CN116306203A - 一种海上目标航迹智能仿真生成方法 - Google Patents
一种海上目标航迹智能仿真生成方法 Download PDFInfo
- Publication number
- CN116306203A CN116306203A CN202211120622.9A CN202211120622A CN116306203A CN 116306203 A CN116306203 A CN 116306203A CN 202211120622 A CN202211120622 A CN 202211120622A CN 116306203 A CN116306203 A CN 116306203A
- Authority
- CN
- China
- Prior art keywords
- track
- image
- target
- sub
- data
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000004088 simulation Methods 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000005259 measurement Methods 0.000 claims description 21
- 238000010586 diagram Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/206—Drawing of charts or graphs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提出了一种海上目标航迹智能仿真生成方法，该方法包括：采集目标的雷达航迹数据和对应的船舶自动识别系统AIS数据，并对数据进行预处理，分别转换为目标实际航迹图像和真实轨迹图像，裁剪为固定大小的配对子图像块，构建训练数据集，剩下的一部分配对子图像块构建测试数据集，使用训练数据集对构建的雷达航迹生成对抗网络模型进行训练，直至训练完成后，将真实轨迹图像的子图像块输入训练好的雷达航迹生成对抗网络模型中，生成逼真的合成航迹图像的子图像块，拼接后得到完整的合成目标航迹图像。本发明基于有监督条件生成对抗网络，构建生成网络模型，从而将容易获取的目标真实轨迹转换为具有真实误差分布的雷达航迹。
Description
技术领域
本发明属于雷达数据智能处理技术领域，具体涉及一种海上目标航迹智能仿真生成方法。
背景技术
目前，复杂海况下传统雷达目标识别与跟踪等雷达数据智能处理方法已难以满足实际工程需求，深度学习技术的发展为复杂环境海上雷达数据智能处理提供了新的解决途径，已成为国内外研究热点。然而，深度学习是以数据作为驱动力，海上目标探测数据的获取受成本、非合作目标等因素的制约，存在数据量严重不足的问题，极大限制了深度神经网络的拟合效果。
海上目标航迹数据仿真可以解决上述数据不足的问题，现有的目标航迹数据仿真技术主要可分为基于模型的方法、基于真实数据的方法和基于深度学习的方法。传统基于模型的方法和基于真实数据的方法的优点是可解释性强，技术比较成熟，但缺点在于丢失了孤立特征、高层隐含特征等关键细节，难以生成接近真实误差分布的目标航迹数据，实际工程应用效果难以保证。
基于深度学习的方法是以数据驱动为核心思想，具有强大的特征学习与映射能力。其中，生成对抗网络是一种以深度学习为基础的生成式模型，可用于学习复杂数据的潜在分布，解决未知分布数据生成问题。但是传统生成对抗网络无法人为指导样本的生成，为了解决该问题，条件生成对抗网络通过在输入端添加额外条件以指导生成器的样本生成过程。pix2pix作作一种经典的条件生成对抗网络，将输入图片作为网络输入，能够实现图像到图像的转换，已经在图像去噪、风格迁移、遥感图像转换和医学图像转换等任务得到广泛应用，并表现出来良好的稳定性和强大的生成性能。
综上，本发明借鉴计算机视觉领域图像到图像转换的思想，基于有监督条件生成对抗网络，构建能够将海上目标真实轨迹转换为雷达实际测量的目标带噪声航迹的生成网络模型，从而将容易获取的目标真实轨迹转换为具有真实误差分布的雷达航迹。目前国内外尚未有基于有监督条件生成对抗网络进行海上目标航迹仿真生成的相关公开研究工作。
