基于港口匹配和海域分割的靠岸舰船检测方法

针对可见光图像中靠岸舰船的灰度、纹理等特征的自动检测比较困难的问题,提出一种基于港口匹配和海域分割的靠岸舰船检测方法.根据飞行器实时返回的姿态信息,将港口模板变换到实时图同一视角下进行港口配准,确定实时图海域部分,再对海域进行分割,检测出舰船.采用基于边缘梯度矢量的港口配准方法,克服岸内边缘干扰,提高匹配精度.提出一种特征融合聚类结合生长的分割算法,解决灰度不均匀导致的分割后舰船断裂现象,优化海陆分割效果.试验结果证明了该方法的有效性和鲁棒性.     

基于H-CFAR的SAR图像快速舰船目标检测

SAR舰船目标的快速、准确检测是SAR海洋业务化应用中的重要需求,文章提出了一种基于直方图恒虚警率(H-CFAR)的快速检测方法.该方法直接利用SAR图像的灰度直方图信息,并结合CFAR算法,实现了SAR舰船目标的检测;利用ASAR、TerraSAR和Radarsat-2数据对此方法进行了检验,结果表明,该方法与现有的K CFAR相比,在相同的硬件条件下,能够更快更准确地实现SAR舰船目标检测.     

海天线上舰船定位算法研究

针对成像型反舰导弹所获光学图像目标的特点,提出了一种海天线上舰船目标定位算法.该算法利用Can-ny边缘检测算法和OTSU算法对图像进行预处理,再利用投影法检测出海天线及舰船图像的上边缘,进而用一元线性回归方程拟合得到海天线方程,最后利用海天线信息定位海天线区域中的舰船目标.实验结果表明,该方法能够有效地确定海天线以及舰船目标在海天线区域中的位置,并且计算量小于已有的方法.     

基于低复杂度卷积神经网络的星载SAR舰船检测

星载SAR(合成孔径雷达)舰船检测广泛应用于海上救援和国土安全防护等领域.鉴于传统的检测方法仍存在虚警率高等缺点,本文将具有强大表征能力的卷积神经网络(CNN)引入到星载SAR舰船检测中,面向SAR舰船检测的精准快速的需求,提出了基于低复杂度CNN的星载SAR舰船检测算法.算法结合星载SAR图像的特点,利用ROI提取方法实现目标粗提取,得到可疑目标切片及其对应的位置信息;通过构建的低复杂度CNN对所有的可疑目标切片进行精确分类,确定舰船目标,从而实现舰船目标检测.实验测试结果表明:本文提出的算法可以实现精准的星载SAR舰船检测;与传统双参数CFAR目标检测和基于现有深度网络框架(LeNet、GoogLeNet)的检测算法相比,该算法检测性能更好、检测时间更短,可有效降低检测漏检率和虚警率.     

基于改进Mask R-CNN的可见光图像中舰船目标检测方法

针对基于卷积神经网络的目标识别方法中经典的矩形检测框在检测舰船目标时会框出很多无关区域,易出现漏检、误检等问题,提出基于改进Mask R-CNN （mask region-based convolution neural networks）的舰船目标检测方法,在Mask R-CNN网络的基础上通过增加判别模块、类别预测分支和语义分割分支对视觉系统采集的可见光图像中的舰船目标进行目标定位和类别预测,同时获得舰船目标的边缘轮廓并实现对军舰目标的语义分割,为海上无人作战系统提供更精确的信息.实验结果表明,该方法在保持较高检出率和运行效率的同时误检率较低,舰船目标的平均检测精度较高,具有良好的舰船目标检测性能.      

基于近似后验信息的高光谱海上舰船目标检测

针对近海场景高光谱舰船目标检测易受海岸附近岛屿目标影响,造成检测率低、虚警率高的问题,提出一种基于近似后验信息的舰船检测方法.首先对近、短波红外波段灰度影像进行海陆预分割;然后通过顶点成分分析从陆地区域获取陆地近似后验光谱,并利用其对海域进行约束能量最小化检测,去除海域中的疑似陆地像元;最后再利用顶点成分分析从新海域中...     

