基于深度學(xué)習(xí)的多船舶目標(biāo)跟蹤與流量統(tǒng)計(jì)

冼允廷 邱偉健

摘 要：研究船舶的目標(biāo)跟蹤對(duì)提高水上目標(biāo)視頻圖像智能監(jiān)管的水平有著至關(guān)重要的作用，系統(tǒng)通過深度學(xué)習(xí)SSD模型進(jìn)行對(duì)船舶目標(biāo)定位檢測(cè)，使用修正的KCF算法對(duì)檢測(cè)到的船舶目標(biāo)進(jìn)行跟蹤。把深度學(xué)習(xí)的方式引入船舶目標(biāo)檢測(cè)領(lǐng)域，與傳統(tǒng)檢測(cè)方法相比精準(zhǔn)率大大提高，同時(shí)提出了一個(gè)修正的KCF算法對(duì)多船舶目標(biāo)進(jìn)行跟蹤，較好地解決了目標(biāo)漏檢與重復(fù)統(tǒng)計(jì)的問題。對(duì)大量船舶目標(biāo)樣本進(jìn)行訓(xùn)練學(xué)習(xí)后，船舶檢測(cè)定位精準(zhǔn)，檢測(cè)成功率達(dá)到91%以上，船舶跟蹤算法快速穩(wěn)定，檢測(cè)與跟蹤算法達(dá)到30幀每秒，船舶目標(biāo)流量統(tǒng)計(jì)準(zhǔn)確率達(dá)到95%以上，整個(gè)系統(tǒng)框架滿足實(shí)時(shí)性的要求。

關(guān)鍵詞：船舶跟蹤; 船舶檢測(cè)與統(tǒng)計(jì); 深度學(xué)習(xí); 水上交通

中圖分類號(hào)： U664.121

文獻(xiàn)標(biāo)志碼： A

Abstract：The research on ship tracking from video surveillance plays a vital role in improving the intelligence of maritime safety regulation. We applied a deep learning method-SSD to detect and locate ship targets， then proposed a modified KCF algorithm to track and count these targets. By introducing deep learning methods， the accuracy of ship detection is greatly improved comparing with the traditional methods. An improved KCF algorithm can realize to track more than one ships. It solves the problem of ship detection and statistics and without missing. Benefits from the modified KCF algorithm， omission and duplication failure are effectively relieved while maintaining real-time processing speed. According to the experiments we performed， the accuracy of traffic flow data reaches 95%.

Key words：Ship tracking; Ship detection and statistics; Deep learning; Water traffic

0 引言

船舶目標(biāo)跟蹤與流量統(tǒng)計(jì)是水上交通智能化研究的一個(gè)重點(diǎn)，一直以來都是以雷達(dá)及AIS系統(tǒng)作為水上船舶目標(biāo)管理信息化的主要手段;近年來由于水上高清視頻監(jiān)控發(fā)展的越來越快，視頻圖像更加讓監(jiān)管人員能直觀地了解現(xiàn)場(chǎng)情況，有利于現(xiàn)場(chǎng)事故救援，方便違規(guī)事件調(diào)查取證等，所以基于視頻圖像的智能監(jiān)管系統(tǒng)也越來越受到水上監(jiān)管部門的重視。目前在國內(nèi)外對(duì)船舶航道方面的智能監(jiān)控平臺(tái)并不多見，但由于水上交通運(yùn)輸量大，運(yùn)費(fèi)較陸上便宜，水上交通也日漸繁忙，因此建立一套能夠?qū)Υ皺z測(cè)、跟蹤、統(tǒng)計(jì)及識(shí)別等智能化的視頻監(jiān)控平臺(tái)，對(duì)減少交通事故，保障航行安全，提高信息化和智能化水平有著深遠(yuǎn)的意義和廣闊的前景。

