裴旭

摘要：在傳統(tǒng)的方法中，通常需要使用大量的計(jì)算資源來(lái)進(jìn)行圖像處理和特征提取，而這種方法往往無(wú)法滿足實(shí)時(shí)性和高精度的要求。針對(duì)海上目標(biāo)跟蹤和預(yù)警問題，文章提出一種基于深度學(xué)習(xí)的方法，并基于此方法建立了基于深度學(xué)習(xí)的目標(biāo)跟蹤和預(yù)警系統(tǒng)。該系統(tǒng)采用卷積神經(jīng)網(wǎng)絡(luò)作為基礎(chǔ)模型，通過(guò)對(duì)海面上的目標(biāo)進(jìn)行識(shí)別和分類，實(shí)現(xiàn)了對(duì)目標(biāo)的位置和運(yùn)動(dòng)狀態(tài)的準(zhǔn)確預(yù)測(cè)。

關(guān)鍵詞：目標(biāo)跟蹤；海上目標(biāo)；預(yù)警系統(tǒng)設(shè)計(jì)

中圖分類號(hào)：TP274? 文獻(xiàn)標(biāo)志碼：A

0 引言

當(dāng)前，全球海洋貿(mào)易日益增長(zhǎng)，海上交通流量不斷增加，對(duì)船舶監(jiān)控的需求也越來(lái)越高。然而，傳統(tǒng)的船舶監(jiān)控方法往往存在精度不高、實(shí)時(shí)性差等問題，而基于深度學(xué)習(xí)技術(shù)的船舶監(jiān)控系統(tǒng)可以有效解決這些問題。本文旨在開發(fā)一種基于深度學(xué)習(xí)的目標(biāo)跟蹤和預(yù)警系統(tǒng)，以提高船舶監(jiān)控的準(zhǔn)確性和實(shí)時(shí)性。該系統(tǒng)的主要功能包括：通過(guò)圖像識(shí)別算法自動(dòng)檢測(cè)到目標(biāo)物體并進(jìn)行跟蹤；利用預(yù)測(cè)模型提前預(yù)警潛在危險(xiǎn)事件發(fā)生；提供實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)以便船長(zhǎng)及時(shí)采取措施應(yīng)對(duì)風(fēng)險(xiǎn)。本文能夠?yàn)楹Ｉ夏繕?biāo)跟蹤與預(yù)警提供更加準(zhǔn)確可靠的方法，提高船舶安全性能。

1 海上目標(biāo)跟蹤與預(yù)警系統(tǒng)方案設(shè)計(jì)

1.1 系統(tǒng)需求分析

為了滿足用戶的需求，研究人員進(jìn)行了詳細(xì)的系統(tǒng)需求分析。（1）對(duì)于目標(biāo)檢測(cè)模塊，需要能夠快速準(zhǔn)確地從海面圖像中提取出目標(biāo)區(qū)域。為此，研究人員采用了卷積神經(jīng)網(wǎng)絡(luò)（CNN）作為目標(biāo)檢測(cè)模型。同時(shí)，為了提高算法的魯棒性，研究人員還加入了一些自適應(yīng)參數(shù)調(diào)整機(jī)制。（2）對(duì)于目標(biāo)識(shí)別模塊，需要能夠有效地區(qū)分不同類型的目標(biāo)。因此，研究人員選擇了基于卷積神經(jīng)網(wǎng)絡(luò)的分類器作為目標(biāo)識(shí)別模型。（3）針對(duì)目標(biāo)跟蹤模塊，需要能夠?qū)崟r(shí)獲取目標(biāo)的位置和速度信息，并在此基礎(chǔ)上預(yù)測(cè)其未來(lái)的運(yùn)動(dòng)路徑。

1.2 系統(tǒng)總體架構(gòu)設(shè)計(jì)

