CN114972918B - 基于集成学习与ais数据的遥感图像舰船目标识别方法 - Google Patents
基于集成学习与ais数据的遥感图像舰船目标识别方法 Download PDFInfo
- Publication number
- CN114972918B CN114972918B CN202210598791.7A CN202210598791A CN114972918B CN 114972918 B CN114972918 B CN 114972918B CN 202210598791 A CN202210598791 A CN 202210598791A CN 114972918 B CN114972918 B CN 114972918B
- Authority
- CN
- China
- Prior art keywords
- ship
- data
- remote sensing
- sensing image
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 106
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 230000003068 static effect Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 10
- 238000005516 engineering process Methods 0.000 description 8
- 230000009471 action Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于集成学习与AIS数据的遥感图像舰船目标识别方法,包括:获取AIS数据;对AIS数据进行特征提取,获取舰船外形特征和舰船类型,生成训练数据集;构建集成学习模型;将训练数据集划分为至少两个子数据集,利用一个子数据集分别训练多个基分类器模型;将其余一个子数据集中的舰船外形特征输入多个基分类器模型,获取多个基分类器模型的预测分类结果,将预测分类结果与舰船类型结合,得到新数据集,利用新数据集训练集成分类器模型;获取遥感图像舰船目标的外形特征;将遥感图像舰船目标的外形特征输入集成学习模型,获取遥感图像舰船目标的分类识别结果。本发明能降低训练数据制作成本,提升遥感图像舰船目标分类识别效率和精度。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于集成学习与AIS数据的遥感图像舰船目标识别方法。
背景技术
随着星载传感器技术的不断发展,获取的高分辨率遥感图像已被广泛应用于海上舰船监测,在海洋态势感知方面发挥着重要作用。由于遥感图像内容细节丰富,含有大量目标信息及其复杂特征,利用遥感图像进行舰船的检测和监管是一种方便、可行的检测和监管方法。
目前,对于遥感图像舰船目标分类识别的研究较多,针对如何实现遥感图像舰船目标分类识别,主要提出了基于手工提取浅层特征的方法和基于深度学***台和大量的时间去完成模型训练。
发明内容
为解决上述现有技术中存在的部分或全部技术问题,本发明提供一种基于集成学习与AIS数据的遥感图像舰船目标识别方法。
本发明的技术方案如下:
提供了一种基于集成学习与AIS数据的遥感图像舰船目标识别方法,所述方法包括:
获取多个舰船的AIS数据,并对所述AIS数据进行预处理;
对预处理后的所述AIS数据进行特征提取,获取舰船外形特征和舰船类型,生成包括多个训练数据的训练数据集,其中,所述训练数据包括舰船外形特征及其对应的舰船类型;
构建集成学习模型,其中,所述集成学习模型包括预设的多个基分类器模型和集成分类器模型,多个所述基分类器模型的输出与所述集成分类器模型的输入连接;
将所述训练数据集以预设划分方式划分为至少两个子数据集,利用一个子数据集分别训练多个所述基分类器模型;
将其余一个子数据集中的舰船外形特征输入训练后的多个所述基分类器模型,获取多个所述基分类器模型的预测分类结果,将所述预测分类结果与所述其余一个子数据集中的舰船类型结合,得到包括多个新训练数据的新数据集,利用所述新数据集训练所述集成分类器模型,其中,所述新训练数据包括多个所述基分类器模型的预测分类结果及其对应的舰船类型;
