0 引　言

船舶导航系统作为保障船舶航行安全、实现精准定位与航线规划的核心装备，一直是船舶技术领域的研究重点。随着海洋贸易量增加，船舶运输需求不断增长，船舶的航行范围日益广泛，从近海航行拓展到远洋运输，航行环境也变得更加复杂多样，包括繁忙的港口航道、狭窄的水道、多变的海洋气象条件以及复杂的海底地形等。这就要求船舶导航系统具备更高的精度、可靠性和适应性，以确保船舶在各种环境下都能安全、高效地航行。

为满足船舶复杂海洋环境下的航行需求，众多学者展开船舶导航系统设计。何世全等^[1]借助三维激光雷达获取航行环境点云数据，结合惯性测量单元测量的船舶位姿信息，运用同时定位与建图算法构建三维点云地图，将其转换成三维体素地图后，利用改进局部路径规划算法实现船舶在复杂环境下的自主导航与避障。但激光雷达在雨、雾、强光照等复杂海况下易受干扰，数据精度下降，且点云数据处理对硬件算力要求高，实时性在动态环境中可能受限。李元奎等^[2]构建融合气象、海洋等数据的环境数据模型并设定多目标函数，引入A*算法改进NSGA-II加速求解，得到Pareto最优航线集，供决策者按需选择最适航线完成远洋导航。然而该系统对实时出现的动态障碍物响应滞后，缺乏对近距离动态目标的快速感知与即时航线调整能力。叶嘉宁等^[3]基于Dijkstra算法，推导航道网络和船闸的航线阻抗计算参数，提出后剪枝优化算法，设计高等级航道优先与总行程时间最短两种规则。通过调整航段权重，为用户提供多样化导航服务。但是其依赖预设的航道等级与船闸参数，对开阔海域的非结构化环境适应性较弱，难以处理航道外的突发障碍物。黄国良等^[4]先用人工势场法确定迭代初期船舶受力方向，修改引力势场函数提升混合蚁群算法迭代效率，然后设计伪随机状态转移规则强化优秀路径选择，更新信息素时综合考虑路径长度、安全性与平滑程度，实现船舶在静、动态2种环境下的导航，但其高度依赖环境信息的精准度，若对动态目标的位置、速度等感知存在误差，易导致势场模型失真，引发路径局部最优或避障失效，且缺乏对目标姿态的深度解析。

视频处理技术能够通过对视频图像的深度分析和处理，实时获取船舶周围环境的视觉信息，不仅可以实现对港口、航道、障碍物等目标的精准识别和定位，还能对周围船舶的航行状态进行实时监测和预测，为船舶驾驶员提供更加全面、直观、准确的导航信息^[5]。为此本文将视频处理技术应用于船舶导航系统设计中，基于该技术实时获取船舶周围的航行环境信息，结合气象、海况等电子海图数据，为船舶提供最优的航线建议，提高船舶的航行效率。

1 船舶导航系统设计

基于视频处理技术的船舶导航系统结构如图1所示。通过在船舶四周部署CCD摄像头，实时采集海上航行视频流，采集视频数据经机器视觉图像采集模块预处理后，在核心控制器作用下将其传输至目标检测模块，结合视频处理技术完成海上目标（包括障碍物、其他船舶、暗礁等）的精准检测。导航模块依据目标定位结果，调用基于人工势场法的路径规划算法，经电机驱动模块控制直流电机，动态调整船舶航向与航速，最终实现复杂海域下的船舶自主导航。

1.1 机器视觉图像采集模块

系统通过机器视觉图像采集模块，对CCD摄像头输出的原始电信号开展专业处理，实现船舶航行环境视觉信息的精准采集与预处理。该模块结构如图2所示。该模块将全局时钟管理单元作为枢纽，为其他单元提供时钟信号，保障各单元时序协同。CCD摄像头配置单元通过分辨率、帧率等参数的写入，调控摄像头输出原始电信号的格式；视频图像采集单元实时捕获摄像头输出信号，转换模拟信号为数字图像并进行拼接；视频图像预处理单元通过滤波、去噪等图像处理算法，抑制海面波浪、光照反射等干扰，增强图像质量；同步动态内存与视频图像存储单元，通过双缓存机制解决时钟域差异导致的数据交互问题，实现数据可靠存储；视频图像显示单元对接显示器，实时反馈采集与处理状态。机器视觉图像采集模块通过标准化的信号处理流程，将CCD摄像头的物理感知转化为可供后续视频分析的数字图像资源，完成船舶导航系统对实时环境感知的硬件需求。

