本發(fā)明涉及監(jiān)控技術(shù)領(lǐng)域，尤其是涉及一種船舶監(jiān)控方法和裝置。

背景技術(shù)：

對航道的船舶數(shù)量，船舶行駛方向，船舶類型進行檢測和識別是航運管理的重要目標之一。以往普遍借助于遙感衛(wèi)星進行船舶監(jiān)控，目前越來越多的通過視頻分析技術(shù)采用視頻監(jiān)控的方式對船舶進行檢測和識別，并對行為進行實時分析和報警。隨著監(jiān)控系統(tǒng)不斷發(fā)展，視頻監(jiān)控系統(tǒng)已從人工控制向智能控制迅速升級，無人值守的船舶動態(tài)視頻監(jiān)控系統(tǒng)也隨之誕生，且在現(xiàn)有的航道視頻監(jiān)控系統(tǒng)中已進行了推廣應用。

但現(xiàn)有的船舶監(jiān)控系統(tǒng)，對船舶的識別率較低，容易將干擾物錯誤識別為目標，降低了識別的準確度，影響了監(jiān)控的穩(wěn)定性和可靠性。

技術(shù)實現(xiàn)要素：

本發(fā)明的主要目的在于提供一種船舶監(jiān)控方法和裝置，旨在解決現(xiàn)有技術(shù)中容易將干擾物錯誤識別為目標的技術(shù)問題，提高識別率和識別效果。

為達以上目的，本發(fā)明提出一種船舶監(jiān)控方法，包括以下步驟：

識別出視頻圖像中的船舶目標；

獲取所述船舶目標的航行速度；

根據(jù)所述航行速度對所述船舶目標的后續(xù)位置進行預測和匹配來跟蹤所述船舶目標，根據(jù)跟蹤結(jié)果篩選出有效的船舶目標。

優(yōu)選地，根據(jù)所述航行速度對所述船舶目標的后續(xù)位置進行預測和匹配來跟蹤所述船舶目標，根據(jù)跟蹤結(jié)果篩選出有效的船舶目標，包括：

根據(jù)所述航行速度預測所述船舶目標在下一幀視頻圖像中的位置；

檢測所述船舶目標在下一幀視頻圖像中的實際位置，判斷所述實際位置與預測位置是否匹配，當二者匹配時則認定跟蹤成功；

當所述船舶目標在連續(xù)多幀視頻圖像中被跟蹤成功的次數(shù)超過閾值時， 則判定所述船舶目標為有效的船舶目標；否則，判定所述船舶目標為無效的船舶目標并予以濾除。

優(yōu)選地，所述識別出視頻圖像中的船舶目標包括：根據(jù)基于adaboost算法和haar特征訓練獲得的不同船舶類型的分類器，在所述視頻圖像中檢測出船舶目標。

優(yōu)選地，所述在所述視頻圖像中檢測出船舶目標的步驟之后還包括：

基于所述船舶目標在空間上的灰度連續(xù)性去除水面干擾部分，獲得所述船舶目標的精確位置。

優(yōu)選地，所述獲取所述船舶目標的航行速度包括：計算所述船舶目標的瞬時速度，在所述瞬時速度的基礎(chǔ)上利用更新率算法計算出評估速度，將所述評估速度作為所述船舶目標的航行速度。

本發(fā)明同時提出一種船舶監(jiān)控裝置，包括：

目標識別模塊，用于識別出視頻圖像中的船舶目標；

目標跟蹤模塊，用于獲取所述船舶目標的航行速度，根據(jù)所述航行速度對所述船舶目標的后續(xù)位置進行預測和匹配來跟蹤所述船舶目標，根據(jù)跟蹤結(jié)果篩選出有效的船舶目標。

優(yōu)選地，所述目標跟蹤模塊包括：

跟蹤單元，用于根據(jù)所述航行速度預測所述船舶目標在下一幀視頻圖像中的位置；檢測所述船舶目標在下一幀視頻圖像中的實際位置，判斷所述實際位置與預測位置是否匹配，當二者匹配時則認定跟蹤成功；

