0 引　言

随着智慧交通和智慧城市等概念的提出，在航道建设方面，也提出了建设智慧航道的需求，然而，由于海洋环境变幻莫测，且海浪和海流以及风等因素相互交织，使得船舶在海面航行时，呈现出高度的复杂性与不确定性，这给目标检测带来了巨大挑战 。传统的船舶目标检测技术多依赖雷达和光学传感器等单一设备，但受天气条件和光照条件的影响较大，且在近距离检测时分辨率有限，面向小目标检测和复杂背景时，存在精度不高和漏检等问题。

近年来，国内学者在运动船舶目标检测领域进行了大量研究，致力解决上述问题，袁学飞等^[1]采用K-means++聚类算法确定预设锚框，引入轻量化卷积模块提升船舶特征提取能力，结合多尺度注意力机制实现对船舶目标的感知，该方法由于采用了轻量化设计，提升了模型的推理速度，可以满足实时检测的需求，染费，这种方法在远距离拍摄场景中，存在特征区分度低的缺陷，易将海浪、浮标等误检为船舶，检测精度还有待提高；黎煜培等^[2]在YOLOv8s主干网络中嵌入局部全局自注意力模块，通过局部池化与全局池化并行操作，捕获船舶目标的局部细节与全局上下文信息，结合空间通道稀疏注意力模块，确定船舶目标的位置，该方法有效抑制海面反光、云层遮挡等干扰，抗干扰能力强，但此方法无法适配船舶尺寸的极端变化，导致检测准确度不高。

针对以上难点，本文提出一种新的船舶运动目标检测算法，以提高海上交通管理的智能化水平，降低碰撞事故风险。

1 海上船舶运动目标实时检测方法设计

该方法主要包括3个核心环节：

1）动态背景干扰抑制。通过自适应特征强化与图像分割能量函数，有效分离前景目标与动态背景。

2）前景主特征选取。利用动态与静态特征描述结合双向优化策略，筛选最具判别力的目标特征。

3）船舶运动目标实时检测。采用双分支（快速/慢速）检测模块融合策略，结合航道透视窗口分割增强小目标检测能力，并利用极大值抑制优化检测框。

3个环节紧密衔接，共同提升复杂海况下船舶目标检测的鲁棒性。

1.1 动态背景干扰抑制

采集的船舶运动图像包含了前景有效区域和背景冗余信息，其中背景干扰因素涵盖了海面波浪噪声、云雾天气以及相机抖动等。因此，为后续目标检测提供稳定的输入，本研究首先对背景干扰因素进行抑制，提升船舶目标与背景的对比度，进而提升检测结果的实时性与鲁棒性。

考虑到不同干扰因素具有不同的尺度，因此，为了抑制不同尺度的冗余信息和冲突信息，同时强化前景信息，获取包含更多目标前景信息的特征图，有助于后期目标实时检测，采用自适应特征强化模块，分别通过通道强化和空间强化得到船舶目标的特征图^[3]。表达式为：

$ U=W_{i}^{u}\otimes {R}_{j}\left[{\mathrm{avg}}Pool\left({C}_{j}\right)+\max Pool\left({D}_{k}\right)\right]。$

(1)

式中：$ W_{i}^{u} $为尺度因子为$ u $时对应的第$ i $个局部空间信息；$ {R}_{j} $为超像素内第$ j $个像素的运动显著性值；$ {\mathrm{avg}}Pool\left(\cdot\right) $为平均池化函数；$ {C}_{j} $为像素$ j $的邻域个数；$ \max Pool\left(\cdot\right) $为最大池化函数；$ {D}_{k} $为第$ k $个通道输入的相对权重值；$ U $为前景目标特征图。

对每个超像素，在其欧式距离小于$ d $的邻域内，寻找$ K $个最近邻超像素，计算其显著性值的加权平均值^[4]。将具有较高的显著性加权平均值作为动态背景区域。这一过程利用局部区域的颜色、纹理一致性对背景像素进行动态聚类与权重分配，判断目标-背景的类内差异性与类间相似性，可以实现对图像背景的初步判定。基于此，利用视频帧的时空信息，构造图像分割能量函数，以扩展检测区域，计算式为：

$ f\left(x\right)=\sum \limits_{t=1}^{M}{s}_{t}{y}_{t}+{e}^{L}U\times {z}_{h}。$

(2)

式中：$ M $为特征图的空间维度；$ {s}_{t} $为$ t $维特征图的列向量；$ {y}_{t} $为$ t $维特征图的稀疏系数；$ e $为平滑项，用于惩罚相邻像素标签不一致的情况；$ L $为邻域超像素数量；$ {z}_{h} $为第$ h $个最近邻超像素的加权平均值；$ f\left(x\right) $为图像分割能量函数。

