CN113990108B - 一种船舶优化识别和实时跟踪方法及防撞预警系统 - Google Patents
一种船舶优化识别和实时跟踪方法及防撞预警系统 Download PDFInfo
- Publication number
- CN113990108B CN113990108B CN202111233341.XA CN202111233341A CN113990108B CN 113990108 B CN113990108 B CN 113990108B CN 202111233341 A CN202111233341 A CN 202111233341A CN 113990108 B CN113990108 B CN 113990108B
- Authority
- CN
- China
- Prior art keywords
- ship
- time
- real
- equation
- shore
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G3/00—Traffic control systems for marine craft
- G08G3/02—Anti-collision systems
-
- 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
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Ocean & Marine Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种船舶优化识别和实时跟踪方法及防撞预警系统,岸基监控系统、船舶监控系统和水位监控系统均在监控中心融合数据,优化识别系统和船舶实时跟踪系统对监控中心处的融合数据进行分析处理,得到船舶的高度和预测航迹;岸基监控系统包括沿岸线布设的岸基雷达和云台相机,船舶监控系统包括船舶雷达和船舶AIS系统,水位监控系统包括设置在桥墩上的水位传感器;云台相机采集船舶的视频图像,并通过优化识别系统对目标船舶精确识别;岸基雷达和船舶AIS系统监测船舶位置和船舶速度,并通过船舶实时跟踪系统进行坐标变换和速度变换,得到相关变换值后预测船舶下一时刻的船舶位置和船舶速度。多数据来源保证监测数据的准确稳定,确保航行安全。
Description
技术领域
本发明涉及梁安全预警技术领域,尤其涉及一种船舶优化识别和实时跟踪方法及防撞预警系统。
背景技术
随着现代科技的快速发展,水上航运安全监管也逐步向信息化、网络化、智能化方向迈进。航运业的发展,使得船舶种类和数量增加,航道交通密度也不断增加,而横跨航道的桥梁与船舶间的事故也时有发生,严重威胁着船舶的航行安全和桥梁的运营安全。
船舶撞桥事故时可能由于船舶偏离航道导致与桥墩结构发生碰撞,也可能由于船舶超高导致与桥梁桥跨结构发生碰撞,目前,常用船舶AIS系统在船舶密集的地方跟踪船舶信息,但船舶AIS系统不能反映船舶的形状和大小,设置桥梁的防撞预警系统需要能够时刻跟踪船舶的航行动向以及测算船舶的高度,当监控中心接收不到船舶AIS系统的报文则无法对船舶的位置坐标进行实时跟踪。
鉴于上述问题的存在,本设计人基于从事此类产品工程应用多年丰富的实务经验及专业知识,积极加以研究创新,以期创设一种船舶优化识别和实时跟踪方法及防撞预警系统,使其更具有实用性。
发明内容
本发明的目的就是针对现有技术中存在的缺陷提供一种船舶优化识别和实时跟踪方法及防撞预警系统。
为了达到上述目的,本发明所采用的技术方案是:一种防撞预警系统,包括:岸基监控系统、船舶监控系统、水位监控系统、优化识别系统和船舶实时跟踪系统,所述岸基监控系统、所述船舶监控系统和所述水位监控系统均在监控中心融合数据,所述优化识别系统和所述船舶实时跟踪系统对所述监控中心处的融合数据进行分析处理,得到船舶的高度和预测航迹,再分别判断是否会与桥梁和桥墩发生碰撞;
所述岸基监控系统包括沿岸线布设的岸基雷达和云台相机,所述船舶监控系统包括船舶雷达和船舶AIS系统,所述水位监控系统包括设置在桥墩上的水位传感器;
所述云台相机用于跟踪采集船舶的视频图像,并通过所述优化识别系统对视频图像中的船舶精确识别;所述岸基雷达和所述船舶AIS系统监测的数据包括船舶位置和船舶速度,并通过所述船舶实时跟踪系统进行坐标变换和速度变换,得到相关变换值后预测船舶下一时刻的船舶位置和船舶速度;所述船舶实时跟踪系统对船舶位置和速度的预测值进行控制门限检验,选择适应跟踪的所述云台相机。
