CN109409283B - 一种海面舰船跟踪和监控的方法、系统和存储介质 - Google Patents

一种海面舰船跟踪和监控的方法、系统和存储介质 Download PDF

Info

Publication number
CN109409283B
CN109409283B CN201811243626.XA CN201811243626A CN109409283B CN 109409283 B CN109409283 B CN 109409283B CN 201811243626 A CN201811243626 A CN 201811243626A CN 109409283 B CN109409283 B CN 109409283B
Authority
CN
China
Prior art keywords
ship
ships
image
track
images
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.)
Active
Application number
CN201811243626.XA
Other languages
English (en)
Other versions
CN109409283A (zh
Inventor
鲁峦峰
吴继云
杨浩
龙玉标
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Jinrun Defense Technology Co ltd
Original Assignee
Shenzhen Jinrun Defense Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Jinrun Defense Technology Co ltd filed Critical Shenzhen Jinrun Defense Technology Co ltd
Priority to CN201811243626.XA priority Critical patent/CN109409283B/zh
Publication of CN109409283A publication Critical patent/CN109409283A/zh
Application granted granted Critical
Publication of CN109409283B publication Critical patent/CN109409283B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/254—Analysis of motion involving subtraction of images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供了一种海面舰船跟踪和监控的方法，包括如下步骤：图片的采集步骤：接收利用固定翼无人机航拍采集的图片；图像数据分析子系统步骤：图像数据分析子系统是后端基于云平台部署的先进的深度学习模式识别系统，该系统接收固定翼无人机航拍采集的图片，能够从图片中检测出每一艘舰船的位置、识别该舰船的类型，并且测算其尺寸，利用前后两帧连续的高空图像，通过匹配舰船的图像，还可以进行舰船轨迹的跟踪。本发明的有益效果是：1、可以知道舰船的尺寸；2、除了运动目标，还可以检测静止的目标；3、无人机是飞行的，可以控制检测区域；4、目标的速度、高度、尺寸，对跟踪的影响不大；5、海杂波、暗桩、海浪的影响完全消失。

