CN117542004A - 近海人船拟合方法、装置、设备及存储介质 - Google Patents
近海人船拟合方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117542004A CN117542004A CN202410034969.4A CN202410034969A CN117542004A CN 117542004 A CN117542004 A CN 117542004A CN 202410034969 A CN202410034969 A CN 202410034969A CN 117542004 A CN117542004 A CN 117542004A
- Authority
- CN
- China
- Prior art keywords
- track
- terminal
- ship
- target
- fitting
- 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 51
- 238000013136 deep learning model Methods 0.000 claims description 44
- 238000012549 training Methods 0.000 claims description 27
- 238000000605 extraction Methods 0.000 claims description 25
- 238000001514 detection method Methods 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000000007 visual effect Effects 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- 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
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及船舶运动预测领域，提供一种近海人船拟合方法、装置、设备及存储介质，所述方法包括：获取近海待预测的目标船只的第一位置坐标，以及终端的第二位置坐标；对第一位置坐标进行拟合，得到目标船只的船只轨迹，对第二位置坐标进行拟合，得到终端的终端轨迹；根据船只轨迹和终端轨迹进行轨迹预测，得到预测轨迹，并基于预测轨迹确定目标船只与终端对应的目标人员是否存在伴随关系。通过轨迹拟合和轨迹预测，可以及时确定人船的位置关系，从而准确判断人船是否伴随，相比于基于视觉技术的人船拟合方式，提高了对近海人船伴随拟合的及时性和准确性，同时，无需手工构建特征工程，提高了人船拟合的鲁棒性和泛化能力。
Description
技术领域
本发明涉及船舶运动预测领域，尤其涉及一种近海人船拟合方法、装置、设备及存储介质。
背景技术
船舶是现代生活中不可或缺的水上交通运输工具，在近海环境中，通常需要对船舶及相应人员进行监测，以确定人员与船舶是否伴随，从而确定人船是否存在违规行为，以及实现对人员的安全监护。目前，常用的近海人船监测方式通常是基于计算机视觉的，需要手动定义特征和规则，且特征工程往往需要手动构建大量特征，限制了其准确性和泛化能力，无法适应复杂多变的近海场景。并且，在计算机视觉领域，船舶与人员之间的目标尺寸相差较大，近海环境复杂多变，船舶大目标之间容易产生重叠遮挡，以及船舶大目标容易对人员小目标产生覆盖遮挡，相对于船舶大目标而言，人员小目标存在难以捕获跟踪的问题，因此，难以及时准确判断人船是否伴随。
发明内容
本发明提供一种近海人船拟合方法、装置、设备及存储介质，用以解决现有技术中采用计算机视觉的人船拟合方式，难以及时准确判断人船是否伴随的缺陷。
本发明提供一种近海人船拟合方法，包括：
获取近海待预测的目标船只的第一位置坐标，以及终端的第二位置坐标；
对所述第一位置坐标进行拟合，得到所述目标船只的船只轨迹，对所述第二位置坐标进行拟合，得到所述终端的终端轨迹；
根据所述船只轨迹和所述终端轨迹进行轨迹预测，得到预测轨迹，并基于所述预测轨迹确定所述目标船只与所述终端对应的目标人员是否存在伴随关系。
根据本发明提供的近海人船拟合方法，所述根据所述船只轨迹和所述终端轨迹进行轨迹预测，得到预测轨迹，并基于所述预测轨迹确定所述目标船只与所述终端对应的目标人员是否存在伴随关系，包括：
将所述船只轨迹和所述终端轨迹输入到经过预训练的轨迹预测模型中；所述轨迹预测模型包括特征提取网络和轨迹预测网络；
利用所述轨迹预测模型中的特征提取网络提取所述船只轨迹和所述终端轨迹的轨迹特征；所述轨迹特征包括运动速度和运动趋势；
将所述轨迹特征输入到所述轨迹预测模型的轨迹预测网络中，利用所述轨迹预测网络对所述目标船只和所述终端进行轨迹预测，得到预测轨迹；所述预测轨迹包括所述目标船只在未来第一预设时长内的第一预测轨迹，以及所述终端在未来所述第一预设时长内的第二预测轨迹；
将所述预测轨迹、所述船只轨迹和所述终端轨迹输入到经过预训练的深度学习模型中进行拟合分类，以确定所述目标船只与所述终端对应的目标人员是否存在伴随关系。
根据本发明提供的近海人船拟合方法，所述将所述预测轨迹、所述船只轨迹和所述终端轨迹输入到经过预训练的深度学习模型中进行拟合分类，以确定所述目标船只与所述终端对应的目标人员是否存在伴随关系，包括：
将所述预测轨迹、所述船只轨迹和所述终端轨迹输入到经过预训练的深度学习模型中进行拟合，以提取所述目标船只与所述终端在第二预设时长内的伴随特征；所述伴随特征包括相对距离、轨迹相似度和轨迹重合次数中的至少一项；所述第二预设时长包含所述第一预设时长；
根据所述伴随特征对所述目标船只与所述终端进行拟合分类预测，以确定所述目标船只与所述终端对应的目标人员是否存在伴随关系。
