基于視覺感知的船閘監控系統研究與實現

摘 要:針對我國內河航運船閘管理信息化水平不高的現狀，設計了一種非接觸式船閘監控系統，該系統可實現基于無線傳感器網絡的船閘啟閉控制及水情監測，以及基于視覺感知的船舶噸位測量、船舶過閘收費等功能。為了實現船舶過閘的快速、準確收費，提出一種基于Hu不變矩的船體特征提取和基于多分類支持向量基的船體識別算法。實驗結果表明，該算法識別精度較高，可以實現船舶過閘的準確收費。關鍵詞:船閘監控; 不變矩; 船體識別; 支持向量基

中圖分類號:TN919-34文獻標識碼:A

文章編號:1004-373X(2010)22-0135-04

Research and Implementation of Ship-lock Monitoring

System Based on SVM and Visual Perception

ZHANG Zhuo， ZHANG Xue-wu， LIANG Rui-yu， DING Yan-qiong， DUAN Dun-qin

(College of Computer and Information， Hohai University， Changzhou 213022， china)

Abstract: In the light of the current status that the informatization level of inland navigation ship-lock management is not high， a non-contact ship-lock control system is designed， which can realize the ship-lock open/close control and hydrological monitoring with wireless sensor networks， ship tonnage measurement， and lockage chargingbased on visual perception. To make the lockage of ships fast and lockage charging accurate， a novel ship recognition algorithm based on Hu invariant moments for ship feature extraction and support vector basis for multi-class classification is proposed. Experimental results show that the proposed method can achieve the high-accuracy identification and implement the accurate lockage charging.Keywords: ship-lock monitoring; invariant moment; ship identification; support vector basis

收稿日期:2010-05-20

與其他運輸方式相比，內河航運具有運量大，成本低，占地少等顯著特點，是煤炭、石油、礦石等大宗物品的主要運輸方式，近年來在海運集裝箱、金屬產品、機械、化學品等運輸方面有顯著提高。縱觀近代世界交通發展歷程，內河航運服務經濟社會發展的巨大優勢凸顯，一直處于近代世界交通優先發展地位。隨著經濟的進一步發展，內河運輸量將不斷增長，整個內河航運業將面臨無限的發展機遇[1]。改革開放以來，我國的內河航運事業得到了飛速的發展，截至2007年底，中國內河航道的通航總里程已經到達13.3萬公里，位居世界內河第一。2008年長江干線貨運量達到12億噸，是30年前的29倍，是歐洲萊茵河的3倍，美國密西西比河的2倍，成為世界上貨運量最大的通航河流[1]。我國《國民經濟和社會發展第十一個五年規劃綱要》明確提出，“積極發展水路運輸，提高內河通航條件，建設長江黃金水道和長江三角洲高等級航道網，推進江海聯運”。以此為指導思想，國家和沿江省市更加重視長江黃金水道建設[2]。

同時，也要清醒地意識到我國的內河航運在運行質量和效率方面，與歐洲萊茵河等水運發達的世界名川相比，現代化程度還有較大的差距[2]，具體表現在航道整體運輸效率低，船只過閘效率低下，服務效率低下、原始，信息化水平不高等方面。另外，在航運市場上管理存在著嚴重的漏洞，監管力度不夠，船只冒卡、超載情況較為嚴重，嚴重危害了內河航運市場的發展和航道設施的安全。將現代信息技術與智能航運理論相結合，實現水資源的合理輸送、節制和分配，以及船只過閘和收費的自動化，是我國提高航運信息化水平，實現航運智能化亟待解決的一項重要任務。

在此，設計了一種非接觸式智能化全方位船閘監控系統。該系統集視頻、語音、數據通信于一體，遠程監控和移動監控互為備份，可以實現基于無線傳感器網絡的船閘啟閉控制、水情監測，以及基于視覺感知的船舶噸位測量、船舶過閘收費等功能。其中，通過視覺感知對船體目標進行快速檢測和準確分類，從而針對不同類型的船體按照其對應的標準進行收費，是船閘監控系統的重要設計內容之一。

1 視覺感知船閘監控系統

針對船閘監控系統的實際應用[3-4]，采用如圖1所示結構。整個系統分成3個層次:船閘現場環境參數信息采集層、船閘現場監控層和多媒體網絡傳輸層。

圖1 船閘監控系統結構圖

現場環境監測參數包括水位、閘位、船體數據。水位數據由水位傳感器和攝像頭采集，閘位和船體數據由攝像頭采集。其中，現場攝像頭中的2路分別從俯視和側視的角度獲取船只的視頻信息，而另外2路攝像頭則分別對著2個閘門，采集閘位信息并監控船只過閘情況。現場環境采集數據通過無線傳感器網絡上傳至服務器，服務器可將監控視頻經無線局域網傳輸至PC客戶端和移動客戶端。遠程PC客戶端和移動客戶端均可實現基于視頻感知計算的閘位測量、船舶噸位測量和船舶過閘收費;利用無線傳感器的網絡節點進行閘門啟閉控制和水情監測;建立數據庫記錄各種艦船的信息數據和其他相關數據、查詢歷史數據等功能。遠程多客戶端可實現船閘全程監控和大場景三維重建模擬。各客戶終端通過工業以太網互聯、互通，實現現場環境參數的信息共享;流域內各現場終端利用工業以太網實現互聯、互通，從而實現全流域通航情況的實時監測，以方便流域、水域的管理。