对遥感图像进行特征提取,获取遥感图像舰船目标的外形特征;
将所述遥感图像舰船目标的外形特征输入训练后的所述集成学习模型,获取所述遥感图像舰船目标的分类识别结果。
在一些可能的实现方式中,所述对所述AIS数据进行预处理,包括:
对所述AIS数据进行数据清洗和数据去噪处理,以去除所述AIS数据中的错误数据;
其中,所述错误数据包括报文不符合AIS标准的数据和AIS数据中文字段内容相同的重复数据。
在一些可能的实现方式中,所述舰船外形特征包括但不限于:舰船长度、舰船宽度、舰船周长、舰船面积、舰船长宽比和舰船形状复杂度。
在一些可能的实现方式中,所述舰船长度和所述舰船宽度根据舰船的AIS数据报文中的静态信息,利用以下公式确定:
其中,Length表示舰船长度,Width表示舰船宽度,A、B、C和D分别表示舰船上用于报告舰船位置的参考点到船艏、船艉、左舷和右舷的距离。
在一些可能的实现方式中,所述舰船周长、所述舰船面积、所述舰船长宽比和所述舰船形状复杂度根据所述舰船长度和所述舰船宽度,利用以下公式确定:
其中,f3表示舰船周长,f4表示舰船面积,f5表示舰船长宽比,f6表示舰船形状复杂度。
在一些可能的实现方式中,多个所述基分类器模型包括但不限于:随机森林模型、人工神经网络模型和XGBoost模型。
在一些可能的实现方式中,所述集成分类器模型包括但不限于:随机森林模型、人工神经网络模型和XGBoost模型中的一种。
在一些可能的实现方式中,所述利用一个子数据集分别训练多个所述基分类器模型,包括:
将子数据集中的训练数据中的舰船外形特征作为输入,将训练数据中的舰船类型作为输出,分别训练多个所述基分类器模型。
在一些可能的实现方式中,所述利用所述新数据集训练所述集成分类器模型,包括:
将所述新数据集中的新训练数据中的预测分类结果作为输入,将新训练数据中的舰船类型作为输出,训练所述集成分类器模型。
在一些可能的实现方式中,所述对遥感图像进行特征提取,获取遥感图像舰船目标的外形特征,包括:
提取遥感图像中舰船目标的最小边界矩形;
根据遥感图像属性信息计算最小边界矩形的长度和宽度;
根据最小边界矩形的长度和宽度,计算获取遥感图像舰船目标的外形特征。
本发明技术方案的主要优点如下:
本发明的基于集成学习与AIS数据的遥感图像舰船目标识别方法通过利用AIS数据制作用于舰船目标分类识别的训练数据集,而后构建并训练集成学习模型,利用集成学习模型进行遥感图像舰船目标的分类识别,能够避免需要利用遥感图像制作训练数据而导致的训练数据制作成本过高,以及避免因遥感图像较少而导致的训练数据数量少的问题,能够降低训练数据制作成本,并且能够提升遥感图像舰船目标分类识别的效率和精度。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明一实施例的基于集成学习与AIS数据的遥感图像舰船目标识别方法的流程图;
图2为本发明一实施例的一种集成学习模型的结构示意图。
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,下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本发明的一部分实施例,而不是全部的实施例。基于本发明的实施例,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。
以下结合附图,详细说明本发明实施例提供的技术方案。
参见图1,本发明一实施例提供了一种基于集成学习与AIS数据的遥感图像舰船目标识别方法,该方法包括以下步骤:
步骤S1,获取多个舰船的AIS数据,并对AIS数据进行预处理;
步骤S2,对预处理后的AIS数据进行特征提取,获取舰船外形特征和舰船类型,生成包括多个训练数据的训练数据集,其中,训练数据包括舰船外形特征及其对应的舰船类型;
步骤S3,构建集成学习模型,其中,集成学习模型包括预设的多个基分类器模型和集成分类器模型,多个基分类器模型的输出与集成分类器模型的输入连接;
步骤S4,将训练数据集以预设划分方式划分为至少两个子数据集,利用一个子数据集分别训练多个基分类器模型;
