CN114155491A - 一种基于ais数据的船舶行为识别方法及系统 - Google Patents
一种基于ais数据的船舶行为识别方法及系统 Download PDFInfo
- Publication number
- CN114155491A CN114155491A CN202111494779.3A CN202111494779A CN114155491A CN 114155491 A CN114155491 A CN 114155491A CN 202111494779 A CN202111494779 A CN 202111494779A CN 114155491 A CN114155491 A CN 114155491A
- Authority
- CN
- China
- Prior art keywords
- ship
- track
- data
- ais
- distance
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000006399 behavior Effects 0.000 claims abstract description 106
- 238000012549 training Methods 0.000 claims abstract description 21
- 230000000007 visual effect Effects 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000005070 sampling Methods 0.000 claims description 27
- 230000004927 fusion Effects 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000002156 mixing Methods 0.000 claims description 5
- 238000003384 imaging method Methods 0.000 claims description 4
- 238000003672 processing method Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 3
- 230000002779 inactivation Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 2
- 238000004873 anchoring Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000009849 deactivation Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Traffic Control Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于AIS数据的船舶行为识别方法及系统,其中涉及的一种基于AIS数据的船舶行为识别方法,包括:S1.获取船舶自动识别系统AIS的原始数据,并对获取到的原始数据进行预处理,得到船舶行为的数据集;S2.预构建时序和视觉网络双融合的船舶行为识别网络,并将得到的船舶行为数据集输入构建好的船舶行为识别网络进行训练,得到训练好的船舶行为识别网络模型;S3.将所要识别的船舶轨迹数据输入船舶行为识别网络模型中,输出船舶轨迹数据的行为识别结果。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种基于AIS数据的船舶行为识别方法及系统。
背景技术
海洋是孕育生命的摇篮,是天然的聚宝盆,是交通运输的要道,不仅为生命提供水分循环,为地球储存能量,同时也为人类探索自然和促进经济转型提供了充足的空间。开发海洋、利用海洋、管理海洋已经成为各国解决人口膨胀、环境污染、资源短缺的有效途径。非法、瞒报和无管制的捕捞是对海洋资源可持续发展的最严重威胁之一,也会对海洋生物多样性,海洋生态系统造成不可估量的破坏。海洋领域意识要求利用来自海洋情报来源的数据和信息对渔业进行持续监测和跟踪,及时发现相关非法活动进行有效的遏制与打击。
近年来,自动识别系统(AIS)在船舶上的广泛应用,逐步开启了海上交通监视的新纪元。AIS是一个全球跟踪系统,也是一种自动进行船对岸台和船对船识别的融合现代技术的航海设备。通过该跟踪系统,船舶广播关于自身的动态信息(例如经度、纬度、对地航速、对地航向、航行状态等)以及静态信息(例如MMSI编号、船舶尺寸,船舶类型等),通过交换船舶状态信息以观察其航行意图来降低海上船舶碰撞风险,同时帮助海事相关人员监测船只的流动性。虽然其最初是为了安全目的而设计的,但很快显而易见的是,如果有相关技术手段能够有效地从这些数据流中提取、检测和分析相关信息来帮助海事部门监测海上的船只,那么这些海量数据的潜力显然是令人振奋的。然而,海量的数据使得人工处理变得不现实,因此这对基于人工智能的AIS数据分析研究将是一个严峻的挑战。
现有的基于AIS数据的船舶行为识别方法主要存在以下两个问题:
1、需要人为的从数据中提取相应的手工特征,非常依赖于专家经验而且很容易忽略很多有效的信息;
