基于航迹特征和深度神经网络MobileNet迁移训练的船舶分类识别方法及系统

基于航迹特征和深度神经网络mobilenet迁移训练的船舶分类识别方法及系统
技术领域
1.本发明属于目标识别技术领域，尤其涉及一种基于航迹特征和深度神经网络mobilenet迁移训练的船舶分类识别方法及系统。


背景技术：

2.在大数据时代，我们可以通过大量的航迹数据，深入研究海上交通规律和船舶行为模式，为海上监管、异常行为识别和港口设施建设提供有力信息保障。然而，对船舶目标的准确识别是进行实时监控乃至更进一步研究的前提。特别是在航路交织、海况复杂的特殊海域，通过及时识别未知船舶目标类型，才能采取有针对性的干预办法，确保海上交通安全。另外，现代海战使用的精确制导武器、水面无人船舶和海上察打一体化装备对船舶目标分类需求尤为明显，目标识别技术更是成为影响战斗力生成的关键因素。因此，对船舶目标的准确识别对于目标的意图识别、威胁预警和跟踪监视具有重要意义。
3.准确的目标识别是对航迹数据进行进一步挖掘的前提，然而当前对航迹数据的研究主要集中于海洋交通或运动模式的挖掘、船舶碰撞风险评估和海洋异常识别上，对船舶目标类型识别的研究相对较少。目前针对船舶目标的识别方式大致有以下几类，包括基于辐射噪声信号的识别、基于雷达回波信号的识别、基于卫星遥感或合成孔径雷达的识别、基于红外或可见光图像的识别和广泛应用深度学习技术的多信息融合识别技术[文献[1]：马啸,邵利民,金鑫,等.船舶目标识别技术研究进展[j].科技导报,2019,37(24):65-78.]。从航迹数据挖掘的角度出发，文献[2][zhuy,zhengy,zhangl,etal.inferringtaxistatususinggpstrajectories[j].computerscience,2012.]将轨迹特征和地理语义信息相结合，分析目标运动模式进而对车辆类型和目的地进行预测，但预测准确率较低，三分类准确率仅达72.1％。基于区域轨迹聚类的目标分类方法主要关注基于区域的聚类来发现大多数的航迹是否都在一个区域内，准确率可达84.4％，识别速度为9艘/秒[文献[3]：leej,hanj,lix,etal.traclass:trajectoryclassificationusinghierarchicalregion-basedandtrajectory-basedclustering[j].proceedingsofthevldbendowment,2008,1(1):1081-1094.]。但以上两种方法仅适用于有固定规律的交通模式，没有深入挖掘航迹特征，无法通过船舶的无规律航迹特征识别目标类型。采用支持向量机的方法首先利用分段线性分割的方法确定动态和静态条件，然后将分割后的船舶运动轨迹相似度定义为核，从而进行船舶运动模式的分类[文献[4]：devriesgkd,vansomerenm.machinelearningforvesseltrajectoriesusingcompression,alignmentsanddomainknowledge[j].expertsystemswithapplications,2012,39(18):13426-13439.]。但该方法只适用于小范围的海域，在使用大量样本数据训练的前提下，识别准确率只有76.3％，每秒仅能识别2个船舶目标，在航迹数据较少的区域，模型性能提升空间有限，识别效率不高。文献[5][m.elwakdymeam.anovelspatialalgorithmforsimilarandnon-similartrajectoriesclassificationofdifferentobjects[c]//
the 2015 international conference on frontiers in education:computer science and computerengineering(fecs'15)2015:234-238.]将船舶航迹数据通过分割和多项式拟合手段，提取航迹特征，利用船舶运动形状来建立分类器。虽然该方法在二分类实验中准确率高达99.5％，但其分类预测依赖人工操作，识别效率低，识别时延不具可比性。使用循环神经网络训练得到的分类器的识别准确率达88.4％，但循环神经网络无法用gpu进行并行运算，识别速度受限，每秒钟只能识别25个船舶目标文献[6][nguyen d,vadaine r,hajduch g,et al.a multi-task deep learningarchitecture for maritime surveillance using ais data streams[c]//2018ieee 5thinternational conference on data science and advanced analytics(dsaa):ieee, 2018:331-340.]。虽然文献[7][chen x,liu y,achuthan k,et al.a shipmovement classification based on automatic identification system(ais)data usingconvolutional neural network[j].ocean engineering,2020,218:168-182.]给出的是一种研究目标运动模式的方法，该文对rgb色彩空间的应用为本发明更有针对性的提取航迹特征提供了一种全新思路。对船舶目标的准确识别和实时监控需要兼顾准确率和识别速度，然而以上研究主要侧重于单方面提高船舶目标识别的准确率，没有考虑到识别速度和时延在船舶目标识别问题上的同时重要性。


