随着世界经济一体化的到来,外贸经济也迅速发展,而各国外贸运输的主要方式都是通过集装箱运输,集装箱运输量的急速增长也大大推动港口自动化发展的进程。为了建设现代化的自动化码头,高效、安全的集装箱装卸作业是其中必不可少的环节。集装箱卸载过程中,常出现因司机忘记解锁集装箱而导致集装箱卡车与集装箱被一并吊起的情况。当集卡被吊起时,常会出现卡车侧翻事故,严重时,甚至出现人员伤亡。本文针对这种情况,对防止集卡被吊起监测系统作出研究,采用了目标检测与目标跟踪相结合的方法来设计防吊起方案并在现场实现防吊起系统。本文主要工作如下:采用基于卷积神经网络的YOLO检测算法实现对于集装箱、集卡的检测。YOLO使用一个卷积神经网络将检测问题转化为目标候选框及其类别概率的回归问题,网络直接输出目标候选框的位置,以及候选框中目标的类别概率。在现场图片中的测试结果表明,训练得到的检测模型能够准确地检测到集装箱与集卡的位置。针对集装箱卸载过程中,集卡、集装箱的动态监测问题,利用基于相关滤波的目标跟踪算法DSST实现对现场视频中的集装箱,集卡的跟踪。DSST根据在视频初始帧提供的集装箱、集卡位置信息,训练得到目标模板。然后在后续的跟踪中,将目标模板与视频序列做相关运算,得到相关响应值,响应值最大处即目标的预测位置。在特征选择上,DSST使用了能表示图像梯度的HOG特征,不仅如此,在模型更新上,它采用逐帧更新的方式以适应目标的外观变化。DSST的实际跟踪效果表明该跟踪算法在多数情况下能够准确跟踪目标,但是在目标模糊时,跟踪效果不佳。针对DSST算法在目标模糊时跟踪效果不佳的情况,提出了一种基于多特征自适应加权的高置信度跟踪算法。在使用HOG特征的基础上,改进算法还使用了CN特征,增加了对于颜色信息的提取,与HOG特征提取的图像梯度互补。同时,为了最大化两种特征的效果,自适应的根据实时跟踪情况对于两种特征权重进行调整。在模型更新方面,采用了一种高置信度更新策略替代逐帧更新的方式。改进算法在数据集OTB-50和现场视频中的跟踪效果良好,整体表现优于DSST算法。针对集卡被误吊起的问题,设计并实现防吊起系统。首先设计防吊起判断准则和判断流程,然后利用C++实现防吊起系统的软件部分,分为视频采集模块、初始目标检测模块、目标跟踪模块、防吊起判断模块、通信模块、界面显示模块,之后再利用工控机和摄像头在现场实现硬件部分,最后,将防吊起系统在某码头现场进行了不同工况下的成功率测试。