2、只将AIS数据视为时序数据,很容易忽略船舶轨迹几何形状的特征;只将AIS数据视为图像数据,很容易忽略船舶运动过程中的动态属性变化的时序特征;故缺少对AIS轨迹数据的多角度分析;
故,针对现有技术的缺陷,本发明提出一种基于AIS数据的船舶行为识别方法及系统。
发明内容
本发明的目的是针对现有技术的缺陷,提供一种基于AIS数据的船舶行为识别方法及系统,使用深度学习的方法通过时序领域和计算机视觉领域的融合模型,缓解了数据噪声对识别方法的影响,多角度考虑轨迹数据提高了识别方法对场景的适应能力,并实现了对船舶行为近实时的准确识别。
为了实现以上目的,本发明采用以下技术方案:
一种基于AIS数据的船舶行为识别方法,包括:
S1.获取船舶自动识别系统AIS的原始数据,并对获取到的原始数据进行预处理,得到船舶行为的数据集;
S2.预构建时序和视觉网络双融合的船舶行为识别网络,并将得到的船舶行为数据集输入构建好的船舶行为识别网络进行训练,得到训练好的船舶行为识别网络模型;
S3.将所要识别的船舶轨迹数据输入船舶行为识别网络模型中,输出船舶轨迹数据的行为识别结果。
进一步的,所述步骤S1具体包括:
S11.对获取的船舶自动识别系统AIS的原始数据进行关键特征选择;其中选择的关键特征包括基准时间、经度、纬度、对地航向以及对地航速;
S12.对经过关键特征选择的船舶自动识别系统AIS的数据进行相应预处理,得到处理后的船舶行为的数据集。
进一步的,所述步骤S12具体为:
S121.根据待判断轨迹点前后两个点的位置与基准时间来估算当前轨迹点的速度,并判断当前轨迹点的速度与预设速度的差值是否大于偏差阈值,若是,则表示当前轨迹点的速度处于异常状态,采用估算速度对当前轨迹点的速度进行修正;
S122.判断当前轨迹点的位置是否处于椭圆范围外,若是,则表示当前轨迹点的位置处于异常状态,采用中值插入对当前轨迹点的位置进行修正;其中,椭圆范围为以前后两轨迹点为椭圆焦点,并以两倍时间间隔乘以最大速度为长轴的椭圆范围;
S13.判断船舶自动识别系统AIS数据中前后两个轨迹点的采样频率是否大于标准采样频率,若大于标准采样频率,则采用重复采样的方式对采样频率进行调整;若小于标准采样频率,则采用下采样的方式对采样频率进行调整;
S14.采用多特征融合距离的方式对当前轨迹进行粗分割,得到当前轨迹的第一轨迹段;并计算当前轨迹点与上一个轨迹点之间的融合距离,判断计算得到的融合距离是否超出预设阈值,若是,则将当前轨迹点设置为切割点,并根据船舶自动识别系统AIS数据中对应的航行状态标签对粗分割后得到的轨迹段进行细分割,得到当前轨迹的第二轨迹段;
S15.采用归一化处理方法对第二轨迹段中的数据进行处理,得到处理后的第二轨迹段;
S16.构建数据集,将得到的处理后的第二轨迹段根据船舶航行状态类别进行划分,并将划分后的数据混合形成数据集,将数据集分为训练集、验证集以及测试集。
进一步的,所述步骤S14中计算当前轨迹点与上一个轨迹点之间的融合距离,表示为:
dm(a,b)=ws×dt+wv×dv+wc×dc
其中,dm表示融合距离;ds表示空间距离;dv表示速度距离;dc表示航向距离;ws、wv、wc分别表示空间距离、速度距离、航向距离距离所对应的权重值;xa、xb分别表示当前时刻和上一个时刻两个轨迹点的横坐标;ya、yb分别表示当前时刻和上一个时刻两个点的纵坐标;xi、yi分别表示在i时刻下的轨迹点的横纵坐标;xi-1、yi-1分别表示i-1时刻下的轨迹点的横纵坐标;va、vb分别表示当前时刻和上一个时刻两个轨迹点的速度;vi、vi-1分别表示i与i-1时刻下的轨迹点的速度;ca、cb分别表示当前时刻和上一个时刻两个轨迹点的航向;ci、ci-1分别表示i与i-1时刻下的轨迹点的航向。
进一步的,所述步骤S15中对第二轨迹段中的数据进行处理具体为将第二轨迹段中的数据都放缩在[0,1]区间范围内。
进一步的,所述步骤S2中具体包括:
S21.构建与船舶自动识别系统AIS数据相对应的时序数据处理的时序模型;
S22.构建与船舶自动识别系统AIS数据相对应的轨迹图像数据处理的视觉模型;
S23.基于时序模型和视觉模型构建双融合的船舶行为识别网络;
S24.将步骤S1得到船舶行为的数据集输入船舶行为识别网络中进行训练,得到训练好的船舶行为识别网络模型。
进一步的,所述步骤S21具体包括:
S211.设计上分支两层的双向长短时间记忆网络来对船舶自动识别系统AIS的第二轨迹段进行相应的特征提取;
S212.设计下分支五层的一维卷积层和一层的全局平均池化层对船舶自动识别系统AIS的第二轨迹段进行相应特征提取,并固定最后输出特征的维度大小;
S213.利用特征连接层将步骤S211与步骤S212得到的特征进行连接,通过密集层的输出特征个数以及Softmax的激活函数得到时序模型的决策向量。
进一步的,所述步骤S22具体包括:
S221.将船舶自动识别系统AIS轨迹数据转化为轨迹图像数据;
S222.采用一维卷积层、最大池化层以及随机失活层构成的计算机视觉网络模型对轨迹图像数据进行特征提取,通过平坦层和密集层固定的输出特征个数以及Softmax的激活函数来得到视觉模型的决策向量。
进一步的,所述步骤S221具体包括:
S2211.根据每段轨迹的经纬度最值信息计算每段轨迹船舶行驶的水平总距离与垂直总距离,表示为:
Xdistancetotal=lonmax-lonmin+lonΔ
Ydistancetotal=latmax-latmin+latΔ
