何金輝，薛月菊，毛 亮，李鴻生，林煥凱，張 曉

（1.華南農(nóng)業(yè)大學(xué)信息學(xué)院，廣東 廣州510642；2.華南農(nóng)業(yè)大學(xué)工程學(xué)院，廣東 廣州510642）

1 引言

增氧機(jī)對(duì)防止水產(chǎn)養(yǎng)殖對(duì)象的浮頭及大量窒息死亡起著至關(guān)重要的作用［1］。然而，由于增氧機(jī)的工作條件惡劣，電機(jī)容易燒毀，這給水產(chǎn)養(yǎng)殖企業(yè)或養(yǎng)殖戶帶來巨大的損失。而傳統(tǒng)的增氧機(jī)監(jiān)控的方式主要依賴人工看守，不但費(fèi)時(shí)費(fèi)力，且難于及時(shí)發(fā)現(xiàn)故障。

智能視頻監(jiān)控技術(shù)［2］被逐步應(yīng)用到水產(chǎn)養(yǎng)殖行業(yè)中，如文獻(xiàn)［3］利用目標(biāo)檢測(cè)算法和跟蹤算法，檢測(cè)與跟蹤入侵海上養(yǎng)殖場(chǎng)的船只，并對(duì)入侵的船只及時(shí)作出警告。在智能視頻監(jiān)控技術(shù)中，基于特征點(diǎn)的目標(biāo)跟蹤應(yīng)用十分廣泛，如采用梯度算子的灰度差分角點(diǎn)檢測(cè)及金字塔光流跟蹤［4］、基于直接外觀模型的人臉特征點(diǎn)定位與Lucas－Kanade算法的跟蹤［5］、基于角點(diǎn)特征融合的Mean－shift跟蹤算法［6］等。由于Harris角點(diǎn)檢測(cè)算法計(jì)算簡(jiǎn)單、提取的角點(diǎn)均勻合理及穩(wěn)定等優(yōu)點(diǎn)，以及金字塔Lucas－Kanade光流法可以適用于目標(biāo)較大的運(yùn)動(dòng)問題［7，8］因此，為了利用現(xiàn)有漁場(chǎng)視頻監(jiān)控系統(tǒng)，在不額外增加任何硬件的條件下，通過加載相應(yīng)的算法來實(shí)現(xiàn)增氧機(jī)工作狀態(tài)的實(shí)時(shí)檢測(cè)，本文利用基于Harris特征點(diǎn)的Lucas－Kanade光流跟蹤方法對(duì)增氧機(jī)激起的水花速度進(jìn)行檢測(cè)，進(jìn)而判斷增氧機(jī)的工作狀態(tài)。

在增氧機(jī)激起的水花角點(diǎn)速度的統(tǒng)計(jì)直方圖中，部分情況下不是呈現(xiàn)雙峰的特點(diǎn)，傳統(tǒng)的利用最大類間方差法（OTSU）提取直方圖的分割閾值，再根據(jù)閾值判斷增氧機(jī)的狀態(tài)并不適用。SVM（Support Vector Machine）是一種有堅(jiān)實(shí)理論基礎(chǔ)的、新穎的小樣本學(xué)習(xí)方法，具有優(yōu)異的分類性能，已被廣泛地應(yīng)用于統(tǒng)計(jì)分類中［9，10］。因此，本文提出一種基于角點(diǎn)光流算法和SVM 算法的增氧機(jī)工作狀態(tài)智能檢測(cè)方法。該方法通過應(yīng)用金字塔Lucas－Kanade光流算法計(jì)算角點(diǎn)的光流量，再利用SVM 模型對(duì)角點(diǎn)的光流量進(jìn)行分類，進(jìn)而判斷增氧機(jī)的工作狀態(tài)。實(shí)驗(yàn)表明，該方法優(yōu)于直方圖閾值分割［11］方法，可適應(yīng)于不同光照、不同視頻獲取角度和不同拍攝距離的增氧機(jī)停止/運(yùn)行狀態(tài)的自動(dòng)檢測(cè)，具有檢測(cè)準(zhǔn)確率高、魯棒性強(qiáng)、實(shí)時(shí)性好等優(yōu)點(diǎn)。