技术实现要素：

[0004]
本发明针对直接利用热点区域丰富的航迹数据难以满足对特定船舶目标类型的实际识别需求的问题，提出一种基于航迹特征和深度神经网络mobilenet迁移训练的船舶分类识别方法及系统，将基于航迹运动特征的船型识别问题转化为图像识别问题，通过迁移预训练权重提高训练和使用深度神经网络的效率，以实现对不同类别的船舶进行识别。
[0005]
为了实现上述目的，本发明采用以下技术方案：
[0006]
本发明一方面提出一种基于航迹特征和深度神经网络mobilenet迁移训练的船舶分类识别方法，包括：
[0007]
步骤1：针对已标注船型的航迹数据进行数据预处理，包括删除整条异常航迹数据并对筛选后的航迹数据进行等时间间隔采样；
[0008]
步骤2：挖掘提取航迹数据中船舶目标航迹点的速度、航向和加速度变化率作为状态属性向量，分别映射到rgb色彩空间中的r、g、b三个分量；
[0009]
步骤3：提取运动目标的经度和纬度作为位置属性并投影到对应的航迹网格点，同时合成步骤2中映射到rgb色彩空间中的r、g、b三个分量，通过各个航迹网格点的色彩变化来表示状态属性的变化，遍历航迹数据不同色彩的航迹网格点形成完整的航迹特征图像，从而实现航迹数据到航迹特征图像数据的转换；
[0010]
步骤4：对于转换得到的航迹特征图像数据，采用迁移预训练权重的方法，基于深度神经网络mobilenet训练船舶分类识别模型，通过训练好的模型识别由实时航迹数据转换得到的航迹特征图像数据，输出船舶类型，实现对船舶的分类识别。
[0011]
进一步地，所述步骤1包括：
[0012]
步骤1.1：通过船型识别号筛选出单个舰船目标的完整航迹数据；
[0013]
步骤1.2：对存在异常数据的航迹进行整条删除，确保后续模型训练无噪声点干
扰，其中的异常数据包括数据点缺失、间隔时间过长、长时间速度过小和经纬度没有变化的数据；
[0014]
步骤1.3：对筛选后的航迹数据进行均匀时间间隔采样，得到最终的航迹点个数。
[0015]
进一步地，所述步骤2包括：
[0016]
步骤2.1：遍历所有航迹数据，提取航迹中每个航迹点对应的航向、速度和加速度；
[0017]
步骤2.2：分别计算速度、航向和加速度在相邻两航迹点之间的变化率；
[0018]
步骤2.3：对每个航迹点中的速度、航向和加速度的变化率进行归一化；
[0019]
步骤2.4：将归一化后的变化率分别映射到rgb色彩空间的r、g、b三个分量上。
[0020]
进一步地，所述步骤3包括：
[0021]
步骤3.1：遍历提取航迹的经纬度信息，确定目标航迹；
[0022]
步骤3.2：确定经纬度范围和轨迹图像中心点位置、目标运动的经纬度范围以及航迹网格点大小；
[0023]
步骤3.3：通过航迹点的经纬度信息确定需要在图上标注的航迹网格点；包括：
[0024]
使用式(5)和(6)计算出航迹出现的公共经纬度中心点：
[0025][0026][0027]
其中，lati表示第i个航迹点的纬度，logi表示第i个航迹点的经度，t
*
表示航迹点个数；
[0028]
使用式(7)和式(8)计算航迹的运动范围：
[0029]
x
log
＝max(log)-min(log)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0030]ylat
＝max(lat)-min(lat)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0031]
