李祎承 胡釗政 初秀民

（1.武漢理工大學(xué)能源與動(dòng)力工程學(xué)院 武漢430063；2.武漢理工大學(xué)智能交通系統(tǒng)研究中心 武漢430063；3.水路公路交通安全控制與裝備教育部工程研究中心 武漢430063）

近年來內(nèi)河航運(yùn)的發(fā)展隨著經(jīng)濟(jì)發(fā)展而迅速提高，船舶在總擁有量、運(yùn)行速度及載重噸位方面有著顯著提升［1］。內(nèi)河船舶的增加加大了航道承載量，同時(shí)提高了航海事故發(fā)生概率，由于交通事故造成人員及財(cái)產(chǎn)損失不可估量。因此，使得減少交通事故，加強(qiáng)船舶航行監(jiān)控，提高船舶航行安全尤為重要。運(yùn)用圖像處理技術(shù)提取航行船舶目標(biāo)可為船舶監(jiān)控做基礎(chǔ)，計(jì)算目標(biāo)特征值可為檢測(cè)船速、船舶種類等交通流參數(shù)提供理論支持。因此，運(yùn)用圖像處理技術(shù)，可為保障船舶航行安全，提供重要保障。

近年來，國(guó)內(nèi)外運(yùn)用圖像處理技術(shù)保障交通安全大多集中于公路或海上交通中，關(guān)于內(nèi)河交通船舶目標(biāo)識(shí)別研究較少。在公路交通中，文獻(xiàn)［2-4］通過運(yùn)用背景重建、圖像分割及匹配的方法分割車輛運(yùn)動(dòng)目標(biāo)，根據(jù)SAR圖像或目標(biāo)圖像的光譜性鑒別車輛目標(biāo)，運(yùn)用坐標(biāo)變換方法實(shí)現(xiàn)目標(biāo)速度測(cè)量；在水上交通方面，武漢理工大學(xué)劉清教授［5－6］通過圖像處理技術(shù)估算大氣光亮度值對(duì)內(nèi)河霧天進(jìn)行去霧還原處理，為航行船舶目標(biāo)提取打下基礎(chǔ)；文獻(xiàn)［7，8］運(yùn)用背景差分法檢測(cè)船舶運(yùn)動(dòng)目標(biāo)，運(yùn)用目標(biāo)特征和匹配算法對(duì)船舶進(jìn)行跟蹤定位，監(jiān)控船舶行進(jìn)方向；文獻(xiàn)［9］設(shè)計(jì)了以DSP為核心的船舶紅外圖像目標(biāo)檢測(cè)系統(tǒng)，通過岸水線檢測(cè)方法和基于窗口的目標(biāo)檢測(cè)方法檢測(cè)目標(biāo)船舶；文獻(xiàn)［10］提出了1個(gè)基于數(shù)字圖像處理的船舶流量檢測(cè)方法，運(yùn)用多高斯分布背景，檢測(cè)運(yùn)動(dòng)船舶并計(jì)數(shù)。

綜合上述文獻(xiàn)，公路交通中運(yùn)用圖像處理進(jìn)行車輛識(shí)別研究較深，方法多樣。水上交通中研究通常運(yùn)用基礎(chǔ)方法實(shí)現(xiàn)船舶目標(biāo)提取，在檢測(cè)過程中，對(duì)攝像機(jī)角度問題及天氣狀況考慮較少，且研究方法較為單一。因此，筆者從不同角度（正面拍攝、側(cè)面拍攝）對(duì)內(nèi)河船舶航行狀況進(jìn)行視頻采集，然后將采集到視頻運(yùn)用圖像處理技術(shù)實(shí)現(xiàn)在不同天氣條件下（陰天、霧霾、晴天）對(duì)船舶目標(biāo)進(jìn)行提取，最后，計(jì)算所提取目標(biāo)的特征值并根據(jù)所求特征值進(jìn)行初步識(shí)別。

1 船舶目標(biāo)提取

1.1 船舶圖像預(yù)處理

為方便提取船舶航行目標(biāo)，需進(jìn)行船舶圖像預(yù)處理研究，預(yù)處理主要分為圖像濾波與圖像增強(qiáng)2部分。

在拍攝并傳遞船舶航行視頻時(shí)，通常會(huì)受到不同程度噪聲干擾，而在圖像處理某個(gè)環(huán)節(jié)中亦會(huì)對(duì)結(jié)果引入噪聲。運(yùn)用圖像濾波，可在盡量保留船舶航行細(xì)節(jié)的前提下，抑制或消除圖像噪聲的出現(xiàn)，圖像濾波是圖像預(yù)處理中的重要組成部分［10］。