2 增氧機(jī)工作狀態(tài)檢測(cè)的算法流程

增氧機(jī)工作狀態(tài)智能檢測(cè)的主要思路是利用增氧機(jī)運(yùn)行時(shí)激起的水花角點(diǎn)的平均位移量大小來判斷其工作狀態(tài)，分為學(xué)習(xí)階段和工作階段。

在學(xué)習(xí)階段，用攝像機(jī)采集增氧機(jī)視頻，通過人機(jī)交互人為在視頻窗口選定增氧機(jī)的檢測(cè)區(qū)域，將增氧機(jī)從停止到啟動(dòng)運(yùn)行再由運(yùn)行到停止重復(fù)N（2≤N≤5）次，以達(dá)到采集增氧機(jī)停止/運(yùn)行狀態(tài)的目的。具體步驟為：

（1）提取視頻中的前后兩幀圖像，利用Harris角點(diǎn)檢測(cè)算法檢測(cè)前一幀圖像在增氧機(jī)檢測(cè)區(qū)域的水花角點(diǎn)；

（2）應(yīng)用金字塔Lucas－Kanade光流法，根據(jù)后一幀的圖像，計(jì)算前一幀圖像角點(diǎn)在兩幀之間的平均光流，即角點(diǎn)在兩幀之間的平均位移量；

（3）以學(xué)習(xí)階段所有視頻幀的角點(diǎn)平均位移為樣本特征，訓(xùn)練一個(gè)SVM 模型。

工作階段則根據(jù)實(shí)時(shí)視頻幀的角點(diǎn)平均位移，利用學(xué)習(xí)階段訓(xùn)練好的SVM 模型對(duì)其進(jìn)行分類，從而判斷增氧機(jī)的工作狀態(tài)。

3 學(xué)習(xí)階段SVM 模型的建立

由于不同型號(hào)或同種型號(hào)不同的增氧機(jī)運(yùn)動(dòng)時(shí)激起的水花數(shù)量和水花運(yùn)動(dòng)的速度不同，攝像機(jī)的拍攝角度和拍攝距離也不盡相同。因此，在要對(duì)某一增氧機(jī)的工作狀態(tài)進(jìn)行判斷前，需要訓(xùn)練該增氧機(jī)工作狀態(tài)判斷的SVM 模型。

在建立SVM 模型時(shí)，需先采集增氧機(jī)運(yùn)行/停止?fàn)顟B(tài)的視頻，步驟為：先在視頻顯示窗口通過人機(jī)交互選定增氧機(jī)的檢測(cè)區(qū)域，再將增氧機(jī)從停止到運(yùn)行再由運(yùn)行到停止N（2≤N≤5）次，以達(dá)到采集增氧機(jī)運(yùn)行/停止?fàn)顟B(tài)的目的。在視頻幀中設(shè)定增氧機(jī)檢測(cè)區(qū)域的優(yōu)點(diǎn)在于：（1）可減少漁場(chǎng)其它環(huán)境對(duì)增氧機(jī)檢測(cè)判斷的影響；（2）可大大降低檢測(cè)算法的運(yùn)算量。

3.1 Harris角點(diǎn)檢測(cè)方法

從采集的視頻中提取前后兩幀圖像后，利用Harris算法［12］檢測(cè)前一幀圖像在檢測(cè)區(qū)域的水花角點(diǎn)。該方法根據(jù)圖像像素點(diǎn)的灰度梯度及曲率來判斷該像素點(diǎn)是否是角點(diǎn)，其計(jì)算過程如下：

首先，求角點(diǎn)檢測(cè)矩陣：

其中，w（x，y）為高斯窗函數(shù)，Ω為3×3鄰域，Ix為水平方向上的梯度大小，Iy為垂直方向上的梯度大小。然后，計(jì)算圖像每個(gè)像素點(diǎn)的興趣值：

