王群朋， 張金水， 趙銀祥， 張明陽

(1. 廣州航海學(xué)院 海運學(xué)院， 廣州 510725； 2. 武漢理工大學(xué) a. 智能交通系統(tǒng)研究中心;b. 國家水運安全工程技術(shù)研究中心， 武漢 430063； 3. 阿爾托大學(xué) 工程學(xué)院， 艾斯堡 芬蘭 20110)

提高船舶檢測和跟蹤技術(shù)對于保障船舶安全航行、減少海事事故和實現(xiàn)船舶信息化管理而言具有重要意義。[1]船舶檢測和跟蹤的方法繁多，檢測設(shè)備復(fù)雜多樣，例如雷達、船舶自動識別系統(tǒng)(Automatic Identification System, AIS)和視頻裝置等。 在特殊環(huán)境下，各種類型設(shè)備的監(jiān)控效果都會受到影響，例如夜間環(huán)境能見度低，視線模糊，雖然雷達能助航，但雷達目標不夠直觀，無法判斷目標的種類[2]，AIS信號易丟失且易受船載設(shè)備的影響。[3]針對夜間海事監(jiān)控存在的不足，提出一種基于視頻圖像處理的夜間船舶檢測和跟蹤方法，進一步為船舶夜間航行監(jiān)管提供技術(shù)支持。

傳統(tǒng)的夜間船舶檢測方法可分為紅外攝像頭、合成孔徑雷達(Synthetic Aperture Radar, SAR)和衛(wèi)星檢測等3類。首先，利用紅外攝像頭較強的適應(yīng)能力進行夜間船舶檢測。LIU等[4]通過在橋墩上搭建平臺、架設(shè)紅外攝像頭構(gòu)建船橋碰撞報警系統(tǒng)，能實現(xiàn)白天和夜間的船舶檢測。LIU等[5]為實現(xiàn)港口全天候船舶異常行為檢測，避免船舶發(fā)生被偷事件，采用紅外攝像頭進行港口船舶檢測，并運用SAR進行全天候船舶檢測。TELLO等[6]和MARINO[7]分別采用小波變換和陷波濾波器進行SAR圖像船舶檢測，但因SAR能量消耗較高，無法保證對夜間船舶航行的持續(xù)監(jiān)控，該方式主要應(yīng)用于漁業(yè)檢測和漏油管理中；同時，運用衛(wèi)星圖像進行漁船檢測，主要利用漁船燈光進行船舶檢測，最早為操作線性掃描系統(tǒng)，后來發(fā)展為可視紅外成像輻射系統(tǒng)，通過可視紅外成像輻射系統(tǒng)(Visible Infrared Imaging Radiometer Suite, VIIRS)采集晝夜波段(Day/Night Band, DNB)數(shù)據(jù)。ELVIDGE等[8]設(shè)計DNB數(shù)據(jù)船舶檢測系統(tǒng)；YAMAGUCHI[9]基于DNB數(shù)據(jù)和BT3.7提出船舶交通流密度評估算法，但該類夜間船舶檢測方法主要針對漁船檢測，在其他情景中應(yīng)用較少。

目前，采用視頻實現(xiàn)船舶檢測的應(yīng)用領(lǐng)域包括復(fù)雜碼頭運動船舶監(jiān)控[10]、漁業(yè)監(jiān)管中船舶監(jiān)控[11]、控制河段船舶違章航行檢測[12]和基于視頻的船舶流量統(tǒng)計[13]等。在視頻船舶檢測方法中，主要有基于傳統(tǒng)圖像處理的方法，如Vibe背景檢測算法[14]、基于卷積神經(jīng)網(wǎng)絡(luò)的方法[15]和采用Opencv[16]或DirectShow[17]等軟件技術(shù)的監(jiān)控方法。然而，這些船舶檢測方法均依靠視頻圖像中船舶的特征進行檢測，不適合對夜間航行的船舶進行特征檢測。綜上所述，當(dāng)前針對夜間視頻船舶檢測方法的研究較少，需進一步研究如何在夜間采用普通攝像頭捕捉運動船舶并對其進行動態(tài)跟蹤。借鑒實時交通信號燈檢測方法[18]，船舶在夜間航行時開啟船燈，考慮對船燈進行檢測并跟蹤，以實現(xiàn)對夜間船舶的檢測和跟蹤。

