CN108959355B - 一种船只分类方法、装置及电子设备 - Google Patents

一种船只分类方法、装置及电子设备 Download PDF

Info

Publication number
CN108959355B
CN108959355B CN201810424901.1A CN201810424901A CN108959355B CN 108959355 B CN108959355 B CN 108959355B CN 201810424901 A CN201810424901 A CN 201810424901A CN 108959355 B CN108959355 B CN 108959355B
Authority
CN
China
Prior art keywords
ship
analyzed
range profile
dimensional range
dimensional
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.)
Active
Application number
CN201810424901.1A
Other languages
English (en)
Other versions
CN108959355A (zh
Inventor
魏存伟
段发阶
刘先康
徐冰超
张朋飞
任杰
杨欧
卢文良
常丽娟
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.)
Navy 701 Plant Of Peoples Liberation Army
Original Assignee
Navy 701 Plant Of Peoples Liberation Army
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 Navy 701 Plant Of Peoples Liberation Army filed Critical Navy 701 Plant Of Peoples Liberation Army
Priority to CN201810424901.1A priority Critical patent/CN108959355B/zh
Publication of CN108959355A publication Critical patent/CN108959355A/zh
Application granted granted Critical
Publication of CN108959355B publication Critical patent/CN108959355B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Electromagnetism (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种船只分类方法、装置及电子设备，确定待分析船只的行驶状态，当行驶状态为单向稳定行驶状态时，计算待分析船只的姿态角，获取待分析船只的一维距离像，根据姿态角和一维距离像，从预先构建的一维距离像仿真数据库中选择出与一维距离像相似度最大的目标一维距离像，将相似度最大的目标一维距离像的船只类型作为待分析船只的船只类型。通过上述方法，能够实现船只的分类，解决了现有技术中亟需一种基于一维距离像来确定船只类型的问题。

Description

一种船只分类方法、装置及电子设备
技术领域
本发明涉及形状识别领域，更具体的说，涉及一种船只分类方法、装置及电子设备。
背景技术
如今，常常使用雷达去采集船只目标的一维距离像。其中，船只包括舰船和商船。一维距离像是用宽带雷达信号获取的散射点子回波在雷达视线上投影的向量和，显示了船只目标的结构分布和几何形状，表明了船只目标散射点沿距离方向的分布，为船只类别识别提供了重要信息。
船只在海上行驶时，为了确保海上安全，常常对船只进行识别，如判断是舰船还是商船，但是如何基于一维距离像来确定船只类型，是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供一种船只分类方法、装置及电子设备，以解决亟需一种基于一维距离像来确定船只类型的问题。
为解决上述技术问题，本发明采用了如下技术方案：
一种船只分类方法，包括：
确定待分析船只的行驶状态；
当所述行驶状态为单向稳定行驶状态时，计算所述待分析船只的姿态角；
获取所述待分析船只的一维距离像；
根据所述姿态角和所述一维距离像，从预先构建的一维距离像仿真数据库中选择出与所述一维距离像相似度最大的目标一维距离像；
将所述目标一维距离像的船只类型作为所述待分析船只的船只类型；
其中，所述一维距离像仿真数据库的构建过程包括：
获取多幅不同的姿态角下的船只照片；
识别出每幅所述船只照片中的第一目标区域；其中，所述第一目标区域为船只照片中的船只的成像区域；
构造每个所述第一目标区域对应的一维距离像仿真样本；
将多个所述一维距离像仿真样本进行汇总，得到所述一维距离像仿真数据库。
优选地，构造每个所述第一目标区域对应的一维距离像仿真样本，包括:
对每个所述船只照片中的所述第一目标区域以及非第一目标区域进行二值化，并在水平方向进行投影处理，得到多个船只在水平方向投影的结构分布幅度像；
对每个所述结构分布幅度像进行去噪处理，得到模拟波形图；
计算监测雷达的距离分辨率；
计算每个所述船只在所述监测雷达的雷达方位线上的船只投影长度；
基于每个所述船只的船只投影长度以及所述距离分辨率，计算每个所述模拟波形图的采样点数；
使用计算得到的采样点数，对相应的模拟波形图进行重采样，得到每个所述第一目标区域对应的一维距离像仿真样本。