R＝det（M）－k·tr2（M）

其中，k為經(jīng)驗(yàn)值，一般取0.04，det（M）為矩陣M的行列式，tr（M）為矩陣M的跡。當(dāng)興趣值R大于設(shè)定閾值t時(shí)，則判斷該點(diǎn)為角點(diǎn)。

3.2 金字塔Lucas－Kanade光流算法

光流是表示圖像像素的速度矢量，等價(jià)于圖像像素在連續(xù)兩幀之間的位移。本文利用水花角點(diǎn)的光流量大小，得出角點(diǎn)在兩幀之間的平均位移量，從而來判斷增氧機(jī)的工作狀態(tài)。光流的常用計(jì)算方法為L(zhǎng)ucas－Kanade算法［13］，其算法流程如下：

首先，根據(jù)光流約束方程：

Ixu＋I(xiàn)yv＋I(xiàn)t＝0

應(yīng)用被檢測(cè)角點(diǎn)的n×n搜索窗鄰域內(nèi)像素亮度值，建立n×n個(gè)方程，

其中，Ix（pi）、Iy（pi）分別為相應(yīng)像素點(diǎn)在水平方向和垂直方向的梯度大小，u、v表示需要計(jì)算的被檢測(cè)角點(diǎn)的水平方向和垂直方向的速度大小，It（pi）為相應(yīng)像素點(diǎn)在兩視頻幀之間的亮度變化值，n可以是3、5、7。

于是式（1）可寫成：

要求解式（2）超靜定方程，可應(yīng)用最小二乘法，式（2）可寫成：

以上的Lucas－Kanade光流算法只能在角點(diǎn)位移較小的情況下使用，當(dāng)被檢測(cè)的水花角點(diǎn)有較大的位移時(shí)，光流點(diǎn)可能會(huì)超出搜索窗的搜索范圍，導(dǎo)致在搜索窗內(nèi)無法找到該光流點(diǎn)，造成光流丟失。應(yīng)用圖像金字塔［16］可以解決這一問題，首先構(gòu)建分辨率不同的圖像金字塔層級(jí)，再計(jì)算分辨率較低的圖像金字塔層級(jí)上的光流，最后將所求得的光流映射到最底層的原始圖像層上，從而解決了角點(diǎn)位移較大的光流計(jì)算失敗問題，其算法流程［4］如下：

首先，設(shè)建立N層的圖像金字塔，gL為第L層的初始光流預(yù)測(cè)值，dL為L(zhǎng)層的光流計(jì)算結(jié)果，遞推過程為：

由遞推公式（3），從金字塔最頂層開始往下計(jì)算，一直計(jì)算到最底層的原始圖像角點(diǎn)光流值d，

d即為角點(diǎn)在兩幀間的位移值。

3.3 SVM 分類器

根據(jù)增氧機(jī)運(yùn)行狀態(tài)和停止?fàn)顟B(tài)視頻幀的角點(diǎn)平均光流值特點(diǎn)，可應(yīng)用SVM 分類器對(duì)其進(jìn)行分類，進(jìn)而判斷其工作狀態(tài)。

支持向量機(jī)的基本思路［15］是運(yùn)用Mercer核展開定理，根據(jù)泛涵的相關(guān)理論，只要核函數(shù)K（xi，xj）滿足Mercer條件，它就對(duì)應(yīng)某一變換空間中的內(nèi)積，通過非線性映射把樣本空間映射到一個(gè)高維或無窮維的特征空間（Hilber空間），在特征空間中運(yùn)用較簡(jiǎn)單線性學(xué)習(xí)機(jī)的方法解決原樣本空間中高度非線性分類和回歸等問題。

SVM 分類模型的具體計(jì)算過程［16］為：

對(duì)于線性可分的訓(xùn)練樣本集（x1，y1），…，（xl，yl），xi∈Rn，yi∈ ｛＋ 1，－1｝ ，i＝1，2，…，l，支持向量機(jī)分類算法可以歸納如下：