步骤S5,将其余一个子数据集中的舰船外形特征输入训练后的多个基分类器模型,获取多个基分类器模型的预测分类结果,将预测分类结果与其余一个子数据集中的舰船类型结合,得到包括多个新训练数据的新数据集,利用新数据集训练集成分类器模型,其中,新训练数据包括多个基分类器模型的预测分类结果及其对应的舰船类型;
步骤S6,对遥感图像进行特征提取,获取遥感图像舰船目标的外形特征;
步骤S7,将遥感图像舰船目标的外形特征输入训练后的集成学习模型,获取遥感图像舰船目标的分类识别结果。
本发明一实施例提供的基于集成学习与AIS数据的遥感图像舰船目标识别方法通过利用AIS数据制作用于舰船目标分类识别的训练数据集,而后构建并训练集成学习模型,利用集成学习模型进行遥感图像舰船目标的分类识别,能够避免需要利用遥感图像制作训练数据而导致的训练数据制作成本过高,以及避免因遥感图像较少而导致的训练数据数量少的问题,能够降低训练数据制作成本,并且能够提升遥感图像舰船目标分类识别的效率和精度。
以下对本发明一实施例提供的基于集成学习与AIS数据的遥感图像舰船目标识别方法的步骤及原理进行具体说明。
步骤S1,获取多个舰船的AIS数据,并对AIS数据进行预处理。
船舶自动识别***(Automatic Identification System,AIS)是国际海事组织(International Maritime Organization,IMO)规定强制安装在船舶上的辅助航行设备,其采用GPS技术、甚高频(VHF)技术和自组织时分多址技术(Self-Organizing TimeDivision Multiple Access,SOTDMA),具有全天时全天候工作的优点,并广泛分布于全球。AIS***采用开放式广播技术,周期性地播发丰富的船舶信息,包括静态信息、动态信息、航次信息和安全信息等,静态信息包括船名、船舶尺寸、船舶类型等,动态信息包括船舶位置、速度、航向等,航次信息包括吃水、目的地等,利用岸基或者卫星平台能够在全球范围实时接收AIS信号。
进一步地,本发明一实施例中,对AIS数据进行预处理,包括:
对AIS数据进行数据清洗和数据去噪处理,以去除AIS数据中的错误数据;
其中,错误数据包括报文不符合AIS标准的数据和AIS数据中文字段内容相同的重复数据。
由于人为因素、设备故障或信号传输错误等原因都会造成AIS数据错误或缺失,本发明一实施例中,通过对舰船的AIS数据进行数据清洗和数据去噪处理,以去除AIS数据中的错误数据,能够保证后续训练得到的集成学习模型的预测精度,从而提高遥感图像舰船目标分类识别的精度。
步骤S2,对预处理后的AIS数据进行特征提取,获取舰船外形特征和舰船类型,生成包括多个训练数据的训练数据集。
本发明一实施例中,舰船外形特征可以包括但不限于:舰船长度、舰船宽度、舰船周长、舰船面积、舰船长宽比和舰船形状复杂度。
通常情况下,AIS数据包含有4大类信息,分别为静态信息、动态信息、航次信息和安全信息,其中,静态信息包含有船舶尺寸、船舶和货物类型等信息。本发明一实施例中,为了实现并保证遥感图像中舰船目标分类识别的精度,至少从AIS数据中提取舰船长度、舰船宽度和舰船类型信息。
由于AIS数据中的舰船长度和宽度信息并不是直接给出,而是通过记录用于报告舰船位置的参考点到船艏、船艉、左舷和右舷的距离信息的方式给出。为此,本发明一实施例中,舰船长度和舰船宽度可以根据舰船的AIS数据报文中的静态信息,利用以下公式确定:
其中,Length表示舰船长度,Width表示舰船宽度,A、B、C和D分别表示舰船上用于报告舰船位置的参考点到船艏、船艉、左舷和右舷的距离。
进一步地,在确定舰船长度和舰船宽度的基础上,舰船周长、舰船面积、舰船长宽比和舰船形状复杂度可以根据舰船长度和舰船宽度,利用以下公式确定:
其中,f3表示舰船周长,f4表示舰船面积,f5表示舰船长宽比,f6表示舰船形状复杂度。
进一步地,由于AIS数据的静态信息中的“船舶和货物类型”(Type)属性字段已记载有舰船类型,可以从AIS数据中直接提取出相应的舰船类型,从而得到包括舰船外形特征及其对应的舰船类型的训练数据。
其中,舰船类型包括现有已知的各类舰船,例如包括货轮、油轮、客轮、渔船和拖轮等。
本发明一实施例中,一个AIS数据可以得到一个包括舰船外形特征及其对应的舰船类型的训练数据,多个AIS数据可以得到多个训练数据,进而得到包括多个训练数据的训练数据集。
