基于光流法與圖像紋理特征的魚群攝食行為檢測

陳志鵬　陳明

摘要：【目的】借助計算機視覺技術檢測魚群的攝食行為變化，為實現水產養殖中的精準投喂提供參考。【方法】以彩鯉為試驗對象，首先對魚群攝食過程的圖像進行中值濾波、直方圖均衡化預處理，提取目標魚群前景圖像，然后通過灰度共生矩陣計算魚群的紋理特征，利用Lucas-Kanade光流法計算魚群的運動方向矢量，并采用方向熵表征魚群運動的混亂程度，最后利用支持向量機算法對魚群攝食圖像進行訓練檢測。【結果】圖像預處理方法減少了水質渾濁對魚群圖像檢測的影響;基于光流法與圖像紋理特征定量分析魚群的攝食過程變化，避免了水面抖動及水花等復雜因素的影響。該方法的檢測準確率達97.0%，基本上能檢測識別出所有的魚群攝食狀態與正常游動狀態圖像;與基于形狀和紋理特征的檢測方法相比，其檢測精度提高4.5%（絕對值），可更好地滿足池塘養殖環境下的魚群攝食行為檢測工作需要。【建議】在今后的研究中將獲取更多魚群在不同環境下的攝食圖像，以提高模型泛化性，同時對魚群不同攝食階段特征參數設定閾值告警，以便更好地應用于智能餌料投喂設備研究。

關鍵詞： 圖像紋理;光流法;魚群攝食行為;支持向量機

中圖分類號： S951.2 ? ? ? ? ? ? ? ? ? ? ?文獻標志碼： A 文章編號：2095-1191（2019）05-1141-08

Abstract：【Objective】Using computer vision technology to detect changes in feeding behavior of shoal could provide a reference for accurate feeding in aquaculture. 【Method】Taking Cyprinus carpio var. color as an experimental object， median filtering and histogram equalization pre-processing were used to extract the foreground image of the target shoal， and the texture features of the shoal were calculated by the gray level co-occurrence matrix. The direction vector of the shoal was calculated by Lucas-Kanade optical flow method， then used direction entropy to characterize the chaos of shoal movement. Finally， the support vector machine algorithm was used to train and test the shoal feeding image. 【Result】In this paper， the image preprocessing method was used to reduce the influence of water turbidity on fish image detection. The optical flow method and image texture features quantitatively analyzed the changes in the feeding process of the shoal， avoiding the influence of complex factors such as water surface jitter and water splash. The experimental results showed that the detection accuracy of this method reached 97.0%， and it could basically detect the images of all the shoal feeding state and normal swimming state. Compared with the detection methods based on shape and texture features， the detection accuracy was improved by 4.5%（absolute value）， this method could better solve the problem of shoal feeding behavior detection in pond culture environment. 【Suggestion】In the subsequent study， more shoal feeding image in di-fferent environments will be used to improve the generalization of the model. In addition， threshold alarms will be set for the features parameters of different feeding stages of the fish to better apply to the research of intelligent bait feeding equipment.

Key words： image texture; optical flow methods; shoal feeding behavior; support vector machine

