面向内河港运管理的船舶识别方法研究

发布时间：2020-06-22 15:00

【摘要】：重庆市位于“长江经济带”和“丝绸之路经济带”的交汇处,是长江中上游最大的航运物流集散中心与客运中心,航运十分繁忙。传统的信息化管理方法已不能满足港口船舶流量统计、停泊引导与监管,沿江危化品违禁运输、非法(或违规)采沙以及重要水源河域的稽查和保护等航运管理的需要。论文以实际项目为牵引,针对港口船舶停泊引导和重要水源地稽查保护急需自适应判断是否有船舶驶入的技术需求,充分利用帧间差分对于缓慢运动目标检测的稳定性和背景差分运算效率高、易于实现等优势,对相邻6帧图像采用帧间差分运算,并结合背景差分运算,最后对运算结果进行逻辑且运算,从而提出一种6帧帧间差分和背景差分的船舶自适应检测方法。实验结果表明,对于内河行驶缓慢的船舶,该方法具有较高的自适应检测准确性;充分利用颜色名特征的光照不变性、局部二值特征(LBP)的单调灰度不变性和良好的局部纹理表达能力并结合HOG特征在几何和光学上的优点,采用加权的特征融合方式,提出多特征融合核相关滤波船舶跟踪方法,该方法避免了单一特征的核相关滤波跟踪算法跟踪准确低的缺点,为自动判断视场内是否有船舶驶入及其停泊时间提供一种有效的视觉计算方法;针对港口流量统计、停泊引导、航道稽查等对船舶类型的自动识别需要,充分利用极限学习机分类速度快的优势,为提高CNN的分类性能,采用极限学习机代替CNN的softmax函数,提出一种CNN与极限学习机相结合的识别方法。结合重庆港运局提供的船舶图片数据集,对比实验结果表明,该方法对船舶分类识别的错分率降低到9.49%,分类识别的精度及时效性具有明显提高。
【学位授予单位】：重庆理工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;TP18;U69
【图文】：

的相同特征作出相应的反应。通过和近年来提出的卷积神经网络对比。该方梯度算法。但是，该方法的思想和现在的卷积神经网络中提出的卷积层和池，所以被广泛的认为是卷积神经网络的启蒙方法。人工神经网络过和人工神经网络的对比，如图 2.1 所示。该图是生物神经元主体结构图，胞当作构成神经系统的最基本单位，该神经元主要有三个主体部分构成（树细胞体）,可以把卷积神经网络看成是人工神经网络的一种特殊形式。卷积最初发现是受到人脑细胞对视觉信息处理的过程中受到启发，人脑中最底层理最原始的特征，如图片的纹理、边缘等细节信息。并且通过逐层的卷积，特征的抽象程度越来越复杂。卷积神经网络正是通过卷积和池化的过程完成的提取过程。

峭ü

本文编号：2725838