具体地,当舰船外形特征包括:舰船长度、舰船宽度、舰船周长、舰船面积、舰船长宽比和舰船形状复杂度时,训练数据集可以表示为:Dataset={S1,S2,...,Sn-1,Sn},训练数据集中的第i个训练数据Si可以表示为:其中,f1 i表示第i个训练数据中的舰船长度,/>表示第i个训练数据中的舰船宽度,/>表示第i个训练数据中的舰船周长,/>表示第i个训练数据中的舰船面积,/>表示第i个训练数据中的舰船长宽比,表示第i个训练数据中的舰船形状复杂度,Typei表示第i个训练数据中的舰船类型。
步骤S3,构建集成学习模型。
参见图2,本发明一实施例中,集成学习模型包括预设的多个基分类器模型和集成分类器模型,多个基分类器模型的输出与集成分类器模型的输入连接。
本发明一实施例中,多个基分类器模型包括但不限于:随机森林模型、人工神经网络模型和XGBoost模型;集成分类器模型包括但不限于:随机森林模型、人工神经网络模型和XGBoost模型中的一种。
步骤S4,将训练数据集以预设划分方式划分为至少两个子数据集,利用一个子数据集分别训练多个基分类器模型。
本发明一实施例中,预设划分方式根据实际需求具体设定,例如可以为随机划分方式或者按照训练数据的前后顺序等量划分的方式等。基于不同的划分方式,不同子数据集中包含的训练数据的数量可以相同,也可以不同。
本发明一实施例中,为了确保训练数据集中的每个训练数据均能够被用于模型训练,提高模型的训练效果和模型的预测精度,将训练数据集随机划分为两个子数据集。
进一步地,本发明一实施例中,利用一个子数据集分别训练多个基分类器模型,包括以下步骤:
将子数据集中的训练数据中的舰船外形特征作为输入,将训练数据中的舰船类型作为输出,分别训练多个基分类器模型。
步骤S5,将其余一个子数据集中的舰船外形特征输入训练后的多个基分类器模型,获取多个基分类器模型的预测分类结果,将预测分类结果与其余一个子数据集中的舰船类型结合,得到包括多个新训练数据的新数据集,利用新数据集训练集成分类器模型。
具体地,当划分出的子数据集为两个时,可以将另一个子数据集中的舰船外形特征输入训练后的多个基分类器模型,获取多个基分类器模型的预测分类结果;当划分出的子数据集的数量超过两个时,可以从除步骤S4中已使用的子数据集外的其他子数据集中随机选取一个,将选取的一个子数据集中的舰船外形特征输入训练后的多个基分类器模型,获取多个基分类器模型的预测分类结果;而后将一个子数据集中的舰船外形特征对应的多个预测分类结果和舰船外形特征对应的舰船类型作为一个新训练数据。由于子数据集中的每个训练数据能够得到一个包括多个基分类器模型的预测分类结果及其对应的舰船类型的新训练数据,因此基于一个包括多个训练数据的子数据集,能够得到包括多个新训练数据的新数据集,新训练数据的数量与子数据集中的训练数据的数量相同。
以基分类器模型包括三个为例,新数据集可以表示为:新数据集中的第j个新训练数据/>可以表示为:/>其中,/>表示第1个基分类器模型的预测分类结果,/>表示第2个基分类器模型的预测分类结果,/>表示第3个基分类器模型的预测分类结果,Typej表示第j个新训练数据中的舰船类型。
本发明一实施例中,基分类器模型的预测分类结果可以采用概率值的方式表示。
进一步地,本发明一实施例中,利用新数据集训练集成分类器模型,包括以下步骤:
将新数据集中的新训练数据中的预测分类结果作为输入,将新训练数据中的舰船类型作为输出,训练集成分类器模型。
本发明一实施例中,通过利用一个子数据集对多个基分类器模型进行训练,能够使基分类器模型建立舰船外形特征与舰船类型的映射关系,而后利用训练后的多个基分类器模型和另外一个子数据集训练集成分类器模型,能够使得到的集成学习模型充分融合各类分类器在特征获取性能上的差异性和互补性,使集成学习模型具有更好的特征提取性能,显著提高集成学习模型的分类预测精度。
步骤S6,对遥感图像进行特征提取,获取遥感图像舰船目标的外形特征。
本发明一实施例中,对遥感图像进行特征提取,获取遥感图像舰船目标的外形特征,包括以下步骤:
提取遥感图像中舰船目标的最小边界矩形;
根据遥感图像属性信息计算最小边界矩形的长度和宽度;
根据最小边界矩形的长度和宽度,计算获取遥感图像舰船目标的外形特征。