优选地，根据所述姿态角和所述一维距离像，从预先构建的一维距离像仿真数据库中选择出与所述一维距离像相似度最大的目标一维距离像，包括：
识别所述一维距离像中的第二目标区域；其中，所述第二目标区域为所述一维距离像中所述待分析船只的成像区域；
对所述第二目标区域进行去噪处理，得到去噪后的第二目标区域；
计算与所述姿态角相差预设数值内的姿态角范围；
从所述一维距离像仿真数据库中选取对应的姿态角在所述姿态角范围内的一维距离像仿真样本作为待分析的一维距离像仿真样本；
计算每个所述待分析的一维距离像仿真样本与所述去噪后的第二目标区域的相关度；
选取出对应的相关度最大的待分析的一维距离像仿真样本；
将选取出的待分析的一维距离像仿真样本作为所述目标一维距离像。
优选地，确定待分析船只的行驶状态，包括：
获取预设时间内所述待分析船只的行驶数据；
基于所述行驶数据，确定每单位时间所述待分析船只与监测雷达的距离变化相对值；
根据每单位时间的距离变化相对值，确定所述待分析船只与所述监测雷达的相对行驶方向；
根据所述行驶数据，计算单位时间内所述待分析船只的航向变化平均值；
基于所述航向变化平均值，确定所述待分析船只是否处于稳定行驶的结果。
优选地，当所述行驶状态为单向稳定行驶状态时，计算所述待分析船只的姿态角，包括：
当所述相对行驶方向为单向行驶、且所述待分析船只稳定行驶时，根据所述行驶数据以及预设姿态角计算公式，计算得到所述姿态角。
优选地，识别出每幅所述船只照片中的第一目标区域，包括：
对每幅所述船只照片进行灰度化以及去噪处理，得到每幅所述船只照片的灰度化图像；
采用边缘检测算法，检测出每幅所述灰度化图像中的船只的轮廓部分；
基于检测出的每幅所述灰度化图像中的船只的轮廓部分，从每幅所述灰度化图像中分割出第一目标区域。
一种船只分类装置，包括：
行驶状态确定模块，用于确定待分析船只的行驶状态；
姿态角计算模块，用于当所述行驶状态为单向稳定行驶状态时，计算所述待分析船只的姿态角；
数据获取模块，用于获取所述待分析船只的一维距离像；
选取模块，用于根据所述姿态角和所述一维距离像，从数据库构建模块构建的一维距离像仿真数据库中选择出与所述一维距离像相似度最大的目标一维距离像；
类型确定模块，用于将所述目标一维距离像的船只类型作为所述待分析船只的船只类型；
其中，所述数据库构建模块包括：
照片获取子模块，用于获取多幅不同的姿态角下的船只照片；
第一识别子模块，用于识别出每幅所述船只照片中的第一目标区域；其中，所述第一目标区域为船只照片中的船只的成像区域；
样本构造子模块，用于构造每个所述第一目标区域对应的一维距离像仿真样本；
数据汇总子模块，用于将多个所述一维距离像仿真样本进行汇总，得到所述一维距离像仿真数据库。
优选地，所述样本构造子模块包括：
图像处理单元，用于对每个所述船只照片中的所述第一目标区域以及非第一目标区域进行二值化，并在水平方向进行投影处理，得到多个船只在水平方向投影的结构分布幅度像；
去噪处理单元，用于对每个所述结构分布幅度像进行去噪处理，得到模拟波形图；
分辨率计算单元，用于计算监测雷达的距离分辨率；
长度计算单元，用于计算每个所述船只在所述监测雷达的雷达方位线上的船只投影长度；
点数计算单元，用于基于每个所述船只的船只投影长度以及所述距离分辨率，计算每个所述模拟波形图的采样点数；
重采样单元，用于使用计算得到的采样点数，对相应的模拟波形图进行重采样，得到每个所述第一目标区域对应的一维距离像仿真样本。
优选地，所述选取模块包括：
第二识别子模块，用于识别所述一维距离像中的第二目标区域；其中，所述第二目标区域为所述一维距离像中所述待分析船只的成像区域；
去噪处理子模块，用于对所述第二目标区域进行去噪处理，得到去噪后的第二目标区域；
范围计算子模块，用于计算与所述姿态角相差预设数值内的姿态角范围；
第一选取子模块，用于从所述一维距离像仿真数据库中选取对应的姿态角在所述姿态角范围内的一维距离像仿真样本作为待分析的一维距离像仿真样本；
相关度计算子模块，用于计算每个所述待分析的一维距离像仿真样本与所述去噪后的第二目标区域的相关度；
第二选取子模块，用于选取出对应的相关度最大的待分析的一维距离像仿真样本；
样本确定子模块，用于将选取出的待分析的一维距离像仿真样本作为所述目标一维距离像。
一种电子设备，包括：存储器和处理器；
其中，所述存储器用于存储程序；
处理器调用程序并用于：
确定待分析船只的行驶状态；
当所述行驶状态为单向稳定行驶状态时，计算所述待分析船只的姿态角；
获取所述待分析船只的一维距离像；
根据所述姿态角和所述一维距离像，从预先构建的一维距离像仿真数据库中选择出与所述一维距离像相似度最大的目标一维距离像；
将所述目标一维距离像的船只类型作为所述待分析船只的船只类型；
其中，所述一维距离像仿真数据库的构建过程包括：
获取多幅不同的姿态角下的船只照片；
识别出每幅所述船只照片中的第一目标区域；其中，所述第一目标区域为船只照片中的船只的成像区域；
构造每个所述第一目标区域对应的一维距离像仿真样本；
将多个所述一维距离像仿真样本进行汇总，得到所述一维距离像仿真数据库。
相较于现有技术，本发明具有以下有益效果：
本发明提供了一种船只分类方法、装置及电子设备，确定待分析船只的行驶状态，当所述行驶状态为单向稳定行驶状态时，计算所述待分析船只的姿态角，获取所述待分析船只的一维距离像，根据所述姿态角和所述一维距离像，从预先构建的一维距离像仿真数据库中选择出与所述一维距离像相似度最大的目标一维距离像，将所述目标一维距离像的船只类型作为所述待分析船只的船只类型。通过上述方法，能够实现船只的分类，解决了现有技术中亟需一种基于一维距离像来确定船只类型的问题。
附图说明