进一步的,所述岸基雷达和所述云台相机均岸线布设多个,所述云台相机根据所述船舶实时跟踪系统所预测的船舶下一时刻动态,判断船舶是否超出当前所述云台相机的监控范围,当预测动态超出监控范围时,选择切换所述云台相机。
进一步的,所述水位传感器能够得到水面距桥梁的净空高度,通过对所述优化识别系统得到的船舶图像二值化处理后计算得到船舶高度,根据水面距桥梁的净空高度设置船舶预警高度值,将船舶高度与船舶预警高度值对比并判断是否报警;
其中,通过如下公式计算船舶高度Hs:
Hs=LPy/Px;
L为船舶长度,可通过所述船舶AIS系统发送的报文获得;Px为船舶二值图像中水平方向最大像素数;Py为垂直方向最大像素数。
一种船舶优化识别方法,应用于上述防撞预警系统中的优化识别系统,包括如下步骤:
通过云台相机采集对应航道在一天不同时间段内无船舶时的第一彩色图像数据;
通过云台相机采集航道的实时彩色图像数据,通过岸基雷达确定彩色图像数据中船舶的位置坐标;
将实时彩色图像数据与第一彩色图像数据对比,并去除实时彩色图像数据中与第一彩色图像数据中重合的像素点,得到船舶图片数据;
将船舶图片数据与船舶位置坐标融合得到航道中任一船舶的航行轨迹。
进一步的,通过所述优化识别系统计算船舶高度包括如下步骤:
将远离桥梁的云台相机所获取的实时彩色图像数据输入至所述优化识别系统;
根据所述优化识别系统得到的每一船舶的位置坐标并分别标记;
根据沿岸布设的岸基雷达跟踪目标船舶的位置坐标,并确定目标船舶航行过程中无遮挡处的位置坐标;
选择对应位置坐标处的云台相机所采集的实时彩色图像数据,并输入至所述优化识别系统得到独立目标船舶图片;
将独立目标船舶图片二值化处理,再分别识别出目标船舶长度方向的最大像素数Px,和垂直方向的最大像素数Py,再由预设公式计算目标船舶高度Hs。
一种船舶实时跟踪方法,应用于上述防撞预警系统中的船舶实时跟踪系统,所述船舶实时跟踪系统包括状态方程、观测方程和预测误差协方差阵方程,状态方程包括连续监测的时间t被时间间隔T分隔成若干时间离散点的针对离散时间域的系统状态方程;
初始化状态方程、观测方程和预测误差协方差阵方程,更新状态值,并计算当前时刻的状态预测方程;
当收到船舶AIS系统报文,则根据预测误差协方差阵方程计算协方差阵并计算对应的滤波增益矩阵,然后计算状态估计;若未收到AIS系统报文,对之前误差协方差阵进行加权平均,获得的预测误差协方差阵,并计算对应的滤波增益矩阵;
更新当前的误差协方差阵,从该更新的误差协方差阵中获得目标船舶下一时刻的航行坐标和船速值。
进一步的,所述船舶实时跟踪系统在时间t内的系统连续状态方程:
在离散点的系统连续状态方程(k=1,2,3…):
依据离散点的观测方程:
Z(k)=HX(k)+V(k),
其中,A和H为常数矩阵,M(t)在t时间内的系统噪声矩阵αx,αy为状态方程的噪声,影响船舶的运动状态;连续时间域到离散时间域的变换矩阵为和坐标和速度矩阵Vx和Vy为目标船舶在平面坐标中X,Y轴方向的速度分量;X(k)为离散点k的系统状态方程。
进一步的,更新状态值即将目标船舶从时间离散点k至k+1时段;
所述时段的状态预测方程:
预测误差协方差阵方程:
其中,为连续时间域到离散时间域的变换矩阵,P(k|k)为预测误差的协方差阵,为续时间域到离散时间域的变换矩阵转置,G(k+1|k)为连续时间域到离散时间域的变换矩阵,为连续时间域到离散时间域的变换矩阵转置,系统噪声Q(k)=E[NkNk],E为求解数学期望。
进一步的,滤波增益矩阵根据如下滤波增益矩阵方程计算:
K(k+1|k)=P(k+1|k)HT[HP(k+1|k)HT+R(k+1)]-1,
其中,R(k+1)为观测噪声协方差阵,R(k+1)=E[V(k+1)V(k+1)];
通过状态预测方程,滤波增益矩阵方程和观测方程进行计算状态估计方程:
进一步的,当未收到AIS系统报文,通过如下公式之前误差协方差阵进行加权平均得到预测误差协方差阵方程:
P(k+1|k)=τP(k|k)+(1-τ)P(k-1|k-1),
根据预测误差协方差阵方程和滤波增益矩阵,更新至离散点k+1时刻的误差协方差阵:
P(k+1|k+1)=[I-Kk+1H]P(k+1|k)。
