英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料
航运与海洋工程杂志7（2017）112-120 doi 10.l7265 / 2159-5879 / 2017.03.004
海上搜救研究综述
陈新强1,史超建1,王胜政1,吴华锋1,徐铁1和柯瑞敏2
- 上海海事大学商海学院，上海201306
- 华盛顿大学土木与环境工程系，西雅图98195，美国
摘要：快速精确地定位海洋目标是实施海上搜救（搜救）的关键，涉及到SAR战略发展和海洋目标探测方面。 由于海洋目标检测的效果直接限制了SAR的结果，本研究集中在回顾以前关于海洋目标检测，特别是海洋目标检测的研究。 更重要的是，复杂海况下的小目标检测是研究热点所面临的严峻挑战之一，需要更多的努力。 本文讨论了当前的研究成果和未来的研究方向。 这些发现可以为实地研究人员和州长实施海上搜救提供系统的观点。
关键词：海上事故，搜救，复杂海况，弱目标检测，智能船。
介绍
经济全球化进程大大促进了海洋货运和旅游业的发展，也造成了海洋事故的发生。 由于海洋环境的复杂性和人体对海洋的容忍度有限，特区（搜救）过程应尽快完成。 采用诸如计算机视觉和图像处理等IT技术来处理SAR过程是最有效的方法之一[1]。 流氓 天气， 滔滔 的 海洋 波浪，来自海面的阳光反射以及其他复杂的海洋条件确实阻碍了特区的进程。
实际上，研究人员，船舶官员和海事监管机构已经开发了几种类型的工作流程来优化搜索效率。 明智而合理的SAR战略减少人员伤亡和财产损失是常识。 然而，组织有限的特区资源寻找溺水人员并非易事。 其中一个常识就是确定合适的搜索路线
通讯作者：王胜政博士，教授，研究领域：计算机视觉，数据挖掘，机器学习和视频监控。
步骤受SAR环境影响较小[2-7]。 但是，将SAR人员和设备分成若干组并分配以寻找目标是另一个障碍。 另外，我们的裸眼和电脑都能找到搜索目标。 这个问题真的挑战了特区的方式。 因此，目标检测，特别是海洋条件恶劣的目标检测已成为航海领域的热点和难点。
海上事故检索方法与策略
SAR的结果与用于目标检测的搜索策略和技术手段密切相关。 因此，海洋搜救专家正在探索检测速度和准确性极佳的方法。
-
- SAR战略
陈等人。 [8]分析了国内SAR设备的优缺点，着重分析了SAR中可见光，红外和雷达的优缺点。 建立了目标检测精度最高的海事事故特别处理决策系统。 决策系统提出了建议
SAR基于不同的海洋条件和天气。 同样，HE [9]在充分分析海洋内部SAR决策过程的基础上设计了海洋SAR决策系统。 她具体说明了系统在系统功能，结构和SAR方案评估等方面的情况。
LI [10]指出现有的海事SAR决策系统主要基于数字化船舶模型，这取决于现场专家的行为，降低了SAR的效率。 因此，LI提出了一种基于多智能体半自动海洋SAR决策系统的海洋SAR决策系统。 更重要的是，针对多Agent和本体共享特点的异质性特点，LI改进了集成多Agent和本体技术的半自动海洋SAR系统。
陈[11]在识别SAR区域和SAR服务安排方面探讨提高SAR效率。 陈用数理统计方法对SAR地区进行了模拟，并制定了确定SAR地区的具体案例。 之后，陈开发了一些理论上的最优SAR算法，用三次找到的指数模型，可以将SAR设备和人员分配到SAR过程的优化状态。
WU [12]利用POM（普林斯顿海洋模式）模型对8个潮汐成分潮位定律及其运动情况建立了东海表层潮汐预报模型。 为了简化研究，WU仅考虑了潮汐和永久潮流，并成功利用构建的潮汐预报模型跟踪海面漂浮物体，并估算了海洋环流和气候环流。 该方法可以缩小SAR范围，提高海上事故救援效率。
-
- 海洋目标检测
海上救援效果主要取决于海洋目标的检测和识别能力
越来越受到海洋目标检测研究的关注。
CHEN和RAN [1]提出了一种基于图像处理和决策树的海洋目标检测算法。 该算法提取了色调，亮度，方形，矩形和圆形等SAR目标的多图像特征。 然后利用提取出的五个特征构造一个具有信息增益的特征树。 CHEN和RAN利用所提出的算法来检测视频序列中的海洋目标。 仿真结果表明，该方法能够比传统方法更高效，更准确地跟踪和检测海洋目标。