发明内容
本发明所要解决的技术问题在于针对上述现有技术的不足，提供了一种海上目标航迹智能仿真生成方法，该方法借鉴计算机视觉领域图像到图像转换的思想，基于有监督条件生成对抗网络，构建能够将海上目标真实轨迹转换为雷达实际测量的目标带噪声航迹的生成网络模型，从而将容易获取的目标真实轨迹转换为具有真实误差分布的雷达航迹。目前国内外尚未有基于有监督条件生成对抗网络进行海上目标航迹仿真生成的相关公开研究工作。
为解决上述技术问题，本发明采用的技术方案是：一种海上目标航迹智能仿真生成方法，其特征在于，该方法包括：
S1、采集目标的雷达航迹数据和对应的船舶自动识别系统AIS数据，并对数据进行预处理；
S2、将预处理后的雷达航迹数据和AIS数据分别转换为目标实际航迹图像和真实轨迹图像，并将目标实际航迹图像和真实轨迹图像裁剪后配对成子图像块，随机选择一部分子图像块构建训练数据集，剩下的一部分子图像块构建测试数据集；
S3、构建包含两个不同网络结构的生成器和一个鉴别器的雷达航迹生成对抗网络模型；
S4、创建S3中构建的雷达航迹生成对抗网络模型的损失函数，使用S2中构建的训练数据集对构建的雷达航迹生成对抗网络模型进行训练，并采用S2中构建的测试数据集对训练的雷达航迹生成对抗网络模型进行测试，直至网络收敛，获得训练好的雷达航迹生成对抗网络模型；
S5、将真实轨迹图像的子图像输入训练好的雷达航迹生成对抗网络模型中，生成逼真的合成航迹图像的子图像；
S6、将生成的合成航迹图像的子图像进行拼接，得到完整的合成目标航迹图像。
优选地，S1中所述采集目标的雷达航迹数据和对应的船舶自动识别系统AIS数据，并对数据进行预处理，具体包括：
S1-1、获取低速水面船舶目标的实测雷达量测数据以及对应的AIS数据，然后对实测雷达量测数据和AIS数据进行异常值去除和缺失值填补的预处理；
S1-2、根据目标经纬度信息选取指定大小区域内的目标数据，将原始的目标位置信息在直角坐标系下进行表示。
优选地，S2中将预处理后的雷达航迹数据和AIS数据分别转换为目标实际航迹图像和真实轨迹图像，并将目标实际航迹图像和真实轨迹图像裁剪后配对成子图像块，随机选择一部分子图像块构建训练数据集，剩下的一部分子图像块构建测试数据集；具体包括：
S2-1、从预处理后的低速水面船舶目标的实测雷达量测数据中选取一条航迹中的一个量测点(x0,y0)，选择该条航迹在(x0-RW/2,x0+RW/2)和(y0-RH/2,y0+RH/2)区域内的量测点绘制为一个航迹灰度图像，其中，x0为目标横轴坐标，y0为目标纵轴坐标,RW和RH为相等且固定大小的值，即得到目标实际航迹图像；
从预处理后的低速水面船舶目标的AIS数据中选取一条轨迹中的一个测量点(x0,y0)，选择该条轨迹在(x0-RW/2,x0+RW/2)和(y0-RH/2,y0+RH/2)区域内的测量点绘制为一个轨迹灰度图像，其中，x0为目标横轴坐标，y0为目标纵轴坐标,RW和RH为相等且固定大小的值，即得到对应区域的目标真实轨迹图像；
S2-2、将S2-1中得到的将目标实际航迹图像和真实轨迹图像分别裁剪为固定大小的目标实际航迹子图像和目标真实轨迹子图像，目标实际航迹子图像和目标真实轨迹子图像进行一一对应配对，形成子图像块，从而构建训练数据集和测试数据集。
优选地，构建包含两个不同网络结构的生成器和一个鉴别器的雷达航迹生成对抗网络模型，
所述两个不同网络结构的生成器都采用编码器-解码器架构，分别记为生成器1和生成器2，均由下采样网络结构、残差块部分和上采样网络结构三部分组成；
所述生成器1的编码器主干网络采用已经提出的具有较强特征提取能力并且特征图逐层减小的神经网络，通过多次下采样，编码器将输入的轨迹图像编码为固定大小的特征图，编码器输出的特征图经过解码器多次上采样，获得与输入图像大小相同的灰度图像，其中解码器和编码器网络结构互为对称；
所述生成器2的主干网络与生成器1类似，不同的是：将主干网络替换为具有较强特征提取能力并且特征图逐层减小的神经网络；