0 引言

【研究意義】近年來，隨著我國水產養殖技術的不斷發展，工廠規模化池塘漁業養殖產量不斷提高，水產養殖中魚群投喂量的精準控制問題受到越來越多的重視。目前魚群投喂仍以人工觀察投喂或機器投喂為主，無法根據魚群的實際攝食行為變化進行精準控制，從而造成飼養成本上升及水質環境惡化，影響魚群的健康生長（周應祺等，2013;胡金有等，2015），同時人工投喂的人力成本和技術成本會制約漁業生產效率。此外，魚群的攝食欲望變化會直接影響魚群的攝食行為變化。因此，通過研究分析魚群的攝食行為指導魚群精準投喂，有利于提高水產養殖效率。計算機視覺技術作為一種高精度、無接觸技術，在魚類檢測分析方面已成為重要的研究方向（段延娥等，2015）。利用計算機視覺技術可實時觀測魚群的攝食狀態，能夠精準判斷投餌時間，從而控制餌料的投放，有效提高餌料利用率。由于魚群在不同生長階段的攝食活動強度差異明顯（Delcourt et al.，2013;Delphine and Dominique，2014;Hu et al.，2016），因此利用計算機視覺技術檢測出魚群攝食狀態，從而量化分析魚群攝食過程，對于魚群餌料投放問題的研究具有重要意義。【前人研究進展】目前將計算機視覺技術應用于魚類行為學的研究已有許多成果。Ma等（2010）通過計算機視覺系統研究分析魚的運動軌跡變化情況來實時監測水質，但該方法檢測精度不高且對試驗條件有一定要求。于欣等（2014）采用魚群運動光流法和運動特征統計方法得到魚群運動矢量特征的概率分布情況，以此用來檢測魚群的異常行為，獲得較高的檢測精度。Liu等（2014）通過幀間差分法量化分析魚群的攝食行為，可免去對個體的跟蹤，但忽略魚群攝食引起的水花及反光等因素影響，使得檢測精度不足且計算復雜。趙建等（2016）提出一種改進動能模型量化魚群攝食變化過程，結合Lucas-Kanade光流法及信息熵提取水面反光區域變化特征進行攝食評估，避免了對魚群前景提取，但對試驗對象規模有一定要求。陳彩文等（2017）采用魚群攝食圖像紋理變化表征魚群攝食過程強度的變化，有效避免了魚群攝食過程中引起的水面反光等因素影響，檢測方法較簡單，但檢測精度有待提高。【本研究切入點】目前的研究大多是基于循環水養殖系統下的魚群進行實驗分析，對于規模化的池塘養殖研究較少。由于池塘養殖環境下的水質相對渾濁，跟蹤提取魚群目標位置的過程較困難且魚群存在密度較大、相互遮擋現象，使得量化分析魚群攝食過程十分困難（王勇平等，2015;Pautsina et al.，2015;Zhao et al.，2016）。魚群的攝食過程主要是運動速度和運動方向突變的過程，采用光流法能夠通過檢測圖像像素點隨著幀數變化情況提取目標的運動速度和方向矢量特征，進而檢測出圖像中的魚群運動目標，并且避免對魚群的跟蹤（Andrade et al.，2005）。此外，魚群圖像紋理會隨著魚群攝食行為的變化而改變。魚群攝食過程環境復雜多變且運動過程混亂，若僅采用光流法獲取魚群攝食過程中的運動方向特征，容易對低密度魚群圖像產生誤判;僅采用紋理信息，則在檢測區域魚群數量過多且正常游動情況下同樣產生誤判。【擬解決的關鍵問題】以池塘養殖彩鯉為試驗對象，結合養殖魚群攝食特性，提取出魚群圖像紋理特征和Lucas-Kanade光流方向熵特征，基于支持向量機（Support vector machine，SVM）對魚群攝食行為進行檢測，為解決魚群精準投喂問題和實現智能化農業發展提供參考依據。

1 數據來源與研究方法

1. 1 試驗材料

試驗對象為上海海洋大學養殖池塘觀賞彩鯉。該魚種生長較快，養殖效益高，此外魚體體色艷麗，便于圖像采集設備拍攝。試驗魚體長15～25 cm，飼養于深約1.0 m的池塘中，水體溫度保持在15 ℃左右。試驗時間為2018年5—8月。試驗前彩鯉已經于養殖池塘中生活數月并充分適應環境。

1. 2 魚群圖像采集

試驗魚群圖像數據采集系統如圖1所示，將一臺普通攝像機安裝固定在距離養殖池塘邊緣垂直高1.5 m的位置進行拍攝，保證能采集較高質量的圖像數據，通過調整鏡頭方向使其拍攝到池塘部分區域并確保拍攝環境光照均勻。采集的視頻圖像為位深24 bit的RGB圖像，圖像分辨率為640×368像素，幀率為30幀/s。拍攝的視頻圖像包含魚群正常游動階段、投喂攝食階段及攝食后游動階段。試驗過程中每隔1 s截取一幀進行計算，通過減少計算幀數來降低試驗所需計算時間，提高檢測效率和實時性。借助MATLAB R2013a圖像處理軟件在魚群攝食過程視頻中采集共700幀圖像，并進行檢測分析，算法試驗平臺為VS 2012和OpenCV 3.4.2。

