权重约束AdaBoost鱼眼识别及改进Hough圆变换瞳孔智能测量

胡祝华，张逸然，赵瑶池,3※，曹 路，白 勇，黄梦醒



权重约束AdaBoost鱼眼识别及改进Hough圆变换瞳孔智能测量

胡祝华1,2，张逸然1，赵瑶池1,3※，曹 路1，白 勇1,2，黄梦醒1,2

（1. 海南大学信息科学技术学院，海口 570228；2. 海南大学南海海洋资源利用国家重点实验室，海口 570228； 3. 天津大学计算机科学与技术学院，天津 330350）

针对传统鱼眼瞳孔直径测量方法耗时、耗力，且数据主观性强的问题，该文提出基于权重约束AdaBoost和改进Hough圆变换的鱼眼瞳孔直径智能测量方法。首先，利用工业相机采集实验板上的鱼图像，从正负鱼眼图像样本中训练出基于权重约束AdaBoost算法的鱼眼分类器；然后，采用该分类器对试验图像进行检测，将检测到的鱼眼局部图从整体图中分离出来；最后，采用改进的Hough圆变换检测出鱼眼的瞳孔，并计算得到瞳孔直径。对100条金鲳鱼进行试验，鱼眼分类精度达97.1%，瞳孔正确检测率达94.2%，相比改进前分别提升了1.7个百分点和10.5个百分点，与人工测量瞳孔直径值的平均偏差为6.5%，比改进前低了5.9个百分点，总的平均测量时间为324.371 ms，比改进前减少了10.707 ms。试验证明：该文提出的方法能够精确、实时、自动地测量出鱼眼瞳孔的直径，有效避免了传统测量方式的复杂性和测量数据的主观性，可为鱼体生长状况评估、良种选育提供重要参考。

水产养殖；图像处理；测量；鱼眼识别；瞳孔；计算机视觉；AdaBoost；改进Hough 圆变换

0 引 言

在智慧和健康水产养殖中，鱼体特征参数具有重要的意义[1]。在鱼类良种选育、鱼的等级、新鲜度分类评价方面，鱼的体长、体宽尤其是鱼眼瞳孔数据是重要的评判参数。然而，传统的鱼类体征参数的测量方法是在鱼体离水的情况下用直尺和游标卡尺等测量工具分步多次测量的，而且为了减少鱼类的强烈应激反应，需要先将鱼麻醉后再进行测量，这样不仅耗时、耗力，并且在测量后部分测量活体可能会出现停止进食，甚至无法保活的现象，对鱼类的生长和存活都造成了难以逆转的影响[2-4]。因此，水产养殖者希望能够实现鱼类体征测量的完全自动化、精准化和无接触化，而使用计算机视觉和图像处理技术来测量鱼的各项体征指标不仅可以实现自动化、无接触化，还能够解决人工测量数据主观性高的问题，很大程度上提高了测量效率和准确度，因此，应用计算机视觉和图像处理的方法到水产养殖领域是国内外在此方面研究的趋势。

国内外在利用计算机视觉等技术在鱼体提取、体征数据测量和进一步分级、分类方面已开展了一些研究[5]。王文静等[6]利用计算机视觉技术、聚类法将鱼体图像从背景中分离出来，计算鱼体面积，再根据其提出的模型计算出鱼体质量。张志强等[7]建立了对应淡水鱼的质量预测模型，从而实现对鱼按质量进行预测分级。为了实现鱼体的自动检测，通常可以采用的训练鱼体分类器的方法有：AdaBoost训练法[8]、神经网络法[9]。Hsieh等[10]基于投影转换法提出一种简单有效的金枪鱼长度测量方法，将方法应用于渔船甲板上，操作便捷。Jeong等[11]利用传感器技术，实现了对鱼体部分特征指标的测量。Yao等[12]将机器学习算法中的K-均值聚类算法应用于复杂背景下的鱼类提取，得到了较好的试验效果。余心杰等[13]结合机器视觉和称重传感器技术，设计了一种可对大黄鱼质量、体长和体宽等指标进行自动检测的系统。Ivorra等[14]结合3D成像和光谱分析技术，实现了对大西洋鲷鱼的新鲜度预测。张天时等[2]发明了一种测量台，用相机拍摄整个测量板，由人工对图像中鱼体对应的台面刻度进行读取，再根据缩小倍数换算出图像上鱼的瞳孔直径的实际长度。

