莊佳園，徐玉如，萬磊，廖煜雷，孫寒冰

(哈爾濱工程大學(xué)水下智能機(jī)器人技術(shù)國防科技重點(diǎn)實(shí)驗(yàn)室，黑龍江哈爾濱15001)

水面無人艇，簡稱無人艇或USV(unmanned surface vehicle)，它的研發(fā)晚于陸地機(jī)器人、無人機(jī)和水下機(jī)器人，目前已有多種無人艇應(yīng)用于軍事、科研等領(lǐng)域［1］.文獻(xiàn)［2-3］總結(jié)了無人艇的研究歷史、現(xiàn)狀以及發(fā)展趨勢.目前無人艇的典型代表主要有:美國的“SPARTAN”號、以色列的“Protector”號、意大利的“Charlie”號雙體型 USV［4］和英國的“Springer”號雙體型 USV［5］、葡萄牙的“Delfim”號雙體型USV等.

航海雷達(dá)在無人艇可用于測定船位、規(guī)劃避碰、目標(biāo)探測等.Shi等使用雷達(dá)信息補(bǔ)償人的視覺在海洋搜索和救援中的不足［6］，Almeida等利用航海雷達(dá)融合其他傳感器探測障礙物并避碰［7］，Elena等將航海雷達(dá)用于無人艇的近岸巡邏［8］.以上應(yīng)用都是建立在目標(biāo)檢測、跟蹤和識別等問題的基礎(chǔ)上.實(shí)際上航海雷達(dá)圖像由于受到海洋環(huán)境和天氣變化的影響，圖像序列中有的目標(biāo)時隱時現(xiàn)并伴隨一些虛假目標(biāo);雷達(dá)圖像幀間間隔較長，造成一些運(yùn)動參數(shù)(如加速度)連續(xù)性不好.這些問題都影響了航海雷達(dá)在無人艇上的應(yīng)用.

首先討論了嵌入式雷達(dá)圖像采集處理系統(tǒng)的體系結(jié)構(gòu).在檢測出目標(biāo)并計(jì)算對應(yīng)位置信息的基礎(chǔ)上，基于航海雷達(dá)圖像中目標(biāo)的特點(diǎn)提取目標(biāo)的位置、面積、不變矩特征，在圖像序列中進(jìn)行目標(biāo)特征匹配，建立目標(biāo)鏈.利用卡爾曼濾波實(shí)現(xiàn)目標(biāo)位置的預(yù)測，以彌補(bǔ)目標(biāo)在雷達(dá)圖像序列中可能會偶然丟失的缺點(diǎn)，防止目標(biāo)鏈的斷裂.最后試驗(yàn)驗(yàn)證了系統(tǒng)的有效性.

1 嵌入式雷達(dá)圖像采集處理系統(tǒng)

研究平臺為單體滑行艇式無人艇.該USV系統(tǒng)是為了實(shí)現(xiàn)自主航行、智能規(guī)劃、作業(yè)任務(wù)而研制的無人試驗(yàn)平臺.同時也可以應(yīng)用到多種無人平臺(即無人艇、水下機(jī)器人、無人機(jī)等)的編隊(duì)航行和協(xié)同作業(yè)等多智能體聯(lián)合控制研究中.

航海雷達(dá)和嵌入式雷達(dá)圖像采集處理系統(tǒng)作為本試驗(yàn)平臺的重要組成部分，是實(shí)現(xiàn)平臺環(huán)境感知、安全航行、目標(biāo)探測的關(guān)鍵所在.無人艇圖像采集處理系統(tǒng)由航海雷達(dá)及嵌入式計(jì)算機(jī)系統(tǒng)(硬件角度)和嵌入式圖像處理系統(tǒng)(軟件角度)組成，下面分別就這2個方面進(jìn)行闡述.

1.1 硬件體系結(jié)構(gòu)

本無人艇平臺使用的航海雷達(dá)為Raymarine公司生產(chǎn)的E80數(shù)字雷達(dá)，具有抗干擾能力強(qiáng)、圖像質(zhì)量高等優(yōu)點(diǎn)，可以同步輸出VGA雷達(dá)圖像視頻.

