计算机视觉在实时船舶识别方法的研究与应用

摘要

二十世纪七十年代以来，船舶朝着大型化高速化的方向发展，船舶数量、水域交通密度及危险货物的装载量不断增加，海洋事故时有发生，严重威胁着船舶的航行安全及海洋生态环境。安全成为了航海领域中的一个重要问题。人们在长期研究船舶航行安全保障技术的过程中，逐渐认识到船舶间、船岸间相互交换信息及船舶识别的重要性。近年来，在海上值班系统和船舶交通管理系统(VTS)中，雷达、船舶自动识别系统(AIS)、ECDIS、ARPA已有所应用，其中ARPA具有避碰功能，ECDIS可以在CRT屏幕上显示本船位置的电子图，综合ECDIS也能显示由ARPA和AIS提供的信息。针对船舶跟踪，雷达系统是最佳的选择，但雷达能提供的信息有限，不能识别船舶类型，而且在雷达盲区，也失去了跟踪能力。AIS是一种新型的船舶避碰设备，与雷达目标跟踪相比，这在技术上是一次变革——它改进了船舶获取避碰信息的手段。2000年12月，IMO海上安全委员会通过了SOLAS公约新V章，其中《船用导航系统和设备装配要求》明确规定，从2002年起，300GT以上的船舶以及船舶交通管理系统(VTS)必须配备AIS。但AIS系统在一些情况下不可用，例如300GT以下的船舶有可能没有配备AIS系统，危险情况下(如海盗来袭)AIS不能启用。因此，在雷达和AIS不能使用的情况下，我们应该考虑其它的船舶识别方法，以获得目标船的信息，监视目标船等等。这就是我们研究思路的出发点。 目前，计算机视觉的许多研究集中在对智能交通视频监控中，已获得了成功的应用，有效地实现了监控功能。本文首先回顾计算机视觉技术在船舶交通管理系统(VTS)中的应用，然后主要讨论基于计算机视觉的船舶识别系统。当设计计算机视觉在(海域监控领域)海上值班系统的应用时，我们可以考虑两种方法；岸台对目标船的跟踪和识别，以及船舶间的跟踪和识别。本文只考虑岸台对目标船的识别。希望把计算机视觉技术引入VTS，为船舶交通管理系统(VTS)获取船舶信息提供一些新的方法。 本文应用图像处理和神经网络技术，进行船舶分类。我们的总体工作是，首先用CCD照相机获得船舶的图像，通过图像处理方法，把照片进行图像预处理，如图像获取、编码、存储和传输、图像变换、图像增、除去噪声的方法等，其目的是采用一系列技术改善图像的视觉效果。然后提取船舶图像的特征信息，如船舶的颜色信息、长度、高度、周长、边缘信息、面积等，其目的是将这些特征作为神经网络的输入，最终，应用神经网络对照片中的船舶进行分类。 本文的船舶识别系统采用的是使用最广泛的BP网络，准确地说，是多层前向神经网络。该神经网络用BP算法来进行训练。本文分析了BP神经网络在船舶分类任务中的工作原理。 由该神经网络将照片中的船只分为大型船、中型船、小型船三类，但不能预测船的大概DWT。我们还用真实的船舶尺寸作实验，真实的船舶尺寸取自于“Navigational Channel Side Slope & Design Ship Size”的船舶尺寸数据库。实验结果证明了该方法的有效性。当我们用真实的船舶尺寸时，我们设计的BP网仍然能识别三类，5000 DWT以下的船，10000 DWT和50000 DWT之间的船，100000 DWT以上的船。而且，我们设计的神经网络还有预测能力，如用户把某个船舶的尺寸输入到BP网络，该BP网能预测出它的大概DWT。对于船舶大小识别的任务，我们给出本方法的实验结果：绘出其实际性能分析图。当用船舶照片中的信息时，我们设计的BP网的识别率达88％，而用真实的船舶尺寸时，识别率达96％。另外，我们提出一种识别船舶类型的方法，也使用前向BP网络。在实验中，我们一共能识别出96个船舶模型。船舶图像库共有96幅船照片，其中的32幅作为学习样本，96幅作为测试样本，测试样本是学习样本中船舶原始照片和它们的一些变化，如人为添加10％、20％或30％的噪声等。经过训练，我们设计的BP网络顺利地学完了全部32个学习样本，对32个测试原照片样本的识别率达97％和对它们的噪声照片样本的平均识别率达85.7％。我们还在不同的天气情况下对拍摄船的照片进行实验，如晴天、雨天、云天、夜晚。目的是检测我们的神经网是否能容忍噪声。我们设计的识别类型网络的特点是，对系统含有不确定因素、噪声及输入模式不完备的情况不太敏感，而且能适应实时监测的要求。对于船舶类型识别任务，我们讨论分析神经网络给出的识别率和结论，并通过计算机仿真，验证基于神经网络方法的船舶类型识别。我们提供给用户一个GUI界面(图形用户界面)，进行计算机仿真的模拟实验。 总之，由于各类高科技的发展，未来的VTS将以很大的信息网和高科技为依托，建设成为重要的海上管理手段，但是船舶识别仍然是VTS进行管理和服务的基础和关键所在。本文的主要研究目的是试图将计算机视觉和图像处理技术集成到VTS中，并希望获得较好的结果。通过分析传统的船舶导航设备与计算机视觉对VTS系统中的应用，比较各自的优缺点。我们认为把计算机视觉引入VTS可以与传统的船舶信息获取设备协调工作，从而达到加强VTS的功能的目的，如对船舶的监控、船舶工作模式的管理、交通管理的效率进行提高，从而减少船舶碰撞事故。