为了更清楚地说明本发明实施例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简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本发明提供的一种船只分类方法的方法流程图；
图2为本发明提供的另一种船只分类方法的方法流程图；
图3为本发明提供的再一种船只分类方法的方法流程图；
图4为本发明提供的一种计算船只投影长度的场景示意图；
图5为本发明提供的又一种船只分类方法的方法流程图；
图6为本发明提供的一种船只分类装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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做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。
本发明实施例提供了一种船只分类方法，参照图1，可以包括：
S11、确定待分析船只的行驶状态；
其中，行驶状态是指与监测雷达的相对行驶方向以及处于机动、紊乱或稳定行驶的中的哪种状态。其中，相对行驶方向包括待分析船只远离监测雷达、待分析船只接近监测雷达以及运动方向不明确三种情况。
可选的，在本实施例的基础上，步骤S11可以包括:
1)获取预设时间内所述待分析船只的行驶数据；
其中，预设时间可以是五分钟，待分析船只的行驶数据可以包括距离信息R(i)，距离信息是指距离监测雷达的距离值。时间为T(i)，其中i＝1,...,N，表示获取位置的顺序。
另外，行驶数据还可以包括航向信息A(i)和方位信息H(i)。其中，航向信息是指待分析船只的行驶方向与正北方向的夹角，方位信息是指雷达视线方向与正北方向的夹角。
2)基于所述行驶数据，确定每单位时间所述待分析船只与监测雷达的距离变化相对值；
本实施例中，距离变化相对值的定义为：
Figure GDA0001720849560000071
举例来说，以船只在第四秒与第五秒的行驶为例，第四秒的距离变化相对值的定义为：
当第五秒的距离值与第四秒的距离值之差大于零，则距离变化相对值设置为1，若等于零，则距离变化相对值设置为0，若小于零，距离变化相对值设置为-1。依据上述规则，就能够计算出每单位时间待分析船只与所述监测雷达的距离变化相对值。
3)根据每单位时间的距离变化相对值，确定所述待分析船只与所述监测雷达的相对行驶方向；
具体的，设定thNUM，thNUM为阈值，是技术人员根据具体场景进行设定的。如果|∑Ri|＞thNUM，则认为待分析船只的航迹运动方向是单调的。在此基础上，若∑Ri＞0则船只运动方向为待分析船只远离监测雷达，∑Ri＜0则认为船只运动方向为待分析船只接近监测雷达。
若|∑Ri|＞thNUM不成立，则认为运动方向可能存在不确定情况，则待分析船只运动方向为不明。
4)根据所述行驶数据，计算单位时间内所述待分析船只的航向变化平均值；
其中，航向变化平均值的计算公式为：
Figure GDA0001720849560000072
5)基于所述航向变化平均值，确定所述待分析船只是否处于稳定行驶的结果。
具体的，给出航向度量示性函数
Figure GDA0001720849560000081
给出方位变化的符号函数
Figure GDA0001720849560000082
若：∑Ri＞thNUM1或∑Ri_sigh＞thNUM2，则判断为航向机动或紊乱状态，其中，thF、ΔF为设定的阈值门限，thNUM1、thNUM2为异常情况下门限阈值。
否则判断为稳定状态。
S12、当所述行驶状态为单向稳定行驶状态时，计算所述待分析船只的姿态角；
可选的，在本实施例的基础上，步骤S12可以包括：
当所述相对行驶方向为单向行驶、且所述待分析船只稳定行驶时，根据所述行驶数据以及预设姿态角计算公式，计算得到所述姿态角。
具体的，相对行驶方向为单向行驶可以包括待分析船只远离监测雷达、待分析船只接近监测雷达，即只要是不属于运动方向不明确即可。所述待分析船只稳定行驶是指船只未处于航向机动或紊乱状态。
设定姿态角在
Figure GDA0001720849560000083
之间，则预设姿态角计算公式为：
Figure GDA0001720849560000084
其中，
Figure GDA0001720849560000085
由于待分析船只处于单向稳定行驶状态，所以姿态角固定，以任意时刻计算得到姿态角作为待分析船只的姿态角即可。
S13、获取所述待分析船只的一维距离像；
S14、根据所述姿态角和所述一维距离像，从预先构建的一维距离像仿真数据库中选择出与所述一维距离像相似度最大的目标一维距离像；
其中，预先构建的一维距离像仿真数据库中保存有大量的各种船只的一维距离像仿真样本。
S15、将所述目标一维距离像的船只类型作为所述待分析船只的船只类型；
具体的，由于待分析船只的一维距离像与所述目标一维距离像的相似度最大，进而可以认为待分析船只的结构与目标一维距离像的结构相似，进而可以将目标一维距离像的船只类型作为所述待分析船只的船只类型。
在本实施例的基础上，参照图2，所述一维距离像仿真数据库的构建过程可以包括：
S21、获取多幅不同的姿态角下的船只照片；
具体的，可以使用照相机对船只进行拍照，船只可以是商船或舰船等。
S22、识别出每幅所述船只照片中的第一目标区域；其中，所述第一目标区域为船只照片中的船只的成像区域；
具体的，步骤S22可以包括：
1)对每幅所述船只照片进行灰度化以及去噪处理，得到每幅所述船只照片的灰度化图像；
其中，使用照相机拍摄出的图像为彩色图像。
灰度化，在RGB模型中，如果R＝G＝B时，则彩色表示一种灰度颜色，其中R＝G＝B的值叫灰度值，因此，灰度图像每个像素只需一个字节存放灰度值(又称强度值、亮度值)，灰度范围为0-255。一般有分量法、最大值法、平均值法、加权平均法四种方法对彩色图像进行灰度化。
