随着海洋资源开发和海上运输活动日益增多,海上补给成为船舶海上作业的重要组成部分。但在复杂海浪环境下,船舶海上补给时会产生剧烈摇荡,严重影响海上作业效率。针对这一问题,业界研究开发了波浪补偿系统,用于补偿风浪涌等引起的船舶运动,其中对船舶位姿进行实时检测是波浪补偿系统的核心技术之一。近年来计算机视觉技术高速发展,视觉位姿检测在机器人技术、增强现实和虚拟现实等领域已取得广泛应用。因此本文对船舶间位姿的视觉检测方法进行了研究。目前计算机视觉位姿检测算法主要分为传统视觉检测算法和基于深度学习的视觉检测算法。当前研究表明,传统视觉位姿检测算法需要在目标上添加特定标志物,不适用于多目标任意位姿检测;基于深度学习的位姿检测算法需要已知目标的三维模型,限制了其在未知模型场景的应用。针对上述问题,本文研究了基于深度学习的双目视觉位姿检测算法。该方法基于深度学习对目标进行实例分割,结合双目视觉技术实现目标的法线估计,最后通过位姿解算获取目标位姿。该算法不必添加标志物或已知目标三维模型,因此具有良好的场景适用性和鲁棒性。本文的主要工作如下:(1)针对船舶间相对位姿检测的研究需求,搭建了双目视觉位姿跟踪检测的试验系统。硬件方面完成了系统的总体设计和视觉系统硬件选型,算法方面提出了基于深度学习进行平面位姿检测和融合双目深度信息优化检测结果的研究思路。(2)通过对船舶相对位姿检测现状的分析,采用融合双目立体深度信息的Aruco位姿检测方法。通过双目立体匹配获得深度信息,融合双目立体深度信息,采用最小二乘法迭代求解位姿信息,降低姿态歧义误差,从而获得较高的位姿检测结果。(3)针对传统视觉位姿检测需要添加特定标志物等问题,采用单图像深度学习位姿检测方法。基于ScanNet数据集进行训练,采用编码器解码器网络获得图像像素的关联嵌入向量,使用均值漂移算法对嵌入向量进行聚类,得到实例分割;共享编码特征进行平面参数分支解码,得到法线信息。对实例分割和法线进行位姿解算,获得每个目标实例的位姿信息。(4)针对单图像深度学习位姿检测精度问题,在深度学习位姿检测算法基础上融合双目深度信息,提高法线估计的精度。使用IOUTracker跟踪算法对检测结果进行跟踪,结果表明基于深度学习的双目视觉位姿检测的精度有明显的提升,且实时性满足要求。