1.2 基于视频处理技术的目标检测模块 1.2.1 视频图像前景背景划分

船舶在开阔海域、狭窄水道、港口等复杂环境中航行时，需实时感知周围障碍物，如其他船舶、漂浮物、暗礁等。传统传感器在雨、雾、强光等条件下性能受限，且现有导航系统多依赖于预设环境模型，对动态障碍物响应滞后。而视频处理技术采用的视频图像具有信息丰富、直观性强的特点，可提供更全面的环境信息，实现对运动目标的实时检测与跟踪，提升系统对突发情况的应对能力。

通过视频处理技术中的帧间差分法构建自适应背景模型，实现对采集视频图像中的运动目标（如其他船舶、漂浮物、礁石等）与背景的分割，降低误判率。

步骤1　背景模型初始化。设置视频缓存窗口，缓存连续16帧船舶航行视频图像，计算同一像素位置(x, y)在16帧图像中的平均灰度值，作为初始背景模型中该点的像素值，计算式为：

$ {B_{n + 1}}(x,y) = \frac{1}{{16}}\sum\limits_{i = 0}^{15} {{I_{n - i}}(x,y)}。$

(1)

式中：I_n-1(x, y)为第$ n - i $帧图像在(x, y)处的像素值；B_n+1(x, y)为初始化后的背景模型像素值。

步骤2　二值差分图像生成。实时读取船舶航行视频的当前帧，提取自适应阈值g（需根据海面光照、雾况动态调整），通过当前帧与背景模型的像素灰度差判断运动区域，生成二值图像：

$ E(x,y) = \left\{ {\begin{aligned} &1，{|I(x,y) - B(x,y)| \geqslant g}，\\ &0，{|I(x,y) - B(x,y)| < g}。\end{aligned}} \right. $

(2)

式中：E(x, y)=1为该像素为疑似运动目标（前景）；E(x, y)=0为该像素为背景。

步骤3　背景模型动态更新。为适应海面背景的实时变化（如波浪起伏、光影移动），利用二值差分图像对背景模型进行迭代更新：

$ {B_{n + 1}}(x,y) = \left\{ {\begin{aligned} &{{B_n}(x,y)}，{{E_n}(x,y) = 1}，\\ &{\alpha {B_{n + 1}}(x,y) + (1 - \alpha )\ {B_n}(x,y)}，{{E_n}(x,y) = 0}。\end{aligned}} \right. $

(3)

式中：B_n(x, y)为第$ n $帧的背景模型；$ \alpha = 0.02 $为迭代速度系数，用于控制背景更新速率，平衡模型稳定性与动态适应性。当像素为前景（E(x, y)=1）时，背景保持不变；当像素为背景（E(x, y)=0）时，通过加权平均更新背景，以适应缓慢变化的海面环境。

步骤4　迭代收敛。重复步骤2～步骤3，直至迭代次数达到图像总像素数，完成背景模型的优化。通过该方法可有效抑制海面动态背景干扰，精准分割出船舶周围的运动目标区域，为后续目标检测提供基础。

1.2.2 航行环境目标实时检测

在前景背景划分的基础上，采用主成分分析法对船舶航行过程中遇到的海上目标（如过往船舶、漂浮障碍物）进行实时检测，获取目标的位置、角度、运动趋势等关键信息，为船舶避障与路径规划提供数据支撑。具体流程如下：

步骤1　候选背景加权处理。对视频图像中的像素点赋予权重，强化与背景相似像素的抑制作用。权重计算式为：

$ {k_a} = \left\{ {\begin{aligned} &1，{ {{w_a} = 1} }，\\ &2，{ {{w_a} = 1\;000} } 。\end{aligned}} \right. $

(4)

式中：w_a为像素因子，与背景特征相似度越高的像素（如平静海面区域）权重越大，与前景特征相似度高的像素（如船舶轮廓）权重越小。

步骤2　构建权重矩阵与检测模型。将权重向量作为对角元素构建对角权重矩阵W_i，通过列向量排列形成视频序列的权重矩阵$ W $，用于加权处理候选前景与背景区域，突出目标特征。建立运动目标姿态实时检测模型：

$ \left\{\begin{aligned}&\mathrm{min}\Vert G{\Vert }_{*}+\lambda {\displaystyle \sum _{i=1}^{n}{\Vert {W}_{i}{{\boldsymbol{H}}}_{i}\Vert }_{1}}，\\ &G+F=D。\end{aligned}\right. $

(5)

式中：$ \lambda $为目标姿态参数；H_i为旋转矩阵（描述目标姿态角）；$ G $、$ F $、$ D $分别为低秩成分（背景）、稀疏成分（前景目标）、观测数据（视频图像序列）。