具体地,以上述的舰船目标的外形特征包括舰船长度、舰船宽度、舰船周长、舰船面积、舰船长宽比和舰船形状复杂度6个特征为例,在获取遥感图像舰船目标的外形特征时,可以将最小边界矩形的长度和宽度作为舰船目标的长度和宽度,而后根据舰船目标的长度和宽度,利用上述的舰船周长、舰船面积、舰船长宽比和舰船形状复杂度的计算公式计算相应的舰船周长、舰船面积、舰船长宽比和舰船形状复杂度。
步骤S7,将遥感图像舰船目标的外形特征输入训练后的集成学习模型,获取遥感图像舰船目标的分类识别结果。
具体地,将遥感图像舰船目标的外形特征作为多个基分类器模型的输入,多个基分类器模型的输出输入集成分类器模型,得到集成分类器模型的输出即为遥感图像舰船目标的分类识别结果。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是:以上实施例仅用于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 (4)
1.一种基于集成学习与AIS数据的遥感图像舰船目标识别方法,其特征在于,包括:
获取多个舰船的AIS数据,并对所述AIS数据进行预处理;
对预处理后的所述AIS数据进行特征提取,获取舰船外形特征和舰船类型,生成包括多个训练数据的训练数据集,其中,所述训练数据包括舰船外形特征及其对应的舰船类型;
构建集成学习模型,其中,所述集成学习模型包括预设的多个基分类器模型和集成分类器模型,多个所述基分类器模型的输出与所述集成分类器模型的输入连接;
将所述训练数据集以预设划分方式划分为至少两个子数据集,利用一个子数据集分别训练多个所述基分类器模型;
将其余一个子数据集中的舰船外形特征输入训练后的多个所述基分类器模型,获取多个所述基分类器模型的预测分类结果,将所述预测分类结果与所述其余一个子数据集中的舰船类型结合,得到包括多个新训练数据的新数据集,利用所述新数据集训练所述集成分类器模型,其中,所述新训练数据包括多个所述基分类器模型的预测分类结果及其对应的舰船类型;
对遥感图像进行特征提取,获取遥感图像舰船目标的外形特征;
将所述遥感图像舰船目标的外形特征输入训练后的所述集成学习模型,获取所述遥感图像舰船目标的分类识别结果;
所述对所述AIS数据进行预处理,包括:
对所述AIS数据进行数据清洗和数据去噪处理,以去除所述AIS数据中的错误数据;
其中,所述错误数据包括报文不符合AIS标准的数据和AIS数据中文字段内容相同的重复数据;
所述舰船外形特征包括:舰船长度、舰船宽度、舰船周长、舰船面积、舰船长宽比和舰船形状复杂度;
所述舰船长度和所述舰船宽度根据舰船的AIS数据报文中的静态信息,利用以下公式确定:
其中,Length表示舰船长度,Width表示舰船宽度,A、B、C和D分别表示舰船上用于报告舰船位置的参考点到船艏、船艉、左舷和右舷的距离;
所述舰船周长、所述舰船面积、所述舰船长宽比和所述舰船形状复杂度根据所述舰船长度和所述舰船宽度,利用以下公式确定:
其中,f3表示舰船周长,f4表示舰船面积,f5表示舰船长宽比,f6表示舰船形状复杂度;
多个所述基分类器模型包括:随机森林模型、人工神经网络模型和XGBoost模型;
所述集成分类器模型包括:随机森林模型、人工神经网络模型和XGBoost模型中的一种。
2.根据权利要求1所述的基于集成学习与AIS数据的遥感图像舰船目标识别方法,其特征在于,所述利用一个子数据集分别训练多个所述基分类器模型,包括:
将子数据集中的训练数据中的舰船外形特征作为输入,将训练数据中的舰船类型作为输出,分别训练多个所述基分类器模型。
3.根据权利要求1所述的基于集成学习与AIS数据的遥感图像舰船目标识别方法,其特征在于,所述利用所述新数据集训练所述集成分类器模型,包括:
将所述新数据集中的新训练数据中的预测分类结果作为输入,将新训练数据中的舰船类型作为输出,训练所述集成分类器模型。
4.根据权利要求1-3中任一项所述的基于集成学习与AIS数据的遥感图像舰船目标识别方法,其特征在于,所述对遥感图像进行特征提取,获取遥感图像舰船目标的外形特征,包括:
提取遥感图像中舰船目标的最小边界矩形;
根据遥感图像属性信息计算最小边界矩形的长度和宽度;