对检测为背景区域的超像素，引入自适应参数$ \alpha $，抑制其显著性值，并放大目标特征，如下：

$ D=f\left(x\right)\otimes T+\alpha \times Y 。$

(3)

式中：$ T $为空间自适应权重；$ Y $为抑制系数，可根据动态背景强度进行调整；$ D $为背景抑制后的图像。

通过自适应强化模块和图像分割能量函数识别背景区域，并对背景噪声进行抑制，获取前景目标特征图像，进一步通过提取目标轮廓的主特征，检测船舶运动目标。

1.2 前景主特征选取

复杂海况下，海浪和云雾以及光照变化等动态背景与船舶目标存在低对比度和运动模糊等相似的特征，为此，通过对前景进行多尺度空间一致性分析，筛选出船舶独有的运动模式，从而选取前景主特征，实现船舶目标的分割。

抑制干扰因素后的前景图像可以看作是由动态像素点和静态像素点组成的，对于动态像素点，采用颜色共生矢量来描述其中的动态特征^[5]。表达式为：

$ \begin{cases} m=\left[{A}_{r-1},{B}_{r-1},{S}_{r-1},{A}_{r},{B}_{r},{S}_{r}\right]，\\ X=\displaystyle\frac{1}{{M}_{0}\times {N}_{0}}\sum \limits_{b=0}^{{M}_{0}}\sum \limits_{c=0}^{{N}_{0}}\left| m\left({L}_{n}-D\right)\right|。\\ \end{cases} $

(4)

式中：$ {A}_{r-1} $、$ {B}_{r-1} $、$ {S}_{r-1} $分别为$ r-1 $时刻前景图像的颜色矢量；$ {A}_{r} $、$ {B}_{r} $、$ {S}_{r} $分别为$ r $时刻前景图像的颜色矢量；$ m $为颜色共生矩阵；$ {M}_{0} $、$ {N}_{0} $分别为前景图像和背景图像包含的像素点个数；$ {L}_{n} $为联合概率分布；$ D $为背景抑制后的图像；$ X $为动态特征。

对于静态像素点，采用梯度矢量进行描述，并通过近邻样本距离更新特征权重，提升特征在局部邻域内的保持能力^[6]。计算式为：

$ J={\left[v_{\chi }^{G},o_{\chi }^{E}\right]}^{\zeta }。$

(5)

式中：$ \chi $为邻域图的权重矩阵；$ G $为度矩阵的对角元素；$ v $为特征与类别的互信息；$ E $为上一帧同位置像素的8邻域状态；$ o $为固定系数矩阵；$ J $为静态特征。

基于上述描述的前景目标的动态特征和静态特征，本文引入前向序列选择和后向序列删除的双向优化策略，剔除最劣特征。同时，基于像素值波动符合高斯分布的原理，默认第一帧为背景图像，结合统计度量筛选出具有最大类间区分度的前景主特征，计算式为：

$ V=\frac{X}{{n}^{\prime}}\sum \limits_{\nu =1}^{{n}^{\prime}}{\left({g}_{v}-J\mu \right)}^{2}。$

(6)

式中：$ {n}^{\prime} $为中心区域内的像素总个数；$ {g}_{v} $为第$ v $个像素的评分。将低于最大值的像素作为劣化特征，并予以剔除；$ \mu $为统计度量函数；$ V $为前景目标主特征。

利用颜色共生矩阵矢量和梯度矢量分别描述前景目标的动态特征与静态特征，引入前向序列选择和后向序列删除策略删除最劣特征，结合统计度量函数筛选前景主特征，为最终实现船舶运动目标检测奠定基础。

1.3 船舶运动目标实时检测

本文采用VOLO监测算法对船舶运动目标进行识别，该算法以图像特征为基础，对具有表象特征的船舶进行位置检测。

在VOLO-D1为主干网络，在网络中引入大量卷积层，以扩展顶层特征感受野，表达式为：

$ F=\left(V-1\right)\cdot {w}_{p}+{\vartheta }_{u} 。$

(7)

式中：$ {w}_{p} $为第$ p $层卷积层的感受野；$ {\vartheta }_{u} $为本层卷积核的大小；$ F $为感受野尺寸。

为提高检测中间带水域内小目标船舶运动的准确性，按照航道的走向和船舶的运行轨迹，将前景图像按照航道透视规律进行窗口分割，以增加感受野中小目标特征的信噪比^[7]。计算式为：

$ \varpi =\left(1-F\right){\varepsilon }^{2}+\tau \left({Z}_{1}-{Z}_{0}\right) 。$

(8)

式中：$ \varepsilon $为当前帧像素值；$ \tau $为船舶运动矢量；$ {Z}_{1} $为光流场的傅里叶变换；$ {Z}_{0} $为高分辨率特征图的权重；$ \varpi $为特征信噪比。

