羅明明 諸峰 王東升

摘要：介紹了船舶圖像自動識別相關概念、歷史背景，分析了傳統船舶識別系統的不足之處，在此基礎上闡述了基于計算機視覺的船舶圖像自動識別發(fā)展現狀，從靜態(tài)和復雜環(huán)境等不同維度，總結和歸納了各種船舶圖像自動識別方法的基本思想和主要工作，并對不同方法的優(yōu)缺點進行了分析和對比。對基于深度學習的船舶圖像識別、基于內容的船舶圖像識別與標注以及基于多分類器融合的SAR船舶圖像識別等船舶圖像識別方法進行了介紹，并對船舶自動識別的未來趨勢進行了展望。

關鍵詞：圖像識別；船舶識別；船舶分類；計算機視覺

DOI：10.11907/rjdk.173037

中圖分類號：TP301

文獻標識碼：A文章編號：1672-7800（2018）007-0005-04

Abstract：Thispaperintroducestherelatedconceptsandhistoricalbackgroundofautomaticidentificationofshipimagesandevaluatestheshortcomingsoftraditionalshipidentificationsystem.Byintroducingthedevelopmentoftheshipimageautomaticrecognitionbasedoncomputervision，thepapersummarizesthemainworkandthebasicideasofdifferentautomaticrecognitionalgorithmsindifferentdimensionsofstaticandcomplexenvironmentbyanalysisandcomparison.Moreover，thepaperdiscussesthecurrentpopularmethods，includingshipimagesrecognitionbasedondeeplearningalgorithm，shipimagerecognitionandannotationbasedoncontentandshiprecognitioninSARimagesbasedonmultipleclassifiercombination.Also，futureresearchprospectsarediscussed.

KeyWords：imagerecognition；shiprecognition；shipclassification；computervision

0引言

隨著海上貿易的增加，各類船舶事故時有發(fā)生，提升船舶運輸安全水平成為研究熱點。船舶識別技術一定程度上解決了船舶間、船岸間信息交流不準確問題，極大降低了各類船舶碰撞事故發(fā)生率，提升了船舶監(jiān)管效率。船舶識別技術經歷了由傳統到現代、由人工識別信息到機器識別信息的轉變。

傳統的船舶識別以船舶定位識別為主，如雷達識別系統和自動雷達標繪儀（ARPA），通過識別船舶所處方位與船舶間的距離降低船舶間碰撞風險。但單一的雷達識別系統存在一些弊端，如無法識別輪船的類型，在一定環(huán)境下存在識別盲區(qū)，無法滿足船舶監(jiān)管對高精確度與信息多元化的要求。船舶自動識別系統（AIS）逐漸在船舶領域起主導作用，各類船只開始安裝精確度更高、靈活性更好的AIS設備。2011年，中國海事局對200t以上的沿海船舶提出了必須安裝AIS設備的要求。內河流域以及相應海岸監(jiān)管部門配備了視頻監(jiān)控技術（CCTV），通過人工監(jiān)控的方式加大了船舶識別監(jiān)管力度。但是，無論是AIS系統還是CCTV系統，都是通過視覺獲取信息，而人腦處理信息的方式往往會因為決策人自身的疏忽甚至違反相關船舶運輸規(guī)則而造成船舶事故發(fā)生。

為解決AIS存在的缺陷，基于計算機視覺技術的船舶圖像識別成為研究重點。配備在船舶上的圖像自動識別系統，直接獲取船舶間的距離與會遇船只的信息并采取相應的避碰措施，而岸邊配備的監(jiān)管系統也可自動識別出流域船只信息并對其發(fā)出相應通告。本文對相關文獻進行收集整理，在分析與歸納的基礎上，對基于計算機視覺的船舶圖像自動識別方法進行論述，以推動船舶自動識別系統進一步發(fā)展。