本发明的有益效果为:本发明通过沿岸设置的多个岸基雷达和云台相机,形成航道内的网状监测系统,通过岸基雷达采集航道船舶的位置坐标,通过云台相机采集航道的彩色图像数据,同时接收船舶AIS报文信息,通过多数据来源保证监测数据的准确性;
根据船舶AIS系统接收数据和主动监测数据得到的位置速度信息作为船舶实时跟踪系统运算的初始值,根据本申请所述跟踪方法将初始值转换为变换值,并以此预测下一时刻航行位置和速度,该方法减少了算法处理的复杂度,迅速定位船舶,提高了监控的实时性,同时避免船舶AIS信息缺失导致监控盲点,为目标船舶航行安全提供准确信息。
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中记载的一些实施例,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为本发明实施例中防撞预警系统的框架示意图;
图2为本发明实施例中云台相机采集的目标船舶图像;
图3为本发明实施例中云台相机采集的航道无船舶的图像;
图4为本发明实施例中通过优化识别系统得到的目标船舶二值图;
图5为本发明实施例中水面距桥梁净空高度换算示意图;
图6为本发明实施例中船舶实时跟踪方法流程示意图;
图7为本发明实施例中采用长时统计误差矩阵辅助卡尔曼滤波算法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
需要说明的是,当元件被称为“固定于”另一个元件,它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的,并不表示是唯一的实施方式。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
本发明所公开的一种防撞预警系统,如图1所示,包括用于监控航道船舶的岸基监控系统和船舶监控系统,用于监控水位高度的水位监控系统,用于接收融合来自岸基监控系统、船舶监控系统和水位监控系统监控数据的监控中心,监控中心通过优化识别系统和船舶实时跟踪系统对监控中心处的融合数据进行分析处理,得到船舶的高度和预测航迹,再分别判断是否会与桥梁和桥墩发生碰撞。
其中,岸基监控系统包括沿岸线布设的岸基雷达和云台相机,船舶监控系统包括船舶雷达和船舶AIS系统,水位监控系统包括设置在桥墩上的水位传感器。在监控过程中,岸基雷达和云台相机均岸线布设多个,云台相机根据船舶实时跟踪系统所预测的船舶下一时刻动态,判断船舶是否超出当前云台相机的监控范围,当预测动态超出监控范围时,选择切换云台相机。
进一步的,沿航道布设在岸边的多个岸基雷达和云台相机均能够主动采集航道船舶的位置和速度信息,设置在船舶上的船舶AIS系统相较于岸基雷达和云台相机需要通过监控中心被动接收船舶AIS系统发送报文获得船舶相关长度、位置和速度信息,监控中心对船舶AIS系统的探测方式是被动不稳定的,只有接收没有发射,且接收到的属于船舶AIS设备的点信息位置,无能反映船舶的大小和高度。因此通过设置岸基雷达和云台相机配合船舶AIS系统形成航道内的网状监测系统,通过多数据来源保证监测数据的准确性。
具体的,云台相机用于跟踪采集船舶的视频图像,并通过优化识别系统对视频图像中的船舶精确识别;通过岸基雷达采集航道船舶的位置坐标,配合接收船舶AIS报文信息,通过多数据来源保证监测获得的船舶的位置和速度信息的准确性,根据船舶AIS系统接收数据和主动监测数据得到的位置速度信息作为船舶实时跟踪系统运算的初始值,通过船舶实时跟踪系统将初始值转换为变换值,并以此预测下一时刻航行位置和速度,该方法减少了算法处理的复杂度,迅速定位船舶,提高了监控的实时性,同时避免船舶AIS报文信息缺失导致监控盲点,为目标船舶航行安全提供准确信息;船舶实时跟踪系统对船舶位置和速度的预测值进行控制门限检验,选择适应跟踪的云台相机。
在测算船舶高度是否允许通过桥梁所在航道时,通过将云台相机采集到的彩色图像数据经过优化识别系统分析处理后,再配合接收AIS报文获得的船舶长度数据,计算出船舶高度,对比水位传感器测算的水面距桥梁的净空高度,判断是否发出预警。
具体的,通过水位传感器测算水面距桥梁的净空高度的实施过程中,采用投入式液位计作为水位监控传感器,传感器的电流变化范围4-20mA,对应水深为0-20m,通过电流/电压转换电路将电流信号转换为0-3V电压信号,由AD转换器转换为数字信号,由数据处理模块换算出水位高度,如图5所示。
