CN113887678A - 一种基于海量图像数据的舰船轨迹生成方法及*** - Google Patents
一种基于海量图像数据的舰船轨迹生成方法及*** Download PDFInfo
- Publication number
- CN113887678A CN113887678A CN202111486892.7A CN202111486892A CN113887678A CN 113887678 A CN113887678 A CN 113887678A CN 202111486892 A CN202111486892 A CN 202111486892A CN 113887678 A CN113887678 A CN 113887678A
- Authority
- CN
- China
- Prior art keywords
- ship
- image
- track
- target detection
- training
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于海量图像数据的舰船轨迹生成方法及***。方法包括:构建训练集;利用训练集对深度神经网络模型进行训练,得到图像目标检测网络;对多个待识别的图像进行空间离散化处理,得到多个立体网格图像集合;利用图像目标检测网络对各立体网格图像集合进行识别,得到每个立体网格图像集合对应的识别舰船信息;将每个识别舰船信息对应的待识别的图像进行网格剖分处理,结合所述图像空间属性,得到舰船的地理位置点;基于舰船的地理位置点、舰船类型和图像时间属性,得到每个立体网格图像中舰船的轨迹点集合;根据轨迹点集合确定舰船的活动轨迹。本发明中提高图像目标检测网络的检测精度,使得最终能够生成舰船有效活动轨迹。
Description
技术领域
本发明涉及舰船轨迹识别领域,特别是涉及一种基于海量图像数据的舰船轨迹生成方法及***。
背景技术
现代战争中战场态势瞬息万变,能否快速准确地对海战场敌方舰艇目标进行态势感知和战术意图识别,并为指挥员决策提供支持,是影响海上战争成败的关键因素之一。现有的海上目标态势感知手段,主要包括侦查卫星、有/无人侦查机、岸基雷达站、水面浮标以及水下声呐探测等,具体的侦查情报信息种类包含图像、文字、视频以及电磁信号等格式;针对图像情报,主要存在以下两个问题:一是机器自动化识别能力有限,主要的侦别手段还是以人工鉴别为主,工作量巨大且识别不准确;二是对于海量的图像情报数据无法进行有效的信息化处理和存储分析,针对各类目标敌舰的历史活动情况没有分析复盘手段,对于敌目标的行动意图研判也支撑有限。由此可知,如何能够提高海上目标态势感知与行动意图识别能力将是未来海战场的重要研究方向之一。
发明内容
本发明的目的是提供一种基于海量图像数据的舰船轨迹生成方法及***,以解决现有的海上目标态势感知手段存在对敌方舰船轨迹识别不准确的问题。
为实现上述目的,本发明提供了如下方案:
一种基于海量图像数据的舰船轨迹生成方法,包括:
构建训练集;所述训练集包括测试图像样本数据集以及与所述测试图像样本数据集对应的实际的舰船信息;所述测试图像样本数据集包括多个包含有航母、军船以及民船的图像;舰船信息包括舰船类型和舰船所在的图像区域位置;
利用所述训练集对深度神经网络模型进行训练,得到图像目标检测网络;
对多个待识别的图像进行空间离散化处理,得到多个立体网格图像集合;所述立体网格图像集合包括图像时间属性和图像空间属性;
利用所述图像目标检测网络对各所述立体网格图像集合进行识别,得到每个所述立体网格图像集合对应的识别舰船信息;
将每个所述识别舰船信息对应的待识别的图像进行网格剖分处理,结合所述图像空间属性,得到舰船的地理位置点;
基于舰船的地理位置点、所述舰船类型和所述图像时间属性,得到每个所述立体网格图像中舰船的轨迹点集合;
根据所述轨迹点集合确定舰船的活动轨迹。
可选的,所述利用所述训练集对深度神经网络模型进行训练,得到图像目标检测网络,具体包括:
利用深度神经网络模型对所述测试图像样本数据集进行预测,得到预测舰船信息;
将所述预测舰船信息与实际的舰船信息进行比较,得到所述图像目标检测网络的预测正确率;
判断所述预测正确率是否大于修正阈值,得到判断结果;
若所述预测正确率大于修正阈值,则得到图像目标检测网络;
若所述预测正确率小于或者等于修正阈值,则调整所述深度神经网络模型的参数,使所述预测正确率大于修正阈值。
可选的,所述对多个待识别的图像进行空间离散化处理,得到多个立体网格图像集合,具体包括:
根据分析精度以及地理位置信息,将多个所述待识别的图像进行切分并离散到不同的立体网格中,得到多个立体网格图像集合。
可选的,所述根据所述轨迹点集合确定舰船的活动轨迹,具体包括:
提取所有所述轨迹点集合中同一舰船类型的轨迹点;
将所述同一舰船类型的轨迹点,按照时间顺序进行排序,得到舰船的活动轨迹。
