CN109558771B - 海上船舶的行为状态识别方法、装置、设备及存储介质 - Google Patents

Abstract

本申请公开了海上船舶的行为状态识别方法、装置、设备及存储介质，该技术方案为：获取海上待探测船舶的多源遥感数据。采用深度学习算法对待探测船舶的多源遥感数据进行特征提取，所提取的特征与待探测船舶轨迹相关。利用预先构建的海上船舶的行为状态语义模型，针对提取的特征进行分析以识别待探测船舶的行为状态。本发明能够建立海上船舶目标的语义字典，并用于对海上船舶目标的自动探测。

Description

海上船舶的行为状态识别方法、装置、设备及存储介质

技术领域

本公开一般涉及遥感技术领域，具体涉及遥感图像处理技术领域，尤其涉及海上船舶的行为状态识别方法、装置、设备及存储介质。

背景技术

遥感图像是通过各种传感器所获信息的集合，是遥感探测目标的载体。遥感图像中包含大量的关于探测目标的有用信息。特别是海上船舶目标的遥感图像，其可以真实反应船舶目标的形状、几何结构和颜色等特征信息。

对于遥感图像进行语义研究是遥感图像处理领域的热点，为了缩小语义鸿沟以及应对复杂场景的图像识别问题，当前的研究一般是通过对图像的场景进行语义建模，来达到图像场景识别的目的。

现有的有关遥感图像处理的方法有如下几种：

冯卫东等人提出了一种基于空间语义模型的方法，用于高分辨率遥感图像复杂场景中典型地物目标的自动检测。

蒋叶金等人从互操作的概念出发，介绍了具有丰富语义信息的航迹模型，该模型不但可以表示航迹的位置、状态、属性等基本信息，还包含了这些信息的原始值和进行后续推理的证据，把丰富语义模型利用到数据链网关中，简化了数据链间航迹信息的共享，方便了战场态势信息发布。

虽然以上方法也用到了语义建模技术，但是目前还未发现有应用于海上船舶目标遥感图像的语义建模。

且目前已有的语义建模技术均是针对遥感图像中的静态的地物目标进行，对于海上船舶目标遥感图像来说，其中的船舶目标具有一定的运动轨迹和运动形态，因此目前尚未有将传统的语义建模技术应用于海上船舶目标遥感图像的技术方案。

发明内容

鉴于现有技术中的上述缺陷或不足，本发明实施例提供了海上船舶的行为状态识别方法、装置、设备及存储介质，能够建立海上船舶目标的语义字典，并用于对海上船舶目标的自动探测。。

第一方面，本发明提供了一种海上船舶的行为状态识别方法，该方法包括：

获取海上待探测船舶的多源遥感数据。

采用深度学习算法对待探测船舶的多源遥感数据进行特征提取，所提取的特征与待探测船舶轨迹相关。

利用预先构建的海上船舶的行为状态语义模型，针对提取的特征进行分析以识别待探测船舶的行为状态。

在第一方面的一个或多个实施例中，海上船舶的行为状态语义模型包括：通过船舶轨迹相关的特征描述船舶行为状态的语义字典，以及对船舶轨迹相关的特征进行分类识别的分类器。

在第一方面的一个或多个实施例中，语义字典通过如下步骤构建：采集包含海上船舶的多源遥感数据；从多源遥感数据中构建船舶轨迹的训练样本；采用深度学习算法从训练样本中提取与船舶轨迹相关的特征；以及对训练样本中提取的特征进行语义建模，生成描述船舶行为状态的语义字典。

在第一方面的一个或多个实施例中，从多源遥感数据中构建船舶轨迹的训练样本，包括：从多源遥感数据中选取包含指定目标轨迹的遥感影像作为正样本，选取不包含指定目标轨迹的遥感影像作为负样本；以及针对正样本，标识指定目标轨迹的行为状态的类别作为语义属性。

在第一方面的一个或多个实施例中，对训练样本中提取的特征进行语义建模，生成描述船舶行为状态的语义字典，包括：将训练样本中提取的特征转化为局部特征描述符；将局部特征描述符通过机器学习的方法进行训练，得到对应局部特征描述符的视觉单词，视觉单词组成的视觉词包作为语义字典。

