内河在航船舶动态跟踪和航迹融合方法研究

论文摘要

随着我国内河航运的蓬勃发展,水上运输任务日益繁重。内河各港口的吞吐量急剧增加,船舶流量和船舶密度也不断加大,导致航运事故发生的风险加剧,对内河在航船舶的动态跟踪和实时监控显得尤为重要。近年来,船舶交通管理系统（VTS）中雷达、船舶自动识别系统（AIS）、电子海图信息显示系统（ECDIS）等智能化的监控设备在内河海事监管中得到积极应用。雷达是跟踪船舶的最佳选择,但是在盲区会失去跟踪能力且不能识别船舶类型；AIS可以提供船舶的动态、静态信息,可以较好地识别船舶类型,但是由于其安装成本较高,在内河总吨位300以下的中小船舶没有配备；安装价格便宜,技术成熟的视频监控技术可为监控内河船舶提供另一种手段,但是其只能在航道的有限范围内获得信息。因此,在探讨基于视频的内河在航船舶目标识别和跟踪方法的基础上,应用视频、AIS、雷达等三种方法对船舶轨迹进行融合,提高内河在航船舶跟踪的可靠性和准确性,这对内河在航船舶的实时监控具有重要的学术和应用价值。本文的主要工作和创新如下：（1）基于视频的内河在航船舶目标识别方法研究：针对视频监控中运动目标的提取问题,提出一种基于改进相邻帧差法和Hu不变矩特征的运动目标识别方法。利用二维小波变换方法对采集到的视频图像进行去噪得到平滑的目标图像,采用连续帧间差分法处理图像得到运动区域,对当前帧目标进行Canny边缘检测得到边缘信息,两者检测结果相与得到运动目标边缘；提出一种改进的Hu不变矩目标图像特征提取方法提取目标图像的不变矩特征；设计一种基于优化权值附加动量因子的BP神经网络作为模式识别器,实现运动目标的自动识别。（2）基于视频的内河在航船舶跟踪方法研究：针对目标的实时跟踪问题,结合内河船舶运动特性提出一种自适应带宽的Mean-shift目标跟踪算法,通过尺度检测的方法选择窗宽更新算法,解决了传统的基于Mean-shift目标跟踪算法中的固定核窗宽问题,可以随着运动目标尺寸的变化而变化,实现运动目标的实时跟踪,提高了目标跟踪的准确性和可靠性。（3）视频、AIS、雷达轨迹融合方法研究：通过分析AIS、雷达两种系统采集的船舶信息特性,考虑AIS和雷达融合过程中所有可能出现的结果,建立船舶位置判定的识别框架。利用卡尔曼滤波算法对不同证据依据其重要性设置可信度,给出可信度公式,确定AIS和雷达的动态可信度,再用组合规则进行融合。然后应用获得的视频船舶运动轨迹对AIS、雷达融合结果进行修正,消除异常数据,得到更为准确的船舶运动轨迹,提高运动目标的识别率。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究背景与意义
• 1.2 课题支撑
• 1.3 研究现状
• 1.3.1 内河在航船舶交通流信息采集方法研究
• 1.3.2 基于视频的船舶目标识别与跟踪技术研究
• 1.3.3 基于多源信息的船舶航迹融合方法研究
• 1.4 主要研究内容
• 1.4.1 现有研究存在的主要问题分析
• 1.4.2 主要研究内容
• 1.5 论文的组织与结构
• 第2章 理论基础
• 2.1 图像预处理方法
• 2.1.1 中值滤波去噪方法
• 2.1.2 二维小波变换去噪方法
• 2.2 目标检测方法
• 2.2.1 边缘检测方法
• 2.2.2 相邻帧差检测方法
• 2.3 目标特征提取方法
• 2.4 目标识别方法
• 2.5 目标跟踪方法
• 2.5.1 Mean-shift算法的核密度梯度估计
• 2.5.2 Mean-shift（均值偏移）理论
• 2.6 信息融合方法
• 2.6.1 信息融合的必要性
• 2.6.2 信息融合结构
• 2.6.3 信息融合方法
• 2.7 本章小结
• 第3章 长江在航船舶交通流信息采集系统设计
• 3.1 引言
• 3.2 系统结构
• 3.3 系统设计
• 3.3.1 系统硬件组成
• 3.3.2 系统软件设计
• 3.4 本章小结
• 第4章 基于视频的船舶目标识别方法研究
• 4.1 引言
• 4.2 基于边缘检测和帧差法的内河在航船舶检测方法
• 4.2.1 基于二维小波变换图像去噪的图像预处理方法
• 4.2.2 基于改进Canny算子的边缘帧间差分方法
• 4.3 内河在航船舶目标特征提取及识别
• 4.3.1 内河船舶图像不变矩特征提取算法设计
• 4.3.2 基于船舶图像不变矩特征的神经网络目标识别
• 4.4 本章小结
• 第5章 基于视频的船舶动态跟踪方法研究
• 5.1 引言
• 5.2 标准MEAN-SHIFT目标跟踪算法
• 5.2.1 目标图像建模
• 5.2.2 相似性度量——Bhattacharyya系数
• 5.2.3 标准Mean-shift目标跟踪算法
• 5.3 基于自适应带宽的MEAN-SHIFT目标跟踪算法
• 5.3.1 基于仿射变换模型的目标图像配准
• 5.3.2 基于角点特征点匹配的形心配准
• 5.3.3 基于自适应带宽的Mean-shift算法描述
• 5.3.4 实验结果及分析
• 5.4 本章小结
• 第6章 基于AIS、雷达和视频的船舶航迹融合方法研究
• 6.1 引言
• 6.2 AIS、雷达航迹融合方法研究
• 6.2.1 内河在航船舶航迹融合识别框架
• 6.2.2 基于卡尔曼预测算法的焦元置信函数
• 6.3 AIS、雷达、视频航迹融合方法研究
• 6.3.1 基于六点法原理的单目摄像机标定方法
• 6.3.2 AIS、雷达、视频航迹融合方法
• 6.4 实验结果及分析
• 6.5 本章小结
• 第7章 结论与展望
• 7.1 主要研究工作与总结
• 7.2 主要创新点
• 7.3 研究展望
• 致谢
• 参考文献
• 攻读博士期间发表的主要成果及参加的科研项目