基于红外图像的内河运动船舶目标检测和跟踪技术研究

基于红外图像的内河运动船舶目标检测和跟踪技术研究

论文摘要

随着内河航运的增长,导致航运事故发生的风险也同样的增加。在雨、雪、雾、夜间等能见度不良气候条件下航行是造成船舶互撞和船撞桥事故的主要因素。船-船、船-桥避碰成功的关键是获取其他运动船舶和危险目标的准确信息。前视红外成像设备具有抗干扰能力强,气候环境适应性强,昼夜连续探测等优点。通过在各种内河行驶船舶上以及桥梁、闸口、限制区等重点区域安装价格便宜、技术成熟的非致冷红外焦平面阵列前视红外成像设备,实时采集红外视频图像,综合利用图像处理、目标检测、目标跟踪等技术,对采集的红外视频图像进行鲁棒的实时的分析处理、实现在内河复杂背景不良气候条件下,对其他内河运动船舶目标进行检测和跟踪,并利用得到的船舶目标检测和跟踪结果辅助船舶航行,提高监管人员和操船人员对航行环境的感知能力,辅助操船人员进行避撞决策,减少操船的失误,提高船、桥避碰成功率,保障人员的生命和财产的安全,减少或避免严重污染水域和自然环境事故的发生,确保航行运输安全。在基于视频的监控系统中有三个关键步骤:检测感兴趣的运动目标、跟踪这些目标、通过分析目标轨迹来识别相应目标的行为。红外目标检测和跟踪技术,作为智能化信息处理的关键环节之一,一直是困扰和制约红外成像探测实用性能的瓶颈问题和技术难点而亟待解决;同时,要把红外技术应用于内河水上交通安全,首先必须解决的关键技术就是基于红外图像的内河运动船舶目标检测和跟踪;因此,基于红外图像的内河运动船舶目标检测和跟踪技术研究,不仅具有重要的实用价值,还有重要的学术研究价值。本论文围绕基于红外图像的内河运动船舶目标检测和跟踪技术展开研究。首先,介绍前视红外成像系统的原理、组成及其优缺点、定性分析红外图像中内河船舶目标和背景的红外特征、红外图像的噪声特性、提出对目标检测和跟踪算法的性能要求;第二,在学习和借鉴已有天水线提取算法的基础上,提出了一种能够在复杂内河背景下进行天水线提取及其评价的方法;实验表明,该方法适应性好,定位精度高,实时性和可靠性高;给出了感兴趣区域ROI的提取方法;第三,总结已有的基于分形技术的人造目标检测算法,在此基础上提出了一种新的多尺度分形特征参数(MFFK);实验证明,当该参数应用于内河红外图像时,可以对内河船舶目标和内河自然背景进行很好的区分;进一步,提出了基于MFFK的内河船舶目标的检测算法;实验证明:该算法适用于内河复杂背景,适应性强,检测精度高,能够满足实时性和可靠性的要求;第四,首先对Mean Shift算法进行回顾,然后提出基于Mean-Shift的内河运动船舶目标跟踪算法。该算法最大的特点是在多尺度分形特征参数MFFK图像中描述内河运动船舶目标;实验证明:对红外图像中处于各种内河复杂背景中的单个运动船舶目标,该算法可实时、可靠、鲁棒的跟踪,但是当出现多个运动船舶目标相互遮挡时,该算法的跟踪可靠性降低;第五,首先回顾了粒子滤波相关理论及其在视频目标跟踪中的应用;然后提出基于单一灰度特征的粒子滤波内河船舶目标跟踪算法。在粒子滤波理论框架下,MFFK灰度图像中的内河船舶目标的状态后验概率分布用加权随机样本集表示,通过这些随机样本的Bayesian迭代进化实现对红外图像序列中的内河船舶目标跟踪;实验证明:单一灰度特征不足以描述内河运动船舶目标,该算法可用于简单内河背景,但不适用于内河复杂背景;第六,由于红外图像中的内河运动船舶目标的轮廓、形状和纹理特征一般不明显、没有颜色信息,同时单一灰度特征又不足以描述目标,因此,提出把船舶的灰度特征和运动特征融合来对内河运动船舶目标进行描述。通过在MFFK灰度图像中提取内河运动船舶目标的灰度特征,在两两MFFK灰度图像帧之间利用时间差分方法提取内河运动船舶目标的运动特征,利用模糊逻辑定义灰度特征与运动特征融合后的多特征融合相似系数;最终提出了基于灰度特征与运动特征融合的粒子滤波跟踪算法。该算法集成了分形几何、Mean Shift、差分运动检测、粒子滤波、模糊论等理论。实验证明:该算法不仅能够在内河复杂背景中对内河运动船舶进行稳健的有效的跟踪,而且能够应付场景的各种变化以及多运动船舶目标交错遮挡等情形,算法具有鲁棒性;算法在应用过程中仅需要很少的状态采样数,满足实时性的要求;最后,对全文的研究工作进行总结,指出今后工作中进一步研究的方向。

