基于智能视觉的近海支持船靠泊作业安全监控技术
董亚力+王丹+秦荣明
摘 要： 为了提高近海支持船（OSV）靠泊作业的安全性，需要进行靠泊作业的安全监控设计，提出基于智能视觉的近海支持船靠泊作业安全监控技术。对近海支持船靠泊作业进行三维图像采集，在计算机视觉下对采集的图像进行边缘轮廓特征提取，结合关键点的帧扫描技术进行靠泊作业的关键点判断和危险状态识别报警。进行视觉分析和监控，在三维视觉下进行近海支持船靠泊作业的过程重构，实现安全监控。仿真结果表明，采用该方法进行近海支持船靠泊作业的智能视觉监控，能准确进行危险报警和船舶靠泊位置的动态分析。
关键词： 智能视觉； 近海支持船； 靠泊作业； 安全监控
中图分类号： TN911?34； TP391 文献标识码： A 文章编号： 1004?373X（2017）24?0088?03
Abstract： In order to improve the safety of the berthing operation of offshore support vessel （OSV）， it is necessary to design the safety monitoring for berthing operation， so an intelligent vision based monitoring technology for berthing operation safety of OSV is put forward to acquire 3D image of the OSV berthing operation. The edge contour feature extraction of the acquired image is performed under computer vision. The frame scanning technology of the key points is combined to judge the key points， recognize the dangerous condition and give the alarm for the berthing operation， and perform with visual analysis and monitoring. The berthing operation process of the OSV is reconstructed under 3D vision to realize the safety monitoring. The simulation results show that the method used for intelligent visual surveillance of the OSV berthing operation can accurately give an alarm for safety and dynamically analyze the vessel berthing position.
Keywords： intelligent vision； offshore support vessel； berthing operation； safety monitoring
近海支持船（Offshore Support Vessel，OSV）是進行海上钻采物资的船舶。近海支持船为海洋石油勘探、开发、生产提供全面船舶作业支持服务，还为海上设施生产提供近海靠泊支持功能。近海支持船靠泊是一项高精度作业过程，需要进行定点监控和定位引导。提高船舶作业精度，改善海上设施限位、连接支持作业的准确性，研究近海支持船靠泊作业的安全监控技术，在提高海上设施生产支持功能方面具有积极重要意义，相关的安全监控技术研究受到人们的极大重视[1]。传统方法中，对近海支持船的靠泊作业安全监控方法主要采用人工识别监控方法结合远程监控探头实现靠泊引导，完成近海支持船的拖曳功能和靠泊功能；但是传统方法在进行船舶靠泊引导中容易出现限位误差等情况，监控智能性不好[2]。对此，本文提出基于智能视觉的近海支持船靠泊作业安全监控技术，对近海支持船靠泊作业进行三维图像采集并进行仿真测试，展示了本文方法在提高近海支持船靠泊作业安全监控性能方面的越性。
1 近海支持船靠泊作业视觉信息采集与预处理
1.1 监控图像采集
为了实现对近海支持船靠泊作业视觉监控，三维视觉图像采集是第一步。采用远程视频监控技术进行近海支持船的图像特征采集，在4×4网格区域中对船舶靠泊作业视觉图像进行信息特征分块和像素特征提取，采用特征空间重构技术进行图像尺度信息分解，运用Radon尺度变换提取近海支持船靠泊作业视觉图像的多尺度边缘轮廓特征[3]，进行监控图像智能视觉特征提取。根据上述设计原理，得到本文设计近海支持船靠泊作业视觉图像采集和特征提取过程描述如图1所示。
根据图1所示的近海支持船靠泊作业的视觉处理流程，构建近海支持船靠泊作业安全监控的图像信息处理系统[4]，进行近海支持船靠泊作业的监控图像采集。