其中,水位的实时水深Hw通过如下公式计算:
通过如下公式计算桥梁通航的实时净空高度HR:
HR=HR0+HW0-HW
其中,I为传感器输出电流;HW0为未通航时水深,通过将传感器固定于桥墩底部测量获得;HR0为未通航时桥梁的净空高度。
另一方面,经优化识别系统处理后的船舶图像配合接收AIS报文获得的船舶长度换算船舶高度Hs的过程中,通过对优化识别系统得到单独船舶图片,将图片二值化处理后得到二值图像,能够清楚得到船舶在水平和竖直方向上的像素点数,再通过如下公式计算船舶高度Hs:
Hs=LPy/Px;
其中,L为船舶长度,可通过船舶AIS系统发送的报文获得;Px为船舶二值图像中水平方向最大像素数;Py为垂直方向最大像素数。
最后,根据测算出的水面距桥梁的净空高度设置船舶预警高度值,将测算出的船舶高度与船舶预警高度值对比并判断是否报警。
本发明还进一步公开了一种船舶优化识别方法,应用于上述防撞预警系统中的优化识别系统,具体实施方式如下:通过云台相机采集对应航道在一天不同时间段内无船舶时的第一彩色图像数据,如图3所示;通过云台相机采集航道的实时彩色图像数据,如图2所示,通过岸基雷达确定彩色图像数据中船舶的位置坐标;将实时彩色图像数据与第一彩色图像数据对比,并去除实时彩色图像数据中与第一彩色图像数据中重合的像素点,得到船舶图片数据;将船舶图片数据与船舶位置坐标融合得到航道中任一船舶的航行轨迹。
通过优化识别系统计算船舶高度的具体实施过程中如下:将远离桥梁的云台相机所获取的实时彩色图像数据输入至优化识别系统;根据优化识别系统得到的每一船舶的位置坐标并分别标记;根据沿岸布设的岸基雷达跟踪目标船舶的位置坐标,并确定目标船舶航行过程中无遮挡处的位置坐标;选择对应位置坐标处的云台相机所采集的实时彩色图像数据,并输入至优化识别系统得到独立目标船舶图片;将独立目标船舶图片二值化处理,如图4所示,再分别识别出目标船舶长度方向的最大像素数Px,和垂直方向的最大像素数Py,再由预设公式计算目标船舶高度Hs。
在本发明中,还公开了一种船舶实时跟踪方法,如图6所示,应用于上述桥梁防撞预警系统中的船舶实时跟踪系统,船舶实时跟踪系统对监控中心中的融合数据进行分类处理,由AIS处理模块对船舶的位置坐标和速度等AIS信息进行随时间的更新变换,由动态预测模块对船舶下一时间点相关位置坐标和速度进行预测计算,并根据预测值对云台相机进行选择控制。由监控中心对航行轨迹异常的船舶发出警报。
在跟踪过程中,首先选择跟踪目标船舶,将监控中心中记录的船舶位置和速度信息作为初始监控值,动态预测模块根据初始值开始目标船舶实时跟踪的预测计算,得到下一时刻的航行坐标和船速,根据预测值及每一云台像机观察的有效区间,进行控制门限的检验,以确定下一时刻的监控的云台像机,从而自动切换云台像机,连续跟踪监控。
本发明中的实时跟踪方法采用了时统计误差矩阵辅助卡尔曼滤波算法来实现对目标船舶的预测计算,如图7所示,使系统能较准确跟踪。进一步,船舶实时跟踪系统包括状态方程、观测方程和预测误差协方差阵方程,状态方程包括连续监测的时间t被时间间隔T分隔成若干时间离散点的针对离散时间域的系统状态方程;初始化状态方程、观测方程和预测误差协方差阵方程,更新状态值,并计算当前时刻的状态预测方程;当收到船舶AIS系统报文,则根据预测误差协方差阵方程计算协方差阵并计算对应的滤波增益矩阵,然后计算状态估计;若未收到AIS系统报文,对之前误差协方差阵进行加权平均,获得的预测误差协方差阵,并计算对应的滤波增益矩阵;更新当前的误差协方差阵,从该更新的误差协方差阵中获得目标船舶下一时刻的航行坐标和船速值。
具体的,建立系统状态方程,根据接收到的AIS信息,通过高斯—克吕格坐标转换以及速度转换,获得目标船舶大地平面直角坐标(x,y)和X、Y轴的速度分量(Vx,Vy),状态变量X=[x,y,vx,vy]T,得到时间t内的系统连续状态方程:
当预测时间间隔为T,连续监测的时间t被该时间间隔T分隔成若干时间离散点,在当前时刻的离散点的系统连续状态方程(k=1,2,3…):
依据离散点时刻的系统状态方程所对应的观测方程:
Z(k)=HX(k)+V(k),
其中,A和H为常数矩阵,N(t)在t时间内的系统噪声矩阵αx,αy为状态方程的噪声,影响船舶的运动状态;连续时间域到离散时间域的变换矩阵为和坐标和速度矩阵Vx和Vy为目标船舶在平面坐标中X,Y轴方向的速度分量;X(k)为离散点k的系统状态方程。