根据本发明提供的近海人船拟合方法，根据所述伴随特征，若所述目标船只与所述终端在第二预设时长内的相对距离小于预设距离，和/或，所述目标船只与所述终端在第二预设时长内的轨迹相似度高于预设相似度阈值，和/或，所述目标船只与所述终端在第二预设时长内的轨迹重合次数大于预设次数，则所述目标船只与所述终端对应的目标人员存在伴随关系。
根据本发明提供的近海人船拟合方法，所述将所述船只轨迹和所述终端轨迹输入到经过预训练的轨迹预测模型中之前，还包括：
获取初始样本数据；所述初始样本数据包括近海样本船只和样本终端的坐标信息，以及用于表征所述样本船只与所述样本终端对应的人员之间是否存在伴随关系的标签数据；
将所述初始样本数据中的坐标信息转换为轨迹信息，并根据所述轨迹信息和所述标签数据构建训练样本；
利用所述训练样本对预设的基础轨迹预测模型和预设的基础深度学习模型进行迭代训练，得到经过预训练的轨迹预测模型和经过预训练的深度学习模型。
根据本发明提供的近海人船拟合方法，所述获取近海待预测的目标船只的第一位置坐标，以及终端的第二位置坐标，包括：
基于预设的定位装置，获取近海待预测的目标船只的第一位置坐标；所述定位装置包括卫星定位装置、通信基站、浮标、无人船和激光定位设备中的至少一种；
检测所述目标船只预设距离范围内是否存在终端，若存在，基于所述定位装置，获取所述终端的第二位置坐标。
根据本发明提供的近海人船拟合方法，所述基于所述预测轨迹确定所述目标船只与所述终端对应的目标人员是否存在伴随关系之前，还包括：
获取所述终端的终端标识，以及所述终端对应的目标人员的身份标识；
对所述终端标识与所述目标人员的身份标识进行关联绑定。
本发明还提供一种近海人船拟合装置，包括：
数据采集模块，用于获取近海待预测的目标船只的第一位置坐标，以及终端的第二位置坐标；
轨迹拟合模块，用于对所述第一位置坐标进行拟合，得到所述目标船只的船只轨迹，对所述第二位置坐标进行拟合，得到所述终端的终端轨迹；
伴随检测模块，用于根据所述船只轨迹和所述终端轨迹进行轨迹预测，得到预测轨迹，并基于所述预测轨迹确定所述目标船只与所述终端对应的目标人员是否存在伴随关系。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述近海人船拟合方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述近海人船拟合方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述近海人船拟合方法。
本发明提供的一种近海人船拟合方法、装置、设备及存储介质，通过获取近海待预测的目标船只的第一位置坐标，以及终端的第二位置坐标，并进行位置坐标拟合，得到目标船只的船只轨迹和终端轨迹，根据拟合得到的船只轨迹和终端轨迹进行轨迹预测，并基于预测轨迹确定目标船只与终端对应的目标人员是否存在伴随关系。通过轨迹拟合和轨迹预测，可以及时确定人船的位置关系，从而准确判断人船是否伴随，相比于基于视觉技术的人船伴随拟合方式，提高了对近海人船伴随拟合的及时性和准确性，同时，无需手工构建特征工程，提高了人船拟合的鲁棒性和泛化能力。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的近海人船拟合方法的流程示意图；
图2是本发明提供的近海人船拟合装置的结构示意图；
图3是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
需要说明的是，随着信息技术的发展和手机等移动终端使用的普及，移动终端已成为人们生活中不可或缺的工具，人们通常随身携带手机和具有定位功能的可穿戴设备等移动终端，为基于定位的人船拟合提供了可能。基于此，本发明实施例提供一种近海人船拟合方法，基于船舶和人员坐标信息拟合人船是否伴随，以提高对人船伴随关系检测的及时性、准确性和鲁棒性。
具体地，参照图1，图1是本发明实施例提供的近海人船拟合方法的流程示意图，基于图1，本发明实施例提供的近海人船拟合方法，包括：
步骤100，获取近海待预测的目标船只的第一位置坐标，以及终端的第二位置坐标；
首先，获取近海待预测的目标船只的第一位置坐标，以及终端的第二位置坐标，其中，目标船只可以包括一个或多个，任意一个目标船只对应的终端，可以有一个或多个，对此不做具体限定。
优选地，对目标船只和终端的位置坐标的获取，可以是在一个时间段内，每隔一定时长定时获取的。当目标船只包括多个时，获取的目标船只的第一位置坐标中包括每个目标船只的位置坐标。同样地，当终端包括多个时，获取的终端的第二位置坐标中包括每个终端的位置坐标。优选地，获取的第一位置坐标和第二位置坐标均可以是经纬度坐标，目标船只和终端的位置坐标，可以是同步获取的，也可以是异步获取的，较佳地，对于同一目标船只和其对应的一个或多个终端，以相同的数据采集频率，同步进行位置坐标的获取。
优选地，对目标船只和终端的位置坐标的获取是持续性的，具体是基于预设的轨迹跟踪算法，对目标船只和终端进行识别和轨迹跟踪实现的。
步骤200，对所述第一位置坐标进行拟合，得到所述目标船只的船只轨迹，对所述第二位置坐标进行拟合，得到所述终端的终端轨迹；
基于获取的位置坐标，分别对目标船只和终端的坐标进行拟合，得到对应的轨迹信息。具体地，对目标船只的第一位置坐标进行拟合，得到目标船只的船只轨迹，对终端的第二位置坐标进行拟合，得到终端的终端轨迹。其中，获取的目标船只的第一位置坐标，以及终端的第二位置坐标，均是按照时间顺序进行排列的，在拟合时，按照时间顺序，将对应的位置坐标在地图或坐标系中转换成对应的坐标点，对坐标点进行拟合，得到对应的轨迹图。
优选地，当目标船只包括多个时，对第一位置坐标中每个目标船只的位置坐标分别进行拟合，得到每个目标船只对应的船只轨迹，对于获取的每个目标船只的位置坐标，在拟合时均对应多个坐标点。同样地，当终端包括多个时，对第二位置坐标中每个终端的位置坐标分别进行拟合，得到每个终端对应的终端轨迹，对于获取的每个终端的位置坐标，在拟合时均对应多个坐标点。
