CN106991687A - 船舶监控方法和装置 - Google Patents
船舶监控方法和装置 Download PDFInfo
- Publication number
- CN106991687A CN106991687A CN201610038975.2A CN201610038975A CN106991687A CN 106991687 A CN106991687 A CN 106991687A CN 201610038975 A CN201610038975 A CN 201610038975A CN 106991687 A CN106991687 A CN 106991687A
- Authority
- CN
- China
- Prior art keywords
- ship
- target
- ship target
- video image
- headway
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种船舶监控方法和装置,所述方法包括以下步骤:识别出视频图像中的船舶目标;获取所述船舶目标的航行速度;根据所述航行速度对所述船舶目标的后续位置进行预测和匹配来跟踪所述船舶目标,根据跟踪结果筛选出有效的船舶目标。本发明所提供的一种船舶监控方法,通过对船舶目标的后续位置进行预测和匹配的方式来跟踪船舶目标,根据跟踪结果筛选出有效的船舶目标,排除虚假无效的船舶目标,使得识别更加准确,提高了船舶的识别率和识别效果,提高了监控的稳定性和可靠性。
Description
技术领域
本发明涉及监控技术领域,尤其是涉及一种船舶监控方法和装置。
背景技术
对航道的船舶数量,船舶行驶方向,船舶类型进行检测和识别是航运管理的重要目标之一。以往普遍借助于遥感卫星进行船舶监控,目前越来越多的通过视频分析技术采用视频监控的方式对船舶进行检测和识别,并对行为进行实时分析和报警。随着监控系统不断发展,视频监控系统已从人工控制向智能控制迅速升级,无人值守的船舶动态视频监控系统也随之诞生,且在现有的航道视频监控系统中已进行了推广应用。
但现有的船舶监控系统,对船舶的识别率较低,容易将干扰物错误识别为目标,降低了识别的准确度,影响了监控的稳定性和可靠性。
发明内容
本发明的主要目的在于提供一种船舶监控方法和装置,旨在解决现有技术中容易将干扰物错误识别为目标的技术问题,提高识别率和识别效果。
为达以上目的,本发明提出一种船舶监控方法,包括以下步骤:
识别出视频图像中的船舶目标;
获取所述船舶目标的航行速度;
根据所述航行速度对所述船舶目标的后续位置进行预测和匹配来跟踪所述船舶目标,根据跟踪结果筛选出有效的船舶目标。
优选地,根据所述航行速度对所述船舶目标的后续位置进行预测和匹配来跟踪所述船舶目标,根据跟踪结果筛选出有效的船舶目标,包括:
根据所述航行速度预测所述船舶目标在下一帧视频图像中的位置;
检测所述船舶目标在下一帧视频图像中的实际位置,判断所述实际位置与预测位置是否匹配,当二者匹配时则认定跟踪成功;
当所述船舶目标在连续多帧视频图像中被跟踪成功的次数超过阈值时,则判定所述船舶目标为有效的船舶目标;否则,判定所述船舶目标为无效的船舶目标并予以滤除。
优选地,所述识别出视频图像中的船舶目标包括:根据基于Adaboost算法和Haar特征训练获得的不同船舶类型的分类器,在所述视频图像中检测出船舶目标。
优选地,所述在所述视频图像中检测出船舶目标的步骤之后还包括:
基于所述船舶目标在空间上的灰度连续性去除水面干扰部分,获得所述船舶目标的精确位置。
优选地,所述获取所述船舶目标的航行速度包括:计算所述船舶目标的瞬时速度,在所述瞬时速度的基础上利用更新率算法计算出评估速度,将所述评估速度作为所述船舶目标的航行速度。
本发明同时提出一种船舶监控装置,包括:
目标识别模块,用于识别出视频图像中的船舶目标;
目标跟踪模块,用于获取所述船舶目标的航行速度,根据所述航行速度对所述船舶目标的后续位置进行预测和匹配来跟踪所述船舶目标,根据跟踪结果筛选出有效的船舶目标。
优选地,所述目标跟踪模块包括:
跟踪单元,用于根据所述航行速度预测所述船舶目标在下一帧视频图像中的位置;检测所述船舶目标在下一帧视频图像中的实际位置,判断所述实际位置与预测位置是否匹配,当二者匹配时则认定跟踪成功;
筛选单元,用于当所述船舶目标在连续多帧视频图像中被跟踪成功的次数超过阈值时,则判定所述船舶目标为有效的船舶目标;否则,判定所述船舶目标为无效的船舶目标并予以滤除。
优选地,所述目标识别模块包括检测单元,所述检测单元用于:根据基于Adaboost算法和Haar特征训练获得的不同船舶类型的分类器,在所述视频图像中检测出船舶目标。
