基于计算机视觉的船舶图像自动识别方法研究综述
基于深度学习的船舶图像识别技术
AI大新闻
➢ 3.20日 Runway发布了Gen2能让创作者用自然语言生成视频 ➢ 3.21日Google 开放了 Bard 公测，目前英国和美国用户可以申请体验，目前仅支持英文对话，
数据来源是谷歌搜索实时数据，LAMDA语言模型 ➢ 3.21日Adobe 发布了 AI生成图片服务Firefly ➢ 3.21日Bing发布了Image Create，用文本生成图像，背后使用的是openai的DALL-E ➢ 3.22日 微软发布在线协作笔记loop，内置copilot，初衷是可以让表格、图形、列表等内容
➢ 此外，基于CNN的船舶图像识别技术具有较好的扩展性 和适应性。随着数据集的扩大和深度学习算法的不断优 化，该技术的分类性能和鲁棒性将进一步提高，从而可 以应用于更广泛的场景和应用领域。例如，在智能船舶 控制领域，该技术可以帮助实现船舶的自主导航和目标 检测，提高船舶的安全性和航行效率。
感谢您的观看
03模型搭建
卷积神经网络架构与常规人工神经网络架构非常相似，特别是在网络的最后一层，即 全连接。此外，还注意到卷积神经网络能够接受多个特征图作为输入，而不是向量。
03模型搭建
输入层 输入层主要是n×m×3 RGB图像，这不同于人工神经网络，人工神经网络的输入是n×1维的矢量。
03模型搭建
卷积层 在卷积层中，计算输入图像的区域和滤波器的权重矩阵之间的点积，并将其结果作为该层的输出。滤波器 将滑过整个图像，重复相同的点积运算。这里注意两件事： 滤波器必须具有与输入图像相同数量的通道； 网络越深，使用的滤波器就越多；拥有的滤波器越多，获得的边缘和特征检测就越多；
基于深度学习的船舶图像识别技术
Design and Implementation of an Intelligent Ship Control System Based on Deep Learning
基于图像处理的船舶目标检测与追踪研究
基于图像处理的船舶目标检测与追踪研究图像处理技术在船舶目标检测和追踪方面发挥着重要的作用。
随着船舶交通的不断增加和海上安全需求的提高，船舶目标检测与追踪的研究变得越来越重要。
本文将探讨基于图像处理的船舶目标检测与追踪的研究进展和方法。
船舶目标检测是指从图像或视频序列中准确地定位和识别出船舶目标。
船舶目标追踪是指在一段时间内跟踪船舶目标的位置和运动信息。
船舶目标检测和追踪的研究对于海上交通管理、船舶安全监控、海上资源开发等领域具有重要意义。
在船舶目标检测与追踪的研究中，图像处理技术是一个关键的方法。
首先，船舶目标的图像特征可以用来区分船舶和其他目标物体。
通过对船舶目标的特征进行提取和分类，可以实现目标检测的功能。
常用的特征提取方法包括形状特征、纹理特征、颜色特征等。
特征提取方法可以基于传统的图像处理算法，也可以基于深度学习算法。
深度学习算法在船舶目标检测方面取得了较好的效果，其基本原理是通过网络模型自动提取图像特征。
其次，船舶目标的运动信息可以用来进行目标追踪。
船舶目标的运动信息可以通过光流算法、粒子滤波算法等方法获得。
光流算法通过分析图像序列中目标的像素位移来估计目标的运动信息。
粒子滤波算法则是通过迭代的方式对目标的位置进行估计和更新。
此外，船舶目标的形态变化和视角变化也是船舶目标检测和追踪中需要考虑的问题。
船舶目标在不同视角和不同形态下可能会出现不同的特征。
为了解决这个问题，可以采用多尺度的检测算法和特征融合的方法。
多尺度的检测算法可以在不同的尺度下对船舶目标进行检测，从而适应不同的视角和形态。
特征融合的方法可以将不同尺度下提取的特征进行融合，提高检测和追踪的准确性和稳定性。
在船舶目标检测与追踪的研究中，还可以借鉴其他相关领域的方法和技术。
例如，物体检测和追踪领域的研究可以为船舶目标检测和追踪提供一定的参考。
另外，数据集的质量和数量对于船舶目标检测和追踪的研究也具有重要影响。
建立大规模的船舶目标数据集，对于算法的训练和性能评估具有重要意义。
计算机视觉技术在船舶检测中的应用
