嚴(yán)榮慧，謝海成，花敏恒，羊箭鋒*

1 蘇州大學(xué) 文正學(xué)院, 江蘇 蘇州 215104

2 蘇州大學(xué) 電子信息學(xué)院, 江蘇 蘇州 215006

0 引 言

我國(guó)內(nèi)河航運(yùn)正處于快速發(fā)展的階段[1-2]，貨運(yùn)、水上旅游等需求不斷擴(kuò)大，航道內(nèi)除了貨船、游船等大型船舶航行外，還有各類(lèi)小型船舶（游艇、皮劃艇、摩托艇等）在航道內(nèi)交互穿梭，航行環(huán)境日益復(fù)雜，監(jiān)管難度增大，碰撞風(fēng)險(xiǎn)也愈加嚴(yán)峻，對(duì)水上交通安全構(gòu)成了巨大挑戰(zhàn)[3-4]。傳統(tǒng)的航道內(nèi)航行監(jiān)管主要依賴(lài)船舶上安裝的自動(dòng)識(shí)別系統(tǒng)（AIS）， 然而，受供電限制的小型船舶無(wú)法安裝AIS系統(tǒng)終端，且AIS系統(tǒng)定位精度及可靠性也不足，導(dǎo)致現(xiàn)有監(jiān)管系統(tǒng)一直存在監(jiān)控盲點(diǎn)[4]。因此，對(duì)關(guān)鍵廣闊水域（廣域）內(nèi)航行的所有船舶進(jìn)行識(shí)別管理是當(dāng)前航道監(jiān)管亟待解決的問(wèn)題[5]。

目前，基于圖像的目標(biāo)檢測(cè)方法（例如YOLO檢測(cè)算法）在航道船舶監(jiān)控領(lǐng)域具有顯著的應(yīng)用價(jià)值[6-9]。馬吉順等[10]提出的基于 YOLO 檢測(cè)算法的航區(qū)內(nèi)船舶識(shí)別定位系統(tǒng)取得了很好的效果，但采用YOLO檢測(cè)算法對(duì)廣域范圍內(nèi)航行的船舶進(jìn)行識(shí)別定位時(shí)，經(jīng)過(guò)多層卷積和池化后，使得識(shí)別小目標(biāo)的準(zhǔn)確率偏低，基本上丟失了小目標(biāo)特征，而在監(jiān)控范圍內(nèi)遠(yuǎn)水域的大型船舶則呈現(xiàn)出的是小目標(biāo)特征，致使YOLO檢測(cè)算法無(wú)法準(zhǔn)確識(shí)別?？梢?jiàn)，基于YOLO檢測(cè)算法的船舶識(shí)別系統(tǒng)只局限于近水域，不能滿(mǎn)足對(duì)廣域內(nèi)航行船舶實(shí)施監(jiān)控的實(shí)際需求。

本文擬將運(yùn)動(dòng)目標(biāo)檢測(cè)方法（例如，基于背景差算法）與圖像表象特征識(shí)別方法（例如，基于深度學(xué)習(xí)算法的YOLO檢測(cè)算法）相結(jié)合，設(shè)計(jì)關(guān)鍵廣域內(nèi)航行船舶的識(shí)別算法，綜合運(yùn)用目標(biāo)的運(yùn)動(dòng)及表象特征進(jìn)行兩個(gè)維度的識(shí)別，并通過(guò)改進(jìn)的目標(biāo)檢測(cè)方法，進(jìn)一步提高識(shí)別的準(zhǔn)確率。最后，使用常規(guī)監(jiān)控?cái)z像頭現(xiàn)場(chǎng)對(duì)廣域航道監(jiān)控區(qū)域內(nèi)船舶圖像進(jìn)行統(tǒng)計(jì)分析，用以驗(yàn)證所提船舶目標(biāo)檢測(cè)方法。