（1）構(gòu)造并求解優(yōu)化問題，根據(jù)：

（2）求得a＊后，按下列計(jì)算方式計(jì)算原始問題的解（w＊，b＊）；

其中，xp和xm分別為樣本集里＋1和－1類的任何一個(gè)支持向量。

（3）由（w＊，b＊）構(gòu)造分類超平面（w＊·xi）＋b＊＝0，得到最優(yōu)分類函數(shù)為：

當(dāng)訓(xùn)練樣本是非線性可分時(shí)，需從低維空間映射到高維空間，轉(zhuǎn)化為線性可分問題求解。通常引入核函數(shù)將低維輸入空間映射到高維特征空間，根據(jù)Mercer定理，定義核函數(shù)：K（xi，xj）＝（φ（xi）·φ（xj））。因此，求解最優(yōu)非線性分類函數(shù)，是以K（xi，xj）代 替 求 解 線 性 分 類 函 數(shù) 時(shí) 的（xi·xj）內(nèi)積形式。

得到非線性問題的最優(yōu)分類函數(shù)為：

4 工作階段提高檢測(cè)準(zhǔn)確率的方法

在實(shí)時(shí)檢測(cè)時(shí)，由于噪聲的影響，個(gè)別視頻幀圖像會(huì)出現(xiàn)異常的角點(diǎn)平均位移量，極大地影響了增氧機(jī)狀態(tài)檢測(cè)的準(zhǔn)確率，因此本文采用過濾異常視頻幀方法來提高檢測(cè)的準(zhǔn)確率，本文采用M（M＝2～5）幀過濾異常的視頻幀法，具體規(guī)則：

（1）若增氧機(jī)當(dāng)前的檢測(cè)狀態(tài)為停止?fàn)顟B(tài)時(shí)，僅當(dāng)后續(xù)連續(xù)M次SVM 模型預(yù)測(cè)增氧機(jī)為啟動(dòng)狀態(tài)時(shí)，才判斷增氧機(jī)為啟動(dòng)狀態(tài)；

（2）若增氧機(jī)當(dāng)前的檢測(cè)狀態(tài)為啟動(dòng)狀態(tài)時(shí)，僅當(dāng)后續(xù)連續(xù)M次SVM 模型預(yù)測(cè)增氧機(jī)為停止?fàn)顟B(tài)時(shí)，才判斷增氧機(jī)為停止?fàn)顟B(tài)。

這樣會(huì)過濾一些角點(diǎn)平均位移量為異常值的視頻幀，使檢測(cè)的準(zhǔn)確率提高。

5 實(shí)驗(yàn)與結(jié)果分析

本實(shí)驗(yàn)采集了兩個(gè)不同時(shí)間段的共10 段視頻，每段視頻拍攝時(shí)間約為10min，視頻的幀率為24fps/s，分辨率為1 280×720。其中，視頻1～視頻6的采集地點(diǎn)為廣東惠州某漁場(chǎng)，采集時(shí)間為2013年9月30 日12：00～13：00，天氣情況為陰天，風(fēng)力3～4級(jí)。視頻7～視頻10的采集地點(diǎn)為廣州番禺區(qū)某養(yǎng)殖場(chǎng)，采集時(shí)間為2013年6月14日9：00～10：00，天氣情況為晴，風(fēng)力2～3級(jí)。采集的視頻包括對(duì)不同型號(hào)增氧機(jī)以不同角度、距離進(jìn)行了拍攝，拍攝距離分為：遠(yuǎn)距離、中距離、近距離；拍攝角度分為：低角度、中角度、高角度。為了獲取增氧機(jī)停止/運(yùn)行的狀態(tài)，實(shí)驗(yàn)中人為進(jìn)行多次開關(guān)增氧機(jī)，即停止1min——啟動(dòng)運(yùn)行1min，如此重復(fù)三或五個(gè)周期。另外，為了保證增氧機(jī)狀態(tài)檢測(cè)的準(zhǔn)確性，在視頻幀中所選的增氧機(jī)檢測(cè)區(qū)域要大于120×50。本實(shí)驗(yàn)環(huán)境是Windows 7系統(tǒng)，處 理 器Intel（R）Core（TM）2 Quad CPU Q9500＠2.83GHz＋2.83GHz，內(nèi)存4GB，編程環(huán)境為VS2005結(jié)合OpenCV 2.2.0。