计算机视觉技术在船舶检测中的应用计算机视觉技术是指通过使用计算机和摄像机等设备，对图像和视频进行处理，从而模拟和改善人类的视觉能力。
近年来，计算机视觉技术的快速发展为各个领域带来了革命性的变革，其中包括船舶检测领域。
在船舶检测中，计算机视觉技术可以用于提高检测效率、减少人工错误、提供更精准的数据等方面发挥重要作用。
首先，计算机视觉技术在船舶检测中可以提高检测效率。
传统的船舶检测通常需要依靠人工进行目测，这种方法存在着很多限制，如受人眼观察能力的局限，主观因素的干扰等。
而引入计算机视觉技术后，可以通过算法对船舶图像进行自动、快速的处理和分析，从而大大提高了检测的效率。
计算机视觉系统可以在短时间内完成对大量图像的处理，从而实现对船舶的快速识别和分类。
其次，计算机视觉技术可以减少人工错误。
在传统的船舶检测中，人工目测时可能会出现视觉疲劳、判断错误等问题，从而导致检测结果的不准确性。
而计算机视觉技术可以避免这些问题的发生。
通过编写精确的算法，计算机视觉系统可以在不疲劳的状态下持续进行图像分析和处理，从而大大减少了人工错误的发生。
这样可以提高船舶检测的准确性和可靠性，为相关决策提供更可信的依据。
此外，计算机视觉技术可以提供更精准的数据。
在船舶检测中，准确的数据对船舶的管理和运营至关重要。
传统的船舶检测靠人工进行，往往存在主观因素的影响，导致数据的不准确性。
通过使用计算机视觉技术，可以实现对船舶的自动化监测和测量，提供更加精准、客观的数据。
这些数据可以帮助船舶管理者更好地了解船舶的状态，及时发现潜在问题，从而提高维护和管理的效率。
最后，计算机视觉技术在船舶检测中的应用还可以实现船舶的远程监控。
船舶的视觉监控通常需要人员实时在现场进行观察，这存在着一定的局限性，比如人员的数量限制、时间成本等。
而通过使用计算机视觉技术，可以实现船舶的远程监控，只需通过网络即可观测船舶的状态。
这不仅可以减少人力资源的浪费，还可以提高船舶监控的时效性和覆盖范围。
基于深度学习的船舶检测与识别技术研究
基于深度学习的船舶检测与识别技术研究船舶作为海上交通和贸易的重要组成部分，其准确检测和识别对于海上安全和管理具有重要意义。
近年来，随着深度学习技术的快速发展，基于深度学习的船舶检测和识别技术逐渐受到关注和研究。
深度学习技术主要依赖于深度神经网络，通过大量数据的训练和学习，使得网络可以自动提取高层次的特征，并进行目标检测与识别。
在船舶检测与识别中，深度学习技术能够通过学习船舶的特征和形态，实现对船舶的自动检测和识别。
首先，对于船舶检测与识别问题，我们可以借助深度学习中的卷积神经网络（CNN）来进行特征提取和目标定位。
CNN通过多层卷积和池化操作，可以提取图像的局部特征，并逐渐缩小感受野，从而实现对船舶目标的精准定位。
同时，为了进一步提高定位的准确性，可以采用边界框回归（Bounding Box Regression）的方法，对目标边界框进行微调，使得检测结果更加精确。
其次，为了实现船舶的分类识别，可以使用深度学习中的分类器模型，如卷积神经网络（CNN）或者循环神经网络（RNN）。
这些模型通过学习船舶的外观和形态特征，可以对船舶进行分类识别，如货船、客船、救援船等。
同时，可以结合注意力机制（Attention）等技术来进一步提高船舶的识别精度，确保分类结果的准确性。
此外，在船舶检测与识别技术中，数据的质量和数量对算法的性能和效果有着重要影响。
为了提高训练数据的多样性和丰富性，可以采用数据增强（Data Augmentation）的方法，包括旋转、平移、缩放等操作，从而扩充数据集，提高模型的泛化能力。
同时，可以采用迁移学习（Transfer Learning）和弱监督学习（Weakly Supervised Learning）等方法来利用已有的标注数据进行模型的训练，进一步提高船舶检测与识别的能力。
最后，为了验证和评估基于深度学习的船舶检测与识别技术的性能，可以采用各种评价指标，如准确率、召回率、精确率等。
船舶图像目标检测与识别方法研究