其中,Xdistancetotal表示水平总距离,Ydistancetotal表示垂直总距离;lonmax与lonmin分别表示轨迹段中经度的最大值与最小值;latmax与latmin分别表示轨迹段中纬度的最大值与最小值;lonΔ与latΔ分别表示水平距离阈值与垂直距离阈值;
S2212.计算轨迹段中每个轨迹点相对于最小经纬度行进的距离,表示为:
Xdistancei=loni-lonmin
Ydistancei=lati-latmin
其中,Xdistancei表示最小经纬度行进的水平距离;Ydistancei表示最小经纬度行进的垂直距离;loni表示最小经度行进的值;lati表示最小纬度行进的值;
S2213.计算得到每个轨迹点在x方向和y方向上距离各自最小坐标总距离的百分比,并计算每个轨迹点在预定义图像内的位置,将整个轨迹段转化为对应的轨迹图像;
Xpixeli=Xdistancei÷Xdistancetotal×244
Ypixeli=Ydistancei÷Ydistancetotal×244
其中,224×244表示预定义图像大小;Xpixeli表示每个轨迹点在预定义图像内的x方向的位置;Ypixeli表示每个轨迹点在预定义图像内的y方向的位置;
S2214.将轨迹段中每个轨迹点的对地航速信息映射到预设的对地航速-RGB像素值表中,并将对地航速-RGB像素值表总RGB像素值赋予相对应的每个轨迹点,再将每个时间上连续的像素点之间用其他颜色的直线进行连接,完成舶自动识别系统AIS轨迹数据的图像化处理。
相应的,还提供一种基于AIS数据的船舶行为识别系统,包括:
获取模块,用于获取船舶自动识别系统AIS的原始数据,并对获取到的原始数据进行预处理,得到船舶行为的数据集;
训练模块,用于预构建时序和视觉网络双融合的船舶行为识别网络,并将得到的船舶行为数据集输入构建好的船舶行为识别网络进行训练,得到训练好的船舶行为识别网络模型;
识别模块,用于将所要识别的船舶轨迹数据输入船舶行为识别网络模型中,输出船舶轨迹数据的行为识别结果。
与现有技术相比,本发明具有以下有益效果:
1、全面性:本发明综合考虑多种能表现船舶海上行为模式的特征,从船舶动态属性的运动特征和船舶轨迹的几何特征出发,在同时考虑以上两种特征的基础上,对船舶的行为模式做出准确的识别;
2、实用性:本发明以海上牧场违法捕鱼为实际场景,提高了AIS数据的利用率,设计了简单、高效、易用的船舶行为识别模型,降低了模型的复杂度,提高的模型的复现性,具有实际应用意义。
附图说明
图1是实施例一提供的一种基于AIS数据的船舶行为识别方法流程图;
图2是实施例一提供的构建数据集的框架示意图;
图3是实施例一提供的构建识别网络模型的示意图;
图4是实施例一提供的识别网络模型进行识别示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
本发明的目的是针对现有技术的缺陷,提供了一种基于AIS数据的船舶行为识别方法及系统。
实施例一
本实施例提供一种基于AIS数据的船舶行为识别方法,如图1所示,包括:
S1.获取船舶自动识别系统AIS的原始数据,并对获取到的原始数据进行预处理,得到船舶行为的数据集;
S2.预构建时序和视觉网络双融合的船舶行为识别网络,并将得到的船舶行为数据集输入构建好的船舶行为识别网络进行训练,得到训练好的船舶行为识别网络模型;
S3.将所要识别的船舶轨迹数据输入船舶行为识别网络模型中,输出船舶轨迹数据的行为识别结果。
在步骤S1中,获取船舶自动识别系统AIS的原始数据,并对获取到的原始数据进行预处理,得到船舶行为的数据集。
基于船舶自动识别系统AIS数据,利用对数据进行异常处理,降低了数据噪声对网络结果的影响;对数据进行重采样,从而保证了每段轨迹数据的轨迹点的采样频率一致;同时对处理结束的数据采用归一化处理,消除了各个属性之间的量纲,方便后续的网络模型的训练。
如图2所示为构建数据集的框架示意图,数据集的构建具体为:
S11.对获取的船舶自动识别系统AIS的原始数据进行关键特征选择;其中选择的关键特征包括基准时间、经度、纬度、对地航向以及对地航速;
特征选择:对获取的船舶原始AIS数据进行关键特征选择。选取其中的基准时间、经度、纬度、对地航向以及对地航速作为关键特征,其中时间特征只在数据预处理阶段使用,不与其他特征参与后续网络的输入。
S12.对经过关键特征选择的船舶自动识别系统AIS的数据进行相应异常处理,得到处理后的船舶行为的数据集。
异常处理:对步骤S11获取到的AIS数据进行相应异常处理;具体为:
S121.根据待判断轨迹点前后两个点的位置与基准时间来估算当前轨迹点的速度,并判断当前轨迹点的速度与预设速度的差值是否大于偏差阈值,若是,则表示当前轨迹点的速度处于异常状态,采用估算速度对当前轨迹点的速度进行修正;
速度异常处理:根据待判断轨迹点前后两个点的位置与基准时间来估算当前轨迹点的速度,如果当前轨迹点的速度与估算速度的差值大于一定偏差阈值,则视该点速度处于异常状态,采用估算速度进行修正。
S122.判断当前轨迹点的位置是否处于椭圆范围外,若是,则表示当前轨迹点的位置处于异常状态,采用中值插入对当前轨迹点的位置进行修正;其中,椭圆范围为以前后两轨迹点为椭圆焦点,并以两倍时间间隔乘以最大速度为长轴的椭圆范围;
位置异常处理:待判断轨迹点的位置不会超过以前后两轨迹点为椭圆焦点,以两倍时间间隔乘上最大速度为长轴的椭圆范围,如果当前轨迹点的位置在这个椭圆范围外,则视该点位置处于异常状态,采用中值插入进行修正。
