CN114219039A - 一种基于船舶行为特征的船舶轨迹压缩方法及其系统 - Google Patents

一种基于船舶行为特征的船舶轨迹压缩方法及其系统 Download PDF

Info

Publication number
CN114219039A
CN114219039A CN202111553973.4A CN202111553973A CN114219039A CN 114219039 A CN114219039 A CN 114219039A CN 202111553973 A CN202111553973 A CN 202111553973A CN 114219039 A CN114219039 A CN 114219039A
Authority
CN
China
Prior art keywords
track
ship
data
ship track
matrix
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
Application number
CN202111553973.4A
Other languages
English (en)
Other versions
CN114219039B (zh
Inventor
王雷
袁俊峰
张纪林
欧东阳
曾艳
许洋
刘震
徐传奇
于晓康
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202111553973.4A priority Critical patent/CN114219039B/zh
Publication of CN114219039A publication Critical patent/CN114219039A/zh
Application granted granted Critical
Publication of CN114219039B publication Critical patent/CN114219039B/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
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Navigation (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开一种基于船舶行为特征的船舶轨迹压缩方法及其系统，本发明对船舶轨迹中缺失值数据进行预处理，然后构建特征矩阵；利用DBSCAN算法对特征矩阵I进行基于密度的聚类，得到不同船舶行为的轨迹片段；使用k‑Means方法将轨迹片段分为抛锚阶段、航行阶段、捕鱼阶段；对船舶轨迹根据不同的行为进行自适应压缩。本发明实现了对船舶轨迹数据的有效压缩，压缩方法考虑了船舶轨迹的具体行为特征，既确保压缩前后船舶轨迹数据特征的一致，又实现船舶轨迹数据的压缩，保证船舶管理系统轨迹查询相关功能的流畅性。