优选地,所述目标识别模块还包括精定位单元,所述精定位单元用于:基于所述船舶目标在空间上的灰度连续性去除水面干扰部分,获得所述船舶目标的精确位置。
优选地,所述目标跟踪模块包括获取单元,所述获取单元用于:计算所述船舶目标的瞬时速度,在所述瞬时速度的基础上利用更新率算法计算出评估速度,将所述评估速度作为所述船舶目标的航行速度。
本发明所提供的一种船舶监控方法,通过对船舶目标的后续位置进行预测和匹配的方式来跟踪船舶目标,根据跟踪结果筛选出有效的船舶目标,排除虚假无效的船舶目标,使得识别更加准确,提高了船舶的识别率和识别效果,提高了监控的稳定性和可靠性。
同时,还利用Adaboost算法采用Haar特征对船舶目标进行识别,进一步提高了船舶的识别率,对有雾天气、光线干扰等恶劣气候条件具有很好的鲁棒性,对运动、静止的目标均可以识别。并且,在检测出船舶目标后,还对船舶目标进行精定位,提高了船舶目标的定位精度。
附图说明
图1是本发明的船舶监控方法第一实施例的流程图;
图2是本发明实施例中识别船舶目标的步骤的具体流程图;
图3是本发明的船舶监控方法第二实施例的流程图;
图4是本发明的船舶监控装置第一实施例的模块示意图;
图5是图4中的目标识别模块的模块示意图;
图6是图4中的目标跟踪模块的模块示意图;
图7本发明的船舶监控装置第二实施例的模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参见图1,提出本发明的船舶监控方法第一实施例,所述方法包括以下步骤:
S11、识别出视频图像中的船舶目标。
S12、获取船舶目标的航行速度。
S13、根据船舶目标的航行速度对船舶目标的后续位置进行预测和匹配来跟踪船舶目标。
S14、根据跟踪结果筛选出有效的船舶目标。
其中,步骤S11为目标识别步骤,步骤S12-S14为目标跟踪步骤,目标根据步骤用来筛选出有效的船舶目标(即真实的船舶目标),排除无效的船舶目标(即虚假的船舶目标)。通过目标跟踪步骤,对于偶尔出现的假目标能够很好的过滤。
步骤S11中:可以采用现有技术的目标识别方法来识别出视频图像中的船舶目标。例如,采用公开号为CN 102147859A的中国专利披露的目标识别方法,通过截取视频图像与背景图像的差法算法并进行二值化后使用区域生长算法得到船舶目标,具体为:首先选取背景中的一幅或者几幅图像的平均作为背景图像,然后把以后的序列图像当前帧和背景图像相减,进行背景消去,若所得到的像素数大于某一阈值,则判定该监视场景中有运动物体,从而得到运动目标。
但前述目标识别方法受天气、光线等外界条件的影响较大,而且只能识别运动中的物体,对于静止和运动速度过慢的物体识别效果不好。
为克服上述问题,本实施例优选利用Adaboost算法采用Haar特征对船舶目标进行识别,比如,根据基于Adaboost算法和Haar特征训练获得的不同船舶类型的分类器,在视频图像中检测出船舶目标。Adaboost是一种迭代算法,其核心思想是针对同一个训练集训练不同的分类器(弱分类器),然后把这些弱分类器集合起来,构成一个更强的最终分类器(强分类器)。AdaBoost算法的实现,采用的是输入图像的矩形特征,也叫Haar特征,Haar特征是基于"块"的特征,能够降低计算成本。
进一步地,在利用分类器进行检测之前,还可以对视频图像进行预处理,在视频图像上设定检测区域,以此减小检测范围,提高检测效率。
进一步地,在检测出船舶目标之后,还可以对船舶目标进行精定位,比如,基于船舶目标在空间上的灰度连续性去除水面干扰部分,获得船舶目标的精确位置,提高定位精度。
如图2所示,为一优选的目标识别方法,包括以下步骤:
S111、预处理视频图像,在视频图像上设定检测区域。
预处理是对视频图像进行缩放处理,在视频图像上设定检测区域,进一步地,还可以设定船舶目标的极限值(最大或/和最小参数),以此减小检测范围,提高检测效率。可以将航道区域设定为检测区域,排除船舶根本不能到达的区域以及视频图像中可能出现的旗帜、建筑物等干扰物体。
S112、根据基于Adaboost算法和Haar特征训练获得的不同船舶类型的分类器,在检测区域中检测出船舶目标。
分类器利用Adboost算法和Haar特征训练获得,不同的分类器对应不同的船舶类型。首先构造不同船舶类型的训练数据集,然后对每个训练数据集进行单独训练,
例如,可以将船舶分为散货船、集装箱船和危险品船三种类型,分别为散装船、集装箱船和危险品船构造训练数据集,对每个训练数据集单独训练,如对散装船的分类器训练,其训练数据集由N个样本组成,其中正样本为散装船目标,负样本为非散装船目标。选取的正负样本需要具有代表性和涵盖性,并统一样本图像的大小,如统一为128*24像素大小。然后计算Haar特征,构造分类器,对特征按照最小错误率的方法进行训练分类,每层得到一个弱分类器,用弱分类器组合得到最后的强分类器。
