CN113566720A - 船舶水上高度自动测量方法、系统、设备及存储介质 - Google Patents
船舶水上高度自动测量方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN113566720A CN113566720A CN202111127576.0A CN202111127576A CN113566720A CN 113566720 A CN113566720 A CN 113566720A CN 202111127576 A CN202111127576 A CN 202111127576A CN 113566720 A CN113566720 A CN 113566720A
- Authority
- CN
- China
- Prior art keywords
- ship
- camera
- target
- height
- target ship
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000003384 imaging method Methods 0.000 claims abstract description 55
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 45
- 238000001514 detection method Methods 0.000 claims abstract description 31
- 238000004364 calculation method Methods 0.000 claims abstract description 27
- 238000013135 deep learning Methods 0.000 claims abstract description 13
- 238000005259 measurement Methods 0.000 claims description 26
- 230000003287 optical effect Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000000691 measurement method Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000001502 supplementing effect Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003653 coastal water Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
- G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
- G01B11/0608—Height gauges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本申请涉及一种船舶水上高度自动测量方法、系统、设备及存储介质，其方法包括：获取AIS数据，根据所述AIS数据确定待测量的目标船舶，并控制所述云台旋转以使所述相机锁定所述目标船舶；采用基于深度学习的目标检测算法识别跟踪所述目标船舶，利用所述测距仪对所述目标船舶进行测距得到所述目标船舶与所述相机的距离；获取所述相机拍摄的所述目标船舶的船舶图片，计算得到所述船舶图片中的船舶成像高度像素数量；根据所述相机的预设参数、所述目标船舶与所述相机的距离、所述船舶成像高度像素数量，利用预设高度计算公式计算得到所述目标船舶的水上高度。本申请能够实现对船舶水上高度的高精度自动测量。
Description
技术领域
本申请涉及船舶测量技术领域，尤其是涉及一种船舶水上高度自动测量方法、系统、设备及存储介质。
背景技术
近年来，我国交通运输业的快速发展促进了跨江跨海桥梁的建设。据统计，从1991年我国第一座跨海大桥建成至今，我国拟在建及建成的跨海大桥共有72座。新建的桥梁给两岸的交通带来的巨大的便利，但同时，一些大桥在当初设计时，桥高、桥宽、选址未充分考虑到未来的航运需要，使得一些桥梁无法满足现有船舶的通航要求，富裕高度预留不足，使得船舶因为高度超高而碰撞桥梁的事故时有发生，而且船舶一旦超高经过桥梁，往往会造成严重后果，不仅威胁着船舶自身的航行安全，危及船员生命，还会影响整个航道的畅通和其他通航船舶的安全，其危害巨大。因此，急需对船舶高度进行测量的技术。
现有技术中有一种基于激光的船舶超高检测方法，但这种激光检测方法实际是一种限高方法，可以对高于某个高度的船舶进行超高报警，但无法测量得到船舶的实际高度。而且这种限高方法需要根据水位变化改变限高高度，并且在河岸距离较大特别是沿海水域下，精度不高。此外，还有一些测量方法只是针对近距离单目标进行测高，且需要手动进行标定测量，无法自动测量船舶高度。
发明内容
有鉴于此，本申请提供一种船舶水上高度自动测量方法、系统、设备及存储介质，用以解决船舶水上高度测量精度低、无法自动测量的技术问题。
