當(dāng)前,由于機(jī)動車的數(shù)量快速增長,陸地交通發(fā)生了較多的交通事故和擁堵狀況,與此同時內(nèi)河航道也面臨著同樣的壓力。基于陸路交通管理的經(jīng)驗,在內(nèi)河管理方面上,引入智能交通管理系統(tǒng),對保護(hù)河流生態(tài)系統(tǒng)穩(wěn)定具有重要意義,同時也能有控制水污染,保障水路交通安全。本文以中山市海事視頻監(jiān)控為研究背景,在全市建立的"海事指揮平臺"基礎(chǔ)上,在實際需要的內(nèi)河道區(qū)域進(jìn)行船舶類型識別。論文應(yīng)用計算機(jī)視覺理論和方法,對監(jiān)控視頻中出現(xiàn)的船舶進(jìn)行提取、跟蹤,然后根據(jù)提取出的船舶特征進(jìn)行識別。論文的研究內(nèi)容包括以下四個部分:(1)船舶運(yùn)動區(qū)域的提取。首先介紹圖像預(yù)處理內(nèi)容,包括灰度化、圖像增強(qiáng)、二值化處理,并通過實驗進(jìn)行分析對比。然后在運(yùn)動目標(biāo)區(qū)域提取方面,對常見的方法優(yōu)缺點(diǎn)分析,進(jìn)而進(jìn)行實驗結(jié)果比對。(2)目標(biāo)跟蹤。在目標(biāo)區(qū)域提取出來的前提下,基于顏色特征直方圖的Camshift算法,具有計算量小,實時性高的特點(diǎn)。船舶因遮擋易丟失,采用Kalman算法可以實現(xiàn)目標(biāo)估計,進(jìn)而持續(xù)跟蹤,防止船舶丟失。(3)特征提取。介紹常用的特征,如角點(diǎn)特征、幾何特征、直方圖統(tǒng)計特征、矩特征等,并提取特征值。通過分析數(shù)據(jù),將矩、角度比值、幾何特征相結(jié)合作為輸入量對船舶進(jìn)行分類。(4)船型識別。采用支持向量機(jī)對船舶分類,通過單特征、多特征和全部特征實驗對比,選擇正確率高的組合。然后利用交叉驗證思想改進(jìn)測試和訓(xùn)練過程,來提高識別率。本文最后選擇單高斯建模的背景差分法提取運(yùn)動區(qū)域,采用Camshift和Kalman濾波相結(jié)合的方法對目標(biāo)進(jìn)行跟蹤,此方法能夠?qū)δ繕?biāo)進(jìn)行有效的跟蹤。隨后選取了比例特征,矩特征,角度特征作為船舶分類的區(qū)分性;最后利用交叉驗證思想改進(jìn)測試和訓(xùn)練過程,證明了該思想的可行性與正確性,并取得了較高的準(zhǔn)確率。
【學(xué)位授予單位】：大連海事大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.41
文章目錄
摘要
ABSTRACT
第1章 緒論
1.1 課題來源
1.2 課題的背景與意義
1.3 船舶識別國內(nèi)外研究現(xiàn)狀
1.4 計算機(jī)視覺綜述
1.5 本文研究的內(nèi)容與章節(jié)安排
1.5.1 論文研究的主要內(nèi)容
1.5.2 論文的章節(jié)安排
1.5.3 實驗環(huán)境配置需求
第2章 船舶圖像預(yù)處理和運(yùn)動區(qū)域定位
2.1 圖像灰度化
2.2 圖像增強(qiáng)
2.2.1 常用圖像增強(qiáng)方法概述
2.2.2 濾波處理
2.3 運(yùn)動區(qū)域定位
2.3.1 光流法
2.3.2 幀間差分法
2.3.3 背景差分法
2.4 單高斯背景建模
2.5 二值化
2.5.1 自適應(yīng)閾值-迭代法
2.5.2 最大類間方差法
2.6 消除孤立點(diǎn)
2.7 目標(biāo)區(qū)域的提取
2.8 本章小結(jié)
第3章 目標(biāo)的跟蹤及形態(tài)學(xué)處理