检测船舶目标时,通过预先训练好的分类器对视频图像的检测区域进行窗口搜索获得船舶目标。首先,对输入的视频图像进行检测,设定检测窗口和检测步长,按照位置的镜头远近,对窗口进行相应的缩放,归一化到与样本大小相同,如为128*24像素。检测步长可以选取8像素、10像素或12像素。按不同的尺度放大缩小视频图像,按设定的检测窗口和检测步长遍历视频图像,加载Adaboost算法构造的强分类器进行检测。判断窗口内是否有船舶目标,保存检测结果,对检测结果进行合并。最后对检测结果的假目标进行去除,如用二次分类器验证法对检测结果进行验证,去掉明显不是船舶目标的区域。
S113、基于船舶目标在空间上的灰度连续性去除水面干扰部分,获得船舶目标的精确位置。
鉴于步骤S112中检测到的船舶目标在具体位置上准确度不够,往往远大于实际船舶大小,或存在位置偏移,这不利于后续的目标跟踪。本实施例基于船舶目标在空间上的灰度连续性的精定位技术,去除水面干扰部分,获得船舶目标的精确位置,实现对船舶目标的精定位。
具体的,首先以检测到的船舶目标的边界为基础,在水平方向上做左右扩展和收缩,在垂直方向做上下扩展和收缩共8个计算操作,利用船舶目标在空间上的灰度连续性,确定船舶目标的精确位置,去除水面干扰部分,拓展为完整的船舶目标。
船舶的像素点亮度整体上大于水面的像素点亮度,可以设置阈值来区分船舶和水面。在较好的光照条件下,船舶像素点亮度和水面像素点亮度的差值较大,较容易区分。但当天气条件比较恶劣时,比如水面有雾或者光照很差的情况下,船舶和水面的像素点亮度整体上相差不大,此时需要对阈值进行更精确的自适应调整,根据调整后的阈值来区分船舶和水面。例如,首先统计目标区域的平均亮度和亮度直方图信息,接着按照亮度直方图信息判断场景的对比度情况,然后按照两种对比度情况设定自适应阈值,最后对亮度直方图进行垂直扫描和水平扫描,判断当前位置是船舶还是水面。
步骤S12中:可以计算出船舶目标的瞬时速度,直接将该瞬时速度作为船舶目标的航行速度。优选地,根据船舶速度变化较为缓慢这一特性,可以在瞬时速度的基础上利用更新率算法计算出评估速度,将该评估速度作为船舶目标的航行速度,这样计算出来的速度非常精确,能够对船舶目标在下一帧的位置进行较好定位。
计算瞬时速度时,可以利用船舶目标在N帧视频图像之间的位置差来计算,N≥2。鉴于每一帧视频图像检测到的船舶目标在位置上可能出现误差,为了提高计算的速度的精度,本实施例利用三帧或多帧视频图像之间的位置差来计算瞬时速度,而不是按照两帧视频图像之间的位置变化来计算瞬时速度。
计算评估速度时,在船舶目标的瞬时速度的基础上,采用更新率算法计算出评估速度,计算公式为:评估速度=a*瞬时速度+(1–a)*原来的评估速度,其中a为更新率,a越小更新率越慢。
步骤S13中:通过对船舶目标的后续位置进行预测和匹配的方式来跟踪船舶目标,包括预测和匹配两个环节。具体的,首先根据船舶目标的航行速度预测船舶目标在下一帧视频图像中的位置;然后检测船舶目标在下一帧视频图像中的实际位置,判断实际位置与预测位置是否匹配;当二者匹配时,则认定跟踪成功,当二者不匹配时,则认定跟踪失败。
匹配的方法采用面积重合度方法,即将预测位置和实际位置进行重合度匹配,重合度最高的目标即为匹配上的目标,然后对跟踪成功的船舶目标进行参数更新。
步骤S14中:当船舶目标在连续多帧视频图像中被跟踪成功的次数超过阈值时,则判定船舶目标为有效的船舶目标;否则,判定船舶目标为无效的船舶目标,并滤除无效的船舶目标。最终,筛选出有效的船舶目标。
可以通过置信度来筛选有效的船舶目标。当一个船舶目标连续出现在多帧视频图像中而被连续跟踪成功时,则置信度较高,当一个船舶目标偶尔出现在几帧视频图像中时,则置信度较低。置信度的计算与船舶目标的年龄(开始检测到当前帧的帧数)、位置、上一帧时的置信度等参数有关。当置信度高于设定的阈值时,判定船舶目标为有效目标,当置信度低于设定的阈值时,判定船舶目标为无效目标,可能是假目标。
进一步地,还可以对船舶目标进行补缺操作,即,对置信度较高的船舶目标在视频图像中偶尔的丢失进行补缺。例如,当置信度较高的船舶目标在当前帧视频图像中没有出现时,采用预测的方法在当前帧视频图像中的适当位置补上该船舶目标,从而构成连续的跟踪目标。通过补缺操作,一方面有利于在下一帧视频图像中跟踪目标,另一方面方便对目标进行有效计数。
本发明实施例的船舶监控方法,通过对船舶目标的后续位置进行预测和匹配的方式来跟踪船舶目标,根据跟踪结果筛选出有效的船舶目标,排除虚假无效的船舶目标,使得识别更加准确,提高了船舶的识别率和识别效果,提高了监控的稳定性和可靠性。