2.2 目标检测与识别网络的基本组件 .................................................................................. 7
Keywords: Ship Detection and Classification; Deep Learning; Convolutional Neural
Network; Training Optimization; Mixed Attention Modal
目
录
第 1 章 绪论 ............................................................... 1
of ship target is relatively large. These problems bring severe challenges to the methods of target
detection and classification. This paper summarizes the main methods and analyzes their
1.1 研究背景与意义 .............................................................................................................. 1
利用深度学习技术对船舶图像进行自动分类识别研究
利用深度学习技术对船舶图像进行自动分类识别研究随着全球经济的不断发展，航运业也呈现出蓬勃发展的势头。
船舶交通量不断增加，因此对船只的管理、监管和安全保障等方面提出了更高的要求。
为了解决这个问题，利用深度学习技术对船舶图像进行自动分类识别研究得到了广泛关注。
本文将对该研究展开深入探讨。
一、研究背景和意义随着时代发展，现代自动化技术已经深入到各个领域。
其中，深度学习技术是目前最为强大的自动图像识别技术。
深度学习技术以神经网络为基础，通过对大量数据的学习，实现了对图像、语音和自然语言的自动识别和分析，并在各种人工智能应用中得到了广泛应用。
对于船舶图像进行自动分类识别研究的背景是，现代海运业不断发展，需要保障海上航运安全。
而船舶的种类、型号和功能各异，船只数量庞大，所以对船只的管理、监管和安全保障等方面提出了更高的要求，因此需要一个更加高效的识别技术。
二、研究方法和流程船舶图像分类识别的研究主要分为两个步骤：图像预处理和深度学习算法。
1、图像预处理在研究过程中，首先需要对采集到的船舶图像进行预处理，包括图像灰度化、尺寸归一化和图像分割。
其中，图像分割是图像处理中重要的基础操作，可以将一个图像分成多个子图像，从而提高图像处理的效率。
2、深度学习算法深度学习技术需要大量的数据进行训练，因此需要采集大量的船舶图像数据，同时需要标注这些图像的类别。
基于大量船舶图像数据，可以使用卷积神经网络（CNN）模型来进行训练和分类识别。
CNN是一种深度学习算法，被广泛应用于图像分类和识别领域。
它可以自动提取图像特征，并对各个特征进行分类和识别。
CNN模型通常分为两个部分：卷积层和全连接层。
卷积层可以提取图像中的局部特征，通过不断的卷积和池化操作，可以逐渐缩小图像尺寸并提取更加高级的特征。
全连接层可以将卷积层中提取的特征进行分类和识别。
三、应用前景和发展趋势利用深度学习技术对船舶图像进行自动分类识别，具有很大的应用前景。
首先，可以提高航运监管的效率。
基于机器视觉的无人船检测技术研究
基于机器视觉的无人船检测技术研究随着科学技术的不断进步，无人船已经成为了现代遥控水面船舶技术的一个重要代表。
无人船不仅能够应用于各种工程和科研领域，还可以在海洋渔业、沿海巡查、水文环境监测等方面发挥重要作用。
但随着无人船的使用越来越广泛，相关技术的进一步提升也变得至关重要。
其中，基于机器视觉的无人船检测技术可谓其中的代表之一。
一、机器视觉的无人船检测技术基于机器视觉的无人船检测技术主要利用无人船上的摄像头和其他传感器进行采集和处理，从而实现对船体及周围环境的检测和分析。
这种技术主要是通过使用计算机视觉技术来对图像进行处理和分析，进而完成对无人船和周围环境的检测。