在一个实施例中，可以是每获取一次目标船只和终端的位置坐标，则将获取的位置坐标对应转换为坐标点，并在转换预设数量的坐标点后，基于已经拟合的历史轨迹，利用新获取的坐标点对轨迹图重新进行拟合，以及时更新目标船只和终端的轨迹。
优选地，对于同一目标船只而言，该目标船只的船只轨迹与其对应的一个或多个终端的终端轨迹在同一地图或同一坐标系中。对于不同的目标船只而言，其船只轨迹可以是在同一地图或同一坐标系中，也可以是在不同的地图或不同的坐标系中，对此不做具体限定。
步骤300，根据所述船只轨迹和所述终端轨迹进行轨迹预测，得到预测轨迹，并基于所述预测轨迹确定所述目标船只与所述终端对应的目标人员是否存在伴随关系。
根据拟合得到的船只轨迹和终端轨迹进行轨迹预测，得到对应的预测轨迹，该预测轨迹包括根据船只轨迹对目标船只进行轨迹预测得到的船只预测轨迹，以及根据终端轨迹对终端进行轨迹预测得到的终端预测轨迹。
进一步地，基于轨迹预测得到的预测轨迹，结合拟合得到的轨迹，确定目标船只与终端对应的目标人员是否存在伴随关系。该终端是目标人员随身携带的具有定位功能的终端，如手机、平板和具有定位功能的穿戴设备等，获取终端的第二位置坐标也即获取目标人员的第二位置坐标，通过对可定位终端的定位实现对目标人员的定位。通过轨迹拟合和轨迹预测，可以及时确定人船的位置关系，从而准确判断人船是否伴随。
优选地，在一个实施例中，基于预测轨迹，利用经过预训练的深度学习模型确定目标船只与终端对应的目标人员是否存在伴随关系。具体地，将拟合出的船只轨迹、终端轨迹以及经过轨迹预测得到的预测轨迹输入到经过预训练的深度学习模型中进行拟合分类，确定目标船只与终端的轨迹是否拟合，进而确定目标船只与终端对应的目标人员是否存在伴随关系。其中，若深度学习模型对目标船只与终端的轨迹分类结果为拟合，则目标船只与终端对应的目标人员存在伴随关系，否则，若深度学习模型对目标船只与终端的轨迹分类结果为不拟合，则目标船只与终端对应的目标人员不存在伴随关系。
优选地，在另一实施例中，基于预测轨迹，利用经过预训练的深度学习模型确定目标船只与终端对应的目标人员是否存在伴随关系，该深度学习模型包括特征提取网络和预测分类网络。其中，特征提取网络用于提取轨迹特征；预测分类网络用于根据特征提取网络提取的轨迹特征进行轨迹预测，得到预测轨迹，并基于预测轨迹进行轨迹拟合分类，从而确定目标船只与终端对应的目标人员是否存在伴随关系。具体地，将拟合得到的船只轨迹和终端轨迹输入到深度学习模型的特征提取网络中，利用特征提取网络提取目标船只的第一轨迹特征，以及提取终端的第二轨迹特征。然后，将提取的第一轨迹特征与第二轨迹特征输入到预测分类网络中，该预测分类网络进一步包括轨迹预测分支网络和拟合分类分支网络，轨迹预测分支网络包括但不限于回归网络，利用预测分类网络中的轨迹预测分支网络对第一轨迹特征和第二轨迹特征进行轨迹预测，得到预测轨迹，该预测轨迹包括目标船只的第一预测轨迹，以及终端的第二预测轨迹。进一步地，基于预测轨迹，利用预测分类网络中的拟合分类分支网络对目标船只和终端进行轨迹拟合分类，确定目标船只与终端的轨迹是否拟合，进而确定目标船只与所述终端对应的目标人员是否存在伴随关系。其中，若对目标船只与终端的轨迹分类结果是拟合的，则目标船只与终端对应的目标人员存在伴随关系，否则，若对目标船只与终端的轨迹分类结果是不拟合的，则目标船只与终端对应的目标人员不存在伴随关系。
优选地，在另一实施例中，基于拟合得到的船只轨迹和终端轨迹，利用经过预训练的轨迹预测模型进行轨迹预测，得到预测轨迹，包括目标船只对应的第一预测轨迹，以及终端对应的第二预测轨迹。具体地，将拟合得到的船只轨迹和终端轨迹输入到经过预训练的轨迹预测模型中，利用轨迹预测模型对船只轨迹进行预测，得到目标船只的第一预测轨迹，对终端轨迹进行轨迹预测，得到终端的第二预测轨迹。基于目标船只和终端的预测轨迹，结合拟合得到的船只轨迹和终端轨迹，通过计算目标船只与终端的距离，和/或，计算目标船只与终端的轨迹相似度等方式，确定目标船只与终端对应的目标人员是否存在伴随关系。
进一步地，在另外的实施方式中，轨迹预测模型包括特征提取网络和轨迹预测网络，其中，特征提取网络用于提取轨迹特征，轨迹预测网络用于根据特征提取网络提取的轨迹特征进行轨迹预测，得到预测轨迹。在利用经过预训练的轨迹预测模型对目标船只和终端进行估计预测时，具体是将拟合得到的船只轨迹和终端轨迹输入到轨迹预测模型的特征提取网络中，利用特征提取网络对船只轨迹和终端轨迹分别进行特征提取，得到目标船只的第一轨迹特征和终端的第二轨迹特征。将提取的第一轨迹特征和第二轨迹特征输入到经过轨迹预测模型的轨迹预测网络中，利用轨迹预测网络对目标船只和终端进行轨迹预测，得到预测轨迹。其中，对目标船只和终端的特征提取及轨迹预测，可以是并行执行的，也可以是顺序执行的，顺序执行时，不区分先后顺序，在此不再赘述。
在本实施例中，通过获取近海待预测的目标船只的第一位置坐标，以及终端的第二位置坐标，并进行位置坐标拟合，得到目标船只的船只轨迹和终端轨迹，根据拟合得到的船只轨迹和终端轨迹进行轨迹预测，并基于预测轨迹确定目标船只与终端对应的目标人员是否存在伴随关系。通过轨迹拟合和轨迹预测，可以及时确定人船的位置关系，从而准确判断人船是否伴随，相比于基于视觉技术的人船拟合方式，提高了对近海人船伴随拟合的及时性和准确性，同时，无需手工构建特征工程，提高了人船拟合的鲁棒性和泛化能力。
优选地，对目标船只和终端的轨迹预测，以及对目标船只与目标人员的伴随关系的检测，是基于经过预训练的轨迹预测模型和深度学习模型实现的，该轨迹预测模型包括但不限于回归模型，深度学习模型包括但不限于卷积神经网络(Convolutional NeuralNetworks，CNN)模型。具体地，步骤300中，根据拟合得到的船只轨迹和终端轨迹进行轨迹预测，得到预测轨迹，并基于预测轨迹确定目标船只与终端对应的目标人员是否存在伴随关系，还可以包括：