Description

一种海面舰船跟踪和监控的方法、系统和存储介质
技术领域
本发明涉及海洋信息化、计算机视觉、人工智能，尤其涉及一种海面舰船跟踪和监控的方法、系统和存储介质。
背景技术
海洋占据了地球的大部分表面积。人类的活动离不开海洋。近年来，随着国家对海洋权益的日益重视，海洋信息化变得越发重要。通过构建海洋信息化系统，渔业、海警、国防、远洋航行、气象、生态环境监控、环境保护、海水种植业，等等各种行业都可以得到极大的好处。
在沿海区域的监控方面，针对某片海域的船只进行监控，则是海警、海事、渔业等部门非常关心的事情。当前主流的跟踪和监控方法，是基于岸基雷达来进行的。基于雷达的监控，为执法部门对违法船只进行监控和处理，提供了非常有效的信息。但是，雷达技术依然有其自身的缺陷，还不能完美的实现客户的要求。
而基于视频的船只跟踪，则可以为客户提供与雷达信息不一样的大量的有用信息。因此近些年，视觉智能技术，与海洋信息化的交集日益增大。
基于雷达的海面监控，虽然是主流技术，但是面临几个难点，技术上一直没有克服，具体如下：
1)无法检测舰船的尺寸。由于雷达是平视的，而且雷达信号不具备尺寸测量的能力，因此无法侦测到舰船的具体参数。
2)利用雷达检测目标，主要是针对运动物体。静止的物体无法检测。这样对于港湾内的船只，就不能纳入到监控系统中。
3)岸基雷达，其实有效检测面积只要一半。陆地的一半区域是浪费的。
4)速度较低、高度较低、尺寸较小的目标的检测和跟踪，一直雷达领域比较有难度的问题。
5)海杂波、暗桩、海浪等干扰情况，容易对雷达的检测结果造成影响。
6)近处的山头、建筑物等的遮挡，导致出现监控盲区。
7)雷达距离较近的区域，监控效果不好。
8)两艘舰船，距离较近时，可能被误认为是一艘船。
舰船转向时，由于雷达回波信息的变化较大，也是跟踪的一大挑战。
发明内容
本发明提供了一种海面舰船跟踪和监控的方法，包括如下步骤：
图片的采集步骤：接收利用固定翼无人机航拍采集的图片；
图像数据分析子系统步骤：图像数据分析子系统是后端基于云平台部署的先进的深度学习模式识别系统，该系统接收固定翼无人机航拍采集的图片，能够从图片中检测出每一艘舰船的位置、识别该舰船的类型，并且测算其尺寸，利用前后两帧连续的高空图像，通过匹配舰船的图像，还可以进行舰船轨迹的跟踪；
所述图像数据分析子系统包括：
图像的匹配步骤：先将两幅图像进行匹配，然后把它们重新映射到完全一致的拍摄角度；
舰船的检测和类型识别步骤：从采集的图像中检测出每一艘舰船的位置、识别该舰船的类型；
舰船的尺寸测量步骤：通过查询镜头焦距、固定翼无人机当前的高度、固定翼无人机的角度方向，推算出舰船的长度和宽度；此外，在检测舰船时，同步确定舰船的最小外接矩形框，利用该外接矩形框的两边长度，结合相机参数，就能计算出舰船的尺寸；
舰船的轨迹跟踪步骤：对相邻帧图像中的舰船进行跟踪；
舰船的违法行为检测步骤：通过对舰船的轨迹跟踪，进行舰船违法行为的检测；
舰船的防撞预警步骤：利用固定翼无人机监控到的舰船轨迹，进行舰船的防撞预警；
海难检测步骤：通过对舰船的运动速度进行分析检测。
作为本发明的进一步改进，所述图像的匹配步骤包括：
A1：相机视角的归一化；
利用固定翼无人机上的飞行高度参数、前后、左右两个方向的倾斜角参数以及当前飞行方向的参数，得到拍照时刻相机的视角；比较前后两帧拍照视角的差异，得到两帧图像Ia和Ib之间的初步映射矩阵H0，利用H0将图像Ia进行变换，得到图像Ia1；
A2：图像匹配；
由于传感器的精度问题，初步映射的结果，跟真实情况，还存在一定的差异，故通过图像匹配技术对其进行优化；
所述图像匹配包括如下步骤：
B1：利用SIFT兴趣点检测算法，分别在两帧图像中，检测数目为N的兴趣点；
B2：对每个兴趣点位置，计算其SIFT特征；
B3：遍历两图的兴趣点，逐一配对，找到最佳的匹配对；
B4：利用所有的最佳匹配对，计算两图的映射矩阵H，利用随机采样一致性算法，对匹配对进行提纯，去掉其中的错误匹配对，然后得到最终的映射矩阵H1；
B5：利用H1对当前帧图像进行映射，完成两图的最终的匹配。
作为本发明的进一步改进，所述舰船的检测和类型识别步骤包括如下步骤：
C1：ROI区域的标记；
所述ROI区域的标记指提前由人工来标记出需要检测舰船的区域；
C2：背景差分与运动目标预检测；
为了提高检测效率，减少错误检测的概率，对匹配之后的相邻图像进行背景差分；
C3：舰船的检测和分类；
所述舰船的检测和分类包括运动舰船的检测和分类、静止舰船的检测和分类，在所述运动舰船的检测和分类、静止舰船的检测和分类中都会用到检测器；
所述运动舰船的检测和分类：针对背景差分结果图像中得到的运动舰船的大致位置，根据该位置，得到舰船的大致搜索范围，然后在大致搜索范围中，利用检测器进行舰船的检测；
所述静止舰船的检测和分类：首先将运动目标所在区域提前过滤掉，然后利用检测器，直接从当前图中检测到舰船；
