基于AIS与遥感数据融合的船舶目标自适应关联方法及系统与流程
本发明属于海上目标监管与多源异构数据融合,具体涉及一种基于ais(船舶自动识别系统)与遥感影像数据融合的船舶目标自适应关联方法及系统。
背景技术:
1、随着海洋经济快速发展和海上活动日益频繁,全球重点海域船舶密度持续增大,非法捕捞、违规航行、走私等海上安全风险日益突出。对海上船舶进行高效、精准、连续的监管,已成为维护海洋权益和海上安全的迫切需求。
2、当前海上船舶监管主要依赖两类数据源:船舶自动识别系统(ais)和遥感对地观测技术。二者在技术体制上相互独立,虽各具优势,但均存在难以克服的固有局限。
3、(一)ais数据的局限性
4、ais是一种基于vhf广播的船载协同式监视系统,已根据国际海事组织(imo)强制要求广泛应用于商用船舶。船舶通过ais自动播发本船的静态信息(如mmsi、船名、尺寸等)和动态信息(如位置、航速、航向等),可实现近乎实时的身份识别与交通调度。
5、然而,ais数据的完整性与可信度完全依赖于船载设备的正常运行及船方的诚实上报。对于故意关闭ais设备以逃避监管、或篡改/伪造ais信息的船舶,ais系统完全失效。此外,大量未强制安装ais的小型渔船、作业船等,天然处于ais监测盲区。因此,单一ais数据无法验证目标的真实存在性,也难以发现“暗船”。
6、(二)遥感数据的局限性
7、合成孔径雷达(sar)卫星具备全天时、全天候成像能力,可有效探测海面金属目标的后向散射信号;高分辨率光学遥感卫星则可提供船舶类型、轮廓等视觉信息。遥感技术的优势在于非协同、广域覆盖,能够客观感知海面目标的存在及其空间位置。
8、但遥感影像无法直接获取船舶身份信息(如mmsi)。图像解译通常仅能判定“此处有船”,而无法回答“这是谁的船”。此外,遥感监测受卫星重访周期限制,难以对同一区域实施连续观测,数据获取存在明显的时间窗口间断。因此,单一遥感数据无法确认目标身份,也无法支撑对特定船舶的持续行为追踪。
9、(三)现有融合关联技术的缺陷
10、为克服单一数据源的局限,业界已开展ais与遥感数据融合的初步探索,现有技术方案主要存在以下三类缺陷:
11、第一,时空基准未对齐导致的匹配基线误差。
12、现有方案通常直接采用与遥感成像时刻最接近的ais报文点位进行匹配,未考虑遥感影像成像时刻与ais报文时刻之间的时间异步性。船舶在航行过程中位置持续变化,时间差带来的位置偏差直接传递到匹配环节,导致关联基准精度不足。即便在空间上看似“邻近”的目标对,也可能因时间未对准而产生系统性误匹配。
13、第二,关联策略僵化导致的场景适配性不足。
14、部分现有方案采用固定的时空关联阈值(如“同一时间点、空间距离3公里以内视为同一目标”)或固定权重进行特征融合。此类方法的缺陷在于:其一,权重与阈值无法根据当前数据质量、海域环境、遥感分辨率进行动态调整,在密集航道、近岸区域等复杂场景下,虚警率和漏关联率显著升高;其二,仅依赖单一空间距离或简单时间阈值,未充分利用船舶运动特性、形态特征及历史关联信息,关联算法的判别维度不足。
15、第三,缺乏闭环跟踪机制导致的连续监测稳定性差。
16、现有方案多停留在单次静态匹配层面,未将当前帧的匹配结果反馈至后续帧的关联计算中。在多帧连续监测场景下,由于缺乏运动状态的平滑估计与历史关联置信度的累积更新,易出现目标身份跳变、匹配结果震荡等问题,无法支撑对海上船舶的长期持续监管。
17、第四,全流程自动化程度不足。
18、现有融合方案大量依赖人工目视判读与手动比对,从数据接入、目标检测到身份关联、预警输出的处理链路离散,响应速度慢,难以满足广域海域准实时监管的业务需求。
19、综上所述,现有技术中ais与遥感两种核心监测手段在能力上呈现互补却割裂的典型特征。虽有初步融合尝试,但多停留在数据层简单叠加或基于固定阈值的浅层关联,缺乏能够深度耦合多源异构数据、实现时空精准对齐、自适应动态匹配与闭环持续跟踪的完整技术体系。这导致海上船舶监管仍面临身份可信度低、监管连续性差、隐匿目标发现能力弱、自动化水平不足等核心瓶颈。
技术实现思路