进一步的,更新状态值即将目标船舶从时间离散点k至k+1时段;
该时段的状态预测方程:
在k离散点时刻若实时跟踪系统接收到AIS报文,进行下一离散点k+1时刻的预测误差协方差阵的计算,采用如下预测误差协方差阵方程:
其中,为连续时间域到离散时间域的变换矩阵,P(k|k)为预测误差的协方差阵,为续时间域到离散时间域的变换矩阵转置,G(k+1|k)为连续时间域到离散时间域的变换矩阵,为连续时间域到离散时间域的变换矩阵转置,系统噪声Q(k)=E[NkNk],E为求解数学期望。
当未收到AIS系统报文,通过如下公式之前误差协方差阵进行加权平均得到预测误差协方差阵方程:
P(k+1|k)=τP(k|k)+(1-τ)P(k-1|k-1),
根据预测误差协方差阵方程和滤波增益矩阵,更新至离散点k+1时刻的误差协方差阵:
P(k+1|k+1)=[I-Kk+1H]P(+1|k)。
进一步的,采用如下滤波增益矩阵方程计算滤波增益矩阵:
K(k+1|k)=P(k+1|k)HT[HP(k+1|k)HT+R(k+1)]-1,
其中,R(k+1)为观测噪声协方差阵,R(k+1)=E[V(k+1)V(k+1)];
最后,通过状态预测方程,滤波增益矩阵方程和观测方程进行计算状态估计方程:
根据预测误差协方差阵P(k+1|k+1)能够得到k+1离散点时刻目标船舶的位置坐标和速度等变化量的预测,便于监控中心选择云台相机。能够避免目标船舶AIS信息缺失导致监控盲点,为目标船舶航行安全提供准确信息。
本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (6)
1.一种船舶优化识别和实时跟踪方法,其特征在于,采用一种防撞预警系统,包括岸基监控系统、船舶监控系统、水位监控系统、优化识别系统和船舶实时跟踪系统,所述岸基监控系统、所述船舶监控系统和所述水位监控系统均在监控中心融合数据,所述优化识别系统和所述船舶实时跟踪系统对所述监控中心处的融合数据进行分析处理,得到船舶的高度和预测航迹,再分别判断是否会与桥梁和桥墩发生碰撞;
所述岸基监控系统包括沿岸线布设的岸基雷达和云台相机,所述船舶监控系统包括船舶雷达和船舶AIS系统,所述水位监控系统包括设置在桥墩上的水位传感器;
所述云台相机用于跟踪采集船舶的视频图像,并通过所述优化识别系统对视频图像中的船舶精确识别;所述岸基雷达和所述船舶AIS系统监测的数据包括船舶位置和船舶速度,并通过所述船舶实时跟踪系统进行坐标变换和速度变换,得到相关变换值后预测船舶下一时刻的船舶位置和船舶速度;所述船舶实时跟踪系统对船舶位置和速度的预测值进行控制门限检验,选择适应跟踪的所述云台相机;
所述岸基雷达和所述云台相机均沿岸线布设多个,所述云台相机根据所述船舶实时跟踪系统所预测的船舶下一时刻动态,判断船舶是否超出当前所述云台相机的监控范围,当预测动态超出监控范围时,选择切换所述云台相机;
所述水位传感器能够得到水面距桥梁的净空高度,通过对所述优化识别系统得到的船舶图像二值化处理后计算得到船舶高度,根据水面距桥梁的净空高度设置船舶预警高度值,将船舶高度与船舶预警高度值对比并判断是否报警;
其中,船舶优化识别方法包括如下步骤:
通过云台相机采集对应航道在一天不同时间段内无船舶时的第一彩色图像数据;
通过云台相机采集航道的实时彩色图像数据,通过岸基雷达确定彩色图像数据中船舶的位置坐标;
将实时彩色图像数据与第一彩色图像数据对比,并去除实时彩色图像数据中与第一彩色图像数据中重合的像素点,得到船舶图片数据;
将船舶图片数据与船舶位置坐标融合得到航道中任一船舶的航行轨迹;
通过所述优化识别系统计算船舶高度包括如下步骤:
将远离桥梁的云台相机所获取的实时彩色图像数据输入至所述优化识别系统;
根据所述优化识别系统得到的每一船舶的位置坐标并分别标记;
根据沿岸布设的岸基雷达跟踪目标船舶的位置坐标,并确定目标船舶航行过程中无遮挡处的位置坐标;
选择对应位置坐标处的云台相机所采集的实时彩色图像数据,并输入至所述优化识别系统得到独立目标船舶图片;
2.根据权利要求1所述的船舶优化识别和实时跟踪方法,其特征在于,所述船舶实时跟踪系统包括状态方程、观测方程和预测误差协方差阵方程,状态方程包括连续监测的时间t被时间间隔T分隔成若干时间离散点的针对离散时间域的系统状态方程;