步骤3　凸优化问题求解。采用增广拉格朗日乘子法求解上述模型的凸优化问题，增广拉格朗日函数为：

$ \begin{split}L(G,H,Y,\mu )=&\Vert G{\Vert }_{*}+\lambda {\displaystyle \sum _{i=1}^{n}{\Vert {W}_{i}{H}_{i}\Vert }_{1}}+\\ &< Y,D-G-H > +\displaystyle\frac{\mu }{2}\Vert D-G-H{\Vert }_{H}^{2}。\end{split} $

(6)

式中：$ Y $、$ \mu $分别为拉格朗日乘子、惩罚参数。

步骤4　迭代更新与收敛。对$ G $、$ H $和$ Y $进行迭代优化后，在达成终止条件时，获取定位结果，迭代终止条件为：

$ \Vert D-G-H\Vert /\Vert D\Vert < {10}^{-7} 。$

(7)

式中：$ \Vert \cdot \Vert $为矩阵范数。

通过上述过程，可从视频中提取海上目标的精确姿态信息，为船舶导航系统提供实时、高精度的目标定位数据，支撑后续避障决策与路径规划。

1.3 船舶导航模块

在获取海上目标（如其他船舶、漂浮物、礁石等）的定位结果后，船舶导航模块采用人工势场算法实现船舶导航路径规划，通过构建目标点的吸引势场与障碍物的排斥势场，引导船舶在避开障碍的同时向目的地行驶。船舶自身的实时位置与航向信息可通过GPS与惯性测量单元（IMU）获取，结合目标检测结果实现动态路径导航^[6]。具体实现如下：

1）吸引势场与吸引力

设船舶当前位置为O₁(x₁, y₁)，目标点位置为O₂(x₂, y₂)，吸引势场强度U_att与船舶到目标点的距离相关，计算式为：

$ {U}_{att}(\rho ({O}_{1},{O}_{2}))=\xi \Vert \rho ({O}_{1},{O}_{2}){\Vert }^{m} 。$

(8)

式中：$ \xi $为吸引势场系数；$ m $为势场曲线形状参数；$ \rho ({O_1},{O_2}) $为船舶与目标点的距离，即：

$ \rho ({O}_{1},{O}_{2})=\Vert {O}_{1}({x}_{1},{y}_{1})-{O}_{2}({x}_{2},{y}_{2})\Vert。$

(9)

吸引力F_att为吸引势场的负梯度，计算公式为：

$ \begin{split}{F}_{att}(\rho ({O}_{1},{O}_{2}))=&-\nabla {U}_{att}(\rho ({O}_{1},{O}_{2}))=\\ &m\xi \Vert {O}_{1}-{O}_{2}{\Vert }^{m-1}\nabla \rho ({O}_{1},{O}_{2})。\end{split} $

(10)

式中：$ \nabla \rho ({O_1},{O_2}) $为从船舶到目标点的单位矢量，确保吸引力方向始终指向目标。

2）排斥势场与排斥力

设检测得到障碍物位置为O₃(x₃,y₃)，排斥势场强度U_rep仅在障碍物的有效影响范围内生效^[7]，计算式为：

$ {{U_{rep}}({\rho _i}({O_1},{O_{i + 2}})) = \left\{ {\begin{aligned} & {\displaystyle\frac{1}{2}\eta {{\left( {\displaystyle\frac{1}{{{\rho _i}({O_1},{O_{i + 2}})}} - \displaystyle\frac{1}{{{\rho _0}}}} \right)}^2}}，{{\rho _i}({O_1},{O_{i + 2}}) \leqslant {\rho _0}}，\\ &0，{{\rho _i}({O_1},{O_{i + 2}}) > {\rho _0}} 。\end{aligned}} \right. }$

(11)

式中：$ \eta $为排斥势场系数；$ {\rho _0} $为障碍物的有效排斥距离；$ {\rho _i}({O_1},{O_{i + 2}}) $为船舶与第$ i $个障碍物的距离。

排斥力F_rep为排斥势场的负梯度，计算式为：

$ \begin{split} &{F_{rep}}({\rho _i}({O_1},{O_{i + 2}})) = - \nabla {U_{rep}}({\rho _i}({O_1},{O_{i + 2}}))= \\ &\frac{\eta }{{\rho _i^2({O_1},{O_{i + 2}})}}\left( {\frac{1}{{{\rho _i}({O_1},{O_{i + 2}})}} - \frac{1}{{{\rho _0}}}} \right)\nabla {\rho _i}({O_1},{O_{i + 2}})。\\ \end{split} $

(12)

