基于改进主成分分析和AdaBoost算法的运动虾苗识别方法

刘世晶，王 帅，陈 军，刘兴国，周海燕

（中国水产科学研究院渔业机械仪器研究所，上海 200092）

基于改进主成分分析和AdaBoost算法的运动虾苗识别方法

刘世晶，王 帅，陈 军※，刘兴国，周海燕

（中国水产科学研究院渔业机械仪器研究所，上海 200092）

针对虾行为量化过程中运动虾苗较难检测与识别的问题，该文以南美白对虾虾苗为例，提出了一种基于改进主成分分析(principal component analysis,PCA)+AdaBoost算法的运动虾苗自动识别方法。在室内自然光条件下，利用工业相机采集承装容器中虾苗的灰度图像。提取图像中大小为100×100像素的不同运动状态的虾苗图像，首先使用改进PCA算法进行主成分分析，并进行特征提取。根据特征参数的分布情况，对其进行归一化处理，利用归一化的特征构建多个弱分类器，利用Adaboost方法将弱分类器构建成强分类器。最后，利用强分类器对运动虾苗进行识别。试验结果表明，在150幅不同运动状态虾苗测试样本中，基于改进 PCA+Adaboost方法的识别正确率 98%，平均每个样本识别时间为0.027 898 s，满足行为量化中的自动识别要求。

图像识别；识别；算法；运动虾苗；改进PCA；AdaBoost；行为量化

0 引 言

虾类行为是虾类对内外环境改变时的外在反应[1]，开展虾类行为量化研究对促进养殖方式改进和养殖技术提升具有积极作用[2]。在虾类行为量化研究过程中能否有效区分虾与背景是决定虾类行为研究成败的关键因子，而虾苗因体型较小、身体透光性强等特点又是虾检测和识别中的难点。

目前运动虾苗识别乃至虾的行为研究主要使用人工观测法，但人工观测由于其定性观测的特性，导致观测标准很难统一，结果很难量化。机器视觉技术因其非接触、高精度、可量化的优点目前已逐渐应用于动物自动识别研究领域[3]。迄今为止，尚未看到有关运动虾苗检测与识别研究的相关报道，但是已有一些学者利用机器视觉技术开展其它水生动物的行为检测与识别研究[4-5]。在运动目标检测方面，Kato等[6]使用光流法实现了基于二维图像的金鱼自动监测与行为识别；徐盼麟等[7]利用单目视觉技术，结合 I MMJPDA算法实现的鱼类行为的立体观测，观测结果为基于时空坐标鱼类行为识别与量化提供了参考方法；Vassilis 等[8]利用帧间差分法构建了针对鱼群的快速检测与识别系统，该系统可实现快速监测和量化鱼群行为；朱佩儒[9]使用了基于检测的鱼群跟踪算法和跟踪斑马鱼轮廓的跟踪算法解决了斑马鱼群互相交错的问题；在静态目标识别与检测方面，李贤等[10]利用颜色空间相关性实现了大菱鲆幼鱼体色监测与识别。徐建瑜[11]研究了尼罗罗非鱼在不同水质状态下体色，初步形成了尼罗罗非鱼的体色识别与量化方法。谢瑜等[12]使用边缘检测算法实现了斑马鱼卵细胞的识别。吴一全等[13]使用基于蜂群优化多核支持向量机实现了5种淡水鱼的识别。王斌等[14]利用Haar-like特征检测蟹类的蜕壳行为，在有沙背景下识别准确率达到79.5%。

上述方法主要是采用基于典型特征或者帧间差分的运动物体识别算法，适用于目标特征明显，易分割的试验条件，针对虾苗识别主要存在以下问题：1）对于基于典型特征目标识别方法，由于算法在识别前需要明确找到物体的典型特征信息，使得算法在失真图像的识别上很难准确定位特征位置，而运动虾苗特别是剧烈运动的虾苗，图像失真较为严重，导致很多明显的外形信息丢失，因此很难直接利用典型特征对虾苗进行识别；2）对于帧间差分法，由于算法本身是通过计算两帧图像之间的灰度差来定位运动图像，因此需要被识别物体与背景差异明显且图像失真较少，使得差分后的图像具有典型的外形特征，针对虾苗图像，由于虾苗身体透光性和运动失真影响，帧差后的图像虽然会产生像素差异，但是不同差异相关性并不明显，很难有效找到固定参数量化差异。