基于深度學(xué)習(xí)的海上目標(biāo)跟蹤與預(yù)警系統(tǒng)的主要功能是通過(guò)對(duì)海面圖像進(jìn)行實(shí)時(shí)分析和識(shí)別，來(lái)監(jiān)測(cè)并預(yù)測(cè)潛在威脅，從而提高海上安全保障能力。為了實(shí)現(xiàn)這一目的，需要建立一個(gè)完整的系統(tǒng)框架。研究人員需要確定系統(tǒng)的整體結(jié)構(gòu)和模塊組成。在此基礎(chǔ)上，研究人員可以進(jìn)一步考慮每個(gè)模塊的功能。例如，數(shù)據(jù)采集模塊負(fù)責(zé)從傳感器上獲取海面上的各種信號(hào)和影像數(shù)據(jù)；特征提取模塊則用于將這些數(shù)據(jù)轉(zhuǎn)化為可用于訓(xùn)練模型的數(shù)據(jù)集；分類/檢測(cè)模塊用來(lái)對(duì)輸入數(shù)據(jù)進(jìn)行分類或檢測(cè)，以判斷是否存在潛在威脅。此外，還可以添加其他必要的模塊，如監(jiān)控控制模塊等。在整個(gè)系統(tǒng)的構(gòu)建過(guò)程中，研究人員還需要考慮一些關(guān)鍵問題。（1）硬件配置問題。由于該系統(tǒng)裝設(shè)在船舶上，因此需要選擇適合海洋工作環(huán)境的設(shè)備。（2）對(duì)算法的選擇也非常重要。需要選擇具有良好性能和可靠性的算法，并且能夠適應(yīng)不同的場(chǎng)景和任務(wù)需求。（3）對(duì)系統(tǒng)的測(cè)試和驗(yàn)證也同樣重要，需要確保系統(tǒng)的準(zhǔn)確性和穩(wěn)定性，以便在實(shí)際應(yīng)用中得到更好的效果。

1.3 系統(tǒng)功能模塊設(shè)計(jì)

該系統(tǒng)主要由3個(gè)功能模塊組成：目標(biāo)檢測(cè)、目標(biāo)識(shí)別和目標(biāo)追蹤。其中，目標(biāo)檢測(cè)是整個(gè)系統(tǒng)的核心部分，它負(fù)責(zé)從圖像序列中提取出目標(biāo)物體的位置和特征信息；目標(biāo)識(shí)別通過(guò)對(duì)目標(biāo)進(jìn)行分類，確定其類型；目標(biāo)追蹤是將目標(biāo)定位到下一個(gè)幀中的位置。為了提高系統(tǒng)的性能和準(zhǔn)確性，研究人員在每個(gè)功能模塊中都采用了相應(yīng)的算法和技術(shù)手段。具體來(lái)說(shuō)，目標(biāo)檢測(cè)模塊采用的是YOLOv3模型，它是目前較流行的單個(gè)點(diǎn)樣器之一。該模型可以同時(shí)處理多個(gè)目標(biāo)并給出目標(biāo)的精確坐標(biāo)和類別標(biāo)簽。在目標(biāo)識(shí)別方面，研究人員使用了FasterR-CNN模型［1］，能夠快速地找到目標(biāo)對(duì)象并在同一幀內(nèi)對(duì)其進(jìn)行分類。最后，針對(duì)目標(biāo)追蹤的需求，選擇了基于粒子濾波的方法來(lái)計(jì)算目標(biāo)運(yùn)動(dòng)軌跡。這些方法的應(yīng)用使得該系統(tǒng)可以在海面環(huán)境中高效地完成目標(biāo)跟蹤任務(wù)。

1.4 系統(tǒng)數(shù)據(jù)庫(kù)設(shè)計(jì)