本文選擇均值濾波作為主要濾波方法，均值濾波具有一致高斯噪聲效果好、算法實(shí)現(xiàn)簡(jiǎn)單等優(yōu)點(diǎn)。濾波模板為3×3，具體表現(xiàn)形式如下。

運(yùn)算時(shí)將未處理像素置于模板中心位置，將窗口H中所求像素平均值賦值于目標(biāo)中心像素，從而達(dá)到濾波效果。圖1為具體濾波效果。

圖1 均值濾波效果圖Fig.1 Result of mean filter

在船舶航行過程中，時(shí)常遇到陰天、大霧等能見度較低情況。此時(shí)由于能見度較低使得拍攝效果較為模糊，因此對(duì)目標(biāo)識(shí)別造成影響。對(duì)霧天、陰天等能見度較低時(shí)的圖像識(shí)別通常運(yùn)用圖像增強(qiáng)方法，本文選取直方圖均衡化進(jìn)行圖像增強(qiáng)，見圖2、圖3。

圖2 霧天船舶目標(biāo)圖像增強(qiáng)Fig.2 Vessels enhancement in foggy weather

圖3 陰天船舶目標(biāo)圖像增強(qiáng)Fig.3 Vessels enhancement in cloudy weather

全局直方圖均衡化算法［11］為圖像增強(qiáng)法的1種，可在霧天、陰天條件下使目標(biāo)圖像達(dá)到增強(qiáng)的效果。其設(shè)計(jì)基本思想為首先繪制圖像灰度直方圖，將直方圖轉(zhuǎn)化成均勻分布形式，使圖像像素灰度范圍增加，最終實(shí)現(xiàn)在霧天、陰天條件下增強(qiáng)目標(biāo)對(duì)比度的效果。

1.2 船舶目標(biāo)提取

船舶目標(biāo)提取可按攝像機(jī)拍攝角度不同而分別進(jìn)行，側(cè)面監(jiān)控船舶可簡(jiǎn)潔快速地檢測(cè)船舶運(yùn)動(dòng)目標(biāo)速度，而正面監(jiān)控可為識(shí)別船舶航向角度及船舶類型做基礎(chǔ)。筆者運(yùn)用背景差分結(jié)合大津法對(duì)船舶目標(biāo)進(jìn)行提取，而背景圖像可由背景重構(gòu)法獲得，見圖4。

圖4 背景差分結(jié)合大津法的船舶目標(biāo)提取流程圖Fig.4 Vessels extract with Background Subtraction and OSTU

根據(jù)船舶航行速度，將所得視頻圖像按照0.5幀／s進(jìn)行解碼，從而得到多幀圖像進(jìn)行預(yù)處理。預(yù)處理后，需得到不斷更新的背景圖像進(jìn)行背景差分，背景圖像可用以下方式獲?。涸O(shè)視頻序列圖像為 ｛Ik（x，y），k＝1，2，…，N｝。式中k為多幀圖像序列；N為序列圖像總幀數(shù)；（x，y）為像素點(diǎn)位置坐標(biāo)。背景重建時(shí)，首先把第k幀序列圖像Bk（x，y）當(dāng)作初始背景存儲(chǔ)，其次對(duì)第 （k＋n）幀圖像Ik＋n（x，y）（n可取1或2，分別代表臨幀檢測(cè)與隔幀檢測(cè)）及Bk（x，y）進(jìn)行差分運(yùn)算，對(duì)所得結(jié)果進(jìn)行二值化處理，計(jì)算圖像中變化面積S。設(shè)定閾值TH1（可設(shè)定閾值為60，根據(jù)不同場(chǎng)景可設(shè)定不同閾值），將變化面積S與TH1進(jìn)行比較，當(dāng)S＜TH1時(shí)，認(rèn)為背景未產(chǎn)生變化，反之，則進(jìn)行背景圖像重建。所用公式如下。

