CN113887590B - 一种目标典型航迹及区域分析方法 - Google Patents

一种目标典型航迹及区域分析方法 Download PDF

Info

Publication number
CN113887590B
CN113887590B CN202111105411.3A CN202111105411A CN113887590B CN 113887590 B CN113887590 B CN 113887590B CN 202111105411 A CN202111105411 A CN 202111105411A CN 113887590 B CN113887590 B CN 113887590B
Authority
CN
China
Prior art keywords
track
points
point
target
typical
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
CN202111105411.3A
Other languages
English (en)
Other versions
CN113887590A (zh
Inventor
温卓漫
秦旭珩
谌振华
郭宇喆
游屈波
陈鸣
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.)
CETC 29 Research Institute
Original Assignee
CETC 29 Research Institute
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 CETC 29 Research Institute filed Critical CETC 29 Research Institute
Priority to CN202111105411.3A priority Critical patent/CN113887590B/zh
Publication of CN113887590A publication Critical patent/CN113887590A/zh
Application granted granted Critical
Publication of CN113887590B publication Critical patent/CN113887590B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种目标典型航迹及区域分析方法，包括步骤：S1，提取基于时间的轨迹集数据；S2，对轨迹集数据中的轨迹点进行滤波；S3，基于关键位置点的轨迹段划分；S4，基于轨迹段划分结果的轨迹段聚类；S5，依据轨迹段聚类结果计算典型轨迹及区域；S6，输出结果等；本发明提升了聚类结果的准确性，实现了对不同航迹局部相似运动趋势的提取；在进行典型航迹提取的同时，可以一并生成目标可能出现的区域范围和概率大小；多种输出结果便于进行多样式的态势图标绘，能够辅助指挥员更清晰地掌握目标历史运动规律，支撑其预测目标未来运动趋势。

