隨著環(huán)境污染的日益加劇,水資源極度匱乏已成為世界普遍性問(wèn)題。水源污染日益嚴(yán)重,水源的污染導(dǎo)致飲用水等生活用水中的有毒有害物質(zhì)明顯增加,污染的水質(zhì)對(duì)人類(lèi)健康和生活造成了極大威脅。為此研究在線水質(zhì)監(jiān)測(cè)技術(shù)刻不容緩。生物式監(jiān)測(cè)技術(shù)由于其自身具有實(shí)時(shí)、富集、綜合等特性逐漸成為水質(zhì)監(jiān)測(cè)研究者關(guān)注的熱點(diǎn)。在生物式水質(zhì)監(jiān)測(cè)中,魚(yú)類(lèi)作為重要的指示生物,其運(yùn)動(dòng)特征、生理特征等信息,直接反映水環(huán)境的變化情況,表征當(dāng)前水質(zhì)污染狀況。針對(duì)水污染監(jiān)測(cè)問(wèn)題,利用正常水質(zhì)和異常水質(zhì)下的魚(yú)類(lèi)具有明顯區(qū)別的運(yùn)動(dòng)特征和運(yùn)動(dòng)模式。本文提出了基于視覺(jué)感知和魚(yú)類(lèi)運(yùn)動(dòng)特征集成的生物式水質(zhì)監(jiān)測(cè)。具體研究?jī)?nèi)容如下:(1)利用兩個(gè)視角的攝像機(jī)采集魚(yú)體運(yùn)動(dòng)視頻圖像,通過(guò)Kuhn-Munkres(KM)算法對(duì)魚(yú)體目標(biāo)進(jìn)行特征點(diǎn)匹配,卡爾曼濾波進(jìn)行更新當(dāng)前狀態(tài),找到最優(yōu)的跟蹤位置作為跟蹤結(jié)果。KCF算法對(duì)跟蹤過(guò)程中出現(xiàn)丟失和運(yùn)動(dòng)過(guò)程中產(chǎn)生碰撞或遮擋的目標(biāo)進(jìn)行補(bǔ)償,有效地降低了光照、遮擋、水面波動(dòng)所帶來(lái)的誤差。此算法可以直接得到了目標(biāo)運(yùn)動(dòng)軌跡,避免了從圖像序列中質(zhì)心點(diǎn)再提取,在很大程度上提高了效率。(2)為避免二維運(yùn)動(dòng)軌跡的片面性,實(shí)驗(yàn)將不同...

【文章頁(yè)數(shù)】：79 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題背景及研究的目的和意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 魚(yú)類(lèi)跟蹤研究現(xiàn)狀
        1.2.2 水異常狀態(tài)研究現(xiàn)狀
    1.3 當(dāng)前研究成果存在的不足
    1.4 本文的主要研究?jī)?nèi)容
第2章 生物式水質(zhì)監(jiān)測(cè)系統(tǒng)建立
    2.1 引言
    2.2 實(shí)驗(yàn)平臺(tái)搭建
        2.2.1 實(shí)驗(yàn)平臺(tái)硬件搭建
        2.2.2 實(shí)驗(yàn)平臺(tái)軟件搭建
    2.3 實(shí)驗(yàn)方案
        2.3.1 實(shí)驗(yàn)用魚(yú)
        2.3.2 實(shí)驗(yàn)試劑
        2.3.3 試驗(yàn)方法
    2.4 本章小結(jié)
第3章 魚(yú)體目標(biāo)跟蹤與檢測(cè)
    3.1 引言
    3.2 魚(yú)體目標(biāo)檢測(cè)算法研究
        3.2.1 常見(jiàn)的目標(biāo)檢測(cè)算法
        3.2.2 Mobile Net_SSD目標(biāo)檢測(cè)算法
        3.2.3 目標(biāo)檢測(cè)實(shí)驗(yàn)結(jié)果
    3.3 魚(yú)體目標(biāo)跟蹤算法研究
        3.3.1 常見(jiàn)的目標(biāo)跟蹤算法
        3.3.2 孿生網(wǎng)絡(luò)單目標(biāo)跟蹤算法
        3.3.3 卡爾曼濾波多目標(biāo)跟蹤算法
        3.3.4 目標(biāo)跟蹤實(shí)驗(yàn)結(jié)果
    3.4 本章小結(jié)
第4章 魚(yú)類(lèi)三維運(yùn)動(dòng)軌跡重建
    4.1 引言
    4.2 直接線性變換原理
    4.3 空間運(yùn)動(dòng)三維軌跡重建
    4.4 利用軌跡判別水質(zhì)
    4.5 運(yùn)動(dòng)特征參數(shù)提取
    4.6 本章小結(jié)
第5章 生物式水質(zhì)分類(lèi)器建立
    5.1 引言
    5.2 本文選取的水質(zhì)分類(lèi)算法
        5.2.1 SVM水質(zhì)分類(lèi)器
        5.2.2 XGBoost水質(zhì)分類(lèi)器
        5.2.3 Pointnet水質(zhì)分類(lèi)器
    5.3 集成學(xué)習(xí)
        5.3.1 投票法
        5.3.2 平均法
        5.3.3 學(xué)習(xí)法
        5.3.4 MAIS集成學(xué)習(xí)
    5.4 模型訓(xùn)練與優(yōu)化
    5.5 實(shí)驗(yàn)結(jié)果與分析
    5.6 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間承擔(dān)的科研任務(wù)與主要成果
致謝



本文編號(hào)：3744480