0 引　言

船舶作为重要的海上交通工具，其安全性、高效性和智能化水平需求日益提升^[1]。在船舶智能控制器中，图像处理技术不仅能够提高船舶对周围环境的感知能力，还能够优化船舶的航行策略，增强船舶的自主决策能力，从而显著提升船舶的安全性和航行效率^[2]。

近年来众多学者针对船舶控制开展研究。刘佳仑等^[3]设计了变稳船控制系统，但受限于模拟条件和参数设置，模拟结果与实际航行状态存在一定的差异。Schller等^[4]将递归神经网络应用于船舶自主导航浮标光模式分类中，但是递归神经网络难以直接解释其分类结果，导致导航出现问题时，难以进行故障排查和修复。余文曌等^[5]研究智能船舶路径跟踪控制方法，由于其控制性能受扩张观测器参数的影响，如果参数调整不当，将导致控制性能下降甚至系统失稳。

针对以上方法在船舶控制中存在的问题，研究图像处理技术在船舶智能控制器中的应用，以期为船舶行业的智能化发展提供新的思路。

1 基于图像处理技术的船舶智能控制器 1.1 船舶图像目标提取

船舶智能控制器利用智能摄像机采集船舶图像，从采集的船舶图像中提取船舶目标。依据摄像机拍摄角度的变化，采集的船舶图像主要为侧面船舶图像以及正面船舶图像。利用侧面船舶图像，检测船舶目标的运动速度；利用正面船舶图像，确定船舶类型以及船舶的航向角度。首先需要对采集的船舶图像进行均衡化处理。再结合大津法以及背景差分法，从船舶图像均衡化处理结果中，提取船舶目标^[6]。利用0.5帧/s的速度，对所获取的船舶视频图像解码处理，获取多帧船舶图像。对船舶图像实施背景差分处理，提取船舶目标。$ {I_k}\left( {x,y} \right) $为船舶视频序列图像，$ k = 1,2, \cdots ,N $，其中$ N $与$ k $分别表示船舶视频序列图像总帧数以及图像序号，$ \left( {x,y} \right) $为船舶图像的像素点坐标。将第$ k $帧船舶视频序列图像$ {B_k}\left( {x,y} \right) $设置为初始背景。差分处理$ {B_k}\left( {x,y} \right) $与$ {I_{k + n}}\left( {x,y} \right) $，二值化处理差分运算结果，计算图像的变化面积$ Z $。将变化面积计算结果与阈值$ \xi $对比，$ Z $的变化面积小于所设置阈值时，表示船舶图像背景无变化，否则需要重建船舶背景图像。船舶图像的背景重建表达式如下：

$ \begin{gathered} {B_{k + n}}\left( {x,y} \right) = \\ \left\{ {\begin{array}{*{20}{l}} {{I_{k + n}}\left( {x,y} \right),Z < \xi } ，\\ {{B_k}\left( {x,y} \right) + \displaystyle\frac{1}{{k + 1}}\left[ {{I_{k + n}}\left( {x,y} \right) - {B_k}\left( {x,y} \right)} \right],Z \geqslant \xi } 。\end{array}} \right. \\ \end{gathered} $

(1)

获取持续更新的船舶背景图像，利用背景差分法提取船舶图像中的目标。背景差分法的计算公式如下：

$ {D_k}\left( {x,y} \right) = \left| {{f_k}\left( {x,y} \right) - {f_b}\left( {x,y} \right)} \right| 。$

(2)

式中：$ {f_k}\left( {x,y} \right) $与$ {f_b}\left( {x,y} \right) $分别为当前帧船舶图像以及背景图像；$ {D_k}\left( {x,y} \right) $为船舶图像差分结果。当$ {D_k}\left( {x,y} \right) $>$ \xi $时，该图像为前景图像，否则为背景图像。

采用大津法选择阈值$ \xi $的表达式如下：

$ {\sigma ^2} = {w_A}{\left( {{\eta _A} - \eta } \right)^2} + {w_B}{\left( {{\eta _B} - \eta } \right)^2} 。$

(3)

式中：$ {w_A} $与$ {w_B} $分别为前景图像与背景图像的概率；$ {\eta _A} $与$ {\eta _B} $分别为前景图像与背景图像的灰度平均值；$ \eta $为船舶图像的灰度平均值。

利用以上过程，计算船舶图像各部分的类间方差，遍历整幅船舶图像，利用式(3)获取的方差最大时，对应的值即阈值ξ。利用阈值ξ，将船舶图像划分为两部分，完成船舶图像的目标提取。

1.2 确定船舶的运动态势参数

依据所提取的船舶图像目标，确定船舶的运动态势参数。依据船舶航行时的操控控制理论，选取船舶位置、船舶尺寸、船舶航向角、船舶航行速度，作为船舶智能控制的运动态势参数。船舶运动态势参数的提取过程如下：

1）船舶位置。设置所提取船舶图像目标的中心点坐标，作为船舶的实际位置。

2） 船舶尺寸。将船舶图像目标区域的像素坐标转换为空间坐标，设置船舶目标区域为全部空间坐标的外截距形，矩形的长与宽，即船舶目标大小。$ {x_1}, {x_2}, \cdots , {x_N} $表示船舶目标对应的空间点，利用主成分分析方法分析$ {x_i} $，计算其方差解释率$ S $的表达式如下：