利用检测网络的快速运动目标检测模块和慢度运动目标检测模块分别对船舶进行检测，将2个模块的检测结果进行拟合，得到最终检测框，如下式：

$ O=\frac{{\upsilon }_{q}\cap {\upsilon }_{f}}{{\mathrm{max}}\left(\varpi ,{\upsilon }_{q},{\upsilon }_{f}\right)} 。$

(9)

式中：$ {\upsilon }_{q} $、$ {\upsilon }_{f} $分别为快速检测模块和慢速检测模块的识别结果。

进一步引入极大值抑制算法删除运动船舶目标检测框的重复目标边框^[8]。计算式为：

$ {O}^{\prime}=\frac{O\cap \psi }{\max \left(O,Q\right)}。$

(10)

式中：$ \psi $为控制衰减速度的参数；$ Q $为状态转移矩阵；$ {O}^{\prime} $为船舶运动目标检测与定位结果。

通过子模块目标检测结果拟合与重复边框去除，得到目标的实时检测结果，以此完成复杂海况下海上船舶运动目标的检测。

2 实例论证分析 2.1 实验准备

为验证所提方法的有效性，实验采用4组全色图像作为基础数据样本，4组图像分别对应薄雾、浓雾、厚云、海浪4种场景，符合现实情况下复杂海上环境，具体如图1所示。

由于本文研究的目的是船舶运动目标检测，因此，选取早上11点到下午3点时间段，对船舶流量较大期间的多组视频帧进行采集，并将帧图像划分为10种属性，如表1所示。

本文实验基于PyTorch深度学习框架，采用PV机作为计算单元，并部署署轻量化YOLO-D1模型，设置YOLO网络的锚点尺寸为10×13，训练和推理时的图像分辨率分别为640像素和320像素，训练迭代次数150，批量大小16，训练样本数量64，初始学习率0.001，过滤低置信度预测框的阈值0.15。

通过随机旋转和平移等几何变换以及亮度和对比度调整等颜色扰动增强图像数据，将海上环境模拟成薄云和浓雾2种复杂工况，利用设计算法对船舶运动目标进行实时检测。

2.2 船舶运动目标实时检测结果与分析

基于薄雾和浓雾2种测试场景，采用文献[1]基于改进YOLOv7识别算法（方法A）和文献[2]基于局部全局自注意与空间通道稀疏增强的方法（方法B）作为对比方法，基于3种方法得到了船舶运动目标检测结果如图2所示。

可以看出，以原图像标注的船舶目标锚框为参考，应用本文方法进行目标检测后，无论是薄雾环境还是浓雾环境，标注的船舶位置与原图像完全一致，且能够实现多目标精准检测，说明本文方法能够较为准确地检测出运动船舶的具体位置，而通过文献方法检测后，方法A和方法B均出现了误判或漏判情况，无法准确提供运动船舶的具体定位，目标检测效果不理想。上述结果表明本文方法在复杂海况条件下船舶运动目标检测中的有效性。这是因为本文方法中动态背景干扰抑制机制的有效性。本文方法中自适应特征强化模块通过通道-空间双路径增强目标特征，结合超像素显著性加权平均，动态聚类背景像素，准确区分目标与雾的类间相似性。此外，双分支检测模块融合快速/慢速运动目标检测结果，适配船舶多尺度运动特性，避免因运动模糊或尺度变化导致的漏检。

在此基础上，采用交并比阈值为0.5来判断检测目标是否正确，即交并比大于0.5时，则认为船舶目标被正确检测，结果如图3所示。

可以看出，应用本文方法进行船舶目标检测的过程中，由于此方法抑制了动态背景的干扰因素，可以实现远距离小目标船舶的检测，使其对应的交并比阈值均超过了0.5，而对照组方法对动态背景干扰敏感，使得小目标漏检率较高，对应的交并比数值低于0.5，说明本文方法能够准确定位船舶目标，实现更高精度的检测。本文方法的核心优势在于前景主特征优化与检测策略创新。动态-静态特征双向筛选通过颜色共生矩阵与梯度矢量分别刻画运动/静态特征，结合前向选择与后向删除策略剔除劣质特征，提升特征判别力。极大值抑制算法优化了检测框融合过程，避免重复框干扰，确保定位精度。相比对照组，本方法对动态背景干扰的鲁棒性更强，显著提升小目标检出率。

3 结　语

本文提出复杂海况下船舶运动目标实时检测方法，通过背景干扰因素抑制和前景目标特征筛选，精准检测出了运动船舶的位置，实验表明，设计的算法在检测精度和抗干扰能力方面均优于传统方法，可以实时跟踪船舶运动轨迹，准确识别目标类型。本研究不仅为海上交通管理、海洋资源开发和救援行动提供了可靠的技术支持，而且促进了目标检测算法在海洋场景中的实际应用，对确保海上安全意义重大。