1 船舶目標(biāo)跟蹤與流量統(tǒng)計(jì)概況

目前在這方面研究有，王江等[1]提出了利用攝像機(jī)成像模型構(gòu)建像平面與世界坐標(biāo)變換關(guān)系來測(cè)量運(yùn)動(dòng)船舶目標(biāo)參數(shù)，并使用了一種基于優(yōu)化Vibe的背景更新方法來實(shí)現(xiàn)船舶檢測(cè)和跟蹤，但該方法對(duì)攝像機(jī)參數(shù)依賴程度高，船舶目標(biāo)檢測(cè)容易受到光照變化影響;蔡丹等[2]在混合高斯模型的基礎(chǔ)上進(jìn)一步對(duì)背景更新進(jìn)行了改進(jìn)來檢測(cè)船舶目標(biāo)，然后使用卡爾曼濾波及Camshift算法進(jìn)行船舶跟蹤，但對(duì)于多目標(biāo)跟蹤及天氣變化的適應(yīng)性不強(qiáng);王培玉[3]等提出了一種復(fù)雜碼頭環(huán)境下的船舶檢測(cè)與跟蹤，首先是采用Canny算子提取水岸邊界，然后針對(duì)水域進(jìn)行船舶目標(biāo)檢測(cè)，這種算法容易出現(xiàn)對(duì)小目標(biāo)漏檢或者誤檢的情況。以上都是目前在船舶目標(biāo)檢測(cè)跟蹤研究方面的傳統(tǒng)圖像處理做法，基本上是建立在背景差分割目標(biāo)的基礎(chǔ)上[4，5]，這類算法有一個(gè)重要的缺陷，就是水面不是一個(gè)靜態(tài)的背景，波浪及水面反射都在時(shí)刻發(fā)生變化，因此背景差方法雖然在陸地交通車輛檢測(cè)跟蹤方面獲得了較大的成功，但在水上的應(yīng)用就難以取得令人滿意的成果，受光照變化、水波變化影響較大，跨場(chǎng)景應(yīng)用魯棒性較差。周靚[6]在航道監(jiān)控中船舶的檢測(cè)與跟蹤文中使用了河面網(wǎng)格直方圖為特征并進(jìn)行支持向量機(jī)訓(xùn)練得到船舶目標(biāo)定位，提出了機(jī)器學(xué)習(xí)的方法對(duì)船舶進(jìn)行檢測(cè)，雖然比傳統(tǒng)的背景差算法更具魯棒性，但仍然出現(xiàn)受岸邊背景影響導(dǎo)致誤檢的情況;王貴槐等[7]在無人船上安裝攝像頭來對(duì)采集圖像對(duì)前方船舶的檢測(cè)，采用深度學(xué)習(xí)的方法來針對(duì)船舶樣本進(jìn)行訓(xùn)練和檢測(cè)，經(jīng)過測(cè)試在晴天、陰天及傍晚等情況下都有較高的查準(zhǔn)率，深度學(xué)習(xí)能夠通過大量船舶樣本訓(xùn)練出船舶的特征，能很好的區(qū)分岸邊及水紋等背景物體，且受光照變化影響較低，所以深度學(xué)習(xí)是解決水上船舶目標(biāo)檢測(cè)的一個(gè)重要突破手段。

近年來機(jī)器學(xué)習(xí)發(fā)展迅猛，深度學(xué)習(xí)更是在圖像視頻處理上取得了驚人的成就[12]，為了避開傳統(tǒng)方法的不足，本系統(tǒng)重點(diǎn)在深度學(xué)習(xí)上進(jìn)行船舶目標(biāo)檢測(cè)及跟蹤上的研究，首先使用SSD深度學(xué)習(xí)對(duì)船舶目標(biāo)進(jìn)行學(xué)習(xí)訓(xùn)練，當(dāng)訓(xùn)練達(dá)到一些批次后收斂得到船舶目標(biāo)檢測(cè)網(wǎng)絡(luò)模型，通過網(wǎng)絡(luò)模型便可以進(jìn)行船舶定位檢測(cè)[7]，然后再通過KCF跟蹤方法來進(jìn)行船舶目標(biāo)跟蹤[8]，但在多船舶目標(biāo)跟蹤上KCF容易發(fā)生目標(biāo)丟失以及鄰近目標(biāo)跟蹤框匹配錯(cuò)誤等問題，系統(tǒng)采用修正的KCF跟蹤方法，解決了船舶目標(biāo)跟蹤目標(biāo)丟失及匹配錯(cuò)誤等問題，大大提高了船舶流量統(tǒng)計(jì)的準(zhǔn)確率。