一种基于海量图像数据的舰船轨迹生成***,包括:
训练集构建模块,用于构建训练集;所述训练集包括测试图像样本数据集以及与所述测试图像样本数据集对应的实际的舰船信息;所述测试图像样本数据集包括多个包含有航母、军船以及民船的图像;舰船信息包括舰船类型和舰船所在的图像区域位置;
训练模块,用于利用所述训练集对深度神经网络模型进行训练,得到图像目标检测网络;
空间离散化处理模块,用于对多个待识别的图像进行空间离散化处理,得到多个立体网格图像集合;所述立体网格图像集合包括图像时间属性和图像空间属性;
识别模块,用于利用所述图像目标检测网络对各所述立体网格图像集合进行识别,得到每个所述立体网格图像集合对应的识别舰船信息;
剖分处理模块,用于将每个所述识别舰船信息对应的待识别的图像进行网格剖分处理,结合所述图像空间属性,得到舰船的地理位置点;
轨迹点集合确定模块,用于基于舰船的地理位置点、所述舰船类型和所述图像时间属性,得到每个所述立体网格图像中舰船的轨迹点集合;
轨迹确定模块,用于根据所述轨迹点集合确定舰船的活动轨迹。
可选的,所述训练模块,具体包括:
预测单元,用于利用深度神经网络模型对所述测试图像样本数据集进行预测,得到预测舰船信息;
比较单元,用于将所述预测舰船信息与实际的舰船信息进行比较,得到所述图像目标检测网络的预测正确率;
判断单元,用于判断所述预测正确率是否大于修正阈值,得到判断结果;
第一执行单元,用于若所述预测正确率大于修正阈值,则得到图像目标检测网络;
第二执行单元,用于若所述预测正确率小于或者等于修正阈值,则调整所述深度神经网络模型的参数,使所述预测正确率大于修正阈值。
可选的,所述空间离散化处理模块,具体包括:
离散化单元,用于根据分析精度以及地理位置信息,将多个所述待识别的图像进行切分并离散到不同的立体网格中,得到多个立体网格图像集合。
可选的,所述轨迹确定模块,具体包括:
提取单元,用于提取所有所述轨迹点集合中同一舰船类型的轨迹点;
轨迹确定单元,用于将所述同一舰船类型的轨迹点,按照时间顺序进行排序,得到舰船的活动轨迹。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明中通过构建图像目标检测网络以及训练集;利用训练集对图像目标检测网络进行训练,得到训练好的图像目标检测网络;利用训练好的图像目标检测网络依次对进行空间离散化处理后的待识别的图像进行检测,得到每个所述立体网格图像集合对应的识别舰船信息;将每个识别舰船信息进行网格剖分处理,并结合所述舰船类型和图像时间属性,得到每个立体网格图像中舰船的轨迹点集合;将所有轨迹点集合中同一舰船类型的轨迹点,按照时间顺序进行排序,得到舰船的活动轨迹。本发明中能够将待识别的图像与空间属性和时间属性相结合,提高了图像目标检测网络的检测精度,使得最终能够生成舰船有效活动轨迹,进而解决现有的海上目标态势感知手段存在对敌方舰船轨迹识别不准确的问题。
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一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的一种基于海量图像数据的舰船轨迹生成方法的流程图;
图2为本发明提供的一种基于海量图像数据的舰船轨迹生成***的方框图。
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。
本发明的目的是提供一种基于海量图像数据的舰船轨迹生成方法及***,以解决现有的海上目标态势感知手段存在对敌方舰船轨迹识别不准确的问题。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明提供的一种基于海量图像数据的舰船轨迹生成方法的流程图,如图1所示,一种基于海量图像数据的舰船轨迹生成方法,包括:
步骤101:构建训练集。所述训练集包括测试图像样本数据集以及与所述测试图像样本数据集对应的实际的舰船信息;所述测试图像样本数据集包括多个包含有航母、军船以及民船的图像;舰船信息包括舰船类型和舰船所在的图像区域位置。在实际应用中,通过计算机构建基于Faster R-CNN算法的图像目标检测网络,自建包含航母、军船以及民船3种舰船在内的测试图像样本数据集,并保存为VOC2007格式,使用测试图像样本数据集对图像目标检测网络进行训练,检验图像目标检测网络对图像中目标识别的准确度。
步骤102:利用所述训练集对深度神经网络模型进行训练,得到图像目标检测网络。
在一个具体实施方式中,所述步骤102,具体包括:
利用深度神经网络模型对所述测试图像样本数据集进行预测,得到预测舰船信息。
将所述预测舰船信息与实际的舰船信息进行比较,得到所述图像目标检测网络的预测正确率。
判断所述预测正确率是否大于修正阈值,得到判断结果;若是,则得到图像目标检测网络;若否,则调整所述深度神经网络模型的参数,使所述预测正确率大于修正阈值。