综上所述，目前针对运动水生动物识别研究大都集中在鱼类领域，面向虾的研究特别是虾苗研究较少，且传统方法并不适用于虾苗识别研究。针对这种情况，本文提出了一种基于改进主成分分析法(principal component analysis,PCA)+ AdaBoost方法的运动虾苗识别技术，该方法实现了运动虾苗自动识别，且识别精度和运行效率满足行为量化研究中的自动识别要求，为进一步的虾类行为研究提供了技术支撑。

1 材料与方法

1.1 虾苗图像

试验采用的虾苗为南美白对虾，购买于通威海南海壹水产种苗有限公司，虾苗体长均约为1 cm。

试验设备主要包括：工业CCD数字相机、矩形玻璃皿承装容器（规格为20 cm×20 cm×3 cm）、相机固定支架（可以上下移动相机）、台式电脑等（如图1所示）。试验设备的具体参数见表1。

表1 试验设备参数Table 1 Parameters of experimental equipments

图1 试验设备Fig.1 Experimental equipment

虾苗图像采集过程为：1）上下移动固定支架的臂手调整相机的垂直高度，使玻璃承装容器完全包含在相机取景范围内设置固定相机；2）为保障试验的成像质量，适当地调整相机的角度，使相机的镜头和水平面近似垂直；3）在室内正常光照强度下进行取样，相机设置为自动调节焦距与光圈，自动白平衡。利用采集的虾苗，构建待识别运动虾苗样本，样本图像如图2所示。其中图2a为静止或运动缓慢虾苗图像、图2b为运动激烈虾苗图像。

图2 虾苗图像Fig.2 Larval shrimps images

从图2中能够看到采集到的虾苗图像拥有以下3个显著特点：1）运动虾苗图像失真，丢失了虾苗眼睛、体长等关键外形信息；2）虾苗体征特点导致成像模糊。由于虾苗身体较强的透光性，尤其是躯干和尾部的成像近乎和背景融为一体，虾苗运动时这部分特点导致虾苗图像成像模糊，很难直接构建虾苗外形特征；3）虾苗背景的图像光照不均匀。在室内开放的环境下，拍摄的时间与地点不同，由此产生了不同角度的入射光，以此造成了虾苗图像背景的不同，增加识别难度。

1.2 研究方法

1.2.1 改进PCA算法

主成分分析法是模式识别中的一个线性监督分析法，主要是基于变量协方差矩阵对原始信息进行压缩和提取处理。PCA是将多元的信息线性变换（降维、简化、重排）为少数的几个综合信息（主成分）[15]，不仅保留了原始数据中的主要信息，而且可以将降维转换后的特征向量线性分类。算法原理如下：

1）设训练样本集X={x1,x2,…,xM}由M个虾苗的训练样本构成，其中向量xi是每个样本灰度的一维行向量展开，其维数为训练样本图像的像素点数。

2）计算X协方差矩阵，并求得特征值和特征向量，将特征值按从大到小的顺序排列，其对应的特征向量构成了特征向量矩阵W，则得到X的特征矩阵Y=WTX。其中，Y1,Y2,…,Yk分别为第1,2,…,k主成分。

3）分别计算出相应特征值占所有特征值之和的比例即为该主成分的贡献率。

运动虾苗因其外形特征和运动方向的不确定性，导致识别图像本身会丢失很多重要信息，此外由于传统的基于单维空间的PCA算法容易损坏图像的二维结构而且容易带来维数灾难，要实现准确识别必须增加主成分变量，降低运算速度[16]。针对此种情况，本文采用一种基于二维图像的改进PCA 算法（双向PCA算法）进行主成分提取，即针对每个图像样本分别在行向量和列向量上分别进行PCA处理，最后结合双向处理结果构造特征矩阵，由于图像的总方差矩阵明显小于原始图像的经过变换后的矩阵维数，因此该算法能够在保护图像二维结构的同时降低图形处理时间。