所述鉴别器采用PatchGAN，输入的真实图像为真实轨迹与对应实际航迹在通道维拼接的2通道图像，输入的伪图像为真实轨迹与生成器2生成的对应伪航迹在通道维拼接的2通道图像，鉴别器对输入图像逐层卷积，最终输出一个尺度缩小一定比例的特征图，该特征图对输入图像的一定区域输出一个预测概率值，所有预测结果的平均值作为最终判定结果。
优选地，所述损失函数包括三部分，结构相似性指数测量(SSIM)损失、均方误差损失以及对抗损失；
所述对抗损失定义为：
其中，x是目标真实轨迹子图像，y是与之对应的目标航迹子图像，G(x)是生成器输出的合成航迹子图像；D(y)表示进入鉴别器的真实航迹子图像，而D(G(x))表示进入鉴别器的虚假航迹子图像。
所述生成器1的结构相似性损失定义为：
其中，μx表示目标真实轨迹子图像x的均值，μy表示目标航迹子图像y的均值，
表示目标真实轨迹子图像x的方差，/>
表示目标航迹子图像y的方差，σxy是目标真实轨迹子图像x和目标航迹子图像y的协方差，c1和c2是用来维持稳定的常数；
所述生成器2的均方误差损失定义为：
其中，m和n分别表示目标真实轨迹子图像和目标航迹子图像的宽和高，x(i,j)和y(i,j)分别表示目标真实轨迹子图像和目标航迹子图像对应位置的像素值。
网络的总体损失定义为：
Ltotal＝LGAN+λ1LSSIM+λ2LMSE
其中λ1和λ2分别表示LSSIM和LMSE的权重。
本发明与现有技术相比具有以下优点：
1、本发明将目标的雷达航迹数据和对应的船舶自动识别系统AIS数据转换为目标实际航迹图像和真实轨迹图像，并裁剪为固定大小的一一配对子图像块，再构建数据集，对包含两个不同网络结构的生成器和一个鉴别器的雷达航迹生成对抗网络模型进行训练，直至网络收敛，训练完成。训练过程中，数据集中的数据只要固定目标数据的起始时刻，而无需关注中间时间的采样周期和采样时刻，避免了目标轨迹和雷达航迹严格时间对齐操作。
2、本发明最后采用真实轨迹图像的子图像块输入训练好的雷达航迹生成对抗网络模型中，生成逼真的合成航迹图像的子图像块，将生成的合成航迹图像的子图像块进行拼接，得到完整的合成目标航迹图像。因此，将目标航迹序列数据转换为图像数据，充分利用了生成对抗网络在视觉图像处理领域强大的性能，能够有效学习目标航迹的真实误差分布规律，并生成大量与真实误差分布相似的航迹数据。
下面通过附图和实施例对本发明的技术方案作进一步的详细说明。
附图说明
图1为本发明实施例1提供的一种海上目标航迹智能仿真生成方法的流程图。
图2为本发明实施例1的训练集构建流程图。
图3为本发明实施例1的雷达航迹生成对抗网络模型的总体框架图。
图4为本发明实施例1中两个生成器的网络架构。
图5为本发明实施例1中鉴别器的网络架构。
图6为真值轨迹生成的航迹；(a)和(b)分别为真实轨迹和对应的真实航迹，(c)为原始pix2pixGAN生成的航迹，(d)为本发明实施例1生成的航迹。
具体实施方式
实施例1
如图1所示，本发明实施例的一种海上目标航迹智能仿真生成方法，该方法包括：
S1、采集目标的雷达航迹数据和对应的船舶自动识别系统AIS数据，并对数据进行预处理；
S2、将预处理后的雷达航迹数据和AIS数据分别转换为目标实际航迹图像和真实轨迹图像，并将目标实际航迹图像和真实轨迹图像裁剪后配对成子图像块，随机选择一部分子图像块构建训练数据集，剩下的一部分子图像块构建测试数据集；
S3、构建包含两个不同网络结构的生成器和一个鉴别器的雷达航迹生成对抗网络模型；
S4、创建S3中构建的雷达航迹生成对抗网络模型的损失函数，使用S2中构建的训练数据集对构建的雷达航迹生成对抗网络模型进行训练，并采用S2中构建的测试数据集对训练的雷达航迹生成对抗网络模型进行测试，直至网络收敛，获得训练好的雷达航迹生成对抗网络模型；
S5、将真实轨迹图像的子图像输入训练好的雷达航迹生成对抗网络模型中，生成逼真的合成航迹图像的子图像；
S6、将生成的合成航迹图像的子图像进行拼接，得到完整的合成目标航迹图像。
本实施例中，步骤S1中所述采集目标的雷达航迹数据和对应的船舶自动识别系统AIS数据，并对数据进行预处理的具体方法为：
获取低速水面船舶目标的实测雷达量测序列数据以及对应的AIS序列数据，并进行异常值去除和缺失值填补数据预处理；
根据目标经纬度信息选取50×50千米区域内的目标数据，将原始的位置信息在直角坐标系下进行表示。