2 基于深度學(xué)習(xí)的船舶目標(biāo)檢測(cè)模型

船舶目標(biāo)檢測(cè)是指在輸入圖像中識(shí)別并提取出船舶對(duì)象，性能良好的目標(biāo)檢測(cè)算法將為后續(xù)的目標(biāo)跟蹤以及流量統(tǒng)計(jì)提供堅(jiān)實(shí)的基礎(chǔ)。基于深度神經(jīng)網(wǎng)絡(luò)的SSD（Single Shot Multibox Detector， SSD）算法[9]是非基于區(qū)域推薦的目標(biāo)檢測(cè)算法的代表，是目前檢測(cè)速度和檢測(cè)效果最好的算法之一[13]，具有很強(qiáng)的實(shí)時(shí)性，因此系統(tǒng)將采用SSD算法來構(gòu)建船舶目標(biāo)檢測(cè)模塊。

2.1 SSD模型結(jié)構(gòu)

SSD網(wǎng)絡(luò)是一個(gè)端到端（End to End）的深度卷積神經(jīng)網(wǎng)絡(luò)，將目標(biāo)檢測(cè)和分類集成到一個(gè)網(wǎng)絡(luò)中。SSD網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

SSD網(wǎng)絡(luò)前半部分特征提取網(wǎng)絡(luò)，通過改造作為圖像分類優(yōu)秀架構(gòu)的VGG-16[10]來構(gòu)建，同時(shí)為了充分利用不同層包含的信息，特征提取網(wǎng)絡(luò)還將不同深度的多個(gè)層的特征圖都送入后半部分的預(yù)測(cè)網(wǎng)絡(luò)，從而實(shí)現(xiàn)多尺度特征提取;SSD網(wǎng)絡(luò)后半部分是由卷積層構(gòu)建的預(yù)測(cè)網(wǎng)絡(luò)。預(yù)測(cè)網(wǎng)絡(luò)不再采用全連接層與層構(gòu)建分類器的經(jīng)典設(shè)計(jì)，而全部取替為由一組大小為3×3×P的卷積核所構(gòu)成的卷積層（假設(shè)輸入的特征圖的尺寸為M×N×P）。采用核大小為3×3的卷積核可限制預(yù)測(cè)網(wǎng)絡(luò)的感受野在卷積核的感受野中，從而避免受到關(guān)注區(qū)域之外的信息的干擾，引入噪聲導(dǎo)致偏差[11]。預(yù)測(cè)網(wǎng)絡(luò)輸出每個(gè)候選框?qū)?yīng)的四個(gè)坐標(biāo)偏移量和可能屬于的每一個(gè)物體類的概率預(yù)測(cè)值（設(shè)共有C類），即一個(gè)（C+4）維的預(yù)測(cè)向量。

SSD網(wǎng)絡(luò)訓(xùn)練時(shí)先進(jìn)行前向傳播，即依次進(jìn)行特征提取，在特征圖的每個(gè)像素位置生成一組候選框并與標(biāo)簽信息中的真實(shí)框進(jìn)行匹配，預(yù)測(cè)網(wǎng)絡(luò)計(jì)算出匹配成功的候選框的預(yù)測(cè)向量;然后計(jì)算聯(lián)合損失函數(shù)，進(jìn)行反向傳播，調(diào)整各層權(quán)重參數(shù)。