硬件體系結(jié)構(gòu)如圖1所示.

嵌入式計(jì)算系統(tǒng)由基于PC/104總線的多板嵌入式系統(tǒng)組成，包括基于Intel Pentium M處理器的PC模塊，基于PC/104總線的視頻采集卡以及一個提供5 V電壓的電源模塊.

嵌入式PC/104模塊中采用Wind River公司的實(shí)時多任務(wù)操作系統(tǒng)VxWorks.它以其良好的可靠性和卓越的實(shí)時性被廣泛地應(yīng)用在通信、軍事、航空、航天等對實(shí)時性要求極高的領(lǐng)域中.

運(yùn)動控制系統(tǒng)采集到電子羅經(jīng)的艏向角數(shù)據(jù)、GPS系統(tǒng)的位置和航速數(shù)據(jù)，處理后通過網(wǎng)絡(luò)交換機(jī)傳送給圖像采集處理系統(tǒng).圖像采集處理系統(tǒng)計(jì)算雷達(dá)探測目標(biāo)的位置信息和速度參數(shù)，提供給路徑規(guī)劃系統(tǒng).路徑規(guī)劃系統(tǒng)對目標(biāo)進(jìn)行評估，規(guī)劃航線后向運(yùn)動控制系統(tǒng)發(fā)送基礎(chǔ)控制指令.

1.2 軟件體系機(jī)構(gòu)

嵌入式圖像處理系統(tǒng)主要由圖像處理模塊、目標(biāo)特征提取和匹配模塊、卡爾曼濾波目標(biāo)位置預(yù)測模塊組成.

圖1 無人艇雷達(dá)圖像采集處理系統(tǒng)硬件體系結(jié)構(gòu)Fig.1 The hardware architecture of USV radar image acquisition and processing system

軟件體系結(jié)構(gòu)如圖2所示.

圖2 無人艇雷達(dá)圖像采集處理系統(tǒng)軟件體系結(jié)構(gòu)Fig.2 The software architecture of USV radar image acquisition and processing system

圖像處理模塊通過圖像的平滑、分割、標(biāo)記實(shí)現(xiàn)雷達(dá)圖像中目標(biāo)的檢測，并計(jì)算出目標(biāo)的位置信息.目標(biāo)特征提取和匹配模塊完成目標(biāo)位置、面積、不變矩特征的特征值提取，在雷達(dá)圖像序列中通過特征匹配找到不同幀中的同一目標(biāo)，實(shí)現(xiàn)目標(biāo)的跟蹤，建立目標(biāo)鏈.卡爾曼濾波目標(biāo)位置預(yù)測模塊實(shí)現(xiàn)目標(biāo)位置信息的預(yù)測，用預(yù)測的位置值來彌補(bǔ)目標(biāo)丟失而缺少的位置信息，建立完整的目標(biāo)鏈.

2 雷達(dá)圖像目標(biāo)檢測

結(jié)合航海雷達(dá)圖像的特點(diǎn)，重點(diǎn)研究了適合航海雷達(dá)圖像特征的圖像處理、目標(biāo)檢測和目標(biāo)特征提取算法.

2.1 雷達(dá)圖像的處理

在進(jìn)行雷達(dá)目標(biāo)檢測、目標(biāo)跟蹤等處理之前，首先對雷達(dá)圖像進(jìn)行圖像處理，其中包括雷達(dá)圖像的平滑和雷達(dá)圖像分割.

采用一種圖像邊緣保持的去噪平滑算法，這種去噪平滑算法綜合了中值濾波和加權(quán)平均法的優(yōu)點(diǎn)，可以彌補(bǔ)傳統(tǒng)去噪平滑算法的不足［9］.針對航海雷達(dá)圖像幀與幀之間圖像亮度會發(fā)生變化的特點(diǎn)，使用 Ridler自適應(yīng)閾值法作為圖像分割算法［10］.雷達(dá)圖像處理效果如圖3、圖4所示.

