基于视频监控的船舶跟踪与自动统计方法研究

针对当前监控视频中船舶识别实时性差、无法有效跟踪船只、无法实现船只分类别自动统计的难题,提出了基于深度学习YOLOv3-KCF的船舶跟踪与自动统计方法。通过设置缓冲区,针对数据情况对YOLOv3识别进行预判断,采用标记算法并使用KCF算法对船只进行跟踪,最后采用方向判定算法判别其行驶方向实现分类别自动统计。通过与SSD-KCF算法对比结果表明,该方法在实时场景当中识别船舶精准,跟踪算法快速稳定,实时性较好,自动统计准确率达到83%,能够实时有效的对船舶进行跟踪与自动统计。

基于Camshift的多特征自适应融合船舶跟踪算法

基于航道内船舶监控图像序列的多目标跟踪技术是开展船撞主动预警,提升桥区船舶通航安全的前提。基于颜色直方图的Camshift跟踪算法在复杂气象条件下无法得到准确的跟踪结果,本文提出了一种多特征自适应融合的多目标跟踪算法。该算法的目标模型由颜色、形状及纹理多特征自适应融合实现,增加了描述目标模型的可靠性和鲁棒性;在跟踪目标时,将融合信息目标模型结合到Camshift跟踪算法中。实验结果表明,该算法与传统Camshift跟踪算法相比,具有更高的准确性和可靠性。

TLD框架下的内河船舶跟踪

闭路电视(closed circuit television,CCTV)系统是内河海事监管的重要手段.基于跟踪-学习-检测(tracking-learning-detection,TLD)框架研究并改进内河航道CCTV系统的船舶识别和跟踪.在TLD框架下提出特征值约束条件,可对像素的短期跟踪结果进行校验,不仅有效解决了像素对归一化相关系数值求解的繁琐问题,还很好地保留了图像中角点像素的跟踪结果,使船舶的短期跟踪足够可靠.用级联的目标检测器精确定位船舶时,在满足内河应用实时性前提下,提出通过对目标候选区域的模板匹配来保证算法准确性.实验结果表明,改进的算法在应用于内河CCTV系统的船舶识别与跟踪中保持了较高的实时性和鲁棒性,并提高了跟踪精度.

基于可变形部件模型的内河多船舶跟踪算法研究

内河航运事业的不断发展对电子巡航闭路电视(CCTV)监控系统的智能化水平提出了越来越高的要求。针对目前CCTV监控系统智能化水平较低、人工参与量较大的局限,提出了一种鲁棒的基于可变形部件模型的内河多船舶跟踪算法。该算法将每条运动目标船舶视为一个部分,通过最小生成树模型来建立各个部分之间的联系,并基于可变形部件模型的原理最终实现同时对多条目标船舶的鲁棒跟踪。为了得到精确的目标船舶外观模型,首先对目标区域进行梯度方向直方图(HOG)特征提取,然后利用模糊支持向量机(SVM)算法进行训练得到每条目标船舶的参数化的外观模型。其中,由于模糊SVM中模糊度的引入,对不同的输入训练样本赋予不同的重要性,因此将获得比线性SVM算法更加精确的目标外观模型。结构化的学习方法保证了在目标运动过程中该算法能即时更新目标间的空间相互关系参数,实现鲁棒的跟踪效果。实验结果表明,提出的算法适用于在内河环境下鲁棒、有效的多目标船舶跟踪。

基于AIS和雷达数据融合的多船舶跟踪

针对AIS数据动态误差较大且存在传输延迟的问题,研究了1种基于AIS与雷达数据融合的多船舶跟踪方法。该方法构建了以Kalman滤波为核心的跟踪器,将AIS或雷达数据作为观测值对船舶运动状态进行持续的预测和更新;再利用数据关联将新获取的雷达数据匹配至不同的跟踪ID进行状态更新;最后跟踪初始化负责多目标跟踪过程中的目标初始化和跟踪结束。并以长江内河某航段水域为对象开展实验,结果表明:所提方法通过AIS与雷达数据融合,当跟踪周期为2 s时,船舶跟踪平均误差为45.3 m,当跟踪目标数量超过20时所提方法仍可以保持实时性,有利于促进智能交通系统发展及应用。

基于Kalman滤波的船舶跟踪技术

为了辅助船舶驾驶人员即时掌握目标船的运动状态,本文将对雷达探测设备每采样时刻获取的目标数据,应用Kalman滤波技术对目标的运动状态进行在线估计,并实时预估目标船相对于本船的最近会遇距离DCPA和最近会遇时间TCPA。仿真结果表明,该方法既能有效抑制噪声的干扰,又能达到提前预测目标船态势和帮助驾驶员提前做好避碰准备与应急措施等目的。