初始化状态方程、观测方程和预测误差协方差阵方程,更新状态值,并计算当前时刻的状态预测方程;
当收到船舶AIS系统报文,则根据预测误差协方差阵方程计算协方差阵并计算对应的滤波增益矩阵,然后计算状态估计;若未收到AIS系统报文,对之前误差协方差阵进行加权平均,获得预测误差协方差阵,并计算对应的滤波增益矩阵;
更新当前的误差协方差阵,从更新的误差协方差阵中获得目标船舶下一时刻的航行坐标和船速值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111233341.XA CN113990108B (zh) | 2021-10-22 | 2021-10-22 | 一种船舶优化识别和实时跟踪方法及防撞预警系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111233341.XA CN113990108B (zh) | 2021-10-22 | 2021-10-22 | 一种船舶优化识别和实时跟踪方法及防撞预警系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113990108A CN113990108A (zh) | 2022-01-28 |
CN113990108B true CN113990108B (zh) | 2023-01-20 |
Family
ID=79740382
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111233341.XA Active CN113990108B (zh) | 2021-10-22 | 2021-10-22 | 一种船舶优化识别和实时跟踪方法及防撞预警系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113990108B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114926522B (zh) * | 2022-04-29 | 2024-03-15 | 湖北国际物流机场有限公司 | 基于ais系统和视频技术的目标船舶探测系统及方法 |
CN115265382B (zh) * | 2022-07-05 | 2023-08-22 | 浙江海莱云智科技有限公司 | 一种基于视频图像的船舶高度测量识别方法 |
CN115494498B (zh) * | 2022-10-10 | 2023-10-27 | 中船鹏力(南京)大气海洋信息系统有限公司 | 基于多功能雷达的光电高精度智能船舶监测跟踪方法 |
CN116564136B (zh) * | 2023-05-20 | 2024-03-19 | 广西综合交通大数据研究院 | 基于ais的船舶碰撞预测方法 |
CN117173215A (zh) * | 2023-09-04 | 2023-12-05 | 东南大学 | 一种跨摄像头的内河航船全程轨迹识别方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102081801A (zh) * | 2011-01-26 | 2011-06-01 | 上海交通大学 | 多特征自适应融合船舶跟踪和航迹检测方法 |
CN102842036A (zh) * | 2011-11-30 | 2012-12-26 | 三峡大学 | 面向船闸视频监控的智能多目标检测方法 |
CN106970387A (zh) * | 2017-04-19 | 2017-07-21 | 武汉理工大学 | 一种基于ais与雷达数据融合的内河航道交通流检测方法 |
CN107369337A (zh) * | 2017-08-16 | 2017-11-21 | 广州忘平信息科技有限公司 | 桥梁主动防船撞监测预警系统及方法 |
CN108229385A (zh) * | 2017-12-29 | 2018-06-29 | 江苏省新通智能交通科技发展有限公司 | 一种基于视频的船舶检测方法及系统 |
CN109887004A (zh) * | 2019-02-26 | 2019-06-14 | 华南理工大学 | 一种基于tld算法的无人船海域目标跟踪方法 |