所述检测器是基于YOLO算法的一种高速深度学习检测器，YOLO算法基于深度卷积神经网络演变而来，但是在检测目标时，却具有很高的速度，该检测器运行于GPU云平台上，能够在很短的时间内完成度图像的扫描很检测，YOLO算法在检测到舰船的位置，给出最小外接矩形框之后，还可以给出进行舰船种类的识别；
所述C2步骤还包括以下步聚：
D1：利用变换之后的两幅图像，进行逐像素做差对比；
D2：每个像素位置，都计算RGB三个通道的差值，并且去绝对值，将三个通道的差值求和，然后利用阈值，对差值图进行二值化，得到差分结果；
D3：在该差分结果图像中，进行连通域提取，将面积小于设定像素的连通域过滤，将余下的连通域的位置检测出来，用于后续步骤的分析。
作为本发明的进一步改进，所述舰船的轨迹跟踪步骤包括如下步骤：
E1：检测上一帧图像和当前帧图像的相同位置有无舰船存在，假如有进入
E2步骤，否则就不进行处理。
通过判断两船的外接矩形是否有交叠来说明舰船是否存在，若有交叠，就说明有舰船存在，否则舰船不存在；
E2：判断是否为同一艘舰船，假如是建立跟踪轨迹，否则建立新的跟踪轨迹；
利用舰船外接矩形的尺寸、舰船的色彩直方图、舰船的梯度方向直方图判断是否为同一舰船；
E3：遍历上一帧图像中的每一个目标，在当前帧中找对应的舰船，更新跟踪轨迹；
E4：上一帧图像中，没有找到对应舰船的情形，这说明该帧的检测有误，由后续帧继续更新轨迹，连续跟踪多帧，没有对应的舰船，则可能有异常情况发生，开始预警，并且结束该轨迹；
E5：针对当前帧新出现的舰船，判断其是否位于监控区域的边界，如果是说明新的舰船进入了监控区域，此时需要建立新的跟踪轨迹。
作为本发明的进一步改进，所述舰船的违法行为检测步骤包括以下步骤：
F1：将舰船到目前为止的轨迹上所有的坐标点提取出来，组成一个坐标点曲线；
F2：遍历曲线上的坐标点，计算每一个曲线坐标点的夹角；
F3：将度数小于设定度数的点提取出来，将它们成为拐点；
F4：统计整个轨迹上，拐点的总数目；
F5：如果拐点数目超过设定数，这说明轨迹可疑，需要预警。
作为本发明的进一步改进，所述舰船的防撞预警步骤包括以下步骤：
G1：计算出舰船的行驶速度；
G2：根据其当前估计，按照形式速度和形式方向，对未来舰船的航行轨迹、位置，进行预判；
G3：一旦检测到两船可能在某个位置、某个时刻，距离较近，则进行预警；
G4：后台系统将相关信息发送到相关人员，进行防撞预警处理。
作为本发明的进一步改进，所述海难检测步骤包括如下步骤：
F1：当前舰船的速度的获取；
通过比较前后两帧的舰船的位置得到以及计算舰船的水平移动、垂直移动，获取当前舰船的速度；
F2：异常观测状态；
如果舰船当前帧相比于前一帧的移动速度，突然变为0，或者小于设定阈值，则进入异常观测状态；
F3：预警；
连续观测当前帧多次，当舰船的速度小于阈值，则进行预警。
作为本发明的进一步改进，一种海面舰船跟踪和监控的方法还包括利用云台相机对可疑舰船的视频录制，所述视频录制涉及相应的调度算法，保证每一艘可疑舰船，都能够得到足够时长的监控；
所述调度算法包括如下步骤：
G1：对当前海域中的所有舰船，按照舰船轨迹的可疑程度进行排序；
维护一个可疑度列表，调度云台相机时，在各个可疑目标之间进行循环，保证每个目标都能具有一定时长的视频记录，从而起到时候监控、分析、取证的目的；
G2：舰船轨迹的可疑度排序；
利用G1步骤得到舰船轨迹的拐点数目，对舰船的可疑度进行排序，拐点越多，越密集的，可疑度最高。
本发明还公开了一种海面舰船跟踪和监控的系统，包括：存储器、处理器以及存储在所述存储器上的计算机程序，所述计算机程序配置为由所述处理器调用时实现权利要求中所述的方法的步骤。
本发明还公开了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序配置为由处理器调用时实现权利要求中所述的方法的步骤。
本发明的有益效果是：1、可以知道舰船的尺寸；无人机的相机的镜头焦距是知道的，因此很容易利用图像中舰船的像素尺寸，计算出其真实的长度、宽度；2、除了运动目标，还可以检测静止的目标；直接从图像中检测出目标的位置，跟目标是否运动，关系不大；3、无人机是飞行的，可以控制检测区域，不存在视野上的浪费；需要调整监控区域的时候，只需要对无人机发出指令，就可以改变其飞行轨迹、飞行高度等，还可以调整相机的镜头焦距，这样监控区域是可以灵活控制的；4、目标的速度、高度、尺寸，对跟踪的影响不大；不存在低慢下目标南检测的问题，小尺寸目标，也可以通过改变相机镜头焦距，放大视野，提高其图像尺寸；5、海杂波、暗桩、海浪的影响完全消失；利用图像智能分析技术，可以排除掉海杂波、暗桩、海浪等对舰船检测的干扰；6、山头、建筑物等的遮挡情况不存在；因为是高空俯视，山头和建筑物不会出现在海面上方；7、两船距离较近时，也不会被误认为是一艘船；同样，因为是高空俯视，舰船之间不会发生互相遮挡；8、通过对舰船行驶轨迹的分析，可以检测到违法的舰船；9、可以进行防撞预警，可以检测是否发生海难；10、通过对云台相机的调度，可以保证每一艘舰船，都有充分的监控视频时长；11、舰船的运动、转向等，对跟踪不造成任何影响；因为是直接从图像中检测出舰船的位置，在训练过程中，已经加入了各种角度的舰船的样本，因此该技术是对舰船转向等干扰鲁棒的，跟踪之时，也是基于图像内容进行匹配比较，稳定性较高。