篩選單元，用于當所述船舶目標在連續(xù)多幀視頻圖像中被跟蹤成功的次數(shù)超過閾值時，則判定所述船舶目標為有效的船舶目標；否則，判定所述船舶目標為無效的船舶目標并予以濾除。

優(yōu)選地，所述目標識別模塊包括檢測單元，所述檢測單元用于：根據(jù)基于adaboost算法和haar特征訓練獲得的不同船舶類型的分類器，在所述視頻圖像中檢測出船舶目標。

優(yōu)選地，所述目標識別模塊還包括精定位單元，所述精定位單元用于：基于所述船舶目標在空間上的灰度連續(xù)性去除水面干擾部分，獲得所述船舶目標的精確位置。

優(yōu)選地，所述目標跟蹤模塊包括獲取單元，所述獲取單元用于：計算所述船舶目標的瞬時速度，在所述瞬時速度的基礎(chǔ)上利用更新率算法計算出評 估速度，將所述評估速度作為所述船舶目標的航行速度。

本發(fā)明所提供的一種船舶監(jiān)控方法，通過對船舶目標的后續(xù)位置進行預測和匹配的方式來跟蹤船舶目標，根據(jù)跟蹤結(jié)果篩選出有效的船舶目標，排除虛假無效的船舶目標，使得識別更加準確，提高了船舶的識別率和識別效果，提高了監(jiān)控的穩(wěn)定性和可靠性。

同時，還利用adaboost算法采用haar特征對船舶目標進行識別，進一步提高了船舶的識別率，對有霧天氣、光線干擾等惡劣氣候條件具有很好的魯棒性，對運動、靜止的目標均可以識別。并且，在檢測出船舶目標后，還對船舶目標進行精定位，提高了船舶目標的定位精度。

附圖說明

圖1是本發(fā)明的船舶監(jiān)控方法第一實施例的流程圖；

圖2是本發(fā)明實施例中識別船舶目標的步驟的具體流程圖；

圖3是本發(fā)明的船舶監(jiān)控方法第二實施例的流程圖；

圖4是本發(fā)明的船舶監(jiān)控裝置第一實施例的模塊示意圖；

圖5是圖4中的目標識別模塊的模塊示意圖；

圖6是圖4中的目標跟蹤模塊的模塊示意圖；

圖7本發(fā)明的船舶監(jiān)控裝置第二實施例的模塊示意圖。

本發(fā)明目的的實現(xiàn)、功能特點及優(yōu)點將結(jié)合實施例，參照附圖做進一步說明。

具體實施方式

應當理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

參見圖1，提出本發(fā)明的船舶監(jiān)控方法第一實施例，所述方法包括以下步驟：

s11、識別出視頻圖像中的船舶目標。

s12、獲取船舶目標的航行速度。

s13、根據(jù)船舶目標的航行速度對船舶目標的后續(xù)位置進行預測和匹配來跟蹤船舶目標。

s14、根據(jù)跟蹤結(jié)果篩選出有效的船舶目標。

其中，步驟s11為目標識別步驟，步驟s12-s14為目標跟蹤步驟，目標根據(jù)步驟用來篩選出有效的船舶目標(即真實的船舶目標)，排除無效的船舶目標(即虛假的船舶目標)。通過目標跟蹤步驟，對于偶爾出現(xiàn)的假目標能夠很好的過濾。

步驟s11中：可以采用現(xiàn)有技術(shù)的目標識別方法來識別出視頻圖像中的船舶目標。例如，采用公開號為cn102147859a的中國專利披露的目標識別方法，通過截取視頻圖像與背景圖像的差法算法并進行二值化后使用區(qū)域生長算法得到船舶目標，具體為：首先選取背景中的一幅或者幾幅圖像的平均作為背景圖像，然后把以后的序列圖像當前幀和背景圖像相減，進行背景消去，若所得到的像素數(shù)大于某一閾值，則判定該監(jiān)視場景中有運動物體，從而得到運動目標。