5.1 學(xué)習(xí)階段角點(diǎn)光流的統(tǒng)計(jì)分析

圖1為以上采集的一個(gè)視頻（低角度、近距離拍攝視頻）實(shí)驗(yàn)光流量檢測(cè)結(jié)果，狀態(tài)圖中的矩形框?yàn)樵鲅鯔C(jī)的檢測(cè)區(qū)域，框內(nèi)的線條為相應(yīng)角點(diǎn)的光流量。其中，圖1a為增氧機(jī)處于停止?fàn)顟B(tài)檢測(cè)到的角點(diǎn)位移，角點(diǎn)為增氧機(jī)附近的水紋。圖1b為增氧機(jī)處于運(yùn)行狀態(tài)檢測(cè)到的角點(diǎn)位移，角點(diǎn)主要為增氧機(jī)運(yùn)動(dòng)時(shí)激起的水花。圖1c為角點(diǎn)平均位移的統(tǒng)計(jì)直方圖。由圖1可得，增氧機(jī)在停止?fàn)顟B(tài)時(shí)，角點(diǎn)的平均位移量較小，位移量集中在2附近，增氧機(jī)在運(yùn)行狀態(tài)時(shí)，角點(diǎn)的平均位移量較大，位移量集中在6、7附近。在此情況下，若采用傳統(tǒng)的直方圖閾值分割（如圖1c所示，用OTSU 法提取直方圖的分割閾值T＝4）的方法對(duì)增氧機(jī)的工作狀態(tài)進(jìn)行檢測(cè)，可得到較高的判斷精度。

Figure 1 Statistics of the corner optical flow and the threshold extraction圖1 角點(diǎn)光流統(tǒng)計(jì)與閾值提取

而對(duì)于部分中距離、遠(yuǎn)距離拍攝的視頻，其學(xué)習(xí)階段的角點(diǎn)平均位移的統(tǒng)計(jì)直方圖并不呈現(xiàn)雙峰的特性，如圖2所示。對(duì)于這些單峰的情況，應(yīng)用OTSU 方法進(jìn)行直方圖的閾值分割并不適應(yīng)于該類問題的判斷［17］。因此，本文利用SVM 分類器來判斷增氧機(jī)工作狀態(tài)。

Figure 2 Statistics of corner optical flow in some distance and long－range shooting positions圖2 部分中距離、遠(yuǎn)距離視頻拍攝位置的角點(diǎn)光流統(tǒng)計(jì)

5.2 SVM 模型與參數(shù)的選擇

本文借鑒臺(tái)灣大學(xué)林智仁教授開發(fā)的開源軟件包LIBSVM 開發(fā)了增氧機(jī)工作狀態(tài)檢測(cè)程序。在訓(xùn)練SVM 模型時(shí)，需要確定SVM 模型的一些重要參數(shù)（如SVM 的類型、核函數(shù)類型、懲罰因子的大小等），SVM 分類性能的好壞取決于這些參數(shù)的選?。?8］。目前SVM 的參數(shù)選取方法主要有：經(jīng)驗(yàn)選擇法、實(shí)驗(yàn)試湊法、梯度下降法、交叉驗(yàn)證法、Bayesian法等。由于SVM 參數(shù)選擇的理論目前還未完善，本文采用實(shí)驗(yàn)試湊法來獲取適用于增氧機(jī)狀態(tài)檢測(cè)的最優(yōu)參數(shù)組合。

本節(jié)采用上一個(gè)樣本視頻（低角度、近距離拍攝視頻）進(jìn)行SVM 參數(shù)的初步確定，包括：常用的參數(shù)C＿SVC、NU＿SVC、ONE＿CLASS，常用的核函數(shù)類型RBF、LINEAR、POLY、SIGMOID。表1列出了常用SVM 類型參數(shù)和核函數(shù)類型參數(shù)組合的SVM 模型和檢測(cè)準(zhǔn)確率，并用樣本視頻中學(xué)習(xí)階段的視頻來訓(xùn)練SVM 模型，用樣本視頻工作階段的視頻來統(tǒng)計(jì)訓(xùn)練后SVM 模型的檢測(cè)準(zhǔn)確率。其中，采用C＿SVC＋LINEAR、NU＿SVC＋LINEAR參數(shù)組合的SVM 模型進(jìn)行檢測(cè)時(shí)，準(zhǔn)確率較高，因此在后續(xù)的基于SVM 的增氧機(jī)工作狀態(tài)判斷中，均采用這兩種模型。