附图说明
图1是本发明的方法流程示意图。
具体实施方式
如图1所示，本发明公开了一种海面舰船跟踪和监控的方法，包括如下步骤：
图片的采集步骤：接收利用固定翼无人机航拍采集的图片；
图像数据分析子系统步骤：图像数据分析子系统是后端基于云平台部署的先进的深度学习模式识别系统，该系统接收固定翼无人机航拍采集的图片，能够从图片中检测出每一艘舰船的位置、识别该舰船的类型，并且测算其尺寸，利用前后两帧连续的高空图像，通过匹配舰船的图像，还可以进行舰船轨迹的跟踪；
后端云平台中的图像数据分析子系统：固定翼无人机没有大计算力的运算单元，因此其所拍摄的高空高清晰图片，都被传送到了后方云计算平台。无人机上有高速的4G或者5G通信系统，可以保证传输速率满足系统的要求。
云计算平台是基于GPU阵列构造出来的，计算力远超过普通的计算服务器。在该云平台上，部署了先进的深度学习模式识别系统。
所述图像数据分析子系统包括：
图像的匹配步骤：先将两幅图像进行匹配，然后把它们重新映射到完全一致的拍摄角度；
舰船的检测和类型识别步骤：从采集的图像中检测出每一艘舰船的位置、识别该舰船的类型；
舰船的尺寸测量步骤：在无人机拍摄的图像中，检测舰船的长度和宽度，是比较便捷的。这是因为拍摄图像时，相机镜头对应的焦距参数是提前知道的。通过查询镜头焦距、固定翼无人机当前的高度、固定翼无人机的角度方向，推算出舰船的长度和宽度；此外，在检测舰船时，同步确定舰船的最小外接矩形框(外接矩形框的长度方向，与舰船同方向)，利用该外接矩形框的两边长度，结合相机参数，就能计算出舰船的尺寸；
舰船的轨迹跟踪步骤：对相邻帧图像中的舰船进行跟踪；
舰船的违法行为检测步骤：通过对舰船的轨迹跟踪，进行舰船违法行为的检测；
舰船的防撞预警步骤：利用固定翼无人机监控到的舰船轨迹，进行舰船的防撞预警；
海难检测步骤：通过对舰船的运动速度进行分析检测。
在工作的过程中，固定翼无人机在海域上空巡航，每一个时刻，其所拍摄的图像，视角都是不一样的。直接利用相邻的两帧图像，是不能进行目标跟踪的，需要先将两幅图像进行匹配，将它们重新映射到完全一致的拍摄角度。
所述图像的匹配步骤包括：
A1：相机视角的归一化；
无人机上安装了能够探知自身海拔的传感器，拍照时刻的高度是知道的。其GPS位置也是实时知道的。此外，无人机上的陀螺仪，还可以感知到无人机在前后、左右两个方向的倾斜角。最后，再结合指南针，就知道无人机的当前飞行方向。
利用固定翼无人机上的飞行高度参数、前后、左右两个方向的倾斜角参数以及当前飞行方向的参数，得到拍照时刻相机的视角；比较前后两帧拍照视角的差异，得到两帧图像Ia和Ib之间的初步映射矩阵H0，利用H0将图像Ia进行变换，得到图像Ia1；
A2：图像匹配；
经过初步的映射之后，相邻两帧图像之间的差别已经不大了。但是，由于传感器的精度问题，初步映射的结果，跟真实情况，还存在一定的差异，故通过图像匹配技术对其进行优化；
所述图像匹配包括如下步骤：
B1：利用SIFT兴趣点检测算法，分别在两帧图像中，检测数目为N的兴趣点；(N默认为100)SIFT兴趣点检测是图像匹配的常用技巧，不细述。
B2：对每个兴趣点位置，计算其SIFT特征；
B3：遍历两图的兴趣点，逐一配对，找到最佳的匹配对；
B4：利用所有的最佳匹配对，计算两图的映射矩阵H，利用随机采样一致性算法(RANSAC算法)，对匹配对进行提纯，去掉其中的错误匹配对，然后得到最终的映射矩阵H1；
B5：利用H1对当前帧图像进行映射，完成两图的最终的匹配。
所述舰船的检测和类型识别步骤包括如下步骤：
C1：ROI区域的标记；
所述ROI区域的标记指提前由人工来标记出需要检测舰船的区域；
在无人机拍摄的高空图像中，除了海面区域之外，还有大量的海岸、海岛等区域。这些区域，是不可能存在舰船的，因此没必要进行检测，为了提高效率，本发明所用的办法，是提前由人工来标记出需要检测舰船的区域，把它们称之为ROI(感兴趣区域)。
C2：背景差分与运动目标预检测；
在被监控的海域中，真正运动的目标，只有少数的舰船，大部分的背景区域是不会运动的。为了提高检测效率，减少错误检测的概率，对匹配之后的相邻图像进行背景差分；
所述C2步骤还包括以下步聚：
D1：利用变换之后的两幅图像，进行逐像素做差对比；
D2：每个像素位置，都计算RGB三个通道的差值，并且去绝对值，将三个通道的差值求和，然后利用阈值，对差值图进行二值化，得到差分结果；
D3：在该差分结果图像中，进行连通域提取，将面积小于设定像素的连通域过滤，将余下的连通域的位置检测出来，用于后续步骤的分析。
C3：舰船的检测和分类；
所述舰船的检测和分类包括运动舰船的检测和分类、静止舰船的检测和分类，在所述运动舰船的检测和分类、静止舰船的检测和分类中都会用到检测器；
所述运动舰船的检测和分类：针对背景差分结果图像中得到的运动舰船的大致位置，根据该位置，得到舰船的大致搜索范围，然后在大致搜索范围中，利用检测器进行舰船的检测；
