CN117315421A - 海上目标的航迹预测方法及装置 - Google Patents

海上目标的航迹预测方法及装置 Download PDF

Info

Publication number
CN117315421A
CN117315421A CN202311257602.0A CN202311257602A CN117315421A CN 117315421 A CN117315421 A CN 117315421A CN 202311257602 A CN202311257602 A CN 202311257602A CN 117315421 A CN117315421 A CN 117315421A
Authority
CN
China
Prior art keywords
target
track
prediction
track prediction
fusion
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
CN202311257602.0A
Other languages
English (en)
Other versions
CN117315421B (zh
Inventor
古英汉
王成飞
王怀龙
王峰
马兴民
郭阳
张明美
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.)
Unit 91977 Of Pla
CETC 15 Research Institute
Original Assignee
Unit 91977 Of Pla
CETC 15 Research Institute
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 Unit 91977 Of Pla, CETC 15 Research Institute filed Critical Unit 91977 Of Pla
Priority to CN202311257602.0A priority Critical patent/CN117315421B/zh
Publication of CN117315421A publication Critical patent/CN117315421A/zh
Application granted granted Critical
Publication of CN117315421B publication Critical patent/CN117315421B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • 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
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本申请公开了一种海上目标的航迹预测方法及装置，本申请方法包括获取目标在当前时刻之前的历史航迹；提取所述历史航迹对应的速度均值和速度峰值；基于所述速度均值、速度峰值、多个方向变量对所述目标进行多矢量假设，预测出所述目标在当前时刻的下个时刻的多个运动矢量；根据所述多个运动矢量进行所述目标的航迹预测，输出多条航迹预测结果，每条航迹预测结果对应一个运动矢量。本申请解决如何降低海上小目标的航迹预测的误差，提高预测精度的问题。