圖3 處理前雷達(dá)圖像Fig.3 Radar image before processing

圖4 處理后雷達(dá)圖像Fig.4 Radar image after processing

2.2 雷達(dá)圖像目標(biāo)提取

由于雷達(dá)圖像處理的實(shí)時性較高，因此要求對雷達(dá)圖像的處理和目標(biāo)信息的提取有較高的執(zhí)行速度，算法要能夠在較短的時間內(nèi)完成對目標(biāo)的標(biāo)識，從而提取出目標(biāo)信息.而目前常用的幾種標(biāo)記算法都有本身的缺陷.綜合線標(biāo)記法和區(qū)域增長法的優(yōu)點(diǎn)采用一種執(zhí)行效率較高的標(biāo)記算法［11］.

本算法以同一行中所有連通的像素作為種子段，只需判斷種子段的上下2行是否存在與種子段連通的目標(biāo)段，避免了區(qū)域增長法中對每個種子點(diǎn)做8鄰域判斷所需的大量運(yùn)算，同時本算法不會產(chǎn)生同一連通區(qū)標(biāo)記沖突的情況，也避免了對沖突標(biāo)記重新標(biāo)記的費(fèi)時的計(jì)算，因此這種算法較目前常用的線標(biāo)記法和區(qū)域增長法執(zhí)行效率有了較大提高.用本標(biāo)記算法對圖3雷達(dá)圖像進(jìn)行標(biāo)記并由近及遠(yuǎn)對目標(biāo)排序，效果如圖5所示:

圖5 標(biāo)記后雷達(dá)圖像Fig.5 Radar image after mark

以USV在雷達(dá)圖像中的位置為坐標(biāo)原點(diǎn)，艏向?yàn)閅軸正向，右舷為X軸正向建立直角坐標(biāo)系，計(jì)算圖像中每個目標(biāo)的坐標(biāo)和相對位置.目標(biāo)的位置和距離是指目標(biāo)在雷達(dá)圖像中形狀的質(zhì)心相對于USV的位置和距離.

假設(shè)某個目標(biāo)由n個像素組成，其中每個像素相對于USV在X軸上的像素距離為pxi，在Y軸上的像素距離為pyi(i=1，2，……，n)，則此得到目標(biāo)相對于USV的位置為

X軸方向:

Y軸方向:

目標(biāo)相對USV的像素距離為

通過像素距離與實(shí)際距離的關(guān)系，當(dāng)前圖像量程為0.5 n mile，USV位置到距離圈為170個像素，即每個像素的實(shí)際距離為0.003 n mile.限于篇幅，給出圖3中距離USV最近的5個目標(biāo)位置信息，如表1所示.

表1 雷達(dá)圖像中目標(biāo)的位置信息Table 1 The location of target in radar image n mile

2.3 雷達(dá)圖像目標(biāo)特征提取

在雷達(dá)系統(tǒng)中，不僅要能夠檢測出目標(biāo)的位置信息，還要能提供出目標(biāo)的運(yùn)動參數(shù)信息(如航速、航向等).對于雷達(dá)圖像，一般都含有數(shù)個甚至數(shù)十個、上百個目標(biāo)，因此，如何在連續(xù)的雷達(dá)圖像序列中對應(yīng)出同一個目標(biāo)是解決目標(biāo)跟蹤的重要問題.選擇目標(biāo)的位置、面積以及不變矩特征相結(jié)合的方式來匹配雷達(dá)圖像序列中的同一目標(biāo).

在雷達(dá)圖像序列中，由于每幀圖像之間的時間間隔較短，如文中采用的雷達(dá)，約2.5 s掃描出一整幅圖像，因此2幀圖像之間的目標(biāo)位置變化不會很大.在雷達(dá)圖像中目標(biāo)形狀特征總會發(fā)生變化的情況下，用位置特征來匹配目標(biāo)可以得到較理想的效果.