Description

一种目标典型航迹及区域分析方法
技术领域
本发明涉及信息融合技术领域，更为具体的，涉及一种目标典型航迹及区域分析方法。
背景技术
在军事应用中，通过侦察探测等手段可获取大量目标航迹信息。目标典型航迹和区域的分析，可以反映其空间运动规律，从而辅助指挥员研判目标隐藏的作战意图和未来的运动趋势。
传统方法将目标的整条航迹作为对象，通过多条航迹的聚类获取典型航迹。然而，由于目标航迹一般较长，导致聚类效果不佳，且无法发现不同航迹中局部相似的运动规律。此外，传统方法仅仅给出了典型航迹的位置，并未进一步分析目标在该航迹周围的空间区域范围，且未给出目标出现在该位置的概率大小。
发明内容
本发明的目的在于克服现有技术的不足，针对传统典型航迹提取方法或将整条航迹作为对象进行聚类致使聚类结果不理想，且无法发现不同航迹局部相似运动趋势的问题；或仅给出典型航迹位置，未计算目标可能出现的区域范围及其出现概率的问题，提供一种目标典型航迹及区域分析方法，能够有效弥补上述缺陷，能够良好表征目标的空间运动规律。
本发明的目的是通过以下方案实现的：
一种目标典型航迹及区域分析方法，包括步骤：
S1，提取基于时间的轨迹集数据；
S2，对轨迹集数据中的轨迹点进行滤波；
S3，基于关键位置点的轨迹段划分；
S4，基于轨迹段划分结果的轨迹段聚类；
S5，依据轨迹段聚类结果计算典型轨迹及区域；
S6，输出结果。
进一步地，在步骤S1中，包括子步骤：按照设定的时间范围，提取目标的多条轨迹数据，形成目标的轨迹集数据。
进一步地，在步骤S2中，所述滤波包括中值滤波和均值滤波；当采用所述中值滤波时包括子步骤：设定位置点数量阈值thmed，将每一条航迹包含的位置点进行中值滤波，即遍历每条航迹中的位置点，对每thmed个相邻的位置点进行中间求取，以中间值的数值代替
Figure BDA0003272095990000021
处对应位置点的经纬高，从而避免因传感器误差造成的航迹点突变现象。
进一步地，在步骤S3中，在所述轨迹段划分前，包括子步骤：求取航迹集中的位于最小纬度的位置点的经纬度值，并以该点作为参考点，将航迹集中所有位置点的坐标从经纬高坐标系转换到东北天坐标系。
进一步地，在步骤S3中，包括子步骤：将每一条航迹从关键位置点分开，划分为若干个航迹段。在该方案中，关键位置点的求取可以利用MDL(Minimum Description Length)原理、转向角或累积转向角。
进一步地，在步骤S4中，利用聚类算法将所有航迹段进行聚类，形成若干个航迹段类。
进一步地，在步骤S5中，包括如下子步骤：
S51，计算航迹段类的方向向量V：记航迹段类为Lset，它由n个航迹段组成，vi＝(xi,yi)代表各航迹段的向量，其中i＝1,2,…,n；首先，计算所有航迹段向量的平均向量vmean＝(xmean,ymean)、横坐标标准差xstd和纵坐标标准差ystd；然后，设定阈值k，剔除满足以下两个条件任意一个的航迹段：
Figure BDA0003272095990000031
接着，求取所有剩余航迹段向量的平均方向向量，作为该航迹段类的方向向量V；当轨迹段类包含的航迹段数量n小于设定值时，则用vmean代表V；
S52，将原坐标系XY旋转到新坐标系X'Y'，使得X'轴与航迹段类的方向向量V一致，并求取所有轨迹段端点在新坐标系X'Y'下的坐标；将X轴旋转θ，到与方向向量V一致的X'；旋转角θ由原坐标轴X与方向向量V这两个向量的内积求出，两个坐标系坐标的转换关系为：
Figure BDA0003272095990000032
S53，将坐标系X'Y'下n个轨迹段首末两点的坐标值存入点集P，pi＝(xi',yi')，i＝1,2,…,2n，并将这些点根据横坐标值从小到大重新排列；
S54，遍历点集P中的所有点pi，得到典型航迹特征点；