步骤S2的具体方法为：
如图2所示，S2-1、从预处理后的低速水面船舶目标的实测雷达量测数据中选取一条航迹中的一个量测点(x0,y0)，选择该条航迹在(x0-RW/2,x0+RW/2)和(y0-RH/2,y0+RH/2)区域内的量测点绘制为一个航迹灰度图像，其中，x0为目标横轴坐标，y0为目标纵轴坐标,RW和RH为相等且固定大小的值，即得到目标实际航迹图像；
从预处理后的低速水面船舶目标的AIS数据中选取一条轨迹中的一个测量点(x0,y0)，选择该条轨迹在(x0-RW/2,x0+RW/2)和(y0-RH/2,y0+RH/2)区域内的测量点绘制为一个轨迹灰度图像，其中，x0为目标横轴坐标，y0为目标纵轴坐标,RW和RH为相等且固定大小的值，即得到对应区域的目标真实轨迹图像；
S2-2、将S2-1中得到的将目标实际航迹图像和真实轨迹图像分别裁剪为固定大小的目标实际航迹子图像和目标真实轨迹子图像，目标实际航迹子图像和目标真实轨迹子图像进行一一对应配对，形成子图像块，从而构建训练数据集和测试数据集。
上述航迹所在的实际区域大小为2560米×2560米，将该划区域分为2560×2560的网格，目标航迹所在网格的值为0，其他网格的值为1，得到2560×2560像素大小的航迹灰度图像，图像的每个像素表示的实际距离为1m，类似的，得到2560×2560像素大小的轨迹灰度图像。将上述对应的目标航迹图像和轨迹图像裁剪为256×256像素的子图像对。按照该方法得到2000个子图像对，随机选取60％作为训练集，40％作为测试集。
如图3所示，为本发明所提出的生成对抗网络模型包含两个不同网络结构的生成器和一个鉴别器。所述两个不同网络结构的生成器都采用编码器-解码器架构，分别记为生成器1和生成器2，均由下采样网络结构、残差块部分和上采样网络结构三部分组成；
所述生成器1的编码器主干网络采用已经提出的具有较强特征提取能力并且特征图逐层减小的神经网络，通过多次下采样，编码器将输入的轨迹图像编码为固定大小的特征图，编码器输出的特征图经过解码器多次上采样，获得与输入图像大小相同的灰度图像，其中解码器和编码器网络结构互为对称；
所述生成器2的主干网络与生成器1类似，不同的是：将主干网络替换为具有较强特征提取能力并且特征图逐层减小的神经网络；
所述鉴别器采用PatchGAN，输入的真实图像为真实轨迹与对应实际航迹在通道维拼接的2通道图像，输入的伪图像为真实轨迹与生成器2生成的对应伪航迹在通道维拼接的2通道图像，鉴别器对输入图像逐层卷积，最终输出一个尺度缩小一定比例的特征图，该特征图对输入图像的一定区域输出一个预测概率值，所有预测结果的平均值作为最终判定结果。
如图5所示所述，鉴别器采用PatchGAN，由5层全卷积网络组成，输出为15×15的矩阵，矩阵中的每个值是对输入图像的每个区域的一个预测概率值，平均所有判定结果得到鉴别器的最终输出。
模型的损失函数包括三部分，结构相似性指数测量(SSIM)损失、均方误差(MSE)损失以及对抗损失，对抗损失定义为：
其中，x是目标真实轨迹子图像，y是与之对应的目标航迹子图像，G(x)是生成器输出的合成航迹子图像；D(y)表示进入鉴别器的真实航迹子图像，而D(G(x))表示进入鉴别器的虚假航迹子图像。
所述生成器1的结构相似性损失定义为：
其中，μx表示目标真实轨迹子图像x的均值，μy表示目标航迹子图像y的均值，
表示目标真实轨迹子图像x的方差，/>
表示目标航迹子图像y的方差，σxy是目标真实轨迹子图像x和目标航迹子图像y的协方差，c1和c2是用来维持稳定的常数；
所述生成器2的均方误差损失定义为：
其中，m和n分别表示目标真实轨迹子图像和目标航迹子图像的宽和高，x(i,j)和y(i,j)分别表示目标真实轨迹子图像和目标航迹子图像对应位置的像素值。
网络的总体损失定义为：
Ltotal＝LGAN+λ1LSSIM+λ2LMSE
其中λ1和λ2分别表示LSSIM和LMSE的权重。
实验采用Adam优化器，批处理参数(batch size)设置为16，训练轮次(epoch)为200，生成器1、生成器2以及鉴别器的学习率分别为1e-4、2e-4和2e-4，LSSIM和LMSE的的权重设置为1和10，即λ1＝1、λ2＝10，训练中固定生成器或鉴别器一方的权重，更新另一方，在交替训练中对网络进行优化。