步骤310，将所述船只轨迹和所述终端轨迹输入到经过预训练的估计模型中；所述轨迹模型包括特征提取网络和轨迹预测网络；
步骤320，利用所述轨迹预测模型中的特征提取网络提取所述船只轨迹和所述终端轨迹的轨迹特征；所述轨迹特征包括运动速度和运动趋势；
步骤330，将所述轨迹特征输入到所述轨迹预测模型的轨迹预测网络中，利用所述轨迹预测网络对所述目标船只和所述终端进行轨迹预测，得到预测轨迹；所述预测轨迹包括所述目标船只在未来第一预设时长内的第一预测轨迹，以及所述终端在未来所述第一预设时长内的第二预测轨迹；
步骤340，将所述预测轨迹、所述船只轨迹和所述终端轨迹输入到经过预训练的深度学习模型中进行拟合分类，以确定所述目标船只与所述终端对应的目标人员是否存在伴随关系。
在本实施例中，基于拟合得到的船只轨迹和终端轨迹，利用经过预训练的轨迹预测模型对目标船只和终端进行轨迹预测，经过预训练的轨迹模型包括特征提取网络和轨迹预测网络，在进行轨迹预测和伴随关系检测时，首先将拟合得到的船只轨迹和终端轨迹输入到经过预训练的轨迹预测模型中，利用轨迹预测模型中的特征提取网络提取船只轨迹和终端轨迹的轨迹特征，该轨迹特征包括运动速度和运动趋势，运动趋势进一步包括运动方向。将特征提取网络提取的轨迹特征输入到轨迹预测网络中，利用轨迹预测模型的轨迹预测网络对目标船只和终端进行轨迹预测，得到预测轨迹。该预测轨迹包括目标船只在未来第一预设时长内的第一预测轨迹，以及终端在未来第一预设时长内的第二预测轨迹。
进一步地，将拟合得到的船只轨迹、终端轨迹以及预测得到的预测轨迹输入到经过预训练的深度学习模型中，利用深度学习模型对目标船只和终端进行轨迹拟合分类，从而基于预测得到的预测轨迹确定目标船只与终端对应的目标人员是否存在伴随关系。其中，若深度学习模型对目标船只与终端的轨迹分类结果是拟合的，则目标船只与终端对应的目标人员存在伴随关系，否则，若深度学习模型对目标船只与终端的轨迹分类结果是不拟合的，则目标船只与终端对应的目标人员不存在伴随关系。
优选地，船只的轨迹特征与终端的轨迹特征，可以是通过同一分支网络进行提取得到的，也可以是通过不同的分支网络进行提取得到的，当通过不同的分支网络进行提取时，对于轨迹预测模型的特征提取网络而言，其可以包括第一特征分支网络和第二特征分支网络，其中，第一特征分支网络用于提取船只的轨迹特征，第二特征分支网络用于提取终端的轨迹特征。同样地，目标船只的第一预测轨迹与终端的第二预测轨迹可以通过同一分支网络进行预测得到，也可以通过不同的分支网络进行预测得到，当通过不同的分支网络进行预测时，对于轨迹预测模型的轨迹预测网络而言，其也可以包括第一预测分支网络和第二预测分支网络，第一预测分支网络用于对船只进行轨迹预测，第二预测分支网络用于对终端进行轨迹预测。
在本实施例中，不同于计算机视觉技术的通过图像对人船进行拟合，而是通过坐标拟合得到轨迹图，将拟合得到的轨迹图作为轨迹预测模型和深度学习模型的输入，对人船进行轨迹预测和伴随检测，确定人船是否存在伴随关系，也即，确定人船是否伴随。
进一步地，步骤340中，将预测轨迹、船只轨迹和终端轨迹输入到经过预训练的深度学习模型中进行拟合分类，以确定目标船只与终端对应的目标人员是否存在伴随关系，具体还包括：
步骤341，将所述预测轨迹、所述船只轨迹和所述终端轨迹输入到经过预训练的深度学习模型中进行拟合，以提取所述目标船只与所述终端在第二预设时长内的伴随特征；所述伴随特征包括相对距离、轨迹相似度和轨迹重合次数中的至少一项；所述第二预设时长包含所述第一预设时长；
步骤342，根据所述伴随特征对所述目标船只与所述终端进行拟合分类预测，以确定所述目标船只与所述终端对应的目标人员是否存在伴随关系。
在利用深度学习模型检测人船是否伴随时，具体地，将拟合得到的船只轨迹和终端轨迹，以及基于轨迹预测模型预测得到的预测轨迹输入到经过预训练的深度学习模型中进行拟合，以提取目标船只与终端在第二预设时长内的伴随特征，该伴随特征包括相对距离、轨迹相似度和轨迹重合次数中的至少一项。其中，第二预设时长包含第一预设时长，优选地，第二预设时长大于或等于第一预设时长，且包含第一预设时长。
进一步地，根据提取的伴随特征，对目标船只与终端进行拟合分类预测，根据分类预测结果确定目标船只与终端对应的目标人员是否存在伴随关系。也即，深度学习模型对目标船只与终端分类预测结果是拟合的，则目标船只与终端对应的目标人员就存在伴随关系，否则，若深度学习模型对目标船只与终端的分类预测结果是不拟合的，则目标船只与终端对应的目标人员就不存在伴随关系。
优选地，根据伴随特征，若目标船只与终端在第二预设时长内的相对距离小于预设距离，和/或，目标船只与终端在第二预设时长内的轨迹相似度高于预设相似度阈值，和/或，目标船只与终端在第二预设时长内的轨迹重合次数大于预设次数，则目标船只与终端对应的目标人员存在伴随关系。
优选地，在预测轨迹的基础上，结合一定时长的拟合轨迹，用于进行人船伴随检测。例如，以第二预设时长是第一预设时长的两倍为例，预测轨迹是预测目标船只和终端在未来第一预设时长内的轨迹，选取预测轨迹之前的第一预设时长内的拟合轨迹，将预测轨迹和选取的拟合轨迹合并用于确定目标船只与终端对应的目标人员是否存在伴随关系。也即，在第一预设时长的预测轨迹的基础上，选取第二预设时长的轨迹，选取的轨迹包含第一预设时长内的预测轨迹，以及与预测轨迹相邻的拟合轨迹部分，基于选取的轨迹提取目标船只与终端在该第二预设时长内的伴随特征，从而确定目标船只与终端对应的目标人员是否存在伴随关系。若存在伴随关系，则目标船只与目标人员是伴随的，若不存在伴随关系，则目标船只与目标人员不伴随。
一般地，人船的相对距离小于一定距离阈值，且持续一定时长，则可以认为人船是伴随的。但在一些情况下，人船的相对距离较远，但人船的相对距离变化不大，轨迹具有较高的相似度，则也可以认为人船是伴随的，可以认为是较远距离的伴随。在另一些情况下，人船的相对距离的变化不具有规律性，但人船轨迹存在多次交叉重合，或者人船轨迹定期交叉重合，则也可以认为人船是伴随的，可以认为是定期或按需伴随，也即，在存在伴随需求时，或者定期地，人船之间的相对距离会不断减小直至轨迹交叉或重合。在另一些情况下，人船的相对距离小于预设距离的次数超过预设次数时，也可以认为人船是伴随的。需要说明的是，对于不同的伴随特征，第二预设时长的值可以是不同的，具体可以按照对精度的实际需求进行自定义配置。
