水污染问题一直是影响人类生命健康及财产安全的重要因素,而水质监测是实现水污染治理的前提。因此,如何实现水质变化的监测及预警是当下迫切需要解决的问题。目前常用的水质监测方法是理化监测法与生物监测法,其中生物监测法可弥补理化监测法的不足,实现污染物间混合效应的监测,能够更加实时、准确、高效的反映水质变化状况。本文基于计算机视觉原理,以红鲫鱼鱼群为水质指示生物,通过调节水体pH值获取不同环境下鱼群游动视频,采用多目标检测与跟踪技术、智能信息处理及机器学习技术,研究了基于鱼群跟踪轨迹的生物水质预警方法。主要的研究内容包括:1、设计了能够监测鱼群运动行为变化的生物水质预警系统平台及鱼类毒性实验的实验方案。该平台硬件部分主要包括:视频采集设备、鱼群实验水箱及上位机监控设备等3部分;软件系统主要包括系统简介、视频采集、检测跟踪、记录查询、水质预警等5个功能模块。通过在该系统平台上进行的多次鱼类毒性试验表明,平台可实现对鱼群运动行为变化的连续监测及水质预警。2、研究了基于Kalman滤波算法的鱼群多目标检测与跟踪方法。针对鱼群个体目标间相互遮挡造成的检测与跟踪难的问题,提出了结合鱼体运动方向的鱼群多目标检测与跟踪算法。基于背景差分法实现鱼群目标的检测;利用Kalman滤波算法进行鱼体运动状态的估计,建立鱼体质心、面积及运动方向相结合的代价方程,通过帧间关系矩阵实现相邻帧鱼体目标的匹配关联,完成鱼群多目标跟踪。实验结果表明,相比于只基于质心信息的鱼群多目标跟踪算法,本文提出的跟踪算法性能有着显著提升,可有效应对多目标检测与跟踪难的问题。3、研究了鱼群运动行为特征参数的量化方法。基于鱼群运动轨迹,对鱼群个体及群体特征参数进行量化,个体特征参数包括:运动速度、运动加速度,群体特征参数包括:鱼群平均游动速度、平均游动距离及鱼群离散度。并对比了正常水质(pH=7)与异常水质(pH=6,8)环境下5个参数的变化情况,实验结果表明不同水质环境下上述鱼群运动行为特征参数具有显著差异,可为生物水质预警研究提供数据支撑。4、研究了基于机器学习的生物水质预警方法。为解决现有阈值加权求和法进行生物水质预警过程中阈值参数多、参数确定过程复杂及预警精度低的问题,提出了基于GA-SVM的生物水质预警算法。将正常水质与异常水质下的鱼群运动行为特征参数作为不同类的样本集,利用SVM模型对样本集进行分类,通过遗传算法对模型参数进行优化,实现生物水质预警的分类;并对比了固定参数、K-交叉验证优化参数及GA算法优化参数的SVM模型分类准确率。实现结果表明,采用GA算法优化参数的模型分类准确率最高,验证了基于GA-SVM生物水质预警方法的有效性。