在实际应用中,针对不同图像中含有的可检测目标数量不同,对含有不同目标数量的图像进行检测,记录不同复杂程度样本数据的检测正确率,将检测正确率与设置的修正阈值进行比较,优化图像目标检测网络的目标检测准确度。
步骤103:对多个待识别的图像进行空间离散化处理,得到多个立体网格图像集合。所述立体网格图像集合包括图像时间属性和图像空间属性。
在一个具体实施方式中,所述步骤103,具体包括:
根据分析精度以及地理位置信息,将多个所述待识别的图像进行切分并离散到不同的立体网格中,得到多个立体网格图像集合。
在实际应用中,针对一定时间内同一海域的海量图像数据,参照指定的分析精度,结合地理位置信息对多个待识别的图像进行空间离散化处理,将待识别的图像进行切分并离散到不同的立体网格中,形成多个立体网格图像集合,此时每个网格具备空间属性,网格包含的图像具备时间属性以及空间属性。
步骤104:利用所述图像目标检测网络对各所述立体网格图像集合进行识别,得到每个所述立体网格图像集合对应的识别舰船信息。在实际应用中,将单个立体网格图像集合输入训练好的图像目标检测网络进行检测,得出每个图像中存在的舰船信息,包括舰船类型和舰船目标所在的图像区域位置。
步骤105:将每个所述识别舰船信息对应的待识别的图像进行网格剖分处理,结合所述图像空间属性,得到舰船的地理位置点。
步骤106:基于舰船的地理位置点、所述舰船类型和所述图像时间属性,得到每个所述立体网格图像中舰船的轨迹点集合。
在实际应用中,将识别出的舰船目标对应的图像进行再次网格剖分处理,得出舰船目标所处图像位置,结合图像空间属性进行计算,得出该舰船的具体地理位置点,结合舰船类型和图像时间属性,最终形成立体网格空间中各类舰船在一定时间内的轨迹点集合。
步骤107:根据所述轨迹点集合确定舰船的活动轨迹。
在一个具体实施方式中,所述步骤107,具体包括:
提取所有所述轨迹点集合中同一舰船类型的轨迹点;将所述同一舰船类型的轨迹点,按照时间顺序进行排序,得到舰船的活动轨迹。
在实际应用中,将所有立体网格图像集合内舰船的轨迹点集合以具体的舰船目标为索引,参照时间顺序进行重新整理和排序,最终形成不同舰船目标在一定时间内的活动轨迹。
本发明通过计算机构建基于Faster R-CNN算法的图像目标检测网络,利用自建的不同种类舰船目标的训练集(VOC2007格式)对图像目标检测网络的准确率进行训练和校准。
针对一定时间内同一区域的海量图像数据,根据指定的分析精度和位置信息对海量图像数据进行空间离散化处理,将海量图像数据切分离散到不同的立体网格中,形成多个立体网格图像集合。
将多个立体网格图像集合循环输入图像目标检测网络,顺利提取出舰船类型、空间位置、时间等信息,将空间离散的轨迹点根据时间进行串联,最终形成在特定区域、一定时间内舰船的活动轨迹。
本发明提供的一种基于海量图像数据的舰船轨迹生成方法,具有以下优点:
优点一:目标检测能力提升。通过构建基于Faster R-CNN算法的图像目标检测网络,并使用区域生成网络(RPN)技术,综合提升了检测网络运行速度,实现网络快速、高精度的端到端训练,提升了图像目标检测准确度。
优点二:海量数据检测效率提升。通过对海量图像数据进行空间离散化,实现分批次的目标检测与识别,支撑分布式计算与调度,综合提升海量图像数据下的目标检测效率。
优点三:目标检测信息可用性提升,通过空间离散化,能够将目标舰船数据与空间/时间信息进行自动关联,使得最终能够生成的目标舰船有效活动轨迹,为各种应用提供支持。
图2为本发明提供的一种基于海量图像数据的舰船轨迹生成***的方框图,如图2所示,一种基于海量图像数据的舰船轨迹生成***,包括:
训练集构建模块201,用于构建训练集。所述训练集包括测试图像样本数据集以及与所述测试图像样本数据集对应的实际的舰船信息;所述测试图像样本数据集包括多个包含有航母、军船以及民船的图像;舰船信息包括舰船类型和舰船所在的图像区域位置。
训练模块202,用于利用所述训练集对深度神经网络模型进行训练,得到图像目标检测网络。
空间离散化处理模块203,用于对多个待识别的图像进行空间离散化处理,得到多个立体网格图像集合。所述立体网格图像集合包括图像时间属性和图像空间属性。
识别模块204,用于利用所述图像目标检测网络对各所述立体网格图像集合进行识别,得到每个所述立体网格图像集合对应的识别舰船信息。
剖分处理模块205,用于将每个所述识别舰船信息对应的待识别的图像进行网格剖分处理,结合所述图像空间属性,得到舰船目标的地理位置点。
轨迹点集合确定模块206,用于基于舰船目标的地理位置点、所述舰船类型和所述图像时间属性,得到每个所述立体网格图像中舰船的轨迹点集合。
轨迹确定模块207,用于根据所述轨迹点集合确定舰船的活动轨迹。
在一个具体实施方式中,所述训练模块202,具体包括:
预测单元,用于利用深度神经网络模型对所述测试图像样本数据集进行预测,得到预测舰船信息。