Description

海上目标的航迹预测方法及装置
技术领域
本申请涉及领海安全技术领域，具体而言，涉及一种海上目标的航迹预测方法及装置。
背景技术
随着航海技术和探测技术的高速发展，海洋资源日益成为各国争夺的主要资源的主战场之一。我国的海洋资源极其丰富，是未来经济发展的重要保障，同时，海洋国界线的安全也是关系到国家安全和领土完整的重要军事问题。在认识到领海安全与交通是直接关系到经济、政治、军事稳定的重中之重后，世界各国开始加强对海洋利用，加大对海洋开发方面的投入。在上述背景下，对海上目标的识别和航迹预测是许多实际应用的重要环节。性能良好的目标识别和航迹预测，对于渔业管理、海洋污染监控监测、空难海难搜救打捞、非法船只驱逐等具有重要意义，为提高海上通航效率，维护海上领域安全提供坚实的基础。综上所述，无论是在军事上还是民用上，海上目标识别和航迹预测的重要性都毋庸置疑。然而，由于海上应用场景非常复杂，对于海上目标尤其是海上小目标的识别和航迹预测技术尚不完善。从海上场景的复杂性来说，由于海洋环境以及海上目标的特点和路上目标，如行人、车辆等相比有很大的不同，因此现有的经典目标识别、跟踪、航迹预测技术难以直接复用并产生良好的效果。
从当前面向海上小目标的航迹预测来说，会受到预测假设和算法本身的计算误差影响，其中预测假设是指对于目标可能出现的运动趋势的假设模型；另外，海上复杂环境和小目标本身特点也会影响航迹预测的结果。因此，如何降低海上小目标的航迹预测的误差，提高预测的精度是亟需解决。
发明内容
本申请的主要目的在于提供一种海上目标的航迹预测方法及装置，解决如何降低海上小目标的航迹预测的误差，提高预测的精度的问题。
为了实现上述目的，根据本申请的第一方面，提供了一种海上目标的航迹预测方法。
根据本申请的海上目标的航迹预测方法包括：获取目标在当前时刻之前的历史航迹；提取所述历史航迹对应的速度均值和速度峰值；基于所述速度均值、速度峰值、多个方向变量对所述目标进行多矢量假设，预测出所述目标在当前时刻的下个时刻的多个运动矢量；根据所述多个运动矢量进行所述目标的航迹预测，输出多条航迹预测结果，每条航迹预测结果对应一个运动矢量。
可选的，所述基于所述速度均值、速度峰值、多个方向变量对所述目标进行多矢量假设，预测出所述目标在当前时刻的下个时刻的多个运动矢量包括：将每个方向变量分别与所述速度均值和所述速度峰值进行组合；将每个组合的组合结果确定为一个运动矢量。
可选的，所述多个方向变量包括东、西、南、北和原地静止五个方向；或者，包括东、西、南、北、东北、西北、东南、西南和原地静止九个方向。
可选的，所述获取目标在当前时刻之前的历史航迹包括：获取目标在当前时刻之前的预设时段内的历史航迹；或，获取目标在当前时刻之前预设典型运动区域内的历史航迹。
可选的，若所述历史航迹是基于多个传感器的信号确定的在每个传感器的坐标系下的多个历史航迹，则所述输出多条航迹预测结果包括：输出每个传感器对应的多条航迹预测结果。
可选的，若所述历史航迹是基于多个传感器的信号确定的在新的场景表示空间下的单个历史航迹，所述新的场景表示空间为所述多个传感器进行坐标系对齐后的表示空间，则所述输出多条航迹预测结果包括：将所述单个历史航迹对应的多条航迹预设结果进行反向投影得到在每个传感器的坐标系下的多条航迹预测结果；输出多个传感器对应的所有航迹预测结果。
可选的，在所述获取目标在当前时刻之前的历史航迹之前所述方法还包括：对多种传感器进行目标检测得到的多种检测结果基于多数据对齐融合的方式进行目标检测和识别，得到每个目标对应的融合检测结果和目标类型；基于每个目标对应的融合检测结果和目标类型按照预设筛选条件选取出感兴趣目标；根据预设跟踪算法对所述感兴趣目标进行航迹的跟踪得到每个感兴趣目标的航迹。
可选的，所述对多种传感器进行目标检测得到的多种检测结果基于多数据对齐融合的方式进行目标检测和识别，得到每个目标对应的融合检测结果和目标类型包括：对多种传感器的信号源分别进行目标检测得到多种检测结果，每种检测结果为候选目标集合的检测结果；将多种检测结果按统一的预设形式记录，记录的内容至少包括坐标、尺寸、置信度；根据所述多种传感器的标定，将所述多种传感器的坐标系对齐得到新的场景表示空间；将所述多种检测结果分别投影到所述新的场景表示空间得到对应的多种新检测结果，并将多种新检测结果按照所述统一的预设形式记录；将所述多种新检测结果按照预设融合算法进行融合，得到所述候选目标集合中每个目标对应的融合检测结果；根据多数据融合目标识别算法对所有的融合检测结果进行目标识别，确定每个目标的目标类型，所述多数据融合目标识别算法是对在所述新的场景表示空间下的样本数据进行训练得到的。
为了实现上述目的，根据本申请的第二方面，提供了一种海上目标的航迹预测装置。
根据本申请的海上目标的航迹预测装置包括：获取单元，用于获取目标在当前时刻之前的历史航迹；提取单元，用于提取所述历史航迹对应的速度均值和速度峰值；预测单元，用于基于所述速度均值、速度峰值、多个方向变量对所述目标进行多矢量假设，预测出所述目标在当前时刻的下个时刻的多个运动矢量；输出单元，根据所述多个运动矢量进行所述目标的航迹预测，输出多条航迹预测结果，每条航迹预测结果对应一个运动矢量。
可选的，所述预测单元包括：组合模块，用于将每个方向变量分别与所述速度均值和所述速度峰值进行组合；确定模块，用于将每个组合的组合结果确定为一个运动矢量。
可选的，所述多个方向变量包括东、西、南、北和原地静止五个方向；或者，包括东、西、南、北、东北、西北、东南、西南和原地静止九个方向。
可选的，所述获取单元包括：第一获取模块，用于获取目标在当前时刻之前的预设时段内的历史航迹；第二获取模块，用于获取目标在当前时刻之前预设典型运动区域内的历史航迹。
可选的，所述输出单元用于：若所述历史航迹是基于多个传感器的信号确定的在每个传感器的坐标系下的多个历史航迹，则输出每个传感器对应的多条航迹预测结果。
可选的，所述输出单元包括：反向投影模块，用于若所述历史航迹是基于多个传感器的信号确定的在新的场景表示空间下的单个历史航迹，所述新的场景表示空间为所述多个传感器进行坐标系对齐后的表示空间，则将所述单个历史航迹对应的多条航迹预设结果进行反向投影得到在每个传感器的坐标系下的多条航迹预测结果；输出模块，用于输出多个传感器对应的所有航迹预测结果。