1.2 边缘轮廓特征提取
在计算机视觉下对采集图像进行边缘轮廓特征提取，通过对采集视频监控图像进行视觉信息融合和边缘轮廓检测，采集近海支持船靠泊作业视觉图像的像素点特征量可写为：
式中：表示视觉信息化参量；为近海支持船靠泊作业视觉图像的增强倍数。获得原始图像的模板像素值估计值，在图像的4×4子区域中通过子块连续遍历，得到近海支持船靠泊作业视觉图像的子块像素点特征分布为：
式中：为近海支持船靠泊作业视觉图像的子块滤波传递函数；表示船舶靠泊过程中的几何测量模型；为视觉图像的色差核；为像素点之间的特征差异强度；为图像的灰度量化统计值。通过边缘像素分解，得输出的船靠泊作业视觉图像边缘轮廓特征提取结果表示为：
2 靠泊作业的视觉监控实现
在上述进行了近海支持船靠泊作业的三维图像采集和图像预处理的基础上，进行近海支持船靠泊作业安全监控视觉处理优化设计。本文提出基于智能视觉的近海支持船靠泊作业安全监控技术，结合关键点帧扫描技术进行靠泊作业的关键点判断和危险状态识别报警。令，其中，表示近海支持船靠泊作业视觉图像分块位置处的角点，对近海支持船靠泊作业视觉图像进行图像采集，在图像的初始种子点处进行角点信息配对[5]，采用多粒度粗糙像素融合方法计算近海支持船靠泊作业视频监控信息的低频分量，求解公式为：
式中：是近海支持船靠泊作业视觉图像信息量化因子；是在扫描帧窗口W内的模板像素值。按照三角网网格分区方法构建近海支持船靠泊作业视觉图像初始分块结构模型，假设近海支持船靠泊作业视觉图像的初始种子点为，得每一帧特征点分离结果为：
式中：表示沿波束域方向进行像素匹配的邻域范数；表示两个监控视频帧中信息；表示视频监控扫描帧的幅度特征。
假设近海支持船靠泊作业视觉图像沿梯度方向的像素点之间的特征差异值为：
式中，是边缘像素估计值。初始化近海支持船靠泊作业视觉图像的网格模式，选取窗口为3×3进模板匹配，用来表示视频监控视觉像素点的控制性参量，在像素点位置处的进行灰度像素分解[6]，使得船舶靠泊作业的视觉误差向量满足。在边缘像素模板中结合关键点的帧扫描技术进行靠泊作业的关键点判断，得到靠泊作业的关键行为点分布描述为：
采用高亮线条与阴影线条分割方法进行水平和垂直方向的图像特征分割，得到近海支持船靠泊作业视觉图像的分块子集为：
对支持船靠泊作业视觉图像进行像素增强，得像素级强度为：
式中，为信息融合的灰度平滑系数。把检测输出的近海支持船靠泊作业视觉图像分成几个子集，得到水平和垂直方向的分割尺度为和。对近海支持船靠泊作业视觉图像的特征关键点进行灰度补偿，实现近海支持船靠泊作业视觉图像降噪及分割处理，求得原图各分量的平面信息素中的角点：
式中：为局部方差；表示准确靠泊的置信度；为靠泊偏离误差。据智能视觉分析，进行近海支持船靠泊作业的过程重构及OSV靠泊作业的视觉分析和監控，实现危险状态识别与报警。
3 仿真实验分析
为了测试本文方法在实现智能视觉下的近海支持船靠泊作业安全监控中的应用性能，进行仿真实验。实验建立在Matlab 仿真软件基础上。实验中对OSV靠泊作业监控扫描的帧分辨率为500×240，视觉特征采集的总级数为25，像素值为150×180，尺度系数，边缘轮廓特征提取的迭代次数为120次，自适应误差收敛的迭代步长为12，噪声强度为24 dB，图像帧扫描的平滑参数为2.26，边缘轮廓尺度为=0.43，根据上述仿真环境和参数设定，进行OSV靠泊作业的安全监控，得到原始采集图像如图2所示。以图2所示的采集图像为研究对象，结合关键点的帧扫描技术进行靠泊作业的关键点判断和危险状态识别报警，进行视觉分析和监控，得到监控过程的视觉重构结果如图3所示。分析图3结果得知，采用本文方法进行近海支持船靠泊作业监控，能实现整个靠泊过程的视觉三维重构，实现危险报警和船舶靠泊位置的动态分析。
4 结 语
本文提出一种基于智能视觉的近海支持船靠泊作业安全监控技术，对近海支持船靠泊作业进行三维图像采集，在计算机视觉下对采集的图像进行边缘轮廓特征提取，结合关键点帧扫描技术进行靠泊作业的关键点判断和危险状态识别报警，进行视觉分析和监控，在三维视觉下进行近海支持船靠泊作业的过程重构。研究得出，本文方法进行靠泊作业监控的有效性较好，动态分析能力较强，三维视觉效果较好。
参考文献
[1] 陆兴华.一种结合辐射特征的高效红外目标提取算法[J].激光与红外，2016，46（5）：634?638.
[2] 邵敏敏，钱冬梅.智能激光夜视监控系统中的运动目标检测算法研究[J].激光杂志，2016，37（9）：103?108.
[3] 周毅敏，李光耀.多重光照色差下图像平滑美化处理算法[J].计算机科学，2016，43（10）：287?291.
[4] 李武周，余锋，王冰，等.基于形态学滤波的红外图像背景补偿[J].红外技术，2016，38（4）：333?336.
[5] 赵丽玲，孙权森.通过直方图中轴化提高融合图像光谱保真度[J].计算机应用，2017，37（2）：559?563.
[6] 朱路，刘江锋，刘媛媛，等.基于稀疏采样与级联字典的微波辐射图像重构方法[J].微波学报，2014，30（6）：41?45.