去噪方法可以使用任一种去噪方法。
2)采用边缘检测算法，检测出每幅所述灰度化图像中的船只的轮廓部分；
3)基于检测出的每幅所述灰度化图像中的船只的轮廓部分，从每幅所述灰度化图像中分割出第一目标区域。
具体的，采用边缘检测算法可以确定船只照片中的船只的轮廓，确定了船只的轮廓后，基于轮廓的位置，从灰度化图像中分割出第一目标区域即可。
需要说明的是，也可以不执行灰度化处理这一步骤，则最终得到的第一目标区域为彩色图像。
S23、构造每个所述第一目标区域对应的一维距离像仿真样本；
具体的，已经得到了第一目标区域，本步骤就是为了得到第一目标区域对应的一维距离像仿真样本。
S24、将多个所述一维距离像仿真样本进行汇总，得到所述一维距离像仿真数据库。
本实施例中，确定待分析船只的行驶状态，当所述行驶状态为单向稳定行驶状态时，计算所述待分析船只的姿态角，获取所述待分析船只的一维距离像，根据所述姿态角和所述一维距离像，从预先构建的一维距离像仿真数据库中选择出与所述一维距离像相似度最大的目标一维距离像，将所述目标一维距离像的船只类型作为所述待分析船只的船只类型。通过上述方法，能够实现船只的分类，解决了现有技术中亟需一种基于一维距离像来确定船只类型的问题。
可选的，在上述一维距离像仿真数据库的构建过程的实施例的基础上，参照图3，构造每个所述第一目标区域对应的一维距离像仿真样本，可以包括:
S31、对每个所述船只照片中的所述第一目标区域以及非第一目标区域进行二值化，并在水平方向进行投影处理，得到多个船只在水平方向投影的结构分布幅度像；
具体的，图像的二值化，就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的只有黑和白的视觉效果。
船只照片中的非第一目标区域是指第一目标区域的背景，将第一目标区域以及背景进行二值化处理，并在水平方向投影，就可以得到船只在水平方向投影的结构分布幅度像，结构分布幅度像可以表征船只的结构。
S32、对每个所述结构分布幅度像进行去噪处理，得到模拟波形图；
具体的，可以采用连续20个均值的最小值作为当前坐标的数值的方法进行去噪。
S33、计算监测雷达的距离分辨率；
具体的，监测雷达的距离分辨率取决于带宽和电磁波传播速度，记雷达带宽为B，分辨率为ΔR，电磁波传播速度为c，则距离分辨率为：ΔR＝c/2B，也就是一个距离单元代表的尺寸。
S34、计算每个所述船只在所述监测雷达的雷达方位线上的船只投影长度；
具体的，参照图4，在拍摄图片时已知姿态角，即图4中的θ，船只实际尺寸LR，根据Lp＝LR*cosθ，则可计算出船只在所述监测雷达的雷达方位线上的船只投影长度Lp。
S35、基于每个所述船只的船只投影长度以及所述距离分辨率，计算每个所述模拟波形图的采样点数；
具体的，LP/ΔR的整数部分即为采样点数。
S36、使用计算得到的采样点数，对相应的模拟波形图进行重采样，得到每个所述第一目标区域对应的一维距离像仿真样本具体的，使用计算得到的采样点数，就可以确定每个采样点的位置，其中，确定每个采样点的位置可以采用平均值法等方法。
确定每个采样点的位置后，对模拟波形图进行采样，即可得到与采样点数相同的数值，组成一串数组，即为一维距离像仿真样本。一维距离像HRRP(i),i＝1,2,..,M。
本实施例中，能够计算得到采样点数，对去模拟波形图进行采样，得到每个所述第一目标区域对应的一维距离像仿真样本。
可选的，在上述任一实施例的基础上，参照图5，步骤S14可以包括：
S41、识别所述一维距离像中的第二目标区域；
其中，所述第二目标区域为所述一维距离像中所述待分析船只的成像区域。
具体的，第二目标区域可以称为ROI。确定第二目标区域的过程如下：
1)用P(i)表示一维距离像HRRP，其中i＝1,...,N，N为距离单元数，对P(i)作如下归一化处理：
Figure GDA0001720849560000111
2)对归一化后的一维距离像求期望：
Figure GDA0001720849560000112
3)求取第二目标区域的起始位置和结束位置，记为：K1,...,M1。其中，K1,...,M1是从i＝1,...,N中选取的距离单元数的起始数值和结束数值。
具体的，选取出满足
Figure GDA0001720849560000113
公式的距离单元数，将选出的距离单元数中的最大值作为M1，将选出的距离单元数中的最小值作为K1。其中，L是技术人员提前设定的。
举例来说，一共有12345五个点，即五个距离单元数，若满足
Figure GDA0001720849560000121
的是第4个和第5个点，则K1为4，M1为5。
4)对第二目标区域K1,...,M1扩展一定的距离单元数，以保证第二目标区域全部包括在内，记为：K,...,M。
具体的，若K1为左边界，则只对M1进行右扩展；若M1为右边界，则只对K1进行左扩展，若K1、M1均不为边界值，则做K1进行做扩展，对M1进行右扩展。
具体的，仍以12345五个点为例，若左右均扩展1个，则K为3，又由于M1已经为右边界，则M为5。
得到K和M后，就可以在一维距离像中确定出船只的成像区域，即第二目标区域的位置了。
S42、对所述第二目标区域进行去噪处理，得到去噪后的第二目标区域；
具体的，由于待分析船只的一维距离像容易受到海杂波、天气以及雷达自身信号误差的影响，容易出现一定的噪声，为了消除噪声的影响，对
Figure GDA0001720849560000122
做滚动平滑处理，平滑后的目标记为：T(i)，方法如下：
Figure GDA0001720849560000123
其中M表示平滑的尺度常数。得到的T(i)就为去噪后的第二目标区域。
S43、计算与所述姿态角相差预设数值内的姿态角范围；
