目前已存在很多成熟的运动目标检测算法.帧间差分法^[6]计算量小,实时性高,但检测出的目标不完整,容易引入噪声; 混合高斯模型法^[7]虽然检测效果好,但计算量大,对系统的要求高.对于本研究的实验环境而言,鱼缸背景及水体颜色主要包括大量的蓝色分量信息,使用的红色斑马鱼同背景色差较大,考虑到这种明显的色彩差异,对红蓝分量进行差分可以增强前景与背景的对比度,进而通过阈值分割提取出前景.

本研究采用RGB颜色空间下的红蓝分量差分法.即对需要处理的同一图像帧的红、蓝分量进行差分,再经过阈值分割处理,得到二值化图像.这种方法运用在前景与背景存在很大色差的稳定环境中,可以实现良好的检测效果,且计算量很小,系统的处理速率快,不受反光现象的影响,结果如图1所示.

图1 红蓝分量差分法对运动目标的检测结果
Fig.1 Target detection via difference of R and B components

在目标检测过程中,外界光源、水箱中的杂质漂浮物、气泡等因素都会对结果造成影响,因此需先对阈值分割后的图像进行中值滤波和形态学运算^[8]等去噪处理.由于鱼轮廓的大小远超于噪声,当某一轮廓的面积远小于鱼体最小面积值时,判断其为噪声,去掉该区域.

在做鱼群实验时,二值图像中有多个目标区域^[9].而在量化其行为特征时,必须单独处理每条鱼的行为信息,因此要对二值图像进行标记^[10],用不同的号码划分出不同的连通区域:由上及下且由左及右地依次扫描图像,当扫描到值为1的点时,如果它与之前标记过的点在同一连通区域内,就用这一区域的号码做标记; 否则使用新号码,建立一个新区域.

目标跟踪算法^[11]的主要原理是在帧序列中利用目标的颜色、形态、规模以及细节特征等信息进行匹配,由于在时间间隔较短的两帧中,运动目标的变化很小,所以这些信息相似度最高的最有可能是同一个运动目标.一般来说,相邻视频帧中鱼类移动的距离很小,也就是说,相邻两帧的重合面积最大的两个轮廓区域极有可能是同一个运动目标.实现思路如下:

1)对相邻的两帧二值图像进行叠加,计算出重叠面积块{B}.并对{B}的每个子集标记质心.每个质心分别对应于两帧图像中的两个目标区域.

2)按面积从大到小遍历{B}.对每个子集来说,若质心对应的两帧图像的两个目标区域均未被匹配,则标记这两个目标区域为同一个运动目标; 若有至少一个目标区域已经完成匹配,则继续遍历{B}.

该方法原理简单,只需要与重合面积块个数相同的操作次数就能实现目标跟踪,计算量小,满足实时性要求.该方法在单个目标或多个目标之间距离较大的情况下具有较高的性能.结果如图2所示,该算法可以正确地划分出每个运动区域,并且清晰地标记出运动轨迹.

图2 最大重合面积目标跟踪算法
Fig.2 Target tracking algorithm via maximum overlap area

针对鱼群进行位置参数分析^[12],可反映出异常情况下鱼的应激反应.分别计算各个区域的质心坐标(X_c,Y_c)和面积A.将前景目标分割成无限小的小块,第i个小块的坐标为(x_i,y_i),面积为A_i,计算质心的公式如下:

X_c=(∑_AΔA_i·x_i)/A,Y_c=(∑_AΔA_i·y_i)/A.(1)

群心坐标(C_X,C_Y)由各个目标的质心坐标按面积进行加权平均获得,反映群体分布的中心位置,计算公式如下:

C_X=(∑^N_k=1A_kX_k)/(∑^N_k=1A_k),C_Y=(∑^N_k=1A_kY_k)/(∑^N_k=1A_k),(2)

其中,N为目标的个数,(X_k,Y_k)为第k个目标区域的质心坐标,A_k为第k个区域的面积.

空间标准差(X_SD或Y_SD)反映群体沿着X轴和Y轴的密集或离散程度,计算如下:

X_SD=((∑^N_k=1A_k(X_k-C_X)²)/(∑^N_k=1A_k))^1/2,

Y_SD=((∑^N_k=1A_k(Y_k-C_Y)²)/(∑^N_k=1A_k))^1/2.(3)

评估鱼群的活跃化程度^[13]主要参考其运动能力的大小.本研究使用相对游速,取体长单位为cm,归一化速率单位为cm/s,计算每次单条鱼的游速,对所有鱼的游速进行平均运算,即得到鱼群的平均游速.对于同一个运动目标,分别求其在当前帧图像和前一帧图像中的质心坐标(X_n,Y_n)和(X_n-1,Y_n-1),帧率是N帧/s,每条鱼体长L由椭圆模型的长轴近似,故其归一化速率为:

V=N·((X_n-X_n-1)²+(Y_n-Y_n-1)²)^1/2/L.(4)

红色斑马鱼的体色在正常情况下很鲜艳,但当水环境受到重金属污染时,则开始慢慢变暗^[14].在HSI空间下,色调和亮度无关,饱和度S越大,色彩越鲜艳,反之则越淡.本研究利用饱和度分量量化鱼类体色,对形态学操作得到的二值图像,创建一个标记矩阵,把该矩阵覆盖到相应的HSI空间上,通过RGB图像的转换,提取出HSI空间下目标的饱和度分量.

