技術(shù)特征：

1.一種基于魚類活性分析的水質(zhì)毒性檢測方法，包括以下步驟：

1)以鯽魚作為生物監(jiān)測對(duì)象對(duì)其進(jìn)行實(shí)時(shí)監(jiān)測，綜合鯽魚的運(yùn)動(dòng)速度和運(yùn)動(dòng)時(shí)輪廓大小的變化，以此判斷水樣中的魚是否死亡，從而實(shí)現(xiàn)對(duì)水質(zhì)是否存在毒性進(jìn)行實(shí)時(shí)反饋；

2)采集和提取鯽魚的運(yùn)動(dòng)特征：通過紅R、綠G、藍(lán)B到色調(diào)H、飽和度S、亮度V顏色空間域的轉(zhuǎn)換來提取魚目標(biāo)輪廓，實(shí)時(shí)監(jiān)測跟蹤水樣中鯽魚，得到鯽魚的跟蹤視頻序列，該跟蹤模型描述如下：

通過對(duì)監(jiān)控視頻圖像的分割、識(shí)別、跟蹤標(biāo)定鯽魚目標(biāo)的實(shí)時(shí)運(yùn)動(dòng)位置，并以固定時(shí)間間隔作為統(tǒng)計(jì)周期，獲取該周期內(nèi)魚群中每個(gè)個(gè)體的輪廓和運(yùn)動(dòng)速度等特征參數(shù)；

3)鯽魚的特征參數(shù)分析，包括以下過程：定義死魚特征數(shù)據(jù)集和活魚特征數(shù)據(jù)集，通過學(xué)習(xí)，形成一個(gè)成熟的分類器結(jié)構(gòu)模型；具體過程如下：

3.1)收集水箱中每一條鯽魚的運(yùn)動(dòng)速度v、輪廓面積outline_Area與所有鯽魚面積均值average_Area之差這兩個(gè)特征數(shù)據(jù)，將這兩個(gè)參數(shù)作為檢測水箱中魚是否存活的指標(biāo)；；

其中，魚的運(yùn)動(dòng)速度是研究魚類行為的一個(gè)重要的參數(shù)，它反應(yīng)單位時(shí)間內(nèi)的位移、加速度等運(yùn)動(dòng)特征；

3.1.1)速度的特征數(shù)據(jù)

考慮到前一幀和后一幀每條魚的運(yùn)動(dòng)軌跡變化小，因此采用后一幀與前一幀魚的重心最短距離計(jì)算這條魚在一幀時(shí)間內(nèi)的移動(dòng)距離S_i；然后，取一秒鐘的幀數(shù)，把這些距離相加再除以時(shí)間就是魚每秒的運(yùn)動(dòng)速度；但是，由于水箱中魚在游動(dòng)時(shí)常常存在疊加，導(dǎo)致定位每一條魚的身份存在困難；如果不能精準(zhǔn)的對(duì)每一條魚進(jìn)行跟蹤，那么計(jì)算每一魚的身份就會(huì)產(chǎn)生誤差；由于幀間魚游動(dòng)距離很小，因此可根據(jù)前后幀距離關(guān)系求得每一條魚的游動(dòng)距離；也就是取目標(biāo)魚后一幀到當(dāng)前幀移動(dòng)距離最小值，作為當(dāng)前幀該目標(biāo)魚的游動(dòng)距離；

假設(shè)水箱中有n條魚，第j幀第i條鯽魚輪廓的重心坐標(biāo)為第j+1幀第k條鯽魚輪廓的重心坐標(biāo)為可以得到第j幀第i條鯽魚到第j+1幀第k條鯽魚的距離為：

$S_k=\sqrt[2]{{(x_i^j-x_k^{j+1})}^2+{(y_i^j-y_k^{j+1})}^2}---\left(1\right)$

根據(jù)以上方法，可求出第j幀第i條鯽魚到第j+1幀魚缸中各條魚的距離為S₁，…S_k…S_n；由此，得到當(dāng)前魚i在幀間游動(dòng)距離為：

S_i＝min{S₁，S₂，…S_k…S_n} (2)

此時(shí)得到的最短距離S_i即為第j幀第i條鯽魚到下一幀游動(dòng)的距離；在一秒內(nèi)取15幀，則目標(biāo)在1秒內(nèi)的運(yùn)動(dòng)速度可以通過以下公式計(jì)算得到：

$v={\mathrm{\Σ}}_{j=1}^{15}{s^j}_i---\left(3\right)$

水箱中魚的運(yùn)動(dòng)速度的大小，能反映魚類游動(dòng)的激烈程度，是衡量魚類目標(biāo)在被檢測水質(zhì)中活性的一個(gè)重要指標(biāo)參數(shù)；然而，當(dāng)魚的游動(dòng)速度為0，并不意味著此時(shí)該魚一定處于死亡狀態(tài)，而是有可能魚處于靜息狀態(tài)；此外，由于水流速度或者其他魚的撞擊，死亡的魚其速度也并不總是為0；

3.1.2)輪廓大小的特征數(shù)據(jù)

