CN108334905A - 船舶行为轨迹识别方法 - Google Patents
船舶行为轨迹识别方法 Download PDFInfo
- Publication number
- CN108334905A CN108334905A CN201810127437.XA CN201810127437A CN108334905A CN 108334905 A CN108334905 A CN 108334905A CN 201810127437 A CN201810127437 A CN 201810127437A CN 108334905 A CN108334905 A CN 108334905A
- Authority
- CN
- China
- Prior art keywords
- ship
- track
- hausdoff
- marine site
- trajectory
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G3/00—Traffic control systems for marine craft
Abstract
本发明公开一种船舶行为轨迹识别方法,包括:根据轨迹参数获取船舶的轨迹;根据船舶行驶的当前海域的地理情况,对当前海域进行区域划分;根据划分后的海域,运用转角法对海域轨迹段进行划分,得到船舶子轨迹片段集合;对多个船舶子轨迹片段集合进行误差逆传播多层前馈网络集合聚类,获取典型船舶行为轨迹模式;计算待识别船舶的轨迹与典型船舶行为轨迹模式的Hausdoff距离;设置Hausdoff距离阈值;根据Hausdoff距离与Hausdoff阈值的比较结果来判断待识别船舶的行为轨迹模式,若Hausdoff距离小于或等于Hausdoff阈值,则判定船舶的行为轨迹模式为典型船舶行为轨迹模式。本发明能对船舶轨迹的行为模式做出正确、快速的判断,可避免海上管理资源的浪费和保障船员人身财产安全。
Description
技术领域
本发明涉及检测领域,特别涉及一种船舶行为轨迹识别方法。
背景技术
目前,船舶异常行为识别应用广泛海上智能交通监控,有效的防止了船舶搁浅、碰撞事故的发生,对保障船舶航行安全具有举重轻重的意义。
在一些海岛或其他障碍物密集的海域,为了避开障碍物,导致船舶的轨迹与常规航行发生偏差,但此类情况并不属于船舶行为异常,异常情况的误判易给海上管理部门带来不必要的资源浪费,因此,需要寻找新型轨迹处理技术来提高特殊条件下的识别技术,并推动该技术在此领域的广泛应用。
现有船舶轨迹识别的设计运用向量自回归模型—因子分析方法,对雷达采集到的船舶轨迹参数进行训练验证得到船舶的轨迹值,运用K-近邻算法对船舶的轨迹值聚类学习,得到监控海域内船舶典型航行行为模式,采用因子分析中提取的船舶轨迹参数的轨迹值,构建基于K-近邻聚类算法的船舶航行行为识别模型。
这种船舶航行行为识别模型存在以下不足:
1.区域内划分轨迹段方式不明确
由于船舶在海上作业时容易受到地域条件的影响,根据区域划分的轨迹段长短不一,没有规定对区域划分后的子轨迹段划分的标准,导致无法发现轨迹段中一些公共子模式,且容易忽略轨迹的局部特征。因此计算在船舶轨迹值过程中产生的误差较大,影响船舶行为识别效果。
2.船舶轨迹值应用效果差
由于船舶的轨迹可分若干个子轨迹段,每子轨迹段轨迹都有对应的轨迹值,将船舶的各段轨迹值进行方差分析得到轨迹值的平均值,因海上不确定因素过多,会影响各段轨迹的轨迹值的大小,从而导致船舶轨迹识别模型对船舶轨迹异常的灵敏度很低。因此该种模型的实用性差。
发明内容
本发明的目的是提供一种船舶行为轨迹识别方法,能对船舶轨迹的行为模式做出正确、快速的判断,可避免海上管理资源的浪费和保障船员人身财产安全。
为达到上述目的,本发明采用了以下技术方案:
第一方面,提供了一种船舶行为轨迹识别方法,所述方法包括:
根据轨迹参数获取船舶的轨迹,所述轨迹参数包括:速度、航向,坐标;
根据船舶行驶的当前海域的地理情况,对所述当前海域进行区域划分;
根据划分后的海域,运用转角法对海域轨迹段进行划分,得到船舶子轨迹片段集合;
对多个所述船舶子轨迹片段集合进行误差逆传播多层前馈网络集合聚类,获取典型船舶行为轨迹模式;
计算所述待识别船舶的轨迹与所述典型船舶行为轨迹模式的Hausdoff距离;
