Segmentation-based approach for object detection

Наталія Павлівна Волкова; Максим Альбертович Швандт

doi:10.15276/opu.1.71.2025.17

Автор(и)

Наталія Павлівна Волкова Національний університет "Одеська політехніка" https://orcid.org/0000-0003-3175-2179
Максим Альбертович Швандт https://orcid.org/0000-0002-4580-3961

DOI:

https://doi.org/10.15276/opu.1.71.2025.17

Ключові слова:

підхід, обробка зображень, обробка відео, сегментація зображень, відстеження об’єктів, виявлення об’єктів

Анотація

У цьому дослідженні запропоновано підхід виявлення об’єктів на основі сегментації, розроблений для аналізу поведінки водних організмів у контрольованих лабораторних умовах. Робота спрямована на вирішення труднощів, що виникають під час тривалих відеозаписів бичків у закритих акваріумах - зокрема, нестабільність фону, перенесення осаду та часткові перекриття особин, які ускладнюють застосування традиційних методів трекінгу. Для цього було запропоновано підхід на основі вдосконаленого в роботі методу сегментації SLIC Superpixel. Базовий метод SLIC було вдосконалено шляхом включення багатошарових контрастних ознак і перевірок однорідності пікселів у межах локального оточення. Запропонований підхід містить наступні етапи: попередня обробка, сегментація, кластеризація, постобробка. Етап попередньої обробки включає двосторонню та медіанну фільтрацію, нормалізацію контрасту й яскравості та за потреби − масштабування зображення для покращення чіткості. Подальше віднімання фону і порогове значення пікселів у межах сегментованих областей дозволяють усунути хибні спрацьовування, спричинені візуальними артефактами та оклюзіями. На етапі кластеризації застосовується уточнена метрика відстані для оцінки узгодженості пікселів у багатошаровому просторі ознак (LAB, нормалізоване зображення у відтінках сірого, результати субтракції), що підвищує точність сегментації. На етапі постобробки фрагментовані області об’єктів об’єднуються для покращення просторової когерентності. Експериментальна перевірка на відеокадрах з бичками продемонструвала підвищення точності виявлення об’єктів понад 6% у порівнянні з підходом на основі базового методу SLIC. Модульність і простота запропонованого підходу дозволяють легко розширювати його застосування на інші біологічні об’єкти − зокрема, на поведінковий аналіз гризунів - без потреби використання глибокого навчання чи ресурсоємних архітектур, що робить його придатним для задач етології, нейронауки та прецизійної аквакультури. Подальші дослідження будуть присвячені реалізації підходу в режимі реального часу та розширеному аналізу траєкторій.

Завантаження

Дані завантаження ще не доступні.

Посилання

Tinbergen, N. (1963). On aims and methods of ethology. Zeitschrift für Tierpsychologie, 20(4), 410-433. DOI: https://doi.org/10.1111/j.1439-0310.1963.tb01161.x

Dawkins, M. (2004). Behavior as a tool in welfare assessment. Applied Animal Behaviour Science, 86(3-4), 227-233. DOI:https://doi.org/10.1016/j.applanim.2004.02.001

Dell, A., Bender, J., Branson, K., Couzin, I., & de Polavieja, G., et al. (2014). Automated image-based tracking and its application in ecology. Trends in Ecology & Evolution, 29(7), 417-428. DOI:https://doi.org/10.1016/j.tree.2014.05.004

Anderson, D., & Perona, P. (2014). Toward a science of computational ethology. Neuron, 84(1), 18-31. DOI: https://doi.org/10.1016/j.neuron.2014.09.005

Yin, Z., Xiao, L., Ma, R., Han, Z., Li, Y., et al. (2020). Detecting abnormal animal behaviors using op-tical flow and background subtraction. Computers and Electronics in Agriculture, 174, 105471. DOI: https://doi.org/10.1016/j.compag.2020.105471

Beyan, C., & Fisher, R. (2018). Animal behavior recognition using spatio-temporal features. Pattern Recognition, 76, 12-22. DOI:https://doi.org/10.1016/j.patcog.2017.10.008

Manteuffel, G., Puppe, B., Schön, P., Bruckmaier, R., Janssen, D., et al. (2009). Sensor-based analysis of animal behavior. Animal, 3(9), 1197-1204. DOI: https://doi.org/10.1017/S1751731109004526

Neethirajan, S. (2017). Recent advances in wearable sensors for animal health management. Sensors and Biosensors Research, 20, 1-11. DOI: https://doi.org/10.1016/j.sbsr.2018.02.004

Spampinato, C., Palazzo, S., Boom, B., Lin, H., Wei, J., et al. (2014). Understanding fish behavior dur-ing typhoon events in real-life underwater environments. Multimedia Tools and Applications, 70 (1), 199-236. DOI: https://doi.org/10.1007/s11042-012-1101-5

Khan, S. U., Ghazali, K. H., & Khan, S. N. (2025). Advances in fish tracking technologies for aquacul-ture: Overcoming challenges and shaping future research. International Journal of Innovation and In-dustrial Revolution, 7(20), 29-61. DOI: https://doi.org/10.35631/IJIREV.720003

Lopez-Marcano, S., Jinks, E. L., Buelow, C. A., Brown, C. J., Wang, D., et al. (2021). Automatic detec-tion of fish and tracking of movement for ecology. Ecology and Evolution, 11(12), 8254-8263. DOI:https://doi.org/10.1002/ece3.7656