在第一方面的一个或多个实施例中，分类器通过如下步骤构建：将正样本中提取的特征与语义字典中的视觉单词进行相似度量计算；对正样本对应的相似度量和语义属性进行学习，生成分类器。

在第一方面的一个或多个实施例中，将正样本中的提取的特征采用语义字典中的视觉单词进行相似度量计算，包括：将正样本中提取的特征与语义字典中的视觉单词进行匹配，统计语义字典中的视觉单词在正样本中出现的频率，获得视觉单词直方图作为正样本对应的相似度量。

在第一方面的一个或多个实施例中，采用深度学习算法对待探测船舶的多源遥感数据进行特征提取，包括：从待探测船舶的遥感图像中提取船舶轨迹相关的局部特征；以及将局部特征转换为描述船舶轨迹特征的视觉单词。

在第一方面的一个或多个实施例中，将局部特征转换为描述船舶轨迹特征的视觉单词，包括：对局部特征进行聚类，聚类后得到的各类别的聚类中心作为描述船舶轨迹特征的视觉单词。

在第一方面的一个或多个实施例中，采用深度学习算法对带探测船舶的多源遥感数据进行特征提取之后，方法进一步包括：对提取的特征进行特征池化处理。

在第一方面的一个或多个实施例中，在获取海上带探测船舶的多源遥感数据之后，该方法进一步包括：对于多源遥感数据中的遥感影像进行预处理，包括将遥感影像灰度化、调整为固定像素尺寸、以及转换为二维矩阵。

在第一方面的一个或多个实施例中，海上待探测船舶的多源遥感数据为包含海上带探测船舶的完整轨迹的连续多张遥感影像。

在第一方面的一个或多个实施例中，利用预先构建的海上船舶的行为状态语义模型，针对提取的特征进行分析以识别待探测船舶的行为状态，还包括：对于待探测船舶的多源遥感数据的提取的特征与语义字典中的视觉单词进行相似度量计算；采用分类器对待探测船舶的多源遥感数据对应的相似度量进行语义属性的识别。

在第一方面的一个或多个实施例中，行为状态包括如下项中的一种：通过事件、返回事件、徘徊事件、驻留事件、越线事件、越界事件、相遇事件、聚集事件和分散事件。

在第一方面的一个或多个实施例中，针对提取的特征进行分析以识别待探测船舶的行为状态之后，该方法进一步包括：判断待探测船舶的行为状态，若待探测船舶的行为状态为预设的行为状态，则输出报警信号。

第二方面，本发明实施例还提供了一种海上船舶的行为状态识别装置，该装置包括：

遥感数据采集模块，用于获取海上待探测船舶的多源遥感数据；

特征提取模块，用于采用深度学习算法对待探测船舶的多源遥感数据进行特征提取；所提取的特征与待探测船舶的运动轨迹相关；以及语义识别模块，用于利用预先构建的海上船舶的行为状态语义模型，针对提取的特征进行分析以识别待探测船舶的行为状态。

在第二方面的一个或多个实施例中，海上船舶的行为状态语义模型包括：通过船舶轨迹相关的特征描述船舶行为状态的语义字典，以及对船舶轨迹相关的特征进行分类识别的分类器。

在第二方面的一个或多个实施例中，语义识别模块，还用于：对于待探测船舶的多源遥感数据的提取的特征与语义字典中的视觉单词进行相似度量计算；采用分类器对待探测船舶的多源遥感数据对应的相似度量进行语义属性的识别。

第三方面，本发明还提供了一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，处理器执行程序时实现第一方面的一个或多个实施例所提供的方法。

第四方面，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现第一方面的一个或多个实施例所提供的方法。

本发明实施例针对遥感数据通过特征提取和语义建模生成了语义字典，其中遥感数据为海上船舶目标的轨迹遥感影像，所生成的语义字典能够表征海上舰船目标的特征与其语义属性的关联，由此能够作为后续对待测试的遥感数据进行语义识别的基础。本发明实施例提供的海上船舶目标语义识别方法，通过选取待测试遥感数据、深度学习以及应用语义字典进行语义识别，实现了对海上船舶目标的自动探测。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1本发明实施例提供的海上船舶的行为状态识别方法流程示意图；