可选的，所述装置还包括：检测识别单元，用于在所述获取目标在当前时刻之前的历史航迹之前对多种传感器进行目标检测得到的多种检测结果基于多数据对齐融合的方式进行目标检测和识别，得到每个目标对应的融合检测结果和目标类型；选取单元，用于基于每个目标对应的融合检测结果和目标类型按照预设筛选条件选取出感兴趣目标；跟踪单元，用于根据预设跟踪算法对所述感兴趣目标进行航迹的跟踪得到每个感兴趣目标的航迹。
可选的，所述检测识别单元包括：检测模块，用于对多种传感器的信号源分别进行目标检测得到多种检测结果，每种检测结果为候选目标集合的检测结果；记录模块，用于将多种检测结果按统一的预设形式记录，记录的内容至少包括坐标、尺寸、置信度；生成模块，用于根据所述多种传感器的标定，将所述多种传感器的坐标系对齐得到新的场景表示空间；投影模块，用于将所述多种检测结果分别投影到所述新的场景表示空间得到对应的多种新检测结果，并将多种新检测结果按照所述统一的预设形式记录；融合模块，用于将所述多种新检测结果按照预设融合算法进行融合，得到所述候选目标集合中每个目标对应的融合检测结果；识别模块，用于根据多数据融合目标识别算法对所有的融合检测结果进行目标识别，确定每个目标的目标类型，所述多数据融合目标识别算法是对在所述新的场景表示空间下的样本数据进行训练得到的。
为了实现上述目的，根据本申请的第三方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行上述第一方面中任意一项所述的海上目标的航迹预测方法。
为了实现上述目的，根据本申请的第四方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器执行上述第一方面中任意一项所述的海上目标的航迹预测方法。
在本申请实施例的海上目标的航迹预测方法及装置中，获取目标在当前时刻之前的历史航迹；提取历史航迹对应的速度均值和速度峰值；基于速度均值、速度峰值、多个方向变量对目标进行多矢量假设，预测出目标在当前时刻的下个时刻的多个运动矢量；根据运动矢量进行目标的航迹预测，输出航迹预测结果。将本申请实施例的海上目标航迹预测方式应用到海上小目标的航迹预测中，可以实现多矢量(多个运动矢量)假设，使假设更充分，进而提高航迹预测的精度。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例提供的一种海上目标的航迹预测方法流程图；
图2是根据本申请实施例提供的一种基于多数据对齐融合的目标检测和识别方法的流程图；
图3是根据本申请实施例提供的一种海上目标的航迹预测装置的组成框图；
图4是根据本申请实施例提供的另一种海上目标的航迹预测装置的组成框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，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，所描述的实施例仅仅是本申请一部分的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
本申请针对海上小目标预测中由于假设不充分造成的航迹预测误差大、精度低的问题，提出了一种新的海上目标的航迹预测方法，该方法是一种基于多矢量预测假设的目标航迹预测方法。本申请实施例中的小目标的定义皆以学术和工业界的主流标准为准。
根据本申请实施例，提供了一种海上目标的航迹预测方法，如图1所示，该方法包括如下的步骤S101-S104：S101.获取目标在当前时刻之前的历史航迹；S102.提取历史航迹对应的速度均值和速度峰值；S103.基于速度均值、速度峰值、多个方向变量对目标进行多矢量假设，预测出目标在当前时刻的下个时刻的多个运动矢量；S104.根据多个运动矢量进行目标的航迹预测，输出多条航迹预测结果。
步骤S101中，历史航迹可以为预设时段内的历史航迹，也可以为预设典型运动区域的历史航迹。因此，“获取目标在当前时刻之前的历史航迹”即获取目标在当前时刻之前的预设时段内的历史航迹；或，获取目标在当前时刻之前预设典型运动区域内的历史航迹。其中，预设典型运动区域可以为运动的前半段、中段、后段等。
步骤S102中，根据步骤S101中的目标的每种历史航迹，可确定历史航迹上的每个坐标点对应的速度，将这些速度求均值可以得到历史航迹对应的速度均值，将这些速度进行比较，将最大速度和/或最小速度确定为历史航迹对应的速度峰值。
步骤S103中，“基于速度均值、速度峰值、多个方向变量对目标进行多矢量假设，预测出目标在当前时刻的下个时刻的多个运动矢量”具体为将每个方向变量分别与速度均值和速度峰值进行组合；将每个组合的组合结果确定为一个运动矢量。其中，多个方向变量包括东、西、南、北和原地静止五个方向；或者，包括东、西、南、北、东北、西北、东南、西南和原地静止九个方向。对多矢量假设的数学原理进行说明，如下：
其中，是运动矢量，/>为方向变量，/>为单位1的矢量，p的取值范围可以是(0,4)或(0,8)的整数，分别对应五个方向和九个方向的假设。vq为速度变量，以标量的形式表示目标可能的移动速度，其取值范围由q决定，可以是历史航迹对应的速度均值和速度峰值，即可以是当前时刻之前的预设时段内的速度均值和速度峰值，也可以是目标在当前时刻之前预设典型运动区域的速度均值和速度峰值，q的取值方法包括但不限于根据任务手动或者基于预设的判断条件自适应确定。比如，若vq为预设时段内的速度均值，则q的取值为1，若vq为预设时段内的速度均值和速度峰值(最大和最小速度)，则q的取值可以为3，即q表示vq的取值种类的数量。
将每个和每个vq按照公式(1)组合计算得到多个/>每个/>为一个组合结果，将每个组合的组合结果确定为一个运动矢量，多个组合结果得到多个运动矢量。另外，需要说明的是，在实际应用中，如果多个运动矢量的数量很多，为了减少计算量，需要根据一些约束条件进行运动矢量的筛选，去除一些可能性非常小的结果，比如若一个目标之前是向东行驶的，则在进行多矢量假设时，对于向西的方向变量对应的运动矢量就可以去除。本申请实施例中对于去除一些可能性非常小的结果的方式不作限制。通常最终保留10个以内的运动矢量，这样做也是为了使后面输出的预测的航迹数量不至于太多。
