CN115953746A - 一种船只监测方法及装置 - Google Patents
一种船只监测方法及装置 Download PDFInfo
- Publication number
- CN115953746A CN115953746A CN202310232785.4A CN202310232785A CN115953746A CN 115953746 A CN115953746 A CN 115953746A CN 202310232785 A CN202310232785 A CN 202310232785A CN 115953746 A CN115953746 A CN 115953746A
- Authority
- CN
- China
- Prior art keywords
- ship
- image
- vessel
- features
- motion
- 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
Images
Landscapes
- Image Analysis (AREA)
Abstract
本申请提供一种船只监测方法及装置,应用于海洋渔业技术领域,该方法包括获取监测区域内的船只图像;提取所述船只图像中船只的动作特征和所述船只的外形特征;根据所述船只图像中船只的动作特征和所述船只的外形特征,识别所述船只的类型;在所述船只的类型为预设船只类型的情况下,获取所述船只的航行轨迹;根据所述船只的航行轨迹,预测所述船只是否将进入所述监测区域中的目标区域。该方法通过对船只图像进行特征提取,快速确定船只类型,在船只类型为预设船只类型的情况下,有针对性地预测该船只是否将进入目标区域,从而提高了船只监测方法的效率。
Description
技术领域
本申请涉及海洋渔业技术领域,尤其涉及一种船只监测方法及装置。
背景技术
随着非法捕捞的现象越来越严重,现在沿海各地的渔业资源也逐渐变得紧张,故对船只捕捞行为的监测也越来越重要,现有的船只监测方法需要通过监控对每个船只的捕捞行为进行监测,由于船只数量众多且每个船只的捕捞行为各异,很难快速发现该船只是否为非法捕捞的船只,从而难以有针对性地对船只是否会进入目标区域进行预测,故现有的船只监测方法效率较低。
发明内容
本申请实施例提供一种船只监测方法及装置,以解决现有船只监测方法效率较低的问题。
为了解决上述技术问题,本申请是这样实现的:
第一方面,本申请实施例提供了一种船只监测方法。该方法包括:
获取监测区域内的船只图像;
提取所述船只图像中船只的动作特征和所述船只的外形特征;
根据所述船只图像中船只的动作特征和所述船只的外形特征,识别所述船只的类型;
在所述船只的类型为预设船只类型的情况下,获取所述船只的航行轨迹;
根据所述船只的航行轨迹,预测所述船只是否将进入所述监测区域中的目标区域。
可选地,所述获取监测区域内的船只图像,包括:
获取监测区域的第一全景图像;
对所述第一全景图像进行图像降噪处理,得到第二全景图像;
对所述第二全景图像进行图像增强处理,得到第三全景图像;
对所述第三全景图像进行灰度变换,得到第四全景图像;
根据所述第四全景图像中每个像素点的灰度值,对所述第四全景图像进行实体识别,得到所述第四全景图像中的多个实体图像;
对所述第四全景图像中的多个实体图像进行船只检测,得到所述监测区域内的船只图像。
可选地,所述船只图像包括多帧连续的第一船只图像;
所述提取所述船只图像中船只的动作特征,包括:
识别所述多帧连续的第一船只图像中的运动主体;
根据所述运动主体在所述多帧连续的第一船只图像中的动作,获取所述运动主体的运动轨迹;
根据所述运动主体的运动轨迹,确定所述船只的动作特征。
可选地,所述提取所述船只图像中所述船只的外形特征,包括:
提取所述船只图像中的多个第一船只特征;
分别对所述多个第一船只特征中的每个第一船只特征进行线性变换,对应得到多个第二船只特征;
计算所述多个第二船只特征中每两个第二船只特征之间的线性相关系数;
根据所述多个第二船只特征中每两个第二船只特征之间的线性相关系数,对所述多个第二船只特征进行加权合并,得到多个第三船只特征;
根据所述多个第三船只特征中每一个第三船只特征的重要度,将所述多个第三船只特征对应的特征矩阵进行矩阵融合,得到所述船只的外形特征。
可选地,所述提取所述船只图像中的多个第一船只特征,包括:
对所述船只图像进行归一化处理,得到第二船只图像;
根据所述第二船只图像的像素数量,对所述第二船只图像进行图像分割,得到第三船只图像;
根据所述第三船只图像中每个像素的梯度值和梯度方向,提取所述船只图像中的多个第一船只特征。
可选地,所述第三船只特征的重要度基于如下公式计算得到:
其中,表示第三船只特征的重要度,表示第三船只特征的总数,表示第i个第三船只特征对应的特征向量值,表示第三船只特征的向量均值,表示第i个第三船只特征对应的向量维度系数,表示第i个第三船只特征对应属性向量值。
可选地,所述在所述船只的类型为预设船只类型的情况下,获取所述船只的航行轨迹,包括:
每隔预设时间间隔,获取所述船只的航行位置,得到所述船只的多个航行位置;
根据所述多个航行位置中第一航行位置和第二航行位置之间的距离,以及所述第一航行位置到所述第二航行位置的角度变化值,确定所述船只的航行轨迹,所述第一航行位置和所述第二航行位置为所述船只的相邻的两个航行位置。