在本研究中，研究人員需要建立一個(gè)針對(duì)海上目標(biāo)跟蹤與預(yù)警系統(tǒng)的數(shù)據(jù)庫(kù)。該數(shù)據(jù)庫(kù)的主要功能是存儲(chǔ)和管理海面上的各種海洋目標(biāo)的信息，包括船舶的位置、速度、航向、高度等。同時(shí)，還需要對(duì)這些數(shù)據(jù)進(jìn)行分類、篩選以及分析處理。因此，在數(shù)據(jù)庫(kù)的設(shè)計(jì)過(guò)程中，研究人員需要考慮以下幾個(gè)方面的問題：（1）針對(duì)海面上的各種海洋目標(biāo)的數(shù)據(jù)采集方式不同，需要考慮如何將不同的數(shù)據(jù)源整合到同一個(gè)數(shù)據(jù)庫(kù)中。（2）為了提高數(shù)據(jù)庫(kù)的性能，需要采用合適的結(jié)構(gòu)化方法來(lái)組織數(shù)據(jù)，并優(yōu)化查詢語(yǔ)句以減少查詢時(shí)間。（3）為了保證數(shù)據(jù)庫(kù)的安全性和可靠性，需要采取相應(yīng)的備份策略和故障恢復(fù)措施。

1.5 系統(tǒng)開發(fā)環(huán)境

本文使用Python語(yǔ)言作為主要編程工具。Python是一種高級(jí)解釋型程序設(shè)計(jì)語(yǔ)言，具有簡(jiǎn)單易學(xué)、代碼可讀性強(qiáng)、支持多種數(shù)據(jù)結(jié)構(gòu)和算法等優(yōu)點(diǎn)。此外，Python還擁有豐富的第三方庫(kù)和框架資源，可以方便地進(jìn)行圖像處理、機(jī)器學(xué)習(xí)等工作。為了便于對(duì)海面的目標(biāo)進(jìn)行實(shí)時(shí)監(jiān)測(cè)和分析，研究人員選擇了OpenCV庫(kù)來(lái)完成圖像采集和處理工作。該庫(kù)提供了一系列高效且實(shí)用的函數(shù)，能夠幫助快速獲取海面上的目標(biāo)影像并對(duì)其進(jìn)行預(yù)處理操作。同時(shí)，研究人員也使用了TensorFlow和Keras等深度學(xué)習(xí)框架來(lái)構(gòu)建目標(biāo)檢測(cè)模型。

2 海上目標(biāo)跟蹤與預(yù)警系統(tǒng)硬件設(shè)計(jì)

2.1 硬件平臺(tái)搭建

在研究中，研究人員采用了一種基于FPGA的硬件平臺(tái)來(lái)進(jìn)行海上目標(biāo)跟蹤與預(yù)警系統(tǒng)的開發(fā)。該平臺(tái)由多個(gè)模塊組成，包括信號(hào)采集模塊、數(shù)據(jù)處理模塊和控制模塊等［2］。其中，信號(hào)采集模塊負(fù)責(zé)接收并解碼雷達(dá)波束信號(hào)，并將其轉(zhuǎn)換為數(shù)字格式；數(shù)據(jù)處理模塊則對(duì)接收到的數(shù)據(jù)進(jìn)行預(yù)處理和特征提取操作；而控制模塊則是整個(gè)系統(tǒng)的核心，它通過(guò)PCI總線與其他模塊通信，協(xié)調(diào)各個(gè)模塊之間的工作流程。為了提高系統(tǒng)的性能和可靠性，研究人員在硬件平臺(tái)上進(jìn)行了一系列優(yōu)化措施。例如，采用高速緩存技術(shù)提高了數(shù)據(jù)傳輸速度；采用雙路冗余的設(shè)計(jì)方式保證了系統(tǒng)的穩(wěn)定性和魯棒性。最終，研究人員成功地將整個(gè)系統(tǒng)集成在一起，實(shí)現(xiàn)了海上目標(biāo)跟蹤與預(yù)警的功能。

2.2 硬件模塊設(shè)計(jì)