设置Hausdoff距离阈值;
根据所述Hausdoff距离与所述Hausdoff阈值的比较结果来判断所述待识别船舶的行为轨迹模式,
若所述Hausdoff距离小于或等于所述Hausdoff阈值,则判定所述船舶的行为轨迹模式为所述典型船舶行为轨迹模式,
若所述Hausdoff距离大于所述Hausdoff阈值,则判定所述船舶的行为轨迹模式不属于所述典型船舶行为轨迹模式。
可选的,所述根据轨迹参数获取船舶的轨迹,包括:
根据雷达监控海域范围内的雷达、船舶自动识别系统信息及摄像头视频检测到的多路航船数据轨迹参数,融合多源数据获得所述船舶轨迹。
可选的,所述融合多源数据获得船舶轨迹,包括:
根据自动检测算法确认是否检测到目标;
若无法检测到目标,则直接结束;
若能检测到目标,则:
获取目标距离、方位,
预处理所述多源数据,形成序列化数据流,
对所述序列化数据流归类同一目标的点及航迹,
对所述点及航迹求精处理,
跟踪滤波预测,获得所述融合多源数据的船舶轨迹。
可选的,所述根据船舶行驶的当前海域的地理情况,对所述当前海域进行区域划分,包括:
根据行驶海域的实际地理情况,将海域划分为多个子海域。
可选的,所述根据划分后的海域,运用转角法对海域轨迹段进行划分,得到船舶子轨迹片段集合,包括:
根据所述子海域的划分,将所述船舶的轨迹划分为多个海域性轨迹;
运用转角划分法将所述海域性轨迹划分为多个子轨迹段,从所述多个子轨迹段中筛选出特征点,获得基于位置信息特征点的最优点迹段;
对所述最优点迹段进行转角法划分,得到船舶子轨迹片段集合。
可选的,所述运用转角划分法将海域性轨迹划分为多个子轨迹段,包括:
其中,船舶轨迹中任意相邻三点为A,B,C,轨迹段为AB、BC及AC,轨迹AB长度为a,轨迹BC长度为b,轨迹AC长度为c,轨迹AB与轨迹BC的夹角为,转角为,转角阈值为,根据转角阈值对满足的轨迹点段进行划分。
可选的,所述从多个子轨迹段中筛选出特征点,得到基于地域信息位置特征点的最优点迹段,包括:
其中,对于给定的船舶的轨迹船舶轨迹点集合为,得到的特征点集为,则提取后的特征点组成的轨迹为;
A为假设条件,D为描述的船舶轨迹数据,L(A)为假设条件的开销,L(D/A)为在A的这种条件下船舶轨迹数据D的开销,len()为轨迹的总长度,为任意两个特征点轨迹段的拟合度排名,为与连接的轨迹数,为特征点的逃脱因子;
当L(A)与L(D/A)之和达到最小时获得一个全局最优解,最优解即为特征点提取后的最优点迹段。
可选的,对所述船舶子轨迹片段集合进行误差逆传播多层前馈网络集合聚类,包括:
其中:
隐层和输入层间轨迹点的初始权值,
样本输入
隐层的实际输出,
隐层阀值
输入层与隐层的权值
输入层的第r个子轨迹为对象,
给定的输出目标值
将代入线性方程组得到输出层的目标值,即为船舶子轨迹片段的聚类结果,根据聚类后的结果得到各类船舶典型的行为轨迹模式。
可选的,所述计算待识别的船舶轨迹与典型船舶轨迹段之间的Hausdoff距离,包括:
所述待识别船舶轨迹点的特征集为,所述典型船舶行为轨迹模式的特征点集为,则所述待识别的船舶轨迹与典型船舶行为轨迹模式之间的Hausdoff距离为:
,
其中,
。
本发明公开一种船舶行为轨迹识别方法,包括:根据轨迹参数获取船舶的轨迹;根据船舶行驶的当前海域的地理情况,对当前海域进行区域划分;根据划分后的海域,运用转角法对海域轨迹段进行划分,得到船舶子轨迹片段集合;对多个船舶子轨迹片段集合进行误差逆传播多层前馈网络集合聚类,获取典型船舶行为轨迹模式;计算待识别船舶的轨迹与典型船舶行为轨迹模式的Hausdoff距离;设置Hausdoff距离阈值;根据Hausdoff距离与Hausdoff阈值的比较结果来判断待识别船舶的行为轨迹模式,若Hausdoff距离小于或等于Hausdoff阈值,则判定待识别船舶的行为轨迹模式为典型船舶行为轨迹模式中的一类。
与现有技术相比,本发明具有以下优点:
1、根据雷达监控海域范围内的雷达、船舶自动识别系统信息及摄像头视频检测到的多路航船数据轨迹参数,融合多源数据获得所述船舶轨迹。相比于仅由船舶自动识别得到的船舶轨迹具有更高的准确度。
2、为了降低船舶数据的冗余度,对船舶轨迹进行轨迹点提取。轨迹点的提取方法根据船舶轨迹点之间的拟合度和最小长度描述准则的最优解,一方面降低了数据的冗余度,另一方面与原轨迹有最大相似度,不会对轨迹识别造成误差。