2.2 SSD算法運(yùn)行過程

SSD算法會(huì)在進(jìn)行預(yù)測(cè)的每一張?zhí)卣鲌D的每一個(gè)像素位置上生成一組候選框，然后讓預(yù)測(cè)網(wǎng)絡(luò)在此基礎(chǔ)上預(yù)測(cè)對(duì)應(yīng)的位置偏移量和類別概率，從而實(shí)現(xiàn)對(duì)候選框的修正，讓它更加貼合真實(shí)目標(biāo)所在的位置。這樣就避免設(shè)立一個(gè)獨(dú)立的RPN網(wǎng)絡(luò)，對(duì)于提升網(wǎng)絡(luò)運(yùn)行效率和性能有很大幫助;

同時(shí)并非所有的候選框會(huì)被都送入預(yù)測(cè)網(wǎng)絡(luò)進(jìn)行位置偏移預(yù)測(cè)，而是先將這些候選框與真實(shí)框按照一定匹配策略進(jìn)行匹配。匹配策略就是：以兩者的IOU作為匹配標(biāo)準(zhǔn)，如果IOU高于一定閾值就認(rèn)為匹配成功，視為正樣本，否則視為匹配失敗，視為負(fù)樣本，而只有正樣本才會(huì)被送入預(yù)測(cè)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

2.3 損失函數(shù)

SSD網(wǎng)絡(luò)將對(duì)于每一個(gè)默認(rèn)框的目標(biāo)位置偏移預(yù)測(cè)和類別概率預(yù)測(cè)都視為回歸問題，用一個(gè)多任務(wù)損失函數(shù)將兩者的損失聯(lián)合起來。其中采用了smoothL1損失函數(shù)作為位置損失函數(shù)，采用損失函數(shù)作為置信度損失函數(shù)，并使用權(quán)重因子α來平衡兩者的比例，避免任一部分所占比例過大。聯(lián)合損失函數(shù)如公式（1）所示。

使用脊回歸加上貝葉斯修正能使得算法對(duì)物體的追蹤效果提高一定的準(zhǔn)確度。由于在實(shí)際的應(yīng)用當(dāng)中，在遠(yuǎn)距離觀測(cè)下船舶的行駛速度是相對(duì)較慢的，所以追蹤算法在應(yīng)用在船舶方面會(huì)取得較好的效果，主要原因是因?yàn)榇靶旭偹俣嚷?，使用追蹤算法在前一幀采樣出來的樣本?huì)有比較好的性質(zhì)，訓(xùn)練出來的分類器會(huì)精度會(huì)更高。

4 KCF跟蹤修正及船舶跟蹤統(tǒng)計(jì)流程

由于KCF跟蹤窗口是固定不變的，而隨著船舶的運(yùn)動(dòng)，船體在逐漸增大或者減小，誤差逐漸累計(jì)會(huì)導(dǎo)致KCF跟蹤失敗，目標(biāo)框發(fā)生漂移，無法精準(zhǔn)匹配跟蹤目標(biāo)船舶。為了解決這一問題，我們提出了跟蹤修正的方法，具體整個(gè)跟蹤及統(tǒng)計(jì)流程圖如圖2所示：

1.視頻初始化：視頻初始化就是讀入視頻的一個(gè)開始流程，把視頻序列的具體幀圖片抽取出來，用來作為算法處理的數(shù)據(jù);

2.SSD檢測(cè)：根據(jù)上述SSD的算法進(jìn)行船舶目標(biāo)檢測(cè)，返回目標(biāo)數(shù)量、位置等參數(shù)，形成“當(dāng)前跟蹤目標(biāo)列表”;

3.KCF跟蹤：根據(jù)KCF原理對(duì)SSD檢測(cè)到的船舶目標(biāo)進(jìn)行跟蹤;