步骤S104中，根据步骤S103中确定的目标当前时刻的下个时刻的多个运动矢量，可以确定目标在当前时刻的下个时刻的多个运动趋势，基于多个运动趋势模拟运动可以得到多条航迹预测结果。每条航迹预测结果对应一个运动矢量，即基于每个运动矢量可以预测一个航迹。
从以上的描述中，可以看出，本申请实施例的海上目标的航迹预测方法中，获取目标在当前时刻之前的历史航迹；提取历史航迹对应的速度均值和速度峰值；基于速度均值、速度峰值、多个方向变量对目标进行多矢量假设，预测出目标在当前时刻的下个时刻的多个运动矢量；根据运动矢量进行目标的航迹预测，输出航迹预测结果。将本申请实施例的海上目标航迹预测方式应用到海上小目标的航迹预测中，可以实现多矢量(多个运动矢量)假设，使假设更充分，进而提高航迹预测的精度。
进一步的，由于海上复杂环境也会影响航迹预测结果，为了考虑海上复杂环境对航迹预测结果的影响，通过在上述步骤S103中的vq增加惩罚项，进而模拟海风、波浪等环境因素。惩罚项的大小和方向由海风、波浪等环境因素对应的速度大小和方向决定。在对vq增加惩罚项时，需要根据vq计算时对应的/>的方向变量的方向确定，比如若/>为东，则对vq增加惩罚项时，增加的是风、波浪在东方向的速度分量。
进一步的，由于本申请的海上目标的航迹预测方法是主要是基于历史航迹的相关数据得到的预测结果，因此历史航迹的准确性也会影响航迹预测结果。在实际应用中，对于海上小目标的识别和航迹的流程依次为：目标检测、目标识别、目标跟踪和目标航迹预测。每个流程中都会存在一定的误差，所有的误差累积后会使最后得到的目标航迹预测的结果的误差更大。为了减少目标航迹预测之前的流程对航迹预测结果的影响，在获取目标在当前时刻之前的历史航迹之前方法还包括：对多种传感器进行目标检测得到的多种检测结果基于多数据对齐融合的方式进行目标检测和识别，得到每个目标对应的融合检测结果和目标类型；基于每个目标对应的融合检测结果和目标类型按照预设筛选条件选取出感兴趣目标；根据预设跟踪算法对感兴趣目标进行航迹的跟踪得到每个感兴趣目标的航迹。
其中，基于多数据对齐融合的目标检测和识别方式主要是基于数据对齐融合方法将检测结果对齐并投影到新的场景表示空间，从而降低目标检测阶段的误差，然后基于前述的目标检测结果在新的场景表示空间进行目标识别，降低识别误差，进而提高目标识别的准确性。基于多数据对齐融合的目标检测和识别得到的融合检测结果和目标类型进行目标跟踪得到的航迹准确性更高，误差更小。
下面将参考附图并结合实施例来详细说明基于多数据对齐融合的目标检测和识别方法。如图2所示，基于多数据对齐融合的目标检测和识别方法包括如下的步骤S201-S206：S201.对多种传感器的信号源分别进行目标检测得到多种检测结果；其中，每种检测结果为候选目标集合的检测结果；S202.将多种检测结果按统一的预设形式记录；其中，记录的内容至少包括坐标、尺寸、置信度；S203.根据多种传感器的标定，将多种传感器的坐标系对齐得到新的场景表示空间；S204.将多种检测结果分别投影到新的场景表示空间得到对应的多种新检测结果，并将多种新检测结果按照统一的预设形式记录；S205.将多种新检测结果按照预设融合算法进行融合，得到候选目标集合中每个目标对应的融合检测结果；S206.根据多数据融合目标识别算法对所有的融合检测结果进行目标识别，确定每个目标的目标类型；其中，多数据融合目标识别算法是对在新的场景表示空间下的样本数据进行训练得到的。
步骤S201中，多种传感器可以为红外传感器、光学传感器、电磁雷达传感器、合成孔径雷达传感器等。在实际应用中，一个海上识别或跟踪系统一般载有两种的传感器用于海上场景的目标检测，本申请实施例中不限制传感器的种类，也可以为两种以上。针对每种传感器返回的信号，本步骤选择适合的检测算法开展目标检测。比如，针对光学传感器返回的图像信号，可以采用基于计算机视觉的多目标检测算法，如YOLO5、DETR等。
“每种检测结果为候选目标集合的检测结果”表示每种检测结果中包含了多个海上目标，他们组成候选目标集合，在后续进行目标跟踪时会根据实际的业务需求从候选目标集合中选出感兴趣的目标进行跟踪分析。一种传感器对应一种检测结果。如果同种类型的传感器有多个，那么为一个传感器对应一种检测结果。
步骤S202中，为了方便后续的融合，将步骤S201中得到的每种检测结果按照统一的形式(预设形式)进行存储记录。记录的内容至少包括坐标(比如二维坐标下的X、Y值；或三维坐标下的X、Y、Z值等)、尺寸、置信度，还可以包括其他的在目标检测领域中常用的信息。本步骤中的记录的坐标、尺寸都是在对应传感器坐标下的坐标、尺寸。
步骤S203中，坐标系对齐是指将多种传感器的坐标系经过坐标变换得到同一个坐标系(新的场景表示空间)。坐标系对齐是为了将在不同坐标系下表示的目标转换到同一坐标系下进行表示，实现多种数据对齐。需要说明的是，本申请实施例中新的场景表示空间的形式不做限制，但是必须是有更强的抽象能力的表示空间。
具体的，假设红外传感器对应的坐标系为Γ，光学传感器对应的坐标系为I，新的场景表示空间为Φ，Γ和I投影到Φ的映射函数分别为Pr和Pi，则对于任一目标O如下逻辑成立：
Pr(OΓ)≡Pi(OI)
其中，OΓ表示O在红外传感器对应的坐标系Γ下的真实检测结果，OI表示O在光学传感器对应的坐标系I中的真实检测结果，≡表示检测结果的各项数据(如坐标，尺寸等)均相等。需要说明的是，此处的真实检测结果是用于解释多数据对齐使用的概念，并非由检测算法得到的检测结果，而是指真实世界的客观事实。需要说明的是，映射函数的得到可以基于坐标转换前后的坐标数据进行反推得到。
步骤S204中，“将多种检测结果分别投影到新的场景表示空间得到对应的多种新检测结果”即基于不同种传感器对应的不同的映射函数(步骤S203中用于投影到新的场景表示空间的映射函数)将多种检测结果中每个检测结果投影到新的场景表示空间得到新检测结果。新检测结果也需要按照前述中的统一的预设形式记录，同样记录内容至少包括坐标、尺寸、置信度，还可以包括其他的在目标检测领域中常用的信息。新检测结果对应的坐标、尺寸都是新的场景表示空间下的坐标和尺寸，置信度还是步骤S201中的检测结果的置信度。
