目前,水面无人船（Unmanned Surface Vessel,USV）在水面目标检测领域的研究主要依赖于激光雷达与视觉系统。激光雷达在室内场景运用较多,但是水面对激光没有反射效果会导致激光雷达使用效果不佳从而影响检测效果。随着视觉系统领域的迅速发展与视觉SLAM技术的运用,结合无人船的运用场景,采用视觉系统实现无人船的水面目标识别与测距,无人船的智能化程度不断提升,使得无人船在军用与民用领域都有较好的运用前景。无人船在未知水域环境下,对未知水域环境感知、地图构建以及对障碍物的识别与测距成为水域环境感知领域的研究热点。因此,本文以水域环境的特征信息提取为研究起点,对水面环境进行分析从而实现岸线识别、水面目标识别与测距方面的研究。提出了一种新的水面目标识别方案,能够高效地实现无人船的定位与水面目标的识别与测距。本文的主要完成工作如下:通过阅读相关文献并结合水面环境特性,选择视觉SLAM系统对水面环境进行感知并提取图像中的特征信息构建点云地图,同时也确定了无人船的位置为其实现自主避障提供准确位置信息。采用ORB-SLAM2算法对水域环境进行ORB特征点提取,该方法采用金字塔模型实现特征点在图像中的均匀分布,避免了部分特征信息丢失影响后期研究的问题,同时兼顾优化策略以实现算法的高鲁棒性;采用多线程并行实现关键帧插入与冗余地图点的剔除、采用闭环检测校正漂移数据以降低漂移带来的误差从而实现稳定的特征跟踪与地图构建。无人船搭载的视觉系统采用ORB-SLAM2算法对水面获取后,图像中包含了天空区域、实物区域、倒影区域以及水面区域。天空与实物区域的物体会给水面目标识别带来识别误差,为了更好的实现水面目标的识别,选择将岸线以上区域剔除后再进行目标识别,该方案可以有效地降低目标识别中候选框的数量,提高识别速度与准确度。岸线识别领域研究中,常用的几种岸线识别算法如基于海天线识别的水域分割算法、基于图像倒影特征的相位相关性算法、基于LOG算子边缘算法、基于区域生成法以及HOG边缘算法。对比各种岸线识别算法后,本文提出一种基于特征点分区拟合评估策略的岸线识别方案实现对岸线的识别并剔除岸线以上区域,该方案未直接对图像进行像素与深度分析,而是采用基于ORB-SLAM2算法提取的特征点进行分析,依据SLAM算法提取的特征点坐标建立数学模型,将特征点投影到数学模型中。在数学模型中,首先假设一条直线为岸线,该直线按照固定步长向上移动,对该直线上、下区域的特征点进行分区后对直线以上区域特征点集合进行曲线拟合,再依据水面倒影原理计算出该曲线关于岸线对称的该曲线的倒影曲线,提取该曲线倒影曲线中点的横坐标组成集合,同时提取该直线下方区域的真实特征点的横坐标组成集合,两个集合进行方差运算,对方差进行评估即随着直线的移动方差在不断变化,当方差等于零或取得最小值时,此时直线所在的位置即真实的岸线位置。识别到岸线位置后将图像中岸线以上区域进行剔除后留下水面区域,下一步工作是对水面区域内的目标进行目标识识别与测距。采用基于特征点分区拟合评估策略的岸线识别方法对双目相机获取的无人船航行前端环境图像信息进行岸线分离并剔除岸线以上区域,该方案为水面目标识别提供良好的环境,提高水面目标的识别效率。针对目标识别领域研究,首先对比了目标识别领域常用的经典算法,挑选出较为适合水面环境目标识别的YOLOv3目标识别算法,采用YOLOv3目标检测算法并结合双目相机的双目测距原理实现对水面目标的识别与测距研究。选定YOLOv3算法以后,为了实现较好的效果,通过采集足量的常见水面目标的数据集构建训练集与测试集,采集不同角度不同环境下的数据信息,增强训练结果的有效性。为了防止数据量不够充足可能会产生过拟合现象,使用训练好的参数对适用的网络进行一次初始化设置后再使用自己的数据集进行数据训练,从最终的识别结果与误差分析可以看出采用该算法可以有效的实现水面目标识别与测距。通过实验证明,本文所设计的基于视觉SLAM水面目标识别算法具有较好的识别效果,为无人船能够实现自主避障的智能航行提供较好的理论依据。