$ S = \frac{1}{N}\sum\limits_{i = 1}^N {\left( {{x_i} - \bar x} \right){{\left( {{x_i} - \bar x} \right)}^{\rm T}}} 。$

(4)

式中：$ \bar x $为均值向量。

对$ S $进行特征值分解，设置较大、较小的特征值与主轴向量$ u $、垂直向量$ v $分别对应。计算船舶空间点x_i在$ u $方向与$ v $方向的投影坐标为：

$ {m_i} = \frac{{{x_i} \cdot u}}{{\left\| u \right\|}} ，$

(5)

$ {n_i} = \frac{{{x_i} \cdot v}}{{\left\| v \right\|}}。$

(6)

搜寻m_i与n_i中的最大值与最小值，获取船舶目标长度与宽度的表达式如下：

$ h = {m_{\max }} - {m_{\min }} ，$

(7)

$ w = {n_{\max }} - {n_{\min }} 。$

(8)

3）船舶航向角。设置坐标轴$ {u_x} $与主轴$ {u_y} $的夹角$ \alpha $作为船舶航向角，其表达式如下：

$ \alpha = \arctan \left( {{u_y}/{u_x}} \right) 。$

(9)

4）船舶航行速度。依据船舶视频序列图像中的目标轨迹，计算船舶航行速度。采用多次计算取平均的方法，获取船舶速度的表达式如下：

$ d = \frac{1}{{15}}\sum\limits_{i = 1}^{15} {\frac{{\left\| {{x_{t - i}} - {x_{t - i - 15}}} \right\|}}{{15/f}}} 。$

(10)

式中：f为帧速度。

利用以上过程获取船舶的运动态势参数，作为船舶智能控制器的输入数据。

1.3 基于积分滑模控制的船舶智能控制器

依据船舶的运动态势参数，利用船舶的位置矢量与速度矢量，构建船舶的动力学模型表达式为：

$ \dot \mu = h\left( x \right) + T\left( \psi \right)M_{}^{ - 1}r。$

(11)

式中：$ \mu = {\left[ {\begin{array}{*{20}{c}} x&y&\alpha \end{array}} \right]^{\text T}} $与$ x = {\left[ {\begin{array}{*{20}{c}} u&v&d \end{array}} \right]^{\text T}} $分别为船舶的位置矢量以及速度矢量；$ T $为船舶航行时间；$ \psi $为水流方向角；$ h $为船舶吃水高度；$ M $与$ r $分别为船舶的惯性矩与首摇角速度。

船舶实际航行位置与期望航行位置误差为：

$ {\mu _e} = {\mu _1} - {\mu _0} 。$

(12)

设置稳态平面，使船舶的运动误差在短时间内，收敛至稳态。为了消除船舶的抖振现象，设计船舶积分滑模控制面的表达式为：

$ {S_0}\left( t \right) = {\mu _e} + \int_0^t {{u_n}} \left( \gamma \right){\rm d}\gamma 。$

(13)

式中：$ {S_0}\left( t \right) $与$ \gamma $分别为积分滑模向量以及控制参数；$ {u_n} $为积分滑模项。

利用积分滑模控制面，设计船舶智能控制器的表达式为：

$ \tau = - MT{\left( \psi \right)^{\text T}}\left( {u_n^{}\left( {\mu ,x} \right) + \gamma {S_0}\left( t \right)} \right) 。$

(14)

采集船舶图像，利用图像处理技术获取船舶的运动态势参数，作为船舶智能控制器的输入。利用所设计的船舶智能控制器，实现船舶航行的智能控制。

2 实例分析

为了验证船舶智能控制器对船舶的控制性能，将该方法应用于船舶的智能控制中。利用YTH-QJ8C/A船用全景摄像机采集船舶图像。

采用本文方法对所采集的船舶图像进行处理，处理前后船舶的灰度直方图变化如图1所示。可知，本文采用图像处理技术处理所采集的船舶图像，处理后的灰度直方图更加均衡。

采用本文方法提取船舶目标，船舶目标提取结果如图2所示。可知，采用本文方法能够有效提取船舶图像中的船舶目标。依据船舶目标提取结果，确定船舶的运动态势参数。

利用Matlab软件模拟某海域船舶的通行状况。船舶智能控制器依据船舶图像处理结果，获取船舶位置以及航向角等运动态势参数如表1所示。可知，本文方法能够利用所提取的船舶图像处理结果，获取船舶航行时的运动参数。船舶的运动参数为其智能控制提供了可靠的数据基础。

将本文方法获取的船舶运动参数作为船舶智能控制的基础。采用本文方法设计的船舶智能控制器控制船舶航行，船舶航行智能控制的舵角控制结果如图3所示。可知，本文方法设计的船舶智能控制器，伴随船舶航行工况的持续变化，能够有效纠正船舶的航向偏差。本文方法能够提升船舶航行时舵机控制的稳定性。

3 结　语

图像处理技术在船舶智能控制器设计中具有显著的优势。集成高性能的摄像头和先进的图像处理技术，使得船舶智能控制器能够实时捕捉并处理船舶的航行信息。通过图像处理技术，船舶智能控制器能够实现船舶航行信息的准确感知和快速响应，提高船舶的智能化控制水平。通过实验验证，基于图像处理技术的船舶智能控制器，在提高船舶航行效率方面取得了显著成效，是提高船舶智能化水平的有效途径。