进行对比试验，部分真值轨迹生成的航迹如图6所示。(a)和(b)分别为真实轨迹和对应的真实航迹，(c)为原始pix2pixGAN生成的航迹，(d)为本发明实施例1方法生成的航迹，从实验结果来看，两种模型均可以生成清晰的航迹样本，生成的航迹与真值轨迹相比均增加了一定的误差，且误差分布特性与真实航迹相似，转弯运动和不规则运动情况下，原始pix2pixGAN生成的航迹存在欠拟合情况，本发明方法生成的航迹在整体和局部结构上均能与真实航迹较好的吻合，表明本发明所提的方法生成海上目标航迹更符合真实航迹误差分布，具有较好的效果。
以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制。凡是根据发明技术实质对以上实施例所作的任何简单修改、变更以及等效变化，均仍属于本发明技术方案的保护范围内。
Claims (5)
1.一种海上目标航迹智能仿真生成方法，其特征在于，该方法包括：
S1、采集目标的雷达航迹数据和对应的船舶自动识别系统AIS数据，并对数据进行预处理；
S2、将预处理后的雷达航迹数据和AIS数据分别转换为目标实际航迹图像和真实轨迹图像，并将目标实际航迹图像和真实轨迹图像裁剪后配对成子图像块，随机选择一部分子图像块构建训练数据集，剩下的一部分子图像块构建测试数据集；
S3、构建包含两个不同网络结构的生成器和一个鉴别器的雷达航迹生成对抗网络模型；
S4、创建S3中构建的雷达航迹生成对抗网络模型的损失函数，使用S2中构建的训练数据集对构建的雷达航迹生成对抗网络模型进行训练，并采用S2中构建的测试数据集对训练的雷达航迹生成对抗网络模型进行测试，直至网络收敛，获得训练好的雷达航迹生成对抗网络模型；
S5、将真实轨迹图像的子图像输入训练好的雷达航迹生成对抗网络模型中，生成逼真的合成航迹图像的子图像；
S6、将生成的合成航迹图像的子图像进行拼接，得到完整的合成目标航迹图像。
2.根据权利要求1所述的一种海上目标航迹智能仿真生成方法，其特征在于，S1中所述采集目标的雷达航迹数据和对应的船舶自动识别系统AIS数据，并对数据进行预处理，具体包括：
S1-1、获取低速水面船舶目标的实测雷达量测数据以及对应的AIS数据，然后对实测雷达量测数据和AIS数据进行异常值去除和缺失值填补的预处理；
S1-2、根据目标经纬度信息选取指定大小区域内的目标数据，将原始的目标位置信息在直角坐标系下进行表示。
3.根据权利要求2所述的一种海上目标航迹智能仿真生成方法，其特征在于，S2中将预处理后的雷达航迹数据和AIS数据分别转换为目标实际航迹图像和真实轨迹图像，并将目标实际航迹图像和真实轨迹图像裁剪后配对成子图像块，随机选择一部分子图像块构建训练数据集，剩下的一部分子图像块构建测试数据集；具体包括：
S2-1、从预处理后的低速水面船舶目标的实测雷达量测数据中选取一条航迹中的一个量测点(x0,y0)，选择该条航迹在(x0-RW/2,x0+RW/2)和(y0-RH/2,y0+RH/2)区域内的量测点绘制为一个航迹灰度图像，其中，x0为目标横轴坐标，y0为目标纵轴坐标,RW和RH为相等且固定大小的值，即得到目标实际航迹图像；
从预处理后的低速水面船舶目标的AIS数据中选取一条轨迹中的一个测量点(x0,y0)，选择该条轨迹在(x0-RW/2,x0+RW/2)和(y0-RH/2,y0+RH/2)区域内的测量点绘制为一个轨迹灰度图像，其中，x0为目标横轴坐标，y0为目标纵轴坐标,RW和RH为相等且固定大小的值，即得到对应区域的目标真实轨迹图像；
S2-2、将S2-1中得到的将目标实际航迹图像和真实轨迹图像分别裁剪为固定大小的目标实际航迹子图像和目标真实轨迹子图像，目标实际航迹子图像和目标真实轨迹子图像进行一一对应配对，形成子图像块，从而构建训练数据集和测试数据集。
4.根据权利要求2所述的一种海上目标航迹智能仿真生成方法，其特征在于，构建包含两个不同网络结构的生成器和一个鉴别器的雷达航迹生成对抗网络模型，
所述两个不同网络结构的生成器都采用编码器-解码器架构，分别记为生成器1和生成器2，均由下采样网络结构、残差块部分和上采样网络结构三部分组成；