Description

一种基于船舶行为特征的船舶轨迹压缩方法及其系统
技术领域
本发明属于面向智慧海洋领域，涉及一种基于船舶行为特征的船舶轨迹压缩方法及其系统。
背景技术
在智慧海洋的背景下，非法捕鱼是海洋渔业管理中一个关键问题。通过渔船管理系统中的船舶轨迹回放功能，可以查看渔船在一段时间内的轨迹信息，进而分析出渔船是否有到禁渔区域捕鱼的非法行为。然而，当查询时间范围过大时，过多的船舶轨迹数据会造成以下两个问题：第一个为数据传输时间问题，当带宽一定时，数据的传输时间过长；第二个为软件性能问题，由于浏览器单个标签页的内存存在上限以及前端地图引擎框架本身的性能存在上限，过多数据可能会造成整个系统的卡顿甚至卡死现象。因此，需要对船舶的轨迹数据进行压缩处理。
目前存在的船舶轨迹压缩方法，只考虑船舶的基本特征信息，忽略了船舶行为对于船舶轨迹压缩的影响。船舶的行为可以分为抛锚、航行和捕鱼，当船舶处于不同的行为状态时，由于船舶的航速不同，造成船舶相邻轨迹点的间隔不同。如果只使用一种压缩方法，会造成部分船舶行为轨迹丢失的问题。因此，本发明提出了一种基于船舶行为特征的轨迹压缩方法。首先，根据船舶的基本信息，建立数学矩阵模型，使用DBSCAN算法对其进行聚类，生成不同船舶行为的轨迹片段。然后，使用k-Means算法对于不同的轨迹片段进行行为分类。最后，针对不同的船舶行为，使用不同的船舶轨迹压缩算法，极大的保留了船舶的行为特征，同时完成了对大量船舶轨迹数据的压缩。
发明内容
本发明的目的在于克服现有技术方法的不足，针对传统的轨迹压缩算法不能很好保留船舶行为问题，提出一种基于船舶行为特征的船舶轨迹压缩方法。
本发明解决其技术问题采用的技术方案步骤如下：
步骤1：采集智慧海洋船舶产生的船舶轨迹数据，对船舶轨迹中缺失值数据进行预处理；
所述船舶轨迹数据包括船舶的航速、经纬度、时间；
步骤2：根据预处理好的船舶轨迹数据，采用其航速、经纬度以及时间构建特征矩阵；
步骤3：利用DBSCAN算法对特征矩阵I进行基于密度的聚类，得到不同船舶行为的轨迹片段集合；
步骤4：使用k-Means方法将轨迹片段集合T中m段轨迹片段分为3类，分别为抛锚阶段的船舶轨迹集合P、航行阶段的船舶轨迹集合H以及捕鱼阶段的船舶轨迹集合B；
步骤5：对船舶轨迹根据不同的行为进行自适应压缩。
本发明的另一个目的是提供一种基于船舶行为特征的船舶轨迹压缩系统，包括：
船舶轨迹获取模块，用于采集智慧海洋船舶产生的船舶轨迹数据，对船舶轨迹中缺失值数据进行预处理；；
特征矩阵构建模块，用于根据船舶轨迹获取模块处理后的船舶轨迹数据构建特征矩阵；
不同船舶行为轨迹聚类模块，用于对特征矩阵构建模块得到的特征矩阵I使用DBSCAN算法进行聚类，得到不同船舶行为的轨迹片段；
轨迹分类模块，用于对不同船舶行为轨迹聚类模块得到的不同船舶行为的轨迹片段使用k-Means算法进行分类，得到抛锚阶段的船舶轨迹集合P、航行阶段的船舶轨迹集合H以及捕鱼阶段的船舶轨迹集合B；
轨迹压缩模块，用于对轨迹分类模块得到的抛锚阶段的船舶轨迹集合P、航行阶段的船舶轨迹集合H以及捕鱼阶段的船舶轨迹集合B根据不同的船舶行为进行自适应压缩。
本发明的又一个目的是提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行上述的方法。
本发明的再一个目的是提供一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现上述的方法。
本发明具有的有益效果是：
本发明中，实现对船舶轨迹数据的有效压缩，压缩方法考虑船舶轨迹的空间、时间以及自身的运动属性，同时兼顾船舶的行为信息，对于不同的船舶行为采用不同的船舶轨迹压缩方法，既确保压缩前后船舶轨迹数据特征的一致，又实现船舶轨迹数据的压缩，保证船舶管理系统轨迹查询相关功能的流畅性。
附图说明
图1为本发明方法流程图。
图2为本发明船舶行为特征分析图。
图3为本发明针对不同船舶行为采用不同压缩方法的示意图。
图4为本发明旋转门压缩算法示意图。
具体实施方式
下面结合附图，对本发明的具体实施方案作进一步详细描述。其具体步骤描述如图1所示，其中：
步骤1：采集智慧海洋船舶产生的船舶轨迹数据，对船舶轨迹中缺失值数据进行预处理；
所述船舶轨迹数据包括船舶的航速、经纬度、时间；
对于航速缺失值使用基于经纬度信息的线性插入法进行修复；对于经纬度缺失值使用基于时间的线性插入法进行修复；对于时间缺失值使用基于航速的线性插入法进行修复；具体是：
