基于生物识别与分类的高清深海摄像系统

开篇：润墨网以专业的文秘视角，为您筛选了一篇基于生物识别与分类的高清深海摄像系统范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

本文设计了一套具有生物识别功能的深海高清视频监控系统。该系统在传统的深海摄像系统的基础上进行改进，不但能对水下环境进行实时监控，并且提高了数据传输速度，视频图像分辨率，并且应用图像处理技术从采集到视频图像中识别出生物，最后进行分类，经过测试，分类正确率可达百分之八十，这种智能的识别分类方法代替了传统的人工识别方法，提高了科研人员的工作效率，也为海洋资源研究做出了贡献。

【关键词】深海摄像 高清 生物 识别 分类

1 系统介绍

该系统由硬件和软件部分组成。硬件部分主要包括光纤通信系统，水下测控系统。系统框图如图1。

视频采集模块将两路高清相机的视频数据通过千兆网交换机经光纤收发器传给上位机进行实时监控。水下测控系统根据上位机控制命令打曰蚬乇账下相应的高清摄像机、照明灯和高度计等水下设备，并通过水下传感器定时采集系统电压，水下温度，漏水情况，离底高度，和拖体姿态，GPS等状态信息，并将此状态信息通过网络转串口模块转换成网络数据通过网络将其反馈给上位机。

软件部分设计，在windows系统下使用visual c++语言，vc6.0环境下开发。上位机界面如图2所示。

该软件实现了两路视频图像和传感器数据的实时显示，两路视频的录像，历史录像回放，抓图。

2 传统的深海视频监控系统与改进的深海视频监控系统

传统的视频监控系统采用模拟摄像头，图像分辨率低，采用串口通讯，传输速度慢，而改进的深海高清视频监控系统采用德国imagesorcing高清网络摄像机，使得图像分辨率提高到1600*1200，采用千兆网交换机，每个端口可达2000Mbps的传输速度。通讯方式采用基于tcp-ip的socket网络通讯，代替传统的串口通讯，上位机作为服务器端，USR-TCP232-E45作为客户端，进行通讯。使得数据传输速度大大提高。对于软件中抓图后获取的的图片，能从中提取到生物的轮廓根据轮廓信息进行识别和分类。

3 识别和分类

3.1 形状提取

由于海洋生物形状各异，所以本文利用形状特征进行识别。目前基于形状的描述方法有基于轮廓的方法和基于区域的方法，基于区域的描述方法抗噪能力更强，更完整的描述了生物的形状信息。常用的基于区域的形状描述方法有：形状的面积，几何矩，正交矩，傅里叶描述算子等。其中正交矩可以构造任意的高阶矩，包含形状的信息全面，但是在计算高阶矩需要将图像归一化到单位圆内，计算量大，傅里叶描述子的很好地描述形状的信息，但是也要进行归一化处理。由于生物在运动过程中形态会发生变化，比如旋转，随着摄像机的运动会发生放缩，而Hu不变矩具有旋转，放缩，平移不变性，所以本文采取Hu不变矩对于生物性状进行描述。

3.2 形状提取过程

首先对输入的视频进行帧提取，本文选取的视频源来自2008年深海摄像的资料，本文选取具有代表性的七种常见的海洋生物进行识别与分类。帧提取结果如图3。

因为深海环境复杂，原始图像往往含噪声，不清晰，所以要对原始图像进行去噪和图像增强等预处理，预处理后进行灰度化和二值化，进行连通区与检测，找出面积周长最大的连通区域，即为目标生物的轮廓，绘制出轮廓后，进行区域填充，即可得到生物的形状。以下以鱼的形状提取为例，图3为原始图像，图4为一条鱼的形状提取过程。

4 形状特征描述

4.1 Hu不变矩

5 分类

5.1 BP神经网络分类

BP（back propagation）神经网络是一种按误差反向传播算法训练的多层前馈网络，能学习和存储大量的输入/输出模式映射关系，无需事前描述这种映射关系。针对Hu 矩提取特征值的分类采用3 层BP 神经网络，其中输入层7 个节点，对应Hu 矩的7 个特征值，隐含层5 个节点，输出层7个节点。网络结构见图5。