比较单元,用于将所述预测舰船信息与实际的舰船信息进行比较,得到所述图像目标检测网络的预测正确率。
判断单元,用于判断所述预测正确率是否大于修正阈值,得到判断结果。
第一执行单元,用于若所述预测正确率大于修正阈值,则得到图像目标检测网络。
第二执行单元,用于若所述预测正确率小于或者等于修正阈值,则调整所述深度神经网络模型的参数,使所述预测正确率大于修正阈值。
在一个具体实施方式中,所述空间离散化处理模块203,具体包括:
离散化单元,用于根据分析精度以及地理位置信息,将多个所述待识别的图像进行切分并离散到不同的立体网格中,得到多个立体网格图像集合。
在一个具体实施方式中,所述轨迹确定模块207,具体包括:
提取单元,用于提取所有所述轨迹点集合中同一舰船类型的轨迹点。
轨迹确定单元,用于将所述同一舰船类型的轨迹点,按照时间顺序进行排序,得到舰船的活动轨迹。
本发明采用深度学习技术对各个识别依据得到的识别结果的可信性进行分析,建立基于神经网络的图像目标识别网络,结合海量图像数据空间离散化处理技术,可以实现对敌舰艇目标的快速准确识别,同时通过生成目标活动轨迹为目标行动意图预测提供有效支撑,综合提升了图像情报的处理和服务能力。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于海量图像数据的舰船轨迹生成方法,其特征在于,包括:
构建训练集;所述训练集包括测试图像样本数据集以及与所述测试图像样本数据集对应的实际的舰船信息;所述测试图像样本数据集包括多个包含有航母、军船以及民船的图像;舰船信息包括舰船类型和舰船所在的图像区域位置;
利用所述训练集对深度神经网络模型进行训练,得到图像目标检测网络;
对多个待识别的图像进行空间离散化处理,得到多个立体网格图像集合;所述立体网格图像集合包括图像时间属性和图像空间属性;
利用所述图像目标检测网络对各所述立体网格图像集合进行识别,得到每个所述立体网格图像集合对应的识别舰船信息;
将每个所述识别舰船信息对应的待识别的图像进行网格剖分处理,结合所述图像空间属性,得到舰船的地理位置点;
基于舰船的地理位置点、所述舰船类型和所述图像时间属性,得到每个所述立体网格图像中舰船的轨迹点集合;
根据所述轨迹点集合确定舰船的活动轨迹。
2.根据权利要求1所述的基于海量图像数据的舰船轨迹生成方法,其特征在于,所述利用所述训练集对深度神经网络模型进行训练,得到图像目标检测网络,具体包括:
利用深度神经网络模型对所述测试图像样本数据集进行预测,得到预测舰船信息;
将所述预测舰船信息与实际的舰船信息进行比较,得到所述图像目标检测网络的预测正确率;
判断所述预测正确率是否大于修正阈值,得到判断结果;
若所述预测正确率大于修正阈值,则得到图像目标检测网络;
若所述预测正确率小于或者等于修正阈值,则调整所述深度神经网络模型的参数,使所述预测正确率大于修正阈值。
3.根据权利要求1所述的基于海量图像数据的舰船轨迹生成方法,其特征在于,所述对多个待识别的图像进行空间离散化处理,得到多个立体网格图像集合,具体包括:
根据分析精度以及地理位置信息,将多个所述待识别的图像进行切分并离散到不同的立体网格中,得到多个立体网格图像集合。
4.根据权利要求1所述的基于海量图像数据的舰船轨迹生成方法,其特征在于,所述根据所述轨迹点集合确定舰船的活动轨迹,具体包括:
提取所有所述轨迹点集合中同一舰船类型的轨迹点;
将所述同一舰船类型的轨迹点,按照时间顺序进行排序,得到舰船的活动轨迹。
5.一种基于海量图像数据的舰船轨迹生成***,其特征在于,包括:
训练集构建模块,用于构建训练集;所述训练集包括测试图像样本数据集以及与所述测试图像样本数据集对应的实际的舰船信息;所述测试图像样本数据集包括多个包含有航母、军船以及民船的图像;舰船信息包括舰船类型和舰船所在的图像区域位置;
训练模块,用于利用所述训练集对深度神经网络模型进行训练,得到图像目标检测网络;
空间离散化处理模块,用于对多个待识别的图像进行空间离散化处理,得到多个立体网格图像集合;所述立体网格图像集合包括图像时间属性和图像空间属性;
识别模块,用于利用所述图像目标检测网络对各所述立体网格图像集合进行识别,得到每个所述立体网格图像集合对应的识别舰船信息;
剖分处理模块,用于将每个所述识别舰船信息对应的待识别的图像进行网格剖分处理,结合所述图像空间属性,得到舰船的地理位置点;
轨迹点集合确定模块,用于基于舰船的地理位置点、所述舰船类型和所述图像时间属性,得到每个所述立体网格图像中舰船的轨迹点集合;
轨迹确定模块,用于根据所述轨迹点集合确定舰船的活动轨迹。
6.根据权利要求5所述的基于海量图像数据的舰船轨迹生成***,其特征在于,所述训练模块,具体包括:
预测单元,用于利用深度神经网络模型对所述测试图像样本数据集进行预测,得到预测舰船信息;
比较单元,用于将所述预测舰船信息与实际的舰船信息进行比较,得到所述图像目标检测网络的预测正确率;