S55，将所有的典型航迹特征点按横坐标从小到大依次连接起来，形成典型航迹及区域；
S56，求取所有特征点对应交点数量numP的平均值，将其取整后除以总航迹条数，用来估计目标出现在该区域的概率大小。
进一步地，在步骤S54中，包括子步骤：
S541，统计首末两点横坐标范围包括该点横坐标值xi'的轨迹段数量numP；各航迹段由端点为圆点的线段表示，从航迹段类方向向量V的法线方向对端点进行扫描，计算扫描过的直线与航迹段的交点个数numP；
S542，设定数量阈值nummin，若经过该点的法线方向直线与航迹段的交点个数numP大于等于该阈值，则认为该点的横坐标可能属于典型航迹；
S543，设定横坐标距离阈值distx，若当前点横坐标与上一个典型航迹位置点横坐标值之差的绝对值大于该阈值，则确认该点的横坐标属于典型航迹，计算该横坐标对应所有交点的平均纵坐标ymean'、最大纵坐标ymax'和最小纵坐标ymin'，并记录交点数量numP；
S544，步骤S543中满足条件的点坐标转换回原XY坐标系下，并记录该点的横坐标x、平均纵坐标ymean、最大纵坐标ymax、最小纵坐标ymin和交点数量numP，认定它为典型航迹特征点。
进一步地，在步骤S6输出结果前，包括步骤：以步骤S3中的参考点经纬度作为基准，将各典型航迹及对应区域的坐标从东北天坐标系转换回经纬高坐标系下。
进一步地，在步骤S6中，输出目标的各典型航迹及其对应的区域和目标出现概率。
本发明的有益效果包括：
本发明针对大量累积的目标航迹进行典型航迹、区域及出现概率分析，通过对航迹段而非整条航迹进行聚类，提升了聚类结果的准确性，实现了对不同航迹局部相似运动趋势的提取；同时实现了典型航迹的提取，并且可以同时生成目标可能出现的区域范围和概率大小；同时本发明提供的多样化输出结果，便于进行多样式的态势图标绘，能够辅助指挥员更清晰地掌握目标历史运动规律，支撑其预测目标未来运动趋势。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明目标典型航迹及区域分析方法的流程图；
图2为本发明典型航迹特征点坐标计算示意图；
图3为本发明计算典型航迹及区域的示意图；
图4为本发明实例中的原始航迹集；
图5为本发明实例中经过中值滤波后的航迹集；
图6为本发明实例中东北天坐标系下的航迹集；
图7为本发明实例中轨迹划分后提取的航迹特征点；
图8为本发明实例中聚类后的航迹段；
图9为本发明实例中东北天坐标系下的典型航迹及区域；
图10为本发明实例中经纬高坐标系下的典型航迹及区域。
具体实施方式
本说明书中所有实施例公开的所有特征，或隐含公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合和/或扩展、替换。
实施例1
如图1～图10所示，一种目标典型航迹及区域分析方法，包括步骤：
S1，提取基于时间的轨迹集数据；
S2，对轨迹集数据中的轨迹点进行滤波；
S3，基于关键位置点的轨迹段划分；
S4，基于轨迹段划分结果的轨迹段聚类；
S5，依据轨迹段聚类结果计算典型轨迹及区域；
S6，输出结果。
实施例2
在实施例1的基础上，需要说明的是，本领域技术人员可在步骤S1中，实施子步骤：按照设定的时间范围，提取目标的多条轨迹数据，形成目标的轨迹集数据。
实施例3
在实施例1的基础上，需要说明的是，本领域技术人员可在步骤S2中，实施子步骤：所述滤波包括中值滤波和均值滤波；当采用所述中值滤波时包括子步骤：设定位置点数量阈值thmed，将每一条航迹包含的位置点进行中值滤波，即遍历每条航迹中的位置点，对每thmed个相邻的位置点进行中间值求取，以中间值的数值代替
Figure BDA0003272095990000061
处对应位置点的经纬高，从而避免因传感器误差造成的航迹点突变现象。