改进PCA的基本原理如下：

假设训练集有X1,X2,…,Xn，N个p×q的图像样本，使用p个1×q的行向量来代表第i个的样本矩阵Xi，则通过下面的公式可计算得到图像样本的行散度阵：

得到Wr和Wc之后，通过下式能够计算出图像X的特征矩阵：

式中Y1为第一主成分,Y2为第二主成分,…,Yp为第p主成分。主成分对应的特征值分别为k1,k2,…,kp。

1.2.2 AdaBoost算法

AdaBoost算法是一种分类器组合重构的方法，其算法特点是不必准确地了解样本空间的分布，通过简单弱分类器的自组织学习，确定分类器的分类结果并赋予相应权重，根据权重将弱分类器组合成强分类器，实现样本分类[17]。算法具体实现步骤如下：

假设有一个训练样本集T={(x1,y1),(x2,y2),…(xn,yn)}，其中xi∈X，x1到xn为n个样本，yi∈{-1,1}标记集合。假设需要进行r=1,2,…,R次训练，每次训练都可以获得一个弱分类器，最后将R次训练后获得的R个弱分类器构造成一个强分类器[18]。

1）第一步，初始化训练样本的权值分布。赋予每一个训练数据一样的权重：1/n。

2）①利用拥有权值来分布Dr的训练集进行学习，获得弱分类器：

②计算Gr(x)的分类错误率：

从上面的公式可以看出，Gr(x)的错误率 er即被错分类样本的权值之和。

③运算弱分类器Gr(x)的系数，αr代表弱分类器在最后强分类器中的重要程度也就是获得弱分类器在最后构造的强分类器中所占的权重：

从上面的公式可以看出，er<=1/2时，αr>=0，同时αr会随 er的变小而变大，这说明分类的错误率越小的弱分类器在构造强分类器中的决定作用就会越大。

④更新训练集样本的权值分布：

上面的公式增大了被错误分类的样本权值，减小被准确分类样本的权值。

上式中Zr为规范因子，可以让Dr+1呈现概率分布：

3）组合每个弱分类器：

获得最后的强分类器：

2 试验结果与分析

2.1 试验环境

仿真试验是使用Matlab R2012b编程实现的，其中数据集为自制的虾苗库。虾苗库共有350张图像（200张运动虾苗图像、150张非虾苗图像），大小均为100×100像素。分别把虾苗库中运动虾苗和非虾苗图像的前 1 00张图像作为训练集，另外100张运动虾苗和50张非虾苗图像作为测试集，即训练集共有 2 00张图像、测试集共有150张图像。

2.2 识别模型分析

2.2.1 虾苗特征建模

针对运动虾苗图像，分别使用传统PCA和改进PCA算法，进行图像降维和特征提取，分析主成分，最后根据表2中贡献率的分布情况确定待提取主成分个数。

表2中，PC1～PC20代表不同主成分数量，其贡献率为主成分对应特征值占全部特征值之和的比重，累计贡献率为其对应贡献率之和。识别用的主成分数量，主要由主成分的累积贡献率决定，即累计贡献率越高，降维后的图像关键信息损失越少。从表2 中可以看出，相比于传统PCA算法，改进算法在达到相同的累计贡献率情况下使用的主成分较少，且由于算法本身形成协方差矩阵小于传统PCA算法，因此在识别同一幅图像时，算法运算次数更少，算法的运行效率更高。

表2 2种不同主成分分析算法分析结果Table 2 Analysis results of two different principal component analysis algorithms（PCA）