论文目录

  • 中文摘要
  • 英文摘要
  • 1 绪论
  • 1.1 研究背景及意义
  • 1.1.1 我国内河交通概况
  • 1.1.2 内河水上交通事故统计及其危害
  • 1.1.3 内河水上交通事故原因分析
  • 1.1.4 红外热成像技术概述
  • 1.1.5 研究意义
  • 1.2 相关技术及其研究动态
  • 1.2.1 内河船舶避碰研究综述
  • 1.2.2 船-桥避碰研究综述
  • 1.2.3 基于红外图像的目标检测技术研究现状
  • 1.2.4 目标跟踪技术研究现状
  • 1.2.5 基于红外图像的运动船舶目标检测和跟踪技术研究现状
  • 1.3 本文的主要内容、安排及创新点
  • 1.4 本章小结
  • 2 红外图像中的内河船舶目标及其背景特征分析
  • 2.1 前视红外成像系统简介
  • 2.1.1 红外辐射的基本定律
  • 2.1.2 大气传输
  • 2.1.3 前视红外成像系统
  • 2.1.4 红外图像的特点
  • 2.2 红外图像中内河船舶目标和背景的红外特征分析
  • 2.2.1 船舶热特性与船型的关系
  • 2.2.2 船舶热特性与方位的关系
  • 2.2.3 太阳辐射对船舶辐射特性的影响
  • 2.2.4 不同运动状态下船舶的红外特性
  • 2.2.5 不同背景下船舶的红外特性
  • 2.2.6 不同距离下船舶的红外特征
  • 2.2.7 天水线与船舶目标的位置关系
  • 2.3 噪声分析
  • 2.3.1 约翰逊噪声
  • 2.3.2 散粒噪声
  • 2.3.3 产生-复合噪声
  • 2.3.4 光子噪声
  • 2.3.5 “1/f 噪声”
  • 2.3.6 色噪声
  • 2.4 船舶目标检测和跟踪的性能要求
  • 2.4.1 实时性要求
  • 2.4.2 可靠性要求
  • 2.5 本章小结
  • 3 天水线检测及感兴趣区域ROI 的提取
  • 3.1 引言
  • 3.1.1 天水线的特征分析
  • 3.1.2 天水线检测方法综述
  • 3.2 天水线的提取
  • 3.2.1 图像质量评价
  • 3.2.2 第一级图像预处理
  • 3.2.3 第二级图像预处理
  • 3.2.4 图像迭代阈值分割
  • 3.2.5 Roberts 梯度算子边缘检测
  • 3.2.6 二值化
  • 3.2.7 细化
  • 3.2.8 利用Hough 变换提取天水线
  • 3.3 天水线信度的评价
  • 3.3.1 主观定量评价方法
  • 3.3.2 天水线信度评价
  • 3.4 实验结果及分析
  • 3.5 感兴趣区域ROI 的提取
  • 3.6 本章小结
  • 4 基于多尺度分形特征的内河船舶目标检测
  • 4.1 分形几何概述
  • 4.2 基于分形几何的人造目标检测综述
  • 4.2.1 基于分形维数(FD)特征差异的人造目标检测
  • 4.2.2 基于分形模型拟合误差(FMFE)的人造目标检测
  • 4.2.3 基于D 维面积(K)的人造目标检测
  • 4.2.4 基于多尺度分形特征(MFFD)的人造目标检测
  • 4.3 一种新的多尺度分形特征
  • 4.3.1 多尺度分形特征(MFFK)的计算
  • 4.3.2 用于内河船舶检测的最优分形特征参数选择
  • 4.4 基于多尺度分形特征(MFFK)的船舶目标检测
  • 4.4.1 提取感兴趣区域(ROI)
  • 4.4.2 使用局部直方图统计方法分割ROI 图像
  • 4.4.3 计算多尺度分形特征参数MFFK
  • 4.4.4 内河船舶目标检测
  • 4.5 实验结果及其讨论
  • 4.5.1 对比实验
  • 4.5.2 确定合适的尺度数
  • 4.5.3 实时性及可靠性实验
  • 4.6 本章小结
  • 5 基于Mean-Shift 的内河运动船舶目标跟踪
  • 5.1 Mean Shift 概述
  • 5.1.1 Mean Shift 发展
  • 5.1.2 Mean Shift 的方法介绍
  • 5.2 基于Mean-Shift 的内河运动船舶目标跟踪算法
  • 5.2.1 内河运动船舶目标的描述
  • 5.2.2 基于Bhattacharyya 系数的相似度测量
  • 5.2.3 内河船舶目标定位
  • 5.2.4 跟踪算法流程设计
  • 5.3 实验结果及其分析
  • 5.3.1 简单内河背景中的内河船舶目标跟踪
  • 5.3.2 复杂内河背景中的内河船舶目标跟踪
  • 5.3.3 多艘内河船舶目标同时存在时的内河船舶目标跟踪
  • 5.4 本章小结
  • 6 基于粒子滤波的内河船舶目标跟踪研究
  • 6.1 粒子滤波概述
  • 6.1.1 粒子滤波算法
  • 6.1.2 基于粒子滤波的视频目标跟踪研究现状
  • 6.2 基于单一灰度特征的粒子滤波内河船舶目标跟踪算法
  • 6.2.1 状态转移模型
  • 6.2.2 观测概率模型
  • 6.2.3 基于单一灰度特征的粒子滤波的内河船舶目标跟踪算法
  • 6.2.4 噪声分布参数更新
  • 6.2.5 实验结果与分析
  • 6.3 基于多特征融合的粒子滤波内河船舶目标跟踪算法
  • 6.3.1 状态转移模型
  • 6.3.2 内河船舶目标的灰度分布及灰度特征相似系数
  • 6.3.3 内河船舶目标的运动特征及运动特征相似系数
  • 6.3.4 基于灰度特征与运动特征融合的内河船舶目标相似系数
  • 6.3.5 观测概率模型
  • 6.3.6 基于灰度特征与运动特征融合的粒子滤波跟踪算法
  • 6.4 实验结果与分析
  • 6.4.1 简单内河背景中的内河船舶目标跟踪
  • 6.4.2 复杂内河背景中的内河船舶目标跟踪
  • 6.4.3 多船舶目标交错时的内河船舶目标跟踪
  • 6.4.4 可靠性实验
  • 6.5 本章小结
  • 7 总结与展望
  • 7.1 总结
  • 7.2 展望
  • 致谢
  • 参考文献
  • 附录
  • A 作者在攻读博士学位期间发表论文的目录
  • B 作者在攻读博士学位期间参加的专利申请和标准制订工作
  • C 作者在攻读博士学位期间参加的科研工作
  • 相关论文文献