陈等人。 [13]利用海杂波的FFT（分数傅里叶变换）在海洋目标检测方面做了一些研究。 他们表示，基于FFT的海杂波值遵循高斯分布，并且在统计特性上具有自相似性。 因此，采用分形理论处理海杂波的数值是合理的。 陈等人。 提供了用分形参数和海上移动目标检测算法进行特征提取和尺度间隔提取的方法。 该算法利用分形维数和曲线的斜距拟合统计。
HU等人 [14]利用波动分析，非波动分析和小波分形尺度分析对海杂波特征进行了研究。 研究主要集中在海面杂波幅度的数据上，这些数据是在实际测量的基础上，对幅度和幅度的积分进行的。 他们的结果表明海杂波在时间尺度上具有分形特征，暗示时间是分析海杂波分形特征的最重要因素。 此外，波动分析方法可以检测海杂波中的目标，非波动分析方法可以提供一些有用的目标信息。
同时，HU等人。 [15]提出了用多重分形理论来检测海洋的构造函数
目标由海杂波淹没。 该函数完成了海杂波分形特征的最佳分配。 此外，研究表明，海杂波具有0.01秒至数秒的弱动态特性。 这种弱动态性使得威布尔分布，对数函数和复合高斯函数的模拟效应均未达到初始预期。 最后，胡等人。 [16,17]发现里斯塔的分布可以适应海杂波序列在实际测量的280海杂波时间序列数据中的差异。
为了改善SAR，利用雷达技术，在恶劣的天气条件和较低的能见度环境下的效率和准确性，LU等人
在最大似然估计中，提出了一些用海杂波背景确定目标阈值的算法[18]。 该算法利用AIS（Automatic Identification System，自动识别系统）的编号，长度，位置等可用的目标信息作为训练样本，确定目标区域的范围。 传统的恒虚警率方法对基于最大似然估计的方法进行研究和展示，可以提供更高的精度和效率。
REN等人 [19]基于奇异解的分解提供了海洋目标检测，克服了海杂波在目标检测中的不利影响。 首先，该方法获取了体现目标的海洋环境图像的颜色和亮度。 然后根据提取的两种特征进行奇异值分解，得到不同特征的主成分。 此外，通过从初始特征中减去主成分来计算粗糙显着图。 最后，采用空域滤波方法去除海杂波，使目标更加突出。
肖等人 [20]根据纹理特征的相似性提出了迭代 - 合并展开法来检测船舶目标
海和土地的重的背景。 该方法采用了不同水域和陆地的纹理特征来区分水域和陆地。 在此基础上，提出了应用形态学滤波的局部目标背景对比度算法来识别船舶目标。
MY YANG和WP YANG [21]提出了一些能够从复杂的海天背景下检测船舶的自动船舶检测方法。 该自动方法通过小波变换滤除海洋图像中的噪声和杂波，提高了信噪比。 然后，提出了基于梯度强度分段平均值的海天线检测算法，避免了红外图像中的血管误检和泄漏检测。 这样的步骤减少了涉及目标的实质区域。 因此，提出了一种基于特征匹配的行列均值阈值算法来检测血管。 同样，温等人。 文献[22]提出了正交小波的多尺度方法将海天线与船只分离，以达到杂波背景较大的目标检测目的。
吴 和 李 [23] 考虑 传统的时间差分方法，检测海上移动目标，无法抑制海面波浪噪声，提出了可见光序列快速海洋移动目标检测方法。 第一步是构建所有单帧图像的金字塔结构，通过迭代倒三角模块滤除噪声和帧杂波。 之后，引用改进的时差法来检测海洋目标。 根据不同物体的红外成像特征，XIE等人 [24]采用Sobel算子来分割和检测目标检测的最可能区域。
YANG等人 [25]认为自适应巴特沃斯高通滤波器可以有效检测红外图像中大量海天背景下的小目标，并具有高误报率的缺点。 他们猜测顺序不同的帧可能会
由于截止频率不同，导致能量变化很小。 为了解决这个问题，YANG等人 在弱目标区域提出了自适应能量阈值，可以解决目标突然消失和背景突变的缺陷。
海洋中的小目标检测环境
采用频域调谐检测方法作为新的全局显着特征合并LAR空间的各个组成部分。
Sandeep等人 [28]提出了具有在线，子空间和海杂波抑制特征的海洋目标检测方法。 复合高斯模型
是用过的广义似然定量构建测量
为了排除目标检测对海杂波的干扰，REN et al。 [26]举行了一些全球和当地显着的海洋目标检查。 该方法将图像子块和域对比度作为局部显着性，从频域调谐中获得全局对比度。 然后局部显着性和全球显着性一起归一化。 最终的全球显着性是通过规范化的局部显着性和全球显着性的产物获得的。 新的全球显着性可以保留对海洋小目标检测至关重要的弱目标信息。 图1是检测效果。