实施例4
在实施例1的基础上，需要说明的是，本领域技术人员可在步骤S3中，在所述轨迹段划分前，实施子步骤：求取航迹集中的位于最小纬度的位置点的经纬度值，并以该点作为参考点，将航迹集中所有位置点的坐标从经纬高坐标系转换到东北天坐标系。
实施例5
在实施例1或4的基础上，需要说明的是，本领域技术人员可在步骤S3中实施子步骤：将每一条航迹从关键位置点分开，划分为若干个航迹段。在该方案中，关键位置点的求取可以利用MDL(Minimum Description Length)原理、转向角或累积转向角。
实施例6
在实施例1的基础上，需要说明的是，本领域技术人员可在步骤S4中，利用聚类算法将所有航迹段进行聚类，形成若干个航迹段类。例如，利用DBSCAN(Density-BasedSpatial Clustering of Applications with Noise)算法，基于航迹段之间的空间相似性进行聚类。
实施例7
在实施例1的基础上，需要说明的是，本领域技术人员可在步骤S5中实施子步骤：
S51，计算航迹段类的方向向量V：记航迹段类为Lset，它由n个航迹段组成，vi＝(xi,yi)代表各航迹段的向量，其中i＝1,2,…,n；首先，计算所有航迹段向量的平均向量vmean＝(xmean,ymean)、横坐标标准差xstd和纵坐标标准差ystd；然后，设定阈值k，如1.5，剔除满足以下两个条件任意一个的航迹段：
Figure BDA0003272095990000071
接着，求取所有剩余航迹段向量的平均方向向量，作为该航迹段类的方向向量V；当轨迹段类包含的航迹段数量n设定值时，则用vmean代表V；
S52，将原坐标系XY旋转到新坐标系X'Y'，使得X'轴与航迹段类的方向向量V一致，并求取所有轨迹段端点在新坐标系X'Y'下的坐标；。如图2所示，将X轴旋转θ，到与方向向量V一致的X'；旋转角θ由原坐标轴X与方向向量V这两个向量的内积求出，两个坐标系坐标的转换关系为：
Figure BDA0003272095990000081
S53，将坐标系X'Y'下n个轨迹段首末两点的坐标值存入点集P，pi＝(xi',yi')，i＝1,2,…,2n，并将这些点根据横坐标值从小到大重新排列；
S54，遍历点集P中的所有点pi，得到典型航迹特征点；
S55，将所有的典型航迹特征点按横坐标从小到大依次连接起来，形成典型航迹及区域。如图3(c)所示，方形实线边的点为平均纵坐标对应的位置点，方形虚线边的点为因为距离阈值被剔除的位置点，所有的方形实线边点形成典型航迹，典型航迹上下两方的虚线形成了对应的航迹区域；
S56，求取所有特征点对应交点数量numP的平均值，将其取整后除以总航迹条数，用来估计目标出现在该区域的概率大小。
实施例8
在实施例1的基础上，需要说明的是，本领域技术人员可在步骤S54中实施如下子步骤：
S541，统计首末两点横坐标范围包括该点横坐标值xi'的轨迹段数量numP；其物理意义如图3(a)所示，各航迹段由端点为圆点的线段表示，从航迹段类方向向量V的法线方向对端点进行扫描，计算扫描过的直线与航迹段的交点个数numP；
S542，设定数量阈值nummin，若经过该点的法线方向直线与航迹段的交点个数numP大于等于该阈值，则认为该点的横坐标可能属于典型航迹；如图3(b)所示，图中阈值nummin为3，交点个数大于该阈值的端点用三角形表示；
S543，设定横坐标距离阈值distx，若当前点横坐标与上一个典型航迹位置点横坐标值之差的绝对值大于该阈值，则确认该点的横坐标属于典型航迹，计算该横坐标对应所有交点的平均纵坐标ymean'、最大纵坐标ymax'和最小纵坐标ymin'，并记录交点数量numP；如图2所示，x1'处的法线方向直线与航迹段有三个交点，那么其平均纵坐标ymean'＝(y1'+y2'+y3')/3，其最大纵坐标ymax'＝y3'，其最小纵坐标ymin'＝y1'；