第二方面,本申请实施例还提供一种船只监测装置,该装置包括:
第一获取模块,用于获取监测区域内的船只图像;
第一提取模块,用于提取所述船只图像中船只的动作特征和所述船只的外形特征;
第一识别模块,用于根据所述船只图像中船只的动作特征和所述船只的外形特征,识别所述船只的类型;
第二获取模块,用于在所述船只的类型为预设船只类型的情况下,获取所述船只的航行轨迹;
第一预测模块,用于根据所述船只的航行轨迹,预测所述船只是否将进入所述监测区域中的目标区域。
可选地,所述第一获取模块,包括:
第一获取单元,用于获取监测区域的第一全景图像;
第一处理单元,用于对所述第一全景图像进行图像降噪处理,得到第二全景图像;
第二处理单元,用于对所述第二全景图像进行图像增强处理,得到第三全景图像;
第一变换单元,用于对所述第三全景图像进行灰度变换,得到第四全景图像;
第一识别单元,用于根据所述第四全景图像中每个像素点的灰度值,对所述第四全景图像进行实体识别,得到所述第四全景图像中的多个实体图像;
第一检测单元,用于对所述第四全景图像中的多个实体图像进行船只检测,得到所述监测区域内的船只图像。
可选地,所述船只图像包括多帧连续的第一船只图像;
所述第一提取模块,包括:
第二识别单元,用于识别所述多帧连续的第一船只图像中的运动主体;
第二获取单元,用于根据所述运动主体在所述多帧连续的第一船只图像中的动作,获取所述运动主体的运动轨迹;
第一确定单元,用于根据所述运动主体的运动轨迹,确定所述船只的动作特征。
可选地,所述第一提取模块,包括:
第一提取单元,用于提取所述船只图像中的多个第一船只特征;
第二变换单元,用于分别对所述多个第一船只特征中的每个第一船只特征进行线性变换,对应得到多个第二船只特征;
第一计算单元,用于计算所述多个第二船只特征中每两个第二船只特征之间的线性相关系数;
第一合并单元,用于根据所述多个第二船只特征中每两个第二船只特征之间的线性相关系数,对所述多个第二船只特征进行加权合并,得到多个第三船只特征;
第二合并单元,用于根据所述多个第三船只特征中每一个第三船只特征的重要度,将所述多个第三船只特征对应的特征矩阵进行矩阵融合,得到所述船只的外形特征。
可选地,所述第一提取单元,包括:
第一处理子单元,用于对所述船只图像进行归一化处理,得到第二船只图像;
第一分割子单元,用于根据所述第二船只图像的像素数量,对所述第二船只图像进行图像分割,得到第三船只图像;
第一提取子单元,用于根据所述第三船只图像中每个像素的梯度值和梯度方向,提取所述船只图像中的多个第一船只特征。
可选地,所述第三船只特征的重要度基于如下公式计算得到:
其中,表示第三船只特征的重要度,表示第三船只特征的总数,表示第i个第三船只特征对应的特征向量值,表示第三船只特征的向量均值,表示第i个第三船只特征对应的向量维度系数,表示第i个第三船只特征对应属性向量值。
可选地,所述第二获取模块,包括:
第三获取单元,用于每隔预设时间间隔,获取所述船只的航行位置,得到所述船只的多个航行位置;
第二确定单元,用于根据所述多个航行位置中第一航行位置和第二航行位置之间的距离,以及所述第一航行位置到所述第二航行位置的角度变化值,确定所述船只的航行轨迹,所述第一航行位置和所述第二航行位置为所述船只的相邻的两个航行位置。
第三方面,本申请实施例还提供一种船只监测装置,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现上述的船只监测方法的步骤。
第四方面,本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述的船只监测方法的步骤。
本申请实施例的船只监测方法,该方法包括获取监测区域内的船只图像;提取所述船只图像中船只的动作特征和所述船只的外形特征;根据所述船只图像中船只的动作特征和所述船只的外形特征,识别所述船只的类型;在所述船只的类型为预设船只类型的情况下,获取所述船只的航行轨迹;根据所述船只的航行轨迹,预测所述船只是否将进入所述监测区域中的目标区域。该方法通过对船只图像进行特征提取,快速确定船只类型,在船只类型为预设船只类型的情况下,有针对性地预测该船只是否将进入目标区域,从而提高了船只监测方法的效率。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例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申请的一些实施例,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是本申请实施例提供的船只监测方法的流程图;
图2是本申请又一实施例提供的船只监测装置的结构图;
图3是本申请又一实施例提供的电子设备的结构图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例提供一种船只监测方法。参见图1,图1是本申请实施例提供的船只监测方法的流程图,如图1所示,包括以下步骤:
步骤101、获取监测区域内的船只图像;
在该步骤中,监测区域为准备进行监测管理的区域,如河道区域、海洋区域等,首先通过智能摄像设备对监测区域内的图像进行拍摄,然后再从拍摄的监测区域的图像中提取出船只图像,前述智能摄像设备可以为ai智能摄像头。
步骤102、提取所述船只图像中船只的动作特征和所述船只的外形特征;