随着REN等人的进一步研究， [26]，他们描绘了一些新的可见光海洋目标检测方法[27]。 该方法改进了基于频率调谐的显着表示。 换句话说，三个特征
- 全球显着性
（c）新的全球显着性
算子通过评估算子期望值的最大值得到海洋图像纹理，从而得到噪声过滤，提高检测精度。
SHI等人。 [29]指出人眼的视网膜相对狭窄。 也就是说，在垂直轴和水平轴上，人眼的可见角度可能不大于1度。 任何超出角度的东西都无法正确识别。 更重要的是，人类的眼睛不擅长对焦和光亮度适应。 最糟糕的是，人眼中的薄弱区域可能被自动填充。 尴尬的后果是，如果目标被噪声和背景淹没，人类的眼睛会以小目标为背景。
为了解决这个障碍，SHI开发了海洋目标
- 当地显着性
（d）显着性目标
图1基于全局和局部显着性的海洋弱目标检测结果
探测和视觉增强系统，融合可见光，红外，雷达，卫星信息和其他可用数据。
WEN等人 [30]采用红外技术来检测重杂波背景下的弱目标。 WEN等人 试图通过图像中每一行的平均值的差异来排除噪声并加强暗淡目标强度。 然后采用顶帽滤波器对合适的矩形结构元素进行高亮目标滤波，抑制海杂波和云团的巨大区域。 然后获得局部最大值以固定阈值并分割目标。 方法的效果主要取决于结构元素，这意味着一些不适当的结构元素可能导致分配失败。 为了解决这个问题，WEN等人 [31]利用自适应维纳滤波方法来抑制杂波和高斯噪声。 并且使用耳鸣阈值来区分小船目标和海线。 然后获得顶帽操作员使暗淡目标更加突出。
WEI等人 [32]提出了一种算法来估计基于小波多分辨率的最大海天线。 然后将小波与能量相结合，提出了一种新的海杂波抑制方法，使潜艇目标区域达到最小水平，加快搜索速度。 WU等人
[33]提出了合并小波变换和多向Gabor滤波的方法。 该方法基于海洋图像特征区分海天线和波浪。 利用Gabor小波增强海洋微弱目标的特征，以提高探测能力。
Saeed等人 [34]提出了一种基于粒子群算法和模糊C均值的监督聚类方法来识别海洋目标。 该方法充分考虑了RGB颜色空间中的不同特征向量来辨别目标。 使用的算法
3times;3变换矩阵将RGB颜色空间变换为面向对象的颜色空间。 然后采用粒子群算法进行区分
对象颜色空间和背景颜色空间。 也就是说，粒子群优化算法在第一次和第二次变换过程中得到C均值聚类函数的最小值，从而自动识别海洋弱目标。
崔等。 [35]将动态规划引入到基于Hough变换的TBD（Track Before Detect）算法中，以提取弱目标的可能路线。 并导入卡尔曼滤波器以过滤提取的轨迹的背景并估计物体速度。
Herselman 等人。 [36]指出 out算子的性能对ALQ（自适应线性二次）影响很大，特别是对于异质谱中的海杂波。 因此，Herselman提出了自适应阈值机制来改善ALQ的抗干扰性能。 Wensink [37]提出了能够检测和排除海杂波的参数化实时处理雷达波包方法 信息 的 雷达 波 数据包，因此保留目标数据。
XU [38]在红外图像上做了一些关于移动目标检测方法和技术的研究，特别是那些弱的移动目标。 她使用NARX网络预测远程海洋场景图像，并通过预测图像和实际红外图像的差异获取高亮海洋物体。 同时，考虑到海面杂波的背景，提出了帧相关的目标检测方法。 与帧相关的方法与相邻帧具有相似的差异图像。 进一步的研究是XU和FENG [39]提出了基于海天背景的弱目标检测。 该算法结合了背景预测和顶帽变换以过滤波浪噪声。
ZUO等人 [40]做了一个海洋暗淡目标的方法，这与以前的海面信息无关。 考虑海洋目标轨迹的连续性和海杂波幅度范围的随机分布，该方法对实际雷达回波数据进行采样和平滑处理。 然后
平滑后的图像可以通过Hough变换进行变换，Hough变换可以区分不同幅度范围内的海杂波移动的小目标。
GUAN等人。 [41]研究海杂波的多重分形关联谱，并分析海杂波与海相弱目标之间的相似函数的回波相似性。 然后利用支持向量机通过确定回波阈值来克服传统测量中的高误报，从而区分海杂波和弱目标。
基于海洋环境和暗淡目标的红外特征，LIN等人
全文共11825字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[15920]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
