基於影像差分直方圖於揚繩作業影像中之魚體偵測

Abstract

本研究以電子觀察員系統為基礎，研究如何以漁船上視訊監視系統之影片，智慧化偵測及定位影像中的魚體位置。基於梯度方向直方圖 (Histogram of Oriented Gradient HOG)的理論，我們提出三種特徵計算及判別的方法，對區塊影像進行有無魚的判別及完整影像的魚體偵測；方法一主要是計算影像梯度角度直方圖，對一張影像取出單一種特徵直方圖，並且利用K-means分群法得到10種有、無魚之模板特徵及建構倒傳遞類神經網路判別機制，對切割區塊影像(Bounding Box)進行判別。其中，分群法對於測試影像之魚體偵測正確率達到94 29%，類神經網路對測試影像魚體偵測正確率則為98 37%。但應用在完整影像作魚體偵測掃描時，結果卻是十不理想的。 對此，我們在研究作法二中提出「魚體全域特徵」及「魚體區域特徵」的特徵計算方式以及模板比對之判別機制，將影像之特徵由單一種擴增至7種，同時限縮模板種類為鮪魚，可改善研究方法一的魚體偵測正確率與無魚誤判率。以完整張數為計算單位，再給予一些特定條件後，85張完整測試影像中可得到魚體偵測率為85 9%。 為了消除並改進研究方法二中給予的限定條件及做法，在研究方法三中結合了Bagging演算法的概念並擴增了多種鮪魚模板及影像特徵之種類。以完整張數為計算單位的100張鮪魚及100張無魚影像中，可得到96 0%的有魚偵測率、89 71%的精確率及11 0%的無魚誤判率；若以Bounding Box觀點計算有、無魚誤判率的話，無魚誤判率甚至可以降到0 06%，而精確率也能達到89 93%，但鮪魚之偵測率會降至76 10%。最後嘗試利用鮪魚模板對鬼頭刀50張、旗魚和鯊魚各10影像進行偵測，其中以整張影像為計算單位，旗魚可達到100 0%、鬼頭刀有56 0%，而鯊魚只有50 0%的偵測率；但以Bounding Box觀點計算的話，旗魚有78 62%、鬼頭刀有53 07%，而鯊魚只有9 34%的偵測率，但鬼頭刀和鯊魚精確率皆可達100%，而旗魚也有99 39的精確率。

Date of Award	2016 Aug 17
Original language	Chinese
Supervisor	Chung-Hung Lin (Supervisor)