买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国海洋大学

摘要：本发明涉及一种基于字典学习的鱼类投喂反应检测的方法，属于数字图像处理技术领域。本发明包括如下步骤：预处理；特征点提取；速度值矩阵及速度方向矩阵的计算；加速度矩阵构建；根据矢量三角形求解特征点加速度；帧平均加速度计算；投喂反应检测：设置训练集，根据训练集设置合适的帧平均加速度阈值，在阈值以上的即为由投喂产生的行为反应；字典学习：将稀疏表示与结构信息相结合，利用结构化字典进行学习和检测。本发明通过利用Lucas‑Kanade光流法提取特征点处的光流信息、运用K‑SVD迭代法对结构字典和稀疏表示系数进行优化，获得的检测结果相对于现有技术的检测率提高了8％～15％。

主权项：1.一种基于字典学习的鱼类投喂反应检测的方法，其特征在于，包括如下步骤：步骤一：预处理：对图像Ft灰度化、去噪预处理，得到预处理后图像Ft’；步骤二：特征点提取：对图像Ft’进行特征点提取，得到一系列特征点；步骤三：速度值矩阵及速度方向矩阵的计算：包括如下小步：第一步：利用Lucas-Kanade光流法提取特征点处的光流信息，计算每一特征点的每一帧的速度，得到速度值矩阵Vectort和速度方向矩阵Anglet，去除矩阵中过大或过小的值，以过滤掉因环境光变化引起的噪声，最后只保留由物体运动所形成的速度；第二步：时刻t帧为Ft，Δt后帧为Ft+Δt；pt为Ft上一特征点，坐标为（xi，yi），pt+Δt为Ft+Δt上对应的特征点，坐标为（xj，yj）；速度矢量的水平分量为Vx=ΔxΔt，Vy=ΔyΔt，则此特征点的速度矢量的值： α=arctanVxVy其中α为当前特征点的速度矢量与水平轴所成夹角；则每一特征点的速度值构成的矩阵即这一帧的速度值矩阵，每一特征点的速度方向值构成此帧的速度方向矩阵；步骤四：加速度矩阵构建：基于相邻两帧的速度矩阵和速度方向矩阵，计算每一帧的加速度矩阵At；步骤五：根据矢量三角形求解特征点加速度，为前一帧特征点的速度，为当前帧的速度，则，为速度变化值的大小，，ΔVx，ΔVy为点在两帧速度变化的两个分量； ，；特征点的加速度为， ，βt为加速度矢量与水平方向的夹角，βt=arctanΔVxΔVy；由此构成加速度矩阵At；步骤六：帧平均加速度计算：将当前帧的所有像素作为一个整体，把当前帧加速度矩阵中所有加速度非零的特征点的加速度平均值作为当前帧鱼群的帧平均加速度，设为，则，其中，pi为当前帧中某一加速度非零的运动特征点，atpi为pi的加速度，n为当前帧中所有加速度非零的运动特征点的数量；步骤七：投喂反应检测：设置训练集，根据训练集设置合适的帧平均加速度阈值，在阈值以上的即为由投喂产生的行为反应；步骤八：字典学习：将稀疏表示与结构信息相结合，利用结构化字典进行学习和检测，包括如下小步：第一步：引入了参考事件用于结构化字典的学习过程；第二步：运用K-SVD迭代法对结构字典和稀疏表示系数进行优化。