1. 3 魚群攝食行為分析及特征提取研究方法

魚群在正常游動階段一般會集群游動，游動方式較統一，而在投喂攝食階段，魚群會迅速游到餌料投放位置搶食，運動方向較混亂，并引起水面波紋抖動及反光現象，圖像紋理也會相應改變。同時受光照、魚群間遮擋及水質環境等影響，采用傳統方法解決魚群分割與識別的問題較復雜。本研究將魚群攝食過程中引起的水面波紋抖動和濺起的水花也作為魚群圖像紋理變化因素，以整個魚群的圖像特征作為切入點，對魚群的攝食行為進行研究。結果發現，隨著魚群攝食活動及攝食魚群數量的變化，圖像紋理也會發生不同程度變化。圖2為魚群攝食前后的彩色圖片和灰度圖片。

試驗流程如圖3所示，首先采用中值濾波方法去除圖像噪聲，對采集到的圖像進行直方圖均衡化處理，以增強在相對渾濁的水質背景下魚群對比度。然后利用自適應高斯背景建模不斷更新背景圖像;再通過背景減除提取魚群前景圖像并灰度化，利用灰度共生矩陣提取出魚群攝食圖像的紋理特征;同時，通過Lucas-Kanade光流法計算獲取的前景魚群目標運動方向矢量，建立方向直方圖統計每幀圖像的方向矢量概率分布，據此計算魚群運動方向熵并用來表示每幀圖像魚群運動方向的混亂程度，從而估計出魚群攝食的混亂程度。最后將提取的圖像紋理特征及光流方向熵特征采用SVM進行訓練并檢測魚群的攝食狀態變化。

2 結果與分析

2. 1 基于灰度共生矩陣的魚群圖像紋理特征提取

紋理是反映物體表面隨時間變化的空間結構組成特征，如光滑度和粗糙度等，主要體現在圖像像素及其鄰域的灰度分布（劉麗和匡綱要，2009;Sadoul et al.，2014;喬峰等，2015）。通常采用灰度共生矩陣的統計特征來描述圖像的紋理分布信息。紋理是在空間位置上的灰度分布而形成，因此，在圖像中的任意兩個像素間均會存在一定的灰度關系，而采用灰度共生矩陣對灰度關系進行統計，其描述了灰度圖像的方向、相鄰間隔和變化幅度等綜合信息。本研究選取能量、逆差矩、對比度和熵4個特征來描述圖像的魚群紋理信息。

根據上述公式可知，灰度共生矩陣隨著不同方向、灰度等級及像素距離的變化會得到不同的圖像紋理信息。根據陳彩文等（2017）的研究結果，在0°、45°、90°和135°方向上的紋理信息所反映的特征變化趨勢基本相同。因此本研究選取像素方向為0°，灰度等級設為8級，像素距離設為10個像素，依此計算魚群攝食圖像的4個紋理特征參數量化魚群攝食變化過程。

2. 2 基于光流法的魚群運動方向熵特征提取

本研究采用Lucas-Kanade光流算法（Lucas and Kanade，1981;杜鑒豪和許力，2011）提取魚群的運動矢量特征，使空間窗口內的光流數量保持恒定，能夠根據視頻圖像中的運動目標數量及大小自動建立光流計算窗口大小，計算過程中只需要跟蹤少量的運動矢量特征點，計算量較少且應用場景廣泛。通過光流法對每一幀圖像的魚群運動方向矢量進行統計，所得到的魚群主要運動趨勢即可代表當前幀魚群的運動趨勢;通過建立方向直方圖統計魚群的運動方向矢量，方向直方圖是按照每45°為一個區間建立方向直方圖條，即360°方向共分為8個區間范圍。直方圖（h）的定義如下：