S544，步骤S543中满足条件的点坐标转换回原XY坐标系下，并记录该点的横坐标x、平均纵坐标ymean、最大纵坐标ymax、最小纵坐标ymin和交点数量numP，认定它为典型航迹特征点。
需要说明的是，在本发明的其他实施例中，例如在实施例5的基础上，在步骤S6输出结果前，包括步骤：以步骤S3中的参考点经纬度作为基准，将各典型航迹及对应区域的坐标从东北天坐标系转换回经纬高坐标系下。
需要说明的是，在本发明的其他实施例中，例如在实施例1的基础上，在步骤S6中，输出目标的各典型航迹及其对应的区域和目标出现概率。
在本发明的其他实施例中，可以包括如下步骤：
(1)基于时间的航迹集数据提取，按照一定时间条件，提取某目标的航迹20条，如图4所示。其中11条航迹大体从东经120°、北纬21°位置向东北方向行进，到达约东经123.5°、北纬24.5°的位置；8条航迹在东经123°～124°、北纬20.5°～21.5°这一区域范围内划圈；此外有两条零散的航迹。
(2)航迹点中值滤波，设定位置点数量阈值thmed＝5，对所有航迹进行中值滤波，以减少由于传感器测量误差造成的航迹点偏差，得到滤波后的航迹如图5所示。可见，通过中值滤波后，航迹上的位置点更加平滑连续。
(3)航迹点经纬高坐标转东北天坐标，计算所有航迹中位于最小纬度位置点的坐标值，为(121.0106°,20.2490°)。以该点作为参考，将所有航迹点的坐标从经纬高坐标系转换到东北天坐标系下，结果如图6所示。图中坐标原点处的方框，表示参考点的位置。
(4)基于关键位置点的航迹段划分，对每一条航迹进行轨迹段划分，用一些关键位置点来代表整条航迹。这里，使用MDL原则计算关键位置点，得到的结果如图7所示。可见，该方法使用了较少的点数较好地描述了各航迹运动趋势特征。
(5)航迹段聚类，使用DBSCAN方法，基于空间特征的相似性，对所有的航迹段进行聚类，聚类结果如图8所示。20条航迹形成的航迹段被聚为了6类。
(6)的典型航迹及区域计算，计算每一个航迹段类的典型航迹、区域和目标出现概率，结果如图9所示。可见，一条典型航迹从(0,105)往北偏东方向行进，到达(0.4×105,3.2×105)的位置，其目标出现概率为0.3；一条从(-0.2×105,2.7×105)往东偏北方向进行，到达(2.9×105,5.0×105)处，其目标出现概率为0.4；另外四条处于横坐标2.3×105～3.1×105、纵坐标0.5×105～1.3×105的范围内，分布在东南西北四个方向，目标出现概率在0.3左右。各个典型航迹周围稍粗些的两条折线代表了该典型航迹的区域范围。
(7)典型航迹及区域东北天坐标转经纬高坐标，根据参考点坐标，将所有典型航迹和区域的坐标从东北天坐标系转换回经纬高坐标系，结果如图10所示。对比图4和图10可以发现，本发明方法分析出的6条典型航迹及区域很好地反映了这20条航迹的运动趋势，计算出的目标出现概率也与事实较为相符。
(8)结果输出，输出6条典型航迹及其对应的区域和目标出现概率。
本发明未涉及部分均与现有技术相同或可采用现有技术加以实现。
上述技术方案只是本发明的一种实施方式，对于本领域内的技术人员而言，在本发明公开了应用方法和原理的基础上，很容易做出各种类型的改进或变形，而不仅限于本发明上述具体实施方式所描述的方法，因此前面描述的方式只是优选的，而并不具有限制性的意义。
除以上实例以外，本领域技术人员根据上述公开内容获得启示或利用相关领域的知识或技术进行改动获得其他实施例，各个实施例的特征可以互换或替换，本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (8)

