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。

目前多船舶检测与跟踪在国外已经取得了一些研究成果，许多相关技术已经开始应用到实际系统中，但是国内研究相对落后 ,与国外还有较大差距。国外有很多研究机构，如美国麻省理工学院的媒体实验室和人工智能实验室，卡内基梅隆大学的人机交互学院，Illinois大学的Backman研究所等，它们在CVPR等国际会议上，每年都会发表相关论文。而国内的清华大学、南京理工大学、中国科学院自动化研究所等在此方面还少有建树。

传统的视频目标提取大致可以分两类 ,一类以空间同性为准则 ,先用形态学滤波器或其他滤波器对图像作预处理;然后对该图像的亮度、色度或其他信息作空间上的分割以对区域作边缘检测;之后作运动估计,并合并相似的运动区域以得到最终的提取结果。如光流算法、主动轮廓模型算法。此类方法结果较为准确但是运算量相对较大。另一类算法主要以时间变化检测作为准则 ,这类算法主要通过帧差检测图像上的变化区域和不变区域 ,将运动物体与静止背景进行分割。此类方法运算量小,但不如前类方法准确。由于视频及图像数据包涵丰富的时空信息，计算机仅能计算图像颜色、纹理、运动等底层视觉特征，对图像分割带来很大困难。在对象跟踪中，视频中环境的光照、遮挡物、复杂背景和快速目标运动的处理都是研究的难点。因而解决这些问题对我国航运的发展具有重要意义。

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。