式中，p表示運動矢量方向的概率分布，x表示圖像幀數。熵值較小，則認為魚群運動方向趨于一致，魚群處于正常游動狀態;熵值較大，則認為魚群運動混亂，魚群處于攝食狀態。

在試驗過程中，首先讀取魚群攝食視頻幀，并獲取魚群前景圖像。其次，利用Lucas-Kanade光流法選取每個圖像幀中的光流場運動矢量特征點進行計算，并將所得到的光流矢量極坐標化;通過公式（1）統計每個方向區間的光流矢量數;通過公式（2）計算光流矢量概率分布來建立方向直方圖，則該直方圖即可表示該幀圖像中魚群的運動方向趨勢;通過公式（3）計算得出該幀圖像的運動方向熵。為了更直觀、清晰地查看試驗效果，將每幀圖像選取的光流矢量點用紅色箭頭表示。如圖4所示，第52幀圖像為魚群正常游動圖像，魚群運動方向主要以0°方向的上下45°范圍內為主，對應其運動方向直方圖的第1和第8個運動方向區間概率分布值相對較高，表明該方向區間即為魚群主要游動方向。如圖5所示，第326幀圖像為魚群處于攝食狀態的圖像，此時魚群運動方向比較混亂，對應其運動方向直方圖所有區間上的概率分布值相對比較均衡。

2. 3 特征參數曲線變化分析

根據上述方法獲得的圖像紋理特征及光流方向熵特征曲線如圖6和圖7所示，能量、逆差矩、對比度和熵4個圖像紋理特征和方向熵均能較好地描述魚群的攝食行為變化過程。在1～100幀時，魚群處于正常的游動狀態，由圖6-A和圖6-B可看出，能量和逆差矩特征值有小幅減少，但總體波動不大;由圖6-C和圖6-D可看出，對比度和熵特征值有小幅增加但總體波動同樣不大;由圖7可看出，魚群的運動方向熵特征值波動基本不變。在100～600幀時，魚群處于攝食狀態，此時魚群開始四處游動搶食，魚群個體運動方向十分混亂;由圖6-A和圖6-B可看出，能量和逆差矩特征值在攝食初期突然大幅度減少，且在整個攝食期間有較大波動;而由圖6-C和圖6-D可看出，對比度和熵特征值在攝食初期突然大幅增加且在整個攝食期間同樣有較大波動;由圖7可看出，魚群的運動方向熵特征值同樣突然變大且在整個攝食期間波動幅度較大。在600～700幀時，魚群基本攝食完畢并逐漸返回到正常游動狀態，僅有少量魚群搶食殘餌，由圖6-A和圖6-B可看出，能量和逆差矩特征值又逐漸增加到攝食前的水平且有小幅突變，這也與少量魚群搶食殘餌有關;而由圖6-C和圖6-D可看出，對比度和熵特征值逐漸減少并基本恢復到攝食前的水平值;由圖7可看出，魚群的運動方向熵特征值也在逐漸減少并有小幅波動。

2. 4 檢測方法的比較分析

2. 4. 1 基于SVM的魚群攝食行為檢測分析 為了能準確檢測出魚群的攝食狀態圖像，本研究選取SVM用于訓練所提取出的能量、逆差矩、對比度和熵4個圖像紋理特征和方向熵特征參數。SVM采用結構風險最小化原則，具有良好的學習泛化能力，可很好地克服神經網絡技術中所面臨的訓練速度慢、學習精度低等問題，在解決分類識別問題中應用廣泛（張學工，2000;陳彩文等，2018）。在SVM訓練過程中，其準確率與核函數的選取具有密切關系。大量的研究結果均表明徑向基（Radial basis function，RBF）核函數可較好地解決非線性映射分類問題。因此本研究選用徑向基核函數，即

K（x，y）=exp[-x-y22σ2]

在選取訓練樣本集過程中，隨機選擇700幀樣本集中的500幀圖片作為訓練集，剩下的200幀圖片作為測試集，利用SVM開始進行訓練和測試。為避免特征數值變化范圍過大，也為使訓練參數優化時能以較快的速度收斂，本研究將所提取的4個紋理特征參數及方向熵特征參數進行歸一化處理。由于懲罰參數c和核函數參數g影響SVM模型的訓練結果，采用libSVM軟件包快速選擇最優核函數參數，其中包含較多默認參數，可有效減少分類時間。經過多次參數調優試驗，當c=12，g=0.4472時，可得到最佳檢測效果。