本实施例还利用Adaboost算法采用Haar特征对船舶目标进行识别,进一步提高了船舶的识别率,对有雾天气、光线干扰等恶劣气候条件具有很好的鲁棒性,对运动、静止的目标均可以识别。并且,在检测出船舶目标后,还对船舶目标进行精定位,提高了船舶目标的定位精度。
参见图3,提出本发明的船舶监控方法第二实施例,所述方法包括以下步骤:
S21、识别出视频图像中的船舶目标。
S22、获取船舶目标的航行速度。
S23、根据船舶目标的航行速度对船舶目标的后续位置进行预测和匹配来跟踪船舶目标。
S24、根据跟踪结果筛选出有效的船舶目标。
S25、计算船舶目标的参数。
其中,步骤S21为目标识别步骤,步骤S22-S24为目标跟踪步骤,步骤S25为参数计算步骤。本实施例中,目标识别步骤和目标跟踪步骤与第一实施例相同,在此不再赘述。
步骤S25中:船舶目标的参数包括船舶目标的航行速度、航向、类型、尺寸等。
对于船舶目标的航行速度的确定,可以直接将船舶目标的瞬时速度作为航行速度。优选地,根据船舶速度变化较为缓慢这一特性,可以在瞬时速度的基础上利用更新率算法计算出评估速度,将该评估速度作为船舶目标的航行速度,这样计算出来的速度非常精确,能够对船舶目标在下一帧的位置进行较好定位。计算瞬时速度时,可以利用船舶目标在N帧视频图像之间的位置差来计算,N≥2。鉴于每一帧视频图像检测到的船舶目标在位置上可能出现误差,为了提高计算的速度的精度,本实施例利用三帧或多帧视频图像之间的位置差来计算瞬时速度,而不是按照两帧视频图像之间的位置变化来计算瞬时速度。计算评估速度时,在船舶目标的瞬时速度的基础上,采用更新率算法计算出评估速度,计算公式为:评估速度=a*瞬时速度+(1–a)*原来的评估速度,其中a为更新率,a越小更新率越慢。
对于船舶目标的航向的确定,可以利用每一帧视频图像的航行速度(如评估速度)进行积分,确定次数较多的方向为航向。本实施例中,航行包括上行和下行两个方向。
对于船舶目标的类型的确定,优选采用支持向量机(Support VectorMachine,简称SVM)算法和梯度方向直方图(Histogram of Oriented Gradient,简称HOG)特征进行判断。船舶利用训练好的分类器进行分类,该分类器基于HOG特征和SVM算法训练获得,即:首先计算目标图像的HOG特征向量,然后利用HOG特征向量通过SVM工具对训练样本进行训练获得分类器,可选地,训练样本分为散货船、集装箱船和危险品船三类。当进行船舶目标的类型确定时,首先计算出船舶目标的HOG特征向量,然后根据HOG特征向量和分类器计算得出船舶目标的类型。
HOG特征的计算过程为:首先检测图像并归一化图像,将图像分为N个块(block),每个块含M个单元(cell)。接着计算图像的HOG特征,对于图像中每个单元的梯度方向直方图进行方向统计,计算出每个单元的梯度方向直方图,构成一个特征向量,将一个块内所有单元的特征向量串联起来便得到该块的HOG特征向量;对于图像中每个块内的HOG特征进行归一化,将图像中所有块的HOG特征向量串联起来就得到整个图像的HOG特征向量。
例如:将目标图像归一化到64*64像素大小,并对其进行分块,每个块含4个单元,每个单元含8x8个像素点;计算每个单元的HOG特征,其为8维特征向量,每个hog特征是一个8个bin的直方图,8个bin代表了梯度的方向,360度均匀分到8个bin中,步长设为8个像素,则水平方向有7列块,每列块有7个块,即一张目标图像中,有7x7=49个块,每个块含4个8维的特征向量,最后合成为一个49x4x8=1568维的特征向量。
本实施例的船舶监控方法,在获取有效的船舶目标后,计算出船舶目标的航向、航行速度、类型等参数,可以有效的掌握船舶运行情况,及时采取相应的措施。
参见图4,提出本发明的船舶监控装置第一实施例,所述装置包括目标识别模块10和目标跟踪模块20,其中:
目标识别模块10:用于识别出视频图像中的船舶目标。
可选地,目标识别模块10可以采用现有技术的目标识别方法来识别出视频图像中的船舶目标。
优选地,目标识别模块10可以利用Adaboost算法采用Haar特征对船舶目标进行识别。如图5所示,目标识别模块10包括检测单元12,该检测单元12用于:根据基于Adaboost算法和Haar特征训练获得的不同船舶类型的分类器,在视频图像中检测出船舶目标。相对于现有技术,可以提高识别率和识别效果。
进一步地,目标识别模块10还可以包括精定位单元13,该精定位单元13用于:在检测出船舶目标之后,基于船舶目标在空间上的灰度连续性去除水面干扰部分,获得船舶目标的精确位置,以提高定位精度。
进一步地,目标识别模块10还可以包括预处理单元11,该预处理单元11用于:在检测单元12检测之前,对视频图像进行预处理,在视频图像上设定检测区域。此时,检测单元12只需在该检测区域检测船舶目标。从而减小了检测范围,提高了检测效率。