1靜態(tài)船舶圖像處理與識別

1.1基于特征知識庫的船舶圖像識別

如圖1所示，船舶圖像識別過程主要包括船舶圖像特征分割與抽取、特征知識庫構建。其中，特征提取在圖像識別中起著關鍵性作用，特征應該滿足魯棒性、可拓展性、可區(qū)分性和不變性要求。在特征提取階段，優(yōu)化算法性能可提高圖像識別準確度。為達到識別輪船目的，汪成亮等[1]基于專家知識庫的特征抽取算法，提出了FE（featureextract）算法，從不同靜態(tài)船舶圖像中提取4個符合基本條件的特征值，將其收集起來構建船舶類型知識庫。知識庫主要考慮輪船的大小、長寬比、上下比和復雜度等度量特點，在專家知識的幫助下，構造出基于規(guī)則的知識庫。綜合利用知識庫里的數據特征對圖像提取的邊緣進行判別，實現對船舶目標的進一步識別。將船舶圖像識別技術應用于長江水域重慶段，實驗結果表明，該方法優(yōu)于傳統的對比單特征法和Adaboost方法。因為特征提取算法結構簡單，特征提取數目較少，只能保證識別目標為知識庫中已有的船舶記錄，無法泛化到船舶種類識別，所以基于特征知識庫的船舶圖像識別方法有待改進。

1.2基于神經網絡的船舶圖像識別

為了將圖像識別技術集成到傳統的船舶導航系統中，2007年金雪丹等[2]引入神經網絡算法進行船舶特征的分類處理。神經網絡算法模擬人腦思維的算法，由眾多神經元可調的連接權值連接而成，擁有大規(guī)模運算能力。經過圖像處理提取出來的特征用作多層神經網絡輸入，該神經網絡使用BP算法（反向傳播算法）進行，將船只分為大型船、中型船、小型船3類。通過實驗，發(fā)現引入BP算法后的船舶識別率有了顯著提高，并且能對船舶種類進行類型區(qū)分。魏娜[3]設計了BP神經網絡的三層結構用于對船舶類型的識別實驗，將BP神經網絡所得出的結果與模板匹配結果對比，結果表明利用BP神經網絡算法的識別率遠高于普通的特征提取識別方法。

引入神經網絡算法進行船舶識別，雖然提升了船舶識別的精度，但實驗樣本多數是靜態(tài)數據。圖像數據在現實作業(yè)環(huán)境中會受到海上環(huán)境、天氣、光線變化的干擾，對一定范圍內的船只聚集情況、異物遮擋情況作出錯誤判斷，實驗算法能否應用于動態(tài)數據成為該技術能否推廣的重要因素。CCTV系統采集的是動態(tài)視頻，將不同角度拍攝的動態(tài)視頻轉換為一幀一幀的靜態(tài)圖像進行處理與跟蹤，算法需要一定的魯棒性和適應性。

2復雜環(huán)境下的船舶圖像處理與識別

復雜環(huán)境下采集的船舶圖像往往在特征提取方面與理想情況存在許多誤差，如夜晚光線昏暗情況下船舶圖像采集困難，白天海面光線強烈和雨霧天氣對船舶圖像的干擾等。實際作業(yè)過程中，圖像數據采集以視頻攝錄為手段，這些數據往往包含不同類型的動態(tài)數據。曾科偉等[4]提出在內河河道內的不同監(jiān)測點都安裝CCTV系統，通過夜視、紅外熱成像技術，采集不同明暗光線下的河道船舶數據進行監(jiān)控，實現對控制河段船舶運行狀態(tài)的掌握。因此，采集的數據不僅是紅外圖像，也有夾雜著雨霧等干擾的圖像，這需要在原有算法基礎上進行多狀態(tài)適應性改進。

2.1融合背景差分法與最大類間方差法（OTSU）的識別

針對不同天氣下行駛的船舶目標進行特征提取，李祎承[5]等研究了一種融合背景差分法和最大類間方差法的船舶目標提取方法，構建了一種新的船舶目標提取方法，見圖2。背景差分法是利用圖像序列中的當前幀與背景參考模型進行比較檢測物體運動狀態(tài)的方法。最大類間方差法是一種自適應的閾值確定方法。實驗先將視頻轉化為多幀圖像并進行預處理，然后用當前幀與背景幀作差分運算，最后用形態(tài)學與中值濾波處理確定船舶所在區(qū)域。實驗結果表明，所得船舶目標輪廓較為清晰，能夠適應不同天氣的干擾。在此基礎上，作者提出了基于圓環(huán)劃分的特征值算法，用以解決不同角度船舶特征可能存在差異的問題。通過該算法，計算目標的特征值具有旋轉、平移及縮放的不變性，能適應不同角度下攝像機的拍攝要求。