1 廣域航道內(nèi)船舶航行特征的分析

航道內(nèi)船舶往來(lái)頻繁，船舶慣性大，且均有穩(wěn)定的運(yùn)動(dòng)特征，同時(shí)目標(biāo)還呈現(xiàn)出了一定的圖像表象特征。然而，由于航道監(jiān)控具有范圍廣、高縱深等特點(diǎn)（如圖1所示），在監(jiān)控范圍內(nèi)，同一艘船舶的遠(yuǎn)、近處位置不同，因此在監(jiān)控畫(huà)面內(nèi)呈現(xiàn)的外形大小、表象特征迥異。本文根據(jù)目標(biāo)成像的面積，將這些船舶分為大、小、微小目標(biāo)3個(gè)類(lèi)別。

圖1 航道監(jiān)控中遠(yuǎn)、近水域內(nèi)船舶目標(biāo)對(duì)比Fig.1 Comparison of ship target in the far and near water areas during waterway monitoring

航道內(nèi)近水域航行的船舶其運(yùn)動(dòng)及表象特征明顯，但在近水域會(huì)有明顯的水紋、漂浮物等噪聲干擾，一定程度上影響了識(shí)別船舶目標(biāo)的準(zhǔn)確率，而遠(yuǎn)水域雖無(wú)水紋、漂浮物等噪聲干擾，但船舶運(yùn)動(dòng)及表象特征卻不明顯，也不利于對(duì)船舶目標(biāo)進(jìn)行準(zhǔn)確的識(shí)別。

2 基于運(yùn)動(dòng)及表象特征的船舶目標(biāo)識(shí)別

2.1 基于背景差分算法的運(yùn)動(dòng)目標(biāo)檢測(cè)

背景差分算法(background subtraction algorithm)[11-12]是一種運(yùn)動(dòng)目標(biāo)檢測(cè)方法，其基本思想是通過(guò)多幀時(shí)間序列圖像構(gòu)建一個(gè)不含運(yùn)動(dòng)目標(biāo)的背景模板，將當(dāng)前單幀圖像與背景圖像相減，計(jì)算得到與背景偏離超過(guò)一定閾值的區(qū)域作為運(yùn)動(dòng)區(qū)域，再根據(jù)當(dāng)前幀的圖像自適應(yīng)更新背景圖像參數(shù)。背景模板建構(gòu)方法能夠自適應(yīng)處理光照及長(zhǎng)時(shí)間的場(chǎng)景變化等干擾。此外，該算法具有像素級(jí)檢測(cè)能力，對(duì)船舶目標(biāo)識(shí)別召回率極高，既可識(shí)別近處大的船舶目標(biāo)，對(duì)遠(yuǎn)水域小及微小的船舶目標(biāo)也具有準(zhǔn)確的識(shí)別率，而且能夠極大地?cái)U(kuò)展對(duì)船舶監(jiān)控的范圍。如圖2所示，基于背景差分算法檢測(cè)得到的小目標(biāo)識(shí)別效果。

圖2 基于背景差分算法對(duì)小目標(biāo)船舶的識(shí)別效果Fig.2 Recognition effect of small-sized ship target by background subtraction algorithm

采用基于背景差算法的運(yùn)動(dòng)目標(biāo)檢測(cè)方法需要圖像背景完全靜止，但在航道中作為背景的水面環(huán)境復(fù)雜，含有持續(xù)性的噪聲干擾。例如，動(dòng)態(tài)的水紋噪聲會(huì)被識(shí)別為運(yùn)動(dòng)目標(biāo)，運(yùn)動(dòng)檢測(cè)方法得到的識(shí)別結(jié)果會(huì)存在大量的噪聲框，降低了船舶目標(biāo)識(shí)別的準(zhǔn)確率。圖3所示為運(yùn)動(dòng)目標(biāo)檢測(cè)效果，其中藍(lán)色邊框?yàn)榇罢鎸?shí)目標(biāo)，紅色部分為水紋噪聲。為此，需要對(duì)基于水紋特征的船舶目標(biāo)檢測(cè)降噪方法進(jìn)行改進(jìn)。

