0 引　言

船舶通航的安全问题是水上交通领域亟待解决的重要问题。伴随水上运输行业不断发展^[1]，海上船舶密度上升，水上交通的航行危险性提升。船舶的航行状态受航行环境以及船舶类型影响较大^[2]。受船舶航行速度影响，不同类型船舶的航行风险存在差异。船舶碰撞事故是主要的水上交通事故，在水上交通航行事故中的比例较高^[3]。近年来船舶数量提升，船舶碰撞事故率呈上升趋势，对船舶碰撞事故评估具有重要意义。

目前已有众多学者针对船舶碰撞风险进行研究。朱凯歌等^[4]基于领域知识构建船舶碰撞危险度评估模型；刘章等^[5]将REICH模型应用于船舶交叉航路碰撞风险检测中。以上2种方法虽然可以评估船舶碰撞危险度，但是未考虑航行速度等因素导致船舶碰撞风险动态变化的特点，碰撞风险评估的应用性较差。为了提升船舶航行安全性，设计基于智能视觉的船舶碰撞风险评估模型。

1 船舶碰撞风险评估模型 1.1 船舶航行图像特征提取 1.1.1 船舶航行图像的颜色特征提取

用 $ H $ 与 $ V $ 分别表示机器视觉技术采集的船舶航行图像的色调与亮度， $ S $ 表示船舶航行图像的饱和度。选取船舶航行图像的色调和饱和度建立船舶航行图像的颜色直方图^[6]。用 $ X\left( {x,y} \right) $ 与 $ h = \left( {{h_x},{h_y}} \right) $ 分别表示船舶航行图像中的目标中心以及目标半径， $ {X_i} = \left( {{x_i},{y_i}} \right) $ 表示船舶航行图像的像素点。归一化处理船舶航行图像的颜色直方图表达式如下：

$ {q_0} = \frac{{\displaystyle\sum\limits_{i = 1}^n k \left( {\left\| {\dfrac{{X - {X_i}}}{{uh}}} \right\|} \right)\sigma \left[ {b\left( {{X_i}} \right) - u} \right]}}{{\displaystyle\sum\limits_{i = 1}^n k \left( {\left\| {\dfrac{{X - {X_i}}}{{uh}}} \right\|} \right)}}。$

(1)

式中： $ n $ 与 $ k\left( \cdot \right) $ 分别表示船舶航行图像的像素数量以及核函数； $ b\left( {{X_i}} \right) $ 与 $ \sigma $ 分别表示像素 $ {X_i} $ 对应的颜色等级索引函数以及Delta函数； $ u $ 表示船舶航行图像的颜色等级索引。

1.1.2 船舶航行图像的梯度方向特征提取

构造船舶航行图像中目标区域的梯度方向，体现船舶航行图像中目标区域的空间位置。依据船舶航行图像直方图内像素 $ f\left( {x,y} \right) $ 的水平方向与垂直方向之差^[7-9]，获取船舶航行图像中，各像素的梯度 $ G\left( {x,y} \right) $ 与方向 $ \varphi \left( {x,y} \right) $ 表达式如下：

$\begin{split}& G\left( {x,y} \right) =\\ &\sqrt {\left( {f\left( {x,y + 1} \right) - f\left( {x,y - 1} \right)} \right)^2+{\left( {f\left( {x + 1,y} \right) - f\left( {x - 1,y} \right)} \right)^2}}，\end{split} $

(2)

$ \begin{split} \varphi \left( {x,y} \right) = &\tan 2\left( {f\left( {x,y + 1} \right) - f\left( {x,y - 1} \right)+} \right. \\ & \left. {f\left( {x + 1,y} \right) - f\left( {x - 1,y} \right)} \right)。\end{split} $

(3)

船舶航行图像的方向 $ \varphi \left( {x,y} \right) $ 位于[−π，π]区间，利用船舶航行图像不同方向的梯度幅值^[10]，构建船舶航行图像的梯度方向直方图。归一化处理梯度方向直方图，获取船舶航行图像的梯度方向为：