4.跟蹤修正：修正條件，在文中我們是每隔100幀對(duì)跟蹤目標(biāo)進(jìn)行一次修正，即對(duì)幀數(shù)N進(jìn)行取模運(yùn)算，當(dāng)N%100=0時(shí)，則進(jìn)行修正，修正過程是使用SSD算法對(duì)當(dāng)前幀重新進(jìn)行目標(biāo)檢測(cè)，得到一個(gè)“最新目標(biāo)列表”，然后將“最新目標(biāo)列表”與“當(dāng)前跟蹤目標(biāo)列表”中的目標(biāo)對(duì)象進(jìn)行匹配去重。具體而言就是從“當(dāng)前跟蹤目標(biāo)列表”中取出一個(gè)目標(biāo)A，計(jì)算其與“最新目標(biāo)列表中”所有未匹配的新目標(biāo)對(duì)象的交并比，使得交并比最大的新目標(biāo)稱為目標(biāo)B，然后將目標(biāo)A的目標(biāo)信息更新為目標(biāo)B的目標(biāo)信息，調(diào)整目標(biāo)跟蹤窗口的大小以及位置，從而修正KCF跟蹤過程中產(chǎn)生的誤差。同時(shí)將目標(biāo)B設(shè)為已匹配，不再參與后續(xù)的匹配過程。

5.流量統(tǒng)計(jì)：在船舶航行的航道中設(shè)置一條檢測(cè)線，當(dāng)跟蹤的船舶目標(biāo)的中心點(diǎn)經(jīng)過檢測(cè)線時(shí)，即中心點(diǎn)與檢測(cè)線的距離小于某個(gè)閾值，便給跟蹤目標(biāo)打上已統(tǒng)計(jì)的標(biāo)簽，同時(shí)統(tǒng)計(jì)船舶數(shù)量。

通過上述步驟進(jìn)行了KCF跟蹤修正，讓跟蹤框能更適應(yīng)目標(biāo)大小的變化，讓跟蹤框能精確的跟隨船舶目標(biāo)移動(dòng)而不發(fā)生漂移及匹配錯(cuò)誤，有了準(zhǔn)確的船舶目標(biāo)跟蹤，從而使得目標(biāo)流量統(tǒng)計(jì)更精準(zhǔn)。

5 實(shí)驗(yàn)及結(jié)果

5.1 SSD檢測(cè)算法實(shí)驗(yàn)

為了提升SSD檢測(cè)算法在實(shí)際河道圖像上的檢測(cè)效果，我們準(zhǔn)備了針對(duì)性的數(shù)據(jù)集，并將SSD算法檢測(cè)的物體類別數(shù)目設(shè)為1，即只檢測(cè)船舶目標(biāo)。

我們的數(shù)據(jù)集是從實(shí)際的河道采集的，包含多種天氣條件下（陰天、晴天等），多種拍攝距離（遠(yuǎn)景，近景）下的圖像，具有足夠的場(chǎng)景豐富性。數(shù)據(jù)集總共有8 000張圖片，其中訓(xùn)練集有6 500張，測(cè)試集有1 500張。數(shù)據(jù)集樣本示例如圖3所示。

經(jīng)過多次反復(fù)調(diào)參和訓(xùn)練，最終模型的性能指標(biāo)如表1所示。

性能指標(biāo)參照SSD算法論文中衡量模型的指標(biāo)[9]，由于我們采用針對(duì)性的數(shù)據(jù)集，并且檢測(cè)的目標(biāo)的類別只有船舶一類，所以我們的檢測(cè)性能略好于SSD算法論文中的實(shí)驗(yàn)結(jié)果。

直觀地，從檢測(cè)效果圖4和圖5可見，大部分的船舶目標(biāo)都能被檢測(cè)出來，同時(shí)候選框能夠緊密貼合船舶目標(biāo)，檢測(cè)效果良好，精確率達(dá)91%以上。

當(dāng)霧天等不良?xì)庀髼l件使得圖像中的船舶特征變得模糊，使得檢測(cè)效果下降;采用廣視角拍攝方式采集河道圖像時(shí)，距離較遠(yuǎn)的船只在圖片上所占的像素范圍較小，會(huì)讓算法難以判定船舶目標(biāo)的存在，同樣會(huì)使得檢測(cè)效果下降。以上兩者是誤檢、漏檢的兩大原因，如圖6所示。