系統硬件設計以EC5-1719CLDNA嵌入式工業主板為核心，擴展所需的各種外圍設備，如水位模擬輸出板、無線傳感器節點[5]、音頻功放驅動電路、電機控制電路等，總體結構如圖2所示。

軟件設計采用模塊化設計思想，采用Micosoft公司的Visual C++6.0調用底層API函數開發系統所需底層軟件模塊，主要以DLL和OCX為封裝形式。上層管理應用軟件主要以VC++編程結合Micosoft公司的SQL Sever 2000數據庫、OpenGL接口、Directx接口實現系統的各項功能[6]。系統運行開發環境為Micosoft公司的WindowsXP professional SP2操作系統，也提供了部分底層驅動程序，其軟件架構如圖3所示。

2 基于SVM的船體感知識別算法

現行的內河航運收費標準是依據船體類型進行收費，為了實現船舶過閘的快速、準確收費，關鍵在于提高船體類型的識別速度和精度。在此提出一種基于Hu不變矩船體特征提取和基于多分類支持向量基的視覺感知船體識別算法，在有限樣本的情況下，實現船型的靈活分類。

圖2 船閘監控系統硬件結構圖

圖3 船閘監控系統硬件結構圖

2.1 Hu不變矩船體特征提取

對于內河船舶而言，不同類別的船只一般具有不同的外觀形狀，因此在此選用幾何形狀作為圖像特征。船舶類型的識別結果不能因圖像的平移變化、旋轉變化或尺度變化而不同，為了保證船體識別的靈活性，選擇矩特征來描述圖像中船體的形狀特性[7]。矩特征是一種全局描述的線性特征，對于圖像具有平移、旋轉和尺度變換的不變性，Hu首先提出了用于區域形狀識別的不變矩[8]，將數字圖像ρ(x，y)的pq階矩定義為:

mpq=∑x∑yxpyqρ(x，y)

零階矩為:

m00=∑x∑yρ(x，y)

標示船體目標的面積。一階矩為:

m10=∑x∑yxρ(x，y)，m01=∑x∑yyρ(x，y)

式中圖像的重心坐標為:

x=m10/m00，y=m01/m00

圖像ρ(x，y)的pq階中心距為:

μpq=∑x∑y(x-x)p(y-y)qρ(x，y)

歸一化中心距為:

ηpq=μpq/μr00

式中:r=(p+q)/2+1;p+q=2，3，…。

HU利用歸一化的二階矩和三階中心距構造了7個不變矩，它們滿足平移、縮放和旋轉不變的條件， 其公式如下:

φ1=μ20+μ02，φ2=(μ20+μ02)2+4μ211，φ3=(μ30-3μ11)2+(3μ21-μ03)2，φ4=(μ30+μ12)2+(μ21+μ03)2

φ5=(μ30-3μ12)(μ30+μ12)[(μ30+μ12)2-3(μ30+μ12)2]+(3μ21-μ03)(μ21+μ03)[3(μ30+μ12)2-(μ21+μ03)2]

φ6=(μ20-μ02)[(μ30+μ12)2-(μ21+μ03)2]+4μ11(μ30+μ12)(μ21+μ03)

φ7=(3μ21-μ03)(μ03+μ12)[3(μ30+μ12)2-3(μ21+μ03)2]-(μ30-3μ12)(μ21+μ03)[3(μ30+μ12)2-(μ21+μ03)2]

式中:ηpq=μpq/μr00，r=(p+q+2)/2。

這組矩的幅值反應物體的形狀，因而可以作為特征向量進行形狀的檢索和識別。

2.2 多類支持向量基船體分類

向量機是基于統計學習理論的一種新的機器學習方法[9]，在有限樣本的情況下可以得到最有解。對于分類問題，最優線性劃分的約束條件為:

minφ(w)=12||w||2+c[∑Ni=1ξi]

yi[wTxi+b]-1+ξi≥0

式中:i=1，2，…，N;x是輸入向量;w是可調的權值向量;b是偏置; 非負松弛量ξi≥0，i=1，2，…，N;c為懲罰因子，c值的大小表示對錯誤分類懲罰程度的大小。

對于非線性劃分是將輸入空間中的樣本通過某種非線性函數關系映射到一個特征空間中(維數可能較高)，使兩類樣本(可推廣到多類樣本)在此特征空間中線性可分，并尋找樣本在此特征空間中的最優線性分類超平面，其判別函數為:

f(x)=sgn[∑mi=1α*iyiK(xi，xj)+b*]