所述静止舰船的检测和分类：首先将运动目标所在区域提前过滤掉，然后利用检测器，直接从当前图中检测到舰船；
背景差分的方法，可以得到行进过程中的舰船。但是，对于静止的舰船，或者行驶速度缓慢的舰船，以及颜色与背景比较接近的舰船，是无法在背景差分图中看到的。此时，需要利用检测器，直接从当前图中检测到舰船。同样采用YOLO算法进行检测。但是，需要将运动目标所在区域提前过滤掉，该区域不用重复检测。
所述检测器是基于YOLO算法的一种高速深度学习检测器，YOLO算法基于深度卷积神经网络(Deep-CNN)演变而来，但是在检测目标时，却具有很高的速度，该检测器运行于GPU云平台上，能够在很短的时间内完成度图像的扫描很检测，YOLO算法在检测到舰船的位置，给出最小外接矩形框之后，还可以给出进行舰船种类的识别；可以实现对不低于20种舰船种类的区分。
所述舰船的轨迹跟踪步骤包括如下步骤：
E1：检测上一帧图像和当前帧图像的相同位置有无舰船存在，假如有进入E2步骤，否则不进行处理。
此处判断上一帧图像，和当前图像的同一位置，是否都有舰船存在的具体方法是：通过判断两船的外接矩形是否有交叠来说明舰船是否存在，若有交叠，就说明有舰船存在，否则舰船不存在；
E2：判断是否为同一艘舰船，假如是建立跟踪轨迹，利用两船的矩形中心点，更新到轨迹曲线中，如果不是同一舰船，则后一帧图像中的舰船目标，需要建立新的跟踪轨迹；
判断两帧图像中，外接矩形交叠的两艘船，是否为同一舰艇？利用舰船外接矩形的尺寸、舰船的色彩直方图、舰船的梯度方向直方图判断是否为同一舰船；
E3：遍历上一帧图像中的每一个目标，在当前帧中找对应的舰船，更新跟踪轨迹；同样也是利用尺寸、色彩直方图、梯度方向直方图确定其是否为同一艘船。一旦确定为同一艘船，则更新跟踪轨迹。
E4：上一帧图像中，没有找到对应舰船的情形，这说明该帧的检测有误，由后续帧继续更新轨迹，连续跟踪多帧(连续10帧)，没有对应的舰船，则可能有异常情况发生，开始预警，并且结束该轨迹；
E5：针对当前帧新出现的舰船，判断其是否位于监控区域的边界，舰船不会突然出现在监控区域的中心，如果是说明新的舰船进入了监控区域，此时需要建立新的跟踪轨迹。
违法行为检测：舰船的违法行为，是指在相关海域进行非法捕鱼、走私，或者其他可疑行为。在进行这些行为时，舰船的行驶轨迹，与正常情形下的平滑的直线或者曲线轨迹完全不一样。比如在捕鱼时，其轨迹错综复杂，来回交错。而正常行驶的货船、客船等舰艇，为了节省行驶时间、节约燃油，往往选择都是最短的路径，此时其行驶轨迹一般都是平滑的直线或者曲线，不可能出现交错、反复的现象。因此，通过分析舰船的轨迹，可以提高对可疑船只的辨识程度。
所述舰船的违法行为检测步骤包括以下步骤：
轨迹的可疑度检测方法如下(计算轨迹曲线的平滑度)：
F1：将舰船到目前为止的轨迹上所有的坐标点提取出来，组成一个坐标点曲线；
F2：遍历曲线上的坐标点，计算每一个曲线坐标点的夹角；夹角的计算方法为——在轮廓序列上，相隔100个坐标点，前后各取两个点。这两个点，与当前坐标点，组成一个夹角，计算它们的度数。
F3：将度数小于设定度数(90度)的点提取出来，将它们成为拐点；
F4：统计整个轨迹上，拐点的总数目；
F5：如果拐点数目超过设定数(5个)，这说明轨迹可疑，需要预警。
防撞预警：两船在海上行驶时，很可能因为各种原因，不能预见到其航道上的潜在的相撞威胁。利用无人机监控到的舰船轨迹，则可以提供一定的预警。
所述舰船的防撞预警步骤包括以下步骤：
G1：计算出舰船的行驶速度；
G2：根据其当前估计，按照形式速度和形式方向，对未来舰船的航行轨迹、位置，进行预判；
G3：一旦检测到两船可能在某个位置、某个时刻，距离较近，则进行预警；
G4：后台系统将相关信息发送到相关人员，进行防撞预警处理。
海难检测：发生海难等异常情况的船只，会从运动状态突然进入停止状态。在无人机的图像中，检测到突然停止下来的舰船，但是其停止的位置，却不是码头、港湾等正常位置，则需要针对该情形进行预警。同时调用无人机的云台相机，在此位置拍摄高清图像，并且将该位置处的图像传递到后台，供用户进行及时的救援指挥。
舰船突然停止事件的检测，只需要通过对舰船的运动速度进行分析即可知道。
所述海难检测步骤包括如下步骤：
F1：当前舰船的速度的获取；
通过比较前后两帧的舰船的位置得到以及计算舰船的水平移动、垂直移动，获取当前舰船的速度；
F2：异常观测状态；
如果舰船当前帧相比于前一帧的移动速度，突然变为0，或者小于设定阈值(水平和垂直移动的距离同时小于10个像素)，则进入异常观测状态；
F3：预警；
连续观测当前帧多次(连续5次以上)，当舰船的速度小于阈值，则进行预警，说明此时舰船已经停止下来了。
舰船的视频录制：无人机监控的海域面积很广阔，这样就导致每一艘舰船的图像分辨率不会很高。为了能够得到舰船的高清晰图片，以看清局部细节特征，则需要利用无人机的云台相机。但是，云台相机只有一台，在同一时刻，只能对一艘舰船进行高清晰的拍摄。