优选地，在将拟合得到的船只轨迹和终端轨迹输入到经过预训练的估计预测模型中之前，还需要对轨迹预测模型和深度学习模型进行预训练，具体地，步骤310中，将拟合得到的船只轨迹和终端轨迹输入到经过预训练的轨迹预测模型中之前，还可以包括：
步骤301，获取初始样本数据；所述初始样本数据包括近海样本船只和样本终端的坐标信息，以及用于表征所述样本船只与所述样本终端对应的人员之间是否存在伴随关系的标签数据；
步骤302，将所述初始样本数据中的坐标信息转换为轨迹信息，并根据所述轨迹信息和所述标签数据构建训练样本；
步骤303，利用所述训练样本对预设的基础轨迹预测模型和预设的基础深度学习模型进行迭代训练，得到经过预训练的轨迹预测模型和经过预训练的深度学习模型。
在对预设的基础深度学习模型进行预训练时，首先获取初始样本数据，该初始样本数据包括近海样本船只和样本终端的坐标信息，以及用于表征样本船只与样本终端是否存在伴随关系的标签数据。其中，样本船只和样本终端均包括多个，初始样本数据中的坐标信息包括多个近海样本船只的坐标信息和多个样本终端的坐标信息，标签数据包括各样本船只的标签，以及各样本终端的标签。样本船只的标签用于表征其与样本终端的轨迹是否拟合，相应地，样本终端的标签用于表征其与样本船只的轨迹是否拟合。
进一步地，对初始样本数据进行数据预处理，数据预处理过程主要包括将初始样本数据中的坐标信息转换为轨迹信息，得到一维轨迹图。基于拟合得到的一维轨迹图与初始样本数据中的标签数据构建训练样本，并利用构建的训练样本，对预设的基础轨迹预测模型和预设的基础深度学习模型进行迭代训练，得到经过预训练的轨迹预测模型，以及经过预训练的深度学习模型。
在模型训练时，可以是利用构建的训练样本，对预设的基础轨迹预测模型和基础深度学习模型分别进行迭代训练，也可以是对预设的基础轨迹预测模型和基础深度学习模型进行联合训练。对于联合训练，具体是在每轮迭代过程中，将构建的训练样本作为轨迹预测模型的输入，然后将轨迹预测模型输出的带有预测轨迹的训练样本以及构建的训练样本作为基础深度学习模型的输入，实现对预设的基础轨迹预测模型和基础深度学习模型进行联合训练，在此对不同模型之间的具体训练方式不做具体限定。
优选地，对目标船只和终端的位置坐标的获取，可以是通过卫星定位系统、基站定位、浮标、无人船和激光定位设备等方式中的一种或多种，具体可以根据目标船只和终端的类型确定。并且，对于需要进行伴随关系检测的终端，是在待预测的目标船只周围一定范围内的终端。因此，步骤100中，获取近海待预测的目标船只的第一位置坐标，以及终端的第二位置坐标，可以包括：
步骤110，基于预设的定位装置，获取近海待预测的目标船只的第一位置坐标；所述定位装置包括卫星定位装置、通信基站、浮标、无人船和激光定位设备中的至少一种；
步骤120，检测所述目标船只预设距离范围内是否存在终端，若存在，基于所述定位装置，获取所述终端的第二位置坐标。
基于预设的定位装置，获取近海待预测的目标船只的第一位置坐标，该定位装置包括卫星定位装置、通信基站、浮标、无人船和激光定位设备中的至少一种。
进一步地，在获取终端的第二位置坐标时，首先检测目标船只周围预设距离范围内，是否存在终端，若存在，则基于预设的定位装置，获取终端的第二位置坐标。
优选地，终端与其对应的目标人员存在关联关系，步骤300中，在基于预测轨迹确定目标船只与终端对应的目标人员是否存在伴随关系之前，还可以包括：
步骤001，获取所述终端的终端标识，以及所述终端对应的目标人员的身份标识；
步骤002，对所述终端标识与所述目标人员的身份标识进行关联绑定。
在确定目标船只与终端对应的目标人员是否存在伴随关系之前，需要先将终端与目标人员绑定，具体地，首先，获取终端的终端标识，以及终端对应的目标人员的身份标识，对终端标识与目标人员的身份标识进行关联绑定。其中，终端标识与身份标识均具有唯一性。
在本实施例中，采用深度学习模型对人船伴随关系进行检测，能够基于拟合得到的轨迹图精准有效的捕捉人船的时空关系，提高对人船伴随拟合的效率和准确性，实现对人船是否伴随的自动高效和准确检测，提高检测精度和可靠性。
下面对本发明提供的近海人船拟合装置进行描述，下文描述的近海人船拟合装置与上文描述的近海人船拟合方法可相互对应参照。
参照图2，本发明实施例提供的近海人船拟合装置，包括：
数据采集模块10，用于获取近海待预测的目标船只的第一位置坐标，以及终端的第二位置坐标；
轨迹拟合模块20，用于对所述第一位置坐标进行拟合，得到所述目标船只的船只轨迹，对所述第二位置坐标进行拟合，得到所述终端的终端轨迹；
伴随检测模块30，用于根据所述船只轨迹和所述终端轨迹进行轨迹预测，得到预测轨迹，并基于所述预测轨迹确定所述目标船只与所述终端对应的目标人员是否存在伴随关系。
在一个实施例中，所述伴随检测模块30，还用于：
将所述船只轨迹和所述终端轨迹输入到经过预训练的轨迹预测模型中；所述轨迹预测模型包括特征提取网络和轨迹预测网络；
利用所述轨迹预测模型中的特征提取网络提取所述船只轨迹和所述终端轨迹的轨迹特征；所述轨迹特征包括运动速度和运动趋势；
将所述轨迹特征输入到所述轨迹预测模型的轨迹预测网络中，利用所述轨迹预测网络对所述目标船只和所述终端进行轨迹预测，得到预测轨迹；所述预测轨迹包括所述目标船只在未来第一预设时长内的第一预测轨迹，以及所述终端在未来所述第一预设时长内的第二预测轨迹；
将所述预测轨迹、所述船只轨迹和所述终端轨迹输入到经过预训练的深度学习模型中进行拟合分类，以确定所述目标船只与所述终端对应的目标人员是否存在伴随关系。
在一个实施例中，所述伴随检测模块30，还用于：