若航速vi值缺失，其中i表示第i个轨迹点。如果vi-1值为5.1，vi+1值为5.3,经度loni值为122.2，loni-1值为122.1,loni+1值为122.3，那么按照线性插入法可计算得出vi＝5.2。
若经度loni值缺失，其中i表示第i个轨迹点。如果loni-1值为123.6，loni+1值为123.9,时间ti值为1554700946，ti-1值为1554700945,ti+1值为1554700948，那么按照线性插入法可计算得出loni＝123.7。
若时间ti值缺失，其中i表示第i个轨迹点。如果ti-1值为1586323341，ti+1值为1586323343，速度vi值为4.2，vi-1值为4.0,vi+1值为4.4，那么按照线性插入法可计算得出ti＝1586323342。
步骤2：根据预处理好的船舶轨迹数据，采用其航速、经纬度以及时间构建特征矩阵；具体是：
2-1使用公式(1)对于航速，经纬度以及时间向量进行归一化处理：
Figure BDA0003418577260000031
x代指航速、经度、纬度或者时间中任何一种数据。xmin表示数据的最小值，x表示当前数据值，xmax表示数据最大值。
2-2对归一化处理后的经纬度使用PCA(Principal Component Analysis)方法进行降维处理。
2-3根据步骤2-1归一化处理后的航速、时间向量、以及步骤2-2降维后的经纬度，通过公式(2)构建特征矩阵I：
Figure BDA0003418577260000032
wv+wl+wt＝1 (3)
其中V表示加权后的航速矩阵，L表示加权后的空间矩阵，T表示加权后的时间矩阵，vi表示第i个轨迹点处的航速，loci表示第i个轨迹点处的经纬度拟合为一维的坐标信息，ti表示第i个轨迹点的时间信息。wv、wl和wt分别表示优化后的航速矩阵，空间矩阵和时间矩阵的权重。
所述航速矩阵，空间矩阵和时间矩阵的权重wv、wl和wt的优化过程：
1)将船舶轨迹数据平均分为n组，每组数据设定不同的wv、wl和wt权重，权重值成等差数列；所述等差数列的距离d＝1/(n+2)；
2)对每组数据使用DBSCAN算法进行聚类，计算每组数据的聚类结果的平均距离误差之和αi，其中i表示第i组数据；
平均距离误差的计算方法为每个簇内的数据点到簇形心的距离除以当前簇的数量；
3)选择平均距离误差之和αi最小对应的数据组的权重wv、wl和wt作为优化后的航速矩阵、空间矩阵和时间矩阵的权重。
步骤4：利用DBSCAN算法对特征矩阵I进行基于密度的聚类，得到不同船舶行为的轨迹片段集合T＝{Traj1,Traj2…Trajm}，Trajm表示第m条轨迹片段；
步骤5：使用k-Means方法将轨迹片段集合T中m段轨迹片段分为3类，分别为抛锚阶段的船舶轨迹集合P、航行阶段的船舶轨迹集合H以及捕鱼阶段的船舶轨迹集合B；图2为本发明船舶行为特征分析图。
步骤6：对船舶轨迹根据不同的行为进行自适应压缩；如图3具体如下：
1)对于抛锚阶段的船舶轨迹集合P，其特征表现为船舶的空间位置基本不变、航速基本为零，所以使用基于时间窗口的压缩方法对船舶轨迹进行压缩。具体是：
对各船舶轨迹利用时间窗口进行分割，得到N个子轨迹；保留前N-1个子轨迹的第一个船舶轨迹点，第N个子轨迹的最后一个船舶轨迹点，实现压缩；其中时间窗大小为St。
2)对于航行阶段的船舶轨迹集合H，其特征表现为航速快、航行路线近似直线或者平滑曲线，所以采用旋转门压缩方法进行轨迹压缩。如图4具体是：
a)构建一个平行四边形，以轨迹点p0作为平行四边形的左边中心点，以第j个轨迹点pj作为平行四边形的右边中心；左右边的宽度为两倍的精度参数E，其中精度参数E为用户可接受的数据失真量；第一次初始化时以船舶轨迹的起始轨迹点作为轨迹点p0；
b)若轨迹点p0至轨迹点pj间的其他轨迹点均在当前平行四边形内，则更新j＝j+1。重复步骤b)，直至存在至少一个轨迹点落在当前平行四边形外时，将轨迹点pj-1记为归纳点，并且保留归纳点；
c)更新p0＝pj，再更新j＝j+1，返回至步骤b)，直至遍历当前船舶轨迹的所有轨迹点。
3)对于捕鱼阶段的船舶轨迹集合B，其特征表现为船舶轨迹航速较快、方向变化频繁、整体轨迹曲线特征复杂，所以采用DP算法对其轨迹进行压缩；具体是：
a)将各船舶轨迹的首尾轨迹点进行连线，记为边EF。
b)计算当前船舶轨迹中距离边EF最大的轨迹点M以及其垂直距离dist。如果dist大于预先设定的距离阈值dMax，则将其保留到压缩后的轨迹集合中，反之则不保留。
c)轨迹点M将当前船舶轨迹分割为2段子轨迹，分别在这2段子轨迹重复步骤a、b、c，直到所有轨迹点完成压缩。