S13.判断船舶自动识别系统AIS数据中前后两个轨迹点的采样频率是否大于标准采样频率,若大于标准采样频率,则采用重复采样的方式对采样频率进行调整;若小于标准采样频率,则采用下采样的方式对采样频率进行调整;
数据重采样:采用60s作为轨迹点之间的标准采样频率,对于AIS数据中前后两个轨迹点采样频率大于60s的采用重复采样的方式进行调整,小于60s的采用下采样的方式进行调整。
S14.采用多特征融合距离的方式对当前轨迹进行粗分割,得到当前轨迹的第一轨迹段;并计算当前轨迹点与上一个轨迹点之间的融合距离,判断计算得到的融合距离是否超出预设阈值,若是,则将当前轨迹点设置为切割点,并根据船舶自动识别系统AIS数据中对应的航行状态标签对粗分割后得到的轨迹段进行细分割,得到当前轨迹的第二轨迹段;
轨迹分割:采用多特征融合距离的方式来对轨迹进行粗分割,计算当前轨迹点与上一轨迹点之间的融合距离,若距离大于设定的阈值,则将该点设置为切割点,并以64作为子轨迹长度,根据AIS数据中对应的航行状态标签来进一步对轨迹段进行细分割。
计算当前轨迹点与上一个轨迹点之间的融合距离,表示为:
dm(a,b)=ws×dt+wv×dv+wc×dc
其中,dm表示融合距离;ds表示空间距离;dv表示速度距离;dc表示航向距离;ws、wv、wc分别表示空间距离、速度距离、航向距离距离所对应的权重值;xa、xb分别表示当前时刻和上一个时刻两个轨迹点的横坐标;ya、yb分别表示当前时刻和上一个时刻两个点的纵坐标;xi、yi分别表示在i时刻下的轨迹点的横纵坐标;xi-1、yi-1分别表示i-1时刻下的轨迹点的横纵坐标;va、vb分别表示当前时刻和上一个时刻两个轨迹点的速度;vi、vi-1分别表示i与i-1时刻下的轨迹点的速度;ca、cb分别表示当前时刻和上一个时刻两个轨迹点的航向;ci、ci-1分别表示i与i-1时刻下的轨迹点的航向。
S15.采用归一化处理方法对第二轨迹段中的数据进行处理,得到处理后的第二轨迹段;
归一化处理:对步骤S14处理之后的子轨迹段采用极差变换法的归一化处理方法,将子轨迹段中的数据都放缩在[0,1]区间范围内。
S16.构建数据集,将得到的处理后的第二轨迹段根据船舶航行状态类别进行划分,并将划分后的数据混合形成数据集,将数据集分为训练集、验证集以及测试集。
构建数据集:将步骤S15处理得到的子轨迹段根据航行状态类别划分为捕鱼、航行、锚泊以及系泊四类,将四类数据随机打乱混合成数据集,并以一定的分布比例划分为训练集、验证集以及测试集。
在步骤S2中,预构建时序和视觉网络双融合的船舶行为识别网络,并将得到的船舶行为数据集输入构建好的船舶行为识别网络进行训练,得到训练好的船舶行为识别网络模型。
如图3所示为构建识别网络模型的示意图。
S21.构建与船舶自动识别系统AIS数据相对应的时序数据处理的时序模型;具体为:
S211.设计上分支两层的双向长短时间记忆网络来对船舶自动识别系统AIS的第二轨迹段进行相应的特征提取;
设计上分支的两层的双向长短时间记忆网络来对固定输入大小的AIS轨迹段从属性变化的时序特征的角度进行相应的特征提取;具体为:
S212.设计下分支五层的一维卷积层和一层的全局平均池化层对船舶自动识别系统AIS的第二轨迹段进行相应特征提取,并固定最后输出特征的维度大小;
设计下分支的五层的一维卷积层和一层的全局平均池化层对固定输入大小的AIS轨迹段从相邻属性变化的空间特征的角度进行相应特征提取并固定最后输出特征的维度大小。
S213.利用特征连接层将步骤S211与步骤S212得到的特征进行连接,通过密集层的输出特征个数以及Softmax的激活函数得到时序模型的决策向量。
最后利用特征连接层将步骤S211与步骤S212得到的特征进行连接,通过密集层固定的输出特征个数以及Softmax的激活函数来得到时序领域模型的决策向量。
S22.构建与船舶自动识别系统AIS数据相对应的轨迹图像数据处理的视觉模型;具体为:
S221.将船舶自动识别系统AIS轨迹数据转化为轨迹图像数据;具体为:
S2211.根据每段轨迹的经纬度最值信息计算每段轨迹船舶行驶的水平总距离与垂直总距离,其中针对锚泊与系泊模式在行驶距离上的数据分布确定相应的水平距离阈值与垂直距离阈值;表示为:
Xdistancetotal=lonmax-lonmin+lonΔ
Ydistancetotal=latmax-latmin+latΔ
其中,Xdistancetotal表示水平总距离,Ydistancetotal表示垂直总距离;lonmax与lonmin分别表示轨迹段中经度的最大值与最小值;latmax与latmin分别表示轨迹段中纬度的最大值与最小值;lonΔ与latΔ分别表示水平距离阈值与垂直距离阈值;
S2212.计算轨迹段中每个轨迹点相对于最小经纬度行进的距离,即可分别得到各时刻相对最小经度的水平距离与相对最小纬度的垂直距离,表示为:
Xdistancei=loni-lonmin
Ydistancei=lati-latmin
其中,Xdistancei表示最小经纬度行进的水平距离;Ydistancei表示最小经纬度行进的垂直距离;loni表示最小经度行进的值;lati表示最小纬度行进的值;
S2213.计算得到每个轨迹点在x方向和y方向上距离各自最小坐标总距离的百分比,并根据预定义图像的大小244×244,可以计算每个轨迹点在预定义图像内的位置,将整个轨迹段转化为对应的轨迹图像;