在该步骤中,船只的动作特征为与船只的捕捞行为有关的动作特征,比如撒网、扔鱼饵等动作,船只的外形特征为船只的大小、颜色等特征。
步骤103、根据所述船只图像中船只的动作特征和所述船只的外形特征,识别所述船只的类型;
在该步骤中,根据船只图像中船只的动作特征和船只的外形特征,确定船只的类型,示例性地,在船只使用帆张网进行捕捞,且船只体型较大的时候,即确定该船只为非法捕捞的船只;在船只基本,基本没有捕捞行为并监测到船上有大型的照明设备,且船只体型较小时候,即确定该船只为执法船只。
步骤104、在所述船只的类型为预设船只类型的情况下,获取所述船只的航行轨迹;
在该步骤中,预设船只类型可以为非法捕捞船只,在确定船只的类型为非法捕捞船只的情况下,再对船只的航行轨迹进行监测。
步骤105、根据所述船只的航行轨迹,预测所述船只是否将进入所述监测区域中的目标区域。
在该步骤中,对于监测区域中目标区域确定的过程为:首先获取监测区域中的区域信息,比如存在的建筑设施以及区域内部养殖的鱼类等,根据这些区域信息对监测区域进行等级划分,确定每个区域的等级,然后根据区域的等级确定应该重点监测的目标区域。
前述根据区域信息对监测区域进行等级划分,确定每个区域的等级的过程为:对区域信息进行文本识别,得到信息文本,对信息文本进行分词处理,得到文本分词,计算文本分词中每个分词的权重,得到分词权重,对文本分词进行语义解析,得到分词语义,根据分词语义,对关键区域进行区域划分,得到划分区域,根据分词权重,对划分区域进行等级设置,得到区域等级。其中,所述信息文本是区域信息对应的文本内容,文本分词是信息文本中的字词,分词权重表示文本分词的重要程度,分词语义是文本分词对应的解释含义。
进一步的,作为本申请的一个可选实施例,计算文本分词中每个分词的权重,得到分词权重,包括:通过下述公式计算所述文本分词中每个分词的权重:
进一步的,对区域信息进行文本识可以通过OCR文字识别技术实现,对信息文本进行分词处理可以通过ik分词器实现,计算文本分词中每个分词的权重可以通过主成分法实现,对文本分词进行语义解析可以通过单步算法实现,对关键区域进行区域划分可以通过根据分词语义的类型进行划分,对划分区域进行等级可以通过根据分词权重的数值大小进行设置。
本申请实施例的船只监测方法通过对船只图像进行特征提取,快速确定船只类型,在船只类型为预设船只类型的情况下,有针对性地预测该船只是否将进入目标区域,从而提高了船只监测方法的效率。
可选地,所述获取监测区域内的船只图像,包括:
获取监测区域的第一全景图像;
对所述第一全景图像进行图像降噪处理,得到第二全景图像;
对所述第二全景图像进行图像增强处理,得到第三全景图像;
对所述第三全景图像进行灰度变换,得到第四全景图像;
根据所述第四全景图像中每个像素点的灰度值,对所述第四全景图像进行实体识别,得到所述第四全景图像中的多个实体图像;
对所述第四全景图像中的多个实体图像进行船只检测,得到所述监测区域内的船只图像。
在本申请实施例的船只监测方法中,第二全景图像是第一全景图像中的噪声以及噪点经过去除后得到的图像,第三全景图像是第二全景图像经过增强处理后得到的图像,如提高图像的清晰度,第四全景图像是第三全景图像经过灰度化后得到图像,整体颜色变为黑白色,所述灰度值是第四全景图像中每个像素点的对应的亮度值,实体图像是第四全景图像中的实体被识别后得到的图像。
进一步的,对第一全景图像进行图像降噪处理可以通过空域像素特征去噪算法实现,对第二全景图像进行图像增强可以通过中值滤波法实现,对第三全景图像进行灰度变换可以通过灰度变换函数实现,如幂律函数,检测所述灰度航道图像中每个像素点的灰度值可以通过Gamma校正算法实现,对第四全景图像进行实体识别可以通过实体标记算法实现,所述实体标记算法由脚本语言编译,对多个实体图像进行船只检测可以通过目标识别算法实现,如光流法。
该方法通过对监测区域的第一全景图像进行特征提取,得到船只图像,有利于后续快速确定出船只的类型。
可选地,所述船只图像包括多帧连续的第一船只图像;
所述提取所述船只图像中船只的动作特征,包括:
识别所述多帧连续的第一船只图像中的运动主体;
根据所述运动主体在所述多帧连续的第一船只图像中的动作,获取所述运动主体的运动轨迹;
根据所述运动主体的运动轨迹,确定所述船只的动作特征。
在本申请实施例的船只监测方法中,运动主体为第一船只图像中处于运动状态的实体,比如人、运动机器等,根据运动主体在多帧连续的第一船只图像的动作,确定运动主体的运动轨迹,比如撒网动作而形成的抛物线轨迹,确定此时船只的动作特征为捕捞。
进一步的,识别第一船只图像中的运动主体可以通过BP神经网络模型实现,首先将多帧连续的第一船只图像输入BP神经网络模型中的输入层,之后提取每一帧第一船只图像中的图像数据,并通过隐含层对图像数据进行特征提取,将这些特征抽象到另一个维度空间,来展现其更抽象化的特征,使得这些特征能更好的进行线性划分,再通过输出层对隐含层线性转换的特征进行激活,得到期望结果,即多帧连续的第一船只图像中的运动主体,绘制运动主体对应的运动轨迹可以通过轨迹绘制工具实现,该轨迹绘制工具是由Java语言编译。
该方法通过多帧连续的第一船只图像中的运动主体的运动轨迹,确定船只的运动特征,有利于后续快速确定船只的类型。
可选地,所述提取所述船只图像中所述船只的外形特征,包括:
提取所述船只图像中的多个第一船只特征;