由于硬件条件的限制,本研究仅模拟最简单情况下的系统,包括一个实验水箱、普通相机以及较高性能的计算机.通过摄像机捕捉鱼群的动态视频图像,利用计算机对视频进行实时分析,提取出鱼群的参数信息,由此判断水质是否异常.在实验过程中,存在很明显的光线反射以及水面倒影现象,但对本研究采取的红蓝分量差分法没有影响,仍可以准确检测出运动目标,验证了这种方法的抗干扰性能.

选择的受试鱼类为红色斑马鱼^[15],红色斑马鱼是原产于亚洲的淡水观赏鱼类,体长在4 cm左右,体形为纺锤形,体色鲜艳,正常情况下在水箱中底部不断游动且均匀分布,适宜的生存环境为20～23 ℃,对水源质量要求较低,较容易饲养.更重要的是,其基因与人类具有很高的同源性,达到87%.也就是说,用斑马鱼做的实验得到的结果通常也适用于人类.

实验所用的红色斑马鱼从花鸟市场购买,体长大约为3 cm,提前两周在实验环境里,采用曝气后的水进行养殖,采用恒定的日光灯作为唯一光源.保证实验环境稳定、安静,尽量减小外界条件对鱼类的影响.实验所用的毒性试剂为五水合硫酸铜,其中含有铜离子,是常见的重金属污染成分,可以很好地模拟出水质污染的情况.

实验过程中尽量避免外界光照和人为干扰的影响,建立一个相对稳定的实验环境.实验的前一天停止喂食物.单次实验随机选择10条健康的红色斑马鱼.实验分为正常情况和污染初期、污染末期这3种情况进行:实验前设置2～3 h的过渡期,使鱼群适应实验环境; 在鱼群的行为稳定后,进行约30 min的正常监测; 加入毒性试剂,进行约30 min污染初期的监测; 进行约30 min污染末期的监测,记录好数据.

在实验过程中,通过摄像机捕捉鱼群的动态视频图像,利用计算机对视频进行实时分析,提取出鱼群的参数信息,每5帧取平均值以对数据进行平滑处理^[16],分析得到的数据,判断水质是否异常.

本研究对数据进行非参数秩和检验^[17],显著性水平均取0.01,每种状态取500帧数据.表1和表2分别是正常情况-污染初期、污染初期-污染末期的统计特性结果.其中,V、S分别表示归一化速率、饱和度.可以看出,归一化速率、群心纵坐标、水平和垂直方向的空间标准差、饱和度分别在正常情况-污染初期、污染初期-污染末期的对比中都存在显著性差异,说明在正常情况和受到污染的两个阶段中鱼群的行为会出现明显变化,故可以使用这5个参数作为检验水质的参考标准.

表1 正常情况和污染初期样本统计特性
Tab.1 The sample statistical properties of normal and pollution-early

注:**表示两样本之间具有显著性差异(显著性差异<0.01).

表2 污染初期和污染末期样本统计特性
Tab.2 The sample statistical properties of pollution-early and pollution-later

注:**表示两样本之间具有显著性差异(显著性差异<0.01).

正常情况下鱼群的活跃化程度趋于一个稳定的较小值,且均匀分布在水箱中底部; 污染初期鱼群出现应激行为,游动速率增大,发生躲避行为,聚集在某个方位上; 污染末期鱼群开始出现无力、拖尾现象,不规律地分布,有的鱼浮向水面,游动速率减小,部分鱼死亡.下面针对各个水质监测的指标进行具体分析.

3.3.3 体色量化分析

红色斑马鱼的体色用HSI颜色空间下的饱和度S分量量化,由于各个像素点的饱和度分量存在差异,无法直接进行比较,因此计算运动目标的每个像素点的饱和度分量的平均值作为参数指标.其体色在正常情况下很鲜艳,即饱和度较大.但当水环境受到重金属即铜离子的污染时,鱼的体色会逐渐变得暗淡,饱和度分量也随之减小.实验结果如图3(e)所示.在这3个过程中,饱和度分量一直呈现减小的趋势.

图3 3种情况下各参数的变化曲线
Fig.3 Parametric variation in normal,pollution-early,pollution-later