判断单元,用于判断所述预测正确率是否大于修正阈值,得到判断结果;
第一执行单元,用于若所述预测正确率大于修正阈值,则得到图像目标检测网络;
第二执行单元,用于若所述预测正确率小于或者等于修正阈值,则调整所述深度神经网络模型的参数,使所述预测正确率大于修正阈值。
7.根据权利要求5所述的基于海量图像数据的舰船轨迹生成***,其特征在于,所述空间离散化处理模块,具体包括:
离散化单元,用于根据分析精度以及地理位置信息,将多个所述待识别的图像进行切分并离散到不同的立体网格中,得到多个立体网格图像集合。
8.根据权利要求5所述的基于海量图像数据的舰船轨迹生成***,其特征在于,所述轨迹确定模块,具体包括:
提取单元,用于提取所有所述轨迹点集合中同一舰船类型的轨迹点;
轨迹确定单元,用于将所述同一舰船类型的轨迹点,按照时间顺序进行排序,得到舰船的活动轨迹。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111486892.7A CN113887678A (zh) | 2021-12-08 | 2021-12-08 | 一种基于海量图像数据的舰船轨迹生成方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111486892.7A CN113887678A (zh) | 2021-12-08 | 2021-12-08 | 一种基于海量图像数据的舰船轨迹生成方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113887678A true CN113887678A (zh) | 2022-01-04 |
Family
ID=79015806
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111486892.7A Pending CN113887678A (zh) | 2021-12-08 | 2021-12-08 | 一种基于海量图像数据的舰船轨迹生成方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113887678A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114898222A (zh) * | 2022-04-21 | 2022-08-12 | 中国人民解放军91977部队 | 一种舰船目标航迹识别方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933899A (zh) * | 2015-05-29 | 2015-09-23 | 华北电力大学 | 船舶适航预警***及预警方法 |
CN109598241A (zh) * | 2018-12-05 | 2019-04-09 | 武汉大学 | 基于Faster R-CNN的卫星图像海上舰船识别方法 |
CN110163930A (zh) * | 2019-05-27 | 2019-08-23 | 北京百度网讯科技有限公司 | 车道线生成方法、装置、设备、***及可读存储介质 |
CN110866477A (zh) * | 2019-11-06 | 2020-03-06 | 中国人民解放军战略支援部队信息工程大学 | 一种轨迹运动模式识别方法及装置 |
CN110991385A (zh) * | 2019-12-13 | 2020-04-10 | 珠海大横琴科技发展有限公司 | 一种识别船只行驶轨迹的方法、装置及电子设备 |
-
2021
- 2021-12-08 CN CN202111486892.7A patent/CN113887678A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933899A (zh) * | 2015-05-29 | 2015-09-23 | 华北电力大学 | 船舶适航预警***及预警方法 |
CN109598241A (zh) * | 2018-12-05 | 2019-04-09 | 武汉大学 | 基于Faster R-CNN的卫星图像海上舰船识别方法 |
CN110163930A (zh) * | 2019-05-27 | 2019-08-23 | 北京百度网讯科技有限公司 | 车道线生成方法、装置、设备、***及可读存储介质 |
CN110866477A (zh) * | 2019-11-06 | 2020-03-06 | 中国人民解放军战略支援部队信息工程大学 | 一种轨迹运动模式识别方法及装置 |