式中：$ \nabla {\rho _i}({O_1},{O_{i + 2}}) $为从障碍物到船舶的单位矢量，确保排斥力方向背离障碍物。

3）合力计算与导航路径生成

船舶所受合力为所有吸引力与排斥力的矢量和，即：

$ F_{\mathrm{total}}=F_{att}+\sum_{ }^{ }F_{rep}。$

(13)

船舶沿合力方向调整航向与速度，通过结合GPS反馈的实时坐标持续迭代更新位置，最终生成避开所有障碍物的平滑路径，实现安全导航。导航过程中可动态响应检测到的目标位置变化，当新障碍物进入检测范围时，排斥势场实时更新，确保船舶及时调整路径，满足复杂海域的避障导航需求。

2 结果与分析

以某6 m级无人测量船为研究对象，该船搭载分辨率为1920×1080、帧率为30帧/秒的4台CCD摄像机，分别部署于船首、船尾及左右舷位置，覆盖船舶360°视野；辅助设备包括定位精度≤1.0 m的GPS 模块、角速度测量误差≤0.1°/h的惯性测量单元以及采集风速、能见度数据的气象传感器。实验场景选取某开阔海域，模拟复杂航行环境。

在实验场景下，图3(a)的原始视频图像包含了海面波浪、光照反射及远处潜在目标等多种复杂背景，且含噪声干扰较大，导致图像不清晰。经机器视觉采集模块预处理后，得到图3(b)，预处理后能够有效去除采集视频图像的噪声，并抑制海面波浪动态干扰，增强图像对比度与清晰度，使船舶、灯塔等目标轮廓更加锐利，为后续视频处理技术开展前景-背景划分奠定优质数据基础，同时也验证了机器视觉采集模块在复杂海况下对视频图像的预处理能力，通过改善图像质量，可有效适配船舶航行环境感知的硬件级需求。

由图4可知，本文可通过准确标记运动目标像素确定前景目标，且前景目标的轮廓完整性较高，未出现严重的断裂或冗余像素。同时能够将海面以及岸上灯塔等背景区域精准识别为背景，未出现背景误判为前景的情况，且背景图像未出现明显的静态偏移或动态模糊。前景与背景的分割边界清晰。视频处理技术通过视频图像的前景图像背景图像的划分，为后续目标检测提供了高质量的预处理数据，同时也充分验证了该方法在复杂海况下对动态背景的抑制能力及对近距离运动目标的精准提取能力，满足船舶导航系统对实时环境感知的基础需求。

以前、背景图像划分结果为基础，基于主成分分析法获取的目标检测结果如图5所示，详细检测信息如表1所示。分析可知，主成分分析法的运用可检测到如图5中线框的船舶目标。可以依据图像像素与现实场景间精确地标定换算机制，成功确定目标船舶相对实验船舶的具体方位，其坐标为（−50.2 m，85.6 m），实现检测目标相对位置精准捕捉。通过主成分分析法对旋转矩阵的深度解析，精准测定目标船舶航向角为32°（以正北方向为基准），相对实验船舶的方位角达115°，并沿25°方向，以2.3 m/s的速度向西北方向稳定行进。本文系统的应用可清晰捕捉检测目标的航行指向、其与实验船舶间的方位关联以及运动趋势信息，助力船员全面掌握周边船舶的角度态势，并提前预判目标船舶的移动轨迹，以便在复杂的航行环境中及时、合理地做出航行决策。

由图6可知，本文系统可以通过人工势场算法完成船舶避障路径导航。从路径形态看，系统有效规避了暗礁等静态障碍物，同时针对移动目标，通过动态调整势场斥力范围，规划出绕行移动船舶的平滑路径；说明人工势场算法在静态障碍物规避与动态目标避让上的协同性，能够保障了船舶航行的安全性，又能顺利抵达目标终点，充分证明本文系统在复杂海洋环境下对船舶导航任务的适配性，实现了从目标检测到路径规划的全流程船舶导航，同时本文系统的应用也能为船舶智能导航系统的工程化应用提供了完整的技术链路与性能参考。

3 结　语

本文将视频处理技术应用于船舶导航系统，可以有效应对复杂海洋环境下船舶航行安全挑战。该系统能够有效利用视频处理技术实时检测到船舶航行过程中遇到的多种类型障碍物，明确目标姿态信息，应用人工势场算法进行船舶导航，可以有效引导船舶在躲避静、动态障碍物，并顺利抵达终点，保障船舶在复杂海域中的安全导航，可以有效弥补传统导航方案在复杂环境适应性、动态目标响应等方面的不足，实现从目标检测到路径规划的全流程自主导航。