目标跟踪模块20:用于获取船舶目标的航行速度,根据航行速度对船舶目标的后续位置进行预测和匹配来跟踪船舶目标,根据跟踪结果筛选出有效的船舶目标。
如图6所示,目标跟踪模块20包括获取单元21、跟踪单元22和筛选单元23,其中:
获取单元21:用于获取船舶目标的航行速度。
获取单元21可以计算出船舶目标的瞬时速度,直接将该瞬时速度作为船舶目标的航行速度。优选地,获取单元21根据船舶速度变化较为缓慢这一特性,可以在瞬时速度的基础上利用更新率算法计算出评估速度,将该评估速度作为船舶目标的航行速度,这样计算出来的速度非常精确,能够对船舶目标在下一帧的位置进行较好定位。
跟踪单元22:用于根据航行速度对船舶目标的后续位置进行预测和匹配来跟踪船舶目标。
具体的,跟踪单元22根据航行速度预测船舶目标在下一帧视频图像中的位置;检测船舶目标在下一帧视频图像中的实际位置,判断实际位置与预测位置是否匹配;当二者匹配时,则认定跟踪成功,当二者不匹配时,则认定跟踪失败。
筛选单元23:用于根据跟踪结果筛选出有效的船舶目标。
具体的,当船舶目标在连续多帧视频图像中被跟踪成功的次数超过阈值时,筛选单元23则判定船舶目标为有效的船舶目标;否则,判定船舶目标为无效的船舶目标,并滤除该无效的船舶目标。从而,筛选出有效的船舶目标,排除了虚假无效的船舶目标。
进一步地,筛选单元23还可以对船舶目标进行补缺操作,即,对置信度较高的船舶目标在视频图像中偶尔的丢失进行补缺,从而构成连续的跟踪目标。通过补缺操作,一方面有利于在下一帧视频图像中跟踪目标,另一方面方便对目标进行有效计数。
本发明实施例的船舶监控装置,通过对船舶目标的后续位置进行预测和匹配的方式来跟踪船舶目标,根据跟踪结果筛选出有效的船舶目标,排除虚假无效的船舶目标,使得识别更加准确,提高了船舶的识别率和识别效果,提高了监控的稳定性和可靠性。
本实施例还利用Adaboost算法采用Haar特征对船舶目标进行识别,进一步提高了船舶的识别率,对有雾天气、光线干扰等恶劣气候条件具有很好的鲁棒性,对运动、静止的目标均可以识别。并且,在检测出船舶目标后,还对船舶目标进行精定位,提高了船舶目标的定位精度。
参见图7,提出本发明的船舶监控装置第二实施例,本实施例在第一实施例的基础上增加了一参数计算模块30,该参数计算模块30用于:计算船舶目标的参数。
船舶目标的参数包括船舶目标的航行速度、航向、类型、尺寸等。对于船舶目标的类型的确定,优选采用SVM算法和HOG特征进行判断。
本实施例的船舶监控装置,在获取有效的船舶目标后,计算出船舶目标的航向、航行速度、类型等参数,可以有效的掌握船舶运行情况,及时采取相应的措施。
应当理解,上述实施例提供的船舶监控装置与船舶监控方法实施例属于同一构思,其具体实现过程详见方法实施例,且方法实施例中的技术特征在装置实施例中均对应适用,这里不再赘述。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上参照附图说明了本发明的优选实施例,并非因此局限本发明的权利范围。本领域技术人员不脱离本发明的范围和实质,可以有多种变型方案实现本发明,比如作为一个实施例的特征可用于另一实施例而得到又一实施例。凡在运用本发明的技术构思之内所作的任何修改、等同替换和改进,均应在本发明的权利范围之内。
Claims (10)
1.一种船舶监控方法,其特征在于,包括以下步骤:
识别出视频图像中的船舶目标;
获取所述船舶目标的航行速度;
根据所述航行速度对所述船舶目标的后续位置进行预测和匹配来跟踪所述船舶目标,根据跟踪结果筛选出有效的船舶目标。
2.根据权利要求1所述的船舶监控方法,其特征在于,根据所述航行速度对所述船舶目标的后续位置进行预测和匹配来跟踪所述船舶目标,根据跟踪结果筛选出有效的船舶目标,包括:
根据所述航行速度预测所述船舶目标在下一帧视频图像中的位置;
检测所述船舶目标在下一帧视频图像中的实际位置,判断所述实际位置与预测位置是否匹配,当二者匹配时则认定跟踪成功;
当所述船舶目标在连续多帧视频图像中被跟踪成功的次数超过阈值时,则判定所述船舶目标为有效的船舶目标;否则,判定所述船舶目标为无效的船舶目标并予以滤除。
3.根据权利要求1所述的船舶监控方法,其特征在于,所述识别出视频图像中的船舶目标包括:根据基于Adaboost算法和Haar特征训练获得的不同船舶类型的分类器,在所述视频图像中检测出船舶目标。
4.根据权利要求3所述的船舶监控方法,其特征在于,所述在所述视频图像中检测出船舶目标的步骤之后还包括:
基于所述船舶目标在空间上的灰度连续性去除水面干扰部分,获得所述船舶目标的精确位置。