图2本发明实施例提供的海上船舶的多种行为状态指代行为示意图；

图3为本发明实施例提供的构建语义字典的方法流程示意图；

图4为本发明实施例提供构建分类器的方法流程示意图；

图5为本发明实施例提供的海上船舶的行为状态识别装置结构示意图；

图6为本发明实施例提供的用于实现海上船舶的行为状态识别方法的计算机设备的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了本发明实施例所提供的海上船舶的行为状态识别方法，如图1所示，该方法的流程包括如下步骤：

S101、获取海上待探测船舶的多源遥感数据；本发明实施例中，本步骤的流程为：首先采集获取包含目标的多源、多时相遥感数据；由于船舶目标的轨迹需要一系列的连续遥感影像才能进行表征，因此本发明实施例中在选取待测试的遥感数据时，选取的是包含同一目标完整轨迹的连续多张遥感影像作为待测试的遥感数据。

本发明实施例中为了便于对多源遥感数据的处理，需要对于多源遥感数据先进行预处理：将遥感影像灰度化后调整为固定像素大小，并将其转换为二维矩阵。从而将多远遥感数据同一为固定尺寸、固定格式，便于后续的处理。

S102、采用深度学习算法对待探测船舶的多源遥感数据进行特征提取，所提取的特征与待探测船舶轨迹相关。

本发明实施例中，采用深度学习算法所进行的工作是自主完成待测试的遥感数据的特征提取，所提取的特征为船舶轨迹相关的局部特征，然后将提取的特征转换为描述船舶轨迹特征的视觉单词。

本发明实施例中，将提取的特征转换为描述船舶轨迹特征的视觉单词可以采用如下具体的方法来实现：将提取的特征转化为局部特征描述符之后，采用无监督分类方法对局部特征描述符进行聚类，聚类后得到的各类别的聚类中心作为描述船舶轨迹特征的视觉单词。

其中无监督分类方法可以采用聚类方法。在一些实施例中，采用的无监督分类法可以采用如下具体的实现过程：即将提取的特征转换的局部特征描述符按照空间距离指标和相似性准则将局部特征描述符划分为若干个类别，同一个类别中的局部特征描述符差别最小，而不同类别中局部特征描述符差别最大。通过对训练样本的局部特征描述符进行聚类，聚类后的各类别的聚类中心作为视觉单词，由此构造的视觉单词通用性更强，可以更好的描述图像和目标。

在一些实施例中，可选地或附加的，还可以对所获得的视觉单词进行特征池化，目的是为了得到高鲁棒性的视觉单词。

特征池化是在小邻域内对待测试单词特征进行下采样得到新的特征。通过对上层池化，特征结果可以使得参数减少，且增强特征使得最后的特征表达保持了某些不变性(旋转、平移、伸缩等)，常用的有均值采样、最大采样和随机采样等，由此提高了待测试视觉单词的鲁棒性。

特征池化的基本原理是根据图像相对不变性的属性，对图像相邻区域的特征信息进行聚合统计。即图像具有相对静态性的属性，图像在某一个区域的统计特性与相邻另外一个区域的统计特性是相似的。另外图像的池化具有不变性。如果池化区域为特征映射的连续区域，那么得到的池化单元具有平移不变性，比如图像经过一个小的平移处理后，同样会得到相同的池化特征。

本发明实施例中得到的视觉单词即为所提取的与待探测船舶轨迹相关的特征，该特征具有通用性更强，可以更好的描述图像和目标、且鲁棒性高等特性，因此能够在S103中得到更好的行为状态识别的效果。

S103、利用预先构建的海上船舶的行为状态语义模型，针对提取的特征进行分析以识别待探测船舶的行为状态。

在一些实施例中，步骤S103可以采用如下具体的实现：

对于待探测船舶的多源遥感数据的提取的特征与语义字典中的视觉单词进行相似度量计算。

本发明实施例中，相似度量计算可以采用计算样本中提取的特征与语义字典中的视觉单词之间欧氏距离度量的方法。

在一些实施例中，为了获得更好的相似度量效果，可以采用如下计算进行相似度量的计算：

将待探测船舶的多源遥感数据的提取的特征与语义字典中的视觉单词进行匹配，统计语义字典中的视觉单词在待探测船舶的多源遥感数据中出现的频率，获得视觉单词直方图作为待探测船舶的多源遥感数据对应的相似度量。

