CN106970387B

CN106970387B - 一种基于ais与雷达数据融合的内河航道交通流检测方法

Info

Publication number: CN106970387B
Application number: CN201710256382.8A
Authority: CN
Inventors: 初秀民; 李佳; 蒋仲廉; 雷进宇; 张代勇; 刘磊
Original assignee: Wuhan University of Technology WUT
Current assignee: Wuhan University of Technology WUT
Priority date: 2017-04-19
Filing date: 2017-04-19
Publication date: 2019-07-23
Anticipated expiration: 2037-04-19
Also published as: CN106970387A

Abstract

本发明提供一种基于AIS与雷达数据融合的内河航道交通流检测方法，在需要测定交通流量的断面内架设AIS基站和雷达设备，选取包含断面的矩形区域，由AIS信号和雷达信号双覆盖；在矩形区域内，利用AIS采集动态数据和静态数据；利用雷达扫描计算得到船舶的船速、航向角、位置及尺寸；通过历史船舶信息，采用深度学习法，将AIS和雷达得到的数据进行融合，进行分类识别；对通过断面的船舶进行识别，确定交通流量。本发明既可对安装有AIS设备的船舶进行识别，又可利用雷达特点对未装载AIS设备的小型船舶进行识别，实现实时的船舶交通流量统计，提高了交通流统计的准确性及效率。

Description

一种基于AIS与雷达数据融合的内河航道交通流检测方法

技术领域

本发明涉及多数据融合领域，具体涉及一种基于AIS与雷达数据融合的内河航道交通流检测方法。

背景技术

目前为止内河交通流的统计还主要依靠人力每日在不同的断面进行统计，通过人的肉眼去识别船舶，每月进行汇总，现阶段的统计方法较为原始，且数据更新较慢，不能实时的观测内河交通流。而且目前统计的交通流中仅统计了船舶数量，未对船舶的吨位分布进行分类统计，得到的交通流数据较为粗放，不能较好的反映内河船舶流量分布，对内河的实际承载能力也不能较好的统计。

目前，在内河船舶管理方面已取得了一些成果，例如已授权的专利CN102419913A，授权日为2011年8月21日，专利名称为“一种基于RFID技术的船舶过闸管理系统及其方法”，公开了一种基于RFID技术的船舶过闸管理系统及其方法。首先利用RFID保存ID号、船名号、船籍港、船舶种类、总吨位、总长、最大宽度、型深、驾驶台位置、准载吨位、船舶所有人、船舶经营人和船检登记号等信息，船舶通过船闸时，便于管理人员对船舶的信息查询和管理。这些信息都能通过AIS发出的静态数据，通过海事管理部门得到，且RFID设备还需要另外在每条船上安装，录入数据，工作量较大，且不易取得良好的效果。在AIS和雷达数据融合方面已取得一些成果，例如已授权的专利CN105116392A，授权日为2015年9月9日，专利名称为“一种针对AIS与主动雷达航迹融合及识别的方法”，公开了基于航迹关联代价与双重逻辑准则的航迹关联算法，主要对AIS与主动雷达航迹进行关联，对关联成功的AIS与主动雷达航迹，完成主动雷达航迹的自动识别，并提高了主动雷达目标跟踪精度，但不能较好的统计交通流量，存在一定的缺陷。罗素云在论文《AIS与雷达目标位置数据融合方法的研究》中使用BP神经网络对AIS和雷达的信息进行融合，提高了船舶的定位精度，但未能对于内河中未安装AIS设备的小型船舶进行相关数据的填补。翟艺书在论文《AIS与雷达数据融合的数学模型研究》中使用可拓学理论，对AIS和雷达目标航迹的数据融合，考虑到时间校准和空间上的重合问题进行仿真实验，对船舶的避碰问题有较好的效果，也未能从交通流统计，中小船舶的识别方面进行研究。