全文数据：基于字典学习的鱼类投喂反应检测的算法技术领域本发明涉及一种基于字典学习的鱼类投喂反应检测的算法，属于数字图像处理技术领域。背景技术近年来，随着动物应激相关学科的发展，人们越来越关注鱼类应激生物学的研究。阐述了应激的概念、鱼类应激的发生及危害，主要包括应激反应对鱼类的生长、行为及机体健康的影响。从饲料投喂方面提出了相应的缓解措施。最后，分析了饲料投喂与鱼类应激反应之间存在的问题，并对其发展前景进行了展望，旨在为水产健康养殖及鱼类保护生物学等方面的研究与应用提供参考。现有的投喂产生的行为反应算法通常在选取局部背景像元时每次都使用了大规模的全局像元作为字典，给求解稀疏向量带来较大的计算负担；在求解稀疏向量时没有考虑稀疏向量内部的结构稀疏信息，造成求解稀疏向量不准确，目标检测效率不高。发明内容针对现有技术存在的上述缺陷，本发明提出了一种基于字典学习的鱼类投喂反应检测的算法。本发明所述的基于字典学习的鱼类投喂反应检测的算法，包括如下步骤：步骤一：预处理：对图像Ft灰度化、去噪预处理，得到预处理后图像Ft’；步骤二：特征点提取：对图像Ft’进行特征点提取，得到一系列特征点；步骤三：速度值矩阵及速度方向矩阵的计算：包括如下小步：第一步：利用Lucas-Kanade光流法提取特征点处的光流信息，计算每一特征点的每一帧的速度，得到速度值矩阵Vectort和速度方向矩阵Anglet，去除矩阵中过大或过小的值，以过滤掉因环境光变化引起的噪声，最后只保留由物体运动所形成的速度；第二步：时刻t帧为Ft，Δt后帧为Ft+Δt；pt为Ft上一特征点，坐标为xi，yi，pt+Δt为Ft+Δt上对应的特征点，坐标为xj，yj；速度矢量的水平分量为Vx＝ΔxΔt，Vy＝ΔyΔt，则此特征点的速度矢量的值：α＝arctanVxVy其中α为当前特征点的速度矢量与水平轴所成夹角；则每一特征点的速度值构成的矩阵即这一帧的速度值矩阵，每一特征点的速度方向值构成此帧的速度方向矩阵；步骤四：加速度矩阵构建：基于相邻两帧的速度矩阵和速度方向矩阵，计算每一帧的加速度矩阵At；步骤五：根据矢量三角形求解特征点加速度为单位时间特征点的速度差，为前一帧特征点的速度，为当前帧的速度，则为速度变化值的大小，ΔVx，ΔVy为点在两帧速度变化的两个分量；特征点的加速度为βt为加速度矢量与水平方向的夹角，βt＝arctanΔVxΔVy；由此构成加速度矩阵At；步骤六：帧平均加速度计算：将当前帧的所有像素作为一个整体，把当前帧加速度矩阵中所有加速度非零的特征点的加速度平均值作为当前帧鱼群的帧平均加速度，设为则其中，pi为当前帧中某一加速度非零的运动特征点，atpi为pi的加速度，n为当前帧中所有加速度非零的运动特征点的数量；步骤七：投喂反应检测：设置训练集，根据训练集设置合适的帧平均加速度阈值，在阈值以上的即为由投喂产生的行为反应；步骤八：字典学习：将稀疏表示与结构信息相结合，利用结构化字典进行学习和检测，包括如下小步：第一步：引入了参考事件用于结构化字典的学习过程；第二步：运用K-SVD迭代法对结构字典和稀疏表示系数进行优化。优选地，所述步骤八第一步中，引用的参考事件包含鱼群运动特征，采用H-S光流法提取梯度直方图。优选地，所述步骤八第一步中，参考事件是正常事件的集合，正常事件具有相似的特征，运用平滑正则化，描述正常事件之间的联系。优选地，所述步骤八第一步中，相似特征包括鱼群的相似运动情况和鱼群的相对位置。优选地，所述步骤八第二步中，运用K-SVD迭代法对结构字典和稀疏表示系数进行优化，包括以下小步：a.学习过程：结构化字典的学习过程，包括参考事件中鱼群运动特征的提取、特征的平滑正则化和通过迭代进行稀疏系数的优化；b.检测过程：利用学习后的结构化字典，结合参考事件，对包含鱼群的视频序列中的事件进行检测。