2. 4. 2 基于形狀與紋理特征的魚類攝食狀態檢測方法 為驗證本研究中方法的有效性，通過與郭強等（2018）的檢測方法進行比較。該方法根據魚群攝食過程中的整體形狀參數變化特點及圖像紋理熵值變化，采用BP神經網絡模型訓練后用于檢測魚群攝食狀態，取得了良好的檢測效果。利用該方法計算本研究所獲得出的魚群攝食過程中的形狀參數變化曲線如圖8所示，形狀參數在100～600幀時變化趨勢比較明顯，該方法在面對養殖池水質渾濁且視頻監測范圍有限的情況下，僅提取了魚群圖像形狀及紋理靜態特征，另外魚群運動過程中的形狀參數多變且難以準確提取，對于試驗結果會有一定影響。

2. 4. 3 檢測結果對比分析 將兩種方法進行訓練測試后，所得結果如表1所示，基于形狀和紋理檢測方法的準確率為92.5%，低于基于光流法與圖像紋理特征的檢測方法，其原因是由于前者僅考慮魚群圖像靜態特征變化信息，對于魚群聚集而未攝食的狀態易產生誤判，同時對于渾濁水質環境下的魚群形狀特征難以準確提取。而本研究雖然檢測所需時間較長，達7.41 s，但準確率更高，達97.0%，且在實際養殖環境下，檢測時間對結果產生的影響可忽略。本研究在面對渾濁水質環境下，通過對魚群攝食行為靜態紋理特征與光流動態特征結合進行分析，不需要考慮由魚群搶食引起的水面波動等復雜因素影響，對于魚群的攝食行為檢測具有較高的準確率。因此本研究可應用于魚群的攝食行為分析與精準投喂研究。

3 討論

本研究通過結合圖像的靜態紋理特征和魚群運動的動態光流方向熵特征，對魚群攝食過程參數變化進行定量分析研究，并有效檢測出魚群的攝食狀態變化，避免了水面抖動及水花等復雜因素的影響，對于研究水質相對渾濁的養殖環境下魚群攝食行為分析與精準投喂問題具有一定的指導意義。根據魚群的攝食行為或與攝食相關的因素變化建立投喂策略模型，可有效實現飼料投喂量及投喂時間的精準控制。邢克智等（2013）結合養殖對象生長預測模型，建立了不同生長階段中投喂率及投喂量的變化模型，并開發了基于專家知識和模型的水產品精細養殖管理決策系統。Liu等（2014）結合投喂前后的水體溶解氧變化情況，建立以魚群聚集指數和爭搶強度變化參數為輸入的人工神經網絡模型，從而決定投喂策略，取得了良好的試驗效果。盡管上述方法都取得了不錯的試驗效果，但均為基于室內小范圍或循環水養殖系統（Recirculating aquaculture system，RAS）下的研究，針對粗放型池塘養殖環境下的魚群攝食行為量化效果還需進一步驗證。

雖然本研究檢測效果良好，但在某些方面還需要改進，如采集的魚群攝食視頻分辨率不高，成像質量相對較低，同時魚群的攝食狀態圖像以人工分類為主，對于模型訓練檢測結果可能會有一定影響。此外，采用SVM訓練模型的樣本類型較少，模型泛化能力不足。而試驗對象的游動習性及養殖密度是本研究檢測率較高的重要原因，對于工業化養殖模式下具有更大規模魚群的攝食行為檢測效果也有待商榷。

4 建議

本研究結合圖像紋理和Lucas-Kanade光流法來量化魚群的攝食行為強度，并采用SVM訓練檢測魚群攝食狀態，取得良好的檢測效果，可為魚群精準投喂難題的研究提供參考，但同時需要在以下方面進行改進：（1）獲取多角度圖像增強模型泛化性。采用高分辨率視頻采集設備獲取更高質量的圖像數據，并通過調整拍攝角度盡可能減少光照反射的影響，提高檢測精度。同時增加不同拍攝角度的魚群在不同天氣、養殖環境下的游動圖像，從而增強模型檢測泛化性能。（2）劃分不同攝食階段閾值告警。將魚群攝食過程劃分為多個階段，并對每個階段劃分不同的方向熵值范圍，從而及時判定魚群攝食狀態，可用于指導餌料的自動投放。在獲取魚群的光流方向矢量過程中，考慮增加魚群光流速度矢量特征對于檢測結果的精度提高具有一定幫助。（3）結合水質環境變化控制投喂。將計算機視覺技術應用于水產養殖生產可有效促進漁業信息化發展，提升管理效率和養殖效益。在利用計算機視覺技術的同時要結合水溫和溶氧量等水質環境變化因素，可更準確地監控魚群狀態，使水產養殖向精細化、科學化方向發展。