1.一种目标典型航迹及区域分析方法，其特征在于，包括步骤：
S1，提取基于时间的航迹集数据；
S2，对航迹集数据中的航迹点进行滤波；
S3，基于关键位置点的航迹段划分；
S4，基于航迹段划分结果的航迹段聚类；在步骤S4中，利用聚类算法将所有航迹段进行聚类，形成若干个航迹段类；
S5，依据航迹段聚类结果计算典型航迹及区域；在步骤S5中，包括如下子步骤：
S51，计算航迹段类的方向向量V：记航迹段类为Lset，它由n个航迹段组成，vi＝(xi,yi)代表各航迹段的向量，其中i＝1,2,…,n；首先，计算所有航迹段向量的平均向量vmean＝(xmean,ymean)、横坐标标准差xstd和纵坐标标准差ystd；然后，设定阈值k，剔除满足以下两个条件任意一个的航迹段：
Figure FDA0004144485710000011
接着，求取所有剩余航迹段向量的平均方向向量，作为该航迹段类的方向向量V；当航迹段类包含的航迹段数量n小于设定值时，则用vmean代表V；
S52，将原坐标系XY旋转到新坐标系X'Y'，使得X'轴与航迹段类的方向向量V一致，并求取所有航迹段端点在新坐标系X'Y'下的坐标；将X轴旋转θ，到与方向向量V一致的X'；旋转角θ由原坐标轴X与方向向量V这两个向量的内积求出，两个坐标系坐标的转换关系为：
Figure FDA0004144485710000021
S53，将坐标系X'Y'下n个航迹段首末两点的坐标值存入点集P，pi＝(xi',yi')，i＝1,2,…,2n，并将这些点根据横坐标值从小到大重新排列；
S54，遍历点集P中的所有点pi，得到典型航迹特征点；
S55，将所有的典型航迹特征点按横坐标从小到大依次连接起来，形成典型航迹及区域；
S56，求取所有特征点对应交点数量numP的平均值，将其取整后除以总航迹条数，用来估计目标出现在该区域的概率大小；
S6，输出结果。
2.根据权利要求1所述的一种目标典型航迹及区域分析方法，其特征在于，在步骤S1中，包括子步骤：按照设定的时间范围，提取目标的多条航迹数据，形成目标的航迹集数据。
3.根据权利要求1所述的一种目标典型航迹及区域分析方法，其特征在于，在步骤S2中，所述滤波包括中值滤波和均值滤波；当采用所述中值滤波时包括子步骤：设定位置点数量阈值thmed，将每一条航迹包含的位置点进行中值滤波，即遍历每条航迹中的位置点，对每thmed个相邻的位置点进行中间求取，以中间值的数值代替
Figure FDA0004144485710000022
处对应位置点的经纬高。
4.根据权利要求1所述的一种目标典型航迹及区域分析方法，其特征在于，在步骤S3中，在所述航迹段划分前，包括子步骤：求取航迹集中的位于最小纬度的位置点的经纬度值，并以该点作为参考点，将航迹集中所有位置点的坐标从经纬高坐标系转换到东北天坐标系。
5.根据权利要求1或4任一所述的一种目标典型航迹及区域分析方法，其特征在于，在步骤S3中，包括子步骤：将每一条航迹从关键位置点分开，划分为若干个航迹段。
6.根据权利要求1所述的一种目标典型航迹及区域分析方法，其特征在于，在步骤S54中，包括子步骤：
S541，统计首末两点横坐标范围包括该点横坐标值xi'的航迹段数量numP；各航迹段由端点为圆点的线段表示，从航迹段类方向向量V的法线方向对端点进行扫描，计算扫描过的直线与航迹段的交点个数numP；
S542，设定数量阈值nummin，若经过该点的法线方向直线与航迹段的交点个数numP大于等于该阈值，则认为该点的横坐标可能属于典型航迹；
S543，设定横坐标距离阈值distx，若当前点横坐标与上一个典型航迹位置点横坐标值之差的绝对值大于该阈值，则确认该点的横坐标属于典型航迹，计算该横坐标对应所有交点的平均纵坐标ymean'、最大纵坐标ymax'和最小纵坐标ymin'，并记录交点数量numP；
S544，步骤S543中满足条件的点坐标转换回原XY坐标系下，并记录该点的横坐标x、平均纵坐标ymean、最大纵坐标ymax、最小纵坐标ymin和交点数量numP，认定它为典型航迹特征点。
7.根据权利要求5所述的一种目标典型航迹及区域分析方法，其特征在于，在步骤S6输出结果前，包括步骤：以步骤S3中的参考点经纬度作为基准，将各典型航迹及对应区域的坐标从东北天坐标系转换回经纬高坐标系下。
8.根据权利要求1所述的一种目标典型航迹及区域分析方法，其特征在于，在步骤S6中，输出目标的各典型航迹及其对应的区域和目标出现概率。
CN202111105411.3A 2021-09-22 2021-09-22 一种目标典型航迹及区域分析方法 Active CN113887590B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111105411.3A CN113887590B (zh) 2021-09-22 2021-09-22 一种目标典型航迹及区域分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111105411.3A CN113887590B (zh) 2021-09-22 2021-09-22 一种目标典型航迹及区域分析方法