5.根据权利要求1-4任一项所述的船舶监控方法,其特征在于,所述获取所述船舶目标的航行速度包括:计算所述船舶目标的瞬时速度,在所述瞬时速度的基础上利用更新率算法计算出评估速度,将所述评估速度作为所述船舶目标的航行速度。
6.一种船舶监控装置,其特征在于,包括:
目标识别模块,用于识别出视频图像中的船舶目标;
目标跟踪模块,用于获取所述船舶目标的航行速度,根据所述航行速度对所述船舶目标的后续位置进行预测和匹配来跟踪所述船舶目标,根据跟踪结果筛选出有效的船舶目标。
7.根据权利要求6所述的船舶监控装置,其特征在于,所述目标跟踪模块包括:
跟踪单元,用于根据所述航行速度预测所述船舶目标在下一帧视频图像中的位置;检测所述船舶目标在下一帧视频图像中的实际位置,判断所述实际位置与预测位置是否匹配,当二者匹配时则认定跟踪成功;
筛选单元,用于当所述船舶目标在连续多帧视频图像中被跟踪成功的次数超过阈值时,则判定所述船舶目标为有效的船舶目标;否则,判定所述船舶目标为无效的船舶目标并予以滤除。
8.根据权利要求6所述的船舶监控装置,其特征在于,所述目标识别模块包括检测单元,所述检测单元用于:根据基于Adaboost算法和Haar特征训练获得的不同船舶类型的分类器,在所述视频图像中检测出船舶目标。
9.根据权利要求8所述的船舶监控装置,其特征在于,所述目标识别模块还包括精定位单元,所述精定位单元用于:基于所述船舶目标在空间上的灰度连续性去除水面干扰部分,获得所述船舶目标的精确位置。
10.根据权利要求6-9任一项所述的船舶监控装置,其特征在于,所述目标跟踪模块包括获取单元,所述获取单元用于:计算所述船舶目标的瞬时速度,在所述瞬时速度的基础上利用更新率算法计算出评估速度,将所述评估速度作为所述船舶目标的航行速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610038975.2A CN106991687A (zh) | 2016-01-20 | 2016-01-20 | 船舶监控方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610038975.2A CN106991687A (zh) | 2016-01-20 | 2016-01-20 | 船舶监控方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106991687A true CN106991687A (zh) | 2017-07-28 |
Family
ID=59414409
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610038975.2A Pending CN106991687A (zh) | 2016-01-20 | 2016-01-20 | 船舶监控方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106991687A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109460740A (zh) * | 2018-11-15 | 2019-03-12 | 上海埃威航空电子有限公司 | 基于ais与视频数据融合的船舶身份识别方法 |
CN109754441A (zh) * | 2019-01-10 | 2019-05-14 | 海南大学 | 基于位置预测与颜色相似性的船只跟踪方法 |
CN110060281A (zh) * | 2019-03-25 | 2019-07-26 | 同济大学 | 一种船舶及水上漂浮物轨迹追踪系统 |
CN111274441A (zh) * | 2020-02-26 | 2020-06-12 | 赛特斯信息科技股份有限公司 | 基于深度学习和目标检测实现海事视频数据筛选处理的系统及其方法 |
CN111738063A (zh) * | 2020-05-08 | 2020-10-02 | 华南理工大学 | 船舶目标跟踪方法、系统、计算机设备及存储介质 |
CN113553986A (zh) * | 2021-08-02 | 2021-10-26 | 浙江索思科技有限公司 | 一种船舶上运动目标检测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102456226A (zh) * | 2010-10-22 | 2012-05-16 | 财团法人工业技术研究院 | 兴趣区域的追踪系统、方法及计算机程序产品 |
CN103324953A (zh) * | 2013-05-29 | 2013-09-25 | 深圳市智美达科技有限公司 | 视频监控多目标检测与跟踪方法 |