基于显著性检测的红外舰船目标检测识别技术

为有效解决舰船目标的检测与识别问题,提出一种基于显著性检测和Hu不变矩的红外舰船目标检测识别方法,首先使用中值滤波、维纳滤波及灰度非线性变换去除噪声,增强对比度,然后利用Itti算法模型进行显著性检测,针对检测分割后的舰船目标提取几何特征、灰度特征和Hu不变矩特征进行综合识别.经大量仿真实验证明,此方法具有较高的检测识...     

水面航行体对舰船目标的图像检测方法

针对水面航行体在近岸水域条件下对舰船目标进行实时光学检测时,易受到光照、相似颜色背景和海面波浪反射等干扰的问题,提出了基于改进视觉注意模型的舰船目标检测方法,采用小波变换方法提取图像的低频、高频特征,将任务水域图像从RGB颜色空间转化到HSV颜色空间来提取图像的色调、饱和度和明度特征,应用高斯金字塔、归一化算子等图像处理方法融合了各类特征.仿真结果表明,提出的舰船目标检测方法能够准确地实现复杂背景条件的舰船目标检测,具有良好的抗干扰能力.      

基于特征金字塔模型的高分辨率遥感图像船舶目标检测

以舰船为研究对象,研究高分辨遥感图像的多尺度多目标检测中的关键技术,主要解决多尺度多目标识别和细粒度分类准确率低等问题.在目标定位方面,利用特征金字塔深度网络定位多目标区域,创建一个在所有尺度上均具有语义信息的特征金字塔,有效解决多尺度多目标数据定位准确率低这一关键问题;在目标识别方面,利用共享CNN网络重建输入图像、优化多任务损失函数提取细粒度分类目标结构特征,提高细分目标识别准确率.与GoogLeNet、Faster R-CNN和Yolo三种目标检测算法对比实验表明,利用特征金字塔和重建输入图像可有效检测多目标多尺度的细粒度船舶对象,漏检率为1.5%,细粒度分类识别平均准确率为92.67%.     

基于深层次特征增强网络的SAR图像舰船检测

针对合成孔径雷达图像中舰船目标检测困难的问题,提出了一种基于深层次特征增强网络的多尺度目标检测框架.利用Darknet53提取原始图像特征,自上而下建立四尺度特征金字塔;特别设计基于注意力机制的特征融合结构,自下而上衔接相邻特征层,构建增强型特征金字塔;利用候选区域及其周边上下文信息为检测器计算分类置信度和目标分数提供更高质量的判定依据.所提算法在SSDD公开数据集和SAR-Ship自建数据集上的平均检测精度分别为94.43%和91.92%.实验结果表明,该算法设定合理且检测性能优越.      

Detection of weak ship signals with the optimization of polarimetric contrast enhancement

An optimization of polarimetric contrast enhancement method is proposed to detect ships with low ship-to-clutter power ratio. The received power is calculated with Kennaugh matrix and an iterative algorithm is adopted to get the optimal polarimetric states. The optimization method depresses the power of ocean clutter and increases the power of ship signal. With the double effects, the contrast of ship to ocean is dramatically increased. Thus small ship or weak signals of low ship-to-ocean power ratio can easily be detected. Ship signals can be distinguished from speckle noise using the different variation trend after optimization, and thus the threshold problem can be avoided. Moreover, the analyses of different ship's Kennaugh matrices give two implications. One is that the results are affected little by choosing different Kennaugh matrices of ships with strong intensity from Synthetic Aperture Radar (SAR) images. The other is that ship's Kennaugh matrix chosen from real SAR images is more favorable than that of ideal scattering. Finally, the optimization results are confirmed by polarimetric scattering angle and co-polarization phase difference.     

几种千吨级高性能船型阻力性能对比

为对千吨级圆舭船、深V船、穿浪双体船、三体船型阻力性能进行对比分析,采用Noblesse改进新细长体兴波阻力理论,并考虑基元波波陡限制,计算各船型兴波阻力,试验结果验证了该数值计算方法的有效性.计算了等排水量的上述船型的兴波阻力和总阻力,给出了各船型阻力性能特点和航速适用范围.     