但前述目標識別方法受天氣、光線等外界條件的影響較大，而且只能識別運動中的物體，對于靜止和運動速度過慢的物體識別效果不好。

為克服上述問題，本實施例優(yōu)選利用adaboost算法采用haar特征對船舶目標進行識別，比如，根據(jù)基于adaboost算法和haar特征訓練獲得的不同船舶類型的分類器，在視頻圖像中檢測出船舶目標。adaboost是一種迭代算法，其核心思想是針對同一個訓練集訓練不同的分類器(弱分類器)，然后把這些弱分類器集合起來，構(gòu)成一個更強的最終分類器(強分類器)。adaboost算法的實現(xiàn)，采用的是輸入圖像的矩形特征，也叫haar特征，haar特征是基于"塊"的特征，能夠降低計算成本。

進一步地，在利用分類器進行檢測之前，還可以對視頻圖像進行預處理，在視頻圖像上設(shè)定檢測區(qū)域，以此減小檢測范圍，提高檢測效率。

進一步地，在檢測出船舶目標之后，還可以對船舶目標進行精定位，比如，基于船舶目標在空間上的灰度連續(xù)性去除水面干擾部分，獲得船舶目標的精確位置，提高定位精度。

如圖2所示，為一優(yōu)選的目標識別方法，包括以下步驟：

s111、預處理視頻圖像，在視頻圖像上設(shè)定檢測區(qū)域。

預處理是對視頻圖像進行縮放處理，在視頻圖像上設(shè)定檢測區(qū)域，進一步地，還可以設(shè)定船舶目標的極限值(最大或/和最小參數(shù))，以此減小檢測范圍，提高檢測效率?？梢詫⒑降绤^(qū)域設(shè)定為檢測區(qū)域，排除船舶根本不能到達的區(qū)域以及視頻圖像中可能出現(xiàn)的旗幟、建筑物等干擾物體。

s112、根據(jù)基于adaboost算法和haar特征訓練獲得的不同船舶類型的分類器，在檢測區(qū)域中檢測出船舶目標。

分類器利用adboost算法和haar特征訓練獲得，不同的分類器對應不同的船舶類型。首先構(gòu)造不同船舶類型的訓練數(shù)據(jù)集，然后對每個訓練數(shù)據(jù)集進行單獨訓練，

例如，可以將船舶分為散貨船、集裝箱船和危險品船三種類型，分別為散裝船、集裝箱船和危險品船構(gòu)造訓練數(shù)據(jù)集，對每個訓練數(shù)據(jù)集單獨訓練，如對散裝船的分類器訓練，其訓練數(shù)據(jù)集由n個樣本組成，其中正樣本為散裝船目標，負樣本為非散裝船目標。選取的正負樣本需要具有代表性和涵蓋性，并統(tǒng)一樣本圖像的大小，如統(tǒng)一為128*24像素大小。然后計算haar特征，構(gòu)造分類器，對特征按照最小錯誤率的方法進行訓練分類，每層得到一個弱分類器，用弱分類器組合得到最后的強分類器。

檢測船舶目標時，通過預先訓練好的分類器對視頻圖像的檢測區(qū)域進行窗口搜索獲得船舶目標。首先，對輸入的視頻圖像進行檢測，設(shè)定檢測窗口和檢測步長，按照位置的鏡頭遠近，對窗口進行相應的縮放，歸一化到與樣本大小相同，如為128*24像素。檢測步長可以選取8像素、10像素或12像素。按不同的尺度放大縮小視頻圖像，按設(shè)定的檢測窗口和檢測步長遍歷視頻圖像，加載adaboost算法構(gòu)造的強分類器進行檢測。判斷窗口內(nèi)是否有船舶目標，保存檢測結(jié)果，對檢測結(jié)果進行合并。最后對檢測結(jié)果的假目標進行去除，如用二次分類器驗證法對檢測結(jié)果進行驗證，去掉明顯不是船舶目標的區(qū)域。

s113、基于船舶目標在空間上的灰度連續(xù)性去除水面干擾部分，獲得船舶目標的精確位置。

鑒于步驟s112中檢測到的船舶目標在具體位置上準確度不夠，往往遠大于實際船舶大小，或存在位置偏移，這不利于后續(xù)的目標跟蹤。本實施例基于船舶目標在空間上的灰度連續(xù)性的精定位技術(shù)，去除水面干擾部分，獲得船舶目標的精確位置，實現(xiàn)對船舶目標的精定位。