5.2 KCF跟蹤算法與跟蹤修正實(shí)驗(yàn)

采用修正流程對(duì)KCF算法進(jìn)行改進(jìn)以提高跟蹤效果。即先使用SSD算法獲取船舶目標(biāo)初始位置，然后啟用KCF算法進(jìn)行跟蹤，每跟蹤100幀之后使用SSD算法重新檢測(cè)并進(jìn)行跟蹤修正。同時(shí)，對(duì)于一些可能碰到的問題，我們添加了如下的修正規(guī)則：

① 由于檢測(cè)過程中有可能有新的目標(biāo)進(jìn)入檢測(cè)區(qū)域，我們將未被KCF追蹤的目標(biāo)匹配的新檢測(cè)到的船舶視為新出現(xiàn)的目標(biāo)船舶，也將這些目標(biāo)框輸入KCF進(jìn)行追蹤。

② 由于SSD也存在誤檢的情況，我們也設(shè)計(jì)了一些邏輯進(jìn)行預(yù)先判斷，比如如果目標(biāo)船舶的長度小于閾值就不進(jìn)行跟蹤處理（可能目標(biāo)過小無法跟蹤），如果SSD新檢測(cè)到的目標(biāo)船舶被KCF中的目標(biāo)覆蓋，則可能是SSD誤將大船檢測(cè)成多艘小船，這種情況也直接丟棄。

使用修正后的KCF算法對(duì)測(cè)試視頻的前25 000幀進(jìn)行連續(xù)跟蹤，視頻中出現(xiàn)每一個(gè)船舶目標(biāo)都分配了唯一的編號(hào)，并將每一幀的目標(biāo)中心點(diǎn)都打印在圖片上，中間一幀結(jié)果圖如圖7所示。

從圖中可以看出目標(biāo)編號(hào)始終保持一致，沒有發(fā)生編號(hào)對(duì)調(diào)等前后不一致的情況;每一艘船都有一條自己的完整的歷史軌跡，表明能夠穩(wěn)定地追蹤目標(biāo);同時(shí)候選框能夠緊密貼合船舶目標(biāo)。

5.3 流量統(tǒng)計(jì)實(shí)驗(yàn)

在跟蹤的基礎(chǔ)上，流量統(tǒng)計(jì)就相對(duì)容易，我們先在合適位置手動(dòng)設(shè)置虛擬檢測(cè)線，如果目標(biāo)船舶中心點(diǎn)與檢測(cè)線的距離小于閾值，則說明有船經(jīng)過，我們只需要將該船標(biāo)記為已計(jì)數(shù)的船并更新流量統(tǒng)計(jì)信息即可。同時(shí)，我們既然已經(jīng)知道了船的運(yùn)動(dòng)軌跡，也可以通過速度方向判斷船的行駛情況，分為上水和下水分別進(jìn)行統(tǒng)計(jì)。為了展示流量統(tǒng)計(jì)結(jié)果，選取流量統(tǒng)計(jì)測(cè)試視頻中的某一幀及一分鐘后的另一幀實(shí)驗(yàn)圖片展示如圖8所示。

隨著船舶不斷運(yùn)動(dòng)，計(jì)數(shù)器的值也發(fā)生相應(yīng)變化，實(shí)現(xiàn)了準(zhǔn)確的流量統(tǒng)計(jì)，準(zhǔn)備率達(dá)95%以上。

6 總結(jié)

本系統(tǒng)是基于機(jī)器學(xué)習(xí)的圖像視頻船舶目標(biāo)跟蹤與統(tǒng)計(jì)，過程中首先使用深度學(xué)習(xí)SSD目標(biāo)檢測(cè)的方法對(duì)船舶目標(biāo)進(jìn)行精確的定位，然后使用修正的KCF來進(jìn)行目標(biāo)的跟蹤以及統(tǒng)計(jì)，解決了跟蹤過程中目標(biāo)不穩(wěn)定以及統(tǒng)計(jì)漏檢與重復(fù)計(jì)數(shù)的問題;實(shí)驗(yàn)中取得了較好的效果，船舶目標(biāo)在遠(yuǎn)處及近處都能精確檢測(cè)，并且每條船舶都標(biāo)號(hào)進(jìn)行穩(wěn)定跟蹤，跟蹤過程標(biāo)號(hào)不會(huì)改變，這樣有效的保證了目標(biāo)統(tǒng)計(jì)的準(zhǔn)確性。