夜間航行船舶的檢測和跟蹤包含船燈檢測和跟蹤2步。夜間航行船舶船燈檢測即邊緣檢測，邊緣檢測算子可分為一階微分算子(Laplacian of Gaussian, LOG)(例如：Prewitt和Sobel算子)和二階微分算子。陳娟等[19]對多個LOG的應(yīng)用進行分析，提出邊緣檢測方法需根據(jù)不同圖像類型和應(yīng)用場合進行選擇。常用的一階微分算子(如Roberts算子和Laplacian算子)運算簡單，但抗干擾性能較差，且會在邊緣檢測到噪聲，適用性有限；Canny算子在性能上優(yōu)于LOG算子，但在相同尺度下定位和執(zhí)行效率具有一定的局限性。[20]常用的目標跟蹤算法包括光流跟蹤、MeanShift跟蹤算法和Kalman濾波等。對船舶的檢測多采用線性Kalman濾波[21-22]，由于一般圖像序列中相鄰幀的時間間隔通常很小，船舶航行狀態(tài)難以發(fā)生明顯變化，特別是在受限水域或其他特殊航行環(huán)境下，基本可認為船舶勻速運動，即目標在視頻中具有連續(xù)性的特征，從而滿足Kalman濾波模型。

基于上述分析，本文采用LOG算子進行船舶燈光檢測并使用Kalman濾波進行光斑跟蹤。通過實際夜間船舶航行視頻分析，研究夜間船舶檢測和跟蹤方法。本文主要創(chuàng)新之處在于：

1. 提出通過對船舶船燈進行檢測和跟蹤的方法，實現(xiàn)對夜間航行船舶的跟蹤。

2. 采用LOG算子對船舶燈光進行檢測，并結(jié)合光斑閾值過濾方法，提高船舶光斑檢測的有效性。

1 問題分析

1.1 夜間船舶跟蹤

當(dāng)前夜間船舶主要依靠紅外攝像頭、SAR和衛(wèi)星檢測，但各類方法存在費用較高和無法持續(xù)性檢測等問題，同時受適用范圍的限制，在部分水域無法適用。普通的攝像頭廣泛應(yīng)用于視頻檢測中，然而船舶夜間航行難以對船舶本身進行識別，尤其是在航行環(huán)景復(fù)雜時，難以提取船舶圖像的特征，因此很少應(yīng)用于夜間船舶檢測。

1.2 船燈檢測

夜間船舶跟蹤可基于對船舶燈光的檢測和跟蹤轉(zhuǎn)化為邊緣檢測，在夜間船舶航行視頻中對船舶燈光進行檢測時，由于視頻背景為江岸居民生活區(qū)而存在光斑，會干擾對船舶燈光的檢測。同時，江水對船舶燈光的反光效果也會對檢測結(jié)果產(chǎn)生消極影響。船燈檢測算子需具備較強的抗干擾性能。此外，同一艘船舶多個船燈之間較近，需要保證光斑的檢測準確性。

1.3 研究動機

針對當(dāng)前夜間航行船舶跟蹤主要依靠紅外攝像頭和雷達等問題，為彌補采用普通攝像頭實現(xiàn)的不足，提出一種基于光斑跟蹤的夜間船舶航行跟蹤方法。當(dāng)船舶航行時，船燈點亮，隨著船舶移動，因此將對船舶的跟蹤轉(zhuǎn)換為對船燈的跟蹤，完成基于普通攝像頭的夜間船舶航行跟蹤。在船燈檢測中，受沿岸生活區(qū)燈光和船燈在水面反光的影響，采集的圖像中包含其他無效光斑。在通過LOG算子對光斑進行準確檢測的基礎(chǔ)上，結(jié)合試驗方法設(shè)置光斑閾值對無效光斑進行過濾，以保證船燈檢測效果。

2 算法

2.1 算法框架

船舶燈光檢測跟蹤方法流程包括圖像預(yù)處理、光斑檢測和光斑跟蹤等部分，見圖1。通過輸入船舶航行監(jiān)控視頻，獲取視頻幀圖像，在預(yù)處理(包括圖像裁剪和灰度化)的基礎(chǔ)上，先對光斑進行檢測，根據(jù)光斑檢測結(jié)果(光斑在圖像中的X/Y坐標)對光斑進行跟蹤，獲取船舶夜間航行軌跡。該過程主要包括光斑檢測和光斑跟蹤2步。

1) 在夜間視頻灰度圖像中檢測所有光斑，從夜間航行視頻中檢測到的燈光可能包含岸邊建筑物或橋燈燈光，因此需對光斑進行過濾。本文首先選擇LOG算子[23]作為邊緣檢測算子進行燈光檢測，再根據(jù)光斑的灰度值對光斑進行閾值過濾，盡可能地保留船燈光斑。