$ {q_1} = \frac{{\displaystyle\sum\limits_{i = 1}^n k \left( {\left\| {\dfrac{{X - {X_i}}}{{uh}}} \right\|} \right) \times \sigma \left[ {b\left( {\varphi \left( {x,y} \right)} \right) - v} \right]}}{{\displaystyle\sum\limits_{i = 1}^n k \left( {\left\| {\dfrac{{X - {X_i}}}{{uh}}} \right\|} \right) \times G\left( {x,y} \right)}} 。$

(4)

通过以上过程，提取利用机器视觉技术采集的船舶航行图像的颜色特征以及梯度方向特征，为船舶碰撞风险评估提供数据基础。

1.2 智能视觉的船舶航行轨迹跟踪

依据所提取的船舶航行图像中的颜色特征以及梯度方向特征，利用ECO算法跟踪船舶航行轨迹。ECO算法是结合了机器视觉技术与人工智能算法中的重要算法，是智能视觉中的重要算法。ECO算法跟踪船舶航行轨迹的流程如图1所示。

ECO算法是以滤波器作为主要计算框架，将采集的船舶航行图像输入滤波器中，通过滤波器的训练获取滤波器模板。卷积运算滤波器和图像特征^[11]，获取船舶航行图像的响应值，通过对比船舶航行图像不同像素响应值的大小，确定船舶航行图像中的船舶目标位置。滤波器模板更新公式如下：

$ {Z_f}\left( x \right) = f \times \varPsi \left( x \right)。$

(5)

式中： $ f $ 与 $ \varPsi \left( x \right) $ 分别表示相关滤波器与加权求和后的船舶航行图像特征； $ {Z_f}\left( x \right) $ 表示加权求和后的像素响应值。

ECO算法利用所提取颜色特征与梯度方向特征，训练船舶航行轨迹跟踪的相关滤波器。提取下一帧船舶航行图像目标区域的特征^[12]，对滤波器模板进行连续学习，获取图像颜色特征以及梯度方向特征的响应图值，加权求和处理特征响应图值。具有最大响应图值的像素点即船舶航行图像的船舶中心位置。确定船舶航行图像中的船舶中心位置后，利用尺度滤波器确定船舶目标尺寸，获取最优船舶跟踪框，提取船舶跟踪框的颜色特征以及梯度方向特征，更新全部滤波器^[13]。选取下一帧船舶航行图像，跟踪船舶航行目标，获取船舶航行轨迹，直至完成全部船舶航行图像的轨迹跟踪。依据船舶航行图像的时间以及坐标信息，获取船舶航行的速度信息、方位信息以及坐标信息。

1.3 船舶碰撞风险评估模型

所构建船舶碰撞风险评估模型考虑了不同船舶的航行速度以及间距，同时考虑了船舶航行环境的水域种类以及海上能见度等因素。对其中一艘船舶与其他船舶的碰撞风险值求和^[14]，即可获取多艘船舶相遇情况下的船舶碰撞风险值。用 $ Q $ 表示船舶碰撞风险值，船舶碰撞风险评估模型为：

$ Q = {\left( {{w_1}\left( {\frac{{{d_0}}}{{{B_S}}}} \right) + {w_1}\left( {\frac{{{t_0}}}{{{T_S}}}} \right) + {w_3}{{\left( {\frac{B}{{{B_S}}}} \right)}^2}} \right)^{ - 2}} 。$

(6)

式中： $ {d_0} $ 与 $ {t_0} $ 分别表示船舶的最近相遇距离以及最短相遇时间； $ {B_S} $ 与 $ B $ 分别表示船舶的最小安全距离与目标船舶和其他船舶之间的距离； $ {T_S} $ 表示船舶操舵所需时间； $ {T_S} $ ， $ {w_2} $ 与 $ {w_3} $ 分别表示依据海上能见度、船舶尺寸以及水域种类设置的权重系数。依据船舶航行环境设置权重系数。船舶航行的海上能见度较差时，设置 $ {w_1} > 1 $ ；船舶尺寸过大，影响船舶航行灵活性时，设置 $ {w_2} > 1 $ ；船舶航行水域过于复杂，如航行在狭水道时，需要考虑船舶安全航行距离，此时设置 $ {w_3} > 1 $ 。