參考文獻：

陳彩文，杜永貴，周超，孫傳恒. 2017. 基于圖像紋理特征的養殖魚群攝食活動強度評估[J]. 農業工程學報，33（5）：232-237. [Chen C W，Du Y G，Zhou C，Sun C H. 2017. Evaluation of feeding activity of shoal based on image texture[J]. Transactions of the Chinese Society of Agricultural Engineering，33（5）：232-237.]

陳彩文，杜永貴，周超，孫傳恒. 2018. 基于支持向量機的魚群攝食行為識別技術[J]. 江蘇農業科學，46（7）：226-229. [Chen C W，Du Y G，Zhou C，Sun C H. 2018. Study on fish feeding behavior recognition technology based on support vector machine[J]. Jiangsu Agricultural Sciences，46（7）：226-229.]

杜鑒豪，許力. 2011. 基于區域光流特征的異常行為檢測[J]. 浙江大學學報（工學版），45（7）：1161-1166. [Du J H，Xu L. 2011. Abnormal behavior detection based on regional optical flow[J]. Journal of Zhejiang University（Enginee-ring Science），45（7）：1161-1166.]

段延娥，李道亮，李振波，傅澤田. 2015. 基于計算機視覺的水產動物視覺特征測量研究綜述[J]. 農業工程學報，31（15）：1-11. [Duan Y E，Li D L，Li Z B，Fu Z T. 2015. Review on visual attributes measurement research of aquatic animals based on computer vision[J]. Transactions of the Chinese Society of Agricultural Engineering，31（15）：1-11.]

郭強，楊信廷，周超，吝凱，孫傳恒，陳明. 2018. 基于形狀與紋理特征的魚類攝食狀態檢測方法[J]. 上海海洋大學學報，27（2）： 181-189. [Guo Q，Yang X T，Zhou C，Lin K，Sun C H，Chen M. 2018. Fish feeding behavior detection method based on shape and texture features[J]. Journal of Shanghai Ocean University，27（2）： 181-189.]

胡金有，王靖杰，張小栓，傅澤田. 2015. 水產養殖信息化關鍵技術研究現狀與趨勢[J]. 農業機械學報，46（7）：251-263. [Hu J Y，Wang J J，Zhang X S，Fu Z T. 2015. Research status and development trends of information technologies in aquacultures[J]. Transactions of the Chinese Society for Agricultural Machinery，46（7）：251-263.]

劉麗，匡綱要. 2009. 圖像紋理特征提取方法綜述[J]. 中國圖象圖形學報，14（4）：622-635. [Liu L，Kuang G Y. 2009. Overview of image textural feature extraction methods[J]. Journal of Image and Graphics，14（4）：622-635.]

喬峰，鄭堤，胡利永，魏玉艷. 2015. 基于機器視覺實時決策的智能投餌系統研究[J]. 工程設計學報，22（6）：528-533. [Qiao F，Zheng D，Hu L Y，Wei Y Y. 2015. Research on smart bait casting machine based on machine vision technology[J]. Chinese Journal of Engineering Design，22（6）：528-533.]

王勇平，聶余滿，謝成軍，雙豐. 2015. 基于機器視覺的養殖魚群智能投餌系統設計與研究[J]. 儀表技術，（1）：1-4. [Wang Y P，Nie Y M，Xie C J，Shuang F. 2015. Design and research of intelligent feeding system for farmed fish based on machine vision[J]. Instrumentation Technology，（1）：1-4.]

邢克智，郭永軍，陳成勛，田云臣，華旭峰，徐大為. 2013. 水產養殖先進傳感與智能處理關鍵技術及產品[J]. 天津科技，（2）： 45-46. [Xing K Z，Guo Y J，Chen C X，Tian Y C，Hua X F，Xu D W. 2013. Key technologies and products for advanced sensing and intelligent processing in aquaculture[J]. Tianjin Science & Technology，（2）： 45-46.]