2) 對光斑進行跟蹤。由于在同一幀圖像中不同的船舶有各自的船燈，且同一艘船舶可能有多個船燈，因此需要對多個目標進行跟蹤。本文采用Kalman跟蹤方法[21]對多運動目標進行跟蹤，以實現(xiàn)對運動船舶的跟蹤。

2.2 船舶燈光檢測

船燈檢測即光斑檢測，可進一步將光斑檢測轉(zhuǎn)化為圖像邊緣檢測，本文采用LOG算子進行邊緣檢測。Marr和Hildreth將高斯濾波與拉普拉斯算子相結(jié)合形成LOG，其充分利用高斯函數(shù)減小噪聲點，并借助拉普拉斯模板使檢測到假邊緣的概率減小。[19]LOG算子為

(1)

然而，由于圖像中受到其他沿岸燈光和船燈在江面的反光等干擾，需保證船燈檢測效果?？紤]到沿岸燈光和水面反光光斑亮度會受距離等因素的影響，光斑亮度低于船燈，可通過設(shè)置光斑閾值對光斑進行過濾。因此，光斑檢測主要流程包括：使圖像灰度化，并進行LOG算子檢測；對圖像光斑閾值進行過濾；進行最大值濾波和背景檢測，從而檢測圖像峰值，判斷光斑的中心位置和和半徑；根據(jù)光斑重疊面積占光斑自身面積的比例判斷光斑重疊情況；輸出光斑和圖像。光斑檢測算法流程見圖2。

2.2.1圖像尺度變換

攝像頭采集原始圖像為RGB圖像，首先需將圖像轉(zhuǎn)為灰度圖像。由于光斑尺度未確定，可采用不同尺度濾波器對圖像進行邊緣檢測。濾波器尺度取決于卷積核參數(shù)σ，因此構(gòu)建等間隔向量用于不同尺度濾波器中。

2.2.2LOG光斑檢測

分別在水平方向和垂直方向上進行高斯卷積運算和高斯-拉普拉斯卷積運算，并對2個方向上的計算結(jié)果進行求和運算。具體過程為：首先對垂直方向進行高斯拉普拉斯卷積運算；其次對水平方向進行高斯卷積運算，并將卷積運算后的圖像在水平方向進行高斯卷積運算；接著在水平方向進行高斯拉普拉斯卷積運算；最后對2個方向上的卷積運算結(jié)果進行求和運算。

2.2.3光斑閾值判斷

由于夜間內(nèi)河視頻圖像中包含建筑燈光等背景燈光，因此需對檢測到的非船舶光斑進行過濾。通過設(shè)置灰度值閾值進行判斷：若閾值過小，則檢測到光斑包含其他類型的燈光，從而導(dǎo)致光斑數(shù)量過多，難以有效跟蹤；若閾值過大，則檢測光斑數(shù)量過少，無法實現(xiàn)船舶檢測和后續(xù)跟蹤。閾值的大小影響光斑的數(shù)量和檢測精度，由于無法事先確定各類光斑間的差異，擬通過試驗的方法確定閾值。

2.2.4峰值檢測

峰值檢測在于獲取光斑的中心位置和半徑，包含最大值濾波、背景檢測和圖像腐蝕等3步。

(1) 圖像閾值判斷后圖像光斑較小，采用最大值濾波增大光斑，最大值濾波的原理是用卷積核最大像素值替代中心像素值，從而有效放大原始光斑。

(2) 根據(jù)最大值濾波前后圖像數(shù)據(jù)的對比結(jié)果，區(qū)分船舶光斑和背景，即將最大值濾波后像素值發(fā)生變化的情況取值為0，否則取值為1。

(3) 根據(jù)背景檢測結(jié)果對圖像背景進行腐蝕，獲取光斑實際大??；對最大值濾波后的結(jié)果與腐蝕后背景圖像做差，得出船舶光斑中心位置和光斑的半徑。

2.2.5光斑重疊判斷

光斑重疊判斷規(guī)則如下：首先計算2個光斑半徑之和rsum、半徑之差的絕對值rdiff和2個光斑中心點之間的距離d。若d≤rdiff，說明小光斑位于大光斑圓環(huán)內(nèi)，可不考慮小光斑；若rsum≤d，說明不存在重疊，否則計算2個光斑之間的重疊面積。光斑重疊面積計算示意見圖3，其中：r1、r2和d分別為2個光斑的半徑和光斑中心之間的距離；在此基礎(chǔ)上，分別計算重疊區(qū)域面積與各光斑面積的比值，若該比值大于設(shè)定閾值(本文初始取0.1)，則認為該光斑存在重疊。光斑重疊區(qū)域面積計算流程偽代碼如下：

