目的和意义：

研究目的在于吸收和借鉴已有的船舶识别方法，在此基础上尝试使用基于深度学习的计算机视觉技术应用到船舶识别上，提高对运动中的船舶的识别和分类的准确度。

研究意义：

传统的船舶检测技术有红外成像设备检测和雷达检测，但设备价格昂贵且需要工作人员通过相关的专业知识学习才能熟练掌握。近年来，深度学习重新进入人们的视线，对于计算机视觉的讨论也逐渐激增，且已经取得了一定的研究成果和应用，在人脸识别、无人驾驶汽车领域更是已经投入实践。在此背景下，船舶识别问题的解决有了新方向，通过CNN(卷积神经网络)提取图像特征，再结合SVM（Support Vector Machine, 支持向量机）或者Softmax等方法对船舶进行识别分类，并且，在此基础上，使用诸如HOG、暗涌道去雾等算法对图像进行预处理，有效的克服恶劣环境对船舶识别的阻碍，达到较高的准确性。相比传统方法，计算机视觉在低成本的优势下，兼顾高准确性，无需船员长时间的查看监控视频，计算机会在检测到周围有其他船只时发出提示，达到预警的效果。因此，本文将针对船舶识别问题，使用最新的卷积神经网络成果，同时结合合适的图像处理方法，进一步提高识别的准确率，这对提高船舶交通的效率以及安全有着深远的意义。

国内外的研究现状分析：

l 国外基于CNN和SVM的船舶识别方法研究状况：

由文献[9]、[14]、[15]可知国外研究者们的主要成果：

(1)基于神经网络的视觉识别方法通常需要大量的训练图像，与许多其他现实世界的视觉任务一样，船舶识别存在缺乏大量可用数据的问题。 ImageNet平台的组织者编制了一个包含超过一百万张图像的数据集，这个数据集可满足船舶识别方案所需要的数据。另外文献[14]中作者使用RAPIERR船舶检测系统对卫星拍摄的图像进行切割，获取到大量各类船舶的碎片图像以作为训练数据。

(2)在文献[14]中提到可以通过联合多种二分类器组成多分类器。关于CNN结构，作者采用4个卷积层，2个最大池化层，3个全连接层，在最后一个全连接层使用softmax函数进行分类，并且每层都采用ReLU作为激励函数。

(3)在文献[15]中关于SVM，KNN，以及ADABOOST三种分类器进行了对比，SVM对于现实生活中的图像识别问题的准确率较高，同时SVM支持灵活的更改核函数，针对不同的实际问题可以保证分类的准确度。