一种海面舰船跟踪和监控的方法还包括利用云台相机对可疑舰船的视频录制，为了兼顾各舰船，做到资源的公平分配，需要涉及相应的调度算法，所述视频录制涉及相应的调度算法，保证每一艘可疑舰船，都能够得到足够时长的监控；
所述调度算法包括如下步骤：
G1：对当前海域中的所有舰船，按照舰船轨迹的可疑程度进行排序；
维护一个可疑度列表，调度云台相机时，在各个可疑目标之间进行循环，保证每个目标都能具有一定时长的视频记录，从而起到时候监控、分析、取证的目的；
每次循环拍摄时，针对某个目标，都保持时长为3分钟的视频子段，然后才转换到下一个可疑目标。
G2：舰船轨迹的可疑度排序；
利用G1步骤得到舰船轨迹的拐点数目，对舰船的可疑度进行排序，拐点越多，越密集的，可疑度最高。
没有可疑目标的情形：海域中的舰船轨迹都是正常的。此时可以采用随机选择的方式。每次随机选择一个目标进行3分钟的拍摄，然后再转到下一个目标。
一种海面舰船跟踪和监控的系统，包括：存储器、处理器以及存储在所述存储器上的计算机程序，所述计算机程序配置为由所述处理器调用时实现权利要求中所述的方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序配置为由处理器调用时实现权利要求中所述的方法的步骤。
本发明提出的一种利用高空固定翼无人机对相关海域进行监控的方法，利用这个系统，只需要一台固定翼无人机，就可以将20km视野范围内的海域尽收眼底，该海域中的所有船只，包括运动的和静止的，都可以进行检测和跟踪。由于是高空监控，该策略可以提供雷达所不具备的优势，可以不受到海杂波干扰，可以检测静止船只，可以测量舰船的尺寸。这些都是该方法的独到之处。
1、说明：海域监控的内容和需求
常见的海域监控系统，应该具有如下的功能：
1)监控海域中的所有的船只，从进入海域开始，到离开海域，每个时刻的行踪，都需要记录下来；
2)识别出舰船的种类，比如是小渔船、货轮、军舰，还是客轮等等；
3)测量舰船的尺寸，长度和宽度都需要；
4)根据舰船的行驶轨迹，判断其行为是否合法；
5)对于渔业方面的应用，在休渔期，一旦检测到渔船，就需要进行预警。并且实时跟踪其位置，为执法人员提供信息；
6)能够检测到需要海上救援的船只，及时预警；
7)预测舰船的航向，提前预警，防止出现相撞事故；
8)每一艘舰船，提供充足的视频数据，用于是否分析。
2、固定翼无人机说明
这类无人机可以具有较高的飞行高度，最大可以达到上万米。因此，利用这类无人机，监控20km*20km范围的海域，在视野上是完全可行的。
在无人机自带的感知器件中，配置分辨率高达10亿像素以上的超高清相机和相应的镜头。这样即使是全视野监控，也依然可以将小渔船等微小目标看得一清二楚。此外，除了全局监控的相机以外，还会配置一个带云台的相机，该活动相机，可以用于监控某些重点目标，此时只需要做局部观察，分辨率可以得到进一步提升。
考虑到图像的分辨率较高，实时传输的压力较大，因此可以适度降低拍照的频率。在每一帧图像完成传输之后，才进行第二帧图像的拍摄。由于无人机的飞行较高，因此舰船在相邻两帧之间的运动距离值并不大。并且，由于海面上通常舰船的距离较大，比较稀疏，即便图片的时间间距大，也不会影响跟踪。再考虑到舰船的长度，在相邻两帧之前，同一艘舰船在两帧的对应位置上很可能依然有交叠。因此，即便降低图像的采样频率，对于后期的目标跟踪，不会造成任何干扰。
固定翼无人机没有大计算力的运算单元，因此其所拍摄的高空高清晰图片，都被传送到了后方云计算平台。无人机上有高速的4G或者5G通信系统，可以保证传输速率满足系统的要求。
本发明的有益效果是：1、可以知道舰船的尺寸；无人机的相机的镜头焦距是知道的，因此很容易利用图像中舰船的像素尺寸，计算出其真实的长度、宽度；2、除了运动目标，还可以检测静止的目标；直接从图像中检测出目标的位置，跟目标是否运动，关系不大；3、无人机是飞行的，可以控制检测区域，不存在视野上的浪费；需要调整监控区域的时候，只需要对无人机发出指令，就可以改变其飞行轨迹、飞行高度等，还可以调整相机的镜头焦距，这样监控区域是可以灵活控制的；4、目标的速度、高度、尺寸，对跟踪的影响不大；不存在低慢下目标南检测的问题，小尺寸目标，也可以通过改变相机镜头焦距，放大视野，提高其图像尺寸；5、海杂波、暗桩、海浪的影响完全消失；利用图像智能分析技术，可以排除掉海杂波、暗桩、海浪等对舰船检测的干扰；6、山头、建筑物等的遮挡情况不存在；因为是高空俯视，山头和建筑物不会出现在海面上方；7、两船距离较近时，也不会被误认为是一艘船；同样，因为是高空俯视，舰船之间不会发生互相遮挡；8、通过对舰船行驶轨迹的分析，可以检测到违法的舰船；9、可以进行防撞预警，可以检测是否发生海难；10、通过对云台相机的调度，可以保证每一艘舰船，都有充分的监控视频时长；11、舰船的运动、转向等，对跟踪不造成任何影响；因为是直接从图像中检测出舰船的位置，在训练过程中，已经加入了各种角度的舰船的样本，因此该技术是对舰船转向等干扰鲁棒的，跟踪之时，也是基于图像内容进行匹配比较，稳定性较高。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (8)