3.1 基于顏色模型的目標(biāo)追蹤
3.1.1 目標(biāo)顏色模型的建立
3.1.2 Meanshift跟蹤算法
3.1.3 Camshift跟蹤算法
3.2 基于運(yùn)動模型的目標(biāo)追蹤
3.2.1 目標(biāo)運(yùn)動模型的建立
3.2.2 Kalman濾波器跟蹤算法
3.3 圖像形態(tài)學(xué)處理
3.3.1 膨脹與腐蝕
3.3.2 開運(yùn)算與閉運(yùn)算
3.4 本章小結(jié)
第4章 船舶的特征提取與選擇
4.1 船舶的分類
4.2 圖像的特征分類
4.3 船舶特征的提取
4.3.1 船舶的幾何特征描述
4.3.2 船舶矩特征提取描述
4.3.3 船舶角度比值特征的描述
4.4 船舶特征的選擇
4.4.1 特征數(shù)據(jù)的分析與處理
4.4.2 特征選擇
4.5 本章小結(jié)
第5章 船舶類型的識別
5.1 常用的分類方法
5.2 支持向量機(jī)概念
5.2.1 線性支持向量機(jī)
5.2.2 非線性支持向量機(jī)
5.3. 支持向量機(jī)分類器的訓(xùn)練與測試
5.3.1 分類器的訓(xùn)練與測試
5.3.2 訓(xùn)練過程與測試過程的改進(jìn)
5.4 實驗結(jié)果分析
5.5 本章小結(jié)
第6章 總結(jié)與展望
6.1 本文工作總結(jié)
6.2 未來工作展望
參考文獻(xiàn)
致謝
【參考文獻(xiàn)】
相關(guān)期刊論文 前4條
1 陳剛;楊勇;;一種自適應(yīng)基于紋理和顏色特征的目標(biāo)跟蹤算法[J];智能計算機(jī)與應(yīng)用;2013年02期
2 謝志明;黃偉瓊;黃道平;;基于輪廓曲線的角點(diǎn)識別方法[J];組合機(jī)床與自動化加工技術(shù);2013年03期
3 張順淼;呂開東;;一種基于Surendra背景更新的背景減除運(yùn)動目標(biāo)檢測方法[J];南京工程學(xué)院學(xué)報(自然科學(xué)版);2011年02期
4 張娟;毛曉波;陳鐵軍;;運(yùn)動目標(biāo)跟蹤算法研究綜述[J];計算機(jī)應(yīng)用研究;2009年12期
相關(guān)博士學(xué)位論文 前2條
1 劉暢;船舶自動識別系統(tǒng)（AIS）關(guān)鍵技術(shù)研究[D];大連海事大學(xué);2013年
2 蔣良孝;樸素貝葉斯分類器及其改進(jìn)算法研究[D];中國地質(zhì)大學(xué);2009年
相關(guān)碩士學(xué)位論文 前8條
1 孟祥怡;運(yùn)動目標(biāo)的跟蹤與識別算法研究[D];吉林大學(xué);2014年
2 范永東;模型選擇中的交叉驗證方法綜述[D];山西大學(xué);2013年
3 周丹鳳;視覺顯著性特征約束下的形狀骨架提取與分解研究[D];合肥工業(yè)大學(xué);2013年
4 柴東;控制河段船舶視覺監(jiān)控與違規(guī)航行檢測方法研究[D];重慶大學(xué);2012年
5 周靚;航道監(jiān)控中船舶的檢測與跟蹤[D];南京理工大學(xué);2012年
6 柳圣軍;基于計算機(jī)視覺的內(nèi)河航道智能監(jiān)控系統(tǒng)的研究[D];浙江工業(yè)大學(xué);2009年
7 張超;視頻監(jiān)控中的圖像匹配和運(yùn)動目標(biāo)檢測[D];華中科技大學(xué);2008年
8 張歆澍;基于內(nèi)容的圖像檢索方法的研究與實現(xiàn)[D];大連理工大學(xué);2006年
本文編號：
2366050
本文鏈接：http://www.lk138.cn/shoufeilunwen/xixikjs/2366050.html