从表2中可知，针对改进PCA算法，当主成分选择12时，累计贡献率达到99.48%，表明其分析效果良好。然而在实际的应用中，结合Adaboost算法进行目标识别时，发现最终识别效果并不理想。因此，为保证识别精度，本文最终选择主成分数为 2 0，这时的累计贡献率达到了99. 95%，其损失的数据量几乎能够被忽略[19]。

2.2.2 迭代次数分析

AdaBoost算法核心是分类器组合重构，重构的强分类器识别效果与迭代训练次数密切相关，为了寻找最优的迭代次数本文分别进行10、15、20、25和30次迭代来重构强分类器，对 150张测试集进行识别研究，其识别效果如表3所示。

表3 不同迭代次数分类器的识别结果Table 3 Recognition results of different iterations classifier

从表3 可以看出，采用不同迭代次数，其识别准确率和平均识别时间与迭代次数呈近似正相关。传统 PCA算法和改进PCA算法，当迭代次数分别超过25和20时，算法识别准确率基本稳定。而算法平均识别时间随着迭代次数的升高不断增加。因此，综合考虑以上因素，本文选择使用改进PCA算法进行20次迭代构建最终的识别模型。

2.3 结果与分析

2.3.1 测试集试验分析

使用改进PCA+AdaBoost算法对测试集中的150张运动虾苗和50张非虾苗图像进行识别测试。最终检测结果如表4所示，150张测试虾苗图像识别正确率为98%，平均每张图像识别时间为0.027 898 s。

1）识别精度：从表4可以看出，改进PCA+AdaBoost算法对150张测试虾苗图像的识别正确率为98%。其中对于静止和运动缓慢虾苗的检测率是100%；非虾苗的检测率是98%；而针对运动剧烈的虾苗识别正确率为96%，这主要是由于训练集构建过程中，很难获取所有运动种类虾苗图像，且由于运动剧烈虾苗图像失真较为严重，丢失了过多的外形信息，降低了识别精度。

2）识别速度：从表4可以看出，使用改进PCA+ AdaBoost算法对测试集150张样本进行识别发现单张样本的识别时间可以达到0.025 s到0.035 s之间，150张测试样本的平均每张识别时间为0.027 898 s。

无论是从识别正确率还是识别速度角度考虑，改进PCA+AdaBoost算法都满足后期虾行为量化的要求。针对运动激烈的虾苗存在的误识别问题，在以后的研究中通过结合目标跟踪[20-21]、路径拟合[22-23]技术可以进一步的提升识别的准确率。

表4 虾苗检测结果定量比较Table 4 Quantitative comparison of larval shrimp detection results

2.3.2 实际试验分析

针对个体行为观测中实际应用的虾苗图像，利用背景差分、阈值分割、噪声点去除、构建待识别区域等方法对图像进行预处理，并利用本文方法对待识别区域进行识别，图像预处理试验结果如图3所示。

对图3a进行背景差分后的试验结果为图3b，从图3b可以看出，针对不同背景环境，采用背景差分方法可有效降低背景噪声。使用Ostu算法对图3b进行阈值分割，分割结果为图3c。从图3c中可以看出，虾苗存在过分割现象并产生一定量噪声点。过分割现象主要是由于虾苗身体透光性较强，身体部分连接区域与背景差异不明显导致；噪声点主要是由粪便和残饵引起。因此，本文通过预实验，首先确定虾苗图像中连通域面积大小（像素和），然后对比不同结构闭运算连通效果，确定过分割虾苗的最终连通结构，最后采用面积阈值法去除面积小于5像素的小噪声点，采用边长为10的矩形结构进行闭运算连接过分割虾苗。处理结果为图3d，统计3d中所有连通区域的形心在3b中所处位置，并以形心为中心构建大小为100×100像素的识别框体，结果见图3e。在此基础上使用本文方法对所识别框体进行识别试验，识别结果如图3f所示。从图3f中可以看出，针对密度较低的个体虾苗试验，通过构建标准识别区域可有效利用本文方法对运动虾苗进行识别，识别精度与测试集保持一致。图片识别速度与虾苗个数与不能去除的噪声点数量有关。此外，针对重叠虾苗识别问题，将结合下一步行为量化研究中提供的运动矢量及虾苗形体方向等运动参数开展进一步试验研究。

