1. 研究目的与意义（文献综述）

随着我国经济的发展，航运业发展的越来越快，来往的运输船舶数也急剧增长，但大量的船舶为水上交通运输带来便利的同时，也会增加发生船舶航运事故的风险，这阻碍了船舶运输行业的发展并威胁着航运从业人员的安全。航运事故主要是船舶之间的碰撞以及船舶与桥梁、闸口等的碰撞，传统水路交通管理主要采用摄像头监控和人工巡航两种模式。摄像头监控主要是海事监管单位针对辖区内重要航段、以及事故多发的航段进行摄像头布控，然后指挥中心的工作人员通过屏幕监视这些航段的航行情况。这就要求工作人员长时间保持高度注意力观察几十个电子显示器，而且对于危险的预判也要依靠工作人员的个人能力以及工作经验。人工巡航管理则是出动人力在一天内去航道巡视数次，更是一种低效率的工作方式，无法满足实际要求。因此本文拟通过在行驶的船舶上、闸口、桥梁等事故可能发生的区域安装摄像头等设备，实时采集这些区域的视频情况，并通过基于opencv的目标检测和跟踪等技术，分析船舶的航行情况，来指挥控制船舶的航行，以避免船舶间发生相互碰撞以及船舶与桥梁、闸口等的碰撞。所以水面船舶检测及跟踪，尤其是多个船舶之间互相遮挡的时候如何准确的跟踪船舶的运行情况成为了人们研究的热点问题。

2. 研究的基本内容与方案

本文旨在研究及设计基于opencv单摄像头的水面多船舶检测及跟踪系统，用来检测识别并跟踪船舶的航行情况，同时能够应对多船舶之间相互遮挡时的持续检测及跟踪，以减少水路交通事故的发生，提高水路通行效率，保障水路航运的安全高效运行。

本文将比较三种船舶检测跟踪的计算方法，并选取合适的方法来检测跟踪船舶。

背景减法是将实时视频流中的图像像素点灰度值与事先已存储或实时得到的视频背景模型中的相应值比较，不符合要求的像素点被认为是运动像素。这种方法虽然能较完整的提取运动目标，但对光照和外部条件造成的环境变化过于敏感，常常会将运动目标的阴影错误的检测为其自身的一部分。同时由于时间流逝，实际场景的多种因素都会发生变化，背景若不能及时更新就会影响检测效果。

3. 研究计划与安排

第1周—第3周 查阅资料和制定方案；

第4周—第8周 进行软硬件及算法设计，构建系统；

4. 参考文献（12篇以上）

[1] wang n, lis, gupta a, et al. transferring rich feature hierarchies for robust visualtracking[j]. computer science, 2015.

[2li h, li y, porikli f. deeptrack: learningdiscriminative feature representations online for robust visual tracking[j].ieee transactions on image processing, 2016, 25(4):1834-1848.

[3] 高君宇, 杨小汕, 张天柱,等. 基于深度学习的鲁棒性视觉跟踪方法[j]. 计算机学报,2016, 39(7):1419-1434.