CN104660993A (zh) * | 2015-02-09 | 2015-05-27 | 武汉理工大学 | 基于ais和cctv的海事智能监控方法及系统 |
CN104660994A (zh) * | 2015-02-09 | 2015-05-27 | 武汉理工大学 | 海事专用摄像机及海事智能监控方法 |
CN104809917A (zh) * | 2015-03-23 | 2015-07-29 | 南通大学 | 船舶实时跟踪监控方法 |
-
2016
- 2016-01-20 CN CN201610038975.2A patent/CN106991687A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102456226A (zh) * | 2010-10-22 | 2012-05-16 | 财团法人工业技术研究院 | 兴趣区域的追踪系统、方法及计算机程序产品 |
CN103324953A (zh) * | 2013-05-29 | 2013-09-25 | 深圳市智美达科技有限公司 | 视频监控多目标检测与跟踪方法 |
CN104660993A (zh) * | 2015-02-09 | 2015-05-27 | 武汉理工大学 | 基于ais和cctv的海事智能监控方法及系统 |
CN104660994A (zh) * | 2015-02-09 | 2015-05-27 | 武汉理工大学 | 海事专用摄像机及海事智能监控方法 |
CN104809917A (zh) * | 2015-03-23 | 2015-07-29 | 南通大学 | 船舶实时跟踪监控方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109460740A (zh) * | 2018-11-15 | 2019-03-12 | 上海埃威航空电子有限公司 | 基于ais与视频数据融合的船舶身份识别方法 |
WO2020098195A1 (zh) * | 2018-11-15 | 2020-05-22 | 上海埃威航空电子有限公司 | 基于ais与视频数据融合的船舶身份识别方法 |
GB2586766A (en) * | 2018-11-15 | 2021-03-03 | Shanghai Advanced Avionics Co Ltd | Ship identity recognition method based on fusion of AIS data and video data |
GB2586766B (en) * | 2018-11-15 | 2021-08-25 | Shanghai Advanced Avionics Co Ltd | Ship identity recognition method based on fusion of AIS data and video data |
US11410002B2 (en) * | 2018-11-15 | 2022-08-09 | Shanghai Advanced Avionics Co., Ltd. | Ship identity recognition method based on fusion of AIS data and video data |
CN109754441A (zh) * | 2019-01-10 | 2019-05-14 | 海南大学 | 基于位置预测与颜色相似性的船只跟踪方法 |
CN110060281A (zh) * | 2019-03-25 | 2019-07-26 | 同济大学 | 一种船舶及水上漂浮物轨迹追踪系统 |
CN110060281B (zh) * | 2019-03-25 | 2023-02-28 | 同济大学 | 一种船舶及水上漂浮物轨迹追踪系统 |
CN111274441A (zh) * | 2020-02-26 | 2020-06-12 | 赛特斯信息科技股份有限公司 | 基于深度学习和目标检测实现海事视频数据筛选处理的系统及其方法 |
CN111738063A (zh) * | 2020-05-08 | 2020-10-02 | 华南理工大学 | 船舶目标跟踪方法、系统、计算机设备及存储介质 |
CN111738063B (zh) * | 2020-05-08 | 2023-04-18 | 华南理工大学 | 船舶目标跟踪方法、系统、计算机设备及存储介质 |