上述研究虽然一定程度上解决了传统鱼体征数据测量效率低下、主观性高的问题，但大都是针对体长、体宽和质量数据的测量，在鱼眼瞳孔测量方面，由于鱼眼嵌入在鱼体之内，给测量技术提出了较高的要求，目前在鱼眼瞳孔测量方面少有研究。文献[2]可以实现无接触测量，但是测量方法还是人工测量，同样存在主观性强，精度差，人力耗费巨大的问题。受到利用Haar-like特征和AdaBoost算法进行人脸检测[15-17]和人眼检测[18-19]的启发，本文以金鲳鱼作为研究对象，提出了一种基于权重约束AdaBoost算法和改进Hough圆变换的鱼眼检测和瞳孔直径测量方法，以解决鱼眼瞳孔直径测量中耗时、耗力且精度差、效率低的问题。

1 试验设备及样本准备

1.1 试验条件及样本准备

图1为定制的图像采集装置结构图，由标准测量盘（平台底长560 mm ，宽400 mm）和机械臂构成。本文的试验对象为金鲳鱼，所有鱼例图像（彩色JPG格式，4 608×3 456像素）均采集于海南省陵水县新村镇盐墩村海南蓝海洋水产养殖有限公司（海南大学海洋学院产学研基地），使用装有相机（OLYMPUS TG-4，f/2.0，焦距：4 mm，自带镜头畸变校正）的采集装置对在正常光照下拍摄的金鲳鱼图像进行算法的分析和测试。试验的硬件环境为：Intel(R) Core(TM) i3-3110M CPU @ 2.40 GHz，4 GB内存；软件环境为：64位Windows10操作系统，VS2013+ OpenCV3.0编译套件。

1. 测量盘 2. 固定夹 3. 旋钮 4. 机械臂 5. 末端执行器

鱼例图像的采集过程为：采集相机固定在机械臂的末端执行器上，并通过数据线与笔记本直接相连，将鱼置于测量盘上后，通过调节机械手臂可设置相机位置、高度，使拍摄的画面正好能够覆盖平台底长，相机镜头平行于平台，且位于鱼体的正上方。采集与分析过程如图2所示。

图2 鱼体图像采集和分析流程图

1.2 技术方法

通过图像采集装置采集到800张4 608×3 456像素的鱼例图像，700张作为训练鱼眼分类器的样本，100张用于分类器的验证和鱼眼瞳孔直径的测量。训练过程是先从样本中提取出Haar-like特征值，用改进的基于权重约束的Adboost算法进行训练，得到鱼眼分类器。测量过程中首先对鱼例测量图像提取Haar-like特征，将特征值输入到AdaBoost分类器中，分割出鱼眼部分，然后采用改进的Hough圆变换得到鱼眼瞳孔和瞳孔像素直径，最后将瞳孔像素直径转换得到实际直径。测量方法的流程如图3所示。

图3 鱼眼瞳孔直径测量方法流程图

2 鱼眼分类识别和瞳孔直径测量方法

2.1 训练样本处理

从原始的鱼例图像（图4a）中手动截取出鱼眼部分，灰度化后作为正样本，如图4b所示。将原始的鱼例图像灰度化后等分成若干个小图像，将这些小图像中包含鱼眼的部分剔除，剩下的作为负样本集，如图4c所示。

图4 鱼的原始图像和正负样本图

2.2 基于权重约束的改进AdaBoost的鱼眼分类器构建

AdaBoost（adaptive boosting）算法[20]是一种自适应的Boost算法，通过改变同一个训练集中样本的权重，得到不同权重下的最优弱分类器，然后将这些弱分类器级联起来，构成一个强分类。但是在此权重更新机制下，AdaBoost算法在下一轮的弱分类器训练中重点关注错分样本[21]。随着难以错误分类样本的权重的增大，最后的分类器将会发生退化，导致分类效果很差[22-23]。针对此问题，本文提出权重约束的AdaBoost，对样本的权重设置了一个约束阈值（式（2）），以限制其增长，改进的AdaBoost算法如下

