李 晨，刘怡丹,2，孙科林，李 勃，全向前，刘凯斌

(1.中国科学院 深海科学与工程研究所，海南 三亚 572000；2.同济大学 海洋与地球科学学院，上海 200092)

随着成像技术的飞速发展，人们渴望通过成像角度理解海洋动态，尤其是海底生物.通过固定摄像头拍摄特定区域，是一种直观和有效的方式去记录和理解场景[1].随着摄像头的彩色化、高清化，使得通过视频监控获取更多的海洋信息成为可能.计算机处理视频监控涉及运动目标提取和识别技术[2].

运动目标提取算法可分为2类.一类是基于图像增强的算法：图像超分辨[3]，增强信噪比[4]，显著度增强[5]，时域、频域增强[6]等.该类算法从信号角度出发忽略了目标的形态属性，造成虚警率较高.第二类是基于运动目标建模的算法：帧间差异[7]，模糊集模型[8]，Bayesian模型[9]，趋向性模型[10]，运动预测模型[11]，局部约束模型[12]，GMM运动模型[13]，低秩模型[14]，纹理模型[15]等.该类算法充分考虑了目标形态特征，但所建模型复杂度高，面对复杂条件目标提取效率较低.

目标识别算法也可分为2类.一类基于传统特征的算法：声学特征[16]，多角度形态学特征[17]，鱼群分布特征[18]，颜色特征[19]，纹理特征[20]等.该类算法基于目标先验信息予以建模，但对于复杂条件下，如遮挡、阴影等条件下，识别性能不足.第二类是基于深度特征的算法：SVM[21]，AdaBoost[22]，梯度森林模型[23]，基于神经网络的数据融合模型[24]等.该类算法基于深度学习理论构建网络，建立训练样本和测试样本之间的映射关系，取得了不错的……