硬件模塊是整個(gè)系統(tǒng)的核心部分之一，其功能直接影響到系統(tǒng)的性能表現(xiàn)。首先，研究人員需要確定所需要的功能模塊以及它們的數(shù)量。在此基礎(chǔ)上，研究人員可以進(jìn)行電路板布局規(guī)劃和元器件選擇。具體來(lái)說(shuō)，硬件模塊主要包括信號(hào)采集單元、數(shù)據(jù)處理單元、控制器單元和通信接口單元4個(gè)方面。信號(hào)采集單元主要負(fù)責(zé)接收傳感器輸出的數(shù)據(jù)并將其轉(zhuǎn)換為數(shù)字信號(hào)輸入到數(shù)據(jù)處理單元；數(shù)據(jù)處理單元?jiǎng)t通過(guò)對(duì)數(shù)據(jù)進(jìn)行預(yù)處理和特征提取來(lái)提高識(shí)別準(zhǔn)確率；控制器單元?jiǎng)t是協(xié)調(diào)各個(gè)子系統(tǒng)的工作，保證整體系統(tǒng)的穩(wěn)定運(yùn)行；通信接口單元?jiǎng)t用于將數(shù)據(jù)傳輸給外部設(shè)備或者人機(jī)交互界面。

3 海上目標(biāo)跟蹤與預(yù)警系統(tǒng)軟件設(shè)計(jì)

3.1 系統(tǒng)軟件需求分析

（1）研究人員需要對(duì)系統(tǒng)進(jìn)行全面的研究和了解。通過(guò)深入閱讀相關(guān)的文獻(xiàn)資料和技術(shù)報(bào)告，可以更好地理解系統(tǒng)所涉及的技術(shù)領(lǐng)域及其特點(diǎn)和優(yōu)勢(shì)。在此基礎(chǔ)上，研究人員可以制定出更加準(zhǔn)確的目標(biāo)和計(jì)劃，以便于后續(xù)工作流程的順利展開。（2）研究人員需要對(duì)系統(tǒng)進(jìn)行功能性需求分析。這包括了系統(tǒng)所需的功能模塊、接口規(guī)范等方面的內(nèi)容。例如，對(duì)于一個(gè)海上目標(biāo)跟蹤與預(yù)警系統(tǒng)而言，它必須具備實(shí)時(shí)監(jiān)測(cè)海面目標(biāo)的能力，同時(shí)還要支持多種數(shù)據(jù)格式的輸入輸出，并且具有較高的可靠性和穩(wěn)定性。此外，還需要考慮系統(tǒng)的安全性和保密性等問題。（3）研究人員需要對(duì)系統(tǒng)進(jìn)行性能和可維護(hù)性的評(píng)估。這包括了系統(tǒng)的運(yùn)行速度、內(nèi)存占用率、響應(yīng)時(shí)間等因素。只有經(jīng)過(guò)以上環(huán)節(jié)的綜合分析和規(guī)劃，才能夠保證系統(tǒng)設(shè)計(jì)的合理性和可行性。

3.2 系統(tǒng)軟件概要設(shè)計(jì)

在系統(tǒng)軟件的設(shè)計(jì)中，研究人員采用了面向?qū)ο缶幊痰姆椒ㄟM(jìn)行開發(fā)，并采用C++語(yǔ)言作為核心編程語(yǔ)言。具體而言，該系統(tǒng)由以下幾個(gè)部分組成：（1）需要建立一個(gè)數(shù)據(jù)存儲(chǔ)庫(kù)來(lái)保存海面的目標(biāo)圖像（見圖1）和其他相關(guān)數(shù)據(jù)。（2）還需要構(gòu)建一套完整的算法框架用于對(duì)海面上的目標(biāo)進(jìn)行實(shí)時(shí)跟蹤和識(shí)別（見圖1）。（3）為了提高系統(tǒng)的可靠性和穩(wěn)定性，還加入了一些安全防護(hù)措施。在系統(tǒng)軟件的具體設(shè)計(jì)上，研究人員將整個(gè)系統(tǒng)分為3個(gè)層次：應(yīng)用層、業(yè)務(wù)邏輯層和底層處理層。

