计算机视觉又称机器视觉,是一种新兴的研究领域,它是利用摄像机和计算机技术模拟出人类的视觉系统并对外界信息进行处理的技术方法。计算机视觉包含着不同的研究方向,其中几个比较热门的有物体检测与识别、运动目标跟踪、三维重建等。近几年,随着计算机技术的快速发展,计算机视觉技术被运用到许多传统行业中,并取得较好的实用性效果。鱼类行为研究是水产养殖发展、提高捕捞效率和保护渔业资源可持续利用的基础,鱼类行为一般是鱼类针对外界环境的改变而进行的各种运动。鱼类游泳行为数据是研究鱼类生活习性的重要信息来源,鱼类游泳速度和加速度数据能反映鱼类在特定环境下的游泳能力,其游泳轨迹在一定程度上能分析出鱼类对所处的环境是否适应。传统的鱼类游泳行为监测主要以人为观察手工记录为主,劳动强度大、耗时长且效率较低,因此如何高效和稳定地获取鱼类游泳行为数据成为鱼类行为研究的主要课题。本文基于计算机技术对视频序列中的鱼类目标进行了检测和跟踪,提出了一种利用高斯混合模型、形态学处理和轮廓分析模型对鱼类目标进行定位提取的方法,升级了核相关滤波跟踪算法,改进了Camshift跟踪算法,并构造了鱼类游泳监测系统平台,因此本文对研究鱼类在特定环境下的生活习性有着重要的意义。本文选取青鳉鱼作为研究对象,主要工作包括以下三个部分:(1)总结了鱼类行为研究的背景与国内外现状,对鱼类检测和跟踪算法进行了总结回顾。分析了经典的运动检测和跟踪算法的原理以及存在的问题,为后续运动检测和跟踪算法的改进提供重要基础。(2)研究了基于高斯混合模型、形态学运算和轮廓分析模型的精准鱼类目标定位提取方法。首先对视频图像序列进行灰度化处理,然后利用高斯模板对图像进行滤波去除噪声处理,最后利用高斯混合模型、形态学处理和轮廓分析模型提取出精准的鱼类游泳目标。研究了增强的核相关滤波算法对鱼类进行跟踪,首先利用当前帧和之前帧的信息经过训练得出多核相关滤波器,再和新输入帧进行相关性运算,最后运算得到的响应值可以作为预测的跟踪结果,响应值最大处即为跟踪目标位置。结果表明,增强的核相关滤波跟踪算法能够实时稳定地跟踪鱼类游泳行为,提取的鱼类游泳轨迹与实时记录轨迹高度吻合。基于传统的Camshift跟踪算法,提出了一种结合Camshift跟踪算法和Kalman算法的方法,同时引入BP神经网络,提高了Kalman算法预测的精准度。结果表明,改进的Camshift算法在鱼类的快速移动或严重遮挡的情况下,仍能够稳定有效地跟踪,具有很好的抗干扰能力和鲁棒性。(3)以C++为开发语言,Open CV为计算机视觉库,Visual studio2015、Qt5.9.0作为开发框架,独立开发了鱼类游泳监测系统,对系统整体框架做了详细的介绍,描述了系统所包含的视频图像获取模块,视频图像处理模块和鱼类跟踪模块的设计与实现,并且封装了多种跟踪算法的实现,适应了不同环境的要求,同时实现了对鱼类游泳位置定位跟踪,实时显示和输出鱼类的游泳位置、速度和轨迹数据,并把生成的数据存储下来,以供后续对鱼类游泳行为的分析提供数据支持。本文研究的创新成果主要体现在:(1)利用高斯混合背景建模和轮廓分析模型相结合,对鱼类游泳目标进行了准确的目标定位与提取;(2)在传统核相关滤波算法的基础上,利用增强的核相关滤波算法对鱼类游泳目标进行了跟踪研究,并实时获取鱼类游泳轨迹、位置和速度数据,同时对不同大小的鱼类在鱼缸中的游泳领地进行了空间分析;在Camshift算法的基础上,将Camshift和Kalman算法相结合,同时引入BP神经网络,提高了Kalman算法预测的精准度;(3)设计并完成了基于计算机视觉鱼类监测系统,实现了对鱼类游泳视频图像处理和对鱼类游泳跟踪的实现,同时实时获取鱼类游泳运动参数数据,为鱼类游泳行为的系统性研究提供了有力的支撑。