從實(shí)驗(yàn)結(jié)果來看，深度學(xué)習(xí)在水上交通目標(biāo)智能檢測(cè)方面的應(yīng)用效果是遠(yuǎn)遠(yuǎn)勝于傳統(tǒng)的檢測(cè)方法，而且它對(duì)光照不敏感，跨場(chǎng)景應(yīng)用能力強(qiáng)，不會(huì)受到岸邊環(huán)境以及水波浪變化的影響，穩(wěn)定性高，這些優(yōu)點(diǎn)是傳統(tǒng)的圖像處理方法所不能達(dá)到的，所以深度學(xué)習(xí)在水上監(jiān)管領(lǐng)域上有著廣闊的應(yīng)用前景。

參考文獻(xiàn)

[1] 王江，廖娟，陳星明，等.運(yùn)動(dòng)船舶參數(shù)視頻檢測(cè)算法[J].南京大學(xué)學(xué)報(bào)（自然科學(xué)），2015，51（2）：227-233.

[2] 蔡丹，段先華，高海壯.水上運(yùn)動(dòng)船舶的檢測(cè)與跟蹤[J].計(jì)算機(jī)與數(shù)字工程，2017，45（7）：1313-1317.

[3] 王培玉，李 峰，周書仁等.復(fù)雜碼頭環(huán)境下的船舶檢測(cè)與跟蹤算法[J].計(jì)算機(jī)工程與科學(xué)，2017，39（5）：992-998.

[4] Kryjak T， Komorkiewicz M， Gorgon M. Real-time background generation and foreground object segmentation for high-definition colour video stream in FPGA device[J]. Journal of Real-Time Image Processing， 2014， 9（1）： 61-77.

[5] 劉龍. 基于海事監(jiān)控平臺(tái)的船舶目標(biāo)檢測(cè)與自動(dòng)跟蹤系統(tǒng)的研究[D].長沙：湖南大學(xué)，2014.

[6] 周靚. 航道監(jiān)控中船舶的檢測(cè)與跟蹤[D].南京：南京理工大學(xué)，2012.

[7] 王貴槐，謝朔，初秀民，等.基于深度學(xué)習(xí)的水面無人船前方船只圖像識(shí)別方法[J]. 船舶工程，2018，40（4）：19-22.

[8] Henriques J F， Caseiro R， Martins P， et al. High-speed tracking with kernelized correlation filters[J]. IEEE transactions on pattern analysis and machine intelligence， 2014， 37（3）： 583-596.

[9] Liu W， Anguelov D， Erhan D， et al. Ssd： Single shot multibox detector[C]. European conference on computer vision. Springer， Cham， 2016： 21-37.

[10] Simonyan K， Zisserman A. Very deep convolutional networks for large-scale image recognition[J]. arXiv preprint arXiv：1409.1556， 2014.

[11] 翁昕. 目標(biāo)檢測(cè)網(wǎng)絡(luò)SSD的區(qū)域候選框的設(shè)置問題研究[D].西安：西安電子科技大學(xué)，2017.

[12] 周俊宇，趙艷明.卷積神經(jīng)網(wǎng)絡(luò)在圖像分類和目標(biāo)檢測(cè)應(yīng)用綜述[J].計(jì)算機(jī)工程與應(yīng)用，2017，53（13）：34-41.

[13] 李旭冬，葉茂，李濤.基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)研究綜述[J].計(jì)算機(jī)應(yīng)用研究，2017，34（10）：2881-2886.

（收稿日期： 2019.11.08）