Claims (10)

1.一种基于船舶行为特征的船舶轨迹压缩方法，其特征在于该方法包括以下步骤：
步骤1：采集智慧海洋船舶产生的船舶轨迹数据，对船舶轨迹中缺失值数据进行预处理；
所述船舶轨迹数据包括船舶的航速、经纬度、时间；
步骤2：根据预处理好的船舶轨迹数据，采用其航速、经纬度以及时间构建特征矩阵；
步骤3：利用DBSCAN算法对特征矩阵I进行基于密度的聚类，得到不同船舶行为的轨迹片段集合T＝{Traj1,Traj2…Trajm}，Trajm表示第m条轨迹片段；
步骤4：使用k-Means方法将轨迹片段集合T中m段轨迹片段分为3类，分别为抛锚阶段的船舶轨迹集合P、航行阶段的船舶轨迹集合H以及捕鱼阶段的船舶轨迹集合B；
步骤5：对船舶轨迹根据不同的行为进行自适应压缩；
对于抛锚阶段的船舶轨迹集合P，使用基于时间窗口的压缩方法对船舶轨迹进行压缩；
对于航行阶段的船舶轨迹集合H，采用旋转门压缩方法对船舶轨迹进行压缩；
对于捕鱼阶段的船舶轨迹集合B，采用DP算法对对船舶轨迹进行压缩。
2.如权利要求1所述的一种基于船舶行为特征的船舶轨迹压缩方法，其特征在于步骤1对于航速缺失值使用基于经纬度信息的线性插入法进行修复；对于经纬度缺失值使用基于时间的线性插入法进行修复；对于时间缺失值使用基于航速的线性插入法进行修复。
3.如权利要求1所述的一种基于船舶行为特征的船舶轨迹压缩方法，其特征在于步骤2具体是：
2-1使用公式(1)对于航速，经纬度以及时间向量进行归一化处理：
Figure FDA0003418577250000011
x代指航速、经度、纬度或者时间中任何一种数据；xmin表示数据的最小值，x表示当前数据值，xmax表示数据最大值；
2-2对归一化处理后的经纬度使用PCA(Principal Component Analysis)方法进行降维处理；
2-3根据步骤2-1归一化处理后的航速、时间向量、以及步骤2-2降维后的经纬度，通过公式(2)构建特征矩阵I：
Figure FDA0003418577250000021
wv+wl+wt＝1 (3)
其中V表示加权后的航速矩阵，L表示加权后的空间矩阵，T表示加权后的时间矩阵，vi表示第i个轨迹点处的航速，loci表示第i个轨迹点处的经纬度拟合为一维的坐标信息，ti表示第i个轨迹点的时间信息；wv、wl和wt分别表示优化后的航速矩阵，空间矩阵和时间矩阵的权重。
4.如权利要求3所述的一种基于船舶行为特征的船舶轨迹压缩方法，其特征在于所述航速矩阵，空间矩阵和时间矩阵的权重wv、wl和wt的优化过程：
1)将船舶轨迹数据平均分为n组，每组数据设定不同的wv、wl和wt权重，权重值成等差数列；所述等差数列的距离d＝1/(n+2)；
2)对每组数据使用DBSCAN算法进行聚类，计算每组数据的聚类结果的平均距离误差之和αi，其中i表示第i组数据；
平均距离误差的计算方法为每个簇内的数据点到簇形心的距离除以当前簇的数量；
3)选择平均距离误差之和αi最小对应的数据组的权重wv、wl和wt作为优化后的航速矩阵、空间矩阵和时间矩阵的权重。
5.如权利要求1所述的一种基于船舶行为特征的船舶轨迹压缩方法，其特征在于步骤5中对于抛锚阶段的船舶轨迹集合P，使用基于时间窗口的压缩方法对船舶轨迹进行压缩；具体是：
对各船舶轨迹利用时间窗口进行分割，得到N个子轨迹；保留前N-1个子轨迹的第一个船舶轨迹点，第N个子轨迹的最后一个船舶轨迹点，实现压缩；其中时间窗大小为St。