CN113553986A (zh) * | 2021-08-02 | 2021-10-26 | 浙江索思科技有限公司 | 一种船舶上运动目标检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106991687A (zh) | 船舶监控方法和装置 | |
CN108898047B (zh) | 基于分块遮挡感知的行人检测方法及系统 | |
CN107463890B (zh) | 一种基于单目前视相机的前车检测与跟踪方法 | |
US9881212B2 (en) | Infrared image based early detection of oil spills in water | |
US10373320B2 (en) | Method for detecting moving objects in a video having non-stationary background | |
CN100545867C (zh) | 航拍交通视频车辆快速检测方法 | |
CN103699905B (zh) | 一种车牌定位方法及装置 | |
CN108806334A (zh) | 一种基于图像的智能船舶身份识别方法 | |
CN111310645A (zh) | 货物堆积量的溢仓预警方法、装置、设备及存储介质 | |
Bedruz et al. | Real-time vehicle detection and tracking using a mean-shift based blob analysis and tracking approach | |
WO2001084844A1 (en) | System for tracking and monitoring multiple moving objects | |
KR102217020B1 (ko) | 단일 단계 고밀도 피라미드 특징 네트워크를 기반으로 하는 고해상도 항공 이미지 내의 물체감지장치 | |
KR20210097782A (ko) | 지시등 검출 방법, 장치, 디바이스 및 컴퓨터 판독 가능 기록 매체 | |
CN111967396A (zh) | 障碍物检测的处理方法、装置、设备及存储介质 | |
GB2585933A (en) | System and method for processing images | |
CN108629225B (zh) | 一种基于多幅子图与图像显著性分析的车辆检测方法 | |
CN110619653A (zh) | 基于人工智能的防止船舶与桥梁碰撞预警控制系统及方法 | |
JP2020160840A (ja) | 路面標示不具合検出装置、路面標示不具合検出方法及び路面標示不具合検出プログラム | |
WO2011053535A1 (en) | Multipass data integration for automatic detection and classification of objects | |
JP7125843B2 (ja) | 障害検知システム | |
CN105118072A (zh) | 一种对多个运动目标进行跟踪的方法及装置 | |
JP6916975B2 (ja) | 標識位置特定システム及びプログラム | |
WO2017077261A1 (en) | A monocular camera cognitive imaging system for a vehicle | |
GB2582988A (en) | Object classification | |
CN114332734A (zh) | 目标检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 518000 the six level of energy storage building 3099, Keyuan South Road, Nanshan District, Shenzhen, Guangdong. Applicant after: Shenzhen ZTE NetView Technology Co., Ltd. Address before: 518000 4, W1A high tech Industrial Village, No. 034 South four road, Nanshan District high tech Zone, Shenzhen, Guangdong. Applicant before: Shenzhen ZTE NetView Technology Co., Ltd. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170728 |