Xpixeli=Xdistancei÷Xdistancetotal×244
Ypixeli=Ydistancei÷Ydistancetotal×244
其中,224×244表示预定义图像大小;Xpixeli表示每个轨迹点在预定义图像内的x方向的位置;Ypixeli表示每个轨迹点在预定义图像内的y方向的位置;
S2214.将轨迹段中每个轨迹点的对地航速信息映射到预设的对地航速-RGB像素值表中,并将对地航速-RGB像素值表总RGB像素值赋予相对应的每个轨迹点,再将每个时间上连续的像素点之间用其他颜色的直线进行连接,完成舶自动识别系统AIS轨迹数据的图像化处理。
S222.采用一维卷积层、最大池化层以及随机失活层构成的计算机视觉网络模型对轨迹图像数据进行特征提取,通过平坦层和密集层固定的输出特征个数以及Softmax的激活函数来得到视觉模型的决策向量。
将步骤S221处理得到的轨迹图像,利用一维卷积层、最大池化层以及随机失活层构成的计算机视觉网络模型进行特征提取,最后通过平坦层和密集层固定的输出特征个数以及Softmax的激活函数来得到视觉领域模型的决策向量。
S23.基于时序模型和视觉模型构建双融合的船舶行为识别网络;
在分别得到步骤S213与步骤S222后两个领域的模型决策输出向量之后,采取类别加权融合的方式来得到双领域融合网络的决策输出,即在两个决策输出向量之后增加权重,通过将权重与输出向量进行矩阵点积运算再进行相加运算,最终向量中概率最大的类别为最终决策结果。
P=Ps·Ws+Pj·Wj
其中,Ps与Pj分别表示计算机视觉和时间序列的决策向量;P表示最终决策向量,Ws和Wj分别表示两个决策向量对应的权重向量,每种类型的权重值相加为1。
S24.将步骤S1得到船舶行为的数据集输入船舶行为识别网络中进行训练,得到训练好的船舶行为识别网络模型。
使用步骤S1构建的船舶行为数据集来训练步骤S23构建的双领域融合的船舶行为识别模型,训练结束得到最终的船舶行为识别模型。
在步骤S3中,将所要识别的船舶轨迹数据输入船舶行为识别网络模型中,输出船舶轨迹数据的行为识别结果。
如图4所示为识别网络模型进行识别示意图。
本实施例具有如下技术效果:
(1)融合了时序领域模型和计算机视觉领域模型,并采用分类加权的融合策略提高模型融合的效果,对于AIS轨迹数据的分析更加全面以及准确;
(2)针对船舶不同行为模式本身的轨迹特点,提出轨迹图像化中加入水平和垂直距离阈值,来增强不同行为模式在轨迹图像中的差异性,从而提高计算机视觉领域模型的识别准确度;
(3)网络能够自动学习输入数据特征,解决了手工设计特征的耗时问题,避免了设置大量的模型参数;
(4)方法整体框架简单,具有较低的算法复杂度,提高了模型的复现性。
实施例二
本实施例提供一种基于AIS数据的船舶行为识别系统,包括:
获取模块,用于获取船舶自动识别系统AIS的原始数据,并对获取到的原始数据进行预处理,得到船舶行为的数据集;
训练模块,用于预构建时序和视觉网络双融合的船舶行为识别网络,并将得到的船舶行为数据集输入构建好的船舶行为识别网络进行训练,得到训练好的船舶行为识别网络模型;
识别模块,用于将所要识别的船舶轨迹数据输入船舶行为识别网络模型中,输出船舶轨迹数据的行为识别结果。
需要说明的是,本实施例提供的一种基于AIS数据的船舶行为识别系统与实施例一类似,在此不多做赘述。
与现有技术相比,本实施例具有以下有益效果:
1、全面性:本发明综合考虑多种能表现船舶海上行为模式的特征,从船舶动态属性的运动特征和船舶轨迹的几何特征出发,在同时考虑以上两种特征的基础上,对船舶的行为模式做出准确的识别;
2、实用性:本发明以海上牧场违法捕鱼为实际场景,提高了AIS数据的利用率,设计了简单、高效、易用的船舶行为识别模型,降低了模型的复杂度,提高的模型的复现性,具有实际应用意义。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种基于AIS数据的船舶行为识别方法,其特征在于,包括:
S1.获取船舶自动识别系统AIS的原始数据,并对获取到的原始数据进行预处理,得到船舶行为的数据集;
S2.预构建时序和视觉网络双融合的船舶行为识别网络,并将得到的船舶行为数据集输入构建好的船舶行为识别网络进行训练,得到训练好的船舶行为识别网络模型;
S3.将所要识别的船舶轨迹数据输入船舶行为识别网络模型中,输出船舶轨迹数据的行为识别结果。
2.根据权利要求1所述的一种基于AIS数据的船舶行为识别方法,其特征在于,所述步骤S1具体包括:
S11.对获取的船舶自动识别系统AIS的原始数据进行关键特征选择;其中选择的关键特征包括基准时间、经度、纬度、对地航向以及对地航速;
S12.对经过关键特征选择的船舶自动识别系统AIS的数据进行相应预处理,得到处理后的船舶行为的数据集。
3.根据权利要求2所述的一种基于AIS数据的船舶行为识别方法,其特征在于,所述步骤S12具体为:
S121.根据待判断轨迹点前后两个点的位置与基准时间来估算当前轨迹点的速度,并判断当前轨迹点的速度与预设速度的差值是否大于偏差阈值,若是,则表示当前轨迹点的速度处于异常状态,采用估算速度对当前轨迹点的速度进行修正;
S122.判断当前轨迹点的位置是否处于椭圆范围外,若是,则表示当前轨迹点的位置处于异常状态,采用中值插入对当前轨迹点的位置进行修正;其中,椭圆范围为以前后两轨迹点为椭圆焦点,并以两倍时间间隔乘以最大速度为长轴的椭圆范围;