1、鉴于上述的分析,本发明旨在提供一种基于ais与遥感数据融合的船舶目标自适应关联方法及系统,通过时空基准精准对齐、多维度自适应权重关联与跨时刻闭环反馈,实现复杂海域环境下船舶身份精准绑定与未上报ais异常目标的全流程自动化识别及持续监管。
2、本发明一方面公开了一种基于ais与遥感数据融合的船舶目标自适应关联方法,包括:
3、s1、获取遥感影像的成像中心时刻,以所述成像中心时刻为基准,对预设时间窗口内的ais报文进行轨迹插值,生成ais插值状态;
4、s2、 将遥感检测目标与所述ais插值状态对应的候选ais目标组成候选目标对,构建反映空间距离、运动一致性、目标形态及历史关联的多维度匹配特征向量;
5、s3、建立随批次特征分布及场景类型动态变化的自适应权重,对所述候选目标对的多维度匹配特征向量加权融合得到综合匹配度;基于综合匹配度,在满足一对一约束条件下确定最优对应关系并筛选,将符合关联条件的确定为成功关联,未能成功关联的遥感检测目标确定为异常目标;
6、s4、对成功关联的目标对进行运动状态跟踪,更新运动状态和历史关联特征;将历史关联特征作为下一时刻多维度匹配特征向量的输入特征,形成跨时刻闭环。
7、进一步地,所述s3包括:
8、s3-1、建立随批次特征分布及场景类型动态变化的自适应权重;
9、s3-2、对所述候选目标对的多维度匹配特征向量加权融合,得到各候选目标对的综合匹配度;
10、s3-3、基于各候选目标对的综合匹配度,在满足一对一约束条件下确定最优对应关系;
11、s3-4、对所述最优对应关系进行筛选,将符合关联条件的确定为成功关联,未能成功关联的遥感检测目标确定为异常目标。
12、进一步地,所述s3-1包括:
13、1)提取当前批次各候选目标对的多维度匹配特征值,得到空间距离特征值集合、运动一致性特征值集合、目标形态特征值集合及历史关联特征值集合;
14、2)基于所述特征值集合,采用熵权法计算各维度的基础权重;
15、3)根据场景类型对所述基础权重进行动态修正,得到所述自适应权重。
16、进一步地,所述根据场景类型对所述基础权重进行动态修正,包括:
17、在开阔洋面场景下,增大空间距离特征的基础权重,降低运动一致性特征和目标形态特征的基础权重;
18、在密集航道或近岸场景下,降低空间距离特征的基础权重,增大运动一致性特征和目标形态特征的基础权重;
19、在低分辨率遥感数据场景下,降低空间距离特征和目标形态特征的基础权重,增大运动一致性特征的基础权重。
20、进一步地,所述s3-3包括:
21、1)构建遥感检测目标与ais目标之间的二分图匹配模型,
22、将所有遥感检测目标作为左侧节点,时空窗口内的所有 ais 目标作为右侧节点;节点之间的边权为对应候选目标对的综合匹配度;
23、2)采用匈牙利算法求解该二分图的最大权匹配,求解过程严格满足一对一约束:每个遥感检测目标最多匹配一个ais目标,每个ais目标最多匹配一个遥感检测目标。经算法求解,得到全局最优的目标配对结果。
24、进一步地,所述s1包括:
25、1)提取遥感影像的成像中心时刻,以所述成像中心时刻为中心截取前后预设时长内的ais报文数据;
26、2)对所述ais报文数据进行异常剔除,采用3σ准则剔除位置、航速统计异常点,并基于船舶最大航速及最大转向角速度的物理约束,剔除不符合运动规律的跳点;
27、3)针对每条船舶的有效ais点位,采用三次样条插值算法拟合船舶运动曲线,插值得到所述成像中心时刻对应的ais目标位置、航速及航向数据;
28、4)对插值结果进行合理性校验,若插值位置超出该船舶常规航行范围,则标记为低置信度点位,降低后续匹配权重。
29、进一步地,所述多维度匹配特征向量,包括:
30、1)空间距离匹配度;
31、采用 haversine 公式计算遥感目标与ais 插值位置的球面距离,通过负指数函数映射为匹配度:
32、;
33、其中,为距离的标准差,根据遥感影像分辨率动态赋值;
34、2)运动一致性匹配度;
35、包含航速一致性与航向一致性两个子特征,加权融合得到最终运动匹配度:
36、;
37、其中,为航速匹配度,基于遥感目标反演航速与 ais 航速的相对差值计算;为航向匹配度,基于两者航向夹角的余弦值计算,、分别为航速匹配度、航向匹配度权重;