得到連續(xù)更新的背景圖像，可運(yùn)用背景差分法提取目標(biāo)，并用最大類間方差法進(jìn)行閾值選取。背景幀差法可用以下公式表示。

式中：fk（x，y）為當(dāng)前幀圖像；fbk（x，y）為背景圖像；Dk（x，y）為2幀圖像差分結(jié)果；T 為設(shè)定閾值，與Dk（x，y）進(jìn)行比較，當(dāng)差分結(jié)果大于閾值時(shí)，視為前景圖像，反之則為背景圖像。因此，閾值T的選擇為目標(biāo)提取的重要環(huán)節(jié)，運(yùn)用大津法對(duì)閾值T進(jìn)行選擇。其主要算法如下。

用T將圖像分割為A與B，2部分概率分別為wA和wB，μA和μB分別為各自區(qū)域內(nèi)灰度平均值，μ為整幅圖像灰度平均值。通過上述公式計(jì)算2類間方差，并令T遍歷整幅圖像，所得到方差最大時(shí)，即為所求T值。

由于橋區(qū)屬于限制區(qū)域，因此可計(jì)算船舶大概航行區(qū)域，將船舶航行圖像進(jìn)行區(qū)域劃分，根據(jù)灰度值變化提取船舶運(yùn)動(dòng)區(qū)域，在此區(qū)域內(nèi)進(jìn)行目標(biāo)提取，可提升提取質(zhì)量。具體算法如下：設(shè)一幅圖像為I（x，y），將圖像中像素值以行的形式進(jìn)行累加，如下式所示，即將所有像素投影至y軸。

式中：Ij為y軸投影像素值；n為像素總數(shù)。結(jié)果見圖5。

圖5 目標(biāo)圖像像素投影Fig.5 Object pixels projection

按照上述算法提取船舶目標(biāo)，在圖像中出現(xiàn)多船現(xiàn)象時(shí)按照近大遠(yuǎn)小的原則，提取具有最大面積船舶圖像。運(yùn)用背景差分結(jié)合大津法對(duì)圖像進(jìn)行分塊區(qū)域目標(biāo)提取，將所得二值圖像進(jìn)行二值化、目標(biāo)最大面積提取后，可得到圖像如圖6，圖7所示。由于大津法為自適應(yīng)閾值選取，因此目標(biāo)船舶閾值選取可隨不同船舶姿態(tài)與場(chǎng)景變化而變化。

圖6 目標(biāo)船舶原始圖像Fig.6 Original image of vessels

圖7 分割后船舶目標(biāo)圖像Fig.7 Extracted image of vessels

2 船舶特征提取

船舶特征提取可為識(shí)別船舶種類、檢測(cè)船舶長(zhǎng)度做基礎(chǔ)。筆者在目標(biāo)提取基礎(chǔ)上介紹了1種基于圓環(huán)劃分的船舶目標(biāo)特征值提取法，所得特征值具有旋轉(zhuǎn)、平移及縮放不變特性（RST不變性）。

計(jì)算該特征值的算法具體描述如下。

1）對(duì)船舶目標(biāo)的中心坐標(biāo)進(jìn)行提取。

2）對(duì)中心至最遠(yuǎn)邊界點(diǎn)的距離進(jìn)行計(jì)算，確定一特征數(shù)n，如n＝6，以最遠(yuǎn)距離與特征數(shù)的商得到外接圓半徑r，再以目標(biāo)中心為圓心，r，2r，…，nr為半徑在船舶圖像中畫同心圓。

3）對(duì)每個(gè)圓或圓環(huán)中目標(biāo)像素?cái)?shù)量進(jìn)行統(tǒng)計(jì)，獲得船舶目標(biāo)在各圓或圓環(huán)中像素點(diǎn)數(shù)，并組成數(shù)組PN。

4）運(yùn)用所得數(shù)組中各圓或圓環(huán)中目標(biāo)像素點(diǎn)數(shù)量與對(duì)應(yīng)圓或圓環(huán)面積做比值，即可得到特征值TZ。

2.1 船舶中心坐標(biāo)計(jì)算

船舶中心坐標(biāo)