将所述预测轨迹、所述船只轨迹和所述终端轨迹输入到经过预训练的深度学习模型中进行拟合，以提取所述目标船只与所述终端在第二预设时长内的伴随特征；所述伴随特征包括相对距离、轨迹相似度和轨迹重合次数中的至少一项；所述第二预设时长包含所述第一预设时长；
根据所述伴随特征对所述目标船只与所述终端进行拟合分类预测，以确定所述目标船只与所述终端对应的目标人员是否存在伴随关系。
在一个实施例中，根据所述伴随特征，若所述目标船只与所述终端在第二预设时长内的相对距离小于预设距离，和/或，所述目标船只与所述终端在第二预设时长内的轨迹相似度高于预设相似度阈值，和/或，所述目标船只与所述终端在第二预设时长内的轨迹重合次数大于预设次数，则所述目标船只与所述终端对应的目标人员存在伴随关系。
在一个实施例中，所述近海人船拟合装置还包括预训练模块，用于：
获取初始样本数据；所述初始样本数据包括近海样本船只和样本终端的坐标信息，以及用于表征所述样本船只与所述样本终端对应的人员之间是否存在伴随关系的标签数据；
将所述初始样本数据中的坐标信息转换为轨迹信息，并根据所述轨迹信息和所述标签数据构建训练样本；
利用所述训练样本对预设的基础轨迹预测模型和预设的基础深度学习模型进行迭代训练，得到经过预训练的轨迹预测模型和经过预训练的深度学习模型。
在一个实施例中，所述数据采集模块10，还用于：
基于预设的定位装置，获取近海待预测的目标船只的第一位置坐标；所述定位装置包括卫星定位装置、通信基站、浮标、无人船和激光定位设备中的至少一种；
检测所述目标船只预设距离范围内是否存在终端，若存在，基于所述定位装置，获取所述终端的第二位置坐标。
在一个实施例中，所述近海人船拟合装置还包括关联绑定模块，用于：
获取所述终端的终端标识，以及所述终端对应的目标人员的身份标识；
对所述终端标识与所述目标人员的身份标识进行关联绑定。
图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行近海人船拟合方法，该方法包括：
获取近海待预测的目标船只的第一位置坐标，以及终端的第二位置坐标；
对所述第一位置坐标进行拟合，得到所述目标船只的船只轨迹，对所述第二位置坐标进行拟合，得到所述终端的终端轨迹；
根据所述船只轨迹和所述终端轨迹进行轨迹预测，得到预测轨迹，并基于所述预测轨迹确定所述目标船只与所述终端对应的目标人员是否存在伴随关系。
此外，上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的近海人船拟合方法，该方法包括：
获取近海待预测的目标船只的第一位置坐标，以及终端的第二位置坐标；
对所述第一位置坐标进行拟合，得到所述目标船只的船只轨迹，对所述第二位置坐标进行拟合，得到所述终端的终端轨迹；
根据所述船只轨迹和所述终端轨迹进行轨迹预测，得到预测轨迹，并基于所述预测轨迹确定所述目标船只与所述终端对应的目标人员是否存在伴随关系。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的近海人船拟合方法，该方法包括：
获取近海待预测的目标船只的第一位置坐标，以及终端的第二位置坐标；
对所述第一位置坐标进行拟合，得到所述目标船只的船只轨迹，对所述第二位置坐标进行拟合，得到所述终端的终端轨迹；
根据所述船只轨迹和所述终端轨迹进行轨迹预测，得到预测轨迹，并基于所述预测轨迹确定所述目标船只与所述终端对应的目标人员是否存在伴随关系。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
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各实施方式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。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种近海人船拟合方法，其特征在于，包括：
获取近海待预测的目标船只的第一位置坐标，以及终端的第二位置坐标；
对所述第一位置坐标进行拟合，得到所述目标船只的船只轨迹，对所述第二位置坐标进行拟合，得到所述终端的终端轨迹；
根据所述船只轨迹和所述终端轨迹进行轨迹预测，得到预测轨迹，并基于所述预测轨迹确定所述目标船只与所述终端对应的目标人员是否存在伴随关系。
2.根据权利要求1所述的近海人船拟合方法，其特征在于，所述根据所述船只轨迹和所述终端轨迹进行轨迹预测，得到预测轨迹，并基于所述预测轨迹确定所述目标船只与所述终端对应的目标人员是否存在伴随关系，包括：
将所述船只轨迹和所述终端轨迹输入到经过预训练的轨迹预测模型中；所述轨迹预测模型包括特征提取网络和轨迹预测网络；
利用所述轨迹预测模型中的特征提取网络提取所述船只轨迹和所述终端轨迹的轨迹特征；所述轨迹特征包括运动速度和运动趋势；
将所述轨迹特征输入到所述轨迹预测模型的轨迹预测网络中，利用所述轨迹预测网络对所述目标船只和所述终端进行轨迹预测，得到预测轨迹；所述预测轨迹包括所述目标船只在未来第一预设时长内的第一预测轨迹，以及所述终端在未来所述第一预设时长内的第二预测轨迹；
将所述预测轨迹、所述船只轨迹和所述终端轨迹输入到经过预训练的深度学习模型中进行拟合分类，以确定所述目标船只与所述终端对应的目标人员是否存在伴随关系。
3.根据权利要求2所述的近海人船拟合方法，其特征在于，所述将所述预测轨迹、所述船只轨迹和所述终端轨迹输入到经过预训练的深度学习模型中进行拟合分类，以确定所述目标船只与所述终端对应的目标人员是否存在伴随关系，包括：
将所述预测轨迹、所述船只轨迹和所述终端轨迹输入到经过预训练的深度学习模型中进行拟合，以提取所述目标船只与所述终端在第二预设时长内的伴随特征；所述伴随特征包括相对距离、轨迹相似度和轨迹重合次数中的至少一项；所述第二预设时长包含所述第一预设时长；
根据所述伴随特征对所述目标船只与所述终端进行拟合分类预测，以确定所述目标船只与所述终端对应的目标人员是否存在伴随关系。