38、3)目标形态匹配度;
39、将遥感检测提取的船舶长宽、朝向特征,与 ais 上报的船舶静态尺寸信息做比对,计算尺寸相对误差与朝向偏差,映射为形态匹配度;尺寸相对误差超过预设比例的目标对,形态匹配度置为零;
40、4)历史关联置信度;
41、对有历史匹配记录的目标对,引入近n次匹配的平均成功率作为时序特征;无历史记录的目标对,该特征取默认值。
42、进一步地,所述s4包括:
43、1)以位置、航速、航向为状态向量,建立船舶运动卡尔曼滤波模型;将每次匹配成功的遥感检测信息及ais插值状态作为观测值,更新滤波状态,输出船舶运动轨迹;
44、2)同步更新目标对的历史关联特征,连续匹配成功则置信度递增,连续匹配失败则置信度递减;置信度低于设定阈值的目标对解除绑定,重新进入候选匹配池;
45、3)将更新后的历史关联置信度作为下一帧候选目标对多维度匹配特征向量的历史关联特征输入。
46、进一步地,所述遥感检测目标通过对遥感影像进行场景化船舶检测获得;针对海上船舶检测场景,所述场景化船舶检测针对sar与光学两类主流遥感影像进行检测网络的定向优化,包括:
47、1)sar影像相干斑抑制前置处理:在检测骨干网络前接入轻量化的相干斑抑制模块,采用改进bm3d算法,在保留边缘细节的同时抑制噪声,提升低质量sar影像的检测精度;
48、2)小目标检测优化:在特征金字塔网络中增加浅层特征上采样分支,强化小目标特征表达;针对海上小型渔船做锚框聚类优化,提升小目标召回率;
49、3)密集目标检测优化:采用diou-nms结合船舶朝向信息做非极大值抑制,减少密集停泊、并行航行场景下的漏检与误检。
50、本发明的另一方面还公开了一种基于ais与遥感数据融合的船舶目标自适应关联系统,包括:
51、时空基准统一模块,被配置为获取遥感影像的成像中心时刻,并以所述成像中心时刻为基准对预设时间窗口内的ais报文进行轨迹插值,生成ais插值状态;
52、多维度特征构建模块,被配置为将遥感检测目标与所述ais插值状态对应的候选ais目标组成候选目标对,并构建反映空间距离、运动一致性、目标形态及历史关联的多维度匹配特征向量;
53、自适应加权关联模块,被配置为建立随批次特征分布及场景类型动态变化的自适应权重,对所述候选目标对的多维度匹配特征向量加权融合得到综合匹配度;基于综合匹配度,在满足一对一约束条件下确定最优对应关系并筛选,将符合关联条件的确定为成功关联,未能成功关联的遥感检测目标确定为异常目标;
54、闭环跟踪反馈模块,被配置为对成功关联的目标对进行运动状态跟踪,更新运动状态和历史关联特征;以及将历史关联特征作为下一时刻多维度匹配特征向量的输入特征,形成跨时刻闭环。
55、相较于传统方法,本发明具有以下技术优势:
56、1.监管覆盖范围与可信度双重提升;
57、通过多维度自适应关联算法,实现了遥感目标与 ais 身份的精准绑定,同时自动识别未上报ais的异常目标(暗船),实测暗船识别召回率可达 92% 以上,从根本上消除了单一数据源的监管盲区;融合后的船舶数据同时具备存在性验证与身份信息,信息可信度与完整度大幅提升。
58、2.复杂场景下的关联精度显著提升;
59、摒弃固定阈值的僵化策略,通过成像时刻定向插值校正匹配基准,结合熵权法+场景因子的自适应权重动态调整,适配不同海域、不同数据质量的应用场景,目标匹配准确率较传统方法提升13%以上,虚警率降低50%以上,尤其适用于密集航道、近岸等复杂监管场景。
60、3.连续跟踪稳定性增强;
61、建立“单次匹配—状态滤波—置信度更新”的闭环跟踪机制,通过卡尔曼滤波平滑船舶运动轨迹,利用历史关联结果优化后续匹配精度,连续监测场景下目标身份跳变率降低70%以上,支撑长期持续监管。
62、4.全流程自动化与实时性大幅增强;
63、构建了从数据接入、目标检测、融合关联到预警输出的全自动化处理链路,基于流计算引擎与增量计算优化,单帧广域影像处理时延低于500ms,支持7×24小时不间断运行,彻底替代人工比对模式,监管效率实现量级提升。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com