在具体应用中，我们可以通过安装多个摄像头，将它们布置在不同的位置上，从而实现全方位、多角度的无人船检测。
当无人船行驶、停靠或转向等状态发生变化时，摄像头便可以捕捉到相应的影像，通过算法处理可获得目标船舶的形态、速度等关键信息。
二、基于机器视觉的无人船检测技术的特点相比于传统的无人船检测技术，基于机器视觉的检测技术在诸多方面具有优势。
首先，它可以提高无人船检测的准确性和鲁棒性。
相比传统船舶识别技术，基于机器视觉的船舶检测具有更高的准确度和鲁棒性，可以迅速、可靠地对船体进行检测和识别。
其次，它可以实时监测无人船及周围海域的情况。
利用机器视觉技术，可以对无人船的垂直和水平方向上的周围环境进行检测和分析，从而做出实时的对策和调整。
此外，在实际应用过程中，基于机器视觉的无人船检测技术还具有易于扩展、便于升级和维护成本低等特点，因此受到越来越多专家学者和相关行业的青睐。
三、基于机器视觉的无人船检测技术的应用前景由于基于机器视觉的无人船检测技术在航行安全、海洋建设、海洋科研等方面的应用前景非常广泛，因此得到了广泛的关注。
首先，在海洋巡航领域，基于机器视觉的无人船检测技术可用于追踪其他船只和不明水下物体，提高海上巡航的安全性和准确性。
其次，在港口管理领域，基于机器视觉的无人船检测技术可以大大优化港口管理流程，提高装卸效率和运输效率，还可以提高货运船舶安全性和减少人为致险。
基于深度学习的船舶目标检测与识别技术研究
基于深度学习的船舶目标检测与识别技术研究近年来，船舶交通事故频发，这不仅给人们的生命和财产安全带来威胁，也对海洋环境造成了污染。
因此，对于船舶交通安全管理的需求越来越迫切。
在这个背景下，船舶目标检测与识别技术的研究成为了一个重要的领域。
那么，基于深度学习的船舶目标检测与识别技术究竟是什么呢？本文将为您揭开这个领域的神秘面纱。
一、深度学习技术的特点深度学习技术是一种人工智能的应用方式，具有学习能力，能够通过数据训练自身，并从中提取出特征，应用于识别和分类等领域。
与传统的机器学习技术相比，深度学习技术具有以下特点：1.能够自动提取特征并且学习能力强2.可以对高维非线性数据建模3.由于具有分布式表示的特性，能够获取高维特征4.擅长处理自然语言等复杂问题，表现更优二、船舶目标检测与识别技术的背景在船舶交通中，船舶目标的检测和识别是基础性问题，因为不同类型的船舶，不同的运行状态所呈现的目标特征是不同的，能够准确识别船舶类型和运行状态，是保证船舶交通安全的基本要求。
目前，船舶目标检测与识别技术主要采用计算机视觉和机器学习的方法，但是，这些方法存在着一些瓶颈。
例如，传统的检测技术对于复杂背景下的船舶目标难以分离识别，而传统的识别技术在面对不同的船舶类型时往往效果不佳，难以满足实际应用需求。
因此，基于深度学习的船舶目标检测与识别技术的研究备受关注。
三、基于深度学习的船舶检测与识别技术的应用研究在深度学习技术的支持下，船舶检测与识别技术已经取得了一些突破性进展。
以下是船舶检测与识别技术在实际应用中的研究案例。
1. 基于卷积神经网络（CNN）的船舶识别CNN是一种特殊的深度学习网络，由于其具有自动学习和特征提取的能力，已被广泛应用于图像识别领域。
在海上，船舶的实时识别对于监测、管理和救援等方面非常重要。
因此，研究者利用基于CNN的船舶识别，实现在海上实时的船舶监测与管理。
研究结果显示，在准确率上，该方法超过了传统机器学习技术。
基于深度学习的船舶智能识别与监测研究
基于深度学习的船舶智能识别与监测研究随着航运业的迅速发展，船只的数量也在不断增加。
如今，全球船只数量已达到几十万艘，这些船只从事着多种不同的任务，包括货运、旅游、科学探测等。
然而，这些船只也带来了一些安全隐患，比如船只相撞、海盗劫持等。
因此，对船只进行智能识别和监测变得越来越重要。
传统的船只识别和监测方法通常依赖于人工观测和传感器设备。
然而，这种方法存在着一些问题，比如人为干扰和设备故障等。
为了解决这些问题，研究者开始利用深度学习技术来进行船只智能识别和监测。