目標(biāo)的面積特征是指每個目標(biāo)所占的像素點(diǎn)個數(shù).在雷達(dá)圖像中，盡管目標(biāo)的形狀從一幀圖像到下一幀圖像會有所變化，目標(biāo)的面積也會產(chǎn)生變化，但這樣的變化是在一定范圍之內(nèi)，不會產(chǎn)生劇烈的變化，因此可將目標(biāo)的面積特征作為匹配對象之一.

不變矩算法是一種通過提取具有平移、旋轉(zhuǎn)和比例因子不變性的數(shù)學(xué)特征來解決幾何失真問題的方法.Ming-Kuei Hu于1962年在中給出了連續(xù)函數(shù)矩的定義和關(guān)于矩的基本性質(zhì)，證明了有關(guān)矩的平移不變性，旋轉(zhuǎn)不變性以及比例不變性等性質(zhì)，具體給出了具有平移、旋轉(zhuǎn)和比例不變性的7個不變矩的定義［12］.

Hu利用二階和三階中心矩構(gòu)造了7個不變矩，具體定義［12］如下:

不變矩特征提取在不變矩的實(shí)際計(jì)算過程中，不同圖像的不變矩?cái)?shù)值分布范圍非常大.為調(diào)整其取值范圍，對7個不變矩取對數(shù)修正為 xi=|g|φi|，i=1，2，…，7.

3 基于卡爾曼濾波的目標(biāo)跟蹤

基于航海雷達(dá)圖像的特征，在雷達(dá)圖像序列中，有的目標(biāo)會時隱時現(xiàn)，因此單純用目標(biāo)匹配的方法建立的目標(biāo)鏈可能會因?yàn)樵谀骋粠走_(dá)圖像中目標(biāo)的丟失而使目標(biāo)鏈斷裂，造成對目標(biāo)運(yùn)動參數(shù)計(jì)算的錯誤.因此，利用卡爾曼濾波的預(yù)測功能，預(yù)測出目標(biāo)未來的位置信息，用以彌補(bǔ)在某一幀中目標(biāo)丟失而引起的目標(biāo)鏈斷裂的缺點(diǎn)，對目標(biāo)跟蹤具有很好的效果.另外，由于雷達(dá)圖像中的目標(biāo)形狀會時常發(fā)生變化，所提取出的特征未必會較好的完成雷達(dá)目標(biāo)的匹配工作，因此，根據(jù)卡爾曼濾波預(yù)測出下一幀的目標(biāo)的位置來尋找目標(biāo)在下一幀中的同一目標(biāo)可以對目標(biāo)匹配做很好的補(bǔ)充.

3.1 算法描述

卡爾曼濾波的離散時間系統(tǒng)的動態(tài)方程(狀態(tài)方程)可表示為［13-14］

式中:F(k)為狀態(tài)轉(zhuǎn)移矩陣;X(k)為系統(tǒng)狀態(tài)矢量;n(k)為系統(tǒng)動態(tài)噪聲矢量，其協(xié)方差為Qk，n(k)可以被ΓkWk所代替，Γk為動態(tài)噪聲矩陣，Wk為動態(tài)噪聲.

卡爾曼濾波的離散時間系統(tǒng)的量測方程為

式中:z(k)為系統(tǒng)觀測矢量，H(k)為觀測系數(shù)矩陣，η(k)為系統(tǒng)觀測噪聲矢量.n(k)和η(k)都為均值為零的白噪聲系列，且互不相關(guān)，均服從高斯分布.

卡爾曼濾波由以下公式組成:

1)狀態(tài)向量預(yù)報方程為

2)狀態(tài)向量協(xié)方差矩陣預(yù)報方程為

3)量測的預(yù)測協(xié)方差(或新息協(xié)方差)為

4)卡爾曼加權(quán)矩陣(或增益矩陣)為

5)狀態(tài)向量更新方程為

其中:ν(k+1)新息或量測殘差，即

6)狀態(tài)向量協(xié)方差更新方程為

3.2 數(shù)學(xué)模型的建立

卡爾曼濾波器是一個對動態(tài)系統(tǒng)的狀態(tài)序列進(jìn)行線性最小誤差估計(jì)的算法，一般用于線性系統(tǒng).盡管雷達(dá)圖像中的目標(biāo)物體運(yùn)動有時屬于非線性系統(tǒng)，但由于圖像采集時間間隔較短，可近似將單位時間內(nèi)目標(biāo)在圖像中的運(yùn)動看作勻速運(yùn)動，采用卡爾曼濾波器可以實(shí)現(xiàn)目標(biāo)運(yùn)動參數(shù)的估.