为了解决上述问题，第一方面，本申请提供一种船舶水上高度自动测量方法，该方法应用于云台，所述云台上安装有相机和测距仪，该方法包括以下步骤：
获取AIS数据，根据所述AIS数据确定待测量的目标船舶，并控制所述云台旋转以使所述相机锁定所述目标船舶；
采用基于深度学习的目标检测算法识别跟踪所述目标船舶，利用所述测距仪对所述目标船舶进行测距得到所述目标船舶与所述相机的距离；
获取所述相机拍摄的所述目标船舶的船舶图片，计算得到所述船舶图片中的船舶成像高度像素数量；
根据所述相机的预设参数、所述目标船舶与所述相机的距离、所述船舶成像高度像素数量，利用预设高度计算公式计算得到所述目标船舶的水上高度。
可选的，所述计算得到所述船舶图片中的船舶成像高度像素数量，包括：
采用基于先验信息的船舶轮廓识别算法提取所述船舶图片中的船舶轮廓；
利用透视变换矫正算法对所述船舶轮廓进行矫正，并计算得到所述船舶轮廓的船舶成像高度像素数量。
可选的，所述先验信息为船舶形状先验信息，所述船舶轮廓识别算法为全卷积神经网络算法，所述采用基于先验信息的船舶轮廓识别算法提取所述船舶图片中的船舶轮廓，包括：
利用训练集内的船舶形状先验信息训练全卷积神经网络模型，利用训练好的全卷积神经网络模型对所述船舶图片中的船舶轮廓边缘进行补充，提取出所述船舶图片中的船舶轮廓。
可选的，所述利用透视变换矫正算法对所述船舶轮廓进行矫正，并计算得到所述船舶轮廓中的船舶成像高度像素数量，包括：
利用透视变换矫正算法对所述船舶轮廓中的透视畸变以及倾角误差进行矫正；
计算矫正后的船舶图片中目标船舶的船舶成像垂直像素个数最大值。
可选的，所述获取AIS数据，根据所述AIS数据确定待测量的目标船舶，并控制所述云台旋转以使所述相机锁定所述目标船舶包括：
实时获取AIS数据，确定预设测量区域内未测量的船舶，并按预设规则从未测量的船舶中选取目标船舶；
根据所述AIS数据获取所述目标船舶的船舶位置信息，计算所述目标船舶与所述相机的相机视场角以及视场偏移角；
根据所述目标船舶与所述云台的位置、所述相机视场角以及视场偏移角控制所述云台旋转，以使所述目标船舶始终保持在所述相机光轴线上。
可选的，所述根据所述AIS数据获取所述目标船舶的船舶位置信息，计算所述目标船舶与所述相机的相机视场角以及视场偏移角，包括：
解析所述船舶位置信息，计算所述目标船舶与相机视场角
，计算公式如下：
其中，
为船舶坐标纬度，
为船舶坐标经度，
为云台坐标纬度，
为云台坐标经度；
在所述目标船舶转入相机视场角后，视场偏移角的计算公式如下：
其中，
为所述目标船舶与相机成像中心视场偏移角，
为所述目标船舶与相机光轴的偏移像素个数，
为相机镜头光心与相机成像画面中心的偏移像素个数，
为相机焦距，h＇为相机成像像元尺寸。
可选的，所述利用预设高度计算公式计算得到所述目标船舶的水上高度包括：
其中，
为所述目标船舶与所述相机的距离；
为船舶成像垂直像素个数最大值；
为相机成像元件像元尺寸宽度；
为相机焦距标定参数；
为相机的放大倍率；
为所述目标船舶的水上高度。
第二方面，本申请提供一种船舶水上高度自动测量系统，所述系统包括：
锁定模块，用于获取AIS数据，根据所述AIS数据选择待测量的目标船舶，并控制所述云台旋转以使所述相机锁定所述目标船舶；
测距模块，用于采用基于深度学习的目标检测算法识别跟踪所述目标船舶，利用所述测距仪对所述目标船舶进行测距得到所述目标船舶与所述相机的距离；
计算模块，用于获取所述相机拍摄的所述目标船舶的船舶图片，计算得到所述船舶图片中的船舶成像高度像素数量；
测量模块，用于根据所述相机的预设参数、所述目标船舶与所述相机的距离、所述船舶成像高度像素数量，利用预设高度计算公式计算得到所述目标船舶的水上高度。
第三方面，本申请提供的一种计算机设备，采用如下的技术方案：
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述船舶水上高度自动测量方法的步骤。
第四方面，本申请提供的一种计算机可读存储介质，采用如下的技术方案：
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述船舶水上高度自动测量方法的步骤。
采用上述实施例的有益效果是：利用AIS数据选择目标船舶，并对目标船舶进行测距得到目标船舶与相机的距离，计算得到相机拍摄的船舶图片中的船舶成像高度像素数量，根据所述相机的预设参数、所述目标船舶与所述相机的距离、所述船舶成像高度像素数量综合计算得到所述目标船舶的水上高度。由于在锁定目标船舶后，采用高精度的目标检测算法识别跟踪所述目标船舶，以及同时综合了相机参数、测距、图片像素等多种参数来进行测量，使得最终测量的船舶水上高度更加精确，而且可利用AIS数据自动查找并锁定目标船舶，实现对船舶水上高度的自动测量。
附图说明
图1是本申请提供的船舶水上高度自动测量方法一实施例的方法流程图；
图2是本申请一实施例中基于AIS信息的目标船舶选取及自动跟踪示意图；
图3是本申请一实施例中船舶轮廓识别算法的示意图；
图4是本申请一实施例中船舶姿态及倾角误差矫正示意图；
图5是本申请一实施例中船舶水上高度计算原理示意图；
图6为本申请提供的船舶水上高度自动测量系统一实施例的原理框图；