3、由于海面上有众多的障碍区域,本方法可将海域划分为障碍区域与非障碍区域,这样可排除障碍物对船舶轨迹的影响。
4、船舶在海面上航行时,不同种类船舶的航行路线会存在相同轨迹路线,本方法对船舶的海域轨迹段进行划分,降低了对轨迹中存在大量公共子模式带来的误差。
5、计算船舶轨迹段之间的距离采用Hausdoff距离,Hausdoff距离将平面曲线之间的距离计算转化为两个点集之间的距离计算,提高了识别的准确性和计算效率。
6、本方法属于船舶行为轨迹定向识别,不仅为海上管理部门掌握船舶动向提供了便利,还提高了船舶在海上航行的安全系数。
附图说明
图1所示为本发明实施例的船舶行为轨迹识别方法的流程图;
图2所示为本发明实施例的雷达数据处理流程图。
具体实施方式
本发明的目的是提供一种船舶行为轨迹识别方法,能对船舶轨迹的行为模式做出正确、快速的判断,可避免海上管理资源的浪费和保障船员人身财产安全。
图1所示为本发明实施例的船舶行为轨迹识别方法的流程图,如图1所示,所述方法包括:
步骤110,根据轨迹参数获取船舶的轨迹,所述轨迹参数包括:速度、航向,坐标;
步骤120,根据船舶行驶的当前海域的地理情况,对所述当前海域进行区域划分;
步骤130,根据划分后的海域,运用转角法对海域轨迹段进行划分,得到船舶子轨迹片段集合;
步骤140,对多个所述船舶子轨迹片段集合进行误差逆传播多层前馈网络集合聚类,获取典型船舶行为轨迹模式;
步骤150,计算所述待识别船舶的轨迹与所述典型船舶行为轨迹模式的Hausdoff距离;
步骤160,设置Hausdoff距离阈值;
步骤170,根据所述Hausdoff距离与所述Hausdoff阈值的比较结果来判断所述待识别船舶的行为轨迹模式,
若所述Hausdoff距离小于或等于所述Hausdoff阈值,则判定所述船舶的行为轨迹模式为所述典型船舶行为轨迹模式,
若所述Hausdoff距离大于所述Hausdoff阈值,则判定所述船舶的行为轨迹模式不属于所述典型船舶行为轨迹模式。
能对船舶轨迹的行为模式做出正确、快速的判断,可避免海上管理资源的浪费和保障船员人身财产安全。
可选的,所述根据轨迹参数获取船舶的轨迹,包括:
根据雷达监控海域范围内的雷达、船舶自动识别系统信息及摄像头视频检测到的多路航船数据轨迹参数,融合多源数据获得所述船舶轨迹。
可选的,所述融合多源数据获得船舶轨迹,包括:
根据自动检测算法确认是否检测到目标;
若无法检测到目标,则直接结束;
若能检测到目标,则:
获取目标距离、方位,
预处理所述多源数据,形成序列化数据流,
对所述序列化数据流归类同一目标的点及航迹,
对所述点及航迹求精处理,
跟踪滤波预测,获得所述融合多源数据的船舶轨迹。
可选的,所述根据船舶行驶的当前海域的地理情况,对所述当前海域进行区域划分,包括:
根据行驶海域的实际地理情况,将海域划分为多个子海域。
可选的,所述根据划分后的海域,运用转角法对海域轨迹段进行划分,得到船舶子轨迹片段集合,包括:
根据所述子海域的划分,将所述船舶的轨迹划分为多个海域性轨迹;
运用转角划分法将所述海域性轨迹划分为多个子轨迹段,从所述多个子轨迹段中筛选出特征点,获得基于位置信息特征点的最优点迹段;
对所述最优点迹段进行转角法划分,得到船舶子轨迹片段集合。
可选的,所述运用转角划分法将海域性轨迹划分为多个子轨迹段,包括:
其中,船舶轨迹中任意相邻三点为A,B,C,轨迹段为AB、BC及AC,轨迹AB长度为a,轨迹BC长度为b,轨迹AC长度为c,轨迹AB与轨迹BC的夹角为,转角为,转角阈值为,根据转角阈值对满足的轨迹点段进行划分。
可选的,所述从多个子轨迹段中筛选出特征点,得到基于地域信息位置特征点的最优点迹段,包括:
其中,对于给定的船舶的轨迹船舶轨迹点集合为,得到的特征点集为,则提取后的特征点组成的轨迹为;
A为假设条件,D为描述的船舶轨迹数据,L(A)为假设条件的开销,L(D/A)为在A的这种条件下船舶轨迹数据D的开销,len()为轨迹的总长度,为任意两个特征点轨迹段的拟合度排名,为与连接的轨迹数,为特征点的逃脱因子;
当L(A)与L(D/A)之和达到最小时获得一个全局最优解,最优解即为特征点提取后的最优点迹段。
可选的,对所述船舶子轨迹片段集合进行误差逆传播多层前馈网络集合聚类,包括:
其中:
隐层和输入层间轨迹点的初始权值,
样本输入
隐层的实际输出,
隐层阀值
输入层与隐层的权值
输入层的第r个子轨迹为对象,
给定的输出目标值
将代入线性方程组得到输出层的目标值,即为船舶子轨迹片段的聚类结果,根据聚类后的结果得到各类船舶典型的行为轨迹模式。
可选的,所述计算待识别的船舶轨迹与典型船舶轨迹段之间的Hausdoff距离,包括:
所述待识别船舶轨迹点的特征集为,所述典型船舶行为轨迹模式的特征点集为,则所述待识别的船舶轨迹与典型船舶行为轨迹模式之间的Hausdoff距离为:
,
其中,
。
本发明实施例能对船舶轨迹的行为模式做出正确、快速的判断,可避免海上管理资源的浪费和保障船员人身财产安全。
图2所示为本发明实施例的雷达数据处理流程图,如图2所示,包括:
步骤200,雷达启动;
步骤210,在随机噪声或杂波的干扰背景下,根据自动检测算法确定雷达是否检测到目标;
步骤220,采用自适应门限和恒虚警处理通道无缝衔接,同时设置动态的二次门限判别,对检测后的目标进行距离和方位等参数录取;
步骤230, 根据雷达点迹或航迹的残差矩阵进行加权处理来形成系统航迹,经过误差校正、时空统一等预处理,形成序列化的数据流;
步骤240, 通过点迹-航迹相关、航迹-航迹相关等处理将点、航归类,将同一目标的点、航迹分选出来;
步骤250, 使用合并算法对点、航迹进行求精处理;
步骤260 ,进行跟踪滤波预测;
步骤270, 结束;
本文中应用了具体个例对发明构思进行了详细阐述,以上实施例的说明只是用于帮助理解本发明的核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离该发明构思的前提下,所做的任何显而易见的修改、等同替换或其他改进,均应包含在本发明的保护范围之内。
Claims (9)
1.一种船舶行为轨迹识别方法,其特征在于,所述方法包括:
根据轨迹参数获取船舶的轨迹,所述轨迹参数包括:速度、航向,坐标;
根据船舶行驶的当前海域的地理情况,对所述当前海域进行区域划分;
根据划分后的海域,运用转角法对海域轨迹段进行划分,得到船舶子轨迹片段集合;
对多个所述船舶子轨迹片段集合进行误差逆传播多层前馈网络集合聚类,获取典型船舶行为轨迹模式;
计算所述待识别船舶的轨迹与所述典型船舶行为轨迹模式的Hausdoff距离;
设置Hausdoff距离阈值;
根据所述Hausdoff距离与所述Hausdoff阈值的比较结果来判断所述待识别船舶的行为轨迹模式,
若所述Hausdoff距离小于或等于所述Hausdoff阈值,则判定所述船舶的行为轨迹模式为所述典型船舶行为轨迹模式,
若所述Hausdoff距离大于所述Hausdoff阈值,则判定所述船舶的行为轨迹模式不属于所述典型船舶行为轨迹模式。
2.如权利要求1所述的方法,其特征在于,所述根据轨迹参数获取船舶的轨迹,包括:
根据雷达监控海域范围内的雷达、船舶自动识别系统信息及摄像头视频检测到的多路航船数据轨迹参数,融合多源数据获得所述船舶轨迹。
3.如权利要求2所述的方法,其特征在于,所述融合多源数据获得船舶轨迹,包括:
根据自动检测算法确认是否检测到目标;
若无法检测到目标,则直接结束;
若能检测到目标,则:
获取目标距离、方位,
预处理所述多源数据,形成序列化数据流,
对所述序列化数据流归类同一目标的点及航迹,
对所述点及航迹求精处理,
跟踪滤波预测,获得所述融合多源数据的船舶轨迹。
4.如权利要求3所述的方法,其特征在于,所述根据船舶行驶的当前海域的地理情况,对所述当前海域进行区域划分,包括:
根据行驶海域的实际地理情况,将海域划分为多个子海域。
5.如权利要求4所述的方法,其特征在于,所述根据划分后的海域,运用转角法对海域轨迹段进行划分,得到船舶子轨迹片段集合,包括:
根据所述子海域的划分,将所述船舶的轨迹划分为多个海域性轨迹;
运用转角划分法将所述海域性轨迹划分为多个子轨迹段,从所述多个子轨迹段中筛选出特征点,获得基于位置信息特征点的最优点迹段;
对所述最优点迹段进行转角法划分,得到船舶子轨迹片段集合。
6.如权利要求5所述的方法,其特征在于,所述运用转角划分法将海域性轨迹划分为多个子轨迹段,包括:
其中,船舶轨迹中任意相邻三点为A,B,C,轨迹段为AB、BC及AC,轨迹AB长度为a,轨迹BC长度为b,轨迹AC长度为c,轨迹AB与轨迹BC的夹角为,转角为,转角阈值为,根据转角阈值对满足的轨迹点段进行划分。
7.如权利要求6所述的方法,其特征在于,所述从多个子轨迹段中筛选出特征点,得到基于地域信息位置特征点的最优点迹段,包括:
其中,对于给定的船舶的轨迹船舶轨迹点集合为,得到的特征点集为,则提取后的特征点组成的轨迹为;
A为假设条件,D为描述的船舶轨迹数据,L(A)为假设条件的开销,L(D/A)为在A的这种条件下船舶轨迹数据D的开销,len()为轨迹的总长度,为任意两个特征点轨迹段的拟合度排名,为与连接的轨迹数,为特征点的逃脱因子;
当L(A)与L(D/A)之和达到最小时获得一个全局最优解,最优解即为特征点提取后的最优点迹段。
8.如权利要求1所述的方法,其特征在于,对所述船舶子轨迹片段集合进行误差逆传播多层前馈网络集合聚类,包括:
其中:
隐层和输入层间轨迹点的初始权值,
样本输入
隐层的实际输出,
隐层阀值
输入层与隐层的权值
输入层的第r个子轨迹为对象,
给定的输出目标值
将代入线性方程组得到输出层的目标值,即为船舶子轨迹片段的聚类结果,根据聚类后的结果得到各类船舶典型的行为轨迹模式。
9.如权利要求8所述的方法,其特征在于,所述计算待识别的船舶轨迹与典型船舶轨迹段之间的Hausdoff距离,包括:
所述待识别船舶轨迹点的特征集为,所述典型船舶行为轨迹模式的特征点集为,则所述待识别的船舶轨迹与典型船舶行为轨迹模式之间的Hausdoff距离为:
,
其中,
。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810127437.XA CN108334905A (zh) | 2018-02-08 | 2018-02-08 | 船舶行为轨迹识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810127437.XA CN108334905A (zh) | 2018-02-08 | 2018-02-08 | 船舶行为轨迹识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108334905A true CN108334905A (zh) | 2018-07-27 |
Family
ID=62927038
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810127437.XA Pending CN108334905A (zh) | 2018-02-08 | 2018-02-08 | 船舶行为轨迹识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108334905A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109708638A (zh) * | 2018-12-03 | 2019-05-03 | 江苏科技大学 | 一种船舶轨迹点提取方法 |
CN110108280A (zh) * | 2019-03-18 | 2019-08-09 | 大连海事大学 | 一种基于ais轨迹操纵单元拼接的船舶轨迹规划方法 |
CN110174109A (zh) * | 2019-05-27 | 2019-08-27 | 大连海事大学 | 一种基于海空协同的无人船多元联合导航方法 |
CN110210537A (zh) * | 2019-05-22 | 2019-09-06 | 中国电子科技集团公司第二十八研究所 | 一种基于无监督聚类的船舶历史航迹规律提取方法 |
CN110288855A (zh) * | 2019-06-05 | 2019-09-27 | 上海鹰觉科技有限公司 | 针对海上船只行为的分类方法及其分类系统 |
CN110361560A (zh) * | 2019-06-25 | 2019-10-22 | 中电科技(合肥)博微信息发展有限责任公司 | 一种船舶航行速度测量方法、装置、终端设备及计算机可读存储介质 |
CN110363094A (zh) * | 2019-06-20 | 2019-10-22 | 珠海云航智能技术有限公司 | 一种船只异常行为识别方法、装置及终端设备 |