CN110991385A (zh) * | 2019-12-13 | 2020-04-10 | 珠海大横琴科技发展有限公司 | 一种识别船只行驶轨迹的方法、装置及电子设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114898222A (zh) * | 2022-04-21 | 2022-08-12 | 中国人民解放军91977部队 | 一种舰船目标航迹识别方法及装置 |
CN114898222B (zh) * | 2022-04-21 | 2024-01-02 | 中国人民解放军91977部队 | 一种舰船目标航迹识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110232350B (zh) | 一种基于在线学习的实时水面多运动目标检测跟踪方法 | |
CN108460382B (zh) | 基于深度学习单步检测器的光学遥感图像舰船检测方法 | |
CN106443598B (zh) | 基于卷积神经网络的雷达网协同航迹欺骗干扰鉴别方法 | |
US20230038494A1 (en) | Administrative server in ship navigation assistance system, ship navigation assistance method, and ship navigation assistance program | |
CN113516037B (zh) | 海上船只航迹片段关联方法、***、存储介质及设备 | |
KR101984274B1 (ko) | 감시 정찰용 표적 탐지 및 형상 식별 장치와 그 방법 | |
CN113283653B (zh) | 一种基于机器学习和ais数据的船舶轨迹预测方法 | |
CN116050136B (zh) | 一种智能船舶测试场景库的生成方法、装置及设备 | |
Tang et al. | Detection of abnormal vessel behaviour based on probabilistic directed graph model | |
CN104299248A (zh) | 利用前视声呐图像对水下多个动态目标运动预测的方法 | |
US11928813B2 (en) | Method and system for detecting change to structure by using drone | |
Kim | Vessel target prediction method and dead reckoning position based on SVR seaway model | |
CN114063056A (zh) | 一种船舶航迹融合方法、***、介质和设备 | |
CN113887678A (zh) | 一种基于海量图像数据的舰船轨迹生成方法及*** | |
KR20210116798A (ko) | 디지털 트윈을 이용하여 선박의 경제운항을 위한 파랑 정보 수집 장치 | |
US20230314144A1 (en) | System and method for estimating drift path of marine floating body | |
CN103235315A (zh) | 一种多机动目标跟踪*** | |
CN114275131B (zh) | 一种舰艇防御方法、装置、防御辅助决策***和存储介质 | |
Hadzagic et al. | Hard and soft data fusion for maritime traffic monitoring using the integrated ornstein-uhlenbeck process | |
CN114818113A (zh) | 一种水下目标探测识别仿真***及方法 | |
Kim et al. | Anomalous vessel behavior detection based on SVR seaway model | |
Sun et al. | Vessel motion statistical learning based on stored ais data and its application to trajectory prediction | |
CN115563889B (zh) | 一种目标对象的抛锚预测方法、装置及设备 | |
Sedova et al. | Intelligent Collision Danger Assessment of Autonomous Unmanned Sea-Going Vessels | |
CN110824485A (zh) | 一种基于auv的双基地声呐水下目标特征提取及分类方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220104 |