根据最小边界矩形的长度和宽度,计算获取遥感图像舰船目标的外形特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210598791.7A CN114972918B (zh) | 2022-05-30 | 2022-05-30 | 基于集成学习与ais数据的遥感图像舰船目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210598791.7A CN114972918B (zh) | 2022-05-30 | 2022-05-30 | 基于集成学习与ais数据的遥感图像舰船目标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114972918A CN114972918A (zh) | 2022-08-30 |
CN114972918B true CN114972918B (zh) | 2024-04-19 |
Family
ID=82958079
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210598791.7A Active CN114972918B (zh) | 2022-05-30 | 2022-05-30 | 基于集成学习与ais数据的遥感图像舰船目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114972918B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116226435B (zh) * | 2023-05-09 | 2023-07-04 | 武汉理工大学三亚科教创新园 | 基于跨模态检索的遥感图像与ais信息的关联匹配方法 |
CN116894973B (zh) * | 2023-07-06 | 2024-05-03 | 北京长木谷医疗科技股份有限公司 | 一种基于集成学习的髋关节病变智能自标注方法及装置 |
CN118196651A (zh) * | 2024-05-14 | 2024-06-14 | 广东省科学院广州地理研究所 | 基于遥感图像的冰雪识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107609601A (zh) * | 2017-09-28 | 2018-01-19 | 北京计算机技术及应用研究所 | 一种基于多层卷积神经网络的舰船目标识别方法 |
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 |
CN110889380A (zh) * | 2019-11-29 | 2020-03-17 | 北京卫星信息工程研究所 | 一种舰船识别方法、装置及计算机存储介质 |
CN112102394A (zh) * | 2020-09-17 | 2020-12-18 | 中国科学院海洋研究所 | 基于深度学习的遥感图像舰船尺寸一体化提取方法 |
CN114239688A (zh) * | 2021-11-23 | 2022-03-25 | 中南大学 | 船只目标识别方法、计算机装置及程序产品、存储介质 |
CN114283322A (zh) * | 2021-12-26 | 2022-04-05 | 中国电子科技集团公司第十四研究所 | 一种sar图像舰船检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109460740B (zh) * | 2018-11-15 | 2020-08-11 | 上海埃威航空电子有限公司 | 基于ais与视频数据融合的船舶身份识别方法 |
-
2022
- 2022-05-30 CN CN202210598791.7A patent/CN114972918B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107609601A (zh) * | 2017-09-28 | 2018-01-19 | 北京计算机技术及应用研究所 | 一种基于多层卷积神经网络的舰船目标识别方法 |
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 |
