本发明涉及一种鱼群探测识别方法，属于智能信息处理和目标检测与识别技术领域。
背景技术：
渔业资源声学评估作为近30余年逐渐发展完善起来的海洋生物资源调查和评估方法，准确、及时评估鱼类的资源和数量对渔业管理、生产、资源开发和相关行业具有重要意义。
渔业资源声学评估采用多定点回声探测-积分技术，其中鱼探仪是作为探测水生物资源的一种重要手段，广泛应用于渔业声学调查中。声学探测的主要方法有遥控走航方法和定点方法，实现全养殖水域无漏探测，交叉重叠区域信号经融合处理后获得养殖水域内全部鱼的统计信息。但我国在鱼探仪和水产资源评估方面的基础研究不深，自主研发的产品较少，尤其是分析软件基本没有，国外虽然有深入的研究并形成了系列化产品和相应的规范，但是国外的研究是基于海洋和湖泊的水产资源，特点是水质比较深并且清澈，鱼的种类相对来说比较少。国内养殖的特点不同于国外，没有现成的仪器和系统可利用，因此，开展自主知识产权的声学水产资源的评估仪器和系统研制，可以填补国内渔业养殖科学评估手段的空白，推动国内渔业养殖和保险的快速发展。
鱼探仪搭载在湖泊底部，对水下鱼类目标进行探测和统计的声呐，是渔业资源声学评估方面特有的评估设备，准确、及时评估鱼类的资源和数量对渔业管理、生产、资源开发和相关行业具有重要意义。
在现有技术中，鱼探仪经常使用的是声呐技术，工作时鱼探仪通常本身发出高频声波，然后根据回波来判断鱼群的方位和大小，通过声音传播和放射来确定物体的形状、探测和识别水里物体。现有技术一般是先获取并显示预设探测方向中目标鱼群的探测鱼群信息，显示目标鱼群的位置信息和大小信息；再通过识别目标鱼群的图像，确定并显示探测鱼群信息未包含的鱼群信息。但这只能获取目标鱼群的大致轮廓，并且含有大量噪声信息，不能得到较为准确的目标鱼群信息。
鱼探仪获得的声呐图像含有大量噪声信息及阴影严重，采用常用光学图像的目标检测算法不能满足声呐图像目标检测的要求。
技术实现要素：
针对上述问题，本发明的目的是提供一种快速、准确的基于鱼探仪的水下鱼类目标探测与识别方法，采用自组织神经网络背景减除算法进行前景目标检测及阴影判定，能比较好的从鱼探仪获得的声呐图像序列中检测鱼的位置并进行有效识别统计，以弥补现有技术的不足。
为达到上述目的，本发明采用如下技术方案：
一种基于鱼探仪的水下鱼类目标探测与识别方法，包括以下步骤：
步骤一、收集鱼探仪获得的不同鱼类的水下声呐图像，使用极限学习机elm(extremelearningmachine)方法对鱼类声呐图像进行分类训练获得识别分类器；
步骤二、采用水平和垂直方向波束自动扫描，使用定点探测方式，利用鱼探仪对探测范围内的鱼类进行声学探测，获取探测区域内所有鱼的水下声呐图像；
步骤三、对上述通过鱼探仪获得的水下声呐图像进行采集，获得n帧待检测识别声呐图像i＝{i1,…,ii,…in}，其中ii表示第i帧待检测识别声呐图像序列，利用图像滤波去噪、对比度增强预处理待检测识别声呐图像序列
步骤四、在步骤三中获得的第t帧待检测识别声呐图像序列it(m×n)的自组织神经网络背景减除(sobs)模型初始背景模型为ib(3m×3n)；
步骤五、将上述it重组为三通道图像之后转到hsv颜色空间，并使用高斯权重初始化背景模型，即it的一个像素(x,y)对应背景模型中的(i,j)(i＝n*x,n*x+1,...,x*(n+1)-1)；j＝n*y,n*y+1,...,y*(n+1)-1))，背景模型中每个值为(hi,j,si,j,vi,j)；
步骤六、在it+1中，计算it+1帧中像素pt与其对应背景模型中n2个像素值的最小距离，即
步骤八、若d(cm,pt)大于等于阈值，则进行阴影判断，判断规则如下，
步骤九、若不为背景模型或阴影，则判断为前景，获得s个前景目标(b1(x,y),...,bi(x,y),...,bs(x,y))；
步骤十、将获得的前景目标送入训练好的elm有效识别分类器中进行识别分类，进而对鱼类的数量，种类，大小进行统计。