发明内容

本发明要解决的技术问题是：提供一种基于AIS与雷达数据融合的内河航道交通流检测方法，实现实时的船舶交通流量统计，提高了交通流统计的准确性及效率。

本发明为解决上述技术问题所采取的技术方案为：一种基于AIS与雷达数据融合的内河航道交通流检测方法，其特征在于：它包括以下步骤：

S1、在需要测定交通流量的断面内架设AIS基站和雷达设备，选取包含所述的断面的矩形区域，由AIS信号和雷达信号双覆盖；

S2、在所述的矩形区域内，利用AIS采集动态数据和静态数据，动态数据包括船舶的船速、航向角和位置，静态数据包括船舶的尺寸；利用雷达扫描计算得到船舶的船速、航向角、位置及尺寸；

S3、通过历史船舶信息，采用深度学习法，将AIS和雷达得到的数据进行融合，进行分类识别：只有AIS数据没有雷达数据的船舶，判定该船舶为停泊状态；既有AIS数据、也有雷达数据的船舶，判定该船舶为在该矩形区域正常航行；只有雷达数据没有AIS数据的船舶，判定该船舶为未安装AIS设备，将该船舶的信息存入雷达数据库；

S4、对通过断面的船舶进行识别，确定交通流量。

按上述方法，所述的S1中，选取的矩形区域使得所述的断面位于矩形区域的中间。

按上述方法，所述的S2中，利用雷达扫描计算得到船舶的船速、航向角、位置及尺寸，具体步骤为：

2.1、对采集到的雷达图像进行预处理，得到带有独立光斑目标的雷达图像；

2.2、目标船舶的识别：对一定数量的连续雷达图像进行分析，通过光斑像素大小和经纬度的变化来加以区分，提取真实航行的船舶作为目标船舶；

2.3、船舶参数的计算：通过同一目标船舶在一定数量的连续雷达图像中占有的像素个数和位置，来计算船舶的船速、航向角、位置及尺寸。

按上述方法，所述的S3具体为：

3.1、对AIS数据和雷达数据进行分别存储，提取AIS数据和雷达数据的共同特征，包括船长，船宽，经度，纬度，船速，航向，速度变化率和航向变化率；

3.2、将AIS特征向量和雷达特征向量进行对比，对既有AIS数据、也有雷达数据的船舶，根据S2获得的数据分别组成AIS特征向量和雷达特征向量；

3.3、采用稀疏编码的方式对两组数据进行处理，得到最终的船舶模型向量。

按上述方法，所述的S4具体为：

4.1、在所述的矩形区域内构建直角坐标系，所述的断面由一条设定了取值范围的直线方程来表达；

4.2、矩形区域满足条件包括：覆盖整个断面直线、船舶在该矩形区域内断面直线两边至少各有一个船舶航行轨迹点；

4.3、利用S3融合后的数据，提取船舶的位置并按时间保存；若相邻时间的船舶位置之间的连线与断面直线之间有交点，则将船舶的信息进行处理并汇入到统计表中。

按上述方法，本方法还包括S5、对通过断面的船舶，查询其静态数据，根据船型、船长及吨位特征进行分类统计，再采用统计图形显示各类船舶信息。

本发明的有益效果为：通过AIS设备采集的船舶AIS动态数据和静态数据再和雷达设备采集的数据，利用深度学习的方法对数据进行融合，既可对安装有AIS设备的船舶进行识别，又可利用雷达特点对未装载AIS设备的小型船舶进行识别，实现实时的船舶交通流量统计，提高了交通流统计的准确性及效率。