圖3 光斑重疊面積計算示意

Inputs:x1,y1,r1,x2,y2,r2

rdiff=r1-r2

2:ifd≤rdiff,then

3: area=π×r2×r2

4: else ifd≥rsum

5: area=0

6: else

7:θ1=acos×((d2+r1-r2)/2×r1×d)

8:θ2=acos×((d2+r2-r1)/2×r2×d)

10: end if

2.3 船舶燈光跟蹤

在實現(xiàn)視頻光斑檢測之后，采用Kalman濾波對光斑進行跟蹤。由于在視頻圖像中檢測到的光斑數(shù)量較多，需對多個光斑進行跟蹤。對單幀圖像中檢測到的光斑依次循環(huán)進行Kalman濾波單目標跟蹤，即可實現(xiàn)濾波多目標跟蹤。[24]

2.3.1Kalman濾波

船舶在規(guī)定的航道內(nèi)航行時，其航行狀態(tài)主要受航速的影響，同時船舶在相鄰幀短時間內(nèi)具有連續(xù)性特征，因此可構(gòu)建船舶的位置和航速狀態(tài)向量，基于線性Kalman濾波模型進行跟蹤。以單個光斑跟蹤為例，假設(shè):xk和yk分別為k時刻光斑中心所在位置;vx和vy分別為x和y方向上的速度;ax和ay分別為x和y方向上的加速度。定義用來描述運動目標狀態(tài)的向量為

(2)

觀測向量Zk為

(3)

由此確定狀態(tài)轉(zhuǎn)移矩陣A，控制輸入矩陣B，k時刻對系統(tǒng)的控制量Uk、系統(tǒng)測量矩陣H及其對應(yīng)的協(xié)方差矩陣為

(4)

當(dāng)確定Kalman濾波參數(shù)以后，采用Kalman濾波實現(xiàn)目標跟蹤的過程如下：

首先對下一刻的狀態(tài)進行預(yù)測并計算協(xié)方差矩陣，有

(5)

通過更新加入觀測值校正以后，得到狀態(tài)變量值矩陣和協(xié)方差矩陣，有

(6)

Kalman增益計算為

(7)

經(jīng)過式(5)和式(6)的預(yù)測和更新，可得到下一時刻的校正值，不斷循環(huán)上述2個步驟，以實現(xiàn)Kalman濾波跟蹤。

2.3.2光斑多目標跟蹤算法流程

夜間船舶多光斑跟蹤需解決的主要問題包括：由于光斑數(shù)量較多，需對每一幀圖像檢測到的光斑進行匹配；由于燈光閃爍的問題，導(dǎo)致光斑檢測不穩(wěn)定，例如同一個光斑相鄰幀圖像未能均檢測到該光斑。同時，船舶駛離視頻監(jiān)控區(qū)域范圍時，需將對應(yīng)光斑的觀測結(jié)果刪除。

針對第一個問題，采用匈牙利算法[25]進行光斑匹配；針對第二個問題，首先對上一幀跟蹤光斑進行Kalman濾波，再對觀測結(jié)果與測量結(jié)果進行匈牙利匹配，根據(jù)匹配的結(jié)果和設(shè)定的距離閾值判斷光斑是否保留。將未匹配上的新檢測到的光斑作為新的光斑，同時將原有而之后未匹配次數(shù)達到閾值的光斑設(shè)為已離開視頻監(jiān)控區(qū)域的光斑，進行刪除。跟蹤流程見圖4。

圖4 光斑跟蹤算法流程

(1) Kalman濾波預(yù)測。根據(jù)2.3.1節(jié)所述Kalman濾波各參數(shù)依次對前一幀圖像中檢測到的光斑進行預(yù)測，并計算協(xié)方差矩陣和Kalman系數(shù)。

(2) 數(shù)據(jù)匹配。計算各測量點與觀測點之間的歐氏距離，根據(jù)距離矩陣，采用匈牙利算法對點集進行匹配。設(shè)定距離閾值，通過匹配點之間的距離與閾值進行比較，確定是否為有效的匹配，若測量點與觀測點較遠，則認為配對無效。