摘 要： 为了提高近海支持船（OSV）靠泊作业的安全性，需要进行靠泊作业的安全监控设计，提出基于智能视觉的近海支持船靠泊作业安全监控技术。对近海支持船靠泊作业进行三维图像采集，在计算机视觉下对采集的图像进行边缘轮廓特征提取，结合关键点的帧扫描技术进行靠泊作业的关键点判断和危险状态识别报警。进行视觉分析和监控，在三维视觉下进行近海支持船靠泊作业的过程重构，实现安全监控。仿真结果表明，采用该方法进行近海支持船靠泊作业的智能视觉监控，能准确进行危险报警和船舶靠泊位置的动态分析。
关键词： 智能视觉； 近海支持船； 靠泊作业； 安全监控
中图分类号： TN911?34； TP391 文献标识码： A 文章编号： 1004?373X（2017）24?0088?03
Abstract： In order to improve the safety of the berthing operation of offshore support vessel （OSV）， it is necessary to design the safety monitoring for berthing operation， so an intelligent vision based monitoring technology for berthing operation safety of OSV is put forward to acquire 3D image of the OSV berthing operation. The edge contour feature extraction of the acquired image is performed under computer vision. The frame scanning technology of the key points is combined to judge the key points， recognize the dangerous condition and give the alarm for the berthing operation， and perform with visual analysis and monitoring. The berthing operation process of the OSV is reconstructed under 3D vision to realize the safety monitoring. The simulation results show that the method used for intelligent visual surveillance of the OSV berthing operation can accurately give an alarm for safety and dynamically analyze the vessel berthing position.
Keywords： intelligent vision； offshore support vessel； berthing operation； safety monitoring
近海支持船（Offshore Support Vessel，OSV）是進行海上钻采物资的船舶。近海支持船为海洋石油勘探、开发、生产提供全面船舶作业支持服务，还为海上设施生产提供近海靠泊支持功能。近海支持船靠泊是一项高精度作业过程，需要进行定点监控和定位引导。提高船舶作业精度，改善海上设施限位、连接支持作业的准确性，研究近海支持船靠泊作业的安全监控技术，在提高海上设施生产支持功能方面具有积极重要意义，相关的安全监控技术研究受到人们的极大重视[1]。传统方法中，对近海支持船的靠泊作业安全监控方法主要采用人工识别监控方法结合远程监控探头实现靠泊引导，完成近海支持船的拖曳功能和靠泊功能；但是传统方法在进行船舶靠泊引导中容易出现限位误差等情况，监控智能性不好[2]。对此，本文提出基于智能视觉的近海支持船靠泊作业安全监控技术，对近海支持船靠泊作业进行三维图像采集并进行仿真测试，展示了本文方法在提高近海支持船靠泊作业安全监控性能方面的越性。
1 近海支持船靠泊作业视觉信息采集与预处理
1.1 监控图像采集
为了实现对近海支持船靠泊作业视觉监控，三维视觉图像采集是第一步。采用远程视频监控技术进行近海支持船的图像特征采集，在4×4网格区域中对船舶靠泊作业视觉图像进行信息特征分块和像素特征提取，采用特征空间重构技术进行图像尺度信息分解，运用Radon尺度变换提取近海支持船靠泊作业视觉图像的多尺度边缘轮廓特征[3]，进行监控图像智能视觉特征提取。根据上述设计原理，得到本文设计近海支持船靠泊作业视觉图像采集和特征提取过程描述如图1所示。
根据图1所示的近海支持船靠泊作业的视觉处理流程，构建近海支持船靠泊作业安全监控的图像信息处理系统[4]，进行近海支持船靠泊作业的监控图像采集。
1.2 边缘轮廓特征提取