用目標(biāo)某一時刻在圖像中的位置和速度來表示目標(biāo)的運(yùn)動狀態(tài).為了簡化算法的計(jì)算復(fù)雜度，設(shè)計(jì)了2個卡爾曼濾波器分別描述目標(biāo)在X軸和Y軸方向上位置和速度的變化.下面僅討論X軸方向上卡爾曼濾波器的實(shí)現(xiàn)過程，Y軸方向上同理.在這里采用二階運(yùn)動模型，即勻速運(yùn)動模型.

3.2.1 系統(tǒng)狀態(tài)方程的建立

目標(biāo)物體運(yùn)動方程為

式中:xk、vk、αk分別為目標(biāo)在t=k時刻X軸方向上的位置、速度和加速度，T為k幀圖像和k+1幀圖像之間的時間間隔.實(shí)際計(jì)算中，αkT可以當(dāng)作白噪聲處理.將式(14)寫為矩陣形式為

通過對比式(15)與卡爾曼狀態(tài)方程式(5)，可知卡爾曼濾波器系統(tǒng)狀態(tài)矢量為

狀態(tài)轉(zhuǎn)移矩陣為

系統(tǒng)動態(tài)噪聲矢量為

3.2.2 系統(tǒng)觀測方程的建立

由已經(jīng)獲取目標(biāo)的位置信息，即

通過對比式(19)與卡爾曼觀測方程式(6)，可得卡爾曼濾波器系統(tǒng)觀測矢量為

觀測系數(shù)矩陣為

建立了上述系統(tǒng)狀態(tài)方程和觀測方程之后，就可以利用卡爾曼濾波方程式(7)～(13)，通過遞推方法，不斷預(yù)測目標(biāo)在下一幀中的位置.

3.3 初值的選取

根據(jù)二點(diǎn)法來選擇初值.

1)濾波初始狀態(tài)估值為

式中:x0'和x1'分別為0時刻和1時刻x坐標(biāo)的測量值，T為信號周期.

2)狀態(tài)估值初始協(xié)方差矩陣為

式中:δ2x為x方向的測量噪聲方差.

3)系統(tǒng)動態(tài)噪聲協(xié)方差矩陣Q0可取為

為抑制濾波器發(fā)散，采用的是限定增益法，即當(dāng)增益下降到某一定值時，讓它不再下降，保持現(xiàn)有的增益不變，以加強(qiáng)當(dāng)前輸入值的引導(dǎo)作用.

4 試驗(yàn)結(jié)果與分析

2010年5-7 月，某型USV在山東省蓬萊海區(qū)進(jìn)行了雷達(dá)圖像采集、操縱性和遙控運(yùn)動控制試驗(yàn).應(yīng)用嵌入式雷達(dá)圖像采集處理系統(tǒng)對真實(shí)海洋環(huán)境下的雷達(dá)圖像進(jìn)行了大量采集處理工作.下面對具體試驗(yàn)結(jié)果進(jìn)行分析.圖6為系泊狀態(tài)下的試驗(yàn)載體某型USV，桅桿頂部為Raymarine E80數(shù)字雷達(dá).

圖6 系泊狀態(tài)下的USVFig.6 The mooring state of USV

4.1 雷達(dá)圖像目標(biāo)檢測結(jié)果

選取一組50幀的雷達(dá)圖像序列，圖像中主要運(yùn)動目標(biāo)為一艘滾裝渡輪，該圖像序列記錄了渡輪進(jìn)港過程.

圖7中圖像分別為序列中第1幀、第10幀、第20幀、第30幀、第40幀和第50幀圖像，右上方亮斑即為進(jìn)港渡輪，其余亮斑為港內(nèi)泊船及碼頭建筑等障礙物.對進(jìn)港渡輪的目標(biāo)檢測結(jié)果如下.