式中:K(xi，xj)為核函數，通過定義適當的核函數可實現線性變換。常見的核函數有線性核函數、多項式核函數、徑向基核函數和Sigmoid核函數。SVM模型的優劣主要取決于懲罰因子和核參數。

支持向量基進行多類分類的方法常用“一對一”分類方法和“一對多”分類方法[10]。在此采用“一對多”方法，即把c類問題化為c個兩類問題，其中第i個問題是用判別函數把屬于wi類的點和不屬于wi類的點分開[11]。

訓練過程如下:

(1)給定2種船型的n個訓練樣本，提取其幾何特征向量作為分類依據;

(2)利用樣本的幾何特征向量進行線性內積支持向量訓練，確定線性識別模型函數;

(3)利用樣本的特征向量進行核函數線性內積支持向量機訓練，確定非線性識別模型函數。

識別階段算法:

(1)對量M的代入，限于用給定待識別船舶樣本提取其幾何特征向量;

(2)將待識別船舶樣本的特征向性分類支持向量機的模型函數，如果f(M)>τ，則可確定待識別樣本的種類，τ為訓練所獲得的分類閾值。若f(M)<τ則轉步驟(3);

(3)將待識別船舶樣本的特征向量M代入非線性分類支持向量機的模型函數，將fmax(M)歸到相應的船型中。

3 實驗結果及分析

在實驗中以4種常見船型為例，對用船閘監控系統攝像頭采集的船體照片采用差影法去除與船體形狀無關的背景信息得到船型樣本如圖4~圖7所示。

圖4 船型樣本1形狀圖

圖5 船型樣本2形狀圖

圖6 船型樣本3形狀圖

圖7 船型樣本4形狀圖

采用Hu不變矩提取船體形狀的歸一化特征向量如表1所示。

在不考慮先驗知識的情況下，本系統采用徑向基函數核來進行非線性劃分，經留一交叉驗證實驗(LOO)得到核函數參數的最終值為:懲罰因子c=100，核參數σ2=2。

將圖4~圖7中每種船體的圖片各90張，以及包含非船體的圖片90張送入訓練好的系統中進行實驗。結果如表2所示，總識別率為95.55%。

實驗結果表明，使用不變矩作為特征向量，采用SVM作為分類器的船體識別算法，其準確率很高，可供船閘系統進行準確收費。

表1 船型樣本形狀特征向量表

船型

矩值

φ1φ2φ3φ4φ5φ6φ7

船11.000 0000.312 8570.503 1260.417 349-0.781 927-0.260 283-1.000 000

船21.000 0000.110 5860.803 6850.684 262-0.413 332-0.181 238-1.000 000

船31.000 000-0.290 0970.891 2100.776 474-0.583 183-0.468 377-1.000 000

船41.000 0000.250 3890.520 5440.314 716-0.993 597-0.412 462-1.000 000

表2 船體分類識別表

統計結果

目標類別

船型1船型2船型3船型4

測試樣本數90909090

識別數85898783

單類識別率94.44%98.88%96.66%92.22%

總識別率95.55%

4 結 語

在此設計的視覺感知船閘監控系統可以實現內河管理基礎信息的測量，間接獲取水運交通參數，突破各個環節影響船只過閘效率的瓶頸，提升船閘管理的信息化水平，為航運管理部門進行水域交通管理和交通規劃、決策提供內河航道的信息平臺，提升內河航道科學管理水平，市場前景廣闊，值得投入深入研究和推廣。

參考文獻

[1]陸克從.我國內河航運發展策略[J].中國水運，2009，2(2):12-21.

[2]李濟東，羅旭文.黃金水道的世界眼光[J].交通建設與管理，2009(7):22-26.

[3]金鵬飛，何斌.船閘計算機收費系統研究[J].水利規劃與設計，2007(5):61-65.

[4]陶勝.進出港船舶監督的計算機管理系統[J].電腦開發與應用，2001(12):12-13.

[5]李文仲，段朝玉.ZigBee無線網絡技術入門與實戰[M].北京:北京航空航天大學出版社，2007.

[6]汪兵，李存斌，陳鵬.EVC高級編程及其應用開發:Embedded Visual C++嵌入式編程[M].北京:中國水利水電出版社，2005.

[7]馬超杰，李曉霞，楊華，等.應用支持向量機分類的多角度目標識別技術[J].激光與紅外，2009，39(1):88-91.

[8]HU M K. Visual pattern recognition by moment invariants[J]. IEEE Trans. of Information Theory，1962， 2(8): 179-187.

[9]VAPNIK V N. The nature of statistical learning theory[M]. New York， USA: Springer， 1995.

[10]劉志剛，李德仁.支持向量機在多類分類問題中的推廣[J].計算機工程與應用，2004，1(4):10-11.

[11]張學工.關于統計學習理論與支持向量機[J].自動化學報，2000，26(1):32-42.