式中：mij為圖像i＋j階矩（見圖8（a）），運(yùn)用上述公式對(duì)船舶中心坐標(biāo)進(jìn)行計(jì)算，并標(biāo)記在圖像中。

圖8 圓環(huán)劃分特征提取示意圖Fig.8 Schematic diagram of the ratio of target area method

2.2 船舶中心至最遠(yuǎn)邊緣距離計(jì)算

首先通過邊界跟蹤算法對(duì)目標(biāo)邊界點(diǎn)進(jìn)行獲取，并排列邊緣點(diǎn)坐標(biāo)序列。其次對(duì)中心至最遠(yuǎn)邊界像素點(diǎn)進(jìn)行計(jì)算。如圖8所示，圖8（b）為中心至最遠(yuǎn)邊界點(diǎn)連線。依照?qǐng)D像分辨率對(duì)特征數(shù)進(jìn)行選擇，分辨率高表示船舶圖像細(xì)節(jié)較豐富，選擇較大特征數(shù)，如n＝8，反之則選取較小特征數(shù)，如n＝6。選取合適特征值有助于增強(qiáng)識(shí)別效果，若選擇過大特征值，特征值識(shí)別會(huì)對(duì)目標(biāo)邊緣的輕微變動(dòng)敏感，使得計(jì)算特征值變動(dòng)較大，最終對(duì)識(shí)別效果造成影響；若特征數(shù)選取過小，會(huì)降低區(qū)分不同目標(biāo)的能力。針對(duì)船舶航行圖像，通常將特征數(shù)選取為5～8之間。

2.3 特征向量計(jì)算

分別對(duì)半徑為r的圓及第k（k＝1，2，…，n-1）個(gè)圓至第k＋1個(gè)圓間面積進(jìn)行計(jì)算，計(jì)算公式如式（8）。

式中：k＝1，2，…，n－1，將所得計(jì)算結(jié)果保存至數(shù)組CircleArea中，再由數(shù)組PN［n］中每個(gè)PN［i］（i＝1，2，...，n-1）與數(shù)組 CircleArea［n］相應(yīng)的CircleArea［i］相除，所得結(jié)果即為所求特征值，并將最后計(jì)算結(jié)果存入數(shù)組Tezheng［n］中。

3 實(shí)驗(yàn)結(jié)果分析

本章對(duì)上面2部分算法進(jìn)行驗(yàn)證：首先介紹圖像采集地點(diǎn)，其次對(duì)航行船舶進(jìn)行目標(biāo)提取，最后將所提取船舶進(jìn)行特征值計(jì)算，并驗(yàn)證其具有旋轉(zhuǎn)、平移及縮放不變特性。

3.1 采集地點(diǎn)選擇

為處理船舶圖像，首先進(jìn)行船舶視頻采集，由于海事部門規(guī)定橋區(qū)為限制性航段，橋區(qū)范圍內(nèi)不允許進(jìn)行船舶追越，因此，拍攝地點(diǎn)選擇武漢長(zhǎng)江大橋橋上及岸邊進(jìn)行。武漢長(zhǎng)江大橋?yàn)檫B拱橋梁，是長(zhǎng)江武漢段的瓶頸河段，亦為事故多發(fā)帶，選擇此地拍攝對(duì)提高船舶航行安全具有重要意義。

為在最大程度上實(shí)現(xiàn)船舶航行監(jiān)控，按多角度、大時(shí)間跨越、多天氣選擇的準(zhǔn)則對(duì)航行船舶進(jìn)行拍攝。具體而言，將拍攝角度分為橋區(qū)正面及岸邊側(cè)面，拍攝時(shí)間選擇為08：30～17：30時(shí)，并在不同天氣下，如晴天、陰天及霧天進(jìn)行拍攝。拍攝結(jié)果見圖9。

圖9 不同角度下船舶拍攝Fig.9 Vessel shooting in different view

3.2 航行船舶目標(biāo)提取

運(yùn)用背景差分結(jié)合最大類間方差法提取航行船舶目標(biāo)，通過背景更新算法獲得連續(xù)不斷更新的背景圖像。

圖10～圖13為船舶航行原圖像。圖14～圖17為船舶目標(biāo)圖像提取結(jié)果，分別對(duì)在航船舶主要船型進(jìn)行目標(biāo)提取。圖14為危險(xiǎn)品船舶目標(biāo)提取，圖15、圖17為散貨船目標(biāo)提取，圖16為集裝箱船目標(biāo)提取。其中，圖14～圖16為橋上正面拍攝，圖17為橋區(qū)側(cè)面拍攝。每幅圖中4幅子圖分別為船舶目標(biāo)運(yùn)動(dòng)時(shí)所經(jīng)歷4個(gè)重要階段，其中（a）為目標(biāo)船舶剛行駛至攝像機(jī)攝程范圍；（b）為船舶大體輪廓出現(xiàn)在攝像機(jī)中所檢測(cè)到圖像；（c）為船舶整體輪廓出現(xiàn)在攝像機(jī)中；（d）為船舶運(yùn)動(dòng)至一定時(shí)段后的目標(biāo)圖像。由圖10～圖17可見，本文所用方法可較完整的實(shí)現(xiàn)船舶航行目標(biāo)提取。

