近年来,国内外水域污染事件屡屡发生,对水生生物、人类用水等方面造成了很大的影响。因此,如何及时准确地监测水质的变化成为当前的一个研究热点。以往的水质监测主要是通过理化试验来分析水质状况,虽然这种方法可以定量的检测出水质中污染物的含量,但是整个过程耗时比较长,不适用于实时的水质监测。为解决这种方式的不足,一种生物式水质监测方法被提出。这种方法主要是通过生物的行为变化来分析水质状况,实时性较强,能够快速准确地反映水质的变化。本文提出了基于双摄像机视频的生物水质预警的方法,实现了对鱼群、个体的同时监测,分析它们在不同水质环境下的三维行为的变化。主要的研究内容和结果如下:1.设计能够同时监测单条鱼、鱼群的行为变化的硬件平台。采用循环水体的方式,保证了单条鱼和鱼群处于同种水质环境下,同时采用双摄像机进行拍摄,获得鱼群以及单条鱼在不同水质情况下的三维行为信息。2.采用基于高斯背景建模的方法对采集的视频图像进行背景建模,利用中值滤波以及生物形态学方法等图像处理手段对图像进行处理,最终获得目标检测结果。实验结果表明,外界噪声的干扰得到很好地处理,获得目标结构较完整。3.采用了两种不同的方法对个体鱼或鱼群进行跟踪。对个体鱼,直接采用质心跟踪方法进行目标匹配;而对于鱼群,则采用Kalman滤波算法和最近邻数据关联算法进行跟踪。针对鱼群跟踪中易出现的目标重叠现象,建立复合目标继续跟踪;对鱼群跟踪中的分离现象,依照约束函数进行目标匹配。实验结果表明目标跟踪误差较小,在目标重叠、分离情况下仍然可以实现准确地跟踪。4.对个体鱼、鱼群的三维运动特征进行量化,分别获取了鱼群的群体行为信息(平均速度、平均距离、速度方差、方向一致性以及逃逸行为)以及个体鱼的个体行为信息(速度、加速度、转向次数)。对比了不同水质环境下三维行为参数的变化,同时又对比了不同水质环境下三维行为参数和二维行为参数变化的差异性。结果表明,有毒情况下鱼群行为变化明显,波动较大,并且三维行为参数在不同环境下的变化差异更明显于二维行为参数。5.将正常情况下、有毒环境下的单条鱼和鱼群的行为参数作为正负样本集,利用基于PSO-SVM模型对样本集进行训练,然后对预测数据进行预测分类。对比了固定参数、交叉验证优化参数以及利用PSO算法优化参数的SVM模型的分类精度,然后又用PSO-SVM模型分别对三种参数进行训练分类,分别为二维鱼群行为参数、三维鱼群行为参数、单条鱼和鱼群的混合三维行为参数。实验结果表明基于PSO参数优化的SVM分类精度最高,基本稳定在93%左右;采用单条鱼和鱼群的混合三维行为参数的分类最佳,二维鱼群行为参数分类最差。