基于视频图像的船舶流量检测方法研究
发布时间：2021-09-07 11:37
近年来随着我国内河运输业的快速发展,船舶数量不断增加,航行风险也随之增大。对内河船舶流量进行实时有效监控,减少船舶交通事故的发生逐渐成为海事管理部门关注的焦点和科研工作者研究的热点。目前基于视频图像的运动目标检测与跟踪已经取得了丰硕成果,但由于内河航道环境复杂导致船舶流量检测仍存在较大的发展空间。因此,基于航道监控视频图像,结合计算机视觉相关算法与当前发展迅速的深度学习方法研究一种适用的船舶流量检测方法,对船舶航行安全管理、航道合理利用、港航实时监控具有重要意义。本文从实际船舶流量检测需求出发,分别对船舶目标检测、船舶目标跟踪,以及基于视频图像的船舶分类流量检测方法进行研究。针对已有方法在实际应用中的不足,提出若干优化改进。实验结果表明,本文研究方法能够满足实际应用需求,能够实现高效、准确的船舶流量检测。本文主要研究工作及成果如下:（1）针对内河船舶目标检测任务,本文基于SSD目标检测算法设计了船舶目标检测框架。首先应用膨胀卷积对原始SSD目标检测算法的最大池化下采样层进行了替换,增大了模型的感受野,提高了模型对实际监控视频图像中面积占比较小的船舶目标的检测效果。然后采用轻量级网络模型...
【文章来源】：武汉理工大学湖北省 211工程院校 教育部直属院校
【文章页数】：82 页
【学位级别】：硕士
【部分图文】：
实际监控视频船舶尺度膨胀卷积[30]最早被应用于图像分割领域，其主要用于解决在图像分割过程
, , = , , （2-6） 其中， , 表示卷积核，大小为 × ； , 表示被卷积图像； 表示卷积运算。 对普通卷积进行泛化操作，令 表示膨胀系数，则膨胀运算 可用式（2-7）表示。 , , = , , （2-7） 即：普通卷积是膨胀系数为 1 的膨胀卷积。 图 2-6 很好的解释了膨胀卷积的操作原理。
25表2-1是聚类数值结果。表2-1船舶目标检测标注数据集标注框长宽比K-means++聚类结果K-means++中心个数聚类结果4(2.460,5.543),(6.504,6.945),(15.668,7.252),(10.886,9.604)图2-11显示了聚类效果图，其中横坐标表示船型类别数（共18类），纵坐标表示相应的长宽比。图2-11船舶目标检测标注数据集标注框长宽比K-means++聚类效果（4中心）结合表2-1与图2-11，本节基于实际情况按照四舍五入对结果进行取舍，最终确定6组长宽比分别为：5,6,7,8,9,10，如图2-12所示。Layer_WLayer_Laspect_ratio={5,6,7,8,9,10}图2-12默认框比例优化结果2.3船舶目标检测方法实验结果与分析鉴于当前并未找到与我国内河船舶目标检测任务相关的公开数据集，本课题特花费大量人力物力采集并制作船舶目标检测标注数据集1。本节将详细讲述该数据集的制作过程以及数量，并在之后很长一段时间内仍然会不断扩充该数据集，并公开为其他研究工作者服务。此外，本节将对本章所研究目标检测网络1船舶目标检测标注数据集：链接：https://pan.baidu.com/s/1MCe3tcNYoWDPW-FlvzneDg，提取码：hbli
【参考文献】：
期刊论文
[1]基于超像素的多特征融合的水平集轮廓跟踪[J]. 周雪,陈科鑫,冯媛媛,邹见效. 电子科技大学学报. 2018(05)
[2]2017年我国水上交通安全形势分析[J]. 中国海事. 2018(01)
[3]基于虚拟线圈的内河船舶流量检测方法[J]. 穆孟超,胡钊政,李祎承. 交通信息与安全. 2017(04)
[4]从适用范围和主尺度角度对比分析长江水系和京杭运河标准化船舶新旧主尺度系列[J]. 魏洪斌. 珠江水运. 2016(20)
[5]基于多结构形态学的港口船舶检测方法[J]. 石文豪,安博文. 计算机系统应用. 2016(10)
[6]基于Camshift和SURF的目标跟踪系统[J]. 陈杏源,郑烈心,裴海龙. 计算机工程与设计. 2016(04)
[7]基于显著性分析的HOG快速船舶检测方法[J]. 元海文,肖长诗,文元桥,周春辉,张康贺,邹雄. 中国航海. 2016(01)
[8]长江繁忙水域船舶间距模型[J]. 侯海强,李祎承,初秀民. 大连海事大学学报. 2013(04)
[9]一种复杂海天背景下的红外舰船目标自动检测方法[J]. 王鹏,吕高杰,龚俊斌,田金文. 武汉大学学报(信息科学版). 2011(12)
[10]内河航道通过能力计算方法研究[J]. 董宇,姜晔,何良德. 水运工程. 2007(01)