附图说明

图1为本发明实施例的系统设备总体部署图。

图2为AIS数据处理存储流程图。

图3为雷达图像预处理流程图。

图4为AIS数据及雷达数据融合处理图。

图5为AIS数据及雷达数据分类识别图。

图6为交通流统计图。

图中：1-AIS基站，2-雷达设备，3-监控中心，4-断面。

具体实施方式

下面结合具体实例和附图对本发明做进一步说明。

本发明提供一种基于AIS与雷达数据融合的内河航道交通流检测方法，它包括以下步骤：

S1、如图1所示，在需要测定交通流量的断面4内架设AIS基站1和雷达设备2，选取包含所述的断面4的矩形区域，由AIS信号和雷达信号双覆盖；采集的信号均交由后端的监控中心3处理。选取的矩形区域使得所述的断面4位于矩形区域的中间。本实施例以长江航道为例，搭设AIS设备时，尽量选取在临近江边，高度在15米左右，以便能较好的接收附近船舶的AIS数据，雷达设备可就近和AIS设备公用铁塔搭建，并测得雷达经度为Lx，纬度为Ly，监控中心3搭建在基站附近，方便对设备的现场调试。所述AIS设备接收AIS数据的有效半径为5Km，实时接收AIS数据，通过串口数据线存入PC并解析AIS数据；雷达采集图像数据，然后将实时采集的数据通过串口传至PC端，由于船速在14-23节时船载AIS设备发送频率为5-15秒，断面4为以雷达装置为标准成一条垂直于内河流向的直线，鉴于内河的河道宽在3km左右，故断面为3km，在电子江图中选取和AIS基站共同覆盖的矩形区域为断面4上下游各1km的3x2km的矩形区域。

S2、在所述的矩形区域内，利用AIS采集动态数据和静态数据，动态数据包括船舶的船速、航向角和位置，静态数据包括船舶的尺寸；利用雷达扫描计算得到船舶的船速、航向角、位置及尺寸。

本实施例中，通过串口对AIS采集的动静态数据传输到监控中心3，解析选取指定测量交通流的区域船舶的AIS数据并存储，解析流程如图2所示，当收到AIS数据后将ASCII码解码成对应6位的二进制码，若AIS数据中有多条报文，则进行排序衔接，然后逐条解析电文号，根据电文号转入相应的解析程序，根据该类AIS数据不同二进制码对应不同信息进行解码，然后保存。

S2中，利用雷达扫描计算得到船舶的船速、航向角、位置及尺寸，具体步骤为：

2.1、对采集到的雷达图像进行预处理，得到带有独立光斑目标的雷达图像；如图3所示，包括雷达原始图像、图像灰度化、图像二值化、联通区域提取、图形分割，得到带有独立光斑目标的雷达图像。

2.2、目标船舶的识别：分割后的光斑为不规则的形状，对于实际存在的船舶而言，其船舶的航迹和航向在雷达图像范围内是稳定的。非船舶的轨迹通过对连续多帧图像的分析，通过光斑像素大小和经纬度的变化来加以区分。对一定数量(例如12帧以上)的连续雷达图像进行分析，通过光斑像素大小和经纬度的变化来加以区分，提取真实航行的船舶作为目标船舶；从雷达图像独立的光斑目标中识别出真实的船舶，可通过船舶的形状和位移以及航向这三个特征进行建模，计算目标特征的真实性。

(1)形状，对于真实航行的船舶而言，在一定数量的连续雷达图像中船舶的航向有偏转，但是对应的光斑大小形状是一定的。通过像素距离的相似性度量算法来获取不同帧图像对应的形状特征。用两帧图像之间的像素灰度值的差别表示相关性，设定一个预定的阀值，当匹配小于阀值则认为匹配成功，大于阀值则匹配失败。模板图像A的大小为M×N，相邻帧图像区域B的对应像素距离d(A,B)为

d(A,B)为相邻帧图像对应像素距离，M表示横向像素点的个数，N表示纵向像素点的个数，设置的门限阀值T，当|A_(i,j)-B_(i,j)|＜T时，r(A_(i,j),B_(i,j))＝1，否则为0，比较两帧图像对应点的绝对灰度差值，通过统计对应像素点小于门限阀值T的像素数目，来对目标光斑进行匹配。观察12帧左右的图像来判别目标形状大小变化，真实的目标光斑形状在航道中始终保持一致。