圖7 雷達(dá)圖像序列Fig.7 Radar image sequence

圖8中位置變化以X方向?yàn)橹?，Y方向運(yùn)動速度較小.X方向位置變化都在0.02 n milde之內(nèi)(7個像素之內(nèi)).在當(dāng)前量程下(0.5 n milde)，航速30 kn以下的運(yùn)動目標(biāo)在相鄰2幀雷達(dá)圖像中的位置變化應(yīng)該在7個像素之內(nèi).由此可見用位置特征來匹配目標(biāo)可以得到較理想的效果.

圖8 位置變化曲線Fig.8 The change of location

圖9中面積變化在前30幀約為60個像素.后期面積有所增大，主要原因?yàn)槎奢喸?0幀左右減速并轉(zhuǎn)向進(jìn)港，增大了雷達(dá)反射面積.由于外界環(huán)境干擾和雷達(dá)自身原因，目標(biāo)的形狀在相鄰兩幀圖像會有所變化，隨環(huán)境不同變化范圍也會有所增減，但一般不會發(fā)生劇烈改變，因此可以把面積特征作為位置特征的補(bǔ)償來進(jìn)行目標(biāo)匹配.

圖10中不變矩變化曲線反應(yīng)了目標(biāo)7個不變矩的變化趨勢，可以看出不變矩I1、I2變化較小，變化范圍在0.7以內(nèi)，可以較好的反映出目標(biāo)的特征信息.I3～I(xiàn)7變化范圍較大，但趨勢較平穩(wěn)，可以作為目標(biāo)特征信息的參考.

在雷達(dá)圖像目標(biāo)檢測試驗(yàn)中，采用的以位置特征匹配為主，面積特征和不變矩特征為參考的目標(biāo)檢測匹配技術(shù)可以較好的完成圖像序列的匹配，達(dá)到對目標(biāo)的跟蹤效果.

圖9 面積變化曲線Fig.9 The change of area

圖10 不變矩變化曲線Fig.10 The change of moment invariants

4.2 卡爾曼濾波預(yù)測

針對圖7中的圖像序列進(jìn)行卡爾曼濾波位置預(yù)測，結(jié)果如圖11、12所示.

圖11 目標(biāo)位置預(yù)測值與實(shí)際值比較Fig.11 Comparison of values of predicted and actual target location

從圖11的位置預(yù)測曲線和實(shí)際預(yù)測曲線比較可以看出卡爾曼濾波算法較好的預(yù)測了目標(biāo)的位置信息，預(yù)測曲線與實(shí)際曲線趨勢吻合，跟蹤效果明顯.圖12的誤差曲線反映預(yù)測誤差在濾波初始階段較大，第10幀圖像后，預(yù)測值接近穩(wěn)定，誤差在0.01 n mile以內(nèi)，在圖像上顯示為5個像素以內(nèi).

利用卡爾曼濾波完成對雷達(dá)圖像中目標(biāo)位置的預(yù)測，不僅可以彌補(bǔ)雷達(dá)圖像序列中丟失目標(biāo)的位置信息，防止造成目標(biāo)鏈斷裂，還可以根據(jù)預(yù)測的位置信息幫助尋找下一幀圖像中的同一目標(biāo)，以幫助解決由于雷達(dá)圖像中目標(biāo)形狀多變帶來的特征匹配不夠可靠的問題.

圖12 X、Y方向位置預(yù)測誤差Fig.12 The predicted error of X and Y location

5 結(jié)束語

在海上試驗(yàn)中，設(shè)計(jì)的USV嵌入式雷達(dá)圖像采集系統(tǒng)多次可靠的長時間運(yùn)行，驗(yàn)證了系統(tǒng)在體系結(jié)構(gòu)、圖像處理算法以及系統(tǒng)硬件和軟件方面的合理性.試驗(yàn)結(jié)果表明采用的圖像處理、目標(biāo)特征匹配和卡爾曼濾波目標(biāo)跟蹤算法可以在0.5 s內(nèi)有效的完成對運(yùn)動目標(biāo)的檢測和跟蹤，實(shí)時提供目標(biāo)的位置信息，滿足USV圖像采集處理系統(tǒng)的要求.