步骤S205中，将多种新检测结果按照预设融合算法进行融合包括：
首先，根据预设融合算法对多种新检测结果进行唯一性融合计算得到每个目标对应的融合检测结果；然后，将每个目标对应的融合检测结果进行数据更新，数据更新包括尺寸更新、坐标更新、置信度更新。
具体的，根据预设融合算法对多种新检测结果进行唯一性融合计算得到每个目标对应的融合检测结果具体的实现为：1)对多种新检测结果中的所有的新检测结果进行相似度计算；2)根据相似度计算结果判断不同的新检测结果是否属于同一目标；3)若属于同一目标，将属于同一目标的新检测结果进行唯一性融合得到目标对应的融合检测结果；4)若不属于同一目标，则不同的新检测结果不融合，并将新检测结果作为目标对应的融合检测结果。
唯一性融合的假设基础为，在同一时刻同一场景内，每个目标有且仅有一个对应的检测结果。
本申请实施例给出一种相似度计算的方式：对多种新检测结果中的所有检测结果进行两两交并比计算，下述为交并比计算公式：
其中，IOU为两个新检测结果的交并比，A和B可以分别表示两个新检测结果中的尺寸，具体的，尺寸可以为面积或体积。如果新的场景表示空间为二维空间，则A和B分别表示两个新检测结果的面积，若新的场景表示空间为三维空间，则A和B分别表示两个新检测结果的体积。
上述示例中，IOU为相似度计算结果，“根据相似度计算结果判断不同的新检测结果是否属于同一目标”即根据交并比计算结果IOU与预设相似度阈值θ的比较结果判断是否属于同一目标。具体的，若IOU＞θ，则确定不同的新检测结果属于同一目标；若IOU≤θ，则确定不同的新检测结果不属于同一目标。需要说明的是，对于传感器种类或数量大于或等于3的情况，通过相似度计算，最终可能得到大于或等于3个的新检测结果属于同一目标。
“将属于同一目标的新检测结果进行唯一性融合得到目标对应的融合检测结果”可以为将属于同一目标的新检测结果中尺寸最大的作为目标对应的融合检测结果。当然也可以按照其他的方式进行融合，比如求多个新检测结果的均值，将均值结果作为目标对应的融合检测结果；或者选择置信度最高的作为目标对应的融合检测结果。
具体的，将每个目标对应的融合检测结果进行数据更新中对于置信度的更新为：若融合检测结果为没有经过唯一性融合得到的，则融合检测结果的置信度为对应的新检测结果的置信度；若融合检测结果为经过唯一性融合得到的，且进行唯一性融合的新检测结果为同类型的检测结果，则融合检测结果的置信度为进行唯一性融合的新检测结果的置信度的均值；若融合检测结果为经过唯一性融合得到的，且进行唯一性融合的新检测结果为不同类型的检测结果，则融合检测结果的置信度为进行唯一性融合的新检测结果的置信度的增强计算结果。
对于融合检测结果为经过唯一性融合得到的情况的置信度的计算给出下列公式进行进一步说明：
其中，conf同和conf异分别表示同类型的检测结果和不同类型的检测结果唯一性融合后的置信度，n和m分别表示参与唯一性融合的新检测结果的数量，n可以通过手动阈值设置，达到n近邻融合的效果，m最大取值为进行目标检测的传感器的数量，confi和confj分别表示参与唯一性融合的新检测结果，#则表示数量(number)运算符，用于统计i和j所指向集合的元素数量。需要说明的是，对于“将属于同一目标的新检测结果中尺寸最大的作为目标对应的融合检测结果”的情况，confj为属于同一目标的不同类型的检测结果中尺寸最大的新的检测结果的置信度。
前述是置信度的更新，对于尺寸、坐标的更新是指为每个融合检测结果增加对应的尺寸、坐标。
步骤S206中，多数据融合目标识别算法是提前构建好的，具体的构建多数据融合目标识别算法包括：采集预设数量的目标，并对预设数量的目标进行目标类型的标注；将采集到的预设数量的目标在新的场景表示空间下进行表示；将在新的场景表示空间下表示的预设数量的目标和对应的目标类型生成样本数据；基于样本数据对深度学习模型进行训练得到多数据融合目标识别算法。本步骤中的目标为海上小目标，本申请实施例中的目标识别方法也主要是针对海上小目标。具体的小目标的定义皆以学术和工业界的主流标准为准。另外，标注的目标类型包括舢板、渔船、舰艇或鱼类等。采集预设数量的目标是用多种传感器进行检测，得到检测结果；对预设数量的目标进行目标类型的标注是指对于每个检测结果标注对应的目标类型。
“根据多数据融合目标识别算法对所有的融合检测结果进行目标识别，确定每个目标的目标类型”是将步骤S205中得到的所有融合检测结果输入到多数据融合目标识别算法中，输出所有融合检测结果对应的目标类型。
从以上的描述中，可以看出，图2基于多数据对齐融合的目标检测和识别方法中，将多种传感器对应的多种检测结果投影到新的场景表示空间得到新检测结果，实现了多种检测结果的对齐，之后将新检测结果进行唯一性的融合，得到更加合理、置信度更高的检测结果，降低了由检测设备和检测算法的缺陷带来的检测误差。另外，又接着在新的场景表示空间训练得到多数据融合的目标识别算法来进行目标识别，提高了算法识别小目标的精度，进而从总体上提高对海上小目标识别的准确性。
进一步的，为了更好地描述置信度的相对程度，对于步骤S205中的所有的融合检测果的置信度计算完毕后，还可以对其进行归一化计算，其计算方式如下：
其中，表示归一化后融合检测结果的置信度，K表示所有融合检测结果的数量，/>和/>分别表示最大值和最小值运算。
进一步的，对于步骤S206中多数据融合目标识别算法还可以为基于分类思想的任意算法，如最近邻算法，在已具备样本库的基础上，将待进行目标识别的新检测结果与样本数据中带有标注的样本进行最近邻计算，可得到最相似的类别标签，即为该新检测结果的目标类型。
进一步的，为了提高识别的精度，在将多种新检测结果按照预设融合算法进行融合之前，还包括：删除多种新检测结果中置信度小于预设置信度阈值的新检测结果。删除多种新检测结果中置信度小于预设置信度阈值的新检测结果是为了去除冗余检测结果。其中，预设置信度阈值可以是手动设置的；也可以是自适应的阈值。自适应的阈值可以采用多种形式来确定，如基于统计排序的自适应阈值选择方法等。