Table 1 Statistics of detection accuracy in each parameter combination表1 各參數(shù)組合的檢測(cè)準(zhǔn)確率統(tǒng)計(jì)

5.3 SVM 模型與直方圖閾值分割的檢測(cè)效果實(shí)驗(yàn)對(duì)比

以下用各個(gè)拍攝角度和拍攝距離的增氧機(jī)視頻段，對(duì)采用C＿SVC＋LINEAR、NU＿SVC＋LINEAR參數(shù)組合的SVM 模型進(jìn)行檢測(cè)準(zhǔn)確率統(tǒng)計(jì)。同時(shí)，與統(tǒng)計(jì)直方圖閾值分割方法進(jìn)行比較。

從表2的測(cè)試結(jié)果可以得出：

（1）C＿SVC＋LINEAR、NU＿SVC＋LINEAR組合對(duì)各個(gè)拍攝角度和拍攝距離的樣本都具有很高的檢測(cè)準(zhǔn)確率，而且用這兩種參數(shù)組合進(jìn)行檢測(cè)時(shí)，所得的檢測(cè)準(zhǔn)確率差異不大。

應(yīng)用閾值分割方法得到的檢測(cè)準(zhǔn)確率相對(duì)偏低，當(dāng)拍攝距離為“近”或“中”時(shí)，準(zhǔn)確率較高，均高于90%；拍攝距離為遠(yuǎn)距離時(shí)，所得判斷閾值較小，所得準(zhǔn)確率也較小，如視頻2和視頻4準(zhǔn)確率僅分別為79.93%和89.19%。這是因?yàn)榕臄z位置為近距離時(shí)，增氧機(jī)啟動(dòng)時(shí)的水花角點(diǎn)平均位移較大，增氧機(jī)在啟動(dòng)與停止兩種狀態(tài)下的角點(diǎn)平均位移差距也較大，所以檢測(cè)的準(zhǔn)確率也較高。反之，拍攝距離為遠(yuǎn)距離時(shí)，兩種狀態(tài)下的角點(diǎn)平均位移差距較小，檢測(cè)的準(zhǔn)確率也較低。而且，實(shí)際應(yīng)用中，當(dāng)統(tǒng)計(jì)直方圖為雙峰形狀時(shí)，該方法具有較好的分類特性和檢測(cè)準(zhǔn)確率，但在拍攝位置為遠(yuǎn)距離、中距離和部分近距離的情況下，統(tǒng)計(jì)直方圖為單峰形狀，應(yīng)用OTSU 提取直方圖分割閾值的方法就會(huì)使檢測(cè)準(zhǔn)確率大大降低。

Table 2 Detection accuracy comparison of the three methods表2 三種方法的檢測(cè)準(zhǔn)確率對(duì)比

由于以上這些因素，用閾值分割的方法得到的檢測(cè)準(zhǔn)確率會(huì)比C＿SVC＋LINEAR 或NU＿SVC＋LINEAR 組合的檢測(cè)準(zhǔn)確率偏低。因此，本文利用SVM 模型進(jìn)行分類判斷。

（2）在算法運(yùn)行速度方面，SVM 模型的檢測(cè)速度比直方圖閾值分割的方法略低，但SVM 模型的檢測(cè)速度在240 ms/幀～280 ms/幀之間，則每秒可提取增氧機(jī)視頻中約四個(gè)視頻幀進(jìn)行角點(diǎn)光流的計(jì)算及對(duì)增氧機(jī)工作狀態(tài)進(jìn)行判斷，當(dāng)增氧機(jī)的狀態(tài)發(fā)生變化時(shí)，該算法可以在不超過1s的時(shí)間內(nèi)識(shí)別出變化，滿足實(shí)時(shí)檢測(cè)的要求。