综上所述，本文识别方法适用于虾苗密度不高的个体虾苗行为量化研究，在实际应用中，通过构建标准识别框，使实际识别过程与训练集识别过程一致，因此对无重叠虾苗图像识别精度与训练集精度保持一致。另外该方法能够自适应的学习虾苗和背景的图像特征，避免了典型特征和帧差法固定参数或阈值的设定，适用于模糊判别，且通过背景差分和分割结果进行虾苗识别，不但减少了背景噪声影响，而且能够有效区分杂质和虾苗，保证了下一步行为量化前期数据的准确性。

图3 图像预处理及识别结果Fig.3 Image preprocessing and recognition result

3 讨 论

1）在虾苗行为量化过程中，准确跟踪和识别虾苗是决定行为量化的关键，本试验针对运动虾苗开展了识别研究，受虾苗本身外形特点和运动图像失真干扰，存在一定的识别误差，但是结合下一步开展的路径跟踪研究[24]，可以初步估算虾苗的运动方向和运动趋势，为运动虾苗识别提供时空坐标下的相关参数，增加可能出现虾苗位置的图像权重，有效提高识别精度。此外，受运动虾苗图像失真及虾苗本身的透光特性影响，传统的行为跟踪算法很难有效定位虾苗位置及确定形体方向[25]。本文提出的虾苗识别技术，在识别虾苗的基础上，可初步定位虾苗，缩小虾苗外形提取所需图像处理范围，减少外部噪声影响，降低虾苗定位和定向算法复杂度。

2）虾苗行为量化不可避免的存在算法运行效率问题，传统的PCA算法是基于单维空间对样本数据进行降维处理的，很容易破坏图像样本的二维结构，而且由于虾苗本身的外形特征和其运动方向的不确定性等，要达到一定识别精度，必须牺牲运行效率增加主成分变量。为提高算法运行效率，本文采用了一种基于二维图像的改进PCA 算法（双向PCA算法）。试验结果表明，在不增加主成分数量和迭代次数的情况下，使用改进PCA算法可有效提高运动虾苗的识别准确率和识别速度。

3）虾苗图像失真程度不仅受虾苗的运动速度影响还与图像拍摄帧频有关，帧频越高图像失真概率越小。但是如果全部利用每帧图像进行行为研究，算法运行速度将很难满足试验要求，因此选择合适的图像拍摄帧频，降低虾苗图像的失真程度，提高虾苗的识别精度，将是下一步虾苗行为研究需要开展的重要工作。

4）本文采用基于改进PCA+Adaboost算法，针对运动虾苗图像，在提高识别精度，降低图像维度、降低算法运行时间方面具有一定优势，但是针对多虾苗行为检测，其计算时间将呈级数增长，如何利用虾苗运动特点，及群体性行为特征进一步降低识别所需的主成分数量和迭代次数，是本研究下一步工作重点。

4 结 论

本文以南美白对虾虾苗为研究对象，提出了一种基于改进 P CA+AdaBoost算法的运动虾苗识别方法，试验结果表明:

1）本文方法在不同类型运动虾苗识别中具有较高精度和识别速度，在150张测试图像样本中，基于改进PCA+Adaboost算法的识别正确率达到98%，平均每张图像识别时间为0.027 898 s；

2）本文方法能够适用于不同运动方向、不同大小的运动虾苗识别，有利于解决不同背景下运动虾苗识别问题，增强了算法的广适性。

3）通过增加学习样本，本文方法能够应用于不同种类运动虾苗识别，为下一步虾类行为量化提供了有效的技术支撑。

本文方法能够充分利用虾的多种外形特征，通过模糊特征提取和特征聚类整合，进一步提高了运动虾苗识别结果的准确性。

图像中虾苗的粘连是影响识别精度的一个重要原因，改进算法有待进一步研究。

[1] 钦俊德. 动物行为的生理基础[J]. 生物学通报，1999，34(10)：1－4.