6.如权利要求1所述的一种基于船舶行为特征的船舶轨迹压缩方法，其特征在于步骤5中对于航行阶段的船舶轨迹集合H，采用旋转门压缩方法对船舶轨迹进行压缩；具体是：
a)构建一个平行四边形，以轨迹点p0作为平行四边形的左边中心点，以第j个轨迹点pj作为平行四边形的右边中心；左右边的宽度为两倍的精度参数E，其中精度参数E为用户可接受的数据失真量；第一次初始化时以船舶轨迹的起始轨迹点作为轨迹点p0；
b)若轨迹点p0至轨迹点pj间的其他轨迹点均在当前平行四边形内，则更新j＝j+1；重复步骤b)，直至存在至少一个轨迹点落在当前平行四边形外时，将轨迹点pj-1记为归纳点，并且保留归纳点；
c)更新p0＝pj，再更新j＝j+1，返回至步骤b)，直至遍历当前船舶轨迹的所有轨迹点。
7.如权利要求1所述的一种基于船舶行为特征的船舶轨迹压缩方法，其特征在于步骤5中对于捕鱼阶段的船舶轨迹集合B，采用DP算法对对船舶轨迹进行压缩；具体是：
a)将各船舶轨迹的首尾轨迹点进行连线，记为边EF；
b)计算当前船舶轨迹中距离边EF最大的轨迹点M以及其垂直距离dist；如果dist大于预先设定的距离阈值dMax，则将其保留到压缩后的轨迹集合中，反之则不保留；
c)轨迹点M将当前船舶轨迹分割为2段子轨迹，分别在这2段子轨迹重复步骤a)、b)、c)，直到所有轨迹点完成压缩。
8.一种基于船舶行为特征的船舶轨迹压缩系统，其特征在于包括：
船舶轨迹获取模块，用于采集智慧海洋船舶产生的船舶轨迹数据，对船舶轨迹中缺失值数据进行预处理；；
特征矩阵构建模块，用于根据船舶轨迹获取模块处理后的船舶轨迹数据构建特征矩阵；
不同船舶行为轨迹聚类模块，用于对特征矩阵构建模块得到的特征矩阵I使用DBSCAN算法进行聚类，得到不同船舶行为的轨迹片段；
轨迹分类模块，用于对不同船舶行为轨迹聚类模块得到的不同船舶行为的轨迹片段使用k-Means算法进行分类，得到抛锚阶段的船舶轨迹集合P、航行阶段的船舶轨迹集合H以及捕鱼阶段的船舶轨迹集合B；
轨迹压缩模块，用于对轨迹分类模块得到的抛锚阶段的船舶轨迹集合P、航行阶段的船舶轨迹集合H以及捕鱼阶段的船舶轨迹集合B根据不同的船舶行为进行自适应压缩。
9.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-7任一项所述的方法。
10.一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求1-7任一项所述的方法。
CN202111553973.4A 2021-12-17 2021-12-17 一种基于船舶行为特征的船舶轨迹压缩方法及其系统 Active CN114219039B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111553973.4A CN114219039B (zh) 2021-12-17 2021-12-17 一种基于船舶行为特征的船舶轨迹压缩方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111553973.4A CN114219039B (zh) 2021-12-17 2021-12-17 一种基于船舶行为特征的船舶轨迹压缩方法及其系统