圖3 基于背景差分算法對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)效果Fig.3 Detection effect of motion target by background subtraction algorithm

鑒于航道監(jiān)控成像具有高縱深的特點(diǎn)，監(jiān)控畫(huà)面中近處水面的細(xì)節(jié)特征豐富、變化劇烈，而遠(yuǎn)水域水面的細(xì)節(jié)特征模糊、平穩(wěn)，且水紋噪聲分布多位于監(jiān)控畫(huà)面視角的近處。因此，根據(jù)水紋噪聲分布的特點(diǎn)采取如下水紋降噪的改進(jìn)措施。

1） 漸變?yōu)V波降噪。

水紋噪聲屬于椒鹽噪聲，平緩的水紋中交雜有明暗變化，邊緣特征不明顯，故采用中值濾波算法進(jìn)行初步的水紋降噪處理[13]。濾波模板的大小會(huì)影響平滑效果，模板越大效果越好，但模板過(guò)大又會(huì)損失邊緣信息。航道監(jiān)控圖像中船舶目標(biāo)大小呈現(xiàn)了近大、遠(yuǎn)小的分布特點(diǎn)，若對(duì)整幅圖像使用同一個(gè)濾波模板處理，將嚴(yán)重?fù)p失遠(yuǎn)水域的小目標(biāo)、微小目標(biāo)的表象特征。為此，針對(duì)航道監(jiān)控的水紋噪聲多分布在圖像下方的特點(diǎn)，本文設(shè)計(jì)了漸變中值濾波算法。式（1）為航道遠(yuǎn)近自適應(yīng)調(diào)整濾波模板。

式中：Ksize為 濾波模板像素尺寸；h為圖像中像素點(diǎn)與天際線之間的垂直像素差。由此算法，靠近圖像下方的水域?yàn)V波模板像素尺寸較大，靠近天際線的水域?yàn)V波模板像素尺寸小，實(shí)現(xiàn)了漸變?yōu)V波模板的效果。

圖4所示為漸變?yōu)V波示意圖。通過(guò)漸變?yōu)V波可以濾除平緩的水紋噪聲，降低后續(xù)濾波過(guò)程的復(fù)雜度，同時(shí)保留遠(yuǎn)水域小目標(biāo)圖像的運(yùn)動(dòng)及表象特征。

圖4 漸變?yōu)V波示意圖Fig.4 Schematic diagram of gradual filtering

2） 圖像平均降噪。

如圖5所示，水紋有波狀紋理，其局部呈現(xiàn)為正弦型特征，其中某個(gè)像素點(diǎn)短時(shí)間的水紋明暗變化有一定的周期性。含水紋噪聲的水面圖像組成如式（2）所示。

圖5 水紋噪聲特征Fig.5 Features of water ripple noise

式中：g(x,y)為 含有水紋噪聲的水面圖像；f(x,y)為靜止的無(wú)噪聲水面圖像； δ(x,y)為波狀噪聲，且均值為0。為了得到靜止的無(wú)噪聲水面圖像f(x,y)，本文對(duì)k幅含有不同噪聲的連續(xù)圖像累加取平均值，得到平均無(wú)噪聲的水面圖像gˉ(x,y)，如式（3）所示，其中g(shù)i(x,y)為 第i幅監(jiān)控圖像中 (x,y)坐標(biāo)位置的像素值。

隨著圖像幀數(shù)k值的增加，gˉ(x,y)逐漸接近于靜止的無(wú)噪聲水面圖像f(x,y)。

本文考慮到計(jì)算復(fù)雜度及船舶航速緩慢等因素，最終選取了圖像幀數(shù)k=20，得到理想的gˉ(x,y)圖像，并將gˉ(x,y)作為目標(biāo)運(yùn)動(dòng)檢測(cè)模型的輸入圖像，通過(guò)圖像平均法降噪，進(jìn)一步削弱了水紋噪聲對(duì)構(gòu)建一個(gè)不含運(yùn)動(dòng)目標(biāo)背景模板的影響。