[2] 徐建瑜，崔绍荣，苗香雯，等. 计算机视觉技术在水产养殖中的应用与展望[J]. 农业工程学报，2005，21(8)：174－178. Xu Jianyu,Cui Shaorong,Miao Xiangwen,et al. Application and prospect of computer vision technology in aquaculture[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2005,21(8):174－178.(in Chinese with English abstract)

[3] 范良忠，刘鹰，余心杰，等. 基于计算机视觉技术的运动鱼检测算法[J]. 农业工程学报，2011，27(7)：226－230. Fan Liangzhong,Liu Ying,Yu Xinjie,et al. Fish motion detecting algorithms based on computer vision technologies[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2011,27(7):226－230.(in Chinese with English abstract)

[4] Heng Maa,Tsueng Fang Tsaib,Chia Cheng Liuc. Real-time monitoring of water quality using temporal trajectory of live fish[J]. Expert Systems with Applications,2010,37(7):5158－5171.

[5] Israeli D,Kimmel E. Monitoring the behavior of hypoxiastressed Carassius auratus using computer vision[J]. Aquacultural Engineering,1996,15(6):423－440.

[6] Kato S,Tamada K,Shimada Y,et al. A quantification of goldfish behavior by an image processing system[J]. Behavioral Brain Research,1996,80(1):51－55.

[7] 徐盼麟，韩军，童剑锋. 基于单摄像机视频的鱼类三维自动跟踪方法初探[J]. 水产学报，2012，36(4)：623－628. Xu Panlin,Han Jun,Tong Jianfeng. Preliminary studies on an automated 3D fish tracking method based on a single video camera[J]. Journal of Fisheries of China,2012,36(4):623－628.(in Chinese with English abstract)

[8] Vassilis M P,Ioannis E P,Lamprianidou F,et al. A computer -vision system and methodology for the analysis of fish behavior[J]. Aquacultural Engineering,2012(46):53－59.

[9] 朱佩儒. 斑马鱼群的自动跟踪系统[D]. 上海：复旦大学，2015. Zhu Peiru. Automatic Tracking System of Zebra Fish School[D]. Shanghai:Fudan University,2015.

[10] 李贤，范良忠，刘子毅，等. 基于计算机视觉的大菱鲆对背景色选择习性研究[J]. 农业工程学报，2012，28(10)：189－193. Li Xian,Fan Liangzhong,Liu Ziyi,et al. Preference habit of juvenile turbot for different color backgrounds based on computer vision[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2012,28(10):189－193.(in Chinese with English abstract)

[11] 徐建瑜. 基于计算机视觉的急性应激条件下尼罗罗非鱼的行为研究[D]. 杭州：浙江大学，2005. Xu Jianyu. Behavioral Responses of Tilapia(Oreochromis niloticus) to Acute Stress Monitored by Computer Vision[D]. Hangzhou:Zhejiang University,2005.(in Chinese with English abstract)

[12] 谢瑜，曾凤，周赟磊，等. 细胞显微操作的自动调焦及图像处理[J]. 中国科技论文，2015，10(10)：1117－1122. Xie Yu,Zeng Feng,Zhou Yunlei,et al. Auto-focusing based location method and image processing algorithm for a robot-assist embryo microinjection system[J]. China Science Paper,2015,10(10):1117－1122.(in Chinese with English abstract)

[13] 吴一全，殷骏，戴一冕，等. 基于蜂群优化多核支持向量机的淡水鱼种类识别[J]. 农业工程学报，2014，30(16)：312－319. Wu Yiquan,Yin Jun,Dai Yimian,et al. Identification method of freshwater fish species using multi-kernel support vector machine with bee colony optimization[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2014,30(16):312－319.(in Chinese with English abstract)