3）迭代：为指定的迭代次数

4）输出：强分类器：

2.3 鱼眼区域的分离

采用构建好的鱼眼分类器检测鱼眼区域的过程为：对整张鱼例测试图像灰度化，提取Haar-like特征值；利用一个滑动窗口，在整个图像里滑动，将滑动到的图像区域的Haar-like特征值输入到鱼眼分类器判断是否存在鱼眼，从而检测出鱼眼矩形区域；并计算矩形区域的内接圆得到鱼眼圆形区域，将鱼眼分离出来。

2.4 基于改进Hough圆变换的鱼眼瞳孔直径测量

2.4.1 鱼眼瞳孔检测

鱼眼瞳孔检测是指：从前述得到的鱼眼圆形区域中检测鱼眼瞳孔。鱼眼瞳孔近圆形，检测圆的方法有Hough变换[24-26]和拟合圆方法。由于Hough圆变换对噪声相对来说不敏感，因此，本文采用该方法。经典Hough圆变换在经过Canny算子提取以及形态学开闭运算过滤、封闭修复[27]后的边缘上随机选取3点，再根据圆的方程和三点位置求取圆心和半径，多次重复取点和计算圆的过程，最终选取圆心密集的位置作为待求圆的圆心。

但是在取点过程中，随机取的3点必须先判断是否在同一个圆上，且在不规则圆形中，这3点还可能由于分布紧密而对参数求解造成较大误差。针对此缺陷，本文对于Hough圆变换中3点的选取方法进行了改进以提高准确度和检测效率。具体步骤为：1）在前述封闭修复后的边缘上选取2个点1和2，过这2个点做一条直线12，再过点2做12的垂线，并在此垂线上找第3个点3，即垂线与边缘的交点。2）若此交点存在，则1、2、3这3个点构成直角三角形RT△123。3）根据直角三角形斜边中点必为其外接圆圆心的定律，可以得出直线13的中点即为圆心，直线1即为圆的半径。4）若3不存在，即12的垂线与边缘无交点，则另选两点1、2，重复以上步骤，直到找到直角三角形，确定圆心。

由图5所示，所选取的点1、2和3一定在同一个圆上，因此可以省略判断3点是否在同一个圆上的步骤；同时这3点不会由于过于密集而造成对参数求解带来较大的误差。鱼眼瞳孔检测的过程及结果图如图6所示。

图5 改进Hough圆变换求取直径原理

图6 Hough圆变换瞳孔检测

2.4.2 鱼眼瞳孔直径计算

通过上述步骤检测到瞳孔，圆心的坐标可以直接通过计算直线13的中点的坐标而求得，圆的直径，可以通过求直线13的长度而求得，提高了Hough圆检测的效率。

上述得到鱼眼瞳孔直径为像素距离，实际使用时需转换为实际距离。图像采集装置底长为L，对应采集所得图像长为L，通过本文前述方法计算得到的瞳孔直径像素距离记为L，转换后的瞳孔直径实际距离L可通过式（4）计算求得。

3 试验与结果分析

3.1 鱼眼检测器性能对比

对700张鱼眼的正样本图像（24×24像素），2 124张负样本图像（284×284像素）进行训练。分别获得基于AdaBoost和权重约束AdaBoost的鱼眼分类检测器，对100张金鲳鱼图像进行鱼眼分类检测，检测的鱼眼性能对比如表1所示。由表1可知基于权重约束的AdaBoost算法的鱼眼分类检测器对于鱼眼的检测正确率提高了1.7个百分点，漏检率下降了1.7个百分点。

表1 传统AdaBoost和权重约束AdaBoost算法性能对比

部分检测的效果对比如图7所示，其中图7a为基于传统AdaBoost的鱼眼分类器检测效果，图7b为基于权重约束AdaBoost的鱼眼分类器检测效果。显然，基于权重约束AdaBoost的分类检测器能检测出鱼眼，虽然有些检测结果没有将鱼眼完整地圈出，但是都能够将鱼眼瞳孔包括进来，在裁切过程中不会被漏掉，便于下一步对瞳孔直径的测量。图7c是在图7b的基础上采用经典Hough变换得到的瞳孔，采用未改进的方法是无法鲁棒地圈出瞳孔区域的；图7d是在图7b的基础上采用改进Hough圆变换得到的瞳孔，由图7d可知，获得的结果基本是准确有效的。

