水面无人艇自主实现水上运动目标的检测与识别是近些年来机器人学、机器视觉领域内新的方向和研究热点,其技术的关键和难点在于运动目标的检测技术的研究。因此本文在研究传统运动目标检测方法的基础上,采用高斯差分结合三帧差分,并利用形态学处理的方式检测水面运动目标。主要研究内容包括如下:(1)本文研究了模式识别领域中,图像预处理阶段相关方法,重点研究了图像滤波、边缘检测、图像分割相关环节。图像滤波环节主要研究了均值滤波、中值滤波、高斯滤波,其中,中值滤波能够很好的消除成像设备以及拍摄环境带来的噪声信息,并且保持了良好的边缘信息。边缘检测环节,主要研究了Canny、LoG、DoG方法。图像分割环节主要研究了经典的OTSU、Meanshift方法,为后面的图像特征提取提供了便利。(2)研究了运动目标检测方法中帧差法、高斯混合背景模型、光流法。不仅如此,还逐一实现了上述三种检测方法,着重对以上方法应用水面复杂环境的测试。确定了基于高斯差分结合三帧差分并利用数学形态学处理水面运动目标检测方法。主要的算法流程是将视频序列应用高斯差分处理,此方法对去除响应的噪声污染,保存良好的细节信息起了关键的作用。其次,对上述得到的结果序列实验结果应用三帧差分法,并结合数学形态学方法处理,消除轮廓空洞,边缘信息连接保存完整。(3)结合本文研究的水面无人艇作业环境中,主要研究颜色特征、几何特征、矩、纹理等特征。几何特征及矩特征中,主要研究了目标几何特征、面积、周长、紧密度、Hu矩,为特征向量的组成提供了数据信息。(4)研究了模式识别领域中较为流行的机器学习,包括KNN、K-means、SVM等方法。在研究的过程中,将之前得到特征组合成新的特征向量,将其作为样本信息供相应的机器学习算法训练。在分析了运动目标跟踪方法的基础上,研究了水面无人艇作业环境的复杂性,提出了以颜色直方图作为运动目标跟踪的特征描述,并且采用的是HSV空间的H分量,通过Meanshift作用于连续视频序列,形成Camshift目标跟踪算法。最后,本文提出了利用运动目标轮廓紧密度特征、灰度特征作为阈值筛选条件,能够较好的去除浪花等运动影响运动目标检测因素。本文所研究的水面无人艇动态障碍目标检测技术是通过windows、linux平台,借助于计算机视觉函数库opencv开发与实验的。其中,界面仿真平台在windows平台借助于vs2013软件开发的,图像算法研究在linux平台完成。实验结果表明,本文水面运动目标检测算法精确性高、实时性较好,在水面无人艇进行侦测和导航具有十分重要的研究价值。