[14] 王斌，徐建瑜，王春琳. 基于计算机视觉的梭子蟹蜕壳检测及不同背景对蜕壳的影响[J]. 渔业现代化，2016，43(2)：11－16. Wang Bin,Xu Jianyu,Wang Chunlin. Computer-vision based molting detection of portunus tritubercularus and effects of different backgrounds on molting[J]. Fishery Moder Nization,2016,43(2):11－16.(in Chinese with English abstract)

[15] 王帅，李文举，韦丽华，等. 基于电子鼻的有机正山小种红茶的检测[J]. 食品科技，2015，40(11)：292－296. Wang Shuai,Li Wenju,Wei Lihua,et al. The detection oforganic lapsang souchong black tea based on electronic nose[J]. Food Science and Technology,2015,40(11):292－296.(in Chinese with English abstract)

[16] 赵鑫，汪维家，曾雅云，等. 改进的模块PCA人脸识别新算法[J]. 计算机工程与应用，2015，51(2)：161－164. Zhao Xin,Wang Weijia,Zeng Yayun,et al. Improved modular PCA face recognition algorithm[J]. Computer Engineering and Applications,2015,51(2):161－164.(in Chinese with English abstract)

[17] 于霜，刘国海，夏荣盛，等. 基于Adaboost及谱回归判别分析的近红外光谱固态发酵过程状态识别[J]. 光谱学与光谱分析，2016，36(1)：51－54. Yu Shuang,Liu Guohai,Xia Rongsheng,et al. State recognition of solid fermentation process based on near infrared spectroscopy with Adaboost and spectral regression discriminant analysis[J]. Spectroscopy and Spectral Analysis,2016,36(1):51－54.(in Chinese with English abstract)

[18] 崔成，田启川. 基于Adaboost算法的快速人脸检测技术[J].信息工程期刊，2015，5(3)：90－96. Cui Cheng,Tian Qichuan. Fast face detection technology based on Adaboost algorithm[J]. Scientific Journal of Information Engineering,2015,5(3):90－96.(in Chinese with English abstract)

[19] 孙俊，金夏明，毛罕平，等. 基于Adaboost及高光谱的生菜叶片氮素水平鉴别研究[J]. 光谱学与光谱分析，2013，33(12)：3372－3376. Sun Jun,Jin Xiaming,Mao Hanping,et al. Identification of lettuce leaf nitrogen level based on Adaboost and hyperspectrum[J]. Spectroscopy and Spectral Analysis,2013,33(12):3372－3376.(in Chinese with English abstract)

[20] Pinkiewicz T,Williams R,Purser J. Application of the particle filter to tracking of fish in aquaculture research[J]. Digital Image Computing:Techniques and Applications,2008,1397(1):389－390.

[21] 侯崇明，袁广林，王健. 基于粒子滤波和仿射变换的鱼目标跟踪算法[J]. 计算机技术与发展，2014，24(4)：135－138. Hou Chongming,Yuan Guanglin,Wang Jian. A fish tracking algorithm based on particle filtering and affine transform[J]. Computer Technology and Development,2014,24(4):135－138.(in Chinese with English abstract)

[22] 徐盼麟. 基于视频的鱼类行为自动观测系统[D]. 上海：上海海洋大学，2011. Xu Panlin. An Automated Fish Behavior Observation and Measure System Based on Video[D]. Shanghai:Shanghai Ocean University,2011.(in Chinese with English abstract)

[23] 卢焕达，刘鹰，范良忠. 基于计算机视觉的鱼类行为自动监测系统设计与实现[J]. 渔业现代化，2011，38(1)：19－23. Lu Huanda,Liu Ying,Fan Liangzhong. Design and implementation of fish behavior automatic monitoring system based on computer vision[J]. Fishery Modernization,2011,38(1):19－23.(in Chinese with English abstract)

[24] 崔金魁，宋旭，杨扬. 视频监控中多运动目标的检测与跟踪[J]. 计算机应用与软件，2013，30(3)：278－290. Cui Jinkui,Song Xu,Yang Yang. Detecting and tracking multiple motion objects in video surveillance[J]. Computer Applications and Software,2013,30(3):278－290.(in Chinese with English abstract)

[25] Jiang H,Fels S,Little J J. A linear programming approach for multiple object tracking[C]//IEEE Conference on Computer Vision &Pattern Recognition,2007:1－8.