(3) Kalman濾波更新。對基于測量值的有效匹配點觀測值進行更新，并更新協(xié)方差矩陣。

(4) 光斑新增與刪除?？紤]新的船舶進入視頻監(jiān)控區(qū)域，需對新的光斑進行跟蹤。在數(shù)據(jù)匹配過程中，除了無效匹配以外，還包含未進行匹配的測量點，被認為是新增的光斑，添加到當(dāng)前光斑跟蹤數(shù)據(jù)中。同時，對觀測點中未匹配上的點進行標記，若標記次數(shù)達到閾值，則光斑可能已超出視頻監(jiān)控區(qū)域范圍，需刪除該觀測點。循環(huán)上述步驟，以實現(xiàn)光斑的跟蹤。

3 試驗分析

利用opencv和vs2013編程環(huán)境實現(xiàn)夜間船舶監(jiān)控視頻光斑檢測和跟蹤，以實際夜間船舶航行監(jiān)控視頻作為案例進行驗證，沿海水域夜間船舶航行視頻圖像見圖5，經(jīng)裁剪后的圖像分辨率為550×420，圓圈所示物標即為航行船舶船燈。由圖5可知：除了船燈，船舶的其他區(qū)域與圖像背景均為黑色，難以從圖像背景中區(qū)分船舶，從而檢測到其他船舶特征。

3.1 光斑檢測試驗

3.1.1灰度值閾值試驗

船舶在夜間航行時，因受沿岸燈光、海面反射燈光和船燈閃爍等影響，導(dǎo)致船舶光斑檢測難度增加。為將其他光斑過濾，經(jīng)LOG運算之后，采用灰度值閾值對光斑進行過濾。將灰度閾值分別取60、65、70、75和80時，視頻每隔20幀進行光斑檢測并過濾，光斑個數(shù)變化情況見圖6。

由圖6可知：當(dāng)灰度閾值分別取60、65、70、75和80時，光斑檢測個數(shù)在1～6范圍內(nèi)變化；隨著灰度閾值增大，光斑檢測個數(shù)減少；對于同一灰度閾值而言，檢測到的光斑個數(shù)動態(tài)變化。為保證通過光斑檢測船舶跟蹤的有效性，需保證既能檢測到船舶燈光，又能使船舶燈光檢測個數(shù)穩(wěn)定。當(dāng)前航行船舶主要有2個光斑，同時有一個弱光斑在閃爍，部分幀中可能被當(dāng)作重疊光斑，因此取光斑檢測個數(shù)為2～3的灰度閾值，即取灰度值閾值為70。

3.1.2光斑檢測結(jié)果

根據(jù)光斑檢測流程和灰度值閾值試驗結(jié)果對船舶光斑進行檢測。同樣，為使船舶跟蹤效果明顯，在視頻中間每隔20幀取一幀圖像進行光斑檢測和跟蹤，實現(xiàn)算法驗證。視頻中圖像檢測到的光斑結(jié)果見圖7。由圖7可知：光斑檢測個數(shù)相對穩(wěn)定，檢測到的船舶光斑個數(shù)為2個。由此可確定光斑檢測方法的穩(wěn)定性較好。

3.2 光斑跟蹤試驗

在光斑跟蹤過程中，需對新出現(xiàn)的光斑保持記憶功能，即對檢測到的新光斑進行標記。當(dāng)后續(xù)圖像中光斑未檢測到標記達到指定次數(shù)時，可認為已退出監(jiān)控區(qū)域或視為無效光斑。

3.2.1距離閾值試驗

采用匈牙利算法對觀測數(shù)據(jù)與跟蹤數(shù)據(jù)進行匹配之后，需對匹配上的點進行判斷，若匹配點之間的距離大于設(shè)定的閾值，則可認為是無效匹配。

a) 第1幀

距離閾值設(shè)置依據(jù)：前后幀圖像中同一光斑能有效匹配，不同幀不同光斑不能匹配。若閾值設(shè)置過小，易導(dǎo)致不同幀同一光斑的實際距離大于閾值，則無法匹配，可認為是無效匹配；若閾值設(shè)置過大，可能出現(xiàn)不同幀不同光斑被匹配到一起的現(xiàn)象，影響光斑跟蹤效果。