2.2基于動靜態(tài)閾值的船舶圖像識別

為解決基于視覺的船舶檢測技術易受背景光線變化、遮擋陰影區(qū)域及小范圍船舶聚集等因素干擾問題，以及在背景更換的閾值判斷上存在的不足，睢丹[6]等提出一種改進的船舶圖像智能檢測方法，通過設置預處理后的二值圖像異常比例，對船舶狀態(tài)進行分析。首先歸一化采集圖像的前景面積，并引入動態(tài)閾值與靜態(tài)閾值關聯，用以判斷是否需要更換背景條件。實驗結果表明該方法在查準率和查全率等方面均比傳統方法有很大提高，進一步優(yōu)化了復雜環(huán)境下特征提取的準確性。

2.3基于多尺度分形特征的紅外圖像識別

劉俊[7]以紅外圖像為實驗樣本，通過研究紅外輻射定律與特性，總結出船舶熱特性與船型和方位的關系，并以此設置多項實驗，對比出不同運動狀態(tài)、背景以及距離下的船舶紅外特征，提取紅外圖像下的船舶特征進行船舶識別實驗。引入基于多尺度分形特征（MFFK）的船舶目標檢測方法，實驗結果證明了紅外圖像下的船舶檢測可行性，見圖3。但紅外圖像與正常環(huán)境下的原圖像有明顯差異，導致提取的特征值存在差異，因此針對同樣類別的船型需要建立兩份數據集進行船舶識別，造成資源采集開銷。紅外圖像與可見光圖像存在質量上的差異，能否證明用紅外圖像得出的實驗結果優(yōu)于可見光圖像的實驗結果還需進一步研究。

3船舶圖像識別方法最新進展

傳統的船舶圖像識別算法雖然可對船舶類型進行簡單分類，得出較為精確的結果，但這些結果是在比較小的仿真實驗數據集上得到的，結果的泛化性和魯棒性還需要在更大的數據上進行驗證。隨著深度學習等人工智能算法的飛速發(fā)展，越來越多的人工智能算法應用于工業(yè)產品。鄧柳[8]等針對高速公路環(huán)境下的車型識別問題，引入卷積神經網絡（CNNs）理論，對大量的車輛車型進行特征提取，并利用SVM分類器構建識別系統，實現了識別速度和識別率上質的飛躍。如果將船舶航線比作高速公路，船舶比作汽車，將更為強大的人工智能算法應用于船舶類型識別成為研究新方向。

3.1基于深度學習的船舶圖像識別

趙亮等[9]提出一種基于卷積神經網絡的船舶圖像識別算法，使用7層卷積神經網絡結構，實現特征的自動提取。同時結合HOG算法和HSV算法分別得到邊緣特征和顏色特征，在SVM系統上進行分類識別，實驗結果顯示平均識別率超過90%。雖然傳統識別方法在識別率上也可達到90%的程度，但傳統識別方法實驗與測試的數據集數量與現實情況有較大出入，而作者的實驗采取500張訓練樣本，310張測試樣本，在較為大量的數據集中可達到高于90%的識別率，足以說明卷積神經網絡在特征提取方面的魯棒性和適應性優(yōu)于傳統的識別算法。

3.2基于內容的船舶圖像標注與識別

熊勇等[10]基于內容的圖像信息標注技術，創(chuàng)新性地引入了標簽船舶算法（LPA，一種用于處理數據分類的機器學習方法），將圖像、標簽與機器學習算法結合起來，建立了GA-LPA算法用于船舶圖像識別。通過標簽數據的研究方式，對船舶進行識別與分類。雖然該算法可明顯提高識別率，但實驗樣本需要相當大的數量。數據集越大，特征提取越準確，識別率越高。這不僅要求數據能采集到一定程度，還要求圖像處理硬件設備能夠負載相當大的運算量。

