内河航运相对公路运输,运价低廉,约为公路1/10,尤适于大宗物品的运输。尽管目前已逐步沿航道布设了监控摄像,其监控视频自动化还比较落后。水面波光粼粼、水面不似柏油路面对比度差、船尾同步拖纹等干扰无疑均增加了航道视频检测的难度。此外,水深不一,随时而变,船舶尺寸往往不规范,搁浅或撞桥事件时有发生,需对船舶大小检测,实施准入机制。在《船舶实时视频图像监测识别系统关键技术及应用》国家重大专项执行过程中,现有的视频运动船舶检测方法已难以应对复杂的内河航运场景,需另辟蹊径。为此,论文借用视觉显著性检测方法“先天”优势,专题展开研究,其具有重要的理论意义和应用价值。论文描述了国内外船舶检测和视觉显著性检测的研究现状,阐述了视觉显著性与卷积神经网络原理,分析比较了图像显著性检测方法,提出了基于区域颜色显著性的船尾拖纹抑制算法;探讨了目标显著性研究的趋势,给出了 ELD-map与卷积神经网络融合的目标显著性检测算法;研究了运动目标检测的主流方法,基于显著图对传统GrabCut算法优化,分析比较了同场景下其与现有方法的检测结果。论文进而就系列算法,具体描述,并予实验验证:针对船尾拖纹同步运动对视频监控准确度的影响,论文提出了一种基于区域颜色显著性的船尾拖纹抑制算法。根据颜色直方图计算初始显著度,利用颜色量化和空间平滑操作,加速计算速率;借助SLIC超像素聚类算法,加入空间位置关系计算最终显著度,从而有效地抑制了船尾拖纹的影响。针对内河船舶目标显著性检测不准确的问题,论文给出了一种ELD-map与卷积神经网络融合的目标显著性检测算法。图像低层特征编码构建ELD-map,利用VGG16训练显著性高层特征提取网络,将二者的输出级联作为分类器的输入,获得船舶目标显著度,从而提高目标显著性检测精度。针对提取运动船舶目标存在漏检、分体问题,论文优化了传统GrabCut算法。利用显著图替代人工标注矩形框,自动提取前景与背景之间框架,迭代分割收敛,从而保证检测的准确性。论文主要特点与创新在于:·提出了基于区域颜色显著性的船尾拖纹抑制算法,抑制船尾拖纹,提高了检测精度。·给出了 ELD-map与卷积神经网络融合的目标显著性检测算法,融合高/低层视觉特征判定像素显著/非显著,解决了船舶目标显著性检测不准确的问题。·优化了传统GrabCut算法,用显著图替代GrabCut人工初始化方法,解决了提取运动船舶目标存在的漏检、分体问题。