[发明专利]一种基于神经网络的近岸海底鱼类检测及跟踪统计方法

说明书

本发明公开了一种基于神经网络的近岸海底鱼类检测及跟踪统计方法，本发明通过对输入的水下实时视频进行FcycleGAN图像迁移处理生成清晰图像，之后输入到基础神经网络Darknet53处理，来提取出视频中鱼的特征，主要包括鱼的形状特征、纹理特征等，检测分支分两阶段检测，最后输出鱼的具体位置和种类，跟踪分支输出鱼质点游动的雅可比矩阵和距离向量、然后将预测的位置的一定范围的鱼类和之前位置的鱼类进行匹配，从而由此得出每张图片中的鱼的位置、类别、编号。

技术领域

本发明涉及海底探索、检测领域，具体涉及一种基于神经网络的近岸海底鱼类检测及跟踪统计方法。

背景技术

海洋有非常丰富的生物资源；因此，沿海国家正在大力发展海洋牧场，特别是渔业增养殖型海洋牧场。联合国粮食及农业组织，联合国粮农组织记录了2016年海洋牧场的全球食用鱼产量为2870万吨（674亿美元），产量占2016年世界水产养殖总产量的49.5%，当前，近海捕鱼正在被过度开发，水产养殖业也正处于饱和状态；因此，海洋牧场经营被认为是解决渔业资源下降的重要途径，然而，海洋牧场经营也存在一些问题（如过度捕捞、生态系统失衡等），通过加强对水下生物资源的监测，可以根据水下生物资源的变化来控制捕捞的时机和强度，从而解决上述问题，对于海洋牧场来说，实时监测生物数量可以形成科学渔业管理和可持续鱼类生产的保护策略的基础，此外，鱼类资源统计数据有助于研究人员了解物种丰富度，相应的鱼类资源统计数据可以结合当地的海况进行分析，从而确定适合每个物种生存的条件，因此，该技术具有重要的现实意义。

在过去十年中，渔业管理领域引入了几种跟踪和检测方法，在检测算法中，传统的研究方法是通过融合多传感器和多特征信息提取水下目标的精细特征，例如，Ishibashi等人利用光学传感器获取水下目标的特定图像，Saini和Biswas通过使用自适应阈值检测边缘来检测目标，目前主流的方法是使用水下摄像机捕捉物体，深度学习算法提取特征，Faster-RCNN和Resnet等深度学习算法已应用于水下生物识别过程，如海参识别（Xia etal.，2018）和鱼类检测算法（CN202010003815.0），这种检测算法的主要问题是无法识别两帧中的鱼是否是同一动物；因此，需要一个跟踪模型，在跟踪算法中，传统的滤波方法，如粒子滤波、光流法和目标分割，是主要的方法，它们主要是在受控条件下进行测试，如在一个受限的实验室环境中，例如，Chuang利用对象分割和对象高度块体立体匹配来跟踪鱼，该方法将鱼分成多个部分进行匹配，忽略了鱼的整体特征，Sun提出了一种具有多个静态摄像机和重叠视场的水下监视系统的一致鱼类跟踪策略。采用加速鲁棒特征技术和质心坐标同形映射技术捕获鱼类，然而，这种方法不能识别鱼的种类，Romero-Ferrero提出了一种自动方法，以跟踪小或大的无标记动物群体中的所有个体，他们的算法对100人以下的群体具有很高的准确率；然而，这种方法必须在理想的实验室环境中执行，Meng-Che提出了一种鱼类分割与跟踪算法，该算法通过对双局部阈值图像采用直方图反投影的方法，克服了对比度低的问题，保证了鱼类形状边界的精确分割，然而，使用这种方法，鱼的突然移动可能会导致跟踪失败，此外，该算法过于复杂，难以实现实时跟踪。