背景差分后利用opencv里的contourArea函數(shù)可求得目標(biāo)輪廓面積，其中opencv是一個(gè)基于開源發(fā)行的跨平臺(tái)計(jì)算機(jī)視覺庫，該函數(shù)是統(tǒng)計(jì)目標(biāo)輪廓內(nèi)的每個(gè)像素點(diǎn)的累加和，即為面積；與上述求速度的方法類似，求得每一時(shí)刻魚的位置，由此計(jì)算水箱中魚在每一時(shí)刻的面積{A₁，A₂，…A_n}；當(dāng)魚處于死亡狀態(tài)時(shí)，其身體自由的飄浮在水中，魚體的面積大于其處于非死亡狀態(tài)時(shí)的面積；其中，水缸中魚體平均面積可由下式計(jì)算：

$average\_Area=\frac{A_1+A_2+\mathrm{...}+A_n}{n}---\left(4\right)$

3.2)基于樸素貝葉斯算法對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練產(chǎn)生成熟的分類器結(jié)構(gòu)模型，算法過程如下：

a)設(shè)x＝{a₁，a₂，……a_m}為一個(gè)待分類項(xiàng)，而每個(gè)a為x的特征項(xiàng)；目標(biāo)魚的速度a₁和輪廓面積差a₂即為特征項(xiàng)，因此可得x＝{a_１，a₂}，x表示目標(biāo)魚；

b)輸出類別集合C＝{c₁，c₂，……c_n}，每個(gè)c是輸出集合C的一種結(jié)果；本發(fā)明是檢測判斷魚是否死亡，因此類別集合C＝{c₁＝0，c₂＝1}，并用C＝0表示魚處于活著狀態(tài)；

c)當(dāng)利用游動(dòng)速度和面積差這兩個(gè)特征來判斷魚類是否死亡時(shí)，可將這一過程表示成聯(lián)合條件概率P(C|a₁，a₂)；該式表示在a₁，a₂同時(shí)發(fā)生情況下目標(biāo)魚處于死亡狀態(tài)的概率；由貝葉斯公式，可得，

$P\left(C\right|a_1,a_2)=\frac{P\left(C\right)P(a_1,a_2|C)}{P(a_1,a_2)}$

上式中的P(a₁，a₂)不依賴于類別C，也就是它的值對(duì)分類結(jié)果不產(chǎn)生影響，因此計(jì)算過程該項(xiàng)將被忽略；由全概率公式和條件概率的鏈?zhǔn)椒▌t，上式的分子項(xiàng)可展開為：

P(C)P(a₁，a₂|C)＝P(a₁，a₂，C)

＝P(a₁|a₂，C)P(a₂|C)P(C)

假設(shè)給定類別C，特征之間相互條件獨(dú)立；也就是，P(a₁|a₂，C)＝P(a₁|C)，上式可化為：

P(C)P(a₁，a₂|C)＝P(a₁|C)P(a₂|C)P(C)

d)收集所有魚處于存活/死亡狀態(tài)下的游動(dòng)速度和輪廓面積數(shù)據(jù)，構(gòu)造訓(xùn)練樣本集，用于計(jì)算概率P(a₁|C)、P(a₂|C)值；本發(fā)明假設(shè)P(a₁|C)、P(a₂|C)均符合高斯分布，這樣可以從訓(xùn)練集中求得魚處于死亡狀態(tài)時(shí)速度均值μ₁，方差σ₁；魚處于死亡狀態(tài)時(shí)輪廓面積均值μ₂，方差σ₂；

3.3)使用新的特征數(shù)據(jù)來檢測判斷該檢測模型是否成熟；也就是，給定目標(biāo)魚的兩個(gè)特征判斷該目標(biāo)魚處于死亡或者存活狀態(tài)；

$\frac{P(C=0|a_1{a}_2)}{P(C=1|a_1{a}_2)}=\frac{P(C=0)P\left(a_1\right|C=0)P\left(a_2\right|C=0)}{P(C=1)P\left(a_1\right|C=1)P\left(a_2\right|C=1)}---\left(5\right)$

假設(shè)魚是否死亡的先驗(yàn)概率相等，即P(C＝0)＝P(C＝1)＝0.5；此外，

$P\left(a_1\right|C=0)=\frac{1}{\sqrt{2{\mathrm{\π\σ}}_1}}\exp \left(\frac{-{(a_1-{\mathrm{\μ}}_1)}^2}{2{\mathrm{\σ}}_1^2}\right)$

同理，可以分別求得P(a₂|C＝0)、P(a₁|C＝1)和P(a₂|C＝1)的值；當(dāng)(5)中比值大于1，則判斷目標(biāo)魚處于存活狀態(tài)，否則處于死亡狀態(tài)；

3.4)通過成熟的檢測模型對(duì)魚缸中魚的存活與否作出判斷；當(dāng)魚缸中目標(biāo)魚死亡條數(shù)超過總數(shù)的一半，則給出水質(zhì)存在毒性的預(yù)警信號(hào)。