本文采用試驗的方法對距離閾值進行取值，設(shè)置初始化閾值為6，閾值增長步長為2，觀察閾值取值為6、8和10時的光斑跟蹤效果，從而確定距離閾值。當(dāng)距離閾值為6、8和10時，對應(yīng)第441幀、481幀、501幀、541幀和第641幀跟蹤結(jié)果見圖8，將光斑分別標記為a、b和c，將跟蹤軌跡標記為1、2、3和4。在第441幀出現(xiàn)第3個光斑c，對光斑c進行標記。在第481幀：當(dāng)距離為6時，光斑b與第441幀中的光斑c和跟蹤軌跡2均無法完成匹配；當(dāng)距離為8和10時，光斑b與第441幀中的光斑c距離較近，完成匹配，連接成跟蹤軌跡4，此時跟蹤軌跡2雖未匹配上，但暫被保留。在第501幀：當(dāng)距離為6時，光斑b無法完成匹配；當(dāng)距離為8和10時，光斑b與跟蹤軌跡2完成匹配。在第541幀出現(xiàn)第3個光斑c：當(dāng)距離為6時，跟蹤軌跡3與光斑b完成匹配，跟蹤軌跡2與光斑c匹配，原始跟蹤軌跡2變形；當(dāng)距離為8時，跟蹤軌跡4未與光斑c未匹配上；當(dāng)距離為10時，二者則完成匹配，跟蹤軌跡4出現(xiàn)變形。在第641幀：當(dāng)距離為6時，跟蹤軌跡2消失，出現(xiàn)新的跟蹤軌跡3；當(dāng)距離為8和10時，軌跡4消失，仍保留最原始的跟蹤軌跡2。

光斑跟蹤試驗結(jié)果如圖8所示。由圖8可知：當(dāng)距離閾值取6時，閾值過小，導(dǎo)致同一光斑未被有效跟蹤，影響跟蹤效果；當(dāng)距離為10時，出現(xiàn)不同光斑被匹配到一起的情形。因此，確定距離閾值可取8。

3.2.2光斑跟蹤結(jié)果

根據(jù)Kalman濾波多目標跟蹤算法流程，對光斑進行跟蹤，圖8對應(yīng)幀圖像跟蹤結(jié)果見圖9(其中距離閾值為8)，圖片分辨率仍為550×420，采用有色折線對前后幀圖像中的同一光斑進行連接。

第441幀

a) 第1幀

由圖9可知：采用基于光斑檢測和Kalman濾波的多目標跟蹤方法能實現(xiàn)夜間船舶的檢測跟蹤。經(jīng)光斑檢測，得到2個主要光斑，通過2條光斑跟蹤連線，能準確判斷出光斑的運行狀態(tài)，從而判斷出當(dāng)前視頻監(jiān)控區(qū)域內(nèi)的船舶及其運行狀態(tài)。但是，由于船燈閃爍的原因，圖像跟蹤視覺效果受到一定程度的影響，如圖9中第481幀和第601幀中由于光斑閃爍出現(xiàn)無效跟蹤軌跡，直至后續(xù)圖像中未檢測到該光斑，無效跟蹤軌跡消失。

4 結(jié)束語

本文對光斑檢測和跟蹤方法進行研究，并基于對實際夜間船舶航行監(jiān)控視頻的試驗分析驗證該方法的有效性。采用LOG算子和光斑閾值過濾方法實現(xiàn)對夜間航行船舶船燈的檢測，保證在檢測到船燈的同時過濾掉其他噪聲；同時，基于Kalman濾波構(gòu)建船燈跟蹤模型，對光斑進行跟蹤，實現(xiàn)對夜間船舶的跟蹤。通過試驗發(fā)現(xiàn)，采用光斑跟蹤實現(xiàn)船舶跟蹤存在以下2個問題：

1) 由于燈光閃爍，導(dǎo)致燈光檢測數(shù)目不穩(wěn)定，可能出現(xiàn)無效跟蹤軌跡。

2) 由于同一艘船舶存在多個光斑，因此對同一艘船舶出現(xiàn)多條跟蹤軌跡，影響跟蹤視覺效果。當(dāng)前采用攝像頭實現(xiàn)對夜間航行船舶檢測的研究較少，基于該研究可實現(xiàn)普通攝像頭對夜間航行船舶的檢測和跟蹤，從而提高夜間航行船舶檢測的精度。今后研究可考慮如何過濾無效光斑和如何將同一艘船舶的多光斑跟蹤轉(zhuǎn)化為單目標的跟蹤。同時，本文以船舶內(nèi)河夜間航行視頻為對象進行研究，場景較為簡單，有關(guān)夜間船舶航行更復(fù)雜場景中光斑檢測效果的有效性需要進一步研究，從而進一步提高夜間航行船舶跟蹤效果。