本发明的有益效果是：本发明所述的基于字典学习的鱼类投喂反应检测的算法，通过利用Lucas-Kanade光流法提取特征点处的光流信息、运用K-SVD迭代法对结构字典和稀疏表示系数进行优化，获得的检测结果相对于现有技术的检测率提高了8％～15％。附图说明图1是本发明的原理流程框图。具体实施方式为了使本发明目的、技术方案更加清楚明白，下面结合实施例，对本发明作进一步详细说明。实施例1：如图1所示，本发明所述的基于字典学习的鱼类投喂反应检测的算法，包括如下步骤：步骤一：预处理：对图像Ft灰度化、去噪预处理，得到预处理后图像Ft’；步骤二：特征点提取：对图像Ft’进行特征点提取，得到一系列特征点；步骤三：速度值矩阵及速度方向矩阵的计算：包括如下小步：第一步：利用Lucas-Kanade光流法提取特征点处的光流信息，计算每一特征点的每一帧的速度，得到速度值矩阵Vectort和速度方向矩阵Anglet，去除矩阵中过大或过小的值，以过滤掉因环境光变化引起的噪声，最后只保留由物体运动所形成的速度；第二步：时刻t帧为Ft，Δt后帧为Ft+Δt；pt为Ft上一特征点，坐标为xi，yi，pt+Δt为Ft+Δt上对应的特征点，坐标为xj，yj；速度矢量的水平分量为Vx＝ΔxΔt，Vy＝ΔyΔt，则此特征点的速度矢量的值：α＝arctanVxVy其中α为当前特征点的速度矢量与水平轴所成夹角；则每一特征点的速度值构成的矩阵即这一帧的速度值矩阵，每一特征点的速度方向值构成此帧的速度方向矩阵；步骤四：加速度矩阵构建：基于相邻两帧的速度矩阵和速度方向矩阵，计算每一帧的加速度矩阵At；步骤五：根据矢量三角形求解特征点加速度，为前一帧特征点的速度，为当前帧的速度，则为速度变化值的大小，ΔVx，ΔVy为点在两帧速度变化的两个分量；特征点的加速度为βt为加速度矢量与水平方向的夹角，βt＝arctanΔVxΔVy；由此构成加速度矩阵At；步骤六：帧平均加速度计算：将当前帧的所有像素作为一个整体，把当前帧加速度矩阵中所有加速度非零的特征点的加速度平均值作为当前帧鱼群的帧平均加速度，设为则其中，pi为当前帧中某一加速度非零的运动特征点，atpi为pi的加速度，n为当前帧中所有加速度非零的运动特征点的数量；步骤七：投喂反应检测：设置训练集，根据训练集设置合适的帧平均加速度阈值，在阈值以上的即为由投喂产生的行为反应；步骤八：字典学习：将稀疏表示与结构信息相结合，利用结构化字典进行学习和检测，包括如下小步：第一步：引入了参考事件用于结构化字典的学习过程；第二步：运用K-SVD迭代法对结构字典和稀疏表示系数进行优化。所述步骤八第一步中，引用的参考事件包含鱼群运动特征，采用H-S光流法提取梯度直方图。所述步骤八第一步中，参考事件是正常事件的集合，正常事件具有相似的特征，运用平滑正则化，描述正常事件之间的联系。所述步骤八第一步中，相似特征包括鱼群的相似运动情况和鱼群的相对位置。所述步骤八第二步中，运用K-SVD迭代法对结构字典和稀疏表示系数进行优化，包括以下小步：a.学习过程：结构化字典的学习过程，包括参考事件中鱼群运动特征的提取、特征的平滑正则化和通过迭代进行稀疏系数的优化；b.检测过程：利用学习后的结构化字典，结合参考事件，对包含鱼群的视频序列中的事件进行检测。本发明的有益效果是：本发明所述的基于字典学习的鱼类投喂反应检测的算法，通过利用Lucas-Kanade光流法提取特征点处的光流信息、运用K-SVD迭代法对结构字典和稀疏表示系数进行优化，获得的检测结果相对于现有技术的检测率提高了8％～15％。本发明可广泛运用于数字图像处理场合。以上所述仅为本发明的较佳实施例而己，并不以本发明为限制，凡在本发明的精神和原则之内所作的均等修改、等同替换和改进等，均应包含在本发明的专利涵盖范围内。