深度学习是一种基于神经网络的机器学习方法，它可以通过大量数据的学习来自动提取特征并进行分类。
利用深度学习技术来进行船只识别和监测可以提高准确性和效率，并减少人为干扰和设备故障等问题。
基于深度学习的船只智能识别和监测的主要步骤包括数据采集、特征提取和分类识别。
在数据采集阶段，研究者需要收集大量的船只图像和视频。
这些数据可以来自于卫星图像、无人机、摄像头等设备。
在特征提取阶段，研究者需要利用深度学习技术来自动提取船只图像的关键特征。
这些特征包括颜色、形状、大小等。
在分类识别阶段，研究者需要将提取的特征输入到深度学习模型中进行分类识别。
最终，系统可以自动识别不同类型的船只，并进行监测和记录。
基于深度学习的船只智能识别和监测的应用非常广泛。
例如，可以用于海事巡逻、港口管理、海上搜索救援等。
利用这种方法可以节约人力和物力成本，并提高识别和监测的效率和准确率。
此外，还可以利用深度学习技术来预测船只行驶路径，防止船只相撞等事故的发生。
总的来说，基于深度学习的船只智能识别和监测是一种高效、准确、自动化的方法。
随着深度学习技术的不断发展和应用，这种方法将会在船舶智能识别和监测领域得到更广泛的应用，并且会对海事安全和经济发展做出更大的贡献。
船舶自动识别系统中视觉跟踪控制研究
船舶自动识别系统中视觉跟踪控制研究华旭奋1,2，赵 勇1,2(1. 无锡职业技术学院 控制技术学院，江苏 无锡 214121；2. 江苏大学无锡机电学院，江苏 无锡 214121)摘要: 船舶自动识别系统AIS诞生于20世纪90年代，最初是由舰船、飞机的敌我侦察系统发展而来的，船舶自动识别系统不论在军事领域还是民用领域都具有非常广泛的应用，包括船舶定位和导航、船舶通信、渔业生产管理等。
船舶自动识别系统主要由海岸基站、VHF通信器和船载基站等组成，目前，在船舶的障碍避让、船岸通信、海上交通管理等方面发挥着必不可少的作用。
本文针对传统的船舶自动识别系统，将机器视觉跟踪技术应用于船舶的识别和侦察过程中，并对该系统的噪声过滤等问题进行研究，大幅提高了AIS系统的船舶识别效率，具有重要的意义。
关键词：船舶自动识别系统；机器视觉；噪声过滤；VHF中图分类号：U665.3 文献标识码：A文章编号： 1672 – 7649(2019)5A – 0043 – 03 doi：10.3404/j.issn.1672 – 7649.2019.5A.015Research on the visual tracking control in ship automatic recognition systemHUA Xu-fen1,2, ZHAO Yong1,2(1. Department of Control Technology, Wuxi Institute of Technology, Wuxi 214121, China;2. School of Wuxi Electromechatronics, Jiangsu University, Wuxi 214121, China)Abstract: The ship automatic identification system (AIS) was born in the 1990s. It was originally developed from the enemy-or-foe reconnaissance system of warships and aircraft in military operations. The ship automatic identification sys-tem has a very wide range of applications in both military and civil fields, including ship positioning and navigation, ship communication, fishery management and so on. The automatic ship identification system mainly consists of coastal