(2)位移，交通流中船舶都是沿着航道移动。分析连续12帧图像中独立光斑位移分布。由于船舶的速度相对较慢，经过对现有的AIS船舶数据研究计算，采用间隔三帧图像差分法，可避免自身船舶图像差分带来的重影，由此来获得目标。利用公式

D_k(x,y)＝|f_k+3(x,y)-f_k(x,y)|,k＝1,2,3...

f_k(x,y)为雷达视频中一帧图像，f_k+3(x,y)为雷达视频中在f_k(x,y)之后间隔三帧的一帧图像，D_k(x,y)为f_k+3(x,y)与f_k(x,y)的差分。

d_k(x,y)为差分后的二值化图像，U二值化设定的阀值。若多帧位置不变的光斑可判定为虚假目标，进行剔除。

(3)航向，船舶的航向一定是沿着上下游移动，对于雷达图像连续帧之间的航迹完全偏离航道的轨迹目标，极有可能是噪点等虚假目标的漂移，可以直接进行剔除。

通过当前船舶在雷达图像中占有的像素个数，船舶在雷达图像中占用了多个不规则的像素点，取该船舶的第一帧图像目标的中心像素点来代表船舶的位置。质心坐标为：

记录前一帧雷达影像中的该船舶中心坐标为(X_i,Y_i)，下一帧的该质心在影像中的中心坐标为(X_i+1,Y_i+1)……，中心坐标为像素坐标，以横坐标代表经度，纵坐标代表纬度，计算中换算成大地坐标。

船舶的航速为：R_t为实际距离与像素距离的单位比例，R_x为单个像素的长度，R_y为单个像素的宽度，Δt为两帧图像的间隔时间。

船舶的位置经度为：Lx+(X_i+1-X_i)E；E为实际经度距离与像素的比例参数；

船舶的位置纬度为：Ly+(Y_i+1-Y_i)F；F为实际纬度距离与像素大小的比例参数；

船舶的航向角度为：

船舶的船长为：m为该船舶在雷达图像中长度像素个数；

船舶的船宽为：n为该船舶在雷达图像中宽度像素个数。

S3、通过历史船舶信息，采用深度学习法，将AIS和雷达得到的数据进行融合，进行分类识别，如图4所示：只有AIS数据没有雷达数据的船舶，判定该船舶为停泊状态；既有AIS数据、也有雷达数据的船舶，判定该船舶为在该矩形区域正常航行；只有雷达数据没有AIS数据的船舶，判定该船舶为未安装AIS设备，将该船舶的信息存入雷达数据库；

S3具体为：

Step1：对当前区域AIS和雷达的数据分别进行存储，从AIS和雷达数据库中提取AIS和雷达共同特征，作为判断船舶是否同时具备AIS数据和雷达数据的依据；

Step2：提取AIS数据A_i(A₁,A₂,A₃,A₄,A₅,A₆,A₇,A₈)和雷达数据R_i(R₁,R₂,R₃,R₄,R₅,R₆,R₇,R₈)特征分别代表AIS和雷达采集到的船长、船宽、经度、纬度、船速、航向、速度变化率和航向变化率，将A_i和R_i进行比较判断，判断结果如图5所示；

Step3：对于只有雷达数据的船舶，单独进行存储，作为船舶的雷达数据模型；

Step4：对于既有AIS也有雷达数据的记录，为了得到船舶模型，采用稀疏编码的方式对两组数据进行处理，使得min|S_i-A_i|和min|S_i-R_i|尽量的小，其中S_i＝a_i*A_i+b_i*R_i，a_i表示AIS的权重，b_i表示雷达的权重，a_i、b_i求解目标函数如下。由于a_i、b_i是通过多组数据多次求解得到的，还应对前式加上限制。AIS误差计算式：min|S_i-A_i|+τ*(|a_i|*|b_i|)，雷达的误差计算式：min|S_i-R_i|+τ*(|a_i|*|b_i|)；通过前面的计算式分析整理，综合8个特征参数，得到整体的目标函数：