Moving larval shrimps recognition based on improved principal component analysis and AdaBoost

Liu Shijing,Wang Shuai,Chen Jun※,Liu Xingguo,Zhou Haiyan
(Fishery Machinery and Instrument Research Institute,Chinese Academy of Fishery Sciences,Shanghai 200092,China)

Recognition of larval shrimp is the key to realize the quantification of the behavior of larval shrimp. Recently,the studies on aquatic animal behavior recognition mainly use the typical features method or frame differential method. It is hard to accurately identify larval shrimp due to the lack of key profile information caused by the strong motion distortion and background noise. To solve this problem,we took the Penaeus vannamei as research object,and proposed a recognition method for moving larval shrimp based on the improved PCA(principal component analysis) and Adaboost algorithm in this paper. Firstly,we extracted and optimized the effective features. The improved PCA algorithm was applied to the larval shrimp images with the size of 100×100 pixels to reduce the image dimension and extract the external features. We then analyzed and determined the number of principal components according to the distribution of the contribution rate. After that we expounded the theory of the Adaboost algorithm,and used these principal components to build different weak classifiers. A total of 100 images of larval shrimp and background samples were used for training. During the training every weak classifier was selected automatically,and a stage classifier was generated after 20 iterations. To verify the effectiveness of the proposed algorithm,the recognition experiment was performed with 150 sample images containing 100 images of larval shrimp and 50 sample images of background. The images were captured in the Key Laboratory of Fishery Equipment and Engineering Technology of Ministry of Agriculture in Shanghai,China. The experiment results showed that,the recognition rate for stationary and slowly-moving larval shrimp and fast-moving larval shrimp was 100% and 96% respectively,and the overall recognition rate reached 98%. Among all the test samples,the recognition time for each image ranged from 25 to 35 ms,and the average time was 27.898 ms. Compared with the conventional typical feature method and the frame differential method,the proposed method can be used to recognize the moving larval shrimp. Furthermore,the proposed method has better performance,because it effectively restrains the influence of complex situation such as the velocity and direction of motion and the sample’s size. This paper provides a technical basis for the larval shrimp’s behavior quantification.

image recognization;identification;algorithms;moving larval shrimps;improved PCA;AdaBoost;behavior quantification

10.11975/j.issn.1002-6819.2017.01.029

S951.2

A

1002-6819(2017)-01-0212-07

刘世晶，王 帅，陈 军，刘兴国，周海燕. 基于改进主成分分析和AdaBoost算法的运动虾苗识别方法[J]. 农业工程学报，2017，33(1)：212－218.

10.11975/j.issn.1002-6819.2017.01.029 http://www.tcsae.org

Liu Shijing,Wang Shuai,Chen Jun,Liu Xingguo,Zhou Haiyan. Moving larval shrimps recognition based on improved principal component analysis and AdaBoost[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2017,33(1):212－218.(in Chinese with English abstract)doi：10.11975/j.issn.1002-6819.2017.01.029 http://www.tcsae.org

2016-05-18

2016-09-26

中国水产科学研究院中央级公益性科研院所基本科研业务费专项资金项目（2015A02XK06）；国家现代农业产业技术体系项目（CARS-47）

刘世晶，男，山东青岛人，助理研究员，硕士，主要从事图像处理、模式识别和机器视觉相关领域研究。上海 中国水产科学研究院渔业机械仪器研究所，200092。Email：lsjing2003@163.com

※通信作者：陈 军，男，上海人，研究员，主要从事数字渔业相关领域研究。上海 中国水产科学研究院渔业机械仪器研究所，200092。Email：chenjun@fmiri.ac.cn