在根据图2中的基于多数据对齐融合的目标检测和识别方法得到每个目标对应的融合检测结果和目标类型后，需要按照预设筛选条件(根据业务需求确定)选取出感兴趣目标TOI(target of interesting)。具体的，筛选条件包括但不限于目标的尺寸大小、目标距离观察主体的距离、目标实物的类别(如舢板、渔船、舰艇或鱼类等)以及目标对应的置信度等，筛选的方式包括但不限于，基于阈值判断的筛选方法和基于布尔值判断的筛选方法等。其中，基于阈值判断的筛选方法中的阈值可以是手动设置的，也可以是基于计算的自适应阈值，如基于统计排序的自适应阈值。
选取出感兴趣目标后，根据预设跟踪算法对所述感兴趣目标进行航迹的跟踪得到每个感兴趣目标的航迹。具体的，预设跟踪算法是指对目标在某一时间段内的航迹进行描述的方法，算法的内在逻辑可以是在线的实时方法，也可以是局部延迟的离线方法，可以是基于单目标进行的逐一多目标跟踪方法，也可以是基于匹配或数据关联思想的多目标跟踪方法，包括但不限于，基于单目标跟踪的多目标跟踪算法、基于多假设的多目标跟踪算法、基于图模型的多目标跟踪算法以及基于深度模型的多目标跟踪算法等。还需要说明的是，本申请实施例中的预设跟踪算法可以是任意基于检测跟踪(tracking-by-detection)框架设计的算法。也即，本申请实施例的跟踪方式建立在对所需时间范围或时间段内的所有检测结果已知的条件下，不适用于非基于检测跟踪框架的算法。
进一步的，为了提高航迹跟踪的准确率，在得到每个感兴趣目标的航迹后，还会对航迹进行后处理，具体包括：滤波修正、航迹恢复等。滤波修正是指基于滤波算法对航迹进行微调，如卡尔曼滤波、基于PHD的滤波方法等。航迹恢复是指对航迹描述中存在中断的情况进行填补，一般分为两种情况，一种是对航迹中短暂缺失的部分进行缺失值填补；另一种是先对于跟踪中出现的相关航迹片段进行关联，而后再对其中短暂缺失的部分进行缺失值填补。两种情况中的后者一般是对航迹集合中的航迹片段进行关联计算，对于其中依时序具有相关性的航迹片段进行合并，而后者采用前者的填补方式进行航迹恢复。
步骤S101中历史航迹就是从航迹进行后处理后得到的每个感兴趣目标对应的航迹中获取到的。
航迹进行后处理后得到每个感兴趣目标对应的航迹，由于目标检测、识别、跟踪都是基于新的场景表示空间下得到的，因此得到的航迹也是基于新的场景表示空间下的。这种情况下，步骤S101中的历史航迹为基于多个传感器的信号确定的在新的场景表示空间下的单个历史航迹，因此对应的，步骤S104中输出航迹预测结果包括：将单个历史航迹对应的多条航迹预设结果进行反向投影得到在每个传感器的坐标系下的多条航迹预测结果；然后再输出多个传感器对应的所有航迹预测结果。这种情况是先进行航迹预测再进行反向投影，得到的航迹预测结果的精度更高。
在实际应用中，在得到基于新的场景表示空间下的航迹后，还存在如下需求：对每个目标对应的新的场景表示空间下的航迹先进行反向投影得到每种传感器坐标系下的航迹，之后再进行航迹预测。这种情况下，步骤S101中的历史航迹为基于多个传感器的信号确定的在每个传感器的坐标系下的多个历史航迹。因此基于多个历史航迹进行预测，对应的输出航迹预测结果包括：输出每个传感器对应的多条航迹预测结果。每个传感器对应的多条航迹预测结果为每个传感器坐标系下的多条航迹预测结果。这种情况是先进行反向投影再进行航迹预测，得到的航迹结果的精度虽然没有前述情况(先进行航迹预测再进行反向投影)的精度高，但是覆盖的可能性更多。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
根据本申请实施例，还提供了一种用于实施上述图1-2方法的海上目标的航迹预测装置300，如图3所示，该装置包括：获取单元31，用于获取目标在当前时刻之前的历史航迹；提取单元32，用于提取所述历史航迹对应的速度均值和速度峰值；预测单元33，用于基于所述速度均值、速度峰值、多个方向变量对所述目标进行多矢量假设，预测出所述目标在当前时刻的下个时刻的多个运动矢量；输出单元34，根据所述多个运动矢量进行所述目标的航迹预测，输出多条航迹预测结果，每条航迹预测结果对应一个运动矢量。
进一步的，如图4所示，所述预测单元33包括：组合模块331，用于将每个方向变量分别与所述速度均值和所述速度峰值进行组合；确定模块332，用于将每个组合的组合结果确定为一个运动矢量。
进一步的，所述多个方向变量包括东、西、南、北和原地静止五个方向；或者，包括东、西、南、北、东北、西北、东南、西南和原地静止九个方向。
进一步的，如图4所示，所述获取单元31包括：第一获取模块311，用于获取目标在当前时刻之前的预设时段内的历史航迹；第二获取模块312，用于获取目标在当前时刻之前预设典型运动区域内的历史航迹。
进一步的，所述输出单元34用于：若所述历史航迹是基于多个传感器的信号确定的在每个传感器的坐标系下的多个历史航迹，则输出每个传感器对应的多条航迹预测结果。
进一步的，如图4所示，所述输出单元34包括：反向投影模块341，用于若所述历史航迹是基于多个传感器的信号确定的在新的场景表示空间下的单个历史航迹，所述新的场景表示空间为所述多个传感器进行坐标系对齐后的表示空间，则将所述单个历史航迹对应的多条航迹预设结果进行反向投影得到在每个传感器的坐标系下的多条航迹预测结果；输出模块342，用于输出多个传感器对应的所有航迹预测结果。
进一步的，如图4所示，所述装置还包括：检测识别单元35，用于在所述获取目标在当前时刻之前的历史航迹之前对多种传感器进行目标检测得到的多种检测结果基于多数据对齐融合的方式进行目标检测和识别，得到每个目标对应的融合检测结果和目标类型；选取单元36，用于基于每个目标对应的融合检测结果和目标类型按照预设筛选条件选取出感兴趣目标；跟踪单元37，用于根据预设跟踪算法对所述感兴趣目标进行航迹的跟踪得到每个感兴趣目标的航迹。
