摘要：21世纪以来全球化进程不断加深，使得全球范围内的贸易量持续增长，而在所有的运输方式中，水运以其运送货物量多、成本低等特点，成为全球货物运输的重要方式。随着水运量的不断增加，水面交通事故经常发生，水运安全逐渐被各国所重视。目前的船载探测设备主要是雷达和可见光摄像机，前者易受极端天气影响且无法准确检测到远距离的目标，而后者则无法在夜间以及大雾等视野较差的环境下正常工作，所以这两类设备不能很好的满足当今的实际需求。

本论文实现了基于船载红外图像的自动船舶检测算法，红外热成像技术没有过多的环境限制，即使面对雨、雪、大雾等恶劣天气依旧可以进行正常工作。具体来说，首先获取原始红外图像，对其进行灰度直方图均衡化等预处理；接着，采用基于YOLO深度学习模型的目标检测算法，克服传统机器学习算法以人工的方式提取与选择特征的缺陷，利用端到端的卷积神经网络，输入原始图像后直接输出船舶的检测结果，提高检测的有效性；然后，根据实际需求，分析并实现了基于船载红外图像的自动船舶检测系统的设计，并包含图像采集、图像处理以及目标检测三个模块，同时也设计了系统的软件交互界面，以满足方便、易用的要求。

实验表明，本文的自动船舶检测算法在红外图像上是有效的；本文实现的基于红外图像的自动船舶检测系统能够满足实际的需求，具有一定的使用价值。

关键词： 红外图像；船舶检测；YOLO算法；图像处理

目  录

摘  要

ABSTRACT

第一章 绪 论-1

1.1 选题背景-1

1.2 选题研究意义-1

1.3 国内外研究现状-1

1.3.1 国外研究现状-2

1.3.2 国内研究现状-3

1.4 本文的研究内容-4

1.5 论文的结构-4

1.6 本章小结-5

第二章 红外热成像-6

2.1 红外辐射原理-6

2.2 红外探测器-6

2.2.1 红外探测器的分类-6

2.2.2 红外传感器的结构和工作流程-7

2.2.3 红外成像系统的特点-8

2.3 红外图像分析-8

2.4 图像直方图均衡化-10

2.4.1 灰度直方图-10

2.4.2 直方图的定义与特点-11

2.4.3 红外图像直方图的特点-11

2.4.4 目标船舶红外图像直方图分析-13

2.4.5 红外图像直方图均衡化-14

2.5 本章小结-16

第三章 常见的深度学习目标检测方法-17

3.1 深度学习-17

3.2 卷积神经网络（CNN）-17

3.3 YOLO介绍-19

3.4 YOLO环境-22

3.4.1 CUDA与cuDNN-22

3.4.2 GPU运算-22

3.5 本章小结-22

第四章 基于YOLO深度学习模型的目标检测-23

4.1 目标船舶分析-23

4.2 基于YOLO的船舶检测-24

4.2.1 检测过程-24

4.2.2 损失函数设计-26

4.3 目标检测实验-26

4.4 本章小结-29

第五章 船载红外图像的自动船舶检测系统实现-30

5.1 需求分析-30

5.2 系统设计-30

5.2.1 图像采集模块-31

5.2.2 图像处理模块-31

5.2.3 目标检测模块-31

5.3 系统界面-32

5.4 本章小结-34

第六章 总结与展望-36

参考文献-37

致  谢-39