分别对所述多个第一船只特征中的每个第一船只特征进行线性变换,对应得到多个第二船只特征;
计算所述多个第二船只特征中每两个第二船只特征之间的线性相关系数;
根据所述多个第二船只特征中每两个第二船只特征之间的线性相关系数,对所述多个第二船只特征进行加权合并,得到多个第三船只特征;
根据所述多个第三船只特征中每一个第三船只特征的重要度,将所述多个第三船只特征对应的特征矩阵进行矩阵融合,得到所述船只的外形特征。
在本申请实施例的船只监测方法中,第二船只特征是第一船只特征经过线性变换后得到的具有线性关系的特征,线性相关系数表示每两个第二船只特征之间的关联程度,第三船只特征是第二船只特征根据线性相关系数加权合并后得到的特征,特征矩阵是第三船只特征矩阵对应的方阵,在一些实施例中,前述到第三船只特征对应特征矩阵可以理解为第三船只特征里面的各个元素所形成的矩阵。进一步的,对第一船只特征进行线性变换可以通过线性函数实现,如一次线性函数,计算每两个第二船只特征之间的相关系数可以通过Spearman系数法实现,对第二船只特征加权合并可以通过加权算法实现,如线性加权法,对第三船只特征对应的特征矩阵进行矩阵融合可以通过矩阵融合器实现,矩阵融合器是由编程语言编译。
该方法通过提取船只图像中的多个第一船只特征,确定船只的外形特征,有利于后续快速确定出船只的类型。
可选地,所述提取所述船只图像中的多个第一船只特征,包括:
对所述船只图像进行归一化处理,得到第二船只图像;
根据所述第二船只图像的像素数量,对所述第二船只图像进行图像分割,得到第三船只图像;
根据所述第三船只图像中每个像素的梯度值和梯度方向,提取所述船只图像中的多个第一船只特征。
在本申请实施例的船只监测方法中,第二船只图像是船只图像经过归一化处理得到的标准图像,像素数量是第二船只图像中包含的像素数量值,第三船只图像是将第二船只图像进行图像分割之后具有一定尺度的图像,如尺度为8*8像素的图像,梯度值是每个像素与相邻像素的变化值,梯度方向是每个像素的变化方向。
进一步的,作为本申请的一个可选实施例,对船只图像进行归一化处理可以通过Z-score法实现,计量第二船只图像的像素数量可以通过科学记数法实现,对第二船只图像进行图像分割可以通过分割工具实现,通过查询像素的方向可以确定每个像素的梯度方向,对船只图像进行特征提取可以通过特征提取算法实现,如lbp特征提取算法。
进一步的,作为本申请的一个可选实施例,可以通过如下公式计算第三船只图像中每个像素的梯度值:
该方法有利于快速提取出船只图像中的第一船只特征。
可选地,所述第三船只特征的重要度基于如下公式计算得到:
其中,表示第三船只特征的重要度,表示第三船只特征的总数,表示第i个第三船只特征对应的特征向量值,表示第三船只特征的向量均值,表示第i个第三船只特征对应的向量维度系数,表示第i个第三船只特征对应属性向量值。
在本申请实施例的船只监测方法中,上述计算公式有利于快速计算出第三船只特征的重要度。
可选地,所述在所述船只的类型为预设船只类型的情况下,获取所述船只的航行轨迹,包括:
每隔预设时间间隔,获取所述船只的航行位置,得到所述船只的多个航行位置;
根据所述多个航行位置中第一航行位置和第二航行位置之间的距离,以及所述第一航行位置到所述第二航行位置的角度变化值,确定所述船只的航行轨迹,所述第一航行位置和所述第二航行位置为所述船只的相邻的两个航行位置。
在本申请实施例的船只监测方法中,船只的航行位置可以通过卫星定位确定,每隔一段相同的预设时间,获取一个船只的航行位置,通过一个航行位置到下一个航行位置之间的距离,以及一个航行位置到下一个航行位置的角度变化值,前述角度变化值是指船只前进时船头角度变化的多少。
作为本申请的一个实施例,对船只的航行位置还可以进行位置标记,位置标记可以通过位置标记工具实现,前述位置标记工具由脚本语言编译,计算每两个航行位置之间的距离可以通过欧式距离算法实现,每两个航行位置之间的角度变化值可以通过角度测量仪实现,船只的航行轨迹可以通过定性预测法得到。
该方法通过船只的航行轨迹,有利于预测该船只是否会进入目标区域。
参见图2,图2是本申请又一实施例提供的船只监测装置的结构图。
如图2所示,船只监测装置200包括:
第一获取模块201,用于获取监测区域内的船只图像;
第一提取模块202,用于提取所述船只图像中船只的动作特征和所述船只的外形特征;
第一识别模块203,用于根据所述船只图像中船只的动作特征和所述船只的外形特征,识别所述船只的类型;
第二获取模块204,用于在所述船只的类型为预设船只类型的情况下,获取所述船只的航行轨迹;
第一预测模块205,用于根据所述船只的航行轨迹,预测所述船只是否将进入所述监测区域中的目标区域。
可选地,所述第一获取模块,包括:
第一获取单元,用于获取监测区域的第一全景图像;
第一处理单元,用于对所述第一全景图像进行图像降噪处理,得到第二全景图像;
第二处理单元,用于对所述第二全景图像进行图像增强处理,得到第三全景图像;
第一变换单元,用于对所述第三全景图像进行灰度变换,得到第四全景图像;
第一识别单元,用于根据所述第四全景图像中每个像素点的灰度值,对所述第四全景图像进行实体识别,得到所述第四全景图像中的多个实体图像;
第一检测单元,用于对所述第四全景图像中的多个实体图像进行船只检测,得到所述监测区域内的船只图像。
可选地,所述船只图像包括多帧连续的第一船只图像;
所述第一提取模块,包括:
第二识别单元,用于识别所述多帧连续的第一船只图像中的运动主体;
第二获取单元,用于根据所述运动主体在所述多帧连续的第一船只图像中的动作,获取所述运动主体的运动轨迹;
第一确定单元,用于根据所述运动主体的运动轨迹,确定所述船只的动作特征。
可选地,所述第一提取模块,包括:
第一提取单元,用于提取所述船只图像中的多个第一船只特征;
第二变换单元,用于分别对所述多个第一船只特征中的每个第一船只特征进行线性变换,对应得到多个第二船只特征;
第一计算单元,用于计算所述多个第二船只特征中每两个第二船只特征之间的线性相关系数;
第一合并单元,用于根据所述多个第二船只特征中每两个第二船只特征之间的线性相关系数,对所述多个第二船只特征进行加权合并,得到多个第三船只特征;
第二合并单元,用于根据所述多个第三船只特征中每一个第三船只特征的重要度,将所述多个第三船只特征对应的特征矩阵进行矩阵融合,得到所述船只的外形特征。
可选地,所述第一提取单元,包括:
第一处理子单元,用于对所述船只图像进行归一化处理,得到第二船只图像;
第一分割子单元,用于根据所述第二船只图像的像素数量,对所述第二船只图像进行图像分割,得到第三船只图像;
第一提取子单元,用于根据所述第三船只图像中每个像素的梯度值和梯度方向,提取所述船只图像中的多个第一船只特征。
可选地,所述第三船只特征的重要度基于如下公式计算得到:
其中,表示第三船只特征的重要度,表示第三船只特征的总数,表示第i个第三船只特征对应的特征向量值,表示第三船只特征的向量均值,表示第i个第三船只特征对应的向量维度系数,表示第i个第三船只特征对应属性向量值。
可选地,所述第二获取模块,包括:
第三获取单元,用于每隔预设时间间隔,获取所述船只的航行位置,得到所述船只的多个航行位置;
第二确定单元,用于根据所述多个航行位置中第一航行位置和第二航行位置之间的距离,以及所述第一航行位置到所述第二航行位置的角度变化值,确定所述船只的航行轨迹,所述第一航行位置和所述第二航行位置为所述船只的相邻的两个航行位置。
参见图3,图3是本申请又一实施提供的电子设备的结构图,如图3所示,电子设备包括:处理器301、通信接口302、通信总线304和存储器303,其中,处理器301、通信接口302和存储器303通过通信总线304完成相互间的交互。
其中,存储器303用于存放计算机程序;处理器301,用于执行存储器303上所存放的程序,所述计算器程序被处理器301执行时:用于获取监测区域内的船只图像;提取所述船只图像中船只的动作特征和所述船只的外形特征;根据所述船只图像中船只的动作特征和所述船只的外形特征,识别所述船只的类型;在所述船只的类型为预设船只类型的情况下,获取所述船只的航行轨迹;
根据所述船只的航行轨迹,预测所述船只是否将进入所述监测区域中的目标区域。
可选地,所述处理器301,具体用于:
获取监测区域的第一全景图像;
对所述第一全景图像进行图像降噪处理,得到第二全景图像;
对所述第二全景图像进行图像增强处理,得到第三全景图像;
对所述第三全景图像进行灰度变换,得到第四全景图像;
根据所述第四全景图像中每个像素点的灰度值,对所述第四全景图像进行实体识别,得到所述第四全景图像中的多个实体图像;
对所述第四全景图像中的多个实体图像进行船只检测,得到所述监测区域内的船只图像。
可选地,所述船只图像包括多帧连续的第一船只图像;
所述处理器301,具体用于:
识别所述多帧连续的第一船只图像中的运动主体;
根据所述运动主体在所述多帧连续的第一船只图像中的动作,获取所述运动主体的运动轨迹;
根据所述运动主体的运动轨迹,确定所述船只的动作特征。
可选地,所述处理器301,具体用于:
提取所述船只图像中的多个第一船只特征;
分别对所述多个第一船只特征中的每个第一船只特征进行线性变换,对应得到多个第二船只特征;
计算所述多个第二船只特征中每两个第二船只特征之间的线性相关系数;
根据所述多个第二船只特征中每两个第二船只特征之间的线性相关系数,对所述多个第二船只特征进行加权合并,得到多个第三船只特征;
根据所述多个第三船只特征中每一个第三船只特征的重要度,将所述多个第三船只特征对应的特征矩阵进行矩阵融合,得到所述船只的外形特征。
可选地,所述处理器301,具体用于:
对所述船只图像进行归一化处理,得到第二船只图像;
根据所述第二船只图像的像素数量,对所述第二船只图像进行图像分割,得到第三船只图像;
根据所述第三船只图像中每个像素的梯度值和梯度方向,提取所述船只图像中的多个第一船只特征。
可选地,所述第三船只特征的重要度基于如下公式计算得到:
其中,表示第三船只特征的重要度,表示第三船只特征的总数,表示第i个第三船只特征对应的特征向量值,表示第三船只特征的向量均值,表示第i个第三船只特征对应的向量维度系数,表示第i个第三船只特征对应属性向量值。
可选地,所述处理器301,具体用于:
每隔预设时间间隔,获取所述船只的航行位置,得到所述船只的多个航行位置;
根据所述多个航行位置中第一航行位置和第二航行位置之间的距离,以及所述第一航行位置到所述第二航行位置的角度变化值,确定所述船只的航行轨迹,所述第一航行位置和所述第二航行位置为所述船只的相邻的两个航行位置。