本发明的有益效果：本发明采用自组织神经网络背景减除算法和elm算法来解决定点式鱼探仪获得的水下声呐图像鱼类的探测和识别问题，与常用目标检测算法相比，其目标检测效果更好，能快速检测出鱼体目标，正确的判定目标和阴影，鱼体轮廓清晰，为后续的识别处理提供准确的输入数据。采用elm算法进行声呐图像的识别分类，根据不同鱼类的声呐反射强度不同，elm算法学习到不同鱼类的特征，可以有效正确地对检测到的鱼类声呐图像进行精准快速的识别分类。本发明提出的算法能满足实时性要求，可应用于水下鱼群监测应用。本发明融合了检测与识别算法，针对鱼探仪声呐图像噪音多、阴影严重的问题，能比较好的从鱼探仪获得的声呐图像序列中检测鱼的位置并进行有效识别统计。
附图说明
图1是本发明的整体流程图。
图2是实施例1中鱼探仪获得的水下湖泊声呐图。
图3是图2分离前景与背景得到的前景目标图。
图4是由图3获得的前景目标经由elm的识别分类结果及阴影判定结果图。
图中，黑色框标识即为获得的阴影判定。
具体实施方式
为使本发明的目的、实施方案和优点更为清晰，下面结合附图并通过具体实施例来进一步详细说明本发明。
实施例1：
本实施例所采用的surf-hm鱼探仪是在湖泊中搭建的定点探测仪器，对水下鱼类目标进行探测和统计的声呐，该探测声呐主要由湿端和干端组成，其中湿端设计装有收/发换能器和扫描模块，湿端通过密封圆形法兰与装载平台连接，干端设计安装于装载平台内部，干端内装有电路部分，电路部分包括发射板、接收板、信号采集与处理板和底板，以及与外部连接的网络、232串口和电源接口。
本实施例数据采集地点：江苏省无锡姚湾某鱼塘(面积约3200平方米，水深约2.3米)。
本实施例的具体流程图如图1所示。
本实施例中具体采用一段通过鱼探仪从上述地点获得的声呐序列作为待检测和识别声呐序列，如图2所示。
以下步骤应当结合附图，以及具体结果进行详细描述，并应当只是发明内容里概况的步骤。
步骤一、收集鱼探仪获得的不同鱼类(鲫鱼、鳊鱼、青鱼、鲢鱼)的大量水下声呐图像，使用elm方法对鱼类声呐图像进行分类训练，获得一个有效的识别分类器；
步骤二、采用水平和垂直方向波束自动扫描，使用定点探测方式，实现探测范围内鱼类的声学探测，较高精度获取养殖区域内所有鱼的水下声呐图像；
步骤三、对通过鱼探仪获得的水下声呐图像进行采集，获得n帧待检测识别声呐图像i＝{i1,…,ii,…in}，其中ii表示第i帧待检测识别声呐图像序列，利用图像滤波去噪、对比度增强预处理待检测识别声呐图像序列
步骤四、在步骤三中获得的第t帧待检测识别声呐图像序列it(m×n)的自组织神经网络背景减除(sobs)模型初始背景模型为ib(3m×3n)；
步骤五、；将上述it重组为三通道图像之后转到hsv颜色空间，并使用高斯权重初始化背景模型，即it的一个像素(x,y)应背景模型中的(i,j)(i＝n*x,n*x+1,...,x*(n+1)-1)；j＝n*y,n*y+1,...,y*(n+1)-1))，背景模型中每个值为(hi,j,si,j,vi,j)；
步骤六、在it+1中，计算it+1帧中像素pt与其对应背景模型中n2个像素值的最小距离，即
步骤七、若d(cm,pt)小于阈值，则该像素pt被分为背景模型(如图3黑色部分)，进行模型更新。假设匹配像素cm位置为(x',y')，则背景模板像素cm周边像素进行更新，更新规则如下，
步骤八、若d(cm,pt)大于等于阈值，进行阴影判断，判断规则如下，
步骤九、若不为背景模型或阴影，则判断为前景，获得s个前景目标(b1(x,y),...,bi(x,y),...,bs(x,y))(如图3白色标识区域为获得的前景目标)；
步骤十、将获得的前景目标送入训练好的elm有效识别分类器中进行识别分类，进而对鱼类的数量，种类，大小进行统计。
检测，识别和统计结果见图4，矩形框内为所识别的鱼类，并在矩形框旁对其大小进行了长和宽的标注，左上角为对鱼类的数量和种类的自动统计结果的显示，经验证检测识别结果与真实结果大致相同，准确率可达95％。