于欣，侯曉嬌，盧煥達，余心杰，范良忠，劉鷹. 2014. 基于光流法與特征統計的魚群異常行為檢測[J]. 農業工程學報，30（2）：162-168. [Yu X，Hou X J，Lu H D，Yu X J，Fan L Z，Liu Y. 2014. Anomaly detection of fish school behavior based on features statistical and optical flow methods[J]. Transactions of the Chinese Society of Agricultural Engineering，30（2）：162-168.]

張學工. 2000. 關于統計學習理論與支持向量機[J]. 自動化學報，26（1）： 32-42. [Zhang X G. 2000. Introduction to statistical learning theory and support vector machines[J]. Acta Automatica Sinica，26（1）： 32-42.]

趙建，朱松明，葉章穎，劉鷹，李勇，盧煥達. 2016. 循環水養殖游泳型魚類攝食活動強度評估方法研究[J]. 農業機械學報，47（8）：288-293. [Zhao J，Zhu S M，Ye Z Y，Liu Y，Li Y，Lu H D. 2016. Assessing method for feeding activity of swimming fishes in RAS[J]. Transactions of the Chinese Society for Agricultural Machinery，47（8）：288-293.]

周應祺，王軍，錢衛國，曹道梅，張仲秋，柳玲飛. 2013. 魚類集群行為的研究進展[J]. 上海海洋大學學報，22（5）：734-743. [Zhou Y Q，Wang J，Qian W G，Cao D M，Zhang Z Q，Liu L F. 2013. Review of fish schooling behavior study[J]. Journal of Shanghai Ocean University，22（5）：734-743.]

Andrade E L，Blunsden S，Fisher R B. 2005. Characterisation of optical flow anomalies in pedestrian traffic[C]//The IEE International Symposium on Imaging for Crime Prevention and Detection. The IEE International Symposium on：73-78.

Delcourt J，Denoel M，Yileff M，Poncin P. 2013. Video multitracking of fish behavior of fish behavior：A synthesis and future perspectives[J]. Fish and Fisheries，14（2）：186-204.

Delphine M， Dominique P. 2014. Underwater video techniques for observing coastal marine biodiversity：A review of sixty years of publications（1952-2012）[J]. Fisheries Research， 154：44-62.

Hu L Y，Zheng D，Qiao F，Zhao J M，Chen J H. 2016. Research on smart cast for fish cage aquaculture based on image processing[C]//Proceedings of 2016 2nd Workshop on Advanced Research and Technology in Industry Applications（WARTIA 2016）. Computer Science and Electronic Technology International Society： 6.

Liu Z Y，Li X，Fan L Z， Lu H D， Liu L， Liu Y. 2014. Measuring feeding activity of fish in RAS using computer vision[J]. Aquacultural Engineering，60：20-27.

Lucas B D，Kanade T. 1981. An iterative image registration technique with an application to stereo vision[C]//Proceedings of the 1981 DARPA Imaging Understanding Workshop. Carnegie Mellon University， the Robotics Institute： 121-130.

Ma H，Tsai T F，Liu C C. 2010. Real-time monitoring of water quality using temporal trajectory of live fish[J]. Expert Systems with Applications，37（7）：5158-5171.

Pautsina A，Císa? P，?tys D， Terjesen B F， Espmark ? M O. 2015. Infrared reflection system for indoor 3D tracking of fish[J]. Aquacultural Engineering，69：7-17.

Sadoul B，Mengues P E，Friggens N C，Prunet P，Colson V. 2014. A new method for measuring group behaviours of fish shoals from recorded videos taken in near aquaculture conditions[J]. Aquaculture，430：179-187.

Zhao J，Gu Z B，Shi M M，Lu H D，Li J P，Shen M W，Ye Z Y， Zhu S M. 2016. Spatial behavioral characteristics and statistics-based kinetic energy modeling in special beha-viors detection of a shoal of fish in a recirculating aquaculture system[J]. Computers and Electronics in Agriculture，127：271-280.

（責任編輯 鄧慧靈）