    • [1].基于区域生长的自适应红外图像火焰识别[J]. 南方农机 2020(05)
    • [2].基于红外图像识别的智能远程控制消防装置[J]. 今日消防 2020(01)
    • [3].基于雾线暗原色先验的红外图像去雾算法[J]. 红外技术 2020(06)
    • [4].基于生成对抗网络的红外图像数据增强[J]. 计算机应用 2020(07)
    • [5].基于迁移学习的红外图像分类[J]. 天津职业技术师范大学学报 2020(03)
    • [6].一种多分辨多尺度的红外图像增强算法[J]. 激光杂志 2019(08)
    • [7].一种基于区域显著性识别的红外图像增强方法[J]. 江苏大学学报(自然科学版) 2019(06)
    • [8].基于密度相似因子的电力红外图像分割方法[J]. 红外技术 2017(12)
    • [9].基于融合技术的单幅红外图像增强方法[J]. 电子器件 2018(04)
    • [10].对受灾区域红外图像优化识别仿真[J]. 计算机仿真 2017(03)
    • [11].海上远距离目标探测中的红外图像增强算法[J]. 大连海事大学学报 2015(04)
    • [12].红外图像采集及特征提取技术的研究[J]. 激光杂志 2016(08)
    • [13].远程微小红外图像小差异特征分类算法仿真[J]. 计算机仿真 2015(07)
    • [14].红外图像影响因素及增强方法[J]. 农村科学实验 2017(03)
    • [15].复杂海面的舰船弱目标红外图像提取方法[J]. 舰船科学技术 2020(18)
    • [16].基于大数据的舰船红外图像目标实时跟踪方法[J]. 舰船科学技术 2020(02)
    • [17].基于红外图像处理技术的钢构件损伤识别[J]. 红外技术 2020(03)
    • [18].一种红外图像增强算法在无人机巡检输电线路上的应用[J]. 电子设计工程 2020(16)
    • [19].红外图像特征的三维提取技术[J]. 激光杂志 2019(02)
    • [20].红外图像中快速运动目标的检测与跟踪方法[J]. 红外技术 2019(03)
    • [21].基于多感知的红外图像增强算法设计[J]. 信息与电脑(理论版) 2019(13)
    • [22].基于透射图融合的红外图像传感器信号增强方法[J]. 传感技术学报 2019(07)
    • [23].基于红外图像的船舶特征识别方法[J]. 舰船科学技术 2018(12)
    • [24].基于最小平均距离免疫算法的模糊红外图像分割(英文)[J]. 光谱学与光谱分析 2018(11)
    • [25].基于人眼视觉的红外图像增强算法研究[J]. 激光与红外 2017(01)
    • [26].针对边缘检测和数学形态学的红外图像增强算法[J]. 佳木斯职业学院学报 2017(01)
    • [27].一种可见光和红外图像加权融合最佳权值因子的确定方法[J]. 电子世界 2017(13)
    • [28].红外图像识别在舰船火灾中的应用分析[J]. 舰船科学技术 2017(20)
    • [29].一种基于实测数据温差扰动的红外图像实时生成方法[J]. 红外技术 2017(10)
    • [30].外场提高红外图像质量研究[J]. 电子测试 2016(14)

    标签:;  ;  ;  ;  ;  

    基于红外图像的内河运动船舶目标检测和跟踪技术研究
    下载Doc文档

    猜你喜欢