图7为本申请提供的计算机设备一实施例的原理框图。
具体实施方式
下面结合附图来具体描述本申请的优选实施例，其中，附图构成本申请一部分，并与本申请的实施例一起用于阐释本申请的原理，并非用于限定本申请的范围。
在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本申请提供了一种船舶水上高度自动测量方法、系统、设备及存储介质，以下分别进行详细说明。
本申请实施例中的船舶水上高度自动测量系统应用于云台，所述云台上安装有相机和测距仪例如激光测距仪。该船舶水上高度自动测量系统可以集成在服务器或终端上，通过远程通信来控制云台；该船舶水上高度自动测量系统也可以直接集成在云台上，以实现对云台的控制。
本申请实施例中，该服务器可以是独立的服务器，也可以是服务器组成的服务器网络或服务器集群，例如，本申请实施例中所描述的服务器，其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云服务器。其中，云服务器由基于云计算(Cloud Computing)的大量计算机或网络服务器构成。
可以理解的是，本申请实施例中的终端可以是既包括接收和发射硬件的设备，即具有能够在双向通信链路上，执行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备。具体的终端可以是台式机、便携式电脑、网络服务器、掌上电脑（PersonalDigital Assistant，PDA）、移动手机、平板电脑、无线终端设备、通信设备、嵌入式设备等，本实施例不限定终端的类型。
本领域技术人员可以理解，本实施例所指出的应用环境，仅仅是本申请方案一种应用场景，并不构成对本申请方案应用场景的限定，其他的应用环境还可以包括更多或更少的终端。本申请实施例描述的应用场景是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域普通技术人员可知，随着船舶水上高度自动测量系统的演变和新业务场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
参照图1是本申请提供的船舶水上高度自动测量方法一种实施例的方法流程图，该船舶水上高度自动测量方法应用于云台，所述云台上安装有相机和测距仪，包括下述步骤：
S101、获取AIS数据，根据所述AIS数据确定待测量的目标船舶，并控制所述云台旋转以使所述相机锁定所述目标船舶；
S102、采用基于深度学习的目标检测算法识别跟踪所述目标船舶，利用所述测距仪对所述目标船舶进行测距得到所述目标船舶与所述相机的距离；
S103、获取所述相机拍摄的所述目标船舶的船舶图片，计算得到所述船舶图片中的船舶成像高度像素数量；
S104、根据所述相机的预设参数、所述目标船舶与所述相机的距离、所述船舶成像高度像素数量，利用预设高度计算公式计算得到所述目标船舶的水上高度。
本实施例利用AIS数据选择目标船舶，并对目标船舶进行测距如激光测距得到目标船舶与相机的距离，计算得到相机拍摄的船舶图片中的船舶成像高度像素数量，根据所述相机的预设参数、所述目标船舶与所述相机的距离、所述船舶成像高度像素数量综合计算得到所述目标船舶的水上高度。由于在锁定目标船舶后，采用高精度的目标检测算法识别跟踪所述目标船舶，以及同时综合了相机参数、激光测距、图片像素等多种参数来进行测量，使得最终测量的船舶水上高度更加精确，而且可利用AIS数据自动查找并锁定目标船舶，实现对船舶水上高度的自动测量。
具体地，在一实施例中，所述步骤S101包括：
实时获取AIS数据，确定预设测量区域内未测量的船舶，并按预设规则从未测量的船舶中选取目标船舶；
根据所述AIS数据获取所述目标船舶的船舶位置信息，计算所述目标船舶与所述相机的相机视场角以及视场偏移角；
根据所述目标船舶与所述云台的位置、所述相机视场角以及视场偏移角控制所述云台旋转，以使所述目标船舶始终保持在所述相机光轴线上。
船舶自动识别系统(Automatic Identification System，简称AIS系统)由岸基（基站）设施和船载设备共同组成，配合全球定位系统（GPS）将船位、船速、改变航向率及航向等船舶动态信息结合船名、呼号、吃水及危险货物等船舶静态信息由甚高频（VHF）频道向附近水域船舶及岸台广播。本实施例中，上电设备初始化，云台即光电转台旋转至初始位置，AIS接收基站接收实时AIS数据，并存入数据库，结合历史数据按船舶距离排序后，按预设规则从未测量的船舶中选取目标船舶。例如，可以选取测量区域内时间最近的未测船舶作为目标船舶，或者，选择距离最近或风险评估最高的未测船舶作为目标船舶等，在此不作限定。
参照图2所示，图2是本申请一实施例中基于AIS信息的目标船舶选取及自动跟踪示意图。获取目标船舶AIS信息中的位置信息，结合云台自身位置信息，计算所述目标船舶与所述相机的相机视场角以及视场偏移角；并根据所述目标船舶与所述云台的位置、所述相机视场角以及视场偏移角控制所述云台旋转，使相机找到目标船舶，并使所述目标船舶始终保持在所述相机光轴线上。
其中，所述根据所述AIS数据获取所述目标船舶的船舶位置信息，计算所述目标船舶与所述相机的相机视场角以及视场偏移角，包括：