圖10 危險(xiǎn)品船原始航行圖像Fig.10 Original image of hazardous materials vessel

圖11 散貨船原始航行圖像Fig.11 Original image of cargo vessel

圖12 集裝箱船原始航行圖像Fig.12 Original image of container vessel

圖13 散貨船原始航行圖像Fig.13 Original image of cargo vessel

圖14 危險(xiǎn)品船航行目標(biāo)提取Fig.14 Extracted image of hazardous materials vessel

圖15 散貨船航行目標(biāo)提取Fig.15 Extracted image of cargo vessel

圖16 集裝箱船航行目標(biāo)提取Fig.16 Extracted image of container vessel

圖17 散貨船航行目標(biāo)提取Fig.17 Extracted image of cargo vessel

3.3 航行船舶目標(biāo)特征值檢測(cè)

為顯示圓環(huán)劃分特征值穩(wěn)定性，分別在危險(xiǎn)品船、集裝箱船及散貨船中選取代表船舶，將目標(biāo)船舶二值圖像進(jìn)行縮放、旋轉(zhuǎn)、平移，得到5幅圖像，如圖18～22所示。其具體檢測(cè)算法如下。

1）提取1幅目標(biāo)二值化圖像，計(jì)算目標(biāo)圓環(huán)特征比向量。依照上節(jié)算法所述，計(jì)算目標(biāo)圖像中心到最遠(yuǎn)輪廓點(diǎn)距離，設(shè)定特征值為6。從1～6自圓心向外進(jìn)行計(jì)數(shù)，計(jì)算每個(gè)圓環(huán)內(nèi)所含有像素個(gè)數(shù)，并記錄。

2）運(yùn)用曲率測(cè)度計(jì)算方法計(jì)算目標(biāo)圖像各個(gè)圖像目標(biāo)的曲率測(cè)度向量，其測(cè)量半徑為圖像目標(biāo)中心至最遠(yuǎn)輪廓點(diǎn)半徑。

3）計(jì)算歸一化中心至輪廓點(diǎn)距離向量，通過差值算法或取樣算法將其向量元素?cái)?shù)量歸一至100，將所計(jì)算結(jié)果進(jìn)行記錄。

4）若所檢測(cè)目標(biāo)圖像不為最后一幀，則返回步驟1）重新操作，若為最后一幀圖像，則結(jié)束檢測(cè)。

圖18 危險(xiǎn)品船旋轉(zhuǎn)、平移、縮放后目標(biāo)圖像Fig.18 Hazardous materials vessel after rotated translated and scaled

圖19 散貨船旋轉(zhuǎn)、平移、縮放后目標(biāo)圖像Fig.19 Cargo vessel after rotated translated and scaled

圖20 集裝箱船旋轉(zhuǎn)、平移、縮放后目標(biāo)圖像Fig.20 Container vessel after rotated translated and scaled

圖21 煤船旋轉(zhuǎn)、平移、縮放后目標(biāo)圖像Fig.21 Coal vessel after rotated translated and scaled

圖22 砂船旋轉(zhuǎn)、平移、縮放后目標(biāo)圖像Fig.22 Sand vessel after rotated translated and scaled

表1～表5為圖18～圖22中船舶目標(biāo)的圓環(huán)面積比特征。表中共有6個(gè)特征值，其含義為以圓心為起點(diǎn)的第n個(gè)特征值。對(duì)表1～表5進(jìn)行比較，由表可知，同類船舶特征值較為接近，不同船舶間特征值差異較大，且此特征向量具有平移、縮放、旋轉(zhuǎn)不變性。此類特征可為今后船舶種類識(shí)別做基礎(chǔ)。