3.2 鱼眼瞳孔直径测量性能对比

对100张金鲳鱼图像完成鱼眼分类检测后，采用基于Hough圆变化的方法对检测出来的鱼眼部分进行瞳孔直径测量。为了验证本文方法的有效性和准确性，对试验素材中金鲳鱼鱼眼瞳孔直径进行3次人工测量，并取平均值作为标准数据。人工测量的过程为：首先在鱼排上将鱼麻醉；然后平放在量鱼板上；技术人员用卡尺对鱼眼分别进行3次独立的测量，每次测量不要求快速，但要求尽可能地准确，记录测量结果。若采用本文方法测量所得数据与标准数据的相对偏差在5%之内，则认为正确检测。

图7 改进前后的鱼眼检测对比和瞳孔检测结果对比

分别对前述检测到的鱼眼进行传统Hough圆变换和改进后的Hough圆变换，进而计算鱼眼瞳孔数据，统计分析结果如表2所示：正确检测率达到了94.2%，与传统Hough圆变换相比提高了10.5个百分点，漏检率下降了5.8个百分点，误检率降低了4.7个百分点。因此，改进后的Hough圆变换能够更加准确、快速地找到鱼眼瞳孔的位置，从而提高了算法的性能。

表2 传统Hough圆变换和改进Hough圆变换测量性能对比

与人工测量的直径进行比较，由图8可知，改进前的经典Hough变换的相对偏差均值为12.4%；而改进后的Hough圆变换测量的鱼眼瞳孔直径相对偏差的均值为6.5%，可知改进后的方法与人工测量的标准数据更加吻合，测量精度比改进前高出了5.9个百分点。算法测得的鱼眼瞳孔直径是有效可靠的，本文算法较为稳定，精度较高。

图8 鱼眼瞳孔直径测量数据比较和相对偏差比较

另外，基于Hough圆变换的瞳孔检测会在一定程度上依赖于鱼眼区域质量，即通过分类器得到的鱼眼的区域的效果将会影响到后续的Hough圆变换，如果鱼眼区域效果较差，将造成后续canny算子边缘提取时存在较多的干扰边缘，影响到鱼眼瞳孔的检测。下一步的工作将考虑增加改进Hough圆变换的鲁棒性，对测量瞳孔直径的方法进行优化，达到更加精准的测量。

3.3 算法时间分析

分别对100张试验图像利用改进后的算法以及原始算法进行计算测量，记录经过图像预处理、鱼眼检测、鱼眼瞳孔直径测量所需的时间，如图9所示。本文所提出的鱼眼检测与瞳孔直径测量方法平均耗时为324.371 ms，原始算法下的平均耗时为335.075 7 ms，本文所提出的改进方法可以节省10.707 ms，完全可达到实时测量的要求。

图9 改进和经典Hough圆变换的消耗时间对比

4 结 论

以金鲳鱼为研究对象，对拍摄到的鱼例图像提取Harr-like特征值，并用权重约束Adaboost算法训练出鱼眼检测分类器；利用分类器从鱼例图像中检测到鱼眼区域，利用改进的Hough变换检测瞳孔，并计算出实际直径。采用该分类器对100条金鲳鱼例图像进行检测得到鱼眼区域，鱼眼分类器的正确检测率达到了97.1%。采用改进Hough圆变换方法能更准确、快速地从鱼眼区域中检测出瞳孔，进而计算瞳孔直径。其正确检测率达到了94.2%，与传统Hough圆变换相比提高了10.5个百分点，漏检率下降了5.8个百分点，误检率降低了4.7个百分点，检测时间下降了10.707 ms。

参照人工测量的标准数据，本文提出方法所测得数据的相对偏差的平均值为6.5%；利用本文方法测量的平均时间为324.371 ms，远小于人工测量时间，也比改进前的方法所用时间更少。研究结果表明，本文所提出的鱼眼瞳孔直径测量方法具有稳定性好、测量精度高、速度快的特点，能够有效解决鱼眼检测效率低、数据主观性高的问题，从而可实现实时、大批量的鱼眼检测和瞳孔直径测量。

[1] 胡祝华，曹路，张逸然，等. 基于图像处理和线性拟合的鱼体尾柄测量方法研究[J]. 渔业现代化，2017，44(2)：43－49. Hu Zhuhua, Cao Lu, Zhang Yiran, et al. Study on fish caudal peduncle measuring method based on image processing and linear fitting[J]. Fishery Modernization, 2017, 44(2): 43－49. (in Chinese with English abstract)

[2] 张天时，梁兴明，李素红. 一种快速测量鱼体生长性状的装置：CN203323799U [P]. 2013-10-09.