4.根据权利要求3所述的近海人船拟合方法，其特征在于，根据所述伴随特征，若所述目标船只与所述终端在第二预设时长内的相对距离小于预设距离，和/或，所述目标船只与所述终端在第二预设时长内的轨迹相似度高于预设相似度阈值，和/或，所述目标船只与所述终端在第二预设时长内的轨迹重合次数大于预设次数，则所述目标船只与所述终端对应的目标人员存在伴随关系。
5.根据权利要求2所述的近海人船拟合方法，其特征在于，所述将所述船只轨迹和所述终端轨迹输入到经过预训练的轨迹预测模型中之前，还包括：
获取初始样本数据；所述初始样本数据包括近海样本船只和样本终端的坐标信息，以及用于表征所述样本船只与所述样本终端对应的人员之间是否存在伴随关系的标签数据；
将所述初始样本数据中的坐标信息转换为轨迹信息，并根据所述轨迹信息和所述标签数据构建训练样本；
利用所述训练样本对预设的基础轨迹预测模型和预设的基础深度学习模型进行迭代训练，得到经过预训练的轨迹预测模型和经过预训练的深度学习模型。
6.根据权利要求1所述的近海人船拟合方法，其特征在于，所述获取近海待预测的目标船只的第一位置坐标，以及终端的第二位置坐标，包括：
基于预设的定位装置，获取近海待预测的目标船只的第一位置坐标；所述定位装置包括卫星定位装置、通信基站、浮标、无人船和激光定位设备中的至少一种；
检测所述目标船只预设距离范围内是否存在终端，若存在，基于所述定位装置，获取所述终端的第二位置坐标。
7.根据权利要求1所述的近海人船拟合方法，其特征在于，所述基于所述预测轨迹确定所述目标船只与所述终端对应的目标人员是否存在伴随关系之前，还包括：
获取所述终端的终端标识，以及所述终端对应的目标人员的身份标识；
对所述终端标识与所述目标人员的身份标识进行关联绑定。
8.一种近海人船拟合装置，其特征在于，包括：
数据采集模块，用于获取近海待预测的目标船只的第一位置坐标，以及终端的第二位置坐标；
轨迹拟合模块，用于对所述第一位置坐标进行拟合，得到所述目标船只的船只轨迹，对所述第二位置坐标进行拟合，得到所述终端的终端轨迹；
伴随检测模块，用于根据所述船只轨迹和所述终端轨迹进行轨迹预测，得到预测轨迹，并基于所述预测轨迹确定所述目标船只与所述终端对应的目标人员是否存在伴随关系。
9.一种电子设备，包括存储器、处理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，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述近海人船拟合方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述近海人船拟合方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410034969.4A CN117542004B (zh) | 2024-01-10 | 2024-01-10 | 近海人船拟合方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410034969.4A CN117542004B (zh) | 2024-01-10 | 2024-01-10 | 近海人船拟合方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117542004A true CN117542004A (zh) | 2024-02-09 |
| CN117542004B CN117542004B (zh) | 2024-04-30 |
Family
ID=89790408
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410034969.4A Active CN117542004B (zh) | 2024-01-10 | 2024-01-10 | 近海人船拟合方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117542004B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118574173A (zh) * | 2024-07-31 | 2024-08-30 | 杭州北岑科技有限公司 | 基于海防应用的动态时空监测方法、设备、介质及产品 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107967493A (zh) * | 2017-12-18 | 2018-04-27 | 广州汇智通信技术有限公司 | 一种人车伴随的判定方法、系统及相关装置 |
| CN110070565A (zh) * | 2019-03-12 | 2019-07-30 | 杭州电子科技大学 | 一种基于图像叠加的船舶轨迹预测方法 |
| CN114707616A (zh) * | 2022-04-29 | 2022-07-05 | 阿里云计算有限公司 | 轨迹间伴随关系的识别方法、装置及设备 |
| CN114817328A (zh) * | 2022-04-29 | 2022-07-29 | 广州汇智通信技术有限公司 | 一种水域数据处理方法、装置及系统 |
| CN115618251A (zh) * | 2022-11-03 | 2023-01-17 | 中国科学院空天信息创新研究院 | 船舶轨迹预测方法、装置、电子设备及存储介质 |
| CN116482676A (zh) * | 2023-05-05 | 2023-07-25 | 广州汇智通信技术有限公司 | 一种目标监测方法及系统 |
| CN116912661A (zh) * | 2023-07-20 | 2023-10-20 | 东南大学 | 一种具备域泛化能力的目标轨迹预测方法及系统 |