所述生成器1的编码器主干网络采用已经提出的具有较强特征提取能力并且特征图逐层减小的神经网络，通过多次下采样，编码器将输入的轨迹图像编码为固定大小的特征图，编码器输出的特征图经过解码器多次上采样，获得与输入图像大小相同的灰度图像，其中解码器和编码器网络结构互为对称；
所述生成器2的主干网络与生成器1类似，不同的是：将主干网络替换为具有较强特征提取能力并且特征图逐层减小的神经网络；
所述鉴别器采用PatchGAN，输入的真实图像为真实轨迹与对应实际航迹在通道维拼接的2通道图像，输入的伪图像为真实轨迹与生成器2生成的对应伪航迹在通道维拼接的2通道图像，鉴别器对输入图像逐层卷积，最终输出一个尺度缩小一定比例的特征图，该特征图对输入图像的一定区域输出一个预测概率值，所有预测结果的平均值作为最终判定结果。
5.根据权利要求3所述的一种海上目标航迹智能仿真生成方法，其特征在于，所述损失函数包括三部分，结构相似性指数测量(SSIM)损失、均方误差损失以及对抗损失；
所述对抗损失定义为：
其中，x是目标真实轨迹子图像，y是与之对应的目标航迹子图像，G(x)是生成器输出的合成航迹子图像；D(y)表示进入鉴别器的真实航迹子图像，而D(G(x))表示进入鉴别器的虚假航迹子图像。
所述生成器1的结构相似性损失定义为：
其中，μx表示目标真实轨迹子图像x的均值，μy表示目标航迹子图像y的均值，
表示目标真实轨迹子图像x的方差，/>
表示目标航迹子图像y的方差，σxy是目标真实轨迹子图像x和目标航迹子图像y的协方差，c1和c2是用来维持稳定的常数；
所述生成器2的均方误差损失定义为：
其中，m和n分别表示目标真实轨迹子图像和目标航迹子图像的宽和高，x(i,j)和y(i,j)分别表示目标真实轨迹子图像和目标航迹子图像对应位置的像素值。
网络的总体损失定义为：
Ltotal＝LGAN+λ1LSSIM+λ2LMSE
其中λ1和λ2分别表示LSSIM和LMSE的权重。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211120622.9A CN116306203A (zh) | 2022-09-15 | 2022-09-15 | 一种海上目标航迹智能仿真生成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211120622.9A CN116306203A (zh) | 2022-09-15 | 2022-09-15 | 一种海上目标航迹智能仿真生成方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116306203A true CN116306203A (zh) | 2023-06-23 |
Family
ID=86829256
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211120622.9A Pending CN116306203A (zh) | 2022-09-15 | 2022-09-15 | 一种海上目标航迹智能仿真生成方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116306203A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117129985A (zh) * | 2023-08-28 | 2023-11-28 | 中国人民解放军91977部队 | 一种基于ais的雷达航迹生成方法及装置 |
| CN117491987A (zh) * | 2023-12-29 | 2024-02-02 | 海华电子企业(中国)有限公司 | 基于lstm神经网络和时空运动距离算法的船舶轨迹拼接方法 |
-
2022
- 2022-09-15 CN CN202211120622.9A patent/CN116306203A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117129985A (zh) * | 2023-08-28 | 2023-11-28 | 中国人民解放军91977部队 | 一种基于ais的雷达航迹生成方法及装置 |