解析所述船舶位置信息，计算所述目标船舶与相机视场角
，计算公式如下：
其中，
为船舶坐标纬度，
为船舶坐标经度，
为云台坐标纬度，
为云台坐标经度；
在所述目标船舶转入相机视场角后，视场偏移角的计算公式如下：
其中，
为所述目标船舶与相机成像中心视场偏移角，
为所述目标船舶与相机光轴的偏移像素个数，
为相机镜头光心与相机成像画面中心的偏移像素个数，
为相机焦距，h＇为相机成像像元尺寸。
具体地，在一实施例中，采用基于深度学习的目标检测算法识别跟踪所述目标船舶，利用所述激光测距仪对所述目标船舶进行激光测距得到所述目标船舶与所述相机的距离时，包括：
当目标船舶进入相机视场后，提取相机实时视频流的帧，并利用基于深度学习的目标检测算法识别模型对目标船舶进行识别。其中，基于深度学习的目标检测算法包括两阶段检测算法和单阶段检测算法，本实施例中以单阶段检测算法为例进行说明，基于深度学习的单阶段目标检测算法结构简单、计算高效且同时具备较高的检测精度。本实施例中的单阶段目标检测算法主体结构是一个可以进行端到端训练的深度神经网络，算法分为特征提取模块和目标检测模块，特征提取模块包含两部分：特征提取网络和辅助网络，特征提取网络由图像分类网络改造而成，辅助网络用于对特征提取网络输出的特征进行变换、融合；目标检测模块由若干全连接层或卷积层构成, 每个全连接层或者卷积层看作若干检测器的集合，每个检测器只能输出1个检测结果。
在识别出目标船舶后，对目标船舶进行标定，随后计算目标船舶画面占比及目标船舶与相机光轴的视场角，同时控制相机焦距使得目标船舶成像大小占成像画面的比例不低于1/3且不高于2/3。同时根据视场角控制云台旋转，使得目标船舶与相机光轴的视场角趋于0，即使目标船舶位于成像画面正中心。当目标船舶位于成像画面正中心即相机光轴穿过目标船且稳定后，激光测距仪连续多次测量目标船舶到相机镜头的距离，并计算平均值，得到最终所述目标船舶与所述相机的距离。需要说明的是，本实施例中云台上的相机包括可见光相机和红外相机，且所述激光测距仪、可见光相机、红外相机光轴需要保持平行。
具体地，在一实施例中，所述计算得到所述船舶图片中的船舶成像高度像素数量，包括：
采用基于先验信息的船舶轮廓识别算法提取所述船舶图片中的船舶轮廓；
利用透视变换矫正算法对所述船舶轮廓进行矫正，并计算得到所述船舶轮廓的船舶成像高度像素数量。
其中，所述先验信息为船舶形状先验信息，所述船舶轮廓识别算法为全卷积神经网络算法，所述采用基于先验信息的船舶轮廓识别算法提取所述船舶图片中的船舶轮廓，包括：利用训练集内的船舶形状先验信息训练全卷积神经网络模型，利用训练好的全卷积神经网络模型对所述船舶图片中的船舶轮廓边缘进行补充，例如根据先验信息补充模糊缺失的船舶轮廓边缘，得到相对完整的船舶轮廓，最后提取出所述船舶图片中的船舶轮廓。参照图3所示，图3是本申请一实施例中船舶轮廓识别算法的示意图。该船舶轮廓识别算法主体结构是一个全卷积神经网络，总共有16个卷积层，先对图像进行5次卷积操作，此时缩小为原图像的1/32，再进行2次卷积操作，得到1/32尺寸的heatMap，再对1/32尺寸的heatMap进行上采样操作，还原得到第5次卷积核中的特征，再向前迭代，把第4次卷积中的卷积核对上一次上采样之后的图进行反卷积补充细节，对低层次信息进行1x1的卷积降通道后融入先验信，再进行3x3的卷积，最后把卷积3中的卷积核对刚才上采样融合之后的图像进行再次反卷积补充轮廓细节，最终提取得到船舶轮廓。
此外，参照图4，图4是本申请一实施例中船舶姿态及倾角误差矫正示意图。本实施例中，在提取到船舶轮廓后，还利用透视变换矫正算法对所述船舶轮廓中的透视畸变以及倾角误差进行矫正；计算矫正后的船舶图片中目标船舶的船舶成像垂直像素个数最大值。例如，可计算透视变换方程组，将船舶轮廓图像通过坐标变换重新投影，得到船舶的正视平面，选取船舶成像轮廓最高点和其垂线与水面交点之间的像素个数与像元尺寸的乘积作为船舶成像高度。
进一步地，参照图5，图5是本申请一实施例中船舶水上高度计算原理示意图。根据所述相机的预设参数、所述目标船舶与所述相机的距离、所述船舶成像高度像素数量，利用预设高度计算公式计算得到所述目标船舶的水上高度。所述预设高度计算公式包括：
其中，
为所述目标船舶与所述相机的距离；
为船舶成像垂直像素个数最大值；
为相机成像元件像元尺寸宽度；
为相机焦距标定参数；
为相机的放大倍率；
为所述目标船舶的水上高度。
在一种可选的实施方式中，在计算得到目标船舶的水上高度后，还可将高度信息及AIS信息发送给AIS海图显示模块进行船舶高度标定。目标船舶测量结束后转至第一步选取下一艘待测船舶以实现全自动船舶水上高度测量。