基于Darknet网络和YOLOv3算法的船舶跟踪识别

针对我国沿海与内陆水域区域视频监控处理存在实际利用率低、误差率大、无识别能力、需人工参与等问题,提出基于Darknet网络模型结合YOLOv3算法的船舶跟踪识别方法实现船舶的跟踪并实时检测识别船舶类型,解决了重要监测水域船舶跟踪与识别问题。该方法提出的Darknet网络引入了残差网络的思想,采用跨层跳跃连接方式以增加网络深度,构建船舶深度特征矩阵提取高级船舶特征进行组合学习,得到船舶特征图。在此基础上,引入YOLOv3算法实现基于图像的全局信息进行目标预测,将目标区域预测和目标类别预测整合于单个神经网络模型中。加入惩罚机制来提高帧序列间的船舶特征差异。通过逻辑回归层作二分类预测,实现在准确率较高的情况下快速进行目标跟踪与识别。实验结果表明,提出的算法在30 frame/s的情况下,平均识别精度达到89.5%,与传统以及深度学习算法相比,不仅具有更好的实时性、准确性,对各种环境变化具有较好的鲁棒性,而且可以识别多种船舶的类型及其重要部位。

卡尔曼滤波在船舶跟踪预测中的研究应用

利用卡尔曼滤波算法的自回归性,将其应用到船舶动态跟踪预测中,建立船舶运动的状态方程,通过当前状态进行下一时刻的位置和速度预测,然后利用Matlab对采集到的10帧图像进行实验仿真。通过对测量值、估计值和最优值的对比可知,本文算法能够较高精度的对船舶进行跟踪预测。

Camshift多特征自适应算法在船舶跟踪系统中的研究

为了能够适应现代化的航道管理需求,最大限度提高通航水平,本文提出一种基于人工智能的算法,能够通过视频监控网络,自动对航道中的船只进行监测与统计,从而大大降低了管理人员的工作强度,有效改善管理水平。文中采用Camshift算法对特定的船只目标进行跟踪,并针对不同的特征值自适应判断出船只的类型、大小和用途。对船只目标的复杂度和局部特征提取能力进行优化,建立一种能够主动适应目标运动速度的模型,通过仿真实验,该算法的目标跟踪性能良好,具有一定的实用价值。

基于光斑跟踪的夜间航行船舶跟踪方法

针对当前普通摄像头对夜间航行船舶检测研究方面的不足,提出一种基于光斑检测和跟踪的方法,实现夜间航行船舶检测。采用边缘检测算子(Laplacian of Gaussian,LOG)对视频图像光斑进行检测,采用阈值化方法对光斑进行过滤;Kalman滤波算法对多光斑目标进行跟踪,通过对光斑进行标记,判断光斑的属性,从而实现光斑的新增和删除。以实际夜间船舶航行监控视频为例进行方法验证,结果表明:该方法能对夜间船舶进行有效检测和跟踪,从而验证采用光斑跟踪的方法能提高夜间船舶的检测精度。

多特征融合和尺度变化估计的船舶跟踪方法

传统的船舶视觉跟踪任务主要集中于单目标船舶跟踪,对多目标船舶跟踪研究相对较少。为解决该问题,提出一种多维特征融合机制和尺度变化估计的多目标船舶跟踪框架,该框架引入位置滤波器对输入的船舶训练样本进行学习,并将其应用于待跟踪的船舶图片序列,通过寻找最大响应的方法判定图像中的船舶位置。在此基础上,构建船舶尺度估计滤波器以确定待跟踪船舶的图像尺寸。通过和中值流跟踪算法和多示例学习跟踪算法对比分析,实验结果表明不同海事交通场景下的船舶跟踪误差均小于10像素,验证了算法的有效性和可靠性。

无人机巡航路径规划在多船舶跟踪中的应用研究

无人机凭借其灵活特性,在船舶的跟踪以及路径规划应用中变得越来越重要。设计了一种无人机对多船舶最优跟踪的巡航路径规划方法,通过构建路径规划模型来获得最优路径。依据船舶的初始位置信息,通过加权平均方法求出无人机初始位置,采取余弦相似度聚类方法对区域内多条船舶进行航速和航向的聚类,从而规划出对多船舶跟踪的最优路径。仿真结果表明该方法能够快速得到无人机最优化路径,实现对区域内多条船舶进行实时跟踪。