CN112785622A (zh) * | 2020-12-30 | 2021-05-11 | 大连海事大学 | 一种水面无人船长时跟踪方法、装置及存储介质 |
CN112857360A (zh) * | 2021-03-22 | 2021-05-28 | 哈尔滨工程大学 | 一种船舶航行多信息融合方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4301051B2 (ja) * | 2004-03-24 | 2009-07-22 | 三菱電機株式会社 | 港湾監視システム |
EP3654286B1 (en) * | 2013-12-13 | 2024-01-17 | Panasonic Intellectual Property Management Co., Ltd. | Image capturing apparatus, monitoring system, image processing apparatus, image capturing method, and non-transitory computer readable recording medium |
KR101727162B1 (ko) * | 2014-02-27 | 2017-04-14 | 한국전자통신연구원 | 관제 서비스 제공 장치 및 그 방법 |
CN103996049B (zh) * | 2014-05-05 | 2017-02-15 | 南京大学 | 一种基于视频图像的船舶超长超宽检测方法 |
CN104916166A (zh) * | 2015-05-07 | 2015-09-16 | 南通大学 | 一种桥梁防撞预警系统及实现方法 |
CN206564038U (zh) * | 2017-02-26 | 2017-10-17 | 西南石油大学 | 一种航道安全及桥梁主动防撞报警系统 |
CN109725310B (zh) * | 2018-11-30 | 2022-11-15 | 中船(浙江)海洋科技有限公司 | 一种基于yolo算法以及岸基雷达系统的船舶定位监管系统 |
CN109375235B (zh) * | 2018-11-30 | 2020-05-12 | 武汉理工大学 | 基于深度强化神经网络的内河船舶干舷检测方法 |
CN110718095B (zh) * | 2019-09-12 | 2021-07-06 | 广州中交通信有限公司 | 一种内河航道船舶的ais监控系统及监控方法 |
CN111225189B (zh) * | 2020-01-17 | 2021-03-26 | 同济大学 | 中小型航道桥梁监控装置 |
CN111931555B (zh) * | 2020-06-14 | 2023-08-08 | 交通运输部科学研究院 | 一种利用视频图像识别船舶ais是否开启的方法 |
CN112686106B (zh) * | 2020-12-21 | 2023-12-08 | 武汉理工大学 | 一种视频图像转海事雷达图像的方法 |
CN113223075A (zh) * | 2021-03-11 | 2021-08-06 | 大连海事大学 | 一种基于双目摄像头式的船舶高度测量系统及方法 |
-
2021
- 2021-10-22 CN CN202111233341.XA patent/CN113990108B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102081801A (zh) * | 2011-01-26 | 2011-06-01 | 上海交通大学 | 多特征自适应融合船舶跟踪和航迹检测方法 |
CN102842036A (zh) * | 2011-11-30 | 2012-12-26 | 三峡大学 | 面向船闸视频监控的智能多目标检测方法 |
CN106970387A (zh) * | 2017-04-19 | 2017-07-21 | 武汉理工大学 | 一种基于ais与雷达数据融合的内河航道交通流检测方法 |
CN107369337A (zh) * | 2017-08-16 | 2017-11-21 | 广州忘平信息科技有限公司 | 桥梁主动防船撞监测预警系统及方法 |