base sta-tion, VHF communicator and shipborne base station. At present, it plays an indispensable role in obstacle avoidance, coastal communication and maritime traffic management. In this paper, aiming at the traditional automatic ship recognition system, machine vision tracking technology is applied to ship recognition and reconnaissance, and the noise filtering of the system is studied, which greatly improves the ship recognition efficiency of AIS system, and has important significance.Key words: automatic ship recognition system；machine vision；noise filtering；VHF0 引 言随着现代社会的快速发展，全球商品贸易额不断创新高，作为重要的大宗商品运输途径，海上航运业也获得了非常快速的发展，不仅船舶的吨位和动力性能不断提高，船舶的数量也呈指数型增长，导致海上航线和港口的船舶密集程度不断增加，影响水上交通的安全，也对水域内的生态环境造成破坏。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于计算机视觉的船舶图像自动识别方法研究综述作者：罗明明诸峰王东升来源：《软件导刊》2018年第07期摘要：介绍了船舶图像自动识别相关概念、历史背景，分析了传统船舶识别系统的不足之处，在此基础上阐述了基于计算机视觉的船舶图像自动识别发展现状，从静态和复杂环境等不同维度，总结和归纳了各种船舶图像自动识别方法的基本思想和主要工作，并对不同方法的优缺点进行了分析和对比。
对基于深度学习的船舶图像识别、基于内容的船舶图像识别与标注以及基于多分类器融合的SAR船舶图像识别等船舶图像识别方法进行了介绍，并对船舶自动识别的未来趋势进行了展望。
关键词：图像识别；船舶识别；船舶分类；计算机视觉DOI：10.11907/rjdk.173037中图分类号：TP301文献标识码：A文章编号：1672-7800（2018）007-0005-04Abstract：Thispaperintroducestherelatedconceptsandhistoricalbackgroundofautomaticidentificationofshipimages andevaluatestheshortcomingsoftraditionalshipidentificationsystem.Byintroducingthedevelopmentofthe shipimageautomaticrecognitionbasedoncomputervision，thepapersummarizesthemainworkandthebasicideasofdifferentautomaticrecognitionalgorithmsindiffere ntdimensionsofstaticandcomplexenvironmentbyanalysisandcomparison.Moreover，thepaperdiscussesthecurrentpopularmethods，includingshipimagesrecognitionbasedondeeplearningalgorithm，shipimagerecognitionandannotationbasedoncontentandshiprecognitioninSARimagesbasedonmultiplecl assifiercombination.Also，futureresearchprospectsarediscussed.KeyWords：imagerecognition；shiprecognition；shipclassification；computervision0引言随着海上贸易的增加，各类船舶事故时有发生，提升船舶运输安全水平成为研究热点。