Publications (2)

Publication Number Publication Date
CN114219039A true CN114219039A (zh) 2022-03-22
CN114219039B CN114219039B (zh) 2024-05-24

Family

ID=80703850

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111553973.4A Active CN114219039B (zh) 2021-12-17 2021-12-17 一种基于船舶行为特征的船舶轨迹压缩方法及其系统

Country Status (1)

Country Link
CN (1) CN114219039B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111949750A (zh) * 2020-07-30 2020-11-17 智慧航海（青岛）科技有限公司 一种船舶轨迹模型建立及异常轨迹检测方法
CN113032502A (zh) * 2021-02-09 2021-06-25 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
CN113537386A (zh) * 2021-08-01 2021-10-22 大连海事大学 一种基于改进K-Medoids聚类的船舶典型运动轨迹自适应挖掘方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111949750A (zh) * 2020-07-30 2020-11-17 智慧航海（青岛）科技有限公司 一种船舶轨迹模型建立及异常轨迹检测方法
CN113032502A (zh) * 2021-02-09 2021-06-25 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
CN113537386A (zh) * 2021-08-01 2021-10-22 大连海事大学 一种基于改进K-Medoids聚类的船舶典型运动轨迹自适应挖掘方法

Also Published As

Publication number Publication date
CN114219039B (zh) 2024-05-24

Similar Documents

Publication Publication Date Title
CN109800692B (zh) 一种基于预训练卷积神经网络的视觉slam回环检测方法
Hausler et al. Multi-process fusion: Visual place recognition using multiple image processing methods
CN107563372B (zh) 一种基于深度学习ssd框架的车牌定位方法
WO2023097971A1 (zh) 4d毫米波雷达数据处理的方法
CN108230291B (zh) 物体识别系统训练方法、物体识别方法、装置和电子设备
CN109214353B (zh) 一种基于剪枝模型的人脸图像快速检测训练方法和装置
CN108021908B (zh) 人脸年龄段识别方法及装置、计算机装置及可读存储介质
CN111626120B (zh) 工业环境下基于改进的yolo-6d算法的目标检测方法
CN111488879A (zh) 利用双嵌入构成的用于提高分割性能的方法及装置
CN113283473B (zh) 一种基于cnn特征映射剪枝的快速水下目标识别方法
Xiong et al. Contrastive learning for automotive mmWave radar detection points based instance segmentation
CN109784155B (zh) 基于验证和纠错机制的视觉目标跟踪方法、智能机器人
CN112258557B (zh) 一种基于空间注意力特征聚合的视觉跟踪方法
CN114139608A (zh) 一种基于ais轨迹数据的多步聚类的渔船行为识别方法
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
Alsanad et al. Real-time fuel truck detection algorithm based on deep convolutional neural network
CN115071762A (zh) 面向城市场景下行人轨迹预测方法、模型及存储介质
CN115965657A (zh) 目标跟踪方法、电子设备、存储介质及车辆
CN112748451B (zh) 轨迹处理方法、装置、电子设备及介质
CN111126501B (zh) 一种图像识别方法、终端设备及存储介质
CN114219039B (zh) 一种基于船舶行为特征的船舶轨迹压缩方法及其系统
CN113780157A (zh) 一种结合深度学习和高斯混合模型的无监督逆行检测算法
CN114091578A (zh) 一种基于曲线长度距离的船舶轨迹聚类方法
CN112350733B (zh) 一种基于有效距离的快速轨迹压缩方法
CN117274723B (zh) 一种用于输电巡检的目标识别方法、系统、介质及设备

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