3） 支持向量機(jī)（SVM）分類(lèi)器降噪。

運(yùn)用漸變?yōu)V波算法、圖像平均濾波算法雖然可以濾除一些平緩的水紋噪聲，但對(duì)于船舶航行過(guò)程中產(chǎn)生的波浪等噪聲無(wú)法完全濾除。因此，本文對(duì)運(yùn)動(dòng)中的船舶目標(biāo)面積與總圖像面積的比例、水紋噪聲目標(biāo)面積與總圖像面積的比例（以下稱(chēng)目標(biāo)面積占比）與被監(jiān)控目標(biāo)距離的關(guān)系進(jìn)行了統(tǒng)計(jì)分析，結(jié)果如圖6所示。圖中，橫坐標(biāo)為運(yùn)動(dòng)目標(biāo)實(shí)際距離，縱坐標(biāo)為目標(biāo)面積占比。通過(guò)統(tǒng)計(jì)分析，發(fā)現(xiàn)船舶目標(biāo)與水紋噪聲存在明顯的分類(lèi)邊界。因此，提出采用SVM分類(lèi)器來(lái)判別和刪除噪聲。作為一種基于統(tǒng)計(jì)學(xué)習(xí)理論實(shí)現(xiàn)分類(lèi)的非參數(shù)方法[14]，SVM分類(lèi)器通過(guò)迭代學(xué)習(xí)方式，逐步確定船舶目標(biāo)和水紋噪聲大小的分類(lèi)邊界線，據(jù)此對(duì)運(yùn)動(dòng)目標(biāo)識(shí)別結(jié)果中目標(biāo)框大小及位置信息進(jìn)行分類(lèi)，從而實(shí)現(xiàn)對(duì)波浪等較大噪聲目標(biāo)框的濾除。

圖6 航道中目標(biāo)面積占比與目標(biāo)距離的關(guān)系Fig.6 The relationship between targets area ratio and target distance

如圖7所示，結(jié)合多種降噪算法，水面常規(guī)的水紋噪聲得以濾除，提高了識(shí)別運(yùn)動(dòng)目標(biāo)的抗干擾性。

圖7 水紋濾波效果圖Fig.7 Effect images of water ripple filtering

4） 多級(jí)運(yùn)動(dòng)檢測(cè)模塊。

基于背景差分算法的運(yùn)動(dòng)目標(biāo)檢測(cè)方法建立的是一種動(dòng)態(tài)背景模型，其可根據(jù)最新監(jiān)控畫(huà)面更新背景參數(shù)。但是，航道監(jiān)控圖像中遠(yuǎn)水域的船舶運(yùn)動(dòng)幅度較小，甚至短時(shí)間內(nèi)呈現(xiàn)靜止?fàn)顟B(tài)，而遠(yuǎn)水域的小目標(biāo)船舶經(jīng)常會(huì)被錯(cuò)誤地識(shí)別為背景，導(dǎo)致漏檢了遠(yuǎn)水域的船舶。鑒此，本文根據(jù)遠(yuǎn)、近船舶目標(biāo)的運(yùn)動(dòng)特征差異，提出了建立快、慢兩級(jí)運(yùn)動(dòng)檢測(cè)機(jī)制的改進(jìn)措施。其中，快速運(yùn)動(dòng)目標(biāo)檢測(cè)模塊的速度為1幀/s，主要用于識(shí)別近處特征強(qiáng)的運(yùn)動(dòng)目標(biāo)，而慢速運(yùn)動(dòng)目標(biāo)檢測(cè)模塊的速度為1幀/10 s，主要用于識(shí)別遠(yuǎn)水域特征弱的運(yùn)動(dòng)目標(biāo)。將兩個(gè)模塊檢測(cè)結(jié)果擬合可得到實(shí)時(shí)的識(shí)別結(jié)果。針對(duì)擬合過(guò)程中檢測(cè)目標(biāo)框重復(fù)的現(xiàn)象，本文提出了極大值抑制的邊框合并算法，對(duì)比兩個(gè)模塊輸出的邊框，由式（4）計(jì)算兩者間的交并比（intersection over union，IOU）。