即确定a_i、b_i使得目标函数最小，迭代过程分两步：

a)先固定A_i，然后调整b_i，使得上式，即目标函数最小；

b)然后固定R_i，调整a_i，使得上式，即目标函数最小，不断迭代，直至收敛；

Step5：用验证样本对分类模型进行验证，带入目标函数：

在实际的计算中，对于船长和船宽，由于AIS静态数据相对来说更为准确，故AIS的船长a₁，船宽a₂权重稍大一些，对于经度、纬度、船速、航向、速度变化率和航向变化率对应的参数，还需要根据目标函数计算后得出。如果验证通过则参数估计完成，否则，返回到Step4重新进行参数估计，最终达到AIS和雷达数据融合的效果。

S4、对通过断面的船舶进行识别，确定交通流量。所述的S4具体为：

4.1、在所述的矩形区域内构建直角坐标系，所述的断面由一条设定了取值范围的直线方程来表达。

4.2、矩形区域满足条件包括：覆盖整个断面直线、船舶在该矩形区域内断面直线两边至少各有一个船舶航行轨迹点；本实施例考虑到船舶航行速度一般不超过30n mile/h，即100米的距离至少会有6个点，因此在断面直线两端各取100米的距离。

可选的，本方法还包括S5、对通过断面的船舶，查询其静态数据，根据船型、船长及吨位特征进行分类统计，再采用统计图形显示各类船舶信息。统计图形包括条形图，柱状图，饼图以及热力图。

本发明利用现有的AIS和雷达设备，对内河交通流进行统计，代替人眼的观测统计，将统计人员的频繁工作解脱出来，避免主观因素的影响，统计数据更加精确；利用雷达设备采集的数据和AIS采集的数据进行融合，弥补了AIS设备不能全船覆盖的缺陷，使交通流的统计更加完善；对融合后得到的交通流实时的可视化处理，比较直观的反应了交通状况。

以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。

Claims

1.一种基于AIS与雷达数据融合的内河航道交通流检测方法，其特征在于：它包括以下步骤：

S4、对通过断面的船舶进行识别，确定交通流量；

所述的S3具体为：

3.1、对AIS数据和雷达数据分别进行存储，提取AIS数据和雷达数据的共同特征，作为判断船舶是否同时具备AIS数据和雷达数据的依据；所述的共同特征包括船长、船宽、经度、纬度、船速、航向、速度变化率和航向变化率；

3.2、将AIS数据和雷达数据的共同特征进行对比，对于只有雷达数据的船舶，单独进行存储，作为船舶的雷达数据模型；

3.3、对既有AIS数据、也有雷达数据的船舶，采用稀疏编码的方式对AIS数据和雷达数据进行处理，得到最终的船舶模型向量。

2.根据权利要求1所述的基于AIS与雷达数据融合的内河航道交通流检测方法，其特征在于：所述的S1中，选取的矩形区域使得所述的断面位于矩形区域的中间。

3.根据权利要求1所述的基于AIS与雷达数据融合的内河航道交通流检测方法，其特征在于：所述的S2中，利用雷达扫描计算得到船舶的船速、航向角、位置及尺寸，具体步骤为：

4.根据权利要求2所述的基于AIS与雷达数据融合的内河航道交通流检测方法，其特征在于：所述的S4具体为：

5.根据权利要求1至4中任意一项所述的基于AIS与雷达数据融合的内河航道交通流检测方法，其特征在于：本方法还包括S5、对通过断面的船舶，查询其静态数据，根据船型、船长及吨位特征进行分类统计，再采用统计图形显示各类船舶信息。