具体的，预设数值是技术人员根据具体的使用场景进行设定的。预设数值可以是5度。
姿态角确定后，将姿态角上下5度的一个范围作为姿态角范围。
S44、从所述一维距离像仿真数据库中选取对应的姿态角在所述姿态角范围内的一维距离像仿真样本作为待分析的一维距离像仿真样本；
具体的，由于每个一维距离像仿真样本都对应有一个姿态角，将对应的姿态角在所述姿态角范围内的一维距离像仿真样本选取出来即可。
S45、计算每个所述待分析的一维距离像仿真样本与所述去噪后的第二目标区域的相关度；
具体的，用P(i)表示去噪后的第二目标区域，Sj(i)表示第j个待分析的一维距离像仿真样本，i＝1,...,N，C为相关度，S(i+m)为每次进行滑动的距离值，计算相关度的公式为：
Figure GDA0001720849560000131
通过上述公式，可以计算得到每个所述待分析的一维距离像仿真样本与所述去噪后的第二目标区域的相关度。
S46、选取出对应的相关度最大的待分析的一维距离像仿真样本；
S47、将选取出的待分析的一维距离像仿真样本作为所述目标一维距离像。
具体的，对应的相关度最大的待分析的一维距离像仿真样本，就认为该待分析的一维距离像仿真样本对应的船只与该待分析船只最相近。
本实施例中，通过计算每个待分析的一维距离像仿真样本与所述一维距离像的相关度，来确定与该待分析船只最相近船只。
可选的，在上述船只分类方法的实施例的基础上，本发明的另一实施例提供了一种船只分类装置，参照图6，可以包括：
行驶状态确定模块101，用于确定待分析船只的行驶状态；
姿态角计算模块102，用于当所述行驶状态为单向稳定行驶状态时，计算所述待分析船只的姿态角；
数据获取模块103，用于获取所述待分析船只的一维距离像；
选取模块104，用于根据所述姿态角和所述一维距离像，从数据库构建模块构建的一维距离像仿真数据库中选择出与所述一维距离像相似度最大的目标一维距离像；
类型确定模块105，用于将所述目标一维距离像的船只类型作为所述待分析船只的船只类型；
其中，所述数据库构建模块包括：
照片获取子模块，用于获取多幅不同的姿态角下的船只照片；
第一识别子模块，用于识别出每幅所述船只照片中的第一目标区域；其中，所述第一目标区域为船只照片中的船只的成像区域；
样本构造子模块，用于构造每个所述第一目标区域对应的一维距离像仿真样本；
数据汇总子模块，用于将多个所述一维距离像仿真样本进行汇总，得到所述一维距离像仿真数据库。
进一步，行驶状态确定模块101用于确定待分析船只的行驶状态时，具体用于：
获取预设时间内所述待分析船只的行驶数据；
基于所述行驶数据，确定每单位时间所述待分析船只与监测雷达的距离变化相对值；
根据每单位时间的距离变化相对值，确定所述待分析船只与所述监测雷达的相对行驶方向；
根据所述行驶数据，计算单位时间内所述待分析船只的航向变化平均值；
基于所述航向变化平均值，确定所述待分析船只是否处于稳定行驶的结果。
进一步，姿态角计算模块102用于当所述行驶状态为单向稳定行驶状态时，计算所述待分析船只的姿态角时，具体用于：
当所述相对行驶方向为单向行驶、且所述待分析船只稳定行驶时，根据所述行驶数据以及预设姿态角计算公式，计算得到所述姿态角。
进一步，第一识别子模块用于识别出每幅所述船只照片中的第一目标区域时，具体用于：
对每幅所述船只照片进行灰度化以及去噪处理，得到每幅所述船只照片的灰度化图像；
采用边缘检测算法，检测出每幅所述灰度化图像中的船只的轮廓部分；
基于检测出的每幅所述灰度化图像中的船只的轮廓部分，从每幅所述灰度化图像中分割出第一目标区域。
本实施例中，确定待分析船只的行驶状态，当所述行驶状态为单向稳定行驶状态时，计算所述待分析船只的姿态角，获取所述待分析船只的一维距离像，根据所述姿态角和所述一维距离像，从预先构建的一维距离像仿真数据库中选择出与所述一维距离像相似度最大的目标一维距离像，将所述目标一维距离像的船只类型作为所述待分析船只的船只类型。通过上述方法，能够实现船只的分类，解决了现有技术中亟需一种基于一维距离像来确定船只类型的问题。
需要说明的是，本实施例中的各个模块和子模块的工作过程，请参照上述实施例中的相应说明，在此不再赘述。
可选的，在上述任一实施例的基础上，所述样本构造子模块可以包括：
图像处理单元，用于对每个所述船只照片中的所述第一目标区域以及非第一目标区域进行二值化，并在水平方向进行投影处理，得到多个船只在水平方向投影的结构分布幅度像；
去噪处理单元，用于对每个所述结构分布幅度像进行去噪处理，得到模拟波形图；
分辨率计算单元，用于计算监测雷达的距离分辨率；
长度计算单元，用于计算每个所述船只在所述监测雷达的雷达方位线上的船只投影长度；
点数计算单元，用于基于每个所述船只的船只投影长度以及所述距离分辨率，计算每个所述模拟波形图的采样点数；
重采样单元，用于使用计算得到的采样点数，对相应的模拟波形图进行重采样，得到每个所述第一目标区域对应的一维距离像仿真样本。
本实施例中，能够计算得到采样点数，对模拟波形图进行采样，得到每个所述第一目标区域对应的一维距离像仿真样本。
需要说明的是，本实施例中的各个模块、子模块和单元的工作过程，请参照上述实施例中的相应说明，在此不再赘述。
可选的，在上述任一实施例的基础上，所述选取模块包括：
所述选取模块包括：
第二识别子模块，用于识别所述一维距离像中的第二目标区域；其中，所述第二目标区域为所述一维距离像中所述待分析船只的成像区域；
去噪处理子模块，用于对所述第二目标区域进行去噪处理，得到去噪后的第二目标区域；
范围计算子模块，用于计算与所述姿态角相差预设数值内的姿态角范围；
第一选取子模块，用于从所述一维距离像仿真数据库中选取对应的姿态角在所述姿态角范围内的一维距离像仿真样本作为待分析的一维距离像仿真样本；