| CN117129985B (zh) * | 2023-08-28 | 2024-03-26 | 中国人民解放军91977部队 | 一种基于ais的雷达航迹生成方法及装置 |
| CN117491987A (zh) * | 2023-12-29 | 2024-02-02 | 海华电子企业(中国)有限公司 | 基于lstm神经网络和时空运动距离算法的船舶轨迹拼接方法 |
| CN117491987B (zh) * | 2023-12-29 | 2024-04-09 | 海华电子企业(中国)有限公司 | 基于lstm神经网络和时空运动距离算法的船舶轨迹拼接方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116306203A (zh) | 一种海上目标航迹智能仿真生成方法 | |
| CN113160234B (zh) | 基于超分辨率和域自适应的无监督遥感图像语义分割方法 | |
| CN110728658A (zh) | 一种基于深度学习的高分辨率遥感影像弱目标检测方法 | |
| CN113936142A (zh) | 一种基于深度学习的降水临近预报方法及装置 | |
| CN111428862B (zh) | 一种极类不平衡时空联合对流初生短临预报方法 | |
| CN114445634A (zh) | 一种基于深度学习模型的海浪波高预测方法及系统 | |
| CN110555841A (zh) | 基于自注意图像融合和dec的sar图像变化检测方法 | |
| US20230306730A1 (en) | Information extraction method of offshore raft culture based on multi-temporal optical remote sensing images | |
| CN114663439A (zh) | 一种遥感影像海陆分割方法 | |
| CN115641514A (zh) | 一种面向夜间海雾监测的伪可见光云图生成方法 | |
| CN115980745A (zh) | 地下开采沉陷区智能识别方法、装置、电子设备及存储介质 | |
| CN112967227B (zh) | 基于病灶感知建模的糖尿病视网膜病变自动评估系统 | |
| CN111505706B (zh) | 基于深度T-Net网络的微地震P波初至拾取方法及装置 | |
| CN116823664B (zh) | 一种遥感图像云去除方法及系统 | |
| CN116721206A (zh) | 一种实时的室内场景视觉同步定位与建图方法 | |
| CN117173022A (zh) | 基于多路径融合和注意力的遥感图像超分辨率重建方法 | |
| CN117079237A (zh) | 一种自监督的单目车距检测方法 | |
| CN115578645A (zh) | 一种半监督循环一致性生成对抗网络的sar影像浮筏养殖信息提取方法 | |
| CN115797684A (zh) | 一种基于上下文信息的红外小目标检测方法及系统 | |
| CN115223033A (zh) | 一种合成孔径声呐图像目标分类方法及系统 | |
| CN112085779A (zh) | 一种波浪参数估算方法及装置 | |
| Li et al. | Super resolution for single satellite image using a generative adversarial network | |
| CN116978052B (zh) | 基于改进YOLOv5的桥梁设计图的子图布局识别方法 | |
| CN117908164A (zh) | 一种基于深度双分支结构的降水预测方法 | |
| Sun | Convolutional neural network-based crack identification and detection in underwater buildings |
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 |