3.3 系統(tǒng)軟件詳細(xì)設(shè)計(jì)

該系統(tǒng)主要包括以下幾個(gè)模塊。（1）數(shù)據(jù)采集

模塊：該模塊負(fù)責(zé)接收來(lái)自傳感器的數(shù)據(jù)并將其存儲(chǔ)到數(shù)據(jù)庫(kù)中。同時(shí)，它還支持實(shí)時(shí)監(jiān)控海面環(huán)境的變化情況，以便及時(shí)發(fā)現(xiàn)潛在威脅。（2）目標(biāo)檢測(cè)模塊：該模塊通過(guò)對(duì)攝像頭拍攝的照片進(jìn)行分析，自動(dòng)提取出目標(biāo)的位置、大小、形狀等特征信息。（3）目標(biāo)跟蹤模塊：該模塊利用目標(biāo)位置和速度等參數(shù)來(lái)預(yù)測(cè)目標(biāo)未來(lái)的運(yùn)動(dòng)軌跡，從而實(shí)現(xiàn)對(duì)目標(biāo)的跟蹤和預(yù)警功能。（4）報(bào)警模塊：該模塊可以根據(jù)用戶設(shè)定的閾值條件，當(dāng)目標(biāo)距離達(dá)到一定范圍時(shí)，將發(fā)出警報(bào)提示。（5）控制模塊：該模塊用于管理整個(gè)系統(tǒng)的運(yùn)行狀態(tài)以及參數(shù)設(shè)置。為了提高系統(tǒng)的準(zhǔn)確性和可靠性，研究人員在算法上也進(jìn)行了深入的研究和優(yōu)化。針對(duì)目標(biāo)檢測(cè)過(guò)程中存在的一些問題，如光照不足、目標(biāo)遮擋等，本文提出了一種改進(jìn)的目標(biāo)檢測(cè)方法。對(duì)于目標(biāo)跟蹤過(guò)程中的誤差積累現(xiàn)象，研究人員采用了一種基于粒子濾波的方法進(jìn)行修正。

3.4 系統(tǒng)軟件實(shí)現(xiàn)

在本研究中，研究人員提出了一種基于深度學(xué)習(xí)的海上目標(biāo)跟蹤與預(yù)警系統(tǒng)的軟件設(shè)計(jì)方案。該系統(tǒng)主要由3個(gè)模塊組成：目標(biāo)檢測(cè)、目標(biāo)識(shí)別和目標(biāo)跟蹤。其中，目標(biāo)檢測(cè)模塊負(fù)責(zé)對(duì)海面圖像進(jìn)行預(yù)處理和目標(biāo)區(qū)域提??；目標(biāo)識(shí)別模塊通過(guò)特征表示方法將目標(biāo)識(shí)別出來(lái)并確定其類型；而目標(biāo)跟蹤模塊則是利用目標(biāo)軌跡預(yù)測(cè)模型來(lái)實(shí)時(shí)跟蹤目標(biāo)位置。為了實(shí)現(xiàn)這些功能，研究人員采用了TensorFlow框架搭建了相應(yīng)的神經(jīng)網(wǎng)絡(luò)模型。在目標(biāo)檢測(cè)模塊中使用了YOLOv3算法構(gòu)建了一層卷積神經(jīng)網(wǎng)絡(luò)（CNN）；在目標(biāo)識(shí)別模塊中使用FasterR-CNN算法建立了一個(gè)多尺度的分類器［3］；在目標(biāo)跟蹤模塊中采用LSTM神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了目標(biāo)的動(dòng)態(tài)跟蹤。此外，為了提高系統(tǒng)的魯棒性和可靠性，研究人員還加入了一些數(shù)據(jù)增強(qiáng)技術(shù)和異常檢測(cè)機(jī)制。最終，該系統(tǒng)能夠準(zhǔn)確地識(shí)別出海洋中的目標(biāo)物體及其運(yùn)動(dòng)狀態(tài)，并且可以實(shí)時(shí)跟蹤目標(biāo)的位置變化情況。