CN108229385A (zh) * | 2017-12-29 | 2018-06-29 | 江苏省新通智能交通科技发展有限公司 | 一种基于视频的船舶检测方法及系统 |
CN109887004A (zh) * | 2019-02-26 | 2019-06-14 | 华南理工大学 | 一种基于tld算法的无人船海域目标跟踪方法 |
CN112785622A (zh) * | 2020-12-30 | 2021-05-11 | 大连海事大学 | 一种水面无人船长时跟踪方法、装置及存储介质 |
CN112857360A (zh) * | 2021-03-22 | 2021-05-28 | 哈尔滨工程大学 | 一种船舶航行多信息融合方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113990108A (zh) | 2022-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113990108B (zh) | 一种船舶优化识别和实时跟踪方法及防撞预警系统 | |
CN109949616B (zh) | 一种桥梁主动防船撞监测预警系统 | |
CN112149550B (zh) | 一种基于多传感器融合的自动驾驶车辆3d目标检测方法 | |
CN104660993B (zh) | 基于ais和cctv的海事智能监控方法及系统 | |
CN111899568B (zh) | 桥梁防撞预警系统、方法、装置和存储介质 | |
CN108445480A (zh) | 基于激光雷达的移动平台自适应扩展目标跟踪系统及方法 | |
CN104966304A (zh) | 基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法 | |
Bedruz et al. | Real-time vehicle detection and tracking using a mean-shift based blob analysis and tracking approach | |
CN111163290B (zh) | 一种夜间航行船舶检测并跟踪的方法 | |
CN112581795B (zh) | 一种基于视频的船桥及船间碰撞实时预警方法与系统 | |
CN110060281B (zh) | 一种船舶及水上漂浮物轨迹追踪系统 | |
CN113112540B (zh) | 一种在vts系统中使用ais标定cctv摄像头进行船舶图像目标定位的方法 | |
CN112950634B (zh) | 基于无人机巡检的风力机叶片损伤识别方法、设备和系统 | |
CN111402293B (zh) | 面向智能交通的一种车辆跟踪方法及装置 | |
KR102520844B1 (ko) | 해수면을 고려한 항만 및 선박 모니터링 방법 및 장치 | |
CN111291684A (zh) | 一种自然场景下的船牌检测方法 | |
CN116453276A (zh) | 一种海上风电电子围栏监控预警方法和系统 | |
CN111460917B (zh) | 基于多模态信息融合的机场异常行为检测系统及方法 | |
KR100994722B1 (ko) | 카메라 핸드오프를 이용한 다중 카메라상의 연속적인 물체추적 방법 | |
CN114821494B (zh) | 船舶信息匹配方法及装置 | |
CN114022775A (zh) | 一种基于雷达扫描变量的水上多目标视频影像坐标估计方法 | |
Julina et al. | Vehicle speed detection system using motion vector interpolation | |
Sun et al. | Embedded vehicle lane-marking tracking system | |
JP7083868B2 (ja) | 情報処理装置 | |
Smith et al. | The statistical characterization of the sea for the segmentation of maritime images |
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 |