CN110941671A (zh) * | 2019-11-21 | 2020-03-31 | 中国人民解放军海军航空大学 | 一种海上目标轨迹分段与描述方法、电子设备及存储介质 |
CN111581314A (zh) * | 2020-04-26 | 2020-08-25 | 亿海蓝(北京)数据技术股份公司 | 基于船舶轨迹的泊位识别方法及装置 |
CN111586556A (zh) * | 2020-03-27 | 2020-08-25 | 浙江信网真科技股份有限公司 | 一种基于群体聚类分析的渔船定位方法及装置 |
CN111693059A (zh) * | 2020-05-28 | 2020-09-22 | 北京百度网讯科技有限公司 | 环岛的导航方法、装置、设备及存储介质 |
CN111694913A (zh) * | 2020-06-05 | 2020-09-22 | 海南大学 | 一种基于卷积自编码器的船舶ais轨迹聚类方法和装置 |
CN112465856A (zh) * | 2020-11-18 | 2021-03-09 | 珠海大横琴科技发展有限公司 | 基于无人机的船只轨迹修正方法、装置及电子设备 |
CN113434617A (zh) * | 2021-06-21 | 2021-09-24 | 武汉理工大学 | 一种基于船舶轨迹的行为自动划分方法、系统及电子设备 |
CN113537386A (zh) * | 2021-08-01 | 2021-10-22 | 大连海事大学 | 一种基于改进K-Medoids聚类的船舶典型运动轨迹自适应挖掘方法 |
CN113887590A (zh) * | 2021-09-22 | 2022-01-04 | 中国电子科技集团公司第二十九研究所 | 一种目标典型航迹及区域分析方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101527000A (zh) * | 2009-04-03 | 2009-09-09 | 南京航空航天大学 | 一种基于取样的快速移动对象轨迹聚类方法 |
CN103942533A (zh) * | 2014-03-24 | 2014-07-23 | 河海大学常州校区 | 一种基于视频监控系统的城市交通违规行为检测方法 |
CN104700434A (zh) * | 2015-03-27 | 2015-06-10 | 北京交通大学 | 一种用于复杂结构化场景的人群运动轨迹异常检测方法 |
CN104899263A (zh) * | 2015-05-22 | 2015-09-09 | 华中师范大学 | 一种基于特定区域的船舶轨迹挖掘分析与监控方法 |
CN107480424A (zh) * | 2014-12-30 | 2017-12-15 | 江苏理工学院 | 基于滚动规划策略的船舶冲突预警方法 |
-
2018
- 2018-02-08 CN CN201810127437.XA patent/CN108334905A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101527000A (zh) * | 2009-04-03 | 2009-09-09 | 南京航空航天大学 | 一种基于取样的快速移动对象轨迹聚类方法 |
CN103942533A (zh) * | 2014-03-24 | 2014-07-23 | 河海大学常州校区 | 一种基于视频监控系统的城市交通违规行为检测方法 |
CN107480424A (zh) * | 2014-12-30 | 2017-12-15 | 江苏理工学院 | 基于滚动规划策略的船舶冲突预警方法 |
CN104700434A (zh) * | 2015-03-27 | 2015-06-10 | 北京交通大学 | 一种用于复杂结构化场景的人群运动轨迹异常检测方法 |
CN104899263A (zh) * | 2015-05-22 | 2015-09-09 | 华中师范大学 | 一种基于特定区域的船舶轨迹挖掘分析与监控方法 |
Non-Patent Citations (1)
Title |
---|