式中：Sslow為慢速目標(biāo)檢測(cè)模塊中檢測(cè)的目標(biāo)框；Sfast為快速目標(biāo)檢測(cè)模塊檢測(cè)的目標(biāo)框。

當(dāng)IOU超過(guò)閾值時(shí)，表明兩個(gè)模塊檢測(cè)到的是同一目標(biāo)。鑒于慢速檢測(cè)模塊檢測(cè)的滯后性，刪除了該模塊中的目標(biāo)邊框，并將模塊保留的目標(biāo)邊框整合到快速模檢測(cè)模塊的目標(biāo)邊框集合中，如此，即可獲得全局所有船舶運(yùn)動(dòng)檢測(cè)的目標(biāo)框，如圖8所示。

圖8 快慢二級(jí)運(yùn)動(dòng)目標(biāo)檢測(cè)結(jié)果Fig.8 Results of two-level detection for the fast and slow motion targets

本文提出的基于背景差分算法的目標(biāo)檢測(cè)方法，通過(guò)漸變?yōu)V波降噪、圖像平均降噪、SVM分類(lèi)器降噪、多級(jí)運(yùn)動(dòng)檢測(cè)方法的改進(jìn)，消除了水紋噪聲、運(yùn)動(dòng)特征不一致對(duì)船舶目標(biāo)識(shí)別的干擾，其不僅能夠識(shí)別大、小目標(biāo)船舶，對(duì)極遠(yuǎn)水域的微小目標(biāo)船舶也具有準(zhǔn)確的識(shí)別率。

2.2 基于深度學(xué)習(xí)算法的運(yùn)動(dòng)目標(biāo)識(shí)別

基于改進(jìn)背景差算法的目標(biāo)檢測(cè)方法實(shí)現(xiàn)了航道中船舶捕捉和定位功能，對(duì)于極遠(yuǎn)水域微小目標(biāo)船舶的識(shí)別準(zhǔn)確率非常高，但該方法對(duì)大、小目標(biāo)的識(shí)別準(zhǔn)確率略顯不足，主要體現(xiàn)在：

1）無(wú)法識(shí)別船舶類(lèi)型、停泊岸邊的船舶，以及無(wú)法濾除具有較大圖像面積的水紋噪聲；

2）受船舶航行產(chǎn)生的波浪、投影等因素影響，近處目標(biāo)船舶的邊框明顯大于目標(biāo)本身，而近處小型船舶（例如漁船、皮劃艇等）表象特征面積小，SVM分類(lèi)器會(huì)將其歸類(lèi)為噪聲并刪除。

上述缺陷均需通過(guò)對(duì)目標(biāo)圖像表象特征分析和修正，特別是距離較近的目標(biāo)船舶，更需要準(zhǔn)確識(shí)別表象特征以獲取目標(biāo)船舶類(lèi)型。為此，本文運(yùn)用YOLO檢測(cè)算法的運(yùn)動(dòng)目標(biāo)識(shí)別方法來(lái)解決上述問(wèn)題。YOLO檢測(cè)算法是一種端到端的目標(biāo)檢測(cè)模型[15-16]，作為依據(jù)圖像特征進(jìn)行目標(biāo)識(shí)別的算法，其可識(shí)別具有表象特征的目標(biāo)船舶類(lèi)型，可對(duì)基于目標(biāo)運(yùn)動(dòng)特征的識(shí)別算法進(jìn)行補(bǔ)充和優(yōu)化。