具體的，首先以檢測到的船舶目標的邊界為基礎(chǔ)，在水平方向上做左右擴展和收縮，在垂直方向做上下擴展和收縮共8個計算操作，利用船舶目標在空間上的灰度連續(xù)性，確定船舶目標的精確位置，去除水面干擾部分，拓展為完整的船舶目標。

船舶的像素點亮度整體上大于水面的像素點亮度，可以設(shè)置閾值來區(qū)分船舶和水面。在較好的光照條件下，船舶像素點亮度和水面像素點亮度的差值較大，較容易區(qū)分。但當天氣條件比較惡劣時，比如水面有霧或者光照很差的情況下，船舶和水面的像素點亮度整體上相差不大，此時需要對閾值進行更精確的自適應調(diào)整，根據(jù)調(diào)整后的閾值來區(qū)分船舶和水面。例如，首先統(tǒng)計目標區(qū)域的平均亮度和亮度直方圖信息，接著按照亮度直方圖信息判斷場景的對比度情況，然后按照兩種對比度情況設(shè)定自適應閾值，最后對亮度直方圖進行垂直掃描和水平掃描，判斷當前位置是船舶還是水面。

步驟s12中：可以計算出船舶目標的瞬時速度，直接將該瞬時速度作為船舶目標的航行速度。優(yōu)選地，根據(jù)船舶速度變化較為緩慢這一特性，可以在瞬時速度的基礎(chǔ)上利用更新率算法計算出評估速度，將該評估速度作為船舶目標的航行速度，這樣計算出來的速度非常精確，能夠?qū)Υ澳繕嗽谙乱粠奈恢眠M行較好定位。

計算瞬時速度時，可以利用船舶目標在n幀視頻圖像之間的位置差來計算，n≥2。鑒于每一幀視頻圖像檢測到的船舶目標在位置上可能出現(xiàn)誤差，為了提高計算的速度的精度，本實施例利用三幀或多幀視頻圖像之間的位置差來計算瞬時速度，而不是按照兩幀視頻圖像之間的位置變化來計算瞬時速度。

計算評估速度時，在船舶目標的瞬時速度的基礎(chǔ)上，采用更新率算法計算出評估速度，計算公式為：評估速度＝a*瞬時速度+(1–a)*原來的評估速度，其中a為更新率，a越小更新率越慢。

步驟s13中：通過對船舶目標的后續(xù)位置進行預測和匹配的方式來跟蹤船舶目標，包括預測和匹配兩個環(huán)節(jié)。具體的，首先根據(jù)船舶目標的航行速度預測船舶目標在下一幀視頻圖像中的位置；然后檢測船舶目標在下一幀視頻圖像中的實際位置，判斷實際位置與預測位置是否匹配；當二者匹配時，則認定跟蹤成功，當二者不匹配時，則認定跟蹤失敗。

匹配的方法采用面積重合度方法，即將預測位置和實際位置進行重合度匹配，重合度最高的目標即為匹配上的目標，然后對跟蹤成功的船舶目標進行參數(shù)更新。

步驟s14中：當船舶目標在連續(xù)多幀視頻圖像中被跟蹤成功的次數(shù)超過閾值時，則判定船舶目標為有效的船舶目標；否則，判定船舶目標為無效的 船舶目標，并濾除無效的船舶目標。最終，篩選出有效的船舶目標。

可以通過置信度來篩選有效的船舶目標。當一個船舶目標連續(xù)出現(xiàn)在多幀視頻圖像中而被連續(xù)跟蹤成功時，則置信度較高，當一個船舶目標偶爾出現(xiàn)在幾幀視頻圖像中時，則置信度較低。置信度的計算與船舶目標的年齡(開始檢測到當前幀的幀數(shù))、位置、上一幀時的置信度等參數(shù)有關(guān)。當置信度高于設(shè)定的閾值時，判定船舶目標為有效目標，當置信度低于設(shè)定的閾值時，判定船舶目標為無效目標，可能是假目標。

