Automated Fish Detection in Underwater Images Using Shape‐Based Level Sets: Fid-Bau Portal

Automated Fish Detection in Underwater Images Using Shape‐Based Level Sets

Ravanbakhsh, Mehdi

Underwater stereo‐video systems are widely used for the measurement of fish. However, the effectiveness of stereo‐video measurement has been limited because most operational systems still rely on a human operator. In this paper an automated approach for fish detection, using a shape‐based level‐sets framework, is presented. Knowledge of the shape of fish is modelled by principal component analysis ( PCA ). The Haar classifier is used for precise localisation of the fish head and snout in the image, which is vital information for close‐proximity initialisation of the shape model. The approach has been tested on underwater images representing a variety of challenging situations typical of the underwater environment, such as background interference and poor contrast boundaries. The results obtained demonstrate that the approach is capable of overcoming these difficulties and capturing the fish outline to sub‐pixel accuracy. Les systèmes vidéo stéréoscopiques sous‐marins sont largement utilisés pour la mesure des poissons. Cependant, la possibilité d'une telle mesure est limitée car la plupart des systèmes opérationnels s'appuient toujours sur un opérateur humain. Dans cet article, une approche automatisée pour la détection de poissons, utilisant une méthode par ensembles de niveau basée sur la forme, est présentée. La connaissance de la forme du poisson est modélisée par une analyse en composantes principales ( ACP ). Le classificateur de Haar est utilisé pour la localisation précise de la tête et du museau du poisson dans l'image, une information vitale pour l'initialisation du modèle de forme. L'approche a été testée sur des images sous‐marines représentant une variété de situations difficiles typiques des environnements sous‐marins, comme les interférences avec le fond et les limites peu contrastées. Les résultats obtenus montrent que la méthode permet de surmonter ces difficultés et de déterminer le contour du poisson avec une précision inférieure au pixel. Zur Vermessung von Fischen sind Unterwasser Stereo‐Video Systeme weit verbreitet. Allerdings benötigen die im Markt erhältlichen Systeme in der Regel den menschlichen Operateur und sind somit hinsichtlich Automation in der Effektivität begrenzt. Dieser Beitrag stellt einen automatisierten Ansatz zur Erkennung von Fischen vor, der auf Basis von Formkriterien arbeitet. Das Wissen über Fischformen wird durch eine Hauptkomponentenanalyse ( PCA ) modelliert. Mit Hilfe des Haar Klassifizierers wird eine genaue Lokalisierung von Kopf und Maul des Fisches im Bild erzielt, die entscheidend für die passende Initalisierung des Formmodells ist. Der vorgestellte Ansatz ist mit Unterwasseraufnahmen geprüft worden, die durchaus schwierige Situationen, wie Interferenz mit dem Hintergrund, oder schwache Kontrastgrenzen beinhalten. Es hat sich gezeigt, dass der Ansatz auch derartige Probleme bearbeiten kann und den Fischumriss mit Sub‐Pixel Genauigkeit erfassen kann. Los sistemas de video estereoscópico subacuático se usan profusamente en la medida de peces. Sin embargo, en la mayoría de los sistemas operacionales de video estereoscópico la eficiencia de las medidas está limitada a su dependencia en un operador humano. En este artículo se presenta un procedimiento de detección automático de peces. La forma de los peces se modela mediante el análisis de componentes principales. El clasificador de Haar se usa para la precisa localización de la cabeza y el hocico del pez en la imagen, información vital para una inicialización del modelo de la forma del pez. Este procedimiento ha sido comprobado en una variedad de imágenes acuáticas representando diversas situaciones difíciles del entorno acuático, tales cómo interferencias del fondo de la imagen y fronteras con un pobre contraste. Los resultados demuestran que este procedimiento es capaz de superar dichas dificultades y capturar el contorno del pez con precisión subpíxel. 水下立体视频系统广泛用于鱼类的测量。然而,由于多数立体视频量测仍然依赖于人工操作,因此限制了立体视频测量的应用。本文提出了一种自动化鱼检测的方法,使用基于形状的水平集框架。其中鱼的形状的知识通过主成分分析模型采集,Haar分类器用于在图像中鱼的头、鼻子的精确定位,这是形状模型初始化前的重要信息。该方法已在各类具有挑战性的典型的水下环境中获取的水下图像上进行了测试,如背景干扰和低对比度边界。结果表明该方法能够克服以上难题,且捕获的鱼的轮廓可以达到亚像素级精度。