為了進(jìn)一步提高檢測(cè)的準(zhǔn)確率，本文利用提出的過濾異常視頻幀方法，采用兩幀（M＝2）過濾后，C＿SVC＋LINEAR 的SVM 模型和NU＿SVC＋LINEAR的SVM 模型對(duì)10個(gè)樣本視頻的檢測(cè)準(zhǔn)確率均為100%。實(shí)際應(yīng)用中，要根據(jù)具體的增氧機(jī)采集視頻來選擇采用幾幀過濾，從而保證檢測(cè)的準(zhǔn)確率和實(shí)時(shí)性。

6 結(jié)束語

本文利用Harris算法和金字塔Lucas－Kanade光流法，提出了一種基于角點(diǎn)光流和SVM 的增氧機(jī)工作狀態(tài)檢測(cè)方法，該方法能在現(xiàn)有漁場(chǎng)視頻監(jiān)控系統(tǒng)上，通過加載相應(yīng)的算法來實(shí)現(xiàn)增氧機(jī)工作狀態(tài)的實(shí)時(shí)檢測(cè)。實(shí)驗(yàn)表明，利用SVM 模型進(jìn)行增氧機(jī)狀態(tài)判斷，可得到比直方圖閾值分割方法更高的檢測(cè)準(zhǔn)確率，采用過濾異常視頻幀法可以使檢測(cè)準(zhǔn)確率達(dá)到100%。同時(shí)，算法的運(yùn)行速度符合實(shí)時(shí)檢測(cè)的要求。此外，該方法可以與檢測(cè)養(yǎng)殖塘水的溶氧量電路和關(guān)閉、開啟增氧機(jī)電路結(jié)合在一起，進(jìn)一步提高對(duì)增氧機(jī)的監(jiān)控。同時(shí)，考慮改進(jìn)角點(diǎn)檢測(cè)算法和光流算法，降低算法的時(shí)間復(fù)雜度，進(jìn)一步提高檢測(cè)的實(shí)時(shí)性。

［1］ Sun Jin－feng.The impact of aerator perturbations on temporal and spatial distribution pattern of suspended matter and dissolved oxygen of pond water［D］.Wuhan：Huazhong Agricultural University，2012.（in Chinese）

［2］ Kong Xiao－dong.Research on intelligent video surveillance technology［D］.Shanghai：Shanghai Jiaotong University，2008.（in Chinese）

［3］ Hu W C，Yang C Y，Huang D Y.Robust real－time ship detection and tracking for visual surveillance of cage aquaculture［J］.Journal of Visual Communication and Image Representation，2011，12（6）：543－556.

［4］ Jiang Zhi－jun，Yi Hua－rong.An image pyramid－based feature detection and tracking algorithm［J］.Geomatics and Information Science of Wuhan University，2007，32（8）：680－683.（in Chinese）

［5］ Song Gang，Ai Hai－zhou，Xu Guang－you.Texture constrained facial feature point tracking［J］.Journal of Software，2004，15（11）：1607－1615.（in Chinese）

［6］ Zhou Zhi－ping，Tao Li.Mean－shift tracking algorithm based on corner feature fusion［J］.Computer Engineering，2012，38（2）：192－194.（in Chinese）

［7］ Meng L，Wu C D，Zhang Y Z.Multi－resolution optical flow tracking algorithm based on multi－scale Harris corner points feature［C］∥Proc of Control and Decision Conference，2008：5287－5291.

［8］ Zhu H，Lei Q W.Vision－based interface：Using face and eye blinking tracking with camera［C］∥Proc of Intelligent Information Technology Application，2008：306－310.