船舶跟踪系统的研发及应用

随着国家"十三五"海洋战略的提出,针对海洋勘探方面的软硬件的研发,已成为各相关国际公司的重点研究方向。本文针对海洋石油物探船队生产的特点,基于AIS和Iridium信息,研发了适用于海洋石油勘探的船舶跟踪系统,并通过实际生产案例说明了该系统的应用效果,得出了一些有益的结论。

船舶跟踪和管理系统

本文介绍了船舶跟踪和管理系统构成的方案及原理，阐述了系统的主要功能、技术特点、适用范围及研制中需要解决的若干技术问题。

基于中心点检测与卡尔曼滤波的船舶跟踪算法

为了提升船舶跟踪效率,提出一种基于中心点检测与卡尔曼滤波的船舶目标跟踪算法.该算法根据经典的Tracking-by-Detection模式,采用中心点算法检测船舶目标,利用卡尔曼滤波算法为检测目标创建跟踪器,并通过匈牙利算法解决检测目标与跟踪器预测目标之间的匹配关联问题,从而实现对实际场景视频中船舶目标的稳健跟踪.实验结果表明,基于中心点检测与卡尔曼滤波的跟踪算法能够有效应对船舶部分遮挡、船舶形变、光线不足、小目标等复杂情况.

抑制船尾拖纹的长时段船舶跟踪方法

船舶跟踪任务中水面拖纹干扰和目标遮挡会影响船舶跟踪的效果。提出一种抑制船尾拖纹的长时段船舶跟踪方法。对图像预处理,提升图像清晰度;使用离线训练的拖纹检测器检测水面拖纹,实时校正船舶跟踪框;根据感知哈希算法判断是否发生目标遮挡,遮挡时使用在线检测器对目标区域进行检测,找回船舶位置并初始化跟踪器,实现长时段跟踪。实验结果表明,该方法能有效抑制船尾拖纹对跟踪的影响,提高船舶跟踪精度,实现长时段船舶跟踪。

基于特征融合的内河船舶尺度自适应跟踪

文章对以船舶为载体的跟踪系统进行研究,在解决电子巡航系统中船舶跟踪尺度变化干扰问题。为此,基于相关滤波,提出了一种特征融合策略,将卷积神经网络(Convolutional Neural Network,CNN)特征和Hog特征相结合。通过使用CNN获取船舶目标的空间结构、形状等相对抽象的语义信息,再将VGG网络提取的CNN特征与Hog特征进行融合,实现对内河船舶的跟踪。经过在大量船舶数据集上的验证和分析,发现特征融合算法显著提高了跟踪精确度和成功率。这一特征融合算法为船舶跟踪中尺度干扰问题提供了一条高精确度的可行路径。

基于非线性模型预测的欠驱动船舶轨迹跟踪控制研究

针对欠驱动船舶轨迹跟踪控制系统具有非线性、大惯性、时滞、局部线性不可控等特点,结合扩展卡尔曼滤波器和序列二次规划算法,设计了基于非线性模型预测的船舶轨迹跟踪控制策略.首先,设计了具有一定复杂度的参考轨迹,用于测试船舶的各种工况及工况切换情况.其次,应用船舶欠驱动三自由度运动控制模型与所设计的参考轨迹建立了非线性约束优化问题的目标函数,采用序列二次规划算法进行优化求解,并在扩展卡尔曼滤波器中对测量函数的雅可比矩阵进行了预求解以减少算法计算量.最后,通过对一艘运输船进行仿真试验,验证了所设计轨迹跟踪控制器的有效性和实时性.

基于计算机视觉的船舶目标检测与跟踪技术研究

针对海上交通安全问题,本文基于计算机视觉技术,研究了船舶目标检测与跟踪技术。首先,介绍了计算机视觉技术的基本原理和相关研究进展;其次,分析了海上交通安全面临的挑战和需求;然后,提出了一种基于深度学习的船舶目标检测与跟踪方法,并对该方法进行了实验验证。实验结果表明,该方法可以实现对船舶目标的准确检测和跟踪,并具有较好的实时性和鲁棒性。最后,本文总结了研究成果,并对未来的研究方向进行了展望。

基于视频处理技术的船舶移动位置跟踪研究

为解决常规船舶移动位置跟踪方法存在跟踪精度较低的不足。提出了基于视频处理技术的船舶移动位置跟踪研究。基于视频处理技术的引入,依托船舶对象位置的确定及运动轨迹的识别,实现了提出的基于视频处理技术的船舶移动位置跟踪研究。仿真实验结果表明,在复杂海域,提出的船舶移动位置跟踪研究方法,较常规船舶移动位置跟踪方法,跟踪精度提升34.12%。