摘要
根据《中国无人船艇行业发展现状研究与投资前景预测报告（2022-2029年）》显示，无人船艇主要通过智能控制实现自主航行，即：执行危险、艰苦、不适合有人船只工作的任务，也可以执行对航行精度要求较高的测量测绘任务，具有更快速、机动、高效协同的能力。这里，自主航行能力是无人船的核心能力之一。自主航行首先要能够感知周围的环境，以获得环境中的动静态目标信息，目标检测及跟踪是其中的关键内容。但是，目标检测及跟踪研究多集中在海域，而内河船舶图像由于背景复杂、分布散杂、目标较小的特点，研究相对较少。此外，船舶多目标跟踪算法匮乏，现有的研究是将检测和表观特征提取分离，度量方法单一。因此，本文以内河无人船为载体，对内河船舶目标检测及多目标跟踪进行探索性研究，具体内容包括： （1）无人船图像特点分析。通过分析无人船内河的工作环境，以及光视觉传感器获取图像的方式，分析出：图像具有背景复杂、分布众多、岸边区域特征干扰船舶特征的背景特点，受风浪流、天气等环境因素和振动等自身因素影响而呈现出图像质量低的噪声特点；船舶宽高比大、不同类船舶纹理特征差异大的目标特点。总结出内河船舶检测及多目标跟踪的难点。 （2）内河目标数据集构建。选取不同时段、天气，实地在长江某航段采集船舶图像，使用DarkLabel软件对其进行标注，形成原创检测及跟踪数据集IRShips。同时，选择一个公开的船舶检测数据集做为补充。通过分析船舶检测及多目标跟踪数据集的统计信息和图像的直方图特点，选择了直方图均衡和双边滤波预处理图像。 （3）设计内河船舶检测模型。针对船舶检测的难点，设计了MSAM（MultiscaleAttentionModule）多尺度注意力模块，对YOLOv5的直接拼接方法进行改进。根据MSAM的引入位置，提出了3种Neck结构；分析船舶数据集的宽高分布，优化了模型的锚框参数；使用混合数据集训练的方法提高模型的泛化能力，提高模型对与训练集场景不同的数据集的检测能力。 （4）提出内河船舶多目标跟踪算法。通过分析目前船舶跟踪的算法，在本文检测模型MSAM-YOLOv5的基础上设计了联合检测与表观建模的一体化模型YLTrack。在Backbone部分引入CCN，设计表观特征卷积模块EmbConv。使用融合表观特征与运动特征的度量方法来得到度量矩阵，再把检测框和船舶轨迹进行数据关联，最后进行船舶轨迹管理。 （5）实验验证。首先介绍实验环境，给出评价指标。然后，针对船舶检测模型，通过13组实验对提出的改进方式分别进行验证，并展示MSAM的注意力效果和不同检测模型的检测效果；针对船舶多目标跟踪算法，通过4组实验分析不同跟踪方法的性能。最后，可视化展示各个模型的跟踪效果，证明本文算法的有效性。
NETL