S13.判断船舶自动识别系统AIS数据中前后两个轨迹点的采样频率是否大于标准采样频率,若大于标准采样频率,则采用重复采样的方式对采样频率进行调整;若小于标准采样频率,则采用下采样的方式对采样频率进行调整;
S14.采用多特征融合距离的方式对当前轨迹进行粗分割,得到当前轨迹的第一轨迹段;并计算当前轨迹点与上一个轨迹点之间的融合距离,判断计算得到的融合距离是否超出预设阈值,若是,则将当前轨迹点设置为切割点,并根据船舶自动识别系统AIS数据中对应的航行状态标签对粗分割后得到的轨迹段进行细分割,得到当前轨迹的第二轨迹段;
S15.采用归一化处理方法对第二轨迹段中的数据进行处理,得到处理后的第二轨迹段;
S16.构建数据集,将得到的处理后的第二轨迹段根据船舶航行状态类别进行划分,并将划分后的数据混合形成数据集,将数据集分为训练集、验证集以及测试集。
4.根据权利要求3所述的一种基于AIS数据的船舶行为识别方法,其特征在于,所述步骤S14中计算当前轨迹点与上一个轨迹点之间的融合距离,表示为:
dm(a,b)=ws×ds+wv×dv+wc×dc
其中,dm表示融合距离;ds表示空间距离;dv表示速度距离;dc表示航向距离;ws、wv、wc分别表示空间距离、速度距离、航向距离距离所对应的权重值;xa、xb分别表示当前时刻和上一个时刻两个轨迹点的横坐标;ya、yb分别表示当前时刻和上一个时刻两个点的纵坐标;xi、yi分别表示在i时刻下的轨迹点的横纵坐标;xi-1、yi-1分别表示i-1时刻下的轨迹点的横纵坐标;va、vb分别表示当前时刻和上一个时刻两个轨迹点的速度;vi、vi-1分别表示i与i-1时刻下的轨迹点的速度;ca、cb分别表示当前时刻和上一个时刻两个轨迹点的航向;ci、ci-1分别表示i与i-1时刻下的轨迹点的航向。
5.根据权利要求3所述的一种基于AIS数据的船舶行为识别方法,其特征在于,所述步骤S15中对第二轨迹段中的数据进行处理具体为将第二轨迹段中的数据都放缩在[0,1]区间范围内。
6.根据权利要求3所述的一种基于AIS数据的船舶行为识别方法,其特征在于,所述步骤S2中具体包括:
S21.构建与船舶自动识别系统AIS数据相对应的时序数据处理的时序模型;
S22.构建与船舶自动识别系统AIS数据相对应的轨迹图像数据处理的视觉模型;
S23.基于时序模型和视觉模型构建双融合的船舶行为识别网络;
S24.将步骤S1得到船舶行为的数据集输入船舶行为识别网络中进行训练,得到训练好的船舶行为识别网络模型。
7.根据权利要求6所述的一种基于AIS数据的船舶行为识别方法,其特征在于,所述步骤S21具体包括:
S211.设计上分支两层的双向长短时间记忆网络来对船舶自动识别系统AIS的第二轨迹段进行相应的特征提取;
S212.设计下分支五层的一维卷积层和一层的全局平均池化层对船舶自动识别系统AIS的第二轨迹段进行相应特征提取,并固定最后输出特征的维度大小;
S213.利用特征连接层将步骤S211与步骤S212得到的特征进行连接,通过密集层的输出特征个数以及Softmax的激活函数得到时序模型的决策向量。
8.根据权利要求6所述的一种基于AIS数据的船舶行为识别方法,其特征在于,所述步骤S22具体包括:
S221.将船舶自动识别系统AIS轨迹数据转化为轨迹图像数据;
S222.采用一维卷积层、最大池化层以及随机失活层构成的计算机视觉网络模型对轨迹图像数据进行特征提取,通过平坦层和密集层固定的输出特征个数以及Softmax的激活函数来得到视觉模型的决策向量。
9.根据权利要求8所述的一种基于AIS数据的船舶行为识别方法,其特征在于,所述步骤S221具体包括:
S2211.根据每段轨迹的经纬度最值信息计算每段轨迹船舶行驶的水平总距离与垂直总距离,表示为:
Xdistancetotal=lonmax-lonmin+lonΔ
Ydistancetotal=latmax-latmin+latΔ
其中,Xdistancetotal表示水平总距离,Ydistancetotal表示垂直总距离;lonmax与lonmin分别表示轨迹段中经度的最大值与最小值;latmax与latmin分别表示轨迹段中纬度的最大值与最小值;lonΔ与latΔ分别表示水平距离阈值与垂直距离阈值;
S2212.计算轨迹段中每个轨迹点相对于最小经纬度行进的距离,表示为:
Xdistancei=loni-lonmin
Ydistancei=lati-latmin
其中,Xdistancei表示最小经纬度行进的水平距离;Ydistancei表示最小经纬度行进的垂直距离;loni表示最小经度行进的值;lati表示最小纬度行进的值;
S2213.计算得到每个轨迹点在x方向和y方向上距离各自最小坐标总距离的百分比,并计算每个轨迹点在预定义图像内的位置,将整个轨迹段转化为对应的轨迹图像;
Xpixeli=Xdistancei÷Xdistancetotal×244
Ypixeli=Ydistancei÷Ydistancetotal×244
其中,224×244表示预定义图像大小;Xpixeli表示每个轨迹点在预定义图像内的x方向的位置;Ypixeli表示每个轨迹点在预定义图像内的y方向的位置;
S2214.将轨迹段中每个轨迹点的对地航速信息映射到预设的对地航速-RGB像素值表中,并将对地航速-RGB像素值表总RGB像素值赋予相对应的每个轨迹点,再将每个时间上连续的像素点之间用其他颜色的直线进行连接,完成舶自动识别系统AIS轨迹数据的图像化处理。