目录

文摘

英文文摘

论文说明：List of Figures and Tables、List of Symbols

声明

第一章 绪论(摘要）

Chapter 1 Introduction

1.1 Current Situation of Marine Watch System

1.1.1 Automatic Identification System (AIS)

1.1.2 Some Surveillance Systems in a Marine Environment

1.2 Research Motivation and Objectives

1.3 Contributions

1.4 Outline of the Thesis

第二章 计算机视觉技术在海上值班系统和VTS中的应用(摘要）

Chapter 2 Application of Computer Vision toMarine Watch System and Vessel Traffic System

2.1 Backgroung and Development of Computer Vision

2.2 Application of Computer Vision to Marine Watch System and Vessel Traffic System

2.2.1 Concept Criteria

2.2.2 Design Criteria

2.3 Advantages of use of Computer Vision

2.4 Conclusion

第三章 基于图像处理的船舶图像特征提取(摘要）

Chapter 3 Digital Image Processing Works for Ship's Feature Information Extraction

3.1 Fundamental in Digital Image Processing

3.2 Overview of Image Processing Works

3.2.1 Image Acquisition

3.2.2 Image Enhancement

3.2.3 Image Segmentation

3.3 Feature Information Extraction for Ship Image

3.4 Conclusion

第四章 基于神经网络的船舶分类方法(摘要）

Chapter 4 The Neural Approach to Ship Classification

4.1 Introduction of Artificial Neural Network

4.1.1 Neuron

4.1.2 Neural Network

4.1.3 The Feed-Forward Neural Network

4.1.4 Back-Propagation Algorithm

4.2 Neural Approach to Ship Classification

4.2.1 Network Design for Ship Classification

4.2.2 Network Design for Ship's Type Classification

4.3 Conclusion

第五章 计算机实验和讨论(摘要）

Chapter 5 Computer Experiments and Discussions

5.1 Computer Experiments

5.1.1 Classification Results

5.2 GUI Simulation Result

5.3 Conclusion and Discussions

第六章 结论、建议与展望(摘要）

Chapter 6 Conclusion and Future work

6.1 Conclusions and Suggestions

6.2 Future Work

List of publications

Acknowledgements

Bibliography

Appendices

Appendix A Block-diagram for image processing works

Appendix B Ship Clarification Algorithm

Appendix C Back-Propagation Algorithm Flow Chart