［9］ Du Shu－xin，Wu Tie－jun.Support vector machines for pattern recognition［J］.Journal of Zhejiang University（Engineering Science），2003，37（5）：521－527.（in Chinese）

［10］ Ding Shi－fei，Qi Bing－juan，Tan Hong－yan.An overview on theory and algorithm of support vector machines［J］.Journal of University of Electronic Science and Technology of China，2011，40（1）：2－10.（in Chinese）

［11］ Xu Xiang－yang，Song En－min，Jin Liang－h(huán)ai.Characteristic analysis of threshold based on Otsu criterion［J］.Acta Electronica Sinica，2009，37（12）：2716－2719.（in Chinese）

［12］ Bellavia F，Tegolo D，Valenti C.Improving Harris corner selection strategy［J］.IET Computer Vision，2011，5（2）：87－96.

［13］ Bradski G，Kaehler A.Learning OpenCV（Chinese）［M］.Yu Shi－qi，Liu Rui－zhen，translation.Beijing：Tsinghua University Press，2009.（in Chinese）

［14］ Maclean J，Tsotsos J.Fast pattern recognition using gradient－descent search in an image pyramid［C］∥Proc of the 15th International Conference on Pattern Recognition，2000：873－877.

［15］ Fan Xin－wei.Support vector machine and its application［D］.Hangzhou：Zhejiang University，2003.（in Chinese）

［16］ Zhou Jiu－jiu.Research of parameter selection method for support vector machine in intrusion detection［D］.Changsha：Central South University，2012.（in Chinese）

［17］ Chen Bin，Tian Qi－chuan.Improved fast adaptive Otsu segmentation algorithm ＆its application［J］.Application Research of Computers，2012，29（4）：1572－1574.（in Chinese）

［18］ Song Yong－dong.Research of parameter selection for support vector machine［D］.Wuhan：Central China Normal University，2013.（in Chinese）

附中文參考文獻(xiàn)：

［1］ 孫金鳳.增氧機(jī)擾動(dòng)對(duì)池塘水體懸浮物、溶氧時(shí)空分布格局的影響［D］.武漢：華中農(nóng)業(yè)大學(xué)，2012.

［2］ 孔曉東.智能視頻監(jiān)控技術(shù)研究［D］.上海：上海交通大學(xué)，2008.

［4］ 江志軍，易華蓉.一種基于圖像金字塔光流的特征跟蹤方法［J］.武漢大學(xué)學(xué)報(bào)，2007，32（8）：680－683.

［5］ 宋剛，艾海舟，徐光祐.紋理約束下的人臉特征點(diǎn)跟蹤［J］.軟件學(xué)報(bào)，2004，15（11）：1607－1615.

［6］ 周治平，陶利.基于角點(diǎn)特征融合的Mean－shift跟蹤算法［J］.計(jì)算機(jī)工程，2012，38（2）：192－194.

［9］ 杜樹新，吳鐵軍.模式識(shí)別中的支持向量機(jī)方法［J］.浙江大學(xué)學(xué)報(bào)（自然科學(xué)版），2003，37（5）：521－527.

［10］ 丁世飛，齊丙娟，譚紅艷.支持向量機(jī)理論與算法研究綜述［J］.電子科技大學(xué)學(xué)報(bào)，2011，40（1）：2－10.

［11］ 許向陽，宋恩民，金良海.Otsu準(zhǔn)則的閾值性質(zhì)分析［J］.電子學(xué)報(bào)，2009，37（12）：2716－2719.

［13］ Bradski G，Kaehler A.學(xué)習(xí)OpenCV（中文版）［M］.于仕琪，劉瑞禎，譯.北京：清華大學(xué)出版社，2009.

［15］ 范昕煒.支持向量機(jī)算法的研究及其應(yīng)用［D］.杭州：浙江大學(xué)，2003.

［16］ 周玖玖.入侵檢測(cè)中支持向量機(jī)參數(shù)選擇方法研究［D］.長(zhǎng)沙：中南大學(xué)，2012.

［17］ 陳濱，田啟川.改進(jìn)的快速Otsu自適應(yīng)分割算法及其應(yīng)用［J］.計(jì)算機(jī)應(yīng)用研究，2012，29（4）：1572－1574.

［18］ 宋永東.支持向量機(jī)參數(shù)選擇的研究［D］.武漢：華中師范大學(xué)，2013.