一种基于机器视觉的鱼类群体位置偏好行为量化方法技术

本发明专利技术公开了一种基于机器视觉的鱼类群体位置偏好行为量化方法，属于动物行为学的技术领域，包括以下步骤：S1定义测试区域、S2鱼群行为测试和影像记录、S3鱼群行为影像帧分割、S4鱼群行为影像二值化、S5鱼群行为影像降噪处理、S6鱼群目标位置确定、S7鱼群在各区域分布情况分析、S8鱼群与各区域顶点最近距离计算、S9鱼群与各区域几何中心距离计算，通过本发明专利技术，实现了能够直接对鱼群行为测试产出的视频影像数据进行读取和量化分析，显著提高生境偏好、流速偏好、照度偏好等鱼群区域偏好行为数据的统计和量化效率，降低人为统计数据时产生的误差和主观偏差。的误差和主观偏差。的误差和主观偏差。

【技术实现步骤摘要】
一种基于机器视觉的鱼类群体位置偏好行为量化方法


[0001]本专利技术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。

技术介绍

[0002]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。
[0003]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

[0004]本专利技术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，具体地本专利技术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
技术介绍
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。
[0005]本专利技术解决上述技术问题采用的技术方案为：
[0006]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：
[0007]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X
f
、Y
f
及横纵坐标区间X
range
和Y
range
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：
[0008]X1(x
11
、x
12
、x
13
…
x
1n
)
[0009]Y1(y
11
、y
12
、y
13
…
y
1n
)
[0010]区域二的坐标设置为：
[0011]X2(x
21
、x
22
、x
23
…
x
2n
)
[0012]Y2(y
21
、y
22
、y
23
…
y
2n
)
[0013]以此类推，第n个区域的坐标设置为：
[0014]X
n
(x
n1
、x
n2
、x
n3
…
x
nn
)
[0015]Y
n
(y
n1
、y
n2
、y
n3
…
y
nn
)
[0016]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
[0017]N
坐标
＝N
顶点
+1；
[0018]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；
[0019]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：
[0020]N
frame
＝N
total
/IFS
[0021]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B
Thd
，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；
[0022]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S
Thd
，删除二值图像中相互连接像素个数小于S
Thd
的目标对象，实现图鱼群行为影像的降噪；
[0023]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：
[0024]S
max
>S
second
>S
third
>S
foruth
…
S
min
[0025]抽取其中最大的前N个数据S
max
、S
second
、S
third
…
S
N
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；
[0026]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X
n
、Y
n
，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：
[0027]假设某偏好区域各顶点的集合为Z(z1、z2、z3…
z
n
)，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)|}；
[0028]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；
[0029]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X
n
、Y
n
，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，具体计算方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器视觉的鱼类群体位置偏好行为量化方法，其特征在于，包括以下步骤：S1定义测试区域，包括身体试验区域和各个偏好区域，对整个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X
f
、Y
f
及横纵坐标区间X
range
和Y
range
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，区域一的坐标设置为：X1(x
11
、x
12
、x
13
…
x
1n
)Y1(y
11
、y
12
、y
13
…
y
1n
)区域二的坐标设置为：X2(x
21
、x
22
、x
23
…
x
2n
)Y2(y
21
、y
22
、y
23
…
y
2n
)以此类推，第n个区域的坐标设置为：X
n
(x
n1
、x
n2
、x
n3
…
x
nn
)Y
n
(y
n1
、y
n2
、y
n3
…
y
nn
)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N
坐标
＝N
顶点
+1；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)为25
‑
35帧/秒；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：N
frame
＝N
total
/IFS；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B
Thd
，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；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S
Thd
，删除二值图像中相互连接像素个数小于S
Thd
的目标对象；S6鱼群目标位置确定，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：S
max
>S
second
>S
third
>S
foruth
…
S
min
抽取其中最大的前N个数据S
max
、S
second
、S
thi...

【专利技术属性】
技术研发人员：邱宁，彭士涛，贾建娜，马国强，段鑫越，史奇让，梁宝翠，
申请(专利权)人：交通运输部天津水运工程科学研究所，
类型：发明
国别省市：