基于机器视觉的VTS系统船舶识别算法的研究

摘要

随着航运事业的飞速发展,船舶交通管理系统(Vessel Traffic Services,VTS)在我国各港口获得了广泛的应用。于此同时,人们在长期研究船舶航行安全保障技术中越来越深刻地认识到船舶间、船岸间相互交换信息及船舶识别的重要性,尽管VTS具有雷达、AIS、VHF等通信监控手段,但是还有很多不足,诸如船舶类型的识别、雷达盲区等问题仍待解决。
　　 目前,机器视觉已经被广泛的用在各种对准确度和可靠性要求很高的识别工作中。因此,如果在VTS中使用机器视觉技术实现船舶的识别,将可以解决很多当前的问题。它的优势是其拥有成熟的概念和完整的解决方案,并且具有精度较高,处理时间短的特点。对于船舶识别来说,机器视觉系统与其他监控技术比较,它也有一定的优势。在港口区域,机器视觉系统可以检测和分类船舶,可以帮助提高VTS系统的效率；在雷达盲区,对水上交通进行监控,能提高安全性,主动识别船舶,弥补其他监控手段的不足。
　　 本文核心的目标是实现对图像中船舶的识别。我们的主要工作有:在获得视频图像后,首先对图像进行灰度化处理以及图像预处理,其中使用了中值滤波平滑图像的方法,其目的是增强图像的有用信息以及去除图像中的噪声。然后丌始定位图像中船舶的位置,并且将船舶区域从图像中分割出来,由于背景相对固定,在去除背景后,就可以将船舶区域突显出来,再对图像进行二值化处理,就能很容易分割出船舶区域。之后是对图像中的船舶进行特征提取,是利用边缘检测技术和数学形态学的腐蚀和膨胀运算实现的。最后对船舶进行识别,本文提出了一个融合了模板匹配技术和神经网络模型的识别算法,先将提取的船舶特征与船舶模型库中各类船舶模型进行匹配,筛选出相似度较高的船舶模型,再利用BP神经网络作最终的识别。

目录

文摘

英文文摘

第1章 绪论

1.1 课题研究的背景与意义

1.2 VTS系统的发展与现状

1.2.1 雷达系统

1.2.2 VHF通信系统

1.2.3 AIS船舶自动识别系统

1.2.4 GPS定位系统

1.3 机器视觉

1.3.1 机器视觉综述

1.3.2 机器视觉在船舶识别中的优势

1.4 本文的主要研究内容

第2章 船舶图像的预处理和区域分割

2.1 彩色图像转换灰度图像

2.2 图像增强

2.2.1 图像增强

2.2.2 滤波

2.3 船舶区域的定位

2.3.1 去除背景

2.3.2 二值化

2.3.3 船舶区域的精确定位

2.4 本章小结

第3章 船舶的特征提取

3.1 图像特征提取技术

3.1.1 数学形态学

3.1.2 灰度形态学

3.1.3 边缘检测

3.2 船舶特征提取的算法

3.2.1 图像特征提取

3.2.2 船舶的特征提取

3.3 本章小结

第4章 船舶的识别

4.1 模板匹配和模式识别技术

4.1.1 模板匹配技术

4.1.2 模式识别技术

4.2 神经网络

4.2.1 神经网络综述

4.2.2 神经网络

4.2.3 BP神经网络

4.3 船舶识别的BP神经网络模型设计

4.3.1 确定模型的网络层数

4.3.2 确定各层神经元节点数

4.4 基于模板匹配和BP神经网络的船舶识别

4.4.1 区域填充

4.4.2 船舶模型库

4.4.3 基于模板匹配和BP神经网络的船舶识别

4.5 本章小结

第5章 船舶识别算法的实验与分析

5.1 编程工具与实验环境

5.2 船舶识别算法的实验

5.2.1 模板匹配

5.2.2 神经网络

5.2.3 实验结果与分析

第6章 总结与展望

6.1 总结

6.2 展望

参考文献

致谢