對(duì)于高縱深、船舶尺度變化大的廣域航道監(jiān)控而言，近水域的船舶特征明顯，可采用YOLO檢測(cè)算法進(jìn)行二次識(shí)別。如圖9所示，中間帶水域內(nèi)的小目標(biāo)船舶雖然具有一定的表象特征，但因其成像面積較小，影響了識(shí)別的準(zhǔn)確率，并且對(duì)于極遠(yuǎn)水域的微小目標(biāo)，目標(biāo)圖像表象特征基本丟失，無(wú)法運(yùn)用YOLO檢測(cè)算法進(jìn)行識(shí)別。因此，本文提出了對(duì)基于目標(biāo)圖像窗口分割檢測(cè)的YOLO檢測(cè)方法進(jìn)行改進(jìn)。

圖9 中間帶水域內(nèi)小目標(biāo)船舶檢測(cè)圖像Fig.9 Image of detected small-sized ship target in the intermediate waterways

YOLO 檢測(cè)算法之所以對(duì)小目標(biāo)識(shí)別不準(zhǔn)確，主要原因是卷積神經(jīng)網(wǎng)絡(luò)中存在大量卷積，導(dǎo)致頂層特征的感受野（receptive field）過(guò)大。感受野的計(jì)算如式(5)所示。

式 中：RFi為 第i層 卷 積 層 的 感 受 野；RFi+1為 第i+1層 上的感受野；S tridei為 卷積的步長(zhǎng)；Ksizei為本層卷積核的大小。

經(jīng)計(jì)算，YOLO算法網(wǎng)絡(luò)結(jié)構(gòu)中高層特征的理論感受野為整張圖像，即高層的各特征值理論上受圖像所有像素信息的影響。但是，對(duì)于運(yùn)動(dòng)目標(biāo)面積占比小的目標(biāo)，感受野過(guò)大會(huì)引入過(guò)多的噪聲，導(dǎo)致小目標(biāo)的微弱特征信息被淹沒(méi)，從而無(wú)法被正確識(shí)別。

為提高識(shí)別中間帶水域內(nèi)小目標(biāo)船舶的準(zhǔn)確率，需要將域內(nèi)目標(biāo)感受野降至合理的范圍，以提高感受野中中、小目標(biāo)特征的信噪比。在航道監(jiān)控畫(huà)面中，可以發(fā)現(xiàn)船舶軌跡相對(duì)固定，目標(biāo)船舶在近水域航道圖像面積中占比大，而在遠(yuǎn)水域航道圖像面積中占比小，根據(jù)此透視特點(diǎn)，本文提出基于縱深窗口分割檢測(cè)改進(jìn)船舶目標(biāo)識(shí)別方法，將監(jiān)控畫(huà)面按照航道透視規(guī)律進(jìn)行窗口分割，如圖10所示。

圖10 航道監(jiān)控畫(huà)面中的窗口分割Fig.10 Window segmentation of waterway monitoring image

考慮到Y(jié)OLO檢測(cè)算法中高層感受野過(guò)大、運(yùn)動(dòng)目標(biāo)面積占比與監(jiān)控目標(biāo)距離的關(guān)系，本文將航道監(jiān)控圖像劃分為1，2，3級(jí)窗口，如圖10所示。其中，1級(jí)窗口為近水域航道監(jiān)控圖像的剪切，2級(jí)和3級(jí)窗口為遠(yuǎn)水域航道監(jiān)控圖像的剪切，將剪切后的窗口圖像統(tǒng)一放縮為416*4166像素尺寸，并逐級(jí)識(shí)別。