相关度计算子模块，用于计算每个所述待分析的一维距离像仿真样本与所述去噪后的第二目标区域的相关度；
第二选取子模块，用于选取出对应的相关度最大的待分析的一维距离像仿真样本；
样本确定子模块，用于将选取出的待分析的一维距离像仿真样本作为所述目标一维距离像。
本实施例中，通过计算每个待分析的一维距离像仿真样本与所述一维距离像的相关度，来确定与该待分析船只最相近船只。
需要说明的是，本实施例中的各个模块和子模块的工作过程，请参照上述实施例中的相应说明，在此不再赘述。
可选的，在上述船只分类方法及装置的实施例的基础上，本发明的另一实施例提供了一种电子设备，包括：存储器和处理器；
其中，所述存储器用于存储程序；
处理器调用程序并用于：
确定待分析船只的行驶状态；
当所述行驶状态为单向稳定行驶状态时，计算所述待分析船只的姿态角；
获取所述待分析船只的一维距离像；
根据所述姿态角和所述一维距离像，从预先构建的一维距离像仿真数据库中选择出与所述一维距离像相似度最大的目标一维距离像；
将所述目标一维距离像的船只类型作为所述待分析船只的船只类型；
其中，所述一维距离像仿真数据库的构建过程包括：
获取多幅不同的姿态角下的船只照片；
识别出每幅所述船只照片中的第一目标区域；其中，所述第一目标区域为船只照片中的船只的成像区域；
构造每个所述第一目标区域对应的一维距离像仿真样本；
将多个所述一维距离像仿真样本进行汇总，得到所述一维距离像仿真数据库。
本实施例中，确定待分析船只的行驶状态，当所述行驶状态为单向稳定行驶状态时，计算所述待分析船只的姿态角，获取所述待分析船只的一维距离像，根据所述姿态角和所述一维距离像，从预先构建的一维距离像仿真数据库中选择出与所述一维距离像相似度最大的目标一维距离像，将所述目标一维距离像的船只类型作为所述待分析船只的船只类型。通过上述方法，能够实现船只的分类，解决了现有技术中亟需一种基于一维距离像来确定船只类型的问题。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种船只分类方法，其特征在于，包括：
确定待分析船只的行驶状态；
当所述行驶状态为单向稳定行驶状态时，计算所述待分析船只的姿态角；
获取所述待分析船只的一维距离像；
根据所述姿态角和所述一维距离像，从预先构建的一维距离像仿真数据库中选择出与所述一维距离像相似度最大的目标一维距离像，其中，包括：识别所述一维距离像中的第二目标区域；其中，所述第二目标区域为所述一维距离像中所述待分析船只的成像区域；对所述第二目标区域进行去噪处理，得到去噪后的第二目标区域；计算与所述姿态角相差预设数值内的姿态角范围；从所述一维距离像仿真数据库中选取对应的姿态角在所述姿态角范围内的一维距离像仿真样本作为待分析的一维距离像仿真样本；计算每个所述待分析的一维距离像仿真样本与所述去噪后的第二目标区域的相关度；选取出对应的相关度最大的待分析的一维距离像仿真样本；将选取出的待分析的一维距离像仿真样本作为所述目标一维距离像；
将所述目标一维距离像的船只类型作为所述待分析船只的船只类型；
其中，所述一维距离像仿真数据库的构建过程包括：
获取多幅不同的姿态角下的船只照片；
识别出每幅所述船只照片中的第一目标区域；其中，所述第一目标区域为船只照片中的船只的成像区域；
构造每个所述第一目标区域对应的一维距离像仿真样本；
将多个所述一维距离像仿真样本进行汇总，得到所述一维距离像仿真数据库。
2.根据权利要求1所述的船只分类方法，其特征在于，构造每个所述第一目标区域对应的一维距离像仿真样本，包括:
对每个所述船只照片中的所述第一目标区域以及非第一目标区域进行二值化，并在水平方向进行投影处理，得到多个船只在水平方向投影的结构分布幅度像；
对每个所述结构分布幅度像进行去噪处理，得到模拟波形图；
计算监测雷达的距离分辨率；
计算每个所述船只在所述监测雷达的雷达方位线上的船只投影长度；
基于每个所述船只的船只投影长度以及所述距离分辨率，计算每个所述模拟波形图的采样点数；
使用计算得到的采样点数，对相应的模拟波形图进行重采样，得到每个所述第一目标区域对应的一维距离像仿真样本。
3.根据权利要求1所述的船只分类方法，其特征在于，确定待分析船只的行驶状态，包括：
获取预设时间内所述待分析船只的行驶数据；
基于所述行驶数据，确定每单位时间所述待分析船只与监测雷达的距离变化相对值；
根据每单位时间的距离变化相对值，确定所述待分析船只与所述监测雷达的相对行驶方向；
根据所述行驶数据，计算单位时间内所述待分析船只的航向变化平均值；
基于所述航向变化平均值，确定所述待分析船只是否处于稳定行驶的结果。
4.根据权利要求3所述的船只分类方法，其特征在于，当所述行驶状态为单向稳定行驶状态时，计算所述待分析船只的姿态角，包括：
当所述相对行驶方向为单向行驶、且所述待分析船只稳定行驶时，根据所述行驶数据以及预设姿态角计算公式，计算得到所述姿态角。
5.根据权利要求1所述的船只分类方法，其特征在于，识别出每幅所述船只照片中的第一目标区域，包括：
对每幅所述船只照片进行灰度化以及去噪处理，得到每幅所述船只照片的灰度化图像；
采用边缘检测算法，检测出每幅所述灰度化图像中的船只的轮廓部分；
基于检测出的每幅所述灰度化图像中的船只的轮廓部分，从每幅所述灰度化图像中分割出第一目标区域。
6.一种船只分类装置，其特征在于，包括：
行驶状态确定模块，用于确定待分析船只的行驶状态；
姿态角计算模块，用于当所述行驶状态为单向稳定行驶状态时，计算所述待分析船只的姿态角；
数据获取模块，用于获取所述待分析船只的一维距离像；