[3] 段延娥，李道亮，李振波，等. 基于计算机视觉的水产动物视觉特征测量研究综述[J]. 农业工程学报，2015，31(15)：1－11. Duan Yan’e, Li Daoliang, Li Zhenbo, et al. Review on visual characteristic measurement research of aquatic animals based on computer vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(15): 1－11. (in Chinese with English abstract)

[4] 范兴. 麻醉对罗非鱼和金鲳鱼离水保活的影响[D]. 南宁：广西大学，2014. Fan Xing. Effect of Anesthetic on Transporting Live Tilapia and Golden Pompano Without Water[D]. Nanning: Guangxi University, 2014. (in Chinese with English abstract)

[5] 徐建瑜，崔绍荣，苗香雯，等. 计算机视觉技术在水产养殖中的应用与展望[J]. 农业工程学报，2005，21(8)：174－178. Xu Jianyu, Cui Shaorong, Miao Xiangwen, et al. Application and prospect of computer vision technology in aquacul­ture [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2005, 21(8): 174－178. (in Chinese with English abstract)

[6] 王文静，徐建瑜，吕志敏，等. 基于机器视觉的水下鲆鲽鱼类质量估计[J]. 农业工程学报，2012，28(16)：153－157. Wang Wenjing, Xu Jianyu, Lü Zhimin, et al. Weight estimation of underwater cynoglossus semilaevis based on machine vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(16): 153－157. (in Chinese with English abstract)

[7] 张志强，牛智有，赵思明，等. 基于机器视觉技术的淡水鱼质量分级[J]. 农业工程学报，2011，27(2)：350－354. Zhang Zhiqiang, Niu Zhiyou, Zhao Siming, et al. Weight grading of freshwater fish based on computer vision[J]. Tran­sactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(2): 350－354. (in Chinese with English abstract)

[8] Benson B, Cho J, Goshorn D, et al. Field Programmable Gate Array (FPGA) Based Fish Detection Using Haar Classi­fiers[M]. Atlanta: American Academy of Underwater Sciences, 2009.

[9] Alsmadi M K, Omar K B, Noah S A, et al. Fish recognition based on robust features extraction from size and shape measurements using neural network[J]. Journal of Computer Science, 2010, 6(10):1059－1065.

[10] Hsieh C L, Chang H Y, Chen F H, et al. A simple and effective digital imaging approach for tuna fish length me­asur­ement compatible with fishing operations [J]. Computers & Electronics in Agriculture, 2011, 75(1): 44－51.

[11] Jeong S J, Yang Y S, Lee K, et al. Vision-based automatic system for non-contact measurement of morphometric char­acteristics of flatfish [J]. Journal of Electrical Engine­ering & Technology, 2013, 8(5): 1194－1201.

[12] Yao H, Duan Q, Li D, et al. An improved K-means clustering algorithm for fish image segmentation [J]. Mathematical and Computer Modelling, 2013, 58(3): 790－798.

[13] 余心杰，吴雄飞，王建平，等. 基于机器视觉的大黄鱼形态参数快速检测方法[J]. 集成技术，2014(5)：45－51.Yu Xinjie, Wu Xiongfei, Wang Jianping, et al. Rapid detecting method for Pseudosciaena Crocea Morphological parameters based on the machine vision[J]. Journal of Integration Technology, 2014(5): 45－51. (in Chinese with English abstract)

[14] Ivorra E, Verdu S, Sánchez A J, et al. Predicting gilthead sea bream (sparus aurata) freshness by a novel combined tech­nique of 3D imaging and SW-NIR spectral analysis[J]. Sensors, 2016, 16(10): 1735.

[15] 龙伶敏. 基于Adaboost的人脸检测方法及眼睛定位算法研究[D]. 成都：电子科技大学，2008.