在计算机视觉下对采集图像进行边缘轮廓特征提取，通过对采集视频监控图像进行视觉信息融合和边缘轮廓检测，采集近海支持船靠泊作业视觉图像的像素点特征量可写为：
式中：表示视觉信息化参量；为近海支持船靠泊作业视觉图像的增强倍数。获得原始图像的模板像素值估计值，在图像的4×4子区域中通过子块连续遍历，得到近海支持船靠泊作业视觉图像的子块像素点特征分布为：
式中：为近海支持船靠泊作业视觉图像的子块滤波传递函数；表示船舶靠泊过程中的几何测量模型；为视觉图像的色差核；为像素点之间的特征差异强度；为图像的灰度量化统计值。通过边缘像素分解，得输出的船靠泊作业视觉图像边缘轮廓特征提取结果表示为：
2 靠泊作业的视觉监控实现
在上述进行了近海支持船靠泊作业的三维图像采集和图像预处理的基础上，进行近海支持船靠泊作业安全监控视觉处理优化设计。本文提出基于智能视觉的近海支持船靠泊作业安全监控技术，结合关键点帧扫描技术进行靠泊作业的关键点判断和危险状态识别报警。令，其中，表示近海支持船靠泊作业视觉图像分块位置处的角点，对近海支持船靠泊作业视觉图像进行图像采集，在图像的初始种子点处进行角点信息配对[5]，采用多粒度粗糙像素融合方法计算近海支持船靠泊作业视频监控信息的低频分量，求解公式为：
式中：是近海支持船靠泊作业视觉图像信息量化因子；是在扫描帧窗口W内的模板像素值。按照三角网网格分区方法构建近海支持船靠泊作业视觉图像初始分块结构模型，假设近海支持船靠泊作业视觉图像的初始种子点为，得每一帧特征点分离结果为：
式中：表示沿波束域方向进行像素匹配的邻域范数；表示两个监控视频帧中信息；表示视频监控扫描帧的幅度特征。
假设近海支持船靠泊作业视觉图像沿梯度方向的像素点之间的特征差异值为：
式中，是边缘像素估计值。初始化近海支持船靠泊作业视觉图像的网格模式，选取窗口为3×3进模板匹配，用来表示视频监控视觉像素点的控制性参量，在像素点位置处的进行灰度像素分解[6]，使得船舶靠泊作业的视觉误差向量满足。在边缘像素模板中结合关键点的帧扫描技术进行靠泊作业的关键点判断，得到靠泊作业的关键行为点分布描述为：
采用高亮线条与阴影线条分割方法进行水平和垂直方向的图像特征分割，得到近海支持船靠泊作业视觉图像的分块子集为：
对支持船靠泊作业视觉图像进行像素增强，得像素级强度为：
式中，为信息融合的灰度平滑系数。把检测输出的近海支持船靠泊作业视觉图像分成几个子集，得到水平和垂直方向的分割尺度为和。对近海支持船靠泊作业视觉图像的特征关键点进行灰度补偿，实现近海支持船靠泊作业视觉图像降噪及分割处理，求得原图各分量的平面信息素中的角点：
式中：为局部方差；表示准确靠泊的置信度；为靠泊偏离误差。据智能视觉分析，进行近海支持船靠泊作业的过程重构及OSV靠泊作业的视觉分析和監控，实现危险状态识别与报警。
3 仿真实验分析
为了测试本文方法在实现智能视觉下的近海支持船靠泊作业安全监控中的应用性能，进行仿真实验。实验建立在Matlab 仿真软件基础上。实验中对OSV靠泊作业监控扫描的帧分辨率为500×240，视觉特征采集的总级数为25，像素值为150×180，尺度系数，边缘轮廓特征提取的迭代次数为120次，自适应误差收敛的迭代步长为12，噪声强度为24 dB，图像帧扫描的平滑参数为2.26，边缘轮廓尺度为=0.43，根据上述仿真环境和参数设定，进行OSV靠泊作业的安全监控，得到原始采集图像如图2所示。以图2所示的采集图像为研究对象，结合关键点的帧扫描技术进行靠泊作业的关键点判断和危险状态识别报警，进行视觉分析和监控，得到监控过程的视觉重构结果如图3所示。分析图3结果得知，采用本文方法进行近海支持船靠泊作业监控，能实现整个靠泊过程的视觉三维重构，实现危险报警和船舶靠泊位置的动态分析。
4 结 语
本文提出一种基于智能视觉的近海支持船靠泊作业安全监控技术，对近海支持船靠泊作业进行三维图像采集，在计算机视觉下对采集的图像进行边缘轮廓特征提取，结合关键点帧扫描技术进行靠泊作业的关键点判断和危险状态识别报警，进行视觉分析和监控，在三维视觉下进行近海支持船靠泊作业的过程重构。研究得出，本文方法进行靠泊作业监控的有效性较好，动态分析能力较强，三维视觉效果较好。
参考文献
[1] 陆兴华.一种结合辐射特征的高效红外目标提取算法[J].激光与红外，2016，46（5）：634?638.
[2] 邵敏敏，钱冬梅.智能激光夜视监控系统中的运动目标检测算法研究[J].激光杂志，2016，37（9）：103?108.
[3] 周毅敏，李光耀.多重光照色差下图像平滑美化处理算法[J].计算机科学，2016，43（10）：287?291.
[4] 李武周，余锋，王冰，等.基于形态学滤波的红外图像背景补偿[J].红外技术，2016，38（4）：333?336.
[5] 赵丽玲，孙权森.通过直方图中轴化提高融合图像光谱保真度[J].计算机应用，2017，37（2）：559?563.
[6] 朱路，刘江锋，刘媛媛，等.基于稀疏采样与级联字典的微波辐射图像重构方法[J].微波学报，2014，30（6）：41?45.
