随着环境污染的日益加剧,水资源极度匮乏已成为世界普遍性问题。水源污染日益严重,水源的污染导致饮用水等生活用水中的有毒有害物质明显增加,污染的水质对人类健康和生活造成了极大威胁。为此研究在线水质监测技术刻不容缓。生物式监测技术由于其自身具有实时、富集、综合等特性逐渐成为水质监测研究者关注的热点。在生物式水质监测中,鱼类作为重要的指示生物,其运动特征、生理特征等信息,直接反映水环境的变化情况,表征当前水质污染状况。针对水污染监测问题,利用正常水质和异常水质下的鱼类具有明显区别的运动特征和运动模式。本文提出了基于视觉感知和鱼类运动特征集成的生物式水质监测。具体研究内容如下:(1)利用两个视角的摄像机采集鱼体运动视频图像,通过Kuhn-Munkres(KM)算法对鱼体目标进行特征点匹配,卡尔曼滤波进行更新当前状态,找到最优的跟踪位置作为跟踪结果。KCF算法对跟踪过程中出现丢失和运动过程中产生碰撞或遮挡的目标进行补偿,有效地降低了光照、遮挡、水面波动所带来的误差。此算法可以直接得到了目标运动轨迹,避免了从图像序列中质心点再提取,在很大程度上提高了效率。(2)为避免二维运动轨迹的片面性,实验将不同视角的像素坐标合成三维轨迹像素坐标,提供了更加真实的鱼类游动轨迹。在重建过程中,利用两个摄像机在不同角度对鱼类运动进行拍摄,如果质心点在一个视角靠近或者叠加,可以跳到另一个视角消除轨迹跟踪的不确定性。根据DLT校准相机畸变,确定图像对应点,将对应点作为匹配点计算出鱼类运动轨迹三维像素坐标。(3)选取具有代表性的正负样本数据集,数据集的数量要大致对称,提取出能够反映水质变化的鱼类行为运动特征参数数据,将预处理后的轨迹图像数据集作为输入送入到Pointnet模型中、进一步加工后的运动特征参数数据集作为输入送入SVM、XGBoost中同时进行训练,得到能够识别不同水质的基分类器。最后通过集成学习的方式将基分类器结合成强分类器,获得能够判别水质的分类模型,实现水质异常监测的目的。实验结果表明,在鱼类三维轨迹像素坐标下,利用集成学习将模型融合,能够高效、准确的反映水质状况,在实验室模拟的真实水质环境下,水质判别识别率达到95%以上。