Long Lingmin. Face detection method and eye location algorithm based on Adaboost [D]. Chengdu: University of Electronic Science and Technology of China, 2008. (in Chinese with English abstract)

[16] 王海川，张立明. 一种新的Adaboost快速训练算法[J]. 复旦学报(自然科学版)，2004，43(1)：27－33. Wang Haichuan, Zhang Liming. A novel fast training algori­thm for Adaboost[J]. Journal of Fudan University (Natural Science), 2004, 43(1): 27－33. (in Chinese with English abstract)

[17] 武勃，黄畅，艾海舟，等. 基于连续Adaboost算法的多视角人脸检测[J]. 计算机研究与发展，2005，42(9)：1612－1621. Wu Bo, Huang Chang, Ai Haizhou, et al. A multi-view face detection based on real Adaboost algorithm[J]. Journal of Computer Research and Development, 2005, 42(9): 1612－1621. (in Chinese with English abstract)

[18] 徐来，周德龙. 人眼检测技术的方法研究[J]. 计算机系统应用，2010，19(6)：226－232. Xu Lai, Zhou Delong. Technology of human eyes detec­tion[J]. Computer Systems & Applications, 2010, 19(6): 226－232. (in Chinese with English abstract)

[19] 甘玲，朱江，苗东. 扩展Haar特征检测人眼的方法[J]. 电子科技大学学报，2010，39(2)：247－250. Gan Ling, Zhu Jiang, Miao Dong. Application of the ex­pansion Haar features in eye detection[J]. Journal of Univ­ersity of Electronic Science and Technology of China, 2010, 39(2): 247－250. (in Chinese with English abstract)

[20] Freund Y, Schapire R E. Experiments with a new boosting algorithm [C]//In Proceedings of the 13th Conference on Machine Learning, Morgan Kaufmann. USA, 1996, 148－156.

[21] 詹文田，何东健，史世莲. 基于Adaboost算法的田间猕猴桃识别方法[J]. 农业工程学报，2013，29(23)：140－146.

Zhan Wentian, He Dongjian, Shi Shilian. Recognition of kiwifruit in field based on Adaboost algorithm [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(23): 140－146. (in Chinese with English abstract)

[22] 郭乔进，李立斌，李宁. 一种用于不平衡数据分类的改进AdaBoost算法[J]. 计算机工程与应用，2008，44(21)：217－221.

Guo Qiaojin, Li Libin, LI Ning. Novel modified AdaBoost algorithm for imbalanced data classification [J]. Computer Engineering and Applications, 2008, 44(21) : 217－221. (in Chinese with English abstract)

[23] Lienhart R, Kuranov A, Pisarevsky V. Empirical analysis of detection cascades of boosted classifiers for rapid object detection [C]// Proceedings of the 25th German Pattern Recognition Sysposium. Magdeburg, 2003, 297－304.

[24] Hough P V C. Method and means for recognizing complex patterns: 3069654 [P]. 1962-03-25.

[25] 孙亦南，刘伟军，王越超. 一种用于圆检测的改进Hough变换方法[J]. 计算机工程与应用，2003，39(20)：35－37. Sun Yinan, Liu Weijun, Wang Yuechao. A method for circle detection using modified Hough transform[J]. Computer Systems & Applications, 2003, 39(20): 35－37. (in Chinese with English abstract)

[26] 马翠花，张学平，李育涛，等. 基于显著性检测与改进Hough变换方法识别未成熟番茄[J]. 农业工程学报，2016，32(14)：219－226. Ma Cuihua, Zhang Xueping, Li Yutao, et al. Identification of immature tomatoes base on salient region detection and improved Hough transform method[J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(14): 219－226. (in Chinese with English abstract)

[27] 吴露露，马旭，齐龙，等. 改进Hough变换的农作物病斑目标检测方法[J]. 农业工程学报，2014，30(10)：152－159. Wu Lulu, Ma Xu, Qi Long, et al. A method of target detection for crop disease spots by improved Hough transform[J]. Transactions of the Chinese Society of Agricul­tural Engineering (Transactions of the CSAE), 2014, 30(10): 152－159. (in Chinese with English abstract)