选取模块，用于根据所述姿态角和所述一维距离像，从数据库构建模块构建的一维距离像仿真数据库中选择出与所述一维距离像相似度最大的目标一维距离像，其中，包括：第二识别子模块，用于识别所述一维距离像中的第二目标区域；其中，所述第二目标区域为所述一维距离像中所述待分析船只的成像区域；去噪处理子模块，用于对所述第二目标区域进行去噪处理，得到去噪后的第二目标区域；范围计算子模块，用于计算与所述姿态角相差预设数值内的姿态角范围；第一选取子模块，用于从所述一维距离像仿真数据库中选取对应的姿态角在所述姿态角范围内的一维距离像仿真样本作为待分析的一维距离像仿真样本；相关度计算子模块，用于计算每个所述待分析的一维距离像仿真样本与所述去噪后的第二目标区域的相关度；第二选取子模块，用于选取出对应的相关度最大的待分析的一维距离像仿真样本；样本确定子模块，用于将选取出的待分析的一维距离像仿真样本作为所述目标一维距离像；
类型确定模块，用于将所述目标一维距离像的船只类型作为所述待分析船只的船只类型；
其中，所述数据库构建模块包括：
照片获取子模块，用于获取多幅不同的姿态角下的船只照片；
第一识别子模块，用于识别出每幅所述船只照片中的第一目标区域；其中，所述第一目标区域为船只照片中的船只的成像区域；
样本构造子模块，用于构造每个所述第一目标区域对应的一维距离像仿真样本；
数据汇总子模块，用于将多个所述一维距离像仿真样本进行汇总，得到所述一维距离像仿真数据库。
7.根据权利要求6所述的船只分类装置，其特征在于，所述样本构造子模块包括：
图像处理单元，用于对每个所述船只照片中的所述第一目标区域以及非第一目标区域进行二值化，并在水平方向进行投影处理，得到多个船只在水平方向投影的结构分布幅度像；
去噪处理单元，用于对每个所述结构分布幅度像进行去噪处理，得到模拟波形图；
分辨率计算单元，用于计算监测雷达的距离分辨率；
长度计算单元，用于计算每个所述船只在所述监测雷达的雷达方位线上的船只投影长度；
点数计算单元，用于基于每个所述船只的船只投影长度以及所述距离分辨率，计算每个所述模拟波形图的采样点数；
重采样单元，用于使用计算得到的采样点数，对相应的模拟波形图进行重采样，得到每个所述第一目标区域对应的一维距离像仿真样本。
8.一种电子设备，其特征在于，包括：存储器和处理器；
其中，所述存储器用于存储程序；
处理器调用程序并用于：
确定待分析船只的行驶状态；
当所述行驶状态为单向稳定行驶状态时，计算所述待分析船只的姿态角；
获取所述待分析船只的一维距离像；
根据所述姿态角和所述一维距离像，从预先构建的一维距离像仿真数据库中选择出与所述一维距离像相似度最大的目标一维距离像，其中，包括：识别所述一维距离像中的第二目标区域；其中，所述第二目标区域为所述一维距离像中所述待分析船只的成像区域；对所述第二目标区域进行去噪处理，得到去噪后的第二目标区域；计算与所述姿态角相差预设数值内的姿态角范围；从所述一维距离像仿真数据库中选取对应的姿态角在所述姿态角范围内的一维距离像仿真样本作为待分析的一维距离像仿真样本；计算每个所述待分析的一维距离像仿真样本与所述去噪后的第二目标区域的相关度；选取出对应的相关度最大的待分析的一维距离像仿真样本；将选取出的待分析的一维距离像仿真样本作为所述目标一维距离像；
将所述目标一维距离像的船只类型作为所述待分析船只的船只类型；
其中，所述一维距离像仿真数据库的构建过程包括：
获取多幅不同的姿态角下的船只照片；
识别出每幅所述船只照片中的第一目标区域；其中，所述第一目标区域为船只照片中的船只的成像区域；
构造每个所述第一目标区域对应的一维距离像仿真样本；
将多个所述一维距离像仿真样本进行汇总，得到所述一维距离像仿真数据库。
CN201810424901.1A 2018-05-04 2018-05-04 一种船只分类方法、装置及电子设备 Active CN108959355B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810424901.1A CN108959355B (zh) 2018-05-04 2018-05-04 一种船只分类方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810424901.1A CN108959355B (zh) 2018-05-04 2018-05-04 一种船只分类方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN108959355A CN108959355A (zh) 2018-12-07
CN108959355B true CN108959355B (zh) 2021-04-20

Family

ID=64499041

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810424901.1A Active CN108959355B (zh) 2018-05-04 2018-05-04 一种船只分类方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN108959355B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112098965B (zh) * 2020-11-04 2021-02-19 长沙莫之比智能科技有限公司 一种基于毫米波雷达的载体姿态角解算方法
CN112257811B (zh) * 2020-11-11 2022-04-19 珠海大横琴科技发展有限公司 一种船只分类方法、装置、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102636782A (zh) * 2012-04-29 2012-08-15 西安电子科技大学 步进频雷达超分辨一维距离成像方法