上述电子设备提到的通信总线304可以是外部设备互连标准(PeripheralComponent Interconnect,PCT)总线或宽展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线304可以分为地址总线、数据总线、控制总线等。为了便于标识,图中仅用一条粗线表示,但并不表示仅有一根总线或一种数据类型。
通信接口302用于上述终端与其他设备之间的通信。
存储器303可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。可选的,存储器303还可以是至少一个位于远离前述处理器301的存储装置。
上述的处理器301可以是通用处理器,包括中央处理器 (Central ProcessingUnit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(DigitalSignal Processing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述船只监测方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。其中,所述的计算机可读存储介质,如只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述,但是本申请并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本申请的启示下,在不脱离本申请宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本申请的保护之内。
Claims (10)
1.一种船只监测方法,其特征在于,所述方法包括:
获取监测区域内的船只图像;
提取所述船只图像中船只的动作特征和所述船只的外形特征;
根据所述船只图像中船只的动作特征和所述船只的外形特征,识别所述船只的类型;
在所述船只的类型为预设船只类型的情况下,获取所述船只的航行轨迹;
根据所述船只的航行轨迹,预测所述船只是否将进入所述监测区域中的目标区域。
2.根据权利要求1所述的船只监测方法,其特征在于,所述获取监测区域内的船只图像,包括:
获取监测区域的第一全景图像;
对所述第一全景图像进行图像降噪处理,得到第二全景图像;
对所述第二全景图像进行图像增强处理,得到第三全景图像;
对所述第三全景图像进行灰度变换,得到第四全景图像;
根据所述第四全景图像中每个像素点的灰度值,对所述第四全景图像进行实体识别,得到所述第四全景图像中的多个实体图像;
对所述第四全景图像中的多个实体图像进行船只检测,得到所述监测区域内的船只图像。
3.根据权利要求1所述的船只监测方法,其特征在于,所述船只图像包括多帧连续的第一船只图像;
所述提取所述船只图像中船只的动作特征,包括:
识别所述多帧连续的第一船只图像中的运动主体;
根据所述运动主体在所述多帧连续的第一船只图像中的动作,获取所述运动主体的运动轨迹;
根据所述运动主体的运动轨迹,确定所述船只的动作特征。
4.根据权利要求1所述的船只监测方法,其特征在于,所述提取所述船只图像中所述船只的外形特征,包括:
提取所述船只图像中的多个第一船只特征;
分别对所述多个第一船只特征中的每个第一船只特征进行线性变换,对应得到多个第二船只特征;
计算所述多个第二船只特征中每两个第二船只特征之间的线性相关系数;
根据所述多个第二船只特征中每两个第二船只特征之间的线性相关系数,对所述多个第二船只特征进行加权合并,得到多个第三船只特征;
根据所述多个第三船只特征中每一个第三船只特征的重要度,将所述多个第三船只特征对应的特征矩阵进行矩阵融合,得到所述船只的外形特征。
5.根据权利要求4所述的船只监测方法,其特征在于,所述提取所述船只图像中的多个第一船只特征,包括:
对所述船只图像进行归一化处理,得到第二船只图像;
根据所述第二船只图像的像素数量,对所述第二船只图像进行图像分割,得到第三船只图像;
根据所述第三船只图像中每个像素的梯度值和梯度方向,提取所述船只图像中的多个第一船只特征。
7.根据权利要求1所述的船只监测方法,其特征在于,所述在所述船只的类型为预设船只类型的情况下,获取所述船只的航行轨迹,包括:
每隔预设时间间隔,获取所述船只的航行位置,得到所述船只的多个航行位置;
根据所述多个航行位置中第一航行位置和第二航行位置之间的距离,以及所述第一航行位置到所述第二航行位置的角度变化值,确定所述船只的航行轨迹,所述第一航行位置和所述第二航行位置为所述船只的相邻的两个航行位置。
8.一种船只监测装置,其特征在于,所述装置包括:
第一获取模块,用于获取监测区域内的船只图像;
第一提取模块,用于提取所述船只图像中船只的动作特征和所述船只的外形特征;
第一识别模块,用于根据所述船只图像中船只的动作特征和所述船只的外形特征,识别所述船只的类型;
第二获取模块,用于在所述船只的类型为预设船只类型的情况下,获取所述船只的航行轨迹;
第一预测模块,用于根据所述船只的航行轨迹,预测所述船只是否将进入所述监测区域中的目标区域。