Publications (2)

Publication Number Publication Date
CN113887590A CN113887590A (zh) 2022-01-04
CN113887590B true CN113887590B (zh) 2023-06-09

Family

ID=79010114

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111105411.3A Active CN113887590B (zh) 2021-09-22 2021-09-22 一种目标典型航迹及区域分析方法

Country Status (1)

Country Link
CN (1) CN113887590B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115270920B (zh) * 2022-06-21 2023-07-18 中国人民解放军91977部队 一种基于密度空间聚类的舰船目标经典轨迹生成方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109405960A (zh) * 2015-11-25 2019-03-01 南京航空航天大学 一种航空噪声识别方法
CN110309383A (zh) * 2019-06-17 2019-10-08 武汉科技大学 基于改进的dbscan算法的船舶轨迹聚类分析方法
CN110991475A (zh) * 2019-10-17 2020-04-10 中国科学院电子学研究所苏州研究院 一种基于多维距离度量的移动对象轨迹聚类方法
US10902337B1 (en) * 2020-04-24 2021-01-26 Jun Tang Method and device of trajectory outlier detection, and storage medium thereof

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593430B (zh) * 2013-11-11 2017-03-22 胡宝清 一种基于移动对象时空信息轨迹分段聚类的方法
CN104239556B (zh) * 2014-09-25 2017-07-28 西安理工大学 基于密度聚类的自适应轨迹预测方法
CN104657424A (zh) * 2015-01-21 2015-05-27 段炼 一种多时空特征融合下的兴趣点轨迹聚类方法
CN104899263B (zh) * 2015-05-22 2018-01-26 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
CN108334905A (zh) * 2018-02-08 2018-07-27 中电科技（合肥）博微信息发展有限责任公司 船舶行为轨迹识别方法
KR101951142B1 (ko) * 2018-04-13 2019-02-21 한국해양과학기술원 기계학습을 이용한 선박의 손실 항적 데이터 추정 시스템
CN109000645A (zh) * 2018-04-26 2018-12-14 西南电子技术研究所（中国电子科技集团公司第十研究所） 复杂环境目标经典航迹提取方法
CN111291149A (zh) * 2020-02-28 2020-06-16 中国人民解放军国防科技大学 基于航向偏差的船舶ais时空轨迹分段及模式提取方法
CN111582380B (zh) * 2020-05-09 2024-05-24 中国人民解放军92493部队试验训练总体研究所 一种基于时空特征的船舶轨迹密度聚类方法及装置
CN111858565B (zh) * 2020-06-10 2023-04-21 北京航空航天大学 一种基于线段聚类的多维度高精度航迹智能预测方法
CN113032502B (zh) * 2021-02-09 2024-02-02 北京工业大学 一种基于改进轨迹段dbscan聚类的船舶异常检测方法
CN113129328B (zh) * 2021-04-22 2022-05-17 中国电子科技集团公司第二十九研究所 一种目标热点区域精细化分析方法
CN113298195A (zh) * 2021-07-27 2021-08-24 中国电子科技集团公司第十五研究所 海上目标经典轨迹的生成方法、装置及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109405960A (zh) * 2015-11-25 2019-03-01 南京航空航天大学 一种航空噪声识别方法
CN110309383A (zh) * 2019-06-17 2019-10-08 武汉科技大学 基于改进的dbscan算法的船舶轨迹聚类分析方法
CN110991475A (zh) * 2019-10-17 2020-04-10 中国科学院电子学研究所苏州研究院 一种基于多维距离度量的移动对象轨迹聚类方法
US10902337B1 (en) * 2020-04-24 2021-01-26 Jun Tang Method and device of trajectory outlier detection, and storage medium thereof

Also Published As

Publication number Publication date
CN113887590A (zh) 2022-01-04

Similar Documents

Publication Publication Date Title
CN113032502B (zh) 一种基于改进轨迹段dbscan聚类的船舶异常检测方法
Chen et al. Augmented ship tracking under occlusion conditions from maritime surveillance videos
CN110991272B (zh) 一种基于视频跟踪的多目标车辆轨迹识别方法
CN109059944B (zh) 基于驾驶习惯学习的运动规划方法
CN109000645A (zh) 复杂环境目标经典航迹提取方法
CN109739926B (zh) 一种基于卷积神经网络的移动对象目的地预测方法
CN112184736B (zh) 一种基于欧式聚类的多平面提取方法
CN111582380B (zh) 一种基于时空特征的船舶轨迹密度聚类方法及装置
CN106780557A (zh) 一种基于光流法和关键点特征的运动目标跟踪方法
CN105205486A (zh) 一种车标识别方法及装置
CN110991475A (zh) 一种基于多维距离度量的移动对象轨迹聚类方法
CN113838089B (zh) 一种基于特征匹配算法的气泡轨迹跟踪方法
CN110389995B (zh) 车道信息检测方法、装置、设备和介质
CN113887590B (zh) 一种目标典型航迹及区域分析方法
JP2001148019A (ja) 移動物体間動作分類方法及び装置、画像認識装置並びに移動物体認識方法及び装置
CN111290053B (zh) 一种基于卡尔曼滤波的雷暴路径预测方法
CN115512152A (zh) 一种cnn和lstm神经网络组合的船舶轨迹分类方法及系统
CN110176022B (zh) 一种基于视频检测的隧道全景监控系统及方法
CN113420648B (zh) 一种具有旋转适应性的目标检测方法及系统
CN112633389B (zh) 一种基于mdl和速度方向的飓风运动轨迹趋势计算方法
Wang et al. Classification of ship trajectories by using naive Bayesian algorithm
CN113052265A (zh) 基于特征选择的移动对象轨迹简化算法
CN112556698A (zh) 船舶行为变化及异常识别方法、设备及介质
CN116434532A (zh) 一种基于策略意图的交叉口轨迹预测方法及装置
CN113554072B (zh) 一种飞行动作划分方法、计算机可读存储介质及终端设备

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