综上所述，本实施例以摄像机针孔模型为基本原理，基于机器视觉图像处理、激光测距并结合AIS信息，实现远距离船舶水上高度全自动测量。在算法上，利用机器学习的方法识别船舶并提取船舶精准轮廓，通过选取兼具检测精度与速度的单阶段目标检测算法作为基础，针对水上运动船舶目标检测的具体应用场景进行改进，抑制纹理方向性较强的干扰（如江水波浪、云层等），更准更快地检测船舶。考虑到实际应用中容易受到背景（如波浪）的干扰，无法将船舶轮廓从背景中进行精确地提取，通过在轮廓检测前加入先验形状信息，同时使用多层次、多尺度的信息来获取高质量边缘，以提取更精确的船舶轮廓。显著提高了船舶水上高度测量的精确度。此外，本实施例采用可见光和红外结合的监测技术，避免恶劣天气和夜间对监视效果的影响，针对远距离图像不清晰问题，使用去雾算法进行改进，并使用基于先验信息的轮廓检测算法提高船舶轮廓的提取精度，同时结合AIS信息查找标定船舶以实现全天时、全天候、远距离、全自动测量，达到实时精准检测、减少通航水域船桥碰撞事故的目的。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
本实施例还提供一种船舶水上高度自动测量系统，该船舶水上高度自动测量系统与上述实施例中船舶水上高度自动测量方法一一对应。如图6所示，该船舶水上高度自动测量系统包括锁定模块601、测距模块602、计算模块603、测量模块604。各功能模块详细说明如下：
锁定模块601，用于获取AIS数据，根据所述AIS数据确定待测量的目标船舶，并控制所述云台旋转以使所述相机锁定所述目标船舶；
测距模块602，用于采用基于深度学习的目标检测算法识别跟踪所述目标船舶，利用所述测距仪对所述目标船舶进行测距得到所述目标船舶与所述相机的距离；
计算模块603，用于获取所述相机拍摄的所述目标船舶的船舶图片，计算得到所述船舶图片中的船舶成像高度像素数量；
测量模块604，用于根据所述相机的预设参数、所述目标船舶与所述相机的距离、所述船舶成像高度像素数量，利用预设高度计算公式计算得到所述目标船舶的水上高度。
关于船舶水上高度自动测量系统各个模块的具体限定可以参见上文中对于船舶水上高度自动测量方法的限定，在此不再赘述。上述船舶水上高度自动测量系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
参照图7，本实施例还提供了一种计算机设备，该计算机设备可以是移动终端、桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该计算机设备包括处理器10、存储器20及显示器30。图4仅示出了计算机设备的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
存储器20在一些实施例中可以是计算机设备的内部存储单元，例如计算机设备的硬盘或内存。存储器20在另一些实施例中也可以是计算机设备的外部存储设备，例如计算机设备上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（SecureDigital, SD）卡，闪存卡（Flash Card）等。进一步地，存储器20还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器20用于存储安装于计算机设备的应用软件及各类数据，例如安装计算机设备的程序代码等。存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器20上存储有船舶水上高度自动测量计算机程序40。
处理器10在一些实施例中可以是一中央处理器（Central Processing Unit,CPU），微处理器或其他数据处理芯片，用于运行存储器20中存储的程序代码或处理数据，例如执行船舶水上高度自动测量方法等。
显示器30在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。显示器30用于显示在计算机设备的信息以及用于显示可视化的用户界面。计算机设备的部件10-30通过系统总线相互通信。
在一实施例中，当处理器10执行存储器20中船舶水上高度自动测量计算机程序40时实现以下步骤：
获取AIS数据，根据所述AIS数据确定待测量的目标船舶，并控制所述云台旋转以使所述相机锁定所述目标船舶；
采用基于深度学习的目标检测算法识别跟踪所述目标船舶，利用所述测距仪对所述目标船舶进行测距得到所述目标船舶与所述相机的距离；
获取所述相机拍摄的所述目标船舶的船舶图片，计算得到所述船舶图片中的船舶成像高度像素数量；
根据所述相机的预设参数、所述目标船舶与所述相机的距离、所述船舶成像高度像素数量，利用预设高度计算公式计算得到所述目标船舶的水上高度。
本实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取AIS数据，根据所述AIS数据确定待测量的目标船舶，并控制所述云台旋转以使所述相机锁定所述目标船舶；
采用基于深度学习的目标检测算法识别跟踪所述目标船舶，利用所述测距仪对所述目标船舶进行测距得到所述目标船舶与所述相机的距离；
获取所述相机拍摄的所述目标船舶的船舶图片，计算得到所述船舶图片中的船舶成像高度像素数量；
根据所述相机的预设参数、所述目标船舶与所述相机的距离、所述船舶成像高度像素数量，利用预设高度计算公式计算得到所述目标船舶的水上高度。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。