討論的USV為高速滑行艇，因此復(fù)雜海洋環(huán)境下的雷達(dá)圖像處理和目標(biāo)跟蹤方法有待進(jìn)一步研究.基于雷達(dá)圖像的特征，同一目標(biāo)在雷達(dá)圖像序列中的形狀會不斷變化.因此根據(jù)雷達(dá)圖像特征，可以繼續(xù)研究適合于雷達(dá)圖像的特征匹配方法，使目標(biāo)跟蹤取得更好的效果.

［1］徐玉如，蘇玉民，龐永杰.海洋空間智能無人運(yùn)載器技術(shù)發(fā)展展望［J］.中國艦船研究，2006，1(3):2-4.XU Yuru，SU Yumin，PANG Yongjie.Expectation of the development in the technology on ocean space intelligent unmanned vehicles［J］.Chinese Journal of Ship Research，2006，1(3):2-4.

［2］MANLEY J E.Autonomous surface vessels，15 years of development［C］//Proc Oceans 2008 MTS/IEEE Quebec Conference and Exhibition.Quebec，2008:1-4.

［3］VEERS J，BERTRAM V.Development of the ASV multimission surface vehicle III［C］//Proc of 5th Int Conf Computer and IT Application in the Maritime Industries.［s.l.］，2006:345-355.

［4］CACCIA M，BIBULI M，BONO R，et al.Basic navigation，guidance and control of an unmanned surface vehicle［J］.Autonomous Robots，2008，25:349-365.

［5］XU T，CHUDEY J，SUTTON R.Soft computing design of a multisensory data fusion system for unmanned surface vehicle navigation［C］//Proceedings of 7th IFAC Conference Maneuvering Control Craft.［s.l.］，2006:124-156.

［6］SHI C，XU K，PENG J，et al.Architecture of vision enhancement system for maritime search and rescue［C］//8th International Conference on ITS Telecommunications.Shanghai，2008:12-17.

［7］ALMEIDA C，F(xiàn)RANCO T.Radar based collision detection developments on USV ROAZ II［C］//OCEANS 2009-EUROPE.Bremen，2009:1-6，11-14.

［8］OLEYNIKOVA E，LEE N B，BARRY A J，et al.Perimeter patrol on autonomous surface vehicles using marine radar［C］//OCEANS 2010 IEEE-Sydney，Sydney.2010:1-5.

［9］劉興洪，汪林林.一種圖像邊緣保持的改進(jìn)方向平滑算法［J］.計(jì)算機(jī)科學(xué)，2006，33(10):2l-23.LIU Xinghong，WANG Linlin.An improved image＇s edge preserving orientation smoothing algorithm［J］.Computer Science，2006，33(10):21-23.

［10］KITTLER J，ILLINGWORTH J.On threshold selection using clustering criteria［J］.IEEE Trans Syst Man Cyber，1985，15:652-655.

［11］SUZUK K，HORIBA I，SUGIE N.Linear-time connectedcomponent labeling based on sequential local operations［J］.Computer Vision and Image Understanding，2000，(89):1-23.

［12］HU Mingkuei.Visual patten recognition by moment invariants［J］.IEEE Transactions on Information Theory，1962:179-187.

［13］楊春玲，劉國歲，倪晉麟.基于轉(zhuǎn)換坐標(biāo)卡爾曼濾波算法的雷達(dá)目標(biāo)跟蹤［J］.現(xiàn)代雷達(dá)，1998，5:36-38.YANG Chunling，LIU Guosui，NI Jinlin.Converted measurement Kalman filtering algorithm for radar target tracking［J］.Mondern Radar，1998，5:36-38.

［14］CHU Hongxia，WANG Kejun.Target tracking based on mean shift and improved Kalman filtering algorithm［C］//Proceedings of the IEEE International Conference on Automation and Logistics.Shenyang，2009:808-812.