10.一种基于AIS数据的船舶行为识别系统,其特征在于,包括:
获取模块,用于获取船舶自动识别系统AIS的原始数据,并对获取到的原始数据进行预处理,得到船舶行为的数据集;
训练模块,用于预构建时序和视觉网络双融合的船舶行为识别网络,并将得到的船舶行为数据集输入构建好的船舶行为识别网络进行训练,得到训练好的船舶行为识别网络模型;
识别模块,用于将所要识别的船舶轨迹数据输入船舶行为识别网络模型中,输出船舶轨迹数据的行为识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111494779.3A CN114155491B (zh) | 2021-12-09 | 2021-12-09 | 一种基于ais数据的船舶行为识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111494779.3A CN114155491B (zh) | 2021-12-09 | 2021-12-09 | 一种基于ais数据的船舶行为识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114155491A true CN114155491A (zh) | 2022-03-08 |
CN114155491B CN114155491B (zh) | 2024-04-23 |
Family
ID=80454004
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111494779.3A Active CN114155491B (zh) | 2021-12-09 | 2021-12-09 | 一种基于ais数据的船舶行为识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114155491B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114881110A (zh) * | 2022-04-02 | 2022-08-09 | 西安交通大学 | 一种在轨航天器舱内总压变化模式的实时检测方法 |
CN115730263A (zh) * | 2022-11-28 | 2023-03-03 | 中国人民解放军91977部队 | 一种船舶行为模式侦测方法及装置 |
WO2024120340A1 (zh) * | 2022-12-07 | 2024-06-13 | 大连海事大学 | 一种基于群运动特征的渔网示位标识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7817079B1 (en) * | 2008-04-17 | 2010-10-19 | The United States Of America As Represented By The Secretary Of The Navy | System and method for collection of global AIS and radar track information |
CN110232319A (zh) * | 2019-05-07 | 2019-09-13 | 杭州电子科技大学 | 一种基于深度学习的船舶行为识别方法 |
CN111783960A (zh) * | 2020-07-09 | 2020-10-16 | 中国人民解放军国防科技大学 | 基于自动编码器和双向lstm的船舶轨迹预测方法及系统 |
CN113569921A (zh) * | 2021-07-07 | 2021-10-29 | 中国人民解放军海军航空大学岸防兵学院 | 一种基于gnn的船舶分类识别方法及装置 |
-
2021
- 2021-12-09 CN CN202111494779.3A patent/CN114155491B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7817079B1 (en) * | 2008-04-17 | 2010-10-19 | The United States Of America As Represented By The Secretary Of The Navy | System and method for collection of global AIS and radar track information |
CN110232319A (zh) * | 2019-05-07 | 2019-09-13 | 杭州电子科技大学 | 一种基于深度学习的船舶行为识别方法 |
CN111783960A (zh) * | 2020-07-09 | 2020-10-16 | 中国人民解放军国防科技大学 | 基于自动编码器和双向lstm的船舶轨迹预测方法及系统 |
CN113569921A (zh) * | 2021-07-07 | 2021-10-29 | 中国人民解放军海军航空大学岸防兵学院 | 一种基于gnn的船舶分类识别方法及装置 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114881110A (zh) * | 2022-04-02 | 2022-08-09 | 西安交通大学 | 一种在轨航天器舱内总压变化模式的实时检测方法 |
