复杂背景下无人艇视频视觉目标图像识别算法

为精准跟踪海域环境中的各类舰船目标,生成连续性的视觉目标图像视频,提出复杂背景下的无人艇视频视觉目标图像识别算法。利用增强滤波处理无人艇图像中的数据信息,再通过特殊信息标记的方式,完成无人艇视频的图像数据集设计。在此基础上,改进原识别提取网络,借助边界框预测实值,完成待识别目标图像的特征提取,实现复杂背景下无人艇视频视觉目标图像识别算法的顺利应用。对比实验结果表明,与KCF目标跟踪算法相比,应用新型目标图像识别算法后,YOI船体识别参数增大至8.56,实现了对海域环境中各类舰船目标的精准跟踪,大幅促进了连续性视觉目标图像视频的生成。     

基于计算机网络的船舶视频图像模糊细节增强算法

为了提高船舶视频图像的质量,针对图像模糊问题,设计了基于计算机网络的船舶视频图像模糊细节增强算法。首先分析引起船舶视频图像模糊的因素,并提出采用无线传感器网络对船舶视频图像进行采集和传输,然后对船舶视频图像进行增强处理,丰富船舶视频图像细节信息,改善船舶视频图像视觉效果,最后实现了船舶视频图像模糊细节增强实验,结果表明,本文算法对船舶视频图像进行增强处理后,图像更加自然,并采用定量分析指标对船舶视频图像质量进行评价,获得比其他算法更优的船舶视频图像模糊细节增强效果。     

基于改进YOLOv4算法的船舶目标检测方法

针对海面环境复杂、船舶目标检测存在检测精度不高和效率低的问题，以及船舶数据集不平衡的现象，提出一种改进YOLOv4算法的船舶目标检测方法。对图像进行预处理，增强船舶图像的有用信息，减少计算量；采用图像增强方法扩充不平衡数据集的小样本数量，提高各类船舶目标检测的准确性；采用改进的K-means++聚类方法重新设计先验锚框，使锚框和目标的边界框更加匹配；采用Softer-NMS对非极大值抑制算法进行优化，对预测框进行后处理，提升模型对密集船舶的检测能力和定位精度。通过开展多组对比试验发现，采用改进的检测算法对10类船舶目标进行识别，精确率P、召回率R和交并比（IOU）等都有很大提高，平均精确率（m AP）值达到96.78%，相比YOLOv4算法提升23.79%；检测速度达到31.2帧/秒，在显著提高检测精度的同时，能缩短检测时间，达到很好的检测效果。     

基于深度学习的船舶流量统计系统设计与实现

使用深度学习SSD算法对采集到的船舶目标数据集进行学习训练,再利用训练得到的模型进行船舶目标检测。通过检测目标进行匹配得到相应的轨迹,根据设定的检测线进行目标流量统计,最后对算法进行模块集成并设计相应的软件界面。将深度学习SSD算法引入船舶目标检测领域后,与传统检测方法相比,其精准率得到大大提高,能够准确实现多目标船舶检测,并在此基础上进行可靠的流量统计。结果表明,集成的应用系统具有良好的性能,能满足实时性要求,流量统计的准确率可达90%以上。     

低分辨率船舶视频监控图像的边缘轮廓提取

目前船舶视频监控图像以其灵敏、实时、可靠性等优势被广泛使用在海洋航运工程中。然而,由于船舶航运环境复杂,易对监控图像画面质量产生干扰,导致监控图像分辨率和信噪比相对较低,造成图像边缘轮廓提取困难等问题。因此提出结合PID模糊算法以及图像灰度映射函数进行精准有效的图像边缘轮廓提取和检测的方法。该方可针对低分辨率船舶航视频图像进行降噪处理,精确定位边缘轮廓,提高图像分辨率和对比度,从而得到精确的边缘轮廓信息数据。最后为验证方法的有效性进行仿真实验,实验检测结果表明该方法能快速精准的对低分辨率船舶视频监控图像边缘轮廓进行提取,降噪处理效果十分突出,有效解决了传统方法耗时较多提取效果差等问题,符合视频监控图像处理的评价体系标准,应用渠道十分广泛,具有较高的参考价值。     