表1 圖18中圖像目標(biāo)的目標(biāo)圓環(huán)面積比特征向量Tab.1 Object vector in fig.18

表2 圖19中圖像目標(biāo)的目標(biāo)圓環(huán)面積比特征向量Tab.2 Object vector in fig.19

表3 圖20中圖像目標(biāo)的目標(biāo)圓環(huán)面積比特征向量Tab.3 Object vector in fig.20

表4 圖21中圖像目標(biāo)的目標(biāo)圓環(huán)面積比特征向量Tab.4 Object vector in fig.21

表5 圖22中圖像目標(biāo)的目標(biāo)圓環(huán)面積比特征向量Tab.5 Object vector in fig.22

由上述實(shí)驗(yàn)可得出以下結(jié)論。

1）同類目標(biāo)中相同特征值差異較小，而不同類目標(biāo)相同特征值差異較大。因此，基于圓環(huán)劃分的特征值算法具有旋轉(zhuǎn)、平移及縮放不變性特征。

2）表2與表4特征值1及特征值2均為0.5以下，而其他3表均為0.95以上；反觀原圖，圖10與圖12為側(cè)拍圖像，另外3幅為正面拍攝。因此可得，側(cè)拍圖像所得船舶特征較小，正面拍攝圖像特征較大，運(yùn)用所求特征可對(duì)拍攝角度進(jìn)行識(shí)別。

3.4 與傳統(tǒng)方法比較

為驗(yàn)證基于圓環(huán)劃分的特征值算法的性能，特引入幾種單值特征的計(jì)算與之進(jìn)行比較［12－13］：中心輪廓最小平均距離比、矩形度、最小外接矩寬長(zhǎng)比、最大曲率測(cè)度以及最小曲率測(cè)度。其中，矩形度是目標(biāo)自身面積除以目標(biāo)最小外接矩面積所得到的比值；曲率測(cè)度為將邊界點(diǎn)定義為圓心，以r為半價(jià)畫圓，計(jì)算圓內(nèi)目標(biāo)數(shù)與圓面積之比，以此定義邊界點(diǎn)所具有的曲率。表6為對(duì)圖22進(jìn)行單值特征計(jì)算的結(jié)果。

與傳統(tǒng)單值特征相比，基于圓環(huán)劃分的特征值算法有以下特點(diǎn)：

表6 圖22圖像目標(biāo)單值RST不變性特征值Tab.6 Single object vector with RST in fig.22

1）基于圓環(huán)劃分的特征值算法可1次性計(jì)算目標(biāo)多個(gè)特征值，同時(shí)分析各個(gè)特征值之間的關(guān)系。

2）當(dāng)目標(biāo)旋轉(zhuǎn)變化時(shí)，5個(gè)單值特征最大變化率達(dá)到27.17%，而基于圓環(huán)劃分的特征值算法所得特征值最大變化率為14.76%。因此，基于圓環(huán)劃分的特征值算法比傳統(tǒng)算法可更加準(zhǔn)確的提取目標(biāo)中具有旋轉(zhuǎn)、平移及縮放不變性的特征。

4 結(jié) 論

1）運(yùn)用背景差分結(jié)合大津法，可在不同角度對(duì)不同目標(biāo)船舶進(jìn)行有效提取，并具有一定天氣適應(yīng)性。

2）運(yùn)用基于圓環(huán)的特征值算法計(jì)算船舶目標(biāo)特征值，將所得特征值進(jìn)行檢驗(yàn)，結(jié)果表明，該特征值算法有效，所得特征值具有旋轉(zhuǎn)、平移及縮放不變性。

3）通過基于圓環(huán)特征值算法，可對(duì)攝像機(jī)拍攝角度進(jìn)行識(shí)別。

論文對(duì)內(nèi)河航行船舶分別進(jìn)行目標(biāo)提取及特征值計(jì)算，目標(biāo)提取可作為今后監(jiān)控船舶航行的基礎(chǔ)，計(jì)算具有RST不變性特征可為識(shí)別船舶種類、航行速度等交通流參數(shù)提供理論支持。

筆者的研究亦存在不足之處：采集時(shí)間及天氣情況有待增加，僅考慮到晴天、陰天及霧霾天氣，對(duì)于更加惡劣天氣未能實(shí)現(xiàn)采集；同時(shí)由于攝像機(jī)本身局限性，未能對(duì)夜間進(jìn)行采集，從而導(dǎo)致?lián)p失部分船舶信息。將來可提高攝像機(jī)拍攝精度，并與紅外攝像機(jī)相結(jié)合，解決上述問題。

［1］ 譚志榮，嚴(yán)新平，劉 亮.長(zhǎng)江干線橋區(qū)船舶到達(dá)規(guī)律數(shù)學(xué)模型及檢驗(yàn)［J］.交通信息與安全，2010，29（2）：70-73.TAN Zhirong，YAN Xinping，LIU Liang.Examination of vessel traffic flow distribution model in Yangtze river bridge area［J］.Journal of Transportation Information and Safety，2010，29（2）：70-73.（in Chinese）

［2］ HESHAM R，ZHANG WANG.Estimation traffic stream space-mean speed and reliability from dual and single loop detectors［J］.Transportation Researh Record：Journal of the Transportation Research Board，2005，1925（1）：38-47.