CN104459663A (zh) * 2014-11-27 2015-03-25 中国船舶重工集团公司第七二四研究所 基于高分辨一维距离像的舰艇与货船分类方法
CN104865562A (zh) * 2015-06-12 2015-08-26 西安电子科技大学 基于混合模型的雷达非合作目标的识别方法
CN107765240A (zh) * 2017-10-20 2018-03-06 中国人民解放军海军七〇工厂 一种运动状态的判断方法、装置和电子设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102636782A (zh) * 2012-04-29 2012-08-15 西安电子科技大学 步进频雷达超分辨一维距离成像方法
CN104459663A (zh) * 2014-11-27 2015-03-25 中国船舶重工集团公司第七二四研究所 基于高分辨一维距离像的舰艇与货船分类方法
CN104865562A (zh) * 2015-06-12 2015-08-26 西安电子科技大学 基于混合模型的雷达非合作目标的识别方法
CN107765240A (zh) * 2017-10-20 2018-03-06 中国人民解放军海军七〇工厂 一种运动状态的判断方法、装置和电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
舰船目标一维距离像多姿态角相关匹配识别;孙剑波等;《船舶电子工程》;20111130;第31卷(第11期);第49-51页 *

Also Published As

Publication number Publication date
CN108959355A (zh) 2018-12-07

Similar Documents

Publication Publication Date Title
CN109635685B (zh) 目标对象3d检测方法、装置、介质及设备
US10346720B2 (en) Rotation variant object detection in Deep Learning
CN108805904B (zh) 一种基于卫星序列图像的运动舰船检测与跟踪方法
US5081689A (en) Apparatus and method for extracting edges and lines
US9031285B2 (en) Detection of floating objects in maritime video using a mobile camera
CN101609504B (zh) 一种红外图像海面目标检测识别定位方法
US20120328161A1 (en) Method and multi-scale attention system for spatiotemporal change determination and object detection
CN108573499B (zh) 一种基于尺度自适应和遮挡检测的视觉目标跟踪方法
CN102598057A (zh) 自动对象识别、然后根据对象形状进行对象跟踪的方法和***
CN106228570B (zh) 一种真值数据确定方法和装置
CN109063669B (zh) 一种基于图像识别的桥区船舶航行态势分析方法及装置
CN116310837B (zh) 一种sar舰船目标旋转检测方法及***
CN108959355B (zh) 一种船只分类方法、装置及电子设备
CN111160477A (zh) 一种基于特征点检测的图像模板匹配方法
Benedek et al. Moving target analysis in ISAR image sequences with a multiframe marked point process model
CN114821358A (zh) 光学遥感图像海上舰船目标提取与识别方法
CN108919284B (zh) 一种船只分类方法、装置及电子设备
CN111914627A (zh) 一种车辆识别与追踪方法及装置
WO2022219402A1 (en) Semantically accurate super-resolution generative adversarial networks
Shi et al. Obstacle type recognition in visual images via dilated convolutional neural network for unmanned surface vehicles
Bisht et al. Integration of hough transform and inter-frame clustering for road lane detection and tracking
Hashmani et al. A survey on edge detection based recent marine horizon line detection methods and their applications
Mou et al. Image-based maritime obstacle detection using global sparsity potentials
Neves et al. Rotation-invariant shipwreck recognition with forward-looking sonar
JP7128578B2 (ja) 物体検出装置、物体検出プログラム、物体検出方法、及び学習装置

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