进一步的，如图4所示，所述检测识别单元35包括：检测模块351，用于对多种传感器的信号源分别进行目标检测得到多种检测结果，每种检测结果为候选目标集合的检测结果；记录模块352，用于将多种检测结果按统一的预设形式记录，记录的内容至少包括坐标、尺寸、置信度；生成模块353，用于根据所述多种传感器的标定，将所述多种传感器的坐标系对齐得到新的场景表示空间；投影模块354，用于将所述多种检测结果分别投影到所述新的场景表示空间得到对应的多种新检测结果，并将多种新检测结果按照所述统一的预设形式记录；融合模块355，用于将所述多种新检测结果按照预设融合算法进行融合，得到所述候选目标集合中每个目标对应的融合检测结果；识别模块356，用于根据多数据融合目标识别算法对所有的融合检测结果进行目标识别，确定每个目标的目标类型，所述多数据融合目标识别算法是对在所述新的场景表示空间下的样本数据进行训练得到的。
具体的，本申请实施例的装置中各单元、模块实现其功能的具体过程可参见方法实施例中的相关描述，此处不再赘述。
从以上的描述中，可以看出，本申请实施例的海上目标的航迹预测装置中，获取目标在当前时刻之前的历史航迹；提取历史航迹对应的速度均值和速度峰值；基于速度均值、速度峰值、多个方向变量对目标进行多矢量假设，预测出目标在当前时刻的下个时刻的多个运动矢量；根据运动矢量进行目标的航迹预测，输出航迹预测结果。将本申请实施例的海上目标航迹预测方式应用到海上小目标的航迹预测中，可以实现多矢量(多个运动矢量)假设，使假设更充分，进而提高航迹预测的精度。
根据本申请实施例，还提供了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存储有计算机指令，所述计算机指令用于使所述计算机执行上述方法实施例中的海上目标的航迹预测方法。
根据本申请实施例，还提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器执行上述方法实施例中的海上目标的航迹预测方法。
显然，本领域的技术人员应该明白，上述的本申请的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种海上目标的航迹预测方法，其特征在于，所述方法包括：
获取目标在当前时刻之前的历史航迹；
提取所述历史航迹对应的速度均值和速度峰值；
基于所述速度均值、速度峰值、多个方向变量对所述目标进行多矢量假设，预测出所述目标在当前时刻的下个时刻的多个运动矢量；
根据所述多个运动矢量进行所述目标的航迹预测，输出多条航迹预测结果，每条航迹预测结果对应一个运动矢量。
2.根据权利要求1所述的海上目标的航迹预测方法，其特征在于，所述基于所述速度均值、速度峰值、多个方向变量对所述目标进行多矢量假设，预测出所述目标当前时刻的下个时刻的多个运动矢量包括：
将每个方向变量分别与所述速度均值和所述速度峰值进行组合；
将每个组合的组合结果确定为一个运动矢量。
3.根据权利要求2所述的海上目标的航迹预测方法，其特征在于，所述多个方向变量包括东、西、南、北和原地静止五个方向；或者，包括东、西、南、北、东北、西北、东南、西南和原地静止九个方向。
4.根据权利要求2所述的海上目标的航迹预测方法，其特征在于，所述获取目标在当前时刻之前的历史航迹包括：
获取目标在当前时刻之前的预设时段内的历史航迹；或，
获取目标在当前时刻之前预设典型运动区域内的历史航迹。
5.根据权利要求1所述的海上目标的航迹预测方法，其特征在于，若所述历史航迹是基于多个传感器的信号确定的在每个传感器的坐标系下的多个历史航迹，则所述输出多条航迹预测结果包括：输出每个传感器对应的多条航迹预测结果。
6.根据权利要求1所述的海上目标的航迹预测方法，其特征在于，若所述历史航迹是基于多个传感器的信号确定的在新的场景表示空间下的单个历史航迹，所述新的场景表示空间为所述多个传感器进行坐标系对齐后的表示空间，则所述输出多条航迹预测结果包括：
将所述单个历史航迹对应的多条航迹预设结果进行反向投影得到在每个传感器的坐标系下的多条航迹预测结果；
输出多个传感器对应的所有航迹预测结果。
7.根据权利要求5或6所述的海上目标的航迹预测方法，其特征在于，在所述获取目标在当前时刻之前的历史航迹之前所述方法还包括：
对多种传感器进行目标检测得到的多种检测结果基于多数据对齐融合的方式进行目标检测和识别，得到每个目标对应的融合检测结果和目标类型；
基于每个目标对应的融合检测结果和目标类型按照预设筛选条件选取出感兴趣目标；
根据预设跟踪算法对所述感兴趣目标进行航迹的跟踪得到每个感兴趣目标的航迹。
8.一种海上目标的航迹预测装置，其特征在于，所述装置包括：
获取单元，用于获取目标在当前时刻之前的历史航迹；
提取单元，用于提取所述历史航迹对应的速度均值和速度峰值；
预测单元，用于基于所述速度均值、速度峰值、多个方向变量对所述目标进行多矢量假设，预测出所述目标在当前时刻的下个时刻的多个运动矢量；
输出单元，根据所述多个运动矢量进行所述目标的航迹预测，输出多条航迹预测结果，每条航迹预测结果对应一个运动矢量。
9.一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存储有计算机指令，所述计算机指令用于使所述计算机执行权利要求1至7中任意一项所述的海上目标的航迹预测方法。
10.一种电子设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器执行权利要求1至7中任意一项所述的海上目标的航迹预测方法。
CN202311257602.0A 2023-09-26 2023-09-26 海上目标的航迹预测方法及装置 Active CN117315421B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311257602.0A CN117315421B (zh) 2023-09-26 2023-09-26 海上目标的航迹预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311257602.0A CN117315421B (zh) 2023-09-26 2023-09-26 海上目标的航迹预测方法及装置