進一步地，還可以對船舶目標進行補缺操作，即，對置信度較高的船舶目標在視頻圖像中偶爾的丟失進行補缺。例如，當置信度較高的船舶目標在當前幀視頻圖像中沒有出現(xiàn)時，采用預測的方法在當前幀視頻圖像中的適當位置補上該船舶目標，從而構(gòu)成連續(xù)的跟蹤目標。通過補缺操作，一方面有利于在下一幀視頻圖像中跟蹤目標，另一方面方便對目標進行有效計數(shù)。

本發(fā)明實施例的船舶監(jiān)控方法，通過對船舶目標的后續(xù)位置進行預測和匹配的方式來跟蹤船舶目標，根據(jù)跟蹤結(jié)果篩選出有效的船舶目標，排除虛假無效的船舶目標，使得識別更加準確，提高了船舶的識別率和識別效果，提高了監(jiān)控的穩(wěn)定性和可靠性。

本實施例還利用adaboost算法采用haar特征對船舶目標進行識別，進一步提高了船舶的識別率，對有霧天氣、光線干擾等惡劣氣候條件具有很好的魯棒性，對運動、靜止的目標均可以識別。并且，在檢測出船舶目標后，還對船舶目標進行精定位，提高了船舶目標的定位精度。

參見圖3，提出本發(fā)明的船舶監(jiān)控方法第二實施例，所述方法包括以下步驟：

s21、識別出視頻圖像中的船舶目標。

s22、獲取船舶目標的航行速度。

s23、根據(jù)船舶目標的航行速度對船舶目標的后續(xù)位置進行預測和匹配來跟蹤船舶目標。

s24、根據(jù)跟蹤結(jié)果篩選出有效的船舶目標。

s25、計算船舶目標的參數(shù)。

其中，步驟s21為目標識別步驟，步驟s22-s24為目標跟蹤步驟，步驟s25為參數(shù)計算步驟。本實施例中，目標識別步驟和目標跟蹤步驟與第一實施例相同，在此不再贅述。

步驟s25中：船舶目標的參數(shù)包括船舶目標的航行速度、航向、類型、尺寸等。

對于船舶目標的航行速度的確定，可以直接將船舶目標的瞬時速度作為航行速度。優(yōu)選地，根據(jù)船舶速度變化較為緩慢這一特性，可以在瞬時速度的基礎(chǔ)上利用更新率算法計算出評估速度，將該評估速度作為船舶目標的航行速度，這樣計算出來的速度非常精確，能夠?qū)Υ澳繕嗽谙乱粠奈恢眠M行較好定位。計算瞬時速度時，可以利用船舶目標在n幀視頻圖像之間的位置差來計算，n≥2。鑒于每一幀視頻圖像檢測到的船舶目標在位置上可能出現(xiàn)誤差，為了提高計算的速度的精度，本實施例利用三幀或多幀視頻圖像之間的位置差來計算瞬時速度，而不是按照兩幀視頻圖像之間的位置變化來計算瞬時速度。計算評估速度時，在船舶目標的瞬時速度的基礎(chǔ)上，采用更新率算法計算出評估速度，計算公式為：評估速度＝a*瞬時速度+(1–a)*原來的評估速度，其中a為更新率，a越小更新率越慢。

對于船舶目標的航向的確定，可以利用每一幀視頻圖像的航行速度(如評估速度)進行積分，確定次數(shù)較多的方向為航向。本實施例中，航行包括上行和下行兩個方向。

對于船舶目標的類型的確定，優(yōu)選采用支持向量機(supportvectormachine，簡稱svm)算法和梯度方向直方圖(histogramoforientedgradient,簡稱hog)特征進行判斷。船舶利用訓練好的分類器進行分類，該分類器基于hog特征和svm算法訓練獲得，即：首先計算目標圖像的hog特征向量，然后利用hog特征向量通過svm工具對訓練樣本進行訓練獲得分類器，可選地，訓練樣本分為散貨船、集裝箱船和危險品船三類。當進行船舶目標的類型確定時，首先計算出船舶目標的hog特征向量，然后根據(jù)hog特征向量和分類器計算得出船舶目標的類型。