胡祝华，张逸然，赵瑶池，曹 路，白 勇，黄梦醒.权重约束AdaBoost鱼眼识别及改进Hough圆变换瞳孔智能测量[J]. 农业工程学报，2017，33(23)：226－232. doi：10.11975/j.issn.1002-6819.2017.23.029 http://www.tcsae.org

Hu Zhuhua, Zhang Yiran, Zhao Yaochi, Cao Lu, Bai Yong, Huang Mengxing. Fish eye recognition based on weighted constraint AdaBoost and pupil diameter automatic measurement with improved Hough circle transform[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(23): 226－232. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.23.029 http://www.tcsae.org

Fish eye recognition based on weighted constraint AdaBoost and pupil diameter automatic measurement with improved Hough circle transform

Hu Zhuhua1,2, Zhang Yiran1, Zhao Yaochi1,3※, Cao Lu1, Bai Yong1,2, Huang Mengxing1,2

(1.570228,; 2.570228,; 3.330350,)

In aquaculture, fisheye pupil diameters are important for the assessment of the growth of fish, which provide reference for later breeding and selection. Since fisheye pupil is embedded in the body of fish, it is harder to measure the diameter of fisheye pupil than measure body length, width and tail length. Traditional measurement of fish eye diameter in aquaculture, which is direct touching of the fish body using measuring tools, has low efficiency as well as high subjectivity since it is only based on manual work. Considering the above factors, we introduce computer vision and machine learning to the measurement of fisheye pupil diameters. An improved AdaBoost algorithm based on weighted constraint is proposed in this paper, which is used in fisheye classifier training; and an improved Hough circle transform is put forward to achieve real-time fish eye pupil diameter measurement. Firstly, in natural light conditions, fishes are placed on the base plate of a customized measuring device and are photographed using CCD (charge-coupled device) installed in the device, in which the distance between base plate and the CCD is fixed. Secondly, the Haar-like features in fish images are extracted and used to train a classifier with the improved Adaboost algorithm to distinguish whether some region is fish eye or not. The improved Adaboost algorithm is proposed based on weighted constraint, in which the weight value does not change only according to error rate but is limited by the weight value constraint. With the trained classifier of fish eye, the whole region of fish image is scanned, and fish eye region can be detected and then separated from the full image. Thirdly, the edges in the fish eye region are obtained with canny operator; noise and interference are filtered to some extent using morphologic transform. Then, we use an improved Hough circle transformation method, proposed in this paper, to circle the fish eye pupil and get its diameter. In the processing of finding a circle, 3 points are selected randomly in traditional Hough circle transform to construct a circle, while in the improved Hough circle transform proposed in this paper, the position of the 3rd point is fixed relying on the 1st and 2nd point, avoiding the problem of parameters error caused by random points. Finally, the diameter of fish eye pupil can be calculated using the conversion ratio between pixel diameter and real diameter. To validate the feasibility of the proposed method, we compare the measured data obtained by our method with the already-known standard reference data obtained from manual measurement. If the relative deviation is less than or equal to 5%, the result is considered correct. The experimental results show that the accuracy has reached 94.2% and the average relative deviation is 6.5%, which prove the validity of the data obtained by our method. In addition, the average measuring time is 324.371 ms, which is shortened significantly, compared with that of artificial measurement. Hence, the method proposed in this paper can measure the diameter of fish eye pupil timely and accurately, and reduce the complexity of traditional methods and the subjectivity of measured data. Furthermore, the method can also prevent the situation that fishes are harmed or even killed during the measurement process and require no more manual work.

aquaculture; image processing; measurement; fish eye recognition; pupil; computer vision; AdaBoost; improved Hough circle transform

10.11975/j.issn.1002-6819.2017.23.029

TP301.6

A

1002-6819(2017)-23-0226-07

2017-06-01

2017-11-26

海南省重大科技计划项目（ZDKJ2016015）；海南省自然科学基金资助项目（617033）；海南大学南海海洋资源利用国家重点实验室开放项目子课题（2016013B）；海南大学南海海洋资源利用国家重点实验室导向课题（DX2017012）

胡祝华，男，湖南桃江人，博士研究生，副教授，主要从事智慧农业、图像处理与计算机视觉的研究。Email：eagler_hu@hainu.edu.cn

赵瑶池，女，湖南湘潭人，副教授，主要从事图像处理与计算机视觉的研究。Email：yaochizi@163.com