1.一种海面舰船跟踪和监控的方法，其特征在于，包括如下步骤：
图片的采集步骤：接收利用固定翼无人机航拍采集的图片；
图像数据分析子系统步骤：图像数据分析子系统是后端基于云平台部署的先进的深度学习模式识别系统，该系统接收固定翼无人机航拍采集的图片，能够从图片中检测出每一艘舰船的位置、识别该舰船的类型，并且测算其尺寸，利用前后两帧连续的高空图像，通过匹配舰船的图像，还可以进行舰船轨迹的跟踪；
所述图像数据分析子系统包括：
图像的匹配步骤：先将两幅图像进行匹配，然后把它们重新映射到完全一致的拍摄角度；
舰船的检测和类型识别步骤：从采集的图像中检测出每一艘舰船的位置、识别该舰船的类型；
舰船的尺寸测量步骤：通过查询镜头焦距、固定翼无人机当前的高度、固定翼无人机的角度方向，推算出舰船的长度和宽度；此外，在检测舰船时，同步确定舰船的最小外接矩形框，利用该外接矩形框的两边长度，结合相机参数，就能计算出舰船的尺寸；
舰船的轨迹跟踪步骤：对相邻帧图像中的舰船进行跟踪；
舰船的违法行为检测步骤：通过对舰船的轨迹跟踪，进行舰船违法行为的检测；
舰船的防撞预警步骤：利用固定翼无人机监控到的舰船轨迹，进行舰船的防撞预警；
海难检测步骤：通过对舰船的运动速度进行分析检测；
所述图像的匹配步骤包括：
A1：相机视角的归一化；
利用固定翼无人机上的飞行高度参数、前后、左右两个方向的倾斜角参数以及当前飞行方向的参数，得到拍照时刻相机的视角；比较前后两帧拍照视角的差异，得到两帧图像Ia和Ib之间的初步映射矩阵H0，利用H0将图像Ia进行变换，得到图像Ia1；
A2：图像匹配；
由于传感器的精度问题，初步映射的结果，跟真实情况，还存在一定的差异，故通过图像匹配技术对其进行优化；
所述图像匹配包括如下步骤：
B1：利用SIFT兴趣点检测算法，分别在两帧图像中，检测数目为N的兴趣点；
B2：对每个兴趣点位置，计算其SIFT特征；
B3：遍历两图的兴趣点，逐一配对，找到最佳的匹配对；
B4：利用所有的最佳匹配对，计算两图的映射矩阵H，利用随机采样一致性算法，对匹配对进行提纯，去掉其中的错误匹配对，然后得到最终的映射矩阵H1；
B5：利用H1对当前帧图像进行映射，完成两图的最终的匹配；
该方法还包括利用云台相机对可疑舰船的视频录制，所述视频录制涉及相应的调度算法，保证每一艘可疑舰船，都能够得到足够时长的监控；
所述调度算法包括如下步骤：
G1：对当前海域中的所有舰船，按照舰船轨迹的可疑程度进行排序；
维护一个可疑度列表，调度云台相机时，在各个可疑目标之间进行循环，保证每个目标都能具有一定时长的视频记录，从而起到时候监控、分析、取证的目的；
G2：舰船轨迹的可疑度排序；
利用G1步骤得到舰船轨迹的拐点数目，对舰船的可疑度进行排序，拐点越多，越密集的，可疑度最高。
2.根据权利要求1所述的方法，其特征在于，所述舰船的检测和类型识别步骤包括如下步骤：
C1：ROI区域的标记；
所述ROI区域的标记指提前由人工来标记出需要检测舰船的区域；
C2：背景差分与运动目标预检测；
为了提高检测效率，减少错误检测的概率，对匹配之后的相邻图像进行背景差分；
C3：舰船的检测和分类；
所述舰船的检测和分类包括运动舰船的检测和分类、静止舰船的检测和分类，在所述运动舰船的检测和分类、静止舰船的检测和分类中都会用到检测器；
所述运动舰船的检测和分类：针对背景差分结果图像中得到的运动舰船的大致位置，根据该位置，得到舰船的大致搜索范围，然后在大致搜索范围中，利用检测器进行舰船的检测；
所述静止舰船的检测和分类：首先将运动目标所在区域提前过滤掉，然后利用检测器，直接从当前图中检测到舰船；
所述检测器是基于YOLO算法的一种高速深度学习检测器，YOLO算法基于深度卷积神经网络演变而来，但是在检测目标时，却具有很高的速度，该检测器运行于GPU云平台上，能够在很短的时间内完成度图像的扫描很检测，YOLO算法在检测到舰船的位置，给出最小外接矩形框之后，还可以给出进行舰船种类的识别；
所述C2步骤还包括以下步聚：
D1：利用变换之后的两幅图像，进行逐像素做差对比；
D2：每个像素位置，都计算RGB三个通道的差值，并且去绝对值，将三个通道的差值求和，然后利用阈值，对差值图进行二值化，得到差分结果；
D3：在该差分结果图像中，进行连通域提取，将面积小于设定像素的连通域过滤，将余下的连通域的位置检测出来，用于后续步骤的分析。
3.根据权利要求1所述的方法，其特征在于，所述舰船的轨迹跟踪步骤包括如下步骤：
E1：检测上一帧图像和当前帧图像的相同位置有无舰船存在，假如有进入E2步骤，否则就不进行处理；
通过判断两船的外接矩形是否有交叠来说明舰船是否存在，若有交叠，就说明有舰船存在，否则舰船不存在；
E2：判断是否为同一艘舰船，假如是建立跟踪轨迹，否则建立新的跟踪轨迹；
利用舰船外接矩形的尺寸、舰船的色彩直方图、舰船的梯度方向直方图判断是否为同一舰船；
E3：遍历上一帧图像中的每一个目标，在当前帧中找对应的舰船，更新跟踪轨迹；
E4：上一帧图像中，没有找到对应舰船的情形，这说明该帧的检测有误，由后续帧继续更新轨迹，连续跟踪多帧，没有对应的舰船，则可能有异常情况发生，开始预警，并且结束该轨迹；
E5：针对当前帧新出现的舰船，判断其是否位于监控区域的边界，如果是说明新的舰船进入了监控区域，此时需要建立新的跟踪轨迹。
4.根据权利要求1所述的方法，其特征在于，所述舰船的违法行为检测步骤包括以下步骤：
F1：将舰船到目前为止的轨迹上所有的坐标点提取出来，组成一个坐标点曲线；
F2：遍历曲线上的坐标点，计算每一个曲线坐标点的夹角；
F3：将度数小于设定度数的点提取出来，将它们成为拐点；
F4：统计整个轨迹上，拐点的总数目；
F5：如果拐点数目超过设定数，这说明轨迹可疑，需要预警。
5.根据权利要求1所述的方法，其特征在于，所述舰船的防撞预警步骤包括以下步骤：
G1：计算出舰船的行驶速度；
G2：根据其当前估计，按照形式速度和形式方向，对未来舰船的航行轨迹、位置，进行预判；
G3：一旦检测到两船可能在某个位置、某个时刻，距离较近，则进行预警；
G4：后台系统将相关信息发送到相关人员，进行防撞预警处理。
6.根据权利要求1所述的方法，其特征在于，所述海难检测步骤包括如下步骤：
F1：当前舰船的速度的获取；
通过比较前后两帧的舰船的位置得到以及计算舰船的水平移动、垂直移动，获取当前舰船的速度；
F2：异常观测状态；
如果舰船当前帧相比于前一帧的移动速度，突然变为0，或者小于设定阈值，则进入异常观测状态；
F3：预警；
连续观测当前帧多次，当舰船的速度小于阈值，则进行预警。
7.一种海面舰船跟踪和监控的系统，其特征在于，包括：存储器、处理器以及存储在所述存储器上的计算机程序，所述计算机程序配置为由所述处理器调用时实现权利要求1-6中任一项所述的方法的步骤。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序配置为由处理器调用时实现权利要求1-6中任一项所述的方法的步骤。
CN201811243626.XA 2018-10-24 2018-10-24 一种海面舰船跟踪和监控的方法、系统和存储介质 Active CN109409283B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811243626.XA CN109409283B (zh) 2018-10-24 2018-10-24 一种海面舰船跟踪和监控的方法、系统和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811243626.XA CN109409283B (zh) 2018-10-24 2018-10-24 一种海面舰船跟踪和监控的方法、系统和存储介质