船舶识别技术一定程度上解决了船舶间、船岸间信息交流不准确问题，极大降低了各类船舶碰撞事故发生率，提升了船舶监管效率。
船舶识别技术经历了由传统到现代、由人工识别信息到机器识别信息的转变。
传统的船舶识别以船舶定位识别为主，如雷达识别系统和自动雷达标绘仪（ARPA），通过识别船舶所处方位与船舶间的距离降低船舶间碰撞风险。
但单一的雷达识别系统存在一些弊端，如无法识别轮船的类型，在一定环境下存在识别盲区，无法满足船舶监管对高精确度与信息多元化的要求。
船舶自动识别系统（AIS）逐渐在船舶领域起主导作用，各类船只开始安装精确度更高、灵活性更好的AIS设备。
2011年，中国海事局对200t以上的沿海船舶提出了必须安装AIS设备的要求。
内河流域以及相应海岸监管部门配备了视频监控技术（CCTV），通过人工监控的方式加大了船舶识别监管力度。
但是，无论是AIS系统还是CCTV系统，都是通过视觉获取信息，而人脑处理信息的方式往往会因为决策人自身的疏忽甚至违反相关船舶运输规则而造成船舶事故发生。
为解决AIS存在的缺陷，基于计算机视觉技术的船舶图像识别成为研究重点。
配备在船舶上的图像自动识别系统，直接获取船舶间的距离与会遇船只的信息并采取相应的避碰措施，而岸边配备的监管系统也可自动识别出流域船只信息并对其发出相应通告。
本文对相关文献进行收集整理，在分析与归纳的基础上，对基于计算机视觉的船舶图像自动识别方法进行论述，以推动船舶自动识别系统进一步发展。
1静态船舶图像处理与识别1.1基于特征知识库的船舶图像识别如图1所示，船舶图像识别过程主要包括船舶图像特征分割与抽取、特征知识库构建。
其中，特征提取在图像识别中起着关键性作用，特征应该满足鲁棒性、可拓展性、可区分性和不变性要求。
在特征提取阶段，优化算法性能可提高图像识别准确度。
为达到识别轮船目的，汪成亮等[1]基于专家知识库的特征抽取算法，提出了FE（featureextract）算法，从不同静态船舶图像中提取4个符合基本条件的特征值，将其收集起来构建船舶类型知识库。
知识库主要考虑轮船的大小、长宽比、上下比和复杂度等度量特点，在专家知识的帮助下，构造出基于规则的知识库。
综合利用知识库里的数据特征对图像提取的边缘进行判别，实现对船舶目标的进一步识别。
将船舶图像识别技术应用于长江水域重庆段，实验结果表明，该方法优于传统的对比单特征法和Adaboost方法。
因为特征提取算法结构简单，特征提取数目较少，只能保证识别目标为知识库中已有的船舶记录，无法泛化到船舶种类识别，所以基于特征知识库的船舶图像识别方法有待改进。
1.2基于神经网络的船舶图像识别为了将图像识别技术集成到传统的船舶导航系统中，2007年金雪丹等[2]引入神经网络算法进行船舶特征的分类处理。
神经网络算法模拟人脑思维的算法，由众多神经元可调的连接权值连接而成，拥有大规模运算能力。
经过图像处理提取出来的特征用作多层神经网络输入，该神经网络使用BP算法（反向传播算法）进行，将船只分为大型船、中型船、小型船3类。
通过实验，发现引入BP算法后的船舶识别率有了显著提高，并且能对船舶种类进行类型区分。
魏娜[3]设计了BP神经网络的三层结构用于对船舶类型的识别实验，将BP神经网络所得出的结果与模板匹配结果对比，结果表明利用BP神经网络算法的识别率远高于普通的特征提取识别方法。
引入神经网络算法进行船舶识别，虽然提升了船舶识别的精度，但实验样本多数是静态数据。
图像数据在现实作业环境中会受到海上环境、天气、光线变化的干扰，对一定范围内的船只聚集情况、异物遮挡情况作出错误判断，实验算法能否应用于动态数据成为该技术能否推广的重要因素。