CN114881110B (zh) * | 2022-04-02 | 2023-07-21 | 西安交通大学 | 一种在轨航天器舱内总压变化模式的实时检测方法 |
CN115730263A (zh) * | 2022-11-28 | 2023-03-03 | 中国人民解放军91977部队 | 一种船舶行为模式侦测方法及装置 |
CN115730263B (zh) * | 2022-11-28 | 2023-08-22 | 中国人民解放军91977部队 | 一种船舶行为模式侦测方法及装置 |
WO2024120340A1 (zh) * | 2022-12-07 | 2024-06-13 | 大连海事大学 | 一种基于群运动特征的渔网示位标识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114155491B (zh) | 2024-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114155491A (zh) | 一种基于ais数据的船舶行为识别方法及系统 | |
Liu et al. | STMGCN: Mobile edge computing-empowered vessel trajectory prediction using spatio-temporal multigraph convolutional network | |
Zhao et al. | A trajectory clustering method based on Douglas-Peucker compression and density for marine traffic pattern recognition | |
CN110059758B (zh) | 一种基于语义分割的遥感影像养殖塘检测方法 | |
CN103996198B (zh) | 复杂自然环境下感兴趣区域的检测方法 | |
CN107818326A (zh) | 一种基于场景多维特征的船只检测方法及系统 | |
CN110751075A (zh) | 一种基于实例分割的遥感影像养殖塘检测方法 | |
Bonin-Font et al. | Visual discrimination and large area mapping of posidonia oceanica using a lightweight auv | |
CN111476285B (zh) | 一种图像分类模型的训练方法及图像分类方法、存储介质 | |
CN110610165A (zh) | 一种基于yolo模型的船舶行为分析方法 | |
CN115035361A (zh) | 基于注意力机制和特征交叉融合的目标检测方法及系统 | |
CN112561876A (zh) | 基于图像的池塘和水库的水质检测方法及系统 | |
CN110443155A (zh) | 一种基于卷积神经网络的视觉航标识别与分类方法 | |
Zhang et al. | Loitering behavior detection and classification of vessel movements based on trajectory shape and Convolutional Neural Networks | |
CN115527269B (zh) | 一种人体姿态图像智能识别方法及系统 | |
Cai et al. | Broken ice circumferential crack estimation via image techniques | |
CN113962153B (zh) | 一种基于注意力机制的船舶碰撞风险评估方法 | |
CN116935361A (zh) | 一种基于深度学习的驾驶员分心行为检测方法 | |
CN115115863A (zh) | 水面多尺度目标检测方法、装置及系统和存储介质 | |
Yasir et al. | ShipGeoNet: SAR image-based geometric feature extraction of ships using convolutional neural networks | |
Wang et al. | Marine vessel detection dataset and benchmark for unmanned surface vehicles | |
CN114170686A (zh) | 一种基于人体关键点的屈肘行为检测方法 | |
Zhao et al. | Semantic segmentation of sea ice based on U-Net network modification | |
CN114510961A (zh) | 基于递归神经网络和北斗定位的船舶行为智能监控算法 | |
Liu et al. | Research on A Ship Trajectory Classification Method Based on Deep Learning |
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 |