自适应直方图均衡处理下船舶视频监控图像去雾算法

由于现有船舶视频监控图像去雾算法没有物理模型的支持,会损失图像中部分信息,存在着去雾时间复杂度较高的问题,为此提出自适应直方图均衡处理下船舶视频监控图像去雾算法研究。估算图像透射率以及全局大气光强,将有雾图像转换为直方图,均衡化处理直方图灰度级,使像素点均匀分布在整个灰度级上,实现船舶视频监控图像的去雾。仿真对比测试结果表明:与现有代表算法相比较,提出算法滤波窗口尺寸合理性高、亮度系数小,表明提出算法的去雾时间复杂度低,适合大力推广使用。     

船舶纹理图像自适应滤波去噪研究

由于传统的船舶纹理图像的自适应滤波去噪方法存在去噪效果差的问题,因此提出了一种新的船舶纹理图像的自适应滤波去噪方法。根据船舶纹理图像空间坐标连续性,将船舶纹理图像表示成数字图像形式,利用船舶图像纹理的主要3个标志,提取纹理特征,并给出纹理特征定量估计结果。结合图像纹理特点,对图像进行分割处理。采用极值检测方法设计噪声检测的自适应滤波,在一定程度上判断出噪声大小。通过设置阈值减小对噪声的误判,实现图像信息与噪声的有效分离。设计去噪流程,由此完成自适应滤波的去噪处理。通过实验对比结果可知,该方法的去噪效果较好。     

基于支持向量机的船舶交通流量预测方法

提升航道和港口资源的高效、合理利用,需精准掌握船舶交通流量情况。为此,本文提出基于支持向量机的船舶交通流量预测方法。该方法以船舶交通流量数据为基础,经预处理后将其作为采用支持向量机的输入量,通过输入量和输出量之间的高维映射,预测船舶交通流量;通过鲸鱼优化算法优化支持向量机的核参数和惩罚项参数;通过迭代寻优获取最优的参数结果,以此保证舰船交通流量预测结果的精准程度。测试结果表明：该方法能可靠完成不同航行环境下的船舶交通流量预测,均等系数均在0.019以下;中心可依据预测结果对船舶进行管理,高效、合理实现港口资源利用,减少船舶等待进港时间。     

船舶监控视频数据的压缩与传输方法研究

为保障船舶航行信息准确直观的进行传输,对船舶监控视频图像的压缩与传输准确性要求进一步提高,由于传统船舶监控视频数据压缩和传输解压程序复杂、图像画质模糊,难以达到准确传输船舶数据画面的获取要求。基于上述背景,结合离散小波变换算法对船舶监控数据压缩与传输方法进行研究和优化,以提高数据传输的安全性和可靠性,达到精准快速的传输和恢复图像质量的设计目标。为检验该方法的有效性进行仿真实验,实验结果证实,结合小波算法的监控视频数据压缩与传输方法可有效提高图像数据处理过程中的抗干扰能力,有效获取图像特征,快速进行图像传输,达到了精准高效的设计目标,有利于保障船舶的航行安全。     

智能视频监控中舰船假目标图像检测算法

传统舰船假目标图像检测算法存在检测精准度低的缺陷,为此提出智能视频监控中舰船假目标图像检测算法研究。将智能视频监控中采集的图像采用灰度化处理得到灰度图像,利用直方图均衡化处理灰度图像,提升图像的质量。采用滤波处理方法将得到的图像进行去噪,完成图像的预处理,为图像检测做准备。采用小波变换方法对上述得到的图像进行特征提取,将得到的图像特征输入到图像检测模型中,与真目标图像特征进行逐一比较,输出假目标图像,实现了对舰船假目标图像的检测。实验结果表明,提出的舰船假目标图像检测算法检测精准度比传统算法高出21.8%,说明提出的舰船假目标图像检测算法具备极高的有效性。     