基于可变形部件模型的遥感影像船只检测方法

提出了一种基于混合可变形部件模型的船只检测方法.该方法采用基于梯度方向直方图(HOG)特征的可变形部件模型(DPM)来描述船只,在HOG特征金字塔空间通过滑窗方式检测目标.基于HOG特征的DPM不具有方向不变性,因此根据船只目标特点,分别从模型训练阶段和目标检测阶段进行改进.在模型训练阶段,为了减少模板数量,将所有船只样本旋转到相同方向进行参数学习;在目标检测阶段,将兴趣区旋转至特定方向后进行模板匹配,实现遥感影像上任意方向的船只检测.利用该方法在高分二号光学遥感影像上进行船只检测,实验结果表明此方法可以有效检测船只.     

紧急停船运动数学模型及其仿真研究

基于船舶推进和船舶操纵性理论，建议了一个计算紧急停船运动的数学模型，并对其中的螺旋桨水动力和力矩提出了一种新的处理方法．利用该数学模型对数十艘实船进行了紧急停船仿真计算，并与相应的实船试航、实船试验实测结果进行了比较，吻合很好．验证了该数学模型的正确与有效，可用于计算船舶的紧急停船运动与预报船舶的紧急停船性能．     

人船一体系统模型复合控制的研究

为减少由于人的决策失误导致的海难事故,提高船舶操纵质量,提出应用于动态不确定性船舶运动的人船一体系统模型(ISSM).建立了ISSM的结构形式,给出了相关参考数据.依据驾驶员的学习和辨识能力,使ISSM适应船舶特性的变化,利用最陡下降法使ISSM误差平方和达到最小.对船舶航向控制的仿真结果表明,该模型可使船舶运动跟踪理想的航迹,最大限度地发挥船舶操纵的技术性能,从而获得优良的船舶操纵品质.     

船舶参数激励横摇运动研究综述

为避免参数激励导致船舶出现不稳定横摇,提出有效抑制参数横摇的方法.分析参数激励引起的大幅横摇运动的动力特性,从船舶非线性耦合运动、横浪运动、纵浪上参数激励运动和波浪上参数与波浪联合激励运动方面,对目前研究现状及取得的主要成果进行综述,对船舶参数激励横摇运动及其倾覆机理的研究前景进行展望.     

目标船碰撞危险及模型

针对目标船间的碰撞危险提出一种利用本船观测获取的目标船数据,解算目标船间dCPA和tCPA的方法,通过建立的目标船间碰撞危险数学模型可直接获得周边水域目标间的碰撞危险信息,为值班驾驶员及避碰专家系统提供更加有效的避碰决策信息,有利于提高船舶避碰决策的正确性.     

Pose-relay videometrics based ship deformation measurement system and sea trials

The measurement of ship deformation has been a difficult problem for the global ship building industry and navigation field research.So far,an effective and proven method for measuring 3D position and attitude deformation remains unavailable.This article proposes an innovative pose-relay videometrics measurement system for ship deformation on the basis of primary research and experimental validation.The system offers solutions to the important technical problems such as infrared marker manufacture,high-precision detection and multi-camera synchronization and control.Sea trials were carried out,and reasonable,long-term,and continuous 3D data of position and attitude deformations between a given deck point and the ship reference,and between the ship’s head and the stern were acquired for the first time.The experiments have highlighted the considerable applicability of the proposed method of deformation measurement and long-term monitoring of ships and similar large structures.     

基于四叉树扇形层值聚类的无人船障碍物检测

为了实现无人船自主导航过程中对障碍物的精确检测,提出了一种基于四叉树扇形层值聚类的无人船障碍物检测方法。首先基于四叉树扇形划分进行障碍物点云数据地检索,并剔除扇形象限内不可信数据;然后利用所获得的四叉树层值来求取全局密度距离,进而获得层值阈值,以此来对不规则多线形障碍物特征进行检测;最后通过建立数据点之间的空间拓扑关系来求取参考距离,并以参考距离为基准对障碍物点云数据进行聚类判定,提高聚类分割准确性。多线形障碍物特征识别性能测试及水面无人船障碍物检测实验结果表明,相较于其他密度聚类算法,在正检率、误检率和漏检率性能指标方面,前者测试中文中算法分别平均下降了9.86%、5.04%、3.10%,后者测试中文中算法分别平均下降了10.50% 、6.97%、2.95%。