針對(duì)遠(yuǎn)水域航道監(jiān)控圖像的剪切提取的預(yù)處理，可以保證遠(yuǎn)水域航道監(jiān)控區(qū)域窗口中的小目標(biāo)船舶圖像面積占比達(dá)到可識(shí)別的閾值要求，同時(shí)對(duì)識(shí)別中間帶水域內(nèi)的小目標(biāo)過(guò)程中的感受野范圍進(jìn)行控制，去除不必要的數(shù)據(jù)噪聲，提高識(shí)別準(zhǔn)確率。最終，將從多級(jí)航道窗口識(shí)別得到的船舶目標(biāo)邊框映射到原航道監(jiān)控畫(huà)面中，再使用非最大值抑制（non-maximum suppression, NMS）算法去除冗余的目標(biāo)邊框，保留最優(yōu)邊框。如圖11所示，經(jīng)過(guò)對(duì)航道監(jiān)控圖像進(jìn)行窗口分割再識(shí)別的改進(jìn)，提高了YOLO 檢測(cè)算法對(duì)小目標(biāo)船舶的細(xì)節(jié)特征提取能力和目標(biāo)識(shí)別的準(zhǔn)確率。

圖11 基于YOLO檢測(cè)算法的船舶目標(biāo)識(shí)別效果Fig.11 Effect of ship target recognition based on YOLO detection algorithm

2.3 基于多特征的船舶目標(biāo)識(shí)別

如上所述，可知基于背景差分算法的運(yùn)動(dòng)目標(biāo)檢測(cè)方法對(duì)極遠(yuǎn)處水域的微小目標(biāo)船舶的識(shí)別準(zhǔn)確率很高，而對(duì)近水域、中間帶水域航行的目標(biāo)存在邊框不準(zhǔn)確且無(wú)法識(shí)別類(lèi)型，以及易受陰影、波浪干擾等缺點(diǎn)；而基于YOLO檢測(cè)算法的目標(biāo)檢測(cè)方法雖可以識(shí)別近水域、中間帶水域航行的船舶類(lèi)型且具有邊框準(zhǔn)確、抗干擾能力強(qiáng)的優(yōu)點(diǎn)，但對(duì)識(shí)別目標(biāo)的大小有一定的要求，無(wú)法識(shí)別遠(yuǎn)水域的微小目標(biāo)。

權(quán)衡上述兩種目標(biāo)檢測(cè)方法的優(yōu)缺點(diǎn)，本文采用極大值抑制算法對(duì)這兩種算法的檢測(cè)結(jié)果進(jìn)行組合，以達(dá)到相互補(bǔ)充的效果。具體而言，以YOLO檢測(cè)算法目標(biāo)識(shí)別結(jié)果為基準(zhǔn)，將基于背景差分算法的運(yùn)動(dòng)目標(biāo)檢測(cè)邊框結(jié)果與YOLO檢測(cè)邊框結(jié)果分別進(jìn)行對(duì)比，再通過(guò)極大值抑制算法，刪除運(yùn)動(dòng)目標(biāo)檢測(cè)方法中重復(fù)的目標(biāo)邊框，如式（6）所示：

式中：SYolo為采用YOLO檢測(cè)算法識(shí)別的目標(biāo)框;SKNN為采用基于背景差分算法識(shí)別的目標(biāo)框。當(dāng)IOU超過(guò)閾值時(shí)，則表明兩種算法識(shí)別得到的是同一目標(biāo)。由于YOLO 檢測(cè)算法識(shí)別的目標(biāo)更準(zhǔn)確，將刪除基于運(yùn)動(dòng)檢測(cè)的邊框。保留的運(yùn)動(dòng)檢測(cè)邊框則多為極遠(yuǎn)處的小目標(biāo)船舶，并將保留的小目標(biāo)邊框組合到Y(jié)OLO檢測(cè)算法的目標(biāo)識(shí)別結(jié)果中，即得到廣域內(nèi)所有船舶的識(shí)別和定位結(jié)果。圖12所示為目標(biāo)識(shí)別系統(tǒng)的完整流程圖。

圖12 基于二維特征的船舶目標(biāo)識(shí)別流程圖Fig.12 Process of ship target recognition based on two-dimensional features