| CN117312891A (zh) * | 2022-06-16 | 2023-12-29 | 复旦大学 | 一种基于船舶数据的轨迹预测方法 |
-
2024
- 2024-01-10 CN CN202410034969.4A patent/CN117542004B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107967493A (zh) * | 2017-12-18 | 2018-04-27 | 广州汇智通信技术有限公司 | 一种人车伴随的判定方法、系统及相关装置 |
| CN110070565A (zh) * | 2019-03-12 | 2019-07-30 | 杭州电子科技大学 | 一种基于图像叠加的船舶轨迹预测方法 |
| CN114707616A (zh) * | 2022-04-29 | 2022-07-05 | 阿里云计算有限公司 | 轨迹间伴随关系的识别方法、装置及设备 |
| CN114817328A (zh) * | 2022-04-29 | 2022-07-29 | 广州汇智通信技术有限公司 | 一种水域数据处理方法、装置及系统 |
| CN117312891A (zh) * | 2022-06-16 | 2023-12-29 | 复旦大学 | 一种基于船舶数据的轨迹预测方法 |
| CN115618251A (zh) * | 2022-11-03 | 2023-01-17 | 中国科学院空天信息创新研究院 | 船舶轨迹预测方法、装置、电子设备及存储介质 |
| CN116482676A (zh) * | 2023-05-05 | 2023-07-25 | 广州汇智通信技术有限公司 | 一种目标监测方法及系统 |
| CN116912661A (zh) * | 2023-07-20 | 2023-10-20 | 东南大学 | 一种具备域泛化能力的目标轨迹预测方法及系统 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118574173A (zh) * | 2024-07-31 | 2024-08-30 | 杭州北岑科技有限公司 | 基于海防应用的动态时空监测方法、设备、介质及产品 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117542004B (zh) | 2024-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110610166B (zh) | 文本区域检测模型训练方法、装置、电子设备和存储介质 | |
| CN117542004B (zh) | 近海人船拟合方法、装置、设备及存储介质 | |
| CN111582358B (zh) | 户型识别模型的训练方法及装置、户型判重的方法及装置 | |
| US20220207741A1 (en) | Methods, devices, apparatuses and storage media of detecting correlated objects invovled in images | |
| CN111815576B (zh) | 金属部件腐蚀状况检测方法、装置、设备和存储介质 | |
| CN110533661A (zh) | 基于图像特征级联的自适应实时闭环检测方法 | |
| CN115690153A (zh) | 一种智能体轨迹预测方法及系统 | |
| CN116778292A (zh) | 多模态车辆时空轨迹的融合方法、装置、设备及存储介质 | |
| CN113222040B (zh) | 海上固定目标识别方法、装置、计算机设备和存储介质 | |
| CN115063740A (zh) | 安全监测方法、装置、设备及计算机可读存储介质 | |
| CN111695404B (zh) | 行人跌倒检测方法、装置、电子设备及存储介质 | |
| CN117849193A (zh) | 钕铁硼烧结的裂纹损伤在线监测方法 | |
| CN113743239A (zh) | 行人重识别方法、装置及电子设备 | |
| CN116226435B (zh) | 基于跨模态检索的遥感图像与ais信息的关联匹配方法 | |
| CN114120287B (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
| CN113469176B (zh) | 一种目标检测模型训练方法、目标检测方法及其相关设备 | |
| CN115169588A (zh) | 电像计算时空轨迹车码关联方法、装置、设备及存储介质 | |
| CN113837977A (zh) | 对象跟踪方法、多目标跟踪模型训练方法及相关设备 | |
| CN112862002A (zh) | 多尺度目标检测模型的训练方法、目标检测方法和装置 | |
| CN115131691A (zh) | 对象匹配方法、装置、电子设备及计算机可读存储介质 | |
| CN112329707A (zh) | 基于kcf滤波的无人机影像船只跟踪算法和装置 | |
| CN111368624A (zh) | 基于生成对抗网络的回环检测方法和装置 | |
| Nazarkevych et al. | Method of Dataset Filling and Recognition of Moving Objects in Video Sequences based on YOLO. | |
| CN115563889B (zh) | 一种目标对象的抛锚预测方法、装置及设备 | |
| CN117877100B (zh) | 一种行为模式的确定方法、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 |