采用分类器对待探测船舶的多源遥感数据对应的相似度量进行语义属性的识别，最终获得待探测船舶的多源遥感数据的行为状态。

本发明实施例中，行为状态包含海上船舶的各类行为状态，如图2示出的是一些海上船舶可能的行为状态，如图2所示，海上船舶可能的行为状态可以包括如下项：

通过事件：海上船舶正常通过；

返回事件：海上船舶返回；

徘徊事件：海上船舶在某海域徘徊；

驻留事件：海上船舶在某海域驻留；

越线事件：海上船舶越过警戒线；

越界事件：海上船舶越过警戒边界；

相遇事件：海上船舶相遇。

在一些实施例中，获得了待探测船舶的行为状态之后，还可以对行为状态进行判断，并针对一些非正常的行为进行报警。具体可以采用如下判断方式：若待探测船舶的行为状态为预设的行为状态，例如为越线事件、越界事件或者其他需要进行报警的行为状态，则输出报警信号进行报警。

在一些实施例中，所构建的海上船舶的行为状态语义模型可以包括船舶轨迹相关的特征描述船舶行为状态的语义字典，以及对船舶轨迹相关的特征进行分类识别的分类器。

在一些实施例中，可以通过如下步骤构建语义字典，流程图如图3所示：

S301、采集包含海上船舶的多源遥感数据；为了能够保证在后续S103中深度学习算法的精度，本步骤中可以采集大量的多源遥感数据，例如可以采集上百景影像，数据量越大，后续深度学习精度越高，越有利于生成高精度的语义字典。

S302、从多源遥感数据中构建船舶轨迹的训练样本。由于多源遥感数据中包含大量的遥感影像，本发明实施例中可以是舰船的遥感影像。在采集到多源遥感数据之后，从大量遥感影像选取后续深度学习算法的训练样本。

在一些实施例中，为了保证训练样本的一致性，可以在先对多源遥感数进行预处理：将遥感影像灰度化后调整为固定像素大小，并将其转换为二维矩阵。

从预处理后的多源遥感数据中选取包含目标的遥感影像作为正样本，选取不包含目标的遥感影像作为负样本；为正样本附加目标行为类别作为语义属性。本发明实施例中所针对的船舶的遥感影像，其中船舶目标行为类别即语义属性包括船舶的越线、汇聚、分散等行为。

所选取的正样本和负样本作为训练样本存入训练样本库。

S303、采用深度学习算法从训练样本中提取与船舶轨迹相关的特征.。

在一些实施例中，所提取的训练样本的特征可以为影像特征，其中影响特征可以包括影像的纹理、形状和颜色三个方面。

纹理特征是构成图案的要素形状、分布密度、方向性等；形状特征是目标要素的形状、大小或者边缘、线性构造等几何特征；颜色即图像光谱特征，目标要素的灰度或亮度，以一定数值表示。

S304、对训练样本中提取的特征进行语义建模，生成描述船舶行为状态的语义字典。

在一些实施例中，，该步骤S304可以采用如下方式实现：将训练样本中提取的特征转化为局部特征描述符。将局部特征描述符通过机器学习的方法进行训练，得到对应局部特征描述符的视觉单词，视觉单词组成的视觉词包作为语义字典。

在一些实施例中，可以通过如下步骤构建分类器，流程图如图4所示：

S401、将正样本中提取的特征与语义字典中的视觉单词进行相似度量计算。

其中相似度量计算可以采用计算样本中提取的特征与语义字典中的视觉单词之间欧氏距离度量的方法。

本发明实施例中为了获得更好的相似度量效果，针对相似度量的计算可以采用如下方法：

将正样本中提取的特征与语义字典中的视觉单词进行匹配，统计语义字典中的视觉单词在正样本中出现的频率，获得视觉单词直方图作为正样本对应的相似度量。

其中在S103中计算的待探测船舶的多源遥感数据的对应的相似度量与本步骤S401中计算的正样本对应的相似度量采用同一种计算方式进行。

S402、对正样本对应的相似度量和语义属性进行学习，生成分类器。

该步骤可以采用如下具体的实现方式：即可以将正样本对应的相似度量作为分类器的输入，将语义属性作为分类器的输出，对分类器进行训练，得到训练后的分类器即可。

本发明实施例中，所针对的目标可以为海上船舶目标。

本发明实施例提供的海上船舶的行为状态识别方法，通过选取待测试遥感数据、深度学习以及应用构建的海上船舶的行为状态语义模型进行语义识别，实现了对海上船舶目标的自动探测。同时本发明实施例针对遥感数据通过特征提取和语义建模生成了语义字典，其中遥感数据为海上船舶目标的轨迹遥感影像，所生成的语义字典能够表征海上舰船目标的特征与其语义属性的关联，由此能够作为后续对待测试的遥感数据进行语义识别的基础。

