﻿ 基于智能视觉的船舶碰撞风险评估模型
 舰船科学技术  2022, Vol. 44 Issue (16): 155-158    DOI: 10.3404/j.issn.1672-7649.2022.16.033 PDF

A model of ship collision risk assessment based on intelligent vision
LU Qing-mei, GAO Yuan
North University of China, Taiyuan 030051, China
Abstract: Build a ship collision risk assessment model based on intelligent vision to improve the safety of ship navigation. Using the ship navigation image collected by machine vision technology, the color features and gradient direction features in the ship navigation image are extracted. The efficient convolution operators for tracking (ECO) algorithm is used to learn the filter template and obtain the response graph value of ship navigation image features. Weighted summation is used to process the value of the characteristic response diagram to realize the tracking of the ship's navigation trajectory. According to the time and coordinate information of ship trajectory tracking results, the speed, orientation and coordinate information of ship navigation are obtained. According to the information of ship's sailing speed, the ship collision risk assessment model is constructed, and the ship collision risk value is output. The test results show that the model can effectively evaluate the risks of collision, cross collision and overtaking collision in the process of ship navigation, and improve the safety of ship navigation.
Key words: intelligent vision     ship collision risk     evaluation model     efficient convolution operators for tracking algorithm     sailing speed     response map value
0 引　言

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

$H$ $V$ 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 $X\left( {x,y} \right)$ $h = \left( {{h_x},{h_y}} \right)$ 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)

1.1.2 船舶航行图像的梯度方向特征提取

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

 ${q_1} = \frac{{\displaystyle\sum\limits_{i = 1}^n k \left( {\left\| {\dfrac{{X - {X_i}}}{{uh}}} \right\|} \right) \times \sigma \left[ {b\left( {\varphi \left( {x,y} \right)} \right) - v} \right]}}{{\displaystyle\sum\limits_{i = 1}^n k \left( {\left\| {\dfrac{{X - {X_i}}}{{uh}}} \right\|} \right) \times G\left( {x,y} \right)}} 。$ (4)

1.2 智能视觉的船舶航行轨迹跟踪

 图 1 船舶航行轨迹跟踪流程图 Fig. 1 Flow chart of ship navigation track tracking

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)

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

 $Q = {\left( {{w_1}\left( {\frac{{{d_0}}}{{{B_S}}}} \right) + {w_1}\left( {\frac{{{t_0}}}{{{T_S}}}} \right) + {w_3}{{\left( {\frac{B}{{{B_S}}}} \right)}^2}} \right)^{ - 2}} 。$ (6)

 $Q = {\left( {{w_1}f_{\min }^2 + {w_2}{{\left( {{T_{\min }}/{T_S}} \right)}^2} + {w_3}{f^2}\left( t \right)} \right)^{ - 2}}。$ (7)

2 模型测试

 图 2 研究区域船舶分布 Fig. 2 Distribution of ships in the study area

 图 3 船舶航行轨迹跟踪结果 Fig. 3 Tracking results of the ship's trajectories

 图 4 船舶碰撞风险评估结果 Fig. 4 Results of ship collision risk assessment

3 结　语

 [1] 包张静, 洪方智, 翁雨波, 等. 基于线性叠加的智能船舶经济性评估模型构建[J]. 船舶工程, 2020, 42(6): 132-136. [2] 李宏伟, 陈亮, 白景波. 基于CMFO算法的投影寻踪威胁目标评估模型[J]. 计算机工程与应用, 2020, 56(2): 152-157. [3] 童宗鹏, 叶林昌, 夏兆旺, 等. 基于海冰JH-2模型的极地邮轮冰-船碰撞性能模拟分析[J]. 中国舰船研究, 2021, 16(5): 87-94. [4] 朱凯歌, 史国友, 汪琪, 等. 基于船舶领域的碰撞危险度评估模型[J]. 上海海事大学学报, 2020, 41(2): 1-5+57. [5] 刘章. 基于REICH模型的同高度交叉航路碰撞风险研究[J]. 深圳大学学报(理工版), 2020, 37(2): 136-142. [6] 丁善婷, 王淼, 董正琼, 等. 基于多智能体的舰船装备健康状态仿真评估方法[J]. 中国机械工程, 2022, 33(10): 1169-1177. DOI:10.3969/j.issn.1004-132X.2022.10.005 [7] 乔卫亮, 刘阳, 周群, 等. 基于模糊人工神经网络的安全风险评估模型[J]. 安全与环境学报, 2021, 21(4): 1405-1411. DOI:10.13637/j.issn.1009-6094.2020.0341 [8] 马啸, 邵利民, 卢惠民, 等. 一种基于视觉感知的舰船目标智能化识别方法[J]. 电讯技术, 2020, 60(10): 1133-1141. DOI:10.3969/j.issn.1001-893x.2020.10.001 [9] 李雨泽, 张中信. 基于排队模型的网络安全风险损失评估方法[J]. 计算机仿真, 2021, 38(4): 258-262. DOI:10.3969/j.issn.1006-9348.2021.04.052 [10] 柳碧辉, 王培元. 基于改进Faster R-CNN的舰船目标三维识别算法[J]. 火力与指挥控制, 2022, 47(5): 42-52. [11] 李丽圆, 李潇雁, 胡琸悦, 等. 基于回归模型与注意力的轻量化SAR舰船检测模型[J]. 红外与毫米波学报, 2022, 41(3): 618-625. [12] 徐英, 谷雨, 彭冬亮, 等. 面向合成孔径雷达图像任意方向舰船检测的改进YOLOv3模型[J]. 兵工学报, 2021, 42(8): 1698-1707. DOI:10.3969/j.issn.1000-1093.2021.08.014 [13] 张筱晗, 姚力波, 吕亚飞, 等. 基于中心点的遥感图像多方向舰船目标检测[J]. 光子学报, 2020, 49(4): 210-218. [14] 詹锦皓, 李维波, 李齐, 等. 基于比例伪时序算法的舰船电力风险评估系统[J]. 中国舰船研究, 2022, 17(1): 176-186. DOI:10.19693/j.issn.1673-3185.02285 [15] 刘俊杰, 夏劲松, 金言, 等. 冰-水耦合作用下船舶与浮冰碰撞动响应数值仿真研究[J]. 船舶力学, 2020, 24(5): 651-661. DOI:10.3969/j.issn.1007-7294.2020.05.011