綜上所述，結(jié)合使用目標(biāo)運(yùn)動(dòng)及其表象特征的改進(jìn)船舶識(shí)別方法，能夠準(zhǔn)確地識(shí)別航道監(jiān)控畫(huà)面中任意尺度的船舶目標(biāo)，且噪聲抗干擾能力強(qiáng)，使用常規(guī)攝像頭即可實(shí)現(xiàn)對(duì)半徑3 km范圍內(nèi)的船舶進(jìn)行準(zhǔn)確識(shí)別與定位。廣域內(nèi)船舶目標(biāo)識(shí)別效果如圖13所示。

圖13 基于二維特征的船舶目標(biāo)識(shí)別效果Fig.13 Effect of ship target recognition based on two-dimensional features

3 船舶目標(biāo)識(shí)別結(jié)果分析

為了驗(yàn)證針對(duì)網(wǎng)絡(luò)的各改進(jìn)方法的可行性及其檢測(cè)效果，使用基于背景差分算法的方法、基于YOLO檢測(cè)算法的方法與改進(jìn)的方法進(jìn)行目標(biāo)識(shí)別驗(yàn)證，并分析結(jié)果。

實(shí)驗(yàn)驗(yàn)證現(xiàn)場(chǎng)選擇在蘇州周莊大橋上，通過(guò)架設(shè)監(jiān)控?cái)z像機(jī)對(duì)白艦湖航道進(jìn)行了5 h的實(shí)景拍攝。攝像頭安裝高度為10 m，監(jiān)控畫(huà)面圖像分辨率為1 080 P，共獲取了36 000幀連續(xù)監(jiān)控圖像。本文采用上述不同算法對(duì)每幀圖像的識(shí)別準(zhǔn)確率及最遠(yuǎn)識(shí)別距離進(jìn)行了統(tǒng)計(jì)，結(jié)果如表1所示。結(jié)果表明，與未改進(jìn)前的其他算法相比，改進(jìn)后方法在目標(biāo)檢測(cè)靈敏度、抗干擾能力、監(jiān)控范圍等方面均顯著提高。

表1 船舶目標(biāo)識(shí)別原算法與其改進(jìn)方法檢測(cè)效果對(duì)比Table 1 Effect comparison of ship target recognition by original and improved algorithms

4 結(jié) 語(yǔ)

本文充分分析了廣域航道環(huán)境內(nèi)船舶航行的特點(diǎn)，結(jié)合基于背景差分算法的運(yùn)動(dòng)目標(biāo)檢測(cè)方法（靈敏度高）和基于深度學(xué)習(xí)算法的目標(biāo)表象特征識(shí)別方法（抗干擾能力強(qiáng)）二者的優(yōu)勢(shì)，提出了時(shí)間序列與表象特征分析相結(jié)合的廣域船舶識(shí)別算法，通過(guò)對(duì)水紋降噪、多級(jí)運(yùn)動(dòng)檢測(cè)、航道監(jiān)控圖像窗口分割檢測(cè)等方法的改進(jìn)，進(jìn)一步提高了目標(biāo)識(shí)別的準(zhǔn)確率。現(xiàn)場(chǎng)驗(yàn)證驗(yàn)證結(jié)果表明，改進(jìn)后的方法在攝像頭高度為10 m、畫(huà)面圖像分辨率為1 080 P的條件下，可以實(shí)現(xiàn)半徑3 km范圍內(nèi)對(duì)船舶的準(zhǔn)確識(shí)別與定位，效果達(dá)到了人工瞭望的識(shí)別水平，具備監(jiān)控范圍廣、船舶類(lèi)型全覆蓋、自動(dòng)識(shí)別、抗干擾能力強(qiáng)等優(yōu)點(diǎn)，其成果對(duì)于關(guān)鍵水域船舶航行的安全管理、港航實(shí)時(shí)監(jiān)控具有重要意義。