CCTV系统采集的是动态视频，将不同角度拍摄的动态视频转换为一帧一帧的静态图像进行处理与跟踪，算法需要一定的鲁棒性和适应性。
2复杂环境下的船舶图像处理与识别复杂环境下采集的船舶图像往往在特征提取方面与理想情况存在许多误差，如夜晚光线昏暗情况下船舶图像采集困难，白天海面光线强烈和雨雾天气对船舶图像的干扰等。
实际作业过程中，图像数据采集以视频摄录为手段，这些数据往往包含不同类型的动态数据。
曾科伟等[4]提出在内河河道内的不同监测点都安装CCTV系统，通过夜视、红外热成像技术，采集不同明暗光线下的河道船舶数据进行监控，实现对控制河段船舶运行状态的掌握。
因此，采集的数据不仅是红外图像，也有夹杂着雨雾等干扰的图像，这需要在原有算法基础上进行多状态适应性改进。
2.1融合背景差分法与最大类间方差法（OTSU）的识别针对不同天气下行驶的船舶目标进行特征提取，李祎承[5]等研究了一种融合背景差分法和最大类间方差法的船舶目标提取方法，构建了一种新的船舶目标提取方法，见图2。
背景差分法是利用图像序列中的当前帧与背景参考模型进行比较检测物体运动状态的方法。
最大类间方差法是一种自适应的阈值确定方法。
实验先将视频转化为多帧图像并进行预处理，然后用当前帧与背景帧作差分运算，最后用形态学与中值滤波处理确定船舶所在区域。
实验结果表明，所得船舶目标轮廓较为清晰，能够适应不同天气的干扰。
在此基础上，作者提出了基于圆环划分的特征值算法，用以解决不同角度船舶特征可能存在差异的问题。
通过该算法，计算目标的特征值具有旋转、平移及缩放的不变性，能适应不同角度下摄像机的拍摄要求。
2.2基于动静态阈值的船舶图像识别为解决基于视觉的船舶检测技术易受背景光线变化、遮挡阴影区域及小范围船舶聚集等因素干扰问题，以及在背景更换的阈值判断上存在的不足，睢丹[6]等提出一种改进的船舶图像智能检测方法，通过设置预处理后的二值图像异常比例，对船舶状态进行分析。
首先归一化采集图像的前景面积，并引入动态阈值与静态阈值关联，用以判断是否需要更换背景条件。
实验结果表明该方法在查准率和查全率等方面均比传统方法有很大提高，进一步优化了复杂环境下特征提取的准确性。
2.3基于多尺度分形特征的红外图像识别刘俊[7]以红外图像为实验样本，通过研究红外辐射定律与特性，总结出船舶热特性与船型和方位的关系，并以此设置多项实验，对比出不同运动状态、背景以及距离下的船舶红外特征，提取红外图像下的船舶特征进行船舶识别实验。
引入基于多尺度分形特征（MFFK）的船舶目标检测方法，实验结果证明了红外图像下的船舶检测可行性，见图3。
但红外图像与正常环境下的原图像有明显差异，导致提取的特征值存在差异，因此针对同样类别的船型需要建立两份数据集进行船舶识别，造成资源采集开销。
红外图像与可见光图像存在质量上的差异，能否证明用红外图像得出的实验结果优于可见光图像的实验结果还需进一步研究。
3船舶图像识别方法最新进展传统的船舶图像识别算法虽然可对船舶类型进行简单分类，得出较为精确的结果，但这些结果是在比较小的仿真实验数据集上得到的，结果的泛化性和鲁棒性还需要在更大的数据上进行验证。
随着深度学习等人工智能算法的飞速发展，越来越多的人工智能算法应用于工业产品。
邓柳[8]等针对高速公路环境下的车型识别问题，引入卷积神经网络（CNNs）理论，对大量的车辆车型进行特征提取，并利用SVM分类器构建识别系统，实现了识别速度和识别率上质的飞跃。
如果将船舶航线比作高速公路，船舶比作汽车，将更为强大的人工智能算法应用于船舶类型识别成为研究新方向。
3.1基于深度学习的船舶图像识别赵亮等[9]提出一种基于卷积神经网络的船舶图像识别算法，使用7层卷积神经网络结构，实现特征的自动提取。
同时结合HOG算法和HSV算法分别得到边缘特征和颜色特征，在SVM系统上进行分类识别，实验结果显示平均识别率超过90%。
虽然传统识别方法在识别率上也可达到90%的程度，但传统识别方法实验与测试的数据集数量与现实情况有较大出入，而作者的实验采取500张训练样本，310张测试样本，在较为大量的数据集中可达到高于90%的识别率，足以说明卷积神经网络在特征提取方面的鲁棒性和适应性优于传统的识别算法。