hog特征的計算過程為：首先檢測圖像并歸一化圖像，將圖像分為n個塊(block)，每個塊含m個單元(cell)。接著計算圖像的hog特征，對于圖像中每個單元的梯度方向直方圖進行方向統(tǒng)計，計算出每個單元的梯度方向直方圖，構(gòu)成一個特征向量，將一個塊內(nèi)所有單元的特征向量串聯(lián)起來便得到該塊的hog特征向量；對于圖像中每個塊內(nèi)的hog特征進行歸一化，將圖像中所有塊的hog特征向量串聯(lián)起來就得到整個圖像的hog特征向量。

例如：將目標圖像歸一化到64*64像素大小，并對其進行分塊，每個塊含 4個單元，每個單元含8x8個像素點；計算每個單元的hog特征，其為8維特征向量，每個hog特征是一個8個bin的直方圖，8個bin代表了梯度的方向，360度均勻分到8個bin中，步長設(shè)為8個像素，則水平方向有7列塊，每列塊有7個塊，即一張目標圖像中，有7x7＝49個塊，每個塊含4個8維的特征向量，最后合成為一個49x4x8＝1568維的特征向量。

本實施例的船舶監(jiān)控方法，在獲取有效的船舶目標后，計算出船舶目標的航向、航行速度、類型等參數(shù)，可以有效的掌握船舶運行情況，及時采取相應的措施。

參見圖4，提出本發(fā)明的船舶監(jiān)控裝置第一實施例，所述裝置包括目標識別模塊10和目標跟蹤模塊20，其中：

目標識別模塊10：用于識別出視頻圖像中的船舶目標。

可選地，目標識別模塊10可以采用現(xiàn)有技術(shù)的目標識別方法來識別出視頻圖像中的船舶目標。

優(yōu)選地，目標識別模塊10可以利用adaboost算法采用haar特征對船舶目標進行識別。如圖5所示，目標識別模塊10包括檢測單元12，該檢測單元12用于：根據(jù)基于adaboost算法和haar特征訓練獲得的不同船舶類型的分類器，在視頻圖像中檢測出船舶目標。相對于現(xiàn)有技術(shù)，可以提高識別率和識別效果。

進一步地，目標識別模塊10還可以包括精定位單元13，該精定位單元13用于：在檢測出船舶目標之后，基于船舶目標在空間上的灰度連續(xù)性去除水面干擾部分，獲得船舶目標的精確位置，以提高定位精度。

進一步地，目標識別模塊10還可以包括預處理單元11，該預處理單元11用于：在檢測單元12檢測之前，對視頻圖像進行預處理，在視頻圖像上設(shè)定檢測區(qū)域。此時，檢測單元12只需在該檢測區(qū)域檢測船舶目標。從而減小了檢測范圍，提高了檢測效率。

目標跟蹤模塊20：用于獲取船舶目標的航行速度，根據(jù)航行速度對船舶目標的后續(xù)位置進行預測和匹配來跟蹤船舶目標，根據(jù)跟蹤結(jié)果篩選出有效的船舶目標。

如圖6所示，目標跟蹤模塊20包括獲取單元21、跟蹤單元22和篩選單元23，其中：

獲取單元21：用于獲取船舶目標的航行速度。

獲取單元21可以計算出船舶目標的瞬時速度，直接將該瞬時速度作為船舶目標的航行速度。優(yōu)選地，獲取單元21根據(jù)船舶速度變化較為緩慢這一特性，可以在瞬時速度的基礎(chǔ)上利用更新率算法計算出評估速度，將該評估速度作為船舶目標的航行速度，這樣計算出來的速度非常精確，能夠?qū)Υ澳繕嗽谙乱粠奈恢眠M行較好定位。