本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink）DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。
Claims (10)
1.一种船舶水上高度自动测量方法，其特征在于，该方法应用于云台，所述云台上安装有相机和测距仪，该方法包括以下步骤：
获取AIS数据，根据所述AIS数据确定待测量的目标船舶，并控制所述云台旋转以使所述相机锁定所述目标船舶；
采用基于深度学习的目标检测算法识别跟踪所述目标船舶，利用所述测距仪对所述目标船舶进行测距得到所述目标船舶与所述相机的距离；
获取所述相机拍摄的所述目标船舶的船舶图片，计算得到所述船舶图片中的船舶成像高度像素数量；
根据所述相机的预设参数、所述目标船舶与所述相机的距离、所述船舶成像高度像素数量，利用预设高度计算公式计算得到所述目标船舶的水上高度。
2.根据权利要求1所述的船舶水上高度自动测量方法，其特征在于，所述计算得到所述船舶图片中的船舶成像高度像素数量，包括：
采用基于先验信息的船舶轮廓识别算法提取所述船舶图片中的船舶轮廓；
利用透视变换矫正算法对所述船舶轮廓进行矫正，并计算得到所述船舶轮廓的船舶成像高度像素数量。
3.根据权利要求2所述的船舶水上高度自动测量方法，其特征在于，所述先验信息为船舶形状先验信息，所述船舶轮廓识别算法为全卷积神经网络算法，所述采用基于先验信息的船舶轮廓识别算法提取所述船舶图片中的船舶轮廓，包括：
利用训练集内的船舶形状先验信息训练全卷积神经网络模型，利用训练好的全卷积神经网络模型对所述船舶图片中的船舶轮廓边缘进行补充，提取出所述船舶图片中的船舶轮廓。
4.根据权利要求2所述的船舶水上高度自动测量方法，其特征在于，所述利用透视变换矫正算法对所述船舶轮廓进行矫正，并计算得到所述船舶轮廓中的船舶成像高度像素数量，包括：
利用透视变换矫正算法对所述船舶轮廓中的透视畸变以及倾角误差进行矫正；
计算矫正后的船舶图片中目标船舶的船舶成像垂直像素个数最大值。
5.根据权利要求1所述的船舶水上高度自动测量方法，其特征在于，所述获取AIS数据，根据所述AIS数据确定待测量的目标船舶，并控制所述云台旋转以使所述相机锁定所述目标船舶包括：
实时获取AIS数据，确定预设测量区域内未测量的船舶，并按预设规则从未测量的船舶中选取目标船舶；
根据所述AIS数据获取所述目标船舶的船舶位置信息，计算所述目标船舶与所述相机的相机视场角以及视场偏移角；
根据所述目标船舶与所述云台的位置、所述相机视场角以及视场偏移角控制所述云台旋转，以使所述目标船舶始终保持在所述相机光轴线上。
6.根据权利要求5所述的船舶水上高度自动测量方法，其特征在于，所述根据所述AIS数据获取所述目标船舶的船舶位置信息，计算所述目标船舶与所述相机的相机视场角以及视场偏移角，包括：
解析所述船舶位置信息，计算所述目标船舶与相机视场角
，计算公式如下：
其中，
为船舶坐标纬度，
为船舶坐标经度，
为云台坐标纬度，
为云台坐标经度；
在所述目标船舶转入相机视场角后，视场偏移角的计算公式如下：
其中，
为所述目标船舶与相机成像中心视场偏移角，
为所述目标船舶与相机光轴的偏移像素个数，
为相机镜头光心与相机成像画面中心的偏移像素个数，
为相机焦距，h＇为相机成像像元尺寸。
7.根据权利要求1至6中任一项所述的船舶水上高度自动测量方法，其特征在于，所述利用预设高度计算公式计算得到所述目标船舶的水上高度包括：
其中，
为所述目标船舶与所述相机的距离；
为船舶成像垂直像素个数最大值；
为相机成像元件像元尺寸宽度；
为相机焦距标定参数；
为相机的放大倍率；
为所述目标船舶的水上高度。
8.一种船舶水上高度自动测量系统，其特征在于，所述系统包括：
锁定模块，用于获取AIS数据，根据所述AIS数据确定待测量的目标船舶，并控制所述云台旋转以使所述相机锁定所述目标船舶；
测距模块，用于采用基于深度学习的目标检测算法识别跟踪所述目标船舶，利用所述测距仪对所述目标船舶进行测距得到所述目标船舶与所述相机的距离；
计算模块，用于获取所述相机拍摄的所述目标船舶的船舶图片，计算得到所述船舶图片中的船舶成像高度像素数量；
测量模块，用于根据所述相机的预设参数、所述目标船舶与所述相机的距离、所述船舶成像高度像素数量，利用预设高度计算公式计算得到所述目标船舶的水上高度。
9.一种计算机设备，其特征在于，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述船舶水上高度自动测量方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述船舶水上高度自动测量方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111127576.0A CN113566720A (zh) | 2021-09-26 | 2021-09-26 | 船舶水上高度自动测量方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111127576.0A CN113566720A (zh) | 2021-09-26 | 2021-09-26 | 船舶水上高度自动测量方法、系统、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113566720A true CN113566720A (zh) | 2021-10-29 |