博士论文
[1]基于区域特征的目标跟踪算法研究[D]. 刘晴.北京理工大学 2014
硕士论文
[1]基于视频处理的道路交通流跟踪统计系统设计与实现[D]. 牛嘉郡.电子科技大学 2018
[2]基于视觉的交通车流量统计[D]. 黄霞.湘潭大学 2016
[3]基于特征信息提取的船舶检测与跟踪方法研究[D]. 安婷.华北电力大学 2015
[4]基于视频的车辆运动检测和流量统计算法研究[D]. 乔鹏.国防科学技术大学 2013
本文编号：3389474
【文章来源】：武汉理工大学湖北省 211工程院校 教育部直属院校
【文章页数】：82 页
【学位级别】：硕士
【部分图文】：
实际监控视频船舶尺度膨胀卷积[30]最早被应用于图像分割领域，其主要用于解决在图像分割过程
, , = , , （2-6） 其中， , 表示卷积核，大小为 × ； , 表示被卷积图像； 表示卷积运算。 对普通卷积进行泛化操作，令 表示膨胀系数，则膨胀运算 可用式（2-7）表示。 , , = , , （2-7） 即：普通卷积是膨胀系数为 1 的膨胀卷积。 图 2-6 很好的解释了膨胀卷积的操作原理。
25表2-1是聚类数值结果。表2-1船舶目标检测标注数据集标注框长宽比K-means++聚类结果K-means++中心个数聚类结果4(2.460,5.543),(6.504,6.945),(15.668,7.252),(10.886,9.604)图2-11显示了聚类效果图，其中横坐标表示船型类别数（共18类），纵坐标表示相应的长宽比。图2-11船舶目标检测标注数据集标注框长宽比K-means++聚类效果（4中心）结合表2-1与图2-11，本节基于实际情况按照四舍五入对结果进行取舍，最终确定6组长宽比分别为：5,6,7,8,9,10，如图2-12所示。Layer_WLayer_Laspect_ratio={5,6,7,8,9,10}图2-12默认框比例优化结果2.3船舶目标检测方法实验结果与分析鉴于当前并未找到与我国内河船舶目标检测任务相关的公开数据集，本课题特花费大量人力物力采集并制作船舶目标检测标注数据集1。本节将详细讲述该数据集的制作过程以及数量，并在之后很长一段时间内仍然会不断扩充该数据集，并公开为其他研究工作者服务。此外，本节将对本章所研究目标检测网络1船舶目标检测标注数据集：链接：https://pan.baidu.com/s/1MCe3tcNYoWDPW-FlvzneDg，提取码：hbli
【参考文献】：
期刊论文
[1]基于超像素的多特征融合的水平集轮廓跟踪[J]. 周雪,陈科鑫,冯媛媛,邹见效. 电子科技大学学报. 2018(05)
[2]2017年我国水上交通安全形势分析[J]. 中国海事. 2018(01)
[3]基于虚拟线圈的内河船舶流量检测方法[J]. 穆孟超,胡钊政,李祎承. 交通信息与安全. 2017(04)
[4]从适用范围和主尺度角度对比分析长江水系和京杭运河标准化船舶新旧主尺度系列[J]. 魏洪斌. 珠江水运. 2016(20)
[5]基于多结构形态学的港口船舶检测方法[J]. 石文豪,安博文. 计算机系统应用. 2016(10)
[6]基于Camshift和SURF的目标跟踪系统[J]. 陈杏源,郑烈心,裴海龙. 计算机工程与设计. 2016(04)
[7]基于显著性分析的HOG快速船舶检测方法[J]. 元海文,肖长诗,文元桥,周春辉,张康贺,邹雄. 中国航海. 2016(01)
[8]长江繁忙水域船舶间距模型[J]. 侯海强,李祎承,初秀民. 大连海事大学学报. 2013(04)
[9]一种复杂海天背景下的红外舰船目标自动检测方法[J]. 王鹏,吕高杰,龚俊斌,田金文. 武汉大学学报(信息科学版). 2011(12)
[10]内河航道通过能力计算方法研究[J]. 董宇,姜晔,何良德. 水运工程. 2007(01)
博士论文
[1]基于区域特征的目标跟踪算法研究[D]. 刘晴.北京理工大学 2014
硕士论文
[1]基于视频处理的道路交通流跟踪统计系统设计与实现[D]. 牛嘉郡.电子科技大学 2018
[2]基于视觉的交通车流量统计[D]. 黄霞.湘潭大学 2016
[3]基于特征信息提取的船舶检测与跟踪方法研究[D]. 安婷.华北电力大学 2015
[4]基于视频的车辆运动检测和流量统计算法研究[D]. 乔鹏.国防科学技术大学 2013
本文编号：3389474
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3389474.html