9.一种电子设备装置,其特征在于,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的船只监测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的船只监测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310232785.4A CN115953746B (zh) | 2023-03-13 | 2023-03-13 | 一种船只监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310232785.4A CN115953746B (zh) | 2023-03-13 | 2023-03-13 | 一种船只监测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115953746A true CN115953746A (zh) | 2023-04-11 |
CN115953746B CN115953746B (zh) | 2023-06-02 |
Family
ID=85903346
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310232785.4A Active CN115953746B (zh) | 2023-03-13 | 2023-03-13 | 一种船只监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115953746B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116883913A (zh) * | 2023-09-05 | 2023-10-13 | 长江信达软件技术(武汉)有限责任公司 | 一种基于视频流相邻帧的船只识别方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488458A (zh) * | 2015-11-20 | 2016-04-13 | 中国船舶重工集团公司第七0九研究所 | 一种基于图像空间结构分布的舰船目标特征表示方法 |
CN109409283A (zh) * | 2018-10-24 | 2019-03-01 | 深圳市锦润防务科技有限公司 | 一种海面舰船跟踪和监控的方法、系统和存储介质 |
CN111027459A (zh) * | 2019-12-06 | 2020-04-17 | 江苏海事职业技术学院 | 一种船舶轨迹预测方法及系统 |
CN111680543A (zh) * | 2020-04-23 | 2020-09-18 | 北京迈格威科技有限公司 | 动作识别方法、装置及电子设备 |
CN111931688A (zh) * | 2020-08-27 | 2020-11-13 | 珠海大横琴科技发展有限公司 | 船只识别方法、装置、计算机设备及存储介质 |
CN112132346A (zh) * | 2020-09-24 | 2020-12-25 | 中国科学院空天信息创新研究院 | 一种基于船舶类型的船舶航行轨迹预测方法 |
CN112395993A (zh) * | 2020-11-18 | 2021-02-23 | 珠海大横琴科技发展有限公司 | 基于监控视频数据的遮挡船只检测方法、装置及电子设备 |
WO2021134354A1 (zh) * | 2019-12-30 | 2021-07-08 | 深圳元戎启行科技有限公司 | 轨迹预测方法、装置、计算机设备和存储介质 |
CN114267012A (zh) * | 2021-12-14 | 2022-04-01 | 杭州海康威视系统技术有限公司 | 船舶类型检测方法、装置、电子设备及可读存储介质 |
CN114942951A (zh) * | 2022-06-08 | 2022-08-26 | 兰州大学 | 一种基于ais数据的渔船捕鱼行为分析方法 |
-
2023
- 2023-03-13 CN CN202310232785.4A patent/CN115953746B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488458A (zh) * | 2015-11-20 | 2016-04-13 | 中国船舶重工集团公司第七0九研究所 | 一种基于图像空间结构分布的舰船目标特征表示方法 |
CN109409283A (zh) * | 2018-10-24 | 2019-03-01 | 深圳市锦润防务科技有限公司 | 一种海面舰船跟踪和监控的方法、系统和存储介质 |
CN111027459A (zh) * | 2019-12-06 | 2020-04-17 | 江苏海事职业技术学院 | 一种船舶轨迹预测方法及系统 |
WO2021134354A1 (zh) * | 2019-12-30 | 2021-07-08 | 深圳元戎启行科技有限公司 | 轨迹预测方法、装置、计算机设备和存储介质 |
CN111680543A (zh) * | 2020-04-23 | 2020-09-18 | 北京迈格威科技有限公司 | 动作识别方法、装置及电子设备 |
WO2021212759A1 (zh) * | 2020-04-23 | 2021-10-28 | 北京迈格威科技有限公司 | 动作识别方法、装置及电子设备 |
CN111931688A (zh) * | 2020-08-27 | 2020-11-13 | 珠海大横琴科技发展有限公司 | 船只识别方法、装置、计算机设备及存储介质 |