结合空洞编码器和特征金字塔的中心点船舶检测

为了进一步提高基于深度学习的船舶目标检测技术的检测精度，在无锚框中心点检测算法基础上，提出一种结合空洞编码器和特征金字塔的改进中心点船舶检测算法。采用Res Ne Xt-50网络对船舶图像进行特征提取，引入基于空洞残差的空洞编码器（DE）增大32倍下采样特征图的感受野，生成覆盖多个目标尺度的特征图，并采用特征金字塔网络（FPN）进行上采样，在上采样过程中融合空洞编码器生成的32倍下采样特征图和原16倍、8倍和4倍下采样特征图，从而提取到更丰富的船舶特征信息，提升船舶检测效果。结果表明，改进算法对不同类型和不同尺度下的船舶检测平均精确率相比原算法具有较明显的提升，相比SSD和YOLOv3算法具有更高的精度优势。     

基于YOLOv3的船舶目标检测算法

为提高船舶目标智能检测的精度和实时性,提出一种基于YOLOv3算法的船舶目标检测方法,可用于视频图像的监测与跟踪。参照PASCAL VOC数据集格式,构建船舶目标检测数据集,采用k-means聚类先验框、mixup、标签平滑化等方法对算法进行改进和优化,在GPU(Graphic Processing Unit)云服务器中完成算法模型的训练和检测,并与FasterR-CNN、SSD(Single Shot MultiBox Detector)、原始YOLOv3等算法进行模型性能的试验对比。试验结果表明:改进的算法明显优于其他算法,其在测试集上的平均精度均值(mean Average Precision,mAP)和检测速度分别达到89.90%和30每秒检测帧数(Frames Per Second,FPS)。     

基于FCM聚类的船舶网络传输时延自适应优化方法研究

针对传统船舶网络传输时延控制方法存在的时延性能差、传输失败率高的问题,研究一种基于FCM聚类的船舶网络传输时延自适应优化方法。该方法利用TURBO编码和LDPC编码相结合的方法对船舶网络信道进行编码,搭建船舶网络环境;利用基于灰度关联分析预测方法预测各信道的负荷能力,结合预测结果,利用FCM聚类算法实现资源数据与传输路径之间的聚类匹配,从而合理均衡配置资源,最大程度降低网络传输时延。结果表明:船舶网络传输时延自适应优化方法进行船舶网络信息传输时延缩短了7.9 ms,平均传输失败率降低了8.44%。     

改进神经网络的船舶红外图像边缘检测方法

研究改进神经网络的船舶红外图像边缘检测方法,提升边缘检测抗噪声干扰能力。采用块匹配的主成分分析方法对船舶红外图像实施去噪处理后,经梯度算子将降噪后船舶红外图像转换为二值图像;以BP神经网络为基础,通过附加动量法-自适应学习速率调整BP神经网络权值,提高网络训练鲁棒性;将转换后舰船二值图像作为改进神经网络的输入,在实施网络训练后得出输出值,依据输出值和设置阈值的对比结果,获取船舶红外图像边缘点,实现船舶红外图像边缘检测。实验结果表明：该方法降噪后船舶红外图像的PSNR值全部高于40 dB,降噪效果较好;可有效提取船舶红外图像边缘特征且边缘检测结果清晰、连贯,能够达到船舶红外图像边缘检测标准。     