应当注意，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，流程图中描绘的步骤可以改变执行顺序。

作为另一方面，本申请还提供了用于实现上述任一实施例所提供的海上船舶目标的行为状态识别方法的装置，装置组成如图5所示，该装置包括：

遥感数据采集模块501，用于获取海上待探测船舶的多源遥感数据，并送入特征提取模块502。具体的遥感数据采集是通过各种遥感技术所进行的数据采集。一般是使用飞机或人造资源卫星上的仪器。

特征提取模块502，用于采用深度学习算法对待探测船舶的多源遥感数据进行特征提取；所提取的特征与待探测船舶的运动轨迹相关，所提取的特征送入语义识别模块503。

语义识别模块503，用于利用预先构建的海上船舶的行为状态语义模型，针对提取的特征进行分析以识别待探测船舶的行为状态。

在一些实施例中，海上船舶的行为状态语义模型可以包括：通过船舶轨迹相关的特征描述船舶行为状态的语义字典，以及对船舶轨迹相关的特征进行分类识别的分类器。

在一些实施例中，可选的或附加的，语义识别模块603还可以用于：

对于待探测船舶的多源遥感数据的提取的特征与语义字典中的视觉单词进行相似度量计算。

采用分类器对待探测船舶的多源遥感数据对应的相似度量进行语义属性的识别。

本发明实施例中还提供了用于实现上述任一实施例所提供的海上船舶的行为状态识别方法的计算机设备和计算机可读存储介质。

其中计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现以上任一实施例所提供的方法。

下面参考图6，其示出了适于用来实现本申请实施例的终端设备或服务器的计算机设备的结构示意图。

如图6所示，计算机设备包括处理器(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有计算机设备操作所需的各种程序和数据。CPU601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

特别地，根据本公开的实施例，上文参考图1描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，计算机程序包含用于执行图1的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，例如，可以描述为：一种处理器包括遥感数据采集单元、深度学习单元以及语义识别单元。其中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定，例如，语义识别单元还可以被描述为“用于语义识别的单元”。

本发明上述实施例提供的海上船舶的行为状态识别方法，还可以采用计算机可读存储介质来实现，其中本发明实施例所提供的计算机可读存储介质其上存储有计算机程序，计算机程序被处理器执行时实现任一实施例所提供的方法。该计算机可读存储介质可以是上述实施例中装置中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (15)