CN112132346A (zh) * | 2020-09-24 | 2020-12-25 | 中国科学院空天信息创新研究院 | 一种基于船舶类型的船舶航行轨迹预测方法 |
CN112395993A (zh) * | 2020-11-18 | 2021-02-23 | 珠海大横琴科技发展有限公司 | 基于监控视频数据的遮挡船只检测方法、装置及电子设备 |
CN114267012A (zh) * | 2021-12-14 | 2022-04-01 | 杭州海康威视系统技术有限公司 | 船舶类型检测方法、装置、电子设备及可读存储介质 |
CN114942951A (zh) * | 2022-06-08 | 2022-08-26 | 兰州大学 | 一种基于ais数据的渔船捕鱼行为分析方法 |
Non-Patent Citations (2)
Title |
---|
欧阳颖卉 等: "基于卷积神经网络的光学遥感图像船只检测", 包装工程 * |
郭小威 等: "海天背景下红外舰船自动目标识别算法", 激光与红外 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116883913A (zh) * | 2023-09-05 | 2023-10-13 | 长江信达软件技术(武汉)有限责任公司 | 一种基于视频流相邻帧的船只识别方法及系统 |
CN116883913B (zh) * | 2023-09-05 | 2023-11-21 | 长江信达软件技术(武汉)有限责任公司 | 一种基于视频流相邻帧的船只识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115953746B (zh) | 2023-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113469088B (zh) | 一种无源干扰场景下的sar图像舰船目标检测方法及系统 | |
Sharma et al. | Shark detection from aerial imagery using region-based CNN, a study | |
CN111967480A (zh) | 基于权重共享的多尺度自注意力目标检测方法 | |
CN112017192B (zh) | 基于改进U-Net网络的腺体细胞图像分割方法及系统 | |
CN113920370A (zh) | 模型训练方法、目标检测方法、装置、设备及存储介质 | |
CN113591592B (zh) | 水上目标识别方法、装置、终端设备及存储介质 | |
CN115953746B (zh) | 一种船只监测方法及装置 | |
CN111582182A (zh) | 船舶名称识别方法、系统、计算机设备及存储介质 | |
CN115115863A (zh) | 水面多尺度目标检测方法、装置及系统和存储介质 | |
CN116977633A (zh) | 地物要素分割模型训练方法、地物要素分割方法及装置 | |
CN116452966A (zh) | 一种水下图像的目标检测方法、装置、设备及存储介质 | |
Zhu et al. | YOLOv7-CSAW for maritime target detection | |
CN111553183A (zh) | 一种船只检测模型训练方法、船只检测方法及装置 | |
Yildirim et al. | Ship detection in optical remote sensing images using YOLOv4 and Tiny YOLOv4 | |
Meng et al. | Fine-grained ship recognition for complex background based on global to local and progressive learning | |
Zhao et al. | Multitask learning for sar ship detection with gaussian-mask joint segmentation | |
KR101821770B1 (ko) | 특징 추출을 위한 기법들 | |
Raj et al. | A novel Ship detection method from SAR image with reduced false alarm | |
CN115810202A (zh) | 非法遛狗事件的检测方法、装置、电子设备和存储介质 | |
CN115690752A (zh) | 一种驾驶员行为检测方法及装置 | |
CN114612802A (zh) | 基于mbcnn的舰船目标细粒度分类系统及方法 | |
CN114330542A (zh) | 一种基于目标检测的样本挖掘方法、装置及存储介质 | |
CN112149567A (zh) | 一种海上目标检测方法、装置及设备 | |
CN112395993A (zh) | 基于监控视频数据的遮挡船只检测方法、装置及电子设备 | |
CN115100419B (zh) | 目标检测方法、装置、电子设备及存储介质 |
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 |