5.2 支持向量机分类

支持向量机（Support Vector Machine，SVM）是Corinna Cortes和Vapnik等于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。支持向量机原理图如图6。

支持向量机将向量映射到一个更高维的空间里，在这个空间里建立有一个最大间隔超平面。在分开数据的超平面的两边建有两个互相平行的超平面。建立方向合适的分隔超平面使两个与之平行的超平面间的距离最大化。其假定为，平行超平面间的距离或差距越大，分类器的总误差越小。

5.3 分类结果

本文采用以上两种方法进行分类，训练样本选取200个，测试样本选取70个，分类结果如图7。

5.4 结果分析

图7中，红色代表预测分类结果，蓝色代表实际分类结果，两者不重合即为分类错误，重合则为分类正确，采用BP神经网络分类的正确率为82.85%，而SVM分类的正确率为92%，原因是BP 神经网络结构简单，但进行分类时具有不稳定性，因为每次训练的时候选择的阈值不同。而支持向量机是以统计学理论为基础和结构风险化最小化为原则，从而保证了机器学习具有良好的泛化能力。所以分类效果由于神经网络。

6 总结

目前对于形状差异较大的生物基本能实现正确的分类。但是由于水下复杂的环境使得生物目标轮廓提取不够准确，对识别有一定的影响。此外，海洋生物种类繁多，形态各异，基于矩的形状特征描述得方法还不够全面。目前只能识别形状差异较大的生物，对于形状相似的容易造成分类错误，还须进一步研究。

参考文献

[1]陈学雷.海洋资源开发与管理[M].北京：科学出版社，2000：12-25.

[2]曹菲.深海摄像，把海底世界“捞”上来[J].地质勘查导报，2007（06）.

[3]杨文鹤.我国海洋技术现状与发展[J].世界科技研究与发展，1998，11（4）：9-12.

[4]钟川源.基丁同轴电缆的能源与数据信息混合传输技术的研究[D].杭州：杭州电子科技大学，2007.

[5]刘敬彪.基于光缆的水下视频和数据传输系统研制[D].杭州电子科技大学，2011.

[6]施家栋，王建中.动态场景中运动目标检测与跟踪[J].北京理工大学学报：自然科学版，2009，29（10）：858-860.

[7]李小三.海底观测网络摄像系统设计与实现[D].浙江大学 流体传动及控制国家重点实验室，2005.

[8]王亮.光流技术及其在运动目标检测和跟踪中的应用研究[D].长沙：国防科学技术大学，2007.

[9]江志军，易华蓉.一种基于图像金字塔光流的特征跟踪方法[J].武汉大学学报：工学版，2007，32（ 8） ： 680-683.

[10]海康DS-IP-2306A视频服务器配置说明书.

[11]多功能串口转以太网转换器（USR-TCP232-E45 系列） 说明书.

[12]6100 系列视频服务器用户使用手册（Ver2.0）.

[13]Chung-Ching Lin，Marilyn Wolf.Detecting Moving Objects Using a Camera on a Moving Platform[C].IEEE International Confer-ence on Pattern Recognition，2010：460-463.

[14]LI Ni WANG Wen-chao A Moving Object Tracking Method Based on Optical Flow Computing.doi：10.3969/j. issn，2014.

[15]Keith Jack.Video Demystified（5th Edition）[M].America： Newnes，2007.

[16]XU Xuan，JIANG Ming-xin，HUANG Jing，XU Jing，LI MinSoftware.interface design of MFC-based engineering School of Information Engineering.Dalian Nationalities University，Dalian 116600，China.

[17]WEI Xi Research on Detection Technology for Motion Targets When the Camera is Moving College of Civil Aviation， Nanjing University of Aeronautics and Astronautics， Nanjing Jiangsu， 210016）.

[18]McKenna S，Jabri S，Duric Z，et al. Tracking groups of people[J].Computer Vision and Image Understanding，2000，80（01）：42-56.

作者简介

陈启（1990-），女，浙江省杭州市人。现为杭州电子科技大学在读硕士。主要研究方向为电子科学与技术。

作者单位

杭州电子科技大学 浙江省杭州市 310018