1.一种海上船舶的行为状态识别方法，其特征在于，该方法包括：

获取海上待探测船舶的多源遥感数据；

采用深度学习算法对所述待探测船舶的多源遥感数据进行特征提取，所提取的特征与所述待探测船舶轨迹相关；

利用预先构建的海上船舶的行为状态语义模型，针对所述提取的特征进行分析以识别所述待探测船舶的行为状态；

其中，所述海上船舶的行为状态语义模型包括：

通过船舶轨迹相关的特征描述船舶行为状态的语义字典，以及

对船舶轨迹相关的特征进行分类识别的分类器；

所述语义字典通过如下步骤构建：

采集包含海上船舶的多源遥感数据；

从所述多源遥感数据中构建船舶轨迹的训练样本；

采用深度学习算法从所述训练样本中提取与船舶轨迹相关的特征；以及

对训练样本中提取的特征进行语义建模，生成描述船舶行为状态的语义字典；

所述分类器通过如下步骤构建：

将正样本中提取的特征与所述语义字典中的视觉单词进行相似度量计算；

对所述正样本对应的相似度量和语义属性进行学习，生成分类器。

2.如权利要求1所述的方法，其特征在于，所述从所述多源遥感数据中构建船舶轨迹的训练样本，包括：

从所述多源遥感数据中选取包含指定目标轨迹的遥感影像作为正样本，选取不包含所述指定目标轨迹的遥感影像作为负样本；以及

针对所述正样本，标识指定目标轨迹的行为状态的类别作为语义属性。

3.如权利要求1所述的方法，其特征在于，所述对训练样本中提取的特征进行语义建模，生成描述船舶行为状态的语义字典，包括：

将训练样本中提取的特征转化为局部特征描述符；

将所述局部特征描述符通过机器学习的方法进行训练，得到对应局部特征描述符的视觉单词，所述视觉单词组成的视觉词包作为语义字典。

4.如权利要求1所述的方法，其特征在于，所述将正样本中的提取的特征采用所述语义字典中的视觉单词进行相似度量计算，包括：

将正样本中提取的特征与所述语义字典中的视觉单词进行匹配，统计所述语义字典中的视觉单词在所述正样本中出现的频率，获得视觉单词直方图作为所述正样本对应的相似度量。

5.根据权利要求1所述的方法，其特征在于，所述采用深度学习算法对所述待探测船舶的多源遥感数据进行特征提取，包括：

从所述待探测船舶的遥感图像中提取船舶轨迹相关的局部特征；以及

将所述局部特征转换为描述船舶轨迹特征的视觉单词。

6.根据权利要求5所述的方法，其特征在于，所述将所述局部特征转换为描述船舶轨迹特征的视觉单词，包括：

对所述局部特征进行聚类，聚类后得到的各类别的聚类中心作为描述船舶轨迹特征的视觉单词。

7.根据权利要求1～6任一所述的方法，其特征在于，所述采用深度学习算法对所述待探测船舶的多源遥感数据进行特征提取之后，所述方法进一步包括：

对所述提取的特征进行特征池化处理。

8.如权利要求1～6任一所述的方法，其特征在于，在获取海上待探测船舶的多源遥感数据之后，该方法进一步包括：

对于多源遥感数据中的遥感影像进行预处理，包括

将遥感影像灰度化、调整为固定像素尺寸、以及转换为二维矩阵。

9.如权利要求1～6任一所述的方法，其特征在于，所述海上待探测船舶的多源遥感数据为包含所述海上待探测船舶的完整轨迹的连续多张遥感影像。

10.如权利要求1～6任一所述的方法，其特征在于，利用预先构建的海上船舶的行为状态语义模型，针对所述提取的特征进行分析以识别所述待探测船舶的行为状态，还包括：

对于待探测船舶的多源遥感数据的所述提取的特征与所述语义字典中的视觉单词进行相似度量计算；

采用所述分类器对所述待探测船舶的多源遥感数据对应的相似度量进行语义属性的识别。

11.如权利要求1～6任一所述的方法，其特征在于，所述行为状态包括如下项中的一种：

通过事件、返回事件、徘徊事件、驻留事件、越线事件、越界事件、相遇事件、聚集事件和分散事件。

12.如权利要求1～6任一所述的方法，其特征在于，所述针对所述提取的特征进行分析以识别所述待探测船舶的行为状态之后，该方法进一步包括：

判断所述待探测船舶的行为状态，若所述待探测船舶的行为状态为预设的行为状态，则输出报警信号。

13.一种海上船舶的行为状态识别装置，其特征在于，该装置包括：

遥感数据采集模块，用于获取海上待探测船舶的多源遥感数据；

特征提取模块，用于采用深度学习算法对所述待探测船舶的多源遥感数据进行特征提取；所提取的特征与所述待探测船舶的运动轨迹相关；以及

语义识别模块，用于利用预先构建的海上船舶的行为状态语义模型，针对所述提取的特征进行分析以识别所述待探测船舶的行为状态；

其中，所述海上船舶的行为状态语义模型包括：

通过船舶轨迹相关的特征描述船舶行为状态的语义字典，以及

对船舶轨迹相关的特征进行分类识别的分类器；

所述语义识别模块，还用于：

对于待探测船舶的多源遥感数据的所述提取的特征与所述语义字典中的视觉单词进行相似度量计算；

采用所述分类器对所述待探测船舶的多源遥感数据对应的相似度量进行语义属性的识别。

14.一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现所述权利要求1-12任一权利要求所述的方法。

15.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现所述权利要求1-12任一权利要求所述的方法。

Images