Salman, A., Siddiqui, S. A., Shafait, F., Mian, A., Shortis, M. R., et al. (2020). Automatic fish detection in underwater videos by a deep neural network-based hybrid motion learning system. ICES Journal of Marine Science, 77(4), 1295-1307. DOI:https://doi.org/10.1093/icesjms/fsz025

Siddiqui, S. A., Salman, A., Malik, M. I., Shafait, F., Mian, A., et al. (2018). Automatic fish species classification in underwater videos. ICES Journal of Marine Science, 75(2), 374-389. DOI:https://doi.org/10.1093/icesjms/fsx109

Alsmadi, M. K., & Almarashdeh, I. (2022). A survey on fish classification techniques. Journal of King Saud University – Computer and Information Sciences, 34, 1625-1638. DOI:https://doi.org/10.1016/j.jksuci.2020.07.005

Rachman, F., Akbar, M. N. S., & Putera, E. (2023). Fish disease detection of Epizootic Ulcerative Syn-drome using deep learning image processing technique. In Proceedings of the 9th International Confer-ence on Fisheries and Aquaculture (Vol. 8, No. 1, pp. 23-34). DOI:https://doi.org/10.17501/23861282.2023.8102

Li, Z., Alraie, H., Solpico, D., Nishida, Y., Ishii, K., et al. (2024). Recognition of fish in aqua cage by machine learning with image enhancement. In 2024 IEEE/SICE International Symposium on System In-tegration (SII) (pp. 637-643). DOI:https://doi.org/10.1109/SII58957.2024.10417229

Zhou, X., Chen, S., Ren, Y., Zhang, Y., Fu, J., et al. (2022). Atrous Pyramid GAN segmentation net-work for fish images with high performance. Electronics, 11(911), 1-21. DOI:https://doi.org/10.3390/electronics11060911

Saifullah, S., Suryotomo, A. P., & Yuwono, B. (2021). Fish detection using morphological approach based on k-means segmentation. Universitas Pembangunan Nasional Veteran Yogyakarta. DOI:https://doi.org/10.48550/arXiv.2101.06352

Gao, T., Jin, J., & Xu, X. (2021). Study on detection image processing method of offshore cage. Jour-nal of Physics: Conference Series, 1769, 012070. DOI:https://doi.org/10.1088/1742-6596/1769/1/012070

Li, D., Wang, Q., Li, X., Niu, M., Wang, H., & Liu, C. (2022). Recent advances of machine vision technology in fish classification. ICES Journal of Marine Science, 79(2), 263-284. DOI:https://doi.org/10.1093/icesjms/fsab264

Deep, B. V., & Dash, R. (2019). Underwater fish species recognition using deep learning techniques. In Proceedings of the 2019 6th International Conference on Signal Processing and Integrated Networks (SPIN) (pp. 665-669). DOI:https://doi.org/10.1109/SPIN.2019.8711584

Alsmadi, M. K., & Almarashdeh, I. (2022). A survey on fish classification techniques. Journal of King Saud University – Computer and Information Sciences, 34, 1625-1638. DOI:https://doi.org/10.1016/j.jksuci.2020.07.005

Knausgård, K. M., Wiklund, A., Sørdalen, T. K., Halvorsen, K. T., Kleiven, A. R., Jiao, L., et al. (2021). Temperate fish detection and classification: A deep learning-based approach. Applied Intelli-gence, 1-14. DOI:https://doi.org/10.1007/s10489-021-02527-7

Volkova, N., & Shvandt, M. (2024). Image preprocessing algorithm for object detection & tracking. Information management systems and technologies (IMST-2024), September 23-25, 194-198.

OpenCV Developers. (n.d.). How to use background subtraction methods. OpenCV Documentation. Re-trieved from https://docs.opencv.org/3.4/d1/dc5/tutorial_background_subtraction.html (Accessed: May 2025)

Paris, S., Kornprobst, P., Tumblin, J., & Durand, F. (2009). Bilateral filtering: Theory and applications. Foundations and Trends® in Computer Graphics and Vision, 4(1), 1-73. DOI:https://doi.org/10.1561/0600000020

Raid, A. M., Khedr, W. M., El-dosuky, M. A., & Aoud, M. (2014). Image restoration based on morpho-logical operations. International Journal of Computer Science, Engineering and Information Technolo-gy (IJCSEIT), 4(3), 9-21. DOI:https://doi.org/10.5121/ijcseit.2014.4302

Achanta, R., Shaji, A., Smith, K., Lucchi, A., Fua, P., et al. (2012). SLIC superpixels compared to state-of-the-art superpixel methods. IEEE Transactions on Pattern Analysis and Machine Intelligence, 34(11), 2274-2282. DOI:https://doi.org/10.1109/TPAMI.2012.120

Zhu, A., Mei, J., Qiao, S., Yan, H., & Zhu, Y., et al. (2023). Superpixel transformers for efficient se-mantic segmentation. arXiv Preprint. Retrieved from https://arxiv.org/abs/2309.16889

Hum, Y. C., Lai, K. W., & Salim, M. I. M. (2014). Multiobjectives bihistogram equalization for image contrast enhancement. Complexity, 20(1), 22-36. DOI:https://doi.org/10.1002/cplx.21499

Joshi, P., Escrivá, D. M., & Godoy, V. (2016). OpenCV by example. Packt Publishing Ltd.