权利要求：1.一种基于字典学习的鱼类投喂反应检测的算法，其特征在于，包括如下步骤：步骤一：预处理：对图像Ft灰度化、去噪预处理，得到预处理后图像Ft’；步骤二：特征点提取：对图像Ft’进行特征点提取，得到一系列特征点；步骤三：速度值矩阵及速度方向矩阵的计算：包括如下小步：第一步：利用Lucas-Kanade光流法提取特征点处的光流信息，计算每一特征点的每一帧的速度，得到速度值矩阵Vectort和速度方向矩阵Anglet，去除矩阵中过大或过小的值，以过滤掉因环境光变化引起的噪声，最后只保留由物体运动所形成的速度；第二步：时刻t帧为Ft，Δt后帧为Ft+Δt；pt为Ft上一特征点，坐标为xi，yi，pt+Δt为Ft+Δt上对应的特征点，坐标为xj，yj；速度矢量的水平分量为Vx＝ΔxΔt，Vy＝ΔyΔt，则此特征点的速度矢量的值：α＝arctanVxVy其中α为当前特征点的速度矢量与水平轴所成夹角；则每一特征点的速度值构成的矩阵即这一帧的速度值矩阵，每一特征点的速度方向值构成此帧的速度方向矩阵；步骤四：加速度矩阵构建：基于相邻两帧的速度矩阵和速度方向矩阵，计算每一帧的加速度矩阵At；步骤五：根据矢量三角形求解特征点加速度，为前一帧特征点的速度，为当前帧的速度，则为速度变化值的大小，ΔVx，ΔVy为点在两帧速度变化的两个分量；特征点的加速度为βt为加速度矢量与水平方向的夹角，βt＝arctanΔVxΔVy；由此构成加速度矩阵At；步骤六：帧平均加速度计算：将当前帧的所有像素作为一个整体，把当前帧加速度矩阵中所有加速度非零的特征点的加速度平均值作为当前帧鱼群的帧平均加速度，设为则其中，pi为当前帧中某一加速度非零的运动特征点，atpi为pi的加速度，n为当前帧中所有加速度非零的运动特征点的数量；步骤七：投喂反应检测：设置训练集，根据训练集设置合适的帧平均加速度阈值，在阈值以上的即为由投喂产生的行为反应；步骤八：字典学习：将稀疏表示与结构信息相结合，利用结构化字典进行学习和检测，包括如下小步：第一步：引入了参考事件用于结构化字典的学习过程；第二步：运用K-SVD迭代法对结构字典和稀疏表示系数进行优化。2.根据权利要求1所述的基于字典学习的鱼类投喂反应检测的算法，其特征在于，所述步骤八第一步中，引用的参考事件包含鱼群运动特征，采用H-S光流法提取梯度直方图。3.根据权利要求1所述的基于字典学习的鱼类投喂反应检测的算法，其特征在于，所述步骤八第一步中，参考事件是正常事件的集合，正常事件具有相似的特征，运用平滑正则化，描述正常事件之间的联系。4.根据权利要求3所述的基于字典学习的鱼类投喂反应检测的算法，其特征在于，所述步骤八第一步中，相似特征包括鱼群的相似运动情况和鱼群的相对位置。5.根据权利要求1所述的基于字典学习的鱼类投喂反应检测的算法，其特征在于，所述步骤八第二步中，运用K-SVD迭代法对结构字典和稀疏表示系数进行优化，包括以下小步：a.学习过程：结构化字典的学习过程，包括参考事件中鱼群运动特征的提取、特征的平滑正则化和通过迭代进行稀疏系数的优化；b.检测过程：利用学习后的结构化字典，结合参考事件，对包含鱼群的视频序列中的事件进行检测。

百度查询： 中国海洋大学 基于字典学习的鱼类投喂反应检测的方法