[发明专利]一种基于集约化养殖的鱼类轨迹预测方法

说明书

本发明公开了一种基于集约化养殖的鱼类轨迹预测方法，包括步骤：S1、建立鱼塘模型并划分区域，设定各区域变化参数，获取鱼苗的检测框和外观特征；S2、设定鱼苗状态向量；S3、采集任一鱼苗的连续N帧状态向量，获得和l；S4、在检测第一帧时初始化；S5、根据第k帧各预测跟踪框所处区域、状态向量和协方差矩阵，得第k+1帧预测跟踪框的状态向量和协方差矩阵；S6、匹配第k+1帧检测框与第k+1帧预测跟踪框；S7、判断是否k≤N‑1，若是，更新状态向量、协方差矩阵、历史外观特征列表，置k＝k+1，重复步骤S5，否则，结束预测。该方法轨迹预测准确度高，减少错判、漏判问题，便于及时处理异常，提高经济效益。

技术领域

本发明属于图像处理技术领域，具体涉及一种基于集约化养殖的鱼类轨迹预测方法。

背景技术

近年来，一直在提倡绿色渔业的理念，推进水产养殖由粗放型向集约型发展，并致力于用科技引领和支撑集约化仿生态鱼类养殖。但在当前鱼塘的集约化仿生态鱼类养殖中，存在着诸多问题，如：鱼类因突发事件缺氧、水质环境持续恶化、鱼类发情期引起应急反应。如果在集约化仿生态养殖中没能及时地对此类情况进行处理，会造成鱼苗质量下降、产量降低甚至批量死亡的情况，提高了后期维护的生产成本，造成严重损失。

传统的跟踪算法是识别加跟踪的模式，其目标跟踪的模式主要是基于简单的运动预测结果加上结果与识别框匹配，从而起到跟踪的效果，在集约化仿生态养殖的应用情境下，由于养殖中的鱼苗运动速度较快、目标较小，跟踪时容易出现较大误差，如常会出现对某条鱼苗的识别框在下一帧绑定到另一条鱼苗上的偏移情况，导致轨迹跟踪错误。且目前较新的跟踪算法将识别与跟踪一体化，并着重挖掘目标的外观特征，用于辅助目标跟踪，而集约化养殖中的鱼苗外观特征较为单一相似且养殖密度较大，跟踪算法应用效果不佳。

发明内容

本发明的目的在于针对上述问题，提出一种基于集约化养殖的鱼类轨迹预测方法，提升了鱼类轨迹预测的准确度，在实际养殖中可及时对异常情况进行处理，降低由于轨迹跟踪失误造成错判或漏判问题，减少集约化仿生态鱼类养殖过程中的生产成本，提高经济效益。

为实现上述目的，本发明所采取的技术方案为：

本发明提出的一种基于集约化养殖的鱼类轨迹预测方法，包括如下步骤：

S1、获取鱼群活动轨迹视频，对每一帧图像建立平面几何鱼塘模型并进行区域划分，设定各区域的变化参数{d₁，d₂，d₃，d₄}，并通过目标识别算法获取每条鱼苗的检测框，滤除各帧图像中置信度低于预设阈值的检测框，并采用卷积神经网络算法获得向量L^e作为对应检测框的外观特征，其中，g为向量维度；

S2、将各条鱼苗的状态向量均表示为p＝[a，b，r，h，v_a，v_b，v_r，v_h]^T，其中，a为鱼苗的检测框中心横坐标，b为鱼苗的检测框中心纵坐标，r为检测框的长宽比，h为检测框的宽度，v_a为鱼苗的检测框中心横坐标方向变化速度，v_b为鱼苗的检测框中心纵坐标方向变化速度，v_r为检测框的长宽比变化速度，v_h为检测框的宽度变化速度；

S3、采集鱼群活动轨迹视频中任一条鱼苗的连续N帧对应的状态向量{p₁，p₂，...，p_n，...，p_N-1，p_N}，n＝1，…，N，获得鱼群的平均速度横坐标平均变化量纵坐标平均变化量和平均长度2；

S4、在检测第一帧时进行初始化，具体如下：