［3］ 史洪印，侯志濤，郭秀花，等.基于陰影檢測(cè)的單幅高分辨SAR圖像動(dòng)目標(biāo)檢測(cè)方法［J］.信號(hào)處理，2012，28（12）：1706-1713.SHI Hongyin，HOU Zhitao，GUO Xiuhua，et al.moving targets indication method in single high resolution sar imagery based on shadow detection［J］.Signal Processing，2012，28（12）：1706-1713.（in Chinese）

［4］ 舒欣，李東新，薛東偉.五幀差分和邊緣檢測(cè)的運(yùn)動(dòng)目標(biāo)檢測(cè)［J］.計(jì)算機(jī)系統(tǒng)應(yīng)用，2014，43（1）：124-127.SHU Xin，LI Dongxin，XUE Dongwei.Five frame difference and edge detection of moving target detection［J］.Computer Systems ＆ Applications，2014，43（1）：124-127.（in Chinese）

［5］ 黃明晶，劉清，熊燕帆，等.面向內(nèi)河霧天圖像的大氣光亮度值估算方法研究［J］.交通信息與安全，2013，31（3）：33-38.HUANG Mingjing，LIU Qing，XIONG Yanfan，et al.Analysis of capacity of weaving section based on cellular automata model［J］.Journal of Transport Information and Safety，2013，31（3）：33-38.（in Chinese）

［6］ 劉清，熊燕帆，黃明晶，等.基于內(nèi)河單幅圖像的去霧算法研究［J］.交通信息與安全，2014，32（1）：84-90.LIU Qing，XIONG yanfan，HUANG Mingjing，et al.A haze removal algorithm of single inland image［J］.Journal of Transport Information and Safety，2014，32（1）：84-90.（in Chinese）

［7］ DAVEY S J，GRAY D.A comparision of target initiation method with the PMHT［J］.Data and Information Fusion Symposium.2003，44（6）：34-39.

［8］ TAI Jenchao，TSENG Shungtsang，LIN Chingpo，et al.Real-time image tracking for automatic traffic monitoring and enforcement applications［J］.Image and Vision Computing，2004，22（6）：485-501.

［9］ 李斌，孫華峰.內(nèi)河運(yùn)動(dòng)船舶的準(zhǔn)確檢測(cè)跟蹤技術(shù)研究［J］.微電子學(xué)與計(jì)算機(jī)，2012，32（11）：180-184.LI Bin，SUN Huafeng.River motion ships accurately detection and tracking algorithm［J］.Computer Systems ＆ Applications.2012，32（11）：180-184.（in Chinese）

［10］ 張永梅，周易，姜明.一種基于多元特征的海上目標(biāo)分割方法［J］.計(jì)算機(jī)應(yīng)用與軟件，2013，30（7）：90-93，97.ZHANG Yongmei，ZHOU Yi，JIANG Ming.A marinetime target segmentation method based on multiple features［J］.Computer Applications and Software，2013，30（7）：90-93，97.（in Chinese）

［11］ 張學(xué)武，徐立中，石愛業(yè)，等.內(nèi)河水路交通流參數(shù)視覺測(cè)量系統(tǒng)［J］.中國(guó)圖像圖形學(xué)報(bào)，2011，16（07）：1219-1225.ZHANG Xuewu，XU Lizhong，SHI Aiye，et al.Visual measurement system for traffic flow of inland waterway［J］.Journal of Image and Graphics.2011，16（07）：1219-1225.（in Chinese）

［12］ 李祎承.內(nèi)河船舶目標(biāo)圖像識(shí)別技術(shù)研究［D］.武漢：武漢理工大學(xué)，2014.LI Yicheng.Research of vessel target image recognition technology［D］.Wuhan：Wuhan University of Technology，2014.（in Chinese）

［13］ LYU Junwei，WANG Bo，WANG Dongmei.Recognizing multi-ships based on silhouette in infrared image［J］.Advances in Neural Network Research and Applications，IEEE，2010，67（3）：293-299.