CN110889380A (zh) * | 2019-11-29 | 2020-03-17 | 北京卫星信息工程研究所 | 一种舰船识别方法、装置及计算机存储介质 |
CN112102394A (zh) * | 2020-09-17 | 2020-12-18 | 中国科学院海洋研究所 | 基于深度学习的遥感图像舰船尺寸一体化提取方法 |
CN114239688A (zh) * | 2021-11-23 | 2022-03-25 | 中南大学 | 船只目标识别方法、计算机装置及程序产品、存储介质 |
CN114283322A (zh) * | 2021-12-26 | 2022-04-05 | 中国电子科技集团公司第十四研究所 | 一种sar图像舰船检测方法 |
Non-Patent Citations (1)
Title |
---|
基于YOLOv3网络的高分光学遥感影像海上舰船分类检测;王浩君;周斌;潘玉良;;科技通报;20200331(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114972918A (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114972918B (zh) | 基于集成学习与ais数据的遥感图像舰船目标识别方法 | |
CN109190636B (zh) | 一种遥感图像舰船目标信息提取方法 | |
CN110310264B (zh) | 一种基于dcnn的大尺度目标检测方法、装置 | |
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 | |
CN109740460B (zh) | 基于深度残差密集网络的光学遥感图像舰船检测方法 | |
CN109598241B (zh) | 基于Faster R-CNN的卫星图像海上舰船识别方法 | |
CN110378308B (zh) | 改进的基于Faster R-CNN的港口SAR图像近岸舰船检测方法 | |
CN113450596A (zh) | 基于船舶轨迹特征点提取的时空dp方法 | |
CN110598693A (zh) | 一种基于Faster-RCNN的船牌识别方法 | |
CN110414509B (zh) | 基于海陆分割和特征金字塔网络的港口停靠舰船检测方法 | |
CN114898213B (zh) | 基于ais知识辅助的遥感图像旋转舰船目标检测方法 | |
CN112052817A (zh) | 基于迁移学习的改进YOLOv3模型侧扫声纳沉船目标自动识别方法 | |
CN111091095A (zh) | 一种遥感图像中船只目标的检测方法 | |
CN114067118B (zh) | 一种航空摄影测量数据的处理方法 | |
CN113486819A (zh) | 一种基于YOLOv4算法的船舶目标检测方法 | |
CN111723632A (zh) | 一种基于孪生网络的船舶跟踪方法及*** | |
CN112418028A (zh) | 一种基于深度学习的卫星图像中船舶识别与分割方法 | |
CN115830466A (zh) | 一种基于深度孪生神经网络的冰川变化遥感检测方法 | |
CN116109942A (zh) | 一种可见光遥感图像舰船目标检测方法 | |
CN113052215A (zh) | 基于神经网络可视化的声呐图像自动目标识别方法 | |
Yulin et al. | Wreckage target recognition in side-scan sonar images based on an improved faster r-cnn model | |
CN111553183A (zh) | 一种船只检测模型训练方法、船只检测方法及装置 | |
CN114549909A (zh) | 一种基于自适应阈值的伪标签遥感图像场景分类方法 | |
CN114882204A (zh) | 船名自动识别方法 | |
CN103810487A (zh) | 一种海洋航拍图像的目标检测与识别方法及*** |
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 |