Publications (2)

Publication Number Publication Date
CN117315421A true CN117315421A (zh) 2023-12-29
CN117315421B CN117315421B (zh) 2024-10-18

Family

ID=89286106

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311257602.0A Active CN117315421B (zh) 2023-09-26 2023-09-26 海上目标的航迹预测方法及装置

Country Status (1)

Country Link
CN (1) CN117315421B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102326171A (zh) * 2009-02-19 2012-01-18 松下电器产业株式会社 用于提高异常行为检测的精确度和鲁棒性的系统和方法
CN110675432A (zh) * 2019-10-11 2020-01-10 智慧视通(杭州)科技发展有限公司 一种基于多维特征融合的视频多目标跟踪方法
CN111316127A (zh) * 2018-12-29 2020-06-19 深圳市大疆创新科技有限公司 目标航迹确定方法、目标跟踪系统与车辆
US20210056713A1 (en) * 2018-01-08 2021-02-25 The Regents On The University Of California Surround vehicle tracking and motion prediction
CN115690713A (zh) * 2022-11-02 2023-02-03 广西交科集团有限公司 一种基于双目相机的雷视融合事件检测方法
CN116182876A (zh) * 2021-11-24 2023-05-30 北京罗克维尔斯科技有限公司 一种车辆航迹预测方法、装置、设备及存储介质
CN116645396A (zh) * 2023-04-28 2023-08-25 苏州浪潮智能科技有限公司 轨迹确定方法、装置、计算机可读存储介质及电子设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102326171A (zh) * 2009-02-19 2012-01-18 松下电器产业株式会社 用于提高异常行为检测的精确度和鲁棒性的系统和方法
US20210056713A1 (en) * 2018-01-08 2021-02-25 The Regents On The University Of California Surround vehicle tracking and motion prediction
CN111316127A (zh) * 2018-12-29 2020-06-19 深圳市大疆创新科技有限公司 目标航迹确定方法、目标跟踪系统与车辆
CN110675432A (zh) * 2019-10-11 2020-01-10 智慧视通(杭州)科技发展有限公司 一种基于多维特征融合的视频多目标跟踪方法
CN116182876A (zh) * 2021-11-24 2023-05-30 北京罗克维尔斯科技有限公司 一种车辆航迹预测方法、装置、设备及存储介质
CN115690713A (zh) * 2022-11-02 2023-02-03 广西交科集团有限公司 一种基于双目相机的雷视融合事件检测方法
CN116645396A (zh) * 2023-04-28 2023-08-25 苏州浪潮智能科技有限公司 轨迹确定方法、装置、计算机可读存储介质及电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
田国昊: ""内河船舶多源数据感知与航迹融合方法研究"", 《CNKI优秀硕士学位论文全文库》, 1 March 2022 (2022-03-01), pages 2 *

Also Published As

Publication number Publication date
CN117315421B (zh) 2024-10-18

Similar Documents

Publication Publication Date Title
Li et al. Cross-layer attention network for small object detection in remote sensing imagery
CN110675418B (zh) 一种基于ds证据理论的目标轨迹优化方法
CN113269073A (zh) 一种基于yolo v5算法的船舶多目标追踪方法
CN110188093A (zh) 一种基于大数据平台针对ais信息源的数据挖掘系统
CN110598730A (zh) 基于决策树的航迹关联算法
Gao et al. Road extraction using a dual attention dilated-linknet based on satellite images and floating vehicle trajectory data
CN116563310A (zh) 点云分割方法、装置、设备及存储介质
CN115690545B (zh) 训练目标跟踪模型和目标跟踪的方法和装置
CN117313028A (zh) 海上目标的识别方法及装置
Huang et al. EST-YOLOv5s: SAR image aircraft target detection model based on improved YOLOv5s
Ahamed et al. A Deep Learning Approach for Satellite and Debris Detection: YOLO in Action
CN115187884A (zh) 一种高空抛物识别方法、装置、电子设备及存储介质
CN112597956A (zh) 基于人体锚点集合与感知增强网络的多人姿态估计方法
CN117315421B (zh) 海上目标的航迹预测方法及装置
CN111815677A (zh) 目标追踪方法、装置、终端设备和可读存储介质
Zhang et al. Vehicle detection and tracking in remote sensing satellite vidio based on dynamic association
Pedroche et al. Clustering of maritime trajectories with AIS features for context learning
CN115220002B (zh) 一种固定单站的多目标数据关联跟踪方法和相关装置
CN106407989B (zh) 基于快速自动密度聚类的可变尺度红外小目标的检测方法
CN115482277A (zh) 一种社交距离风险预警方法及装置
CN115327529A (zh) 一种融合毫米波雷达和激光雷达的3d目标检测与追踪方法
Geng et al. A Vision-based Ship Speed Measurement Method Using Deep Learning
Tu et al. A Deformable Spatial Attention Mechanism-Based Method and a Benchmark for Dock Detection
CN113052871A (zh) 一种基于智能选择策略的目标检测与自动跟踪算法
Liu et al. SVSDet: A Fine-Grained Recognition Method for Ship Target Using Satellite Video

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