3.3基于多分類器融合的SAR船舶圖像識別

除了機器學習等算法概念被引入船舶圖像識別領域，一些更為先進的圖像數據，如圖4所示的合成孔徑雷達系統（SAR）也引入到船舶圖像識別領域。陳文婷等[11]通過對SAR拍攝的圖像進行船舶圖像識別，提取船舶高空俯視圖的特征值，并將KNN分類器、貝葉斯分類器和神經網絡分類器所得出的結果融合船舶特征作為支持向量機（SVM）的輸入，得出更為精確的分類結果，實驗結果表明該方法對于SAR圖像的特征提取與識別效果較好。計算機從衛(wèi)星視角識別船只類型，加大了船舶自動識別系統由技術向實用的轉變。

4不同船舶識別方法對比

將以上多種船舶識別方法分別從環(huán)境適應性、實驗樣本數據量和結果準確度3個角度進行比較，不難看出船舶自動識別領域的研究方向在往大數據量和高精確度目標發(fā)展，見表1。在適應性方面表1只是進行了粗略的判斷，對于當前熱門的機器學習算法能否應用于紅外船舶圖像識別并且獲得較好的實驗結果還有待進一步深入研究。

5結語

船舶圖像自動識別一直是研究熱點。隨著無人汽車的研發(fā)，無人船舶駕駛和無人艇概念也相繼推出。船舶圖像自動識別系統為船舶無人駕駛提供了有力的理論基礎和技術保證。將船舶自動識別系統與船舶軟硬件結合可研發(fā)出智能化的船舶產品，但船舶自動識別系統與人工智能相結合仍有很多路要走，需要投入更多的精力研究識別算法，使算法更加穩(wěn)固，才能滿足無人船舶駕駛要求。

參考文獻：

[1]汪成亮，汪連偉.基于特征的江面輪船識別算法[J].計算機應用研究，2011，28（6）：2352-2357.

[2]金雪丹，施朝健.圖像處理與神經網絡識別技術在船舶分類中的應用[J].上海海事大學學報，2007（1）：11-16.

[3]魏娜.模板匹配和BP神經網絡在船舶識別中的應用[J].艦船科學技術，2016，38（20）：133-135.

[4]曾科偉，劉作飛，蔣明貴，等.長江上游控制河段船舶識別及通行指揮技術探討[J].水道港口，2014，35（5）：563-566.

[5]李祎承，胡釗政，初秀民.基于圖像處理的內河船舶目標提取與特征值計算[J].交通信息與安全，2015，33（3）：1-8.

[6]睢丹，陳衛(wèi)軍.船舶視覺圖像優(yōu)化檢測方法研究[J].艦船科學技術，2015，37（8）：157-160.

[7]劉俊.基于紅外圖像的內河運動船舶目標檢測和跟蹤技術研究[D].重慶：重慶大學，2008.

[8]鄧柳，汪子杰.基于深度卷積神經網絡的車型識別研究[J].計算機應用研究，2016，33（3）：930-932.

[9]趙亮，王曉峰，袁逸濤.基于深度卷積神經網絡的船舶識別方法研究[J].艦船科學技術，2016，38（15）：119-123.

[10]熊勇，張俊麗，黃立文.基于GA-LPA算法的船舶圖像識別方法研究[J].廣西大學學報：自然科學版，2016，41（2）：554-561.

[11]陳文婷，劉南通，計科峰，等.基于多分類器融合的SAR圖像船舶識別[J].遙感信息，2014，29（5）：90-95.

[12]ROBERTK.ClassificationofSARshipimageswiththeaidofasyntacticpatternrecognitionalgorithm[D].Canada：DefenceResearchEstablishmentOttawa，2016.

[13]劉暢.船舶自動識別系統（AIS）關鍵技術研究[D].大連：大連海事大學，2013.

[14]陳練，蘇強，董亮，等.國內外海洋調查船發(fā)展對比分析[J].艦船科學技術，2014，36（S1）：2-7.

[15]梁錦雄，王刻奇.基于BP神經網絡的船艦目標識別分類[J].艦船科學技術，2015，37（3）：206-209.

[16]張永梅，周易，姜明.一種基于多元特征的海上目標分割方法[J].計算機應用與軟件，2013，30（7）：90-97.

[17]羅素云.AIS與雷達目標位置數據融合方法的研究[D].武漢：武漢理工大學，2003.

（責任編輯：杜能鋼）