Family
ID=78174540
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111127576.0A Pending CN113566720A (zh) | 2021-09-26 | 2021-09-26 | 船舶水上高度自动测量方法、系统、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113566720A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114926522A (zh) * | 2022-04-29 | 2022-08-19 | 湖北国际物流机场有限公司 | 基于ais系统和视频技术的目标船舶探测系统及方法 |
| CN114972502A (zh) * | 2022-04-29 | 2022-08-30 | 湖北国际物流机场有限公司 | 基于拍摄成像的大型船舶海拔高度测算方法 |
| CN115265382A (zh) * | 2022-07-05 | 2022-11-01 | 浙江海莱云智科技有限公司 | 一种基于视频图像的船舶高度测量识别方法 |
| CN115856875A (zh) * | 2023-02-20 | 2023-03-28 | 和普威视光电股份有限公司 | 一种基于雷达光电联动的船高测量方法、系统及装置 |
| CN117994316A (zh) * | 2024-01-11 | 2024-05-07 | 自然资源部第一海洋研究所 | 一种基于ais的船只水上高度自动提取方法及系统 |
| CN118134989A (zh) * | 2024-04-30 | 2024-06-04 | 宁波朗达科技有限公司 | 一种基于云台自动追踪的广海域远距离船舶高度检测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104916166A (zh) * | 2015-05-07 | 2015-09-16 | 南通大学 | 一种桥梁防撞预警系统及实现方法 |
| KR20190019561A (ko) * | 2017-08-18 | 2019-02-27 | 대우조선해양 주식회사 | 선박의 충돌 위험도 결정 방법 및 그 장치 |
| CN111523465A (zh) * | 2020-04-23 | 2020-08-11 | 中船重工鹏力（南京）大气海洋信息系统有限公司 | 基于摄像机标定及深度学习算法的船舶身份识别系统 |
| CN111784759A (zh) * | 2020-06-11 | 2020-10-16 | 广州中交通信有限公司 | 基于计算机视觉的船舶高度计算方法、系统和存储介质 |
-
2021
- 2021-09-26 CN CN202111127576.0A patent/CN113566720A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104916166A (zh) * | 2015-05-07 | 2015-09-16 | 南通大学 | 一种桥梁防撞预警系统及实现方法 |
| KR20190019561A (ko) * | 2017-08-18 | 2019-02-27 | 대우조선해양 주식회사 | 선박의 충돌 위험도 결정 방법 및 그 장치 |
| CN111523465A (zh) * | 2020-04-23 | 2020-08-11 | 中船重工鹏力（南京）大气海洋信息系统有限公司 | 基于摄像机标定及深度学习算法的船舶身份识别系统 |
| CN111784759A (zh) * | 2020-06-11 | 2020-10-16 | 广州中交通信有限公司 | 基于计算机视觉的船舶高度计算方法、系统和存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 孟金龙: "基于海洋大数据的航道约束条件下的船舶轨迹预测", 《中国优秀博硕士学位论文全文数据库（硕士） 工程科技‖辑》 * |
| 陶进 等: "海事闭路电视智能联动云台定位算法", 《大连海事大学学报》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114926522A (zh) * | 2022-04-29 | 2022-08-19 | 湖北国际物流机场有限公司 | 基于ais系统和视频技术的目标船舶探测系统及方法 |
| CN114972502A (zh) * | 2022-04-29 | 2022-08-30 | 湖北国际物流机场有限公司 | 基于拍摄成像的大型船舶海拔高度测算方法 |
| CN114926522B (zh) * | 2022-04-29 | 2024-03-15 | 湖北国际物流机场有限公司 | 基于ais系统和视频技术的目标船舶探测系统及方法 |