Publications (2)

Publication Number Publication Date
CN109409283A CN109409283A (zh) 2019-03-01
CN109409283B true CN109409283B (zh) 2022-04-05

Family

ID=65469109

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811243626.XA Active CN109409283B (zh) 2018-10-24 2018-10-24 一种海面舰船跟踪和监控的方法、系统和存储介质

Country Status (1)

Country Link
CN (1) CN109409283B (zh)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110060281B (zh) * 2019-03-25 2023-02-28 同济大学 一种船舶及水上漂浮物轨迹追踪系统
CN110282143B (zh) * 2019-06-14 2022-09-27 中国能源建设集团广东省电力设计研究院有限公司 一种海上风电场无人机巡检方法
CN110852141B (zh) * 2019-06-25 2022-09-27 西安空间无线电技术研究所 一种基于被动干涉微波图像的海面目标探测方法及系统
CN110427030B (zh) * 2019-08-08 2020-06-12 上海大学 一种基于Tiny-YOLOship目标检测算法的无人艇自主对接回收方法
CN111695397A (zh) * 2019-12-20 2020-09-22 珠海大横琴科技发展有限公司 一种基于yolo的船只识别方法及电子设备
CN111178267A (zh) * 2019-12-30 2020-05-19 成都数之联科技有限公司 一种用于监测非法捕鱼的视频行为识别方法
CN111123269B (zh) * 2019-12-30 2022-02-18 成都纳雷科技有限公司 用于无人机避障雷达的地面杂波抑制方法、模块及装置
CN111223122A (zh) * 2020-01-20 2020-06-02 四川九洲电器集团有限责任公司 一种基于云端的低慢小目标快速检测与跟踪装置
CN111368690B (zh) * 2020-02-28 2021-03-02 珠海大横琴科技发展有限公司 基于深度学习的海浪影响下视频图像船只检测方法及系统
CN111553223B (zh) * 2020-04-21 2023-07-07 中国人民解放军海军七〇一工厂 舰船目标识别方法、装置、设备及可读存储介质
CN112037255A (zh) * 2020-08-12 2020-12-04 深圳市道通智能航空技术有限公司 目标跟踪方法和装置
CN113592799A (zh) * 2021-07-22 2021-11-02 象山电力实业有限公司 一种电力海缆的防护方法与系统
CN113592912A (zh) * 2021-08-05 2021-11-02 南京航空航天大学 一种高集成度远距离舰载无人机回航运动轨迹实时检测跟踪方法及装置
CN113763484A (zh) * 2021-09-17 2021-12-07 交通运输部水运科学研究所 基于视频图像分析技术的船舶目标定位及速度估算方法
CN114529864B (zh) * 2021-12-30 2022-10-28 东莞先知大数据有限公司 一种岸边走私行为检测方法、装置及存储介质
CN115953746B (zh) * 2023-03-13 2023-06-02 中国铁塔股份有限公司 一种船只监测方法及装置
CN117037549B (zh) * 2023-10-10 2024-01-09 青岛杰瑞自动化有限公司 基于北斗定位系统的舰船碰撞预警方法及系统、电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101676518A (zh) * 2008-09-17 2010-03-24 上海市电力公司 水平导向钻随钻探测预警系统
CN101777129A (zh) * 2009-11-25 2010-07-14 中国科学院自动化研究所 一种基于特征检测的图像匹配方法
CN102968625A (zh) * 2012-12-14 2013-03-13 南京思创信息技术有限公司 基于轨迹的船舶识别与跟踪方法
CN107909601A (zh) * 2017-12-14 2018-04-13 江苏省新通智能交通科技发展有限公司 一种适用于航标的船舶防撞预警视频检测系统及检测方法
CN108108697A (zh) * 2017-12-25 2018-06-01 中国电子科技集团公司第五十四研究所 一种实时无人机视频目标检测与跟踪方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2975576A1 (en) * 2014-07-15 2016-01-20 Thomson Licensing Method of determination of stable zones within an image stream, and portable device for implementing the method
CN106871900A (zh) * 2017-01-23 2017-06-20 中国人民解放军海军工程大学 船舶磁场动态检测中图像匹配定位方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101676518A (zh) * 2008-09-17 2010-03-24 上海市电力公司 水平导向钻随钻探测预警系统
CN101777129A (zh) * 2009-11-25 2010-07-14 中国科学院自动化研究所 一种基于特征检测的图像匹配方法
CN102968625A (zh) * 2012-12-14 2013-03-13 南京思创信息技术有限公司 基于轨迹的船舶识别与跟踪方法
CN107909601A (zh) * 2017-12-14 2018-04-13 江苏省新通智能交通科技发展有限公司 一种适用于航标的船舶防撞预警视频检测系统及检测方法
CN108108697A (zh) * 2017-12-25 2018-06-01 中国电子科技集团公司第五十四研究所 一种实时无人机视频目标检测与跟踪方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
小型无人直升机视觉跟踪与识别系统实现;邱思雨;《中国优秀硕士学位论文全文数据库工程科技II辑》;20170315(第3期);第C031-1452页 *

Also Published As

Publication number Publication date
CN109409283A (zh) 2019-03-01

Similar Documents

Publication Publication Date Title
CN109409283B (zh) 一种海面舰船跟踪和监控的方法、系统和存储介质
US11900668B2 (en) System and method for identifying an object in water
Lee et al. Image-based ship detection and classification for unmanned surface vehicle using real-time object detection neural networks
KR102623124B1 (ko) 접안 모니터링 장치 및 방법
US9031285B2 (en) Detection of floating objects in maritime video using a mobile camera
CN108734103A (zh) 卫星视频中运动目标的检测与跟踪方法
CN111163290B (zh) 一种夜间航行船舶检测并跟踪的方法
KR102265980B1 (ko) 선박 및 항만 모니터링 장치 및 방법
Bloisi et al. Camera based target recognition for maritime awareness
Nalamati et al. Automated monitoring in maritime video surveillance system
Cruz et al. Learning temporal features for detection on maritime airborne video sequences using convolutional LSTM
Kartal et al. Ship detection from optical satellite images with deep learning
Maltese et al. New generation of naval IRST: Example of EOMS NG
Shi et al. Obstacle type recognition in visual images via dilated convolutional neural network for unmanned surface vehicles
CN109886132A (zh) 一种云海背景飞机目标检测方法、装置及系统
Petković et al. Target detection for visual collision avoidance system
CN111241948B (zh) 全天候识别船舶的方法和系统
Collins et al. Using vessel-based drones to aid commercial fishing operations
Yoneyama et al. Vision-based maritime object detection covering far and tiny obstacles
Tienin et al. Comparative ship classification in heterogeneous dataset with pre-trained models
US20240104746A1 (en) Vessel tracking and monitoring system and operating method thereof
Man et al. The information fusion based on AIS and video data
Zhang et al. A computer vision based sea search method using Kalman filter and CAMSHIFT
EP4383215A1 (en) Method and system for determining a region of water clearance of a water surface
Kusumah Knowledge Growing System Implementation on Design of Unmanned Aerial Vehicle in Maritime Security Monitoring

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
GR01 Patent grant
GR01 Patent grant
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A method, system, and storage medium for tracking and monitoring sea vessels

Effective date of registration: 20230906

Granted publication date: 20220405

Pledgee: Shanghai Pudong Development Bank Co.,Ltd. Shenzhen Branch

Pledgor: SHENZHEN JINRUN DEFENSE TECHNOLOGY Co.,Ltd.

Registration number: Y2023980055371