肖 潇等: "基于 AIS 信息的船舶轨迹聚类模型及应用", 《中国航海》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109708638A (zh) * | 2018-12-03 | 2019-05-03 | 江苏科技大学 | 一种船舶轨迹点提取方法 |
CN110108280A (zh) * | 2019-03-18 | 2019-08-09 | 大连海事大学 | 一种基于ais轨迹操纵单元拼接的船舶轨迹规划方法 |
CN110108280B (zh) * | 2019-03-18 | 2023-04-07 | 大连海事大学 | 一种基于ais轨迹操纵单元拼接的船舶轨迹规划方法 |
CN110210537A (zh) * | 2019-05-22 | 2019-09-06 | 中国电子科技集团公司第二十八研究所 | 一种基于无监督聚类的船舶历史航迹规律提取方法 |
CN110210537B (zh) * | 2019-05-22 | 2021-06-25 | 中国电子科技集团公司第二十八研究所 | 一种基于无监督聚类的船舶历史航迹规律提取方法 |
CN110174109A (zh) * | 2019-05-27 | 2019-08-27 | 大连海事大学 | 一种基于海空协同的无人船多元联合导航方法 |
CN110174109B (zh) * | 2019-05-27 | 2023-02-21 | 大连海事大学 | 一种基于海空协同的无人船多元联合导航方法 |
CN110288855A (zh) * | 2019-06-05 | 2019-09-27 | 上海鹰觉科技有限公司 | 针对海上船只行为的分类方法及其分类系统 |
CN110363094A (zh) * | 2019-06-20 | 2019-10-22 | 珠海云航智能技术有限公司 | 一种船只异常行为识别方法、装置及终端设备 |
CN110361560A (zh) * | 2019-06-25 | 2019-10-22 | 中电科技(合肥)博微信息发展有限责任公司 | 一种船舶航行速度测量方法、装置、终端设备及计算机可读存储介质 |
CN110361560B (zh) * | 2019-06-25 | 2021-10-26 | 中电科技(合肥)博微信息发展有限责任公司 | 一种船舶航行速度测量方法、装置、终端设备及计算机可读存储介质 |
CN110941671A (zh) * | 2019-11-21 | 2020-03-31 | 中国人民解放军海军航空大学 | 一种海上目标轨迹分段与描述方法、电子设备及存储介质 |
CN110941671B (zh) * | 2019-11-21 | 2022-10-25 | 中国人民解放军海军航空大学 | 一种海上目标轨迹分段与描述方法、电子设备及存储介质 |
CN111586556A (zh) * | 2020-03-27 | 2020-08-25 | 浙江信网真科技股份有限公司 | 一种基于群体聚类分析的渔船定位方法及装置 |
CN111581314A (zh) * | 2020-04-26 | 2020-08-25 | 亿海蓝(北京)数据技术股份公司 | 基于船舶轨迹的泊位识别方法及装置 |
CN111581314B (zh) * | 2020-04-26 | 2023-06-23 | 亿海蓝(北京)数据技术股份公司 | 基于船舶轨迹的泊位识别方法及装置 |
CN111693059A (zh) * | 2020-05-28 | 2020-09-22 | 北京百度网讯科技有限公司 | 环岛的导航方法、装置、设备及存储介质 |
CN111693059B (zh) * | 2020-05-28 | 2022-10-11 | 阿波罗智联(北京)科技有限公司 | 环岛的导航方法、装置、设备及存储介质 |
CN111694913A (zh) * | 2020-06-05 | 2020-09-22 | 海南大学 | 一种基于卷积自编码器的船舶ais轨迹聚类方法和装置 |
CN112465856A (zh) * | 2020-11-18 | 2021-03-09 | 珠海大横琴科技发展有限公司 | 基于无人机的船只轨迹修正方法、装置及电子设备 |