跟蹤單元22：用于根據(jù)航行速度對船舶目標的后續(xù)位置進行預測和匹配來跟蹤船舶目標。

具體的，跟蹤單元22根據(jù)航行速度預測船舶目標在下一幀視頻圖像中的位置；檢測船舶目標在下一幀視頻圖像中的實際位置，判斷實際位置與預測位置是否匹配；當二者匹配時，則認定跟蹤成功，當二者不匹配時，則認定跟蹤失敗。

篩選單元23：用于根據(jù)跟蹤結(jié)果篩選出有效的船舶目標。

具體的，當船舶目標在連續(xù)多幀視頻圖像中被跟蹤成功的次數(shù)超過閾值時，篩選單元23則判定船舶目標為有效的船舶目標；否則，判定船舶目標為無效的船舶目標，并濾除該無效的船舶目標。從而，篩選出有效的船舶目標，排除了虛假無效的船舶目標。

進一步地，篩選單元23還可以對船舶目標進行補缺操作，即，對置信度較高的船舶目標在視頻圖像中偶爾的丟失進行補缺，從而構(gòu)成連續(xù)的跟蹤目標。通過補缺操作，一方面有利于在下一幀視頻圖像中跟蹤目標，另一方面方便對目標進行有效計數(shù)。

本發(fā)明實施例的船舶監(jiān)控裝置，通過對船舶目標的后續(xù)位置進行預測和匹配的方式來跟蹤船舶目標，根據(jù)跟蹤結(jié)果篩選出有效的船舶目標，排除虛假無效的船舶目標，使得識別更加準確，提高了船舶的識別率和識別效果，提高了監(jiān)控的穩(wěn)定性和可靠性。

本實施例還利用adaboost算法采用haar特征對船舶目標進行識別，進一步提高了船舶的識別率，對有霧天氣、光線干擾等惡劣氣候條件具有很好的魯棒性，對運動、靜止的目標均可以識別。并且，在檢測出船舶目標后，還對船舶目標進行精定位，提高了船舶目標的定位精度。

參見圖7，提出本發(fā)明的船舶監(jiān)控裝置第二實施例，本實施例在第一實施例的基礎(chǔ)上增加了一參數(shù)計算模塊30，該參數(shù)計算模塊30用于：計算船舶目標的參數(shù)。

船舶目標的參數(shù)包括船舶目標的航行速度、航向、類型、尺寸等。對于船舶目標的類型的確定，優(yōu)選采用svm算法和hog特征進行判斷。

本實施例的船舶監(jiān)控裝置，在獲取有效的船舶目標后，計算出船舶目標的航向、航行速度、類型等參數(shù)，可以有效的掌握船舶運行情況，及時采取相應的措施。

應當理解，上述實施例提供的船舶監(jiān)控裝置與船舶監(jiān)控方法實施例屬于同一構(gòu)思，其具體實現(xiàn)過程詳見方法實施例，且方法實施例中的技術(shù)特征在裝置實施例中均對應適用，這里不再贅述。

通過以上的實施方式的描述，本領(lǐng)域的技術(shù)人員可以清楚地了解到上述實施例方法可借助軟件加必需的通用硬件平臺的方式來實現(xiàn)，當然也可以通過硬件，但很多情況下前者是更佳的實施方式?；谶@樣的理解，本發(fā)明的技術(shù)方案本質(zhì)上或者說對現(xiàn)有技術(shù)做出貢獻的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計算機軟件產(chǎn)品存儲在一個存儲介質(zhì)(如rom/ram、磁碟、光盤)中，包括若干指令用以使得一臺終端設(shè)備(可以是手機，計算機，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個實施例所述的方法。

以上參照附圖說明了本發(fā)明的優(yōu)選實施例，并非因此局限本發(fā)明的權(quán)利范圍。本領(lǐng)域技術(shù)人員不脫離本發(fā)明的范圍和實質(zhì)，可以有多種變型方案實現(xiàn)本發(fā)明，比如作為一個實施例的特征可用于另一實施例而得到又一實施例。凡在運用本發(fā)明的技術(shù)構(gòu)思之內(nèi)所作的任何修改、等同替換和改進，均應在本發(fā)明的權(quán)利范圍之內(nèi)。