3.5 系統(tǒng)測(cè)試

為了確保該系統(tǒng)能夠滿足實(shí)際應(yīng)用的需求和性能要求，研究人員進(jìn)行了一系列的測(cè)試工作。（1）對(duì)系統(tǒng)中的算法模型進(jìn)行了驗(yàn)證實(shí)驗(yàn)。通過(guò)對(duì)比不同算法的表現(xiàn)，研究人員可以確定最優(yōu)的算法模型；（2）對(duì)系統(tǒng)進(jìn)行功能性測(cè)試，包括輸入數(shù)據(jù)預(yù)處理、特征提取、分類預(yù)測(cè)等；（3）對(duì)系統(tǒng)進(jìn)行了性能測(cè)試，以評(píng)估其響應(yīng)速度和穩(wěn)定性等。在功能性測(cè)試過(guò)程中，研究人員采用了多種不同的數(shù)據(jù)集來(lái)驗(yàn)證系統(tǒng)的準(zhǔn)確性和魯棒性。同時(shí)，本文針對(duì)一些常見的問題進(jìn)行了優(yōu)化和改進(jìn)，例如對(duì)于某些異常情況的處理方法等。結(jié)果表明，該系統(tǒng)具有較高的精度和可靠性水平，可以有效地完成海上目標(biāo)跟蹤與預(yù)警任務(wù)。

4 結(jié)語(yǔ)

該系統(tǒng)采用了卷積神經(jīng)網(wǎng)絡(luò)（CNN）和循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）相結(jié)合的方式進(jìn)行目標(biāo)檢測(cè)和識(shí)別，并結(jié)合了圖像處理技術(shù)和特征提取算法來(lái)提高系統(tǒng)的準(zhǔn)確性和魯棒性。同時(shí)，為了解決海面環(huán)境復(fù)雜多變的問題，研究人員還對(duì)系統(tǒng)的訓(xùn)練數(shù)據(jù)進(jìn)行了優(yōu)化和擴(kuò)充。實(shí)驗(yàn)結(jié)果表明，該系統(tǒng)能夠有效地實(shí)現(xiàn)海上目標(biāo)的實(shí)時(shí)跟蹤和預(yù)警功能，并且具有較高的精度和穩(wěn)定性。

參考文獻(xiàn)

［1］劉勇軍，彭華.幼兒遺落校車安全事故預(yù)警技術(shù)研究與系統(tǒng)設(shè)計(jì)［J］.科技資訊，2020（2）：116-121.

［2］劉寶宇，程進(jìn)，鄒卓成，等.校車滯留兒童檢測(cè)系統(tǒng)的研究［J］.光學(xué)學(xué)報(bào)，2020（2）：18-24.

［3］成于思.校車防滯留智能監(jiān)測(cè)報(bào)警及救助系統(tǒng)［J］.電腦編程技巧與維護(hù)，2019（1）：107-109，131.

（編輯 李春燕編輯）

Design and implementation of maritime target tracking and early warning system based on deep learning

Pei? Xu

（The 54th Research Institute of CETC， Shijiazhuang 050081， China）

Abstract：? This study aims to propose a deep learning-based approach for maritime target tracking and early warning. In traditional methods， it is usually necessary to use a lot of computing resources for image processing and feature extraction， but this method often can not meet the requirements of real-time and high precision. Therefore， this paper proposes a new approach - target tracking and early warning system based on deep learning. The system uses convolutional neural network （CNN） as the basic model， and realizes the accurate prediction of the position and motion state of the target by recognizing and classifying the target on the sea surface.

Key words： target tracking; maritime objectives; early warning system design