为了提升船舶碰撞风险评估的灵活性，设置缩放因子 $ f $ ，利用所设置缩放因子调节船舶碰撞风险评估结果^[15]。用 $ f\left( t \right) $ 表示时间为 $ t $ 时，船舶位于安全区域边界时的缩放因子， $ {f_{\min }} $ 表示2艘船舶依据当前航行方位以及航行速度航行时，其他船舶与目标船舶距离最小时的缩放因子， $ {t_{\min }} $ 表示当前航行状态时，其他船舶航行至目标船舶安全领域所需时间。将 $ \frac{{{d_0}}}{{{B_S}}} $ 与 $ {t_0} $ 分别用 $ {f_{\min }} $ 与 $ {t_{\min }} $ 表示，将 $ \frac{B}{{{B_S}}} $ 用 $ f\left( t \right) $ 表示。目标船舶与其他船舶存在碰撞风险以及不存在碰撞风险时，分别用 $ {f_{\min }} < 1 $ 与 $ {f_{\min }} \geqslant 1 $ 表示，将式（6）的船舶碰撞风险评估模型转化为：

$ Q = {\left( {{w_1}f_{\min }^2 + {w_2}{{\left( {{T_{\min }}/{T_S}} \right)}^2} + {w_3}{f^2}\left( t \right)} \right)^{ - 2}}。$

(7)

船舶碰撞风险评估结果处于[0,1]区间，船舶实际航行过程中，船舶一定存在碰撞风险以及一定不存在碰撞风险时，分别用1和0表示。船舶存在碰撞风险时，通过船舶航行方向的转变以及航行速度的降低，令 $ Q = 0 $ ，避免船舶发生碰撞。通过以上过程，利用智能视觉技术完成船舶碰撞风险评估。

2 模型测试

采用本文模型模拟研究海域的船舶航行情况，船舶碰撞风险评估初始阶段，研究海域的船舶分布情况如图2所示。

可以看出，研究海域是海上交通的重要枢纽部分。研究海域分布了大量船舶，船舶碰撞风险评估有效性极为重要。

采用本文模型依据机器视觉技术采集船舶航行图像。随机选取船舶A作为研究目标，对比目标船舶的实际航行轨迹与本文模型的航行轨迹跟踪结果，对比结果如图3所示。

可以看出，采用本文模型可以有效获取船舶目标航行的跟踪结果。采用本文模型可以利用船舶航行图像获取精准的船舶航行轨迹跟踪结果。跟踪船舶航行轨迹跟踪精度越高时，采用本文模型获取的船舶航行方位角等信息精度越高，有效提升船舶碰撞风险的评估结果。

采用本文模型利用所采集的船舶航行图像，获取时间为2020年11月15日14:35时，研究海域11艘船舶航行的方位角、航行速度与坐标定位结果，如表1所示。

可以看出，采用本文模型可以利用所采集的船舶航行图像，通过船舶航行轨迹跟踪结果，获取船舶碰撞风险评估模型中的航行速度、航行方位角等信息。

利用表1的船舶航行方位角和航行速度等信息，评估船舶航行过程中，时间为2020年11月15日14:35时的船舶碰撞风险。船舶碰撞风险评估结果如图4所示。

可以看出，采用本文模型可以有效评估船舶航行时的碰撞风险。船舶航行具有明显的动态性，伴随船舶航行的动态变化，船舶碰撞风险同样有所变化。本文模型可以有效评估船舶航行过程中的对遇碰撞、交叉碰撞以及追越碰撞，3种不同类型的碰撞，船舶碰撞风险评估的实用性较高。船舶调度管理人员可以依据船舶碰撞风险评估结果，调整船舶航行速度与方向，避免船舶发生碰撞情况。

3 结　语

构建基于智能视觉的船舶碰撞风险评估模型，利用机器视觉技术采集船舶航行图像，通过智能算法明确船舶航行轨迹，以船舶航行速度和坐标定位结果作为评估基础，实现船舶碰撞风险的有效评估。通过模型测试验证该模型可以有效评估船舶碰撞风险，为提升船舶航行安全提供重要的理论基础。所构建模型具有辨识性高的特点，可应用于复杂水域的船舶航行碰撞风险评估中，保障船舶航行的安全性。