随着海洋资源的不断开发,各地区海上活动的监控和管理显得尤为重要。本文的研究主要目的是通过机器视觉实现无人船对海面情况的监控,即实现海面船只目标的自动识别和对船只目标的自动跟踪。本文首先分析了该无人船海面目标识别与跟踪系统的功能需求,并根据海面上的环境情况,分析了无人船的工作环境和海空图像的特点,并以此为基础,设计了无人船海面目标识别与跟踪的总体工作方案。针对无人船拍摄的海空图片中背景部分远多于目标部分的问题,本文根据海空图像中的目标极大概率出现在海天线附近,通过滤波处理降低图像中海面的噪声后,经Canny边缘检测得到图像边缘,基于海天线特点改进的Hough直线检测方法成功提取海天线,缩小了后续处理范围,从而大幅提高了后续目标识别的速度。针对海面存在的目标,需要对其轮廓进行分割,从而得到海面目标的位置和轮廓,以便后续目标识别工作的进行。本文对基于灰度阈值的方法和区域生长法进行了研究,提出了一种基于灰度统计和方向梯度的种子点选取方法并改进了一种基于灰度均值和能量均值的区域生长规则,从而采用区域生长法成功标记背景区域实现了海面目标的分割与提取。针对已提取轮廓和位置的未知目标,本文采用基于融合特征的方法对提取出的未知目标进行特征提取,并根据特征进行分类识别。其中融合特征采用目标的不变矩特征、纹理特征和自定义的集合特征;分类器采用BP神经网络算法对样本中提取的特征进行训练生成,成功实现对海面船只的识别。为实现对已识别成功船只的目标跟踪,本文通过SURF特征点提取与匹配算法对已识别船只目标进行识别和提取,从而实现目标跟踪。为减少计算量,提高目标跟踪的效果和范围,本文将Kalman滤波预测目标位置和稳像云台追踪目标结合对已检测出的海面目标进行跟踪,极大地提高了无人船海面监控效果。综合以上研究,本文设计了一套完整的海面目标识别和对船只目标跟踪的海面活动监控解决方案,可以大幅提高海面活动监控管理的效率。