CN113434617A (zh) * | 2021-06-21 | 2021-09-24 | 武汉理工大学 | 一种基于船舶轨迹的行为自动划分方法、系统及电子设备 |
CN113537386A (zh) * | 2021-08-01 | 2021-10-22 | 大连海事大学 | 一种基于改进K-Medoids聚类的船舶典型运动轨迹自适应挖掘方法 |
CN113887590A (zh) * | 2021-09-22 | 2022-01-04 | 中国电子科技集团公司第二十九研究所 | 一种目标典型航迹及区域分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108334905A (zh) | 船舶行为轨迹识别方法 | |
CN109492581B (zh) | 一种基于tp-stg框架的人体动作识别方法 | |
CN107330920B (zh) | 一种基于深度学习的监控视频多目标追踪方法 | |
Aoyagi et al. | A study on traffic sign recognition in scene image using genetic algorithms and neural networks | |
CN104504897B (zh) | 一种基于轨迹数据的交叉口交通流特性分析及车辆运动预测方法 | |
CN110532889B (zh) | 基于旋翼无人飞行器和YOLOv3的轨道异物检测方法 | |
CN101867699B (zh) | 基于分块的非特定目标实时跟踪方法 | |
CN111986228B (zh) | 一种基于lstm模型扶梯场景下的行人跟踪方法、装置和介质 | |
CN105353368B (zh) | 一种基于策略判决的自适应变结构雷达对海目标跟踪方法 | |
CN111025295B (zh) | 一种基于岸基雷达的多船协同感知数据融合系统及方法 | |
CN113312438B (zh) | 融合航线提取与趋势判断的海上目标位置预测方法 | |
CN104462856A (zh) | 船舶冲突预警方法 | |
CN110084169B (zh) | 一种基于K-Means聚类和轮廓拓扑约束的违章建筑物识别方法 | |
CN112298194B (zh) | 一种车辆的换道控制方法及装置 | |
CN112464951B (zh) | 一种基于物联网的渔业安全应急处置系统及方法 | |
CN104537891A (zh) | 一种船舶轨迹实时预测方法 | |
CN104866841A (zh) | 一种人体目标奔跑行为检测方法 | |
CN107292277A (zh) | 一种路侧双车位停车跟踪方法 | |
CN115294804B (zh) | 一种基于船舶状态监测的海缆安全预警方法及系统 | |
Wu et al. | Target detection in clutter/interference regions based on deep feature fusion for HFSWR | |
Lu et al. | Shape-based vessel trajectory similarity computing and clustering: A brief review | |
CN109612568B (zh) | 一种振源移动干扰源识别方法 | |
Fikioris et al. | Optimizing vessel trajectory compression | |
Ma et al. | Vessel motion pattern recognition based on one-way distance and spectral clustering algorithm | |
Wang et al. | Classification of ship trajectories by using naive Bayesian algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180727 |
|
WD01 | Invention patent application deemed withdrawn after publication |