPCA 對提取出來的特征進行融合并數據降維。為了呈現出一個比較直觀的比較結果，本文用未進行KPCA 數據降維的數據送至SVM 進行分類識別，另外用基于KPCA 算法進行降維后的數據送至SVM 算法進行分類識別，具體的識別效果參數如表1 所示。從表1 可以得知，雖然利用KPCA+SVM 進行數據降維后的識別準確率相較于原始SVM 的識別準確率有所下降，但是識別速度大大提高，并且KPCA+SVM 模型的識別準確率還是達到了比較令人滿意的95.82%。

表1 SVM 算法與該文算法運行時間對比

4 結論

該文提出了一種基于多特征利用KPCA 算法進行數據融合以及降維的支持向量機（SVM）算法的魚類攝食行為檢測識別的算法。該算法首先通過同態濾波等預處理操作來削弱圖像拍攝過程中所產生的噪聲以及燈光分布不均勻等問題，分別提取顏色與紋理特征，然后利用KPCA 對顏色和紋理特征進行融合降維，從而加快了檢測識別速度，最后將融合降維后的數據送入SVM 分類識別器進行魚群攝食行為識別。由試驗結果可知，該文所提出的算法不僅識別速度快同時識別的準確率較高，因此該文算法可以實時有效地對魚群攝食活動進行檢測識別。