| CN114972502B (zh) * | 2022-04-29 | 2024-03-15 | 湖北国际物流机场有限公司 | 基于拍摄成像的大型船舶海拔高度测算方法 |
| CN115265382A (zh) * | 2022-07-05 | 2022-11-01 | 浙江海莱云智科技有限公司 | 一种基于视频图像的船舶高度测量识别方法 |
| CN115265382B (zh) * | 2022-07-05 | 2023-08-22 | 浙江海莱云智科技有限公司 | 一种基于视频图像的船舶高度测量识别方法 |
| CN115856875A (zh) * | 2023-02-20 | 2023-03-28 | 和普威视光电股份有限公司 | 一种基于雷达光电联动的船高测量方法、系统及装置 |
| CN117994316A (zh) * | 2024-01-11 | 2024-05-07 | 自然资源部第一海洋研究所 | 一种基于ais的船只水上高度自动提取方法及系统 |
| CN118134989A (zh) * | 2024-04-30 | 2024-06-04 | 宁波朗达科技有限公司 | 一种基于云台自动追踪的广海域远距离船舶高度检测方法 |
| CN118134989B (zh) * | 2024-04-30 | 2024-07-26 | 宁波朗达科技有限公司 | 一种基于云台自动追踪的广海域远距离船舶高度检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113566720A (zh) | 船舶水上高度自动测量方法、系统、设备及存储介质 | |
| CN107782321B (zh) | 一种基于视觉和高精度地图车道线约束的组合导航方法 | |
| CN105841688B (zh) | 一种船舶辅助泊岸方法和系统 | |
| US11958576B2 (en) | Automated draft survey | |
| CN105842724B (zh) | 一种船舶辅助泊岸方法和系统 | |
| US20220024549A1 (en) | System and method for measuring the distance to an object in water | |
| CN101441082A (zh) | 快速三角形星图识别方法 | |
| CN105527656B (zh) | 塔架式机场跑道异物定位方法 | |
| US20170316573A1 (en) | Position measuring equipment | |
| US20230095500A1 (en) | Camera Calibration Method | |
| CN114120149B (zh) | 一种倾斜摄影测量建筑物特征点提取方法、装置、电子设备及介质 | |
| CN115308762B (zh) | 基于激光雷达和ais的船舶识别方法及装置 | |
| CN109509233A (zh) | 一种基于rfid标签位置信息的ptz摄像机目标跟踪方法、系统及装置 | |
| CN113920447A (zh) | 船舶入港检测方法、装置、计算机设备及存储介质 | |
| Del Pizzo et al. | Reliable vessel attitude estimation by wide angle camera | |
| CN113673288B (zh) | 空闲车位检测方法、装置、计算机设备及存储介质 | |
| US20230370815A1 (en) | Localization by using skyline data | |
| CN115830140B (zh) | 一种海上近程光电监控方法、系统、介质、设备及终端 | |
| CN114237262B (zh) | 一种水面无人船自动停泊方法及系统 | |
| CN110196444A (zh) | 基于船用雷达的船舶自动定位方法及装置 | |
| CN115993616A (zh) | 一种基于异源影像匹配的无人机快速地理定位方法及装置 | |
| CN113850864B (zh) | 一种面向室外移动机器人的gnss/lidar回环检测方法 | |
| US20220103762A1 (en) | Imaging apparatus, imaging system, and imaging method | |
| CN118314771B (zh) | 一种船舶碰撞风险评估方法及系统 | |
| GB2523598A (en) | Method for determining the position of a client device |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211029 |
|
| RJ01 | Rejection of invention patent application after publication |