基于视觉传达技术的船舶图像中弱小目标检测方法

为及时发现和跟踪小型渔船、救生艇等弱小目标,提高海上救援和应急响应的效率和准确性,研究基于视觉传达技术的船舶图像中弱小目标检测方法。通过中值滤波算法去除船舶图像中的噪声,改善船舶图像质量,将去噪后的船舶图像应用于基于门限直方图均衡的船舶图像增强方法中,在该方法处理下,增强船舶图像对比度;之后利用视觉传达技术,对船舶图像中的弱小目标亮度进行调整,并根据亮度调整结果分割目标边缘,从而实现弱小目标检测。经实验验证,该方法可在保证图像边缘清晰的情况下实现图像去噪与增强,提高了船舶图像质量,同时该方法具有较高的背景抑制因子与信杂比率增益,在检测过程中可有效分割弱小目标与背景,实现良好的弱小目标检测。     

大数据分析下双向通航港口船舶自适应调度算法

为了提高双向通航港口船舶的通行能力,进行双向通航港口船舶自适应调度,提出基于大数据信息融合的船舶调度算法。采用网格区域分割模型进行双向通航港口航道分割,构建船舶调度的大数据信息传递模型,对船舶的调度数据进行信息融合滤波处理,抑制冗余数据的干扰,采用模糊波束集成方法进行双向通航港口船舶运行大数据的聚类分析,根据数据的分布属性特征进行船舶航行调度,提高船舶调度的自适应性。仿真结果表明,采用该方法进行双向通航港口船舶自适应调度能提高港口的吞吐能力和船舶航行的畅通能力,且对双向通航港口船舶大数据的集成信息处理能力较强。     

可视化图像处理下船体表面微裂痕高效检测算法

为了提升船舶质量,保证船舶的航行安全,提出可视化图像处理下船体表面微裂痕高效检测算法。利用摄像机、图像采集卡等硬件设备,获取船体表面微裂痕可视化图像。经过滤波去噪和图像增强2个步骤,实现对初始可视化图像的处理。在此基础上,分别从纹理轮廓和几何2个方面,提取船体表面的微裂痕特征,并通过与完好船体表面图像的比对,得出最终的检测结果。将设计的检测算法应用到实际的检测工作中,计算得出设计算法的检测精度高于99%,满足检测精度的要求,且消耗的检测时间更少。     

基于时延数据融合的港口船舶监控策略研究

在对现有港口船舶航行监控方法以及导航技术详细分析的基础上,结合基于Kalman滤波的数据融合技术,讨论了利用雷达、GPS以及AIS数据进行港口船舶导航算法和监控策略的设计问题。针对现有的时延平滑估计存在的缺点,提出一种基于时延的集中式预测估计融合算法。新算法具有很高的实时性和可实施性,同时,将新算法与现有的时延平滑估计融合算法相集成,提出一种完整的船舶导航和监控策略,计算机仿真算例验证了新算法的优越性,同时显示了新监控策略的有效性。     

船舶噪声视频图像的去噪锐化方法

传统视频图像降噪处理普遍采用小波滤波算法完成降噪计算,虽然像素通道内的噪声被有效去除,但是滤波过程中有效像素的损耗导致图像通道的收敛性降低,不利于后期图像的锐化处理。为了解决此问题,提出船舶噪声视频图像的去噪锐化方法。为了避免去噪过程中对正常像素的损伤,本文提出的方法采用拉氏去噪算子去噪算法,完成噪声像素点的去除计算。通过梯度锐化并行算法在去噪算法的基础上,完成对图像像素的锐化计算。对比实验表明,提出的去噪锐化方法比传统去噪锐化方法,提升图像整体去噪锐化效果好,实用性更强。     

云计算在船舶网络视频监控系统中的应用研究

随着云计算技术的快速发展和不断完善,云计算技术在船舶安防、视频监控等领域逐渐得到了广泛的应用和发展。船舶网络视频监控在船舶安防中发挥着非常重要的作用。通过视频监控系统能够及时掌握船舶航行状态,确保船舶的安全。本文设计船舶网络视频监控系统,研究云计算技术在系统中应用的关键技术,提出视频图像检测算法。