其中，x
log
是纬度范围，y
lat
是经度范围；lat表示所有航迹点纬度集合， log表示所有航迹点经度集合；
[0032]
使用式(9)和式(10)计算单个航迹网格点经度和纬度范围：
[0033][0034][0035]
其中，p
log
表示航迹网格点的经度范围大小，q
lat
表示航迹网格点的纬度范围大小。
[0036]
步骤3.4：确定需要标注的航迹网格点后，合成步骤2中映射到rgb色彩空间的r、g、b三个分量；之后遍历并合成航迹上的所有点，生成完整的航迹特征图像，实现航迹数据到航迹特征图像数据的转换。
[0037]
进一步地，所述步骤4包括：
[0038]
步骤4.1：将来自imagenet图像数据集的预训练权重迁移到深度神经网络 mobilenet中，使mobilenet具有识别图像数据共性特征的能力；
[0039]
步骤4.2：输入航迹特征图像数据，对由mobilenet和分类器组成的船舶分类识别模型进行训练，通过训练得到的船舶分类识别模型对航迹特征图像进行识别，输出船舶类型。
[0040]
进一步地，所述船舶分类识别模型按功能划分为数据输入层、中间层和分类器三个部分，各部分由若干个卷积层堆叠而成，多个神经元组成一个卷积层，层与层之间通过神经元之间的权重相互连接。
[0041]
进一步地，所述步骤4.2中，对由mobilenet和分类器组成的船舶分类识别模型进行训练，包括：
[0042]
1)输入航迹特征图像数据，各层的神经元依次计算输出向量传递给下一层进行前向传播，分类器最终输出舰船类型标签值；
[0043]
2)计算分类器输出的标签值和航迹特征图像所对应的真实舰船类型标签值的误差，当误差大于设定阈值时，通过反向传播过程逐层计算各神经元输出向量的误差，根据该误差更新层与层之间的神经元连接权重；
[0044]
3)重复前向传播过程，直至模型输出层输出的标签值小于或等于设定阈值时结束训练；
[0045]
4)根据最终标签值误差更新模型所有神经元的连接权重。
[0046]
本发明另一方面提出一种基于航迹特征和深度神经网络mobilenet迁移训练的船舶分类识别系统，包括：
[0047]
数据预处理模块，用于针对已标注船型的航迹数据进行数据预处理，包括删除整条异常航迹数据并对筛选后的航迹数据进行等时间间隔采样；
[0048]
映射模块，用于挖掘提取航迹数据中船舶目标航迹点的速度、航向和加速度变化率作为状态属性向量，分别映射到rgb色彩空间中的r、g、b三个分量；
[0049]
数据转换模块，用于提取运动目标的经度和纬度作为位置属性并投影到对应的航迹网格点，同时合成映射模块中映射到rgb色彩空间中的r、g、b三个分量，通过各个航迹网格点的色彩变化来表示状态属性的变化，遍历航迹数据不同色彩的航迹网格点形成完整的航迹特征图像，从而实现航迹数据到航迹特征图像数据的转换；
[0050]
模型训练和识别模块，用于对于转换得到的航迹特征图像数据，采用迁移预训练权重的方法，基于深度神经网络mobilenet训练船舶分类识别模型，通过训练好的模型识别由实时航迹数据转换得到的航迹特征图像数据，输出船舶类型，实现对船舶的分类识别。
[0051]
进一步地，所述数据预处理模块具体用于：
[0052]
步骤1.1：通过船型识别号筛选出单个舰船目标的完整航迹数据；
[0053]
步骤1.2：对存在异常数据的航迹进行整条删除，确保后续模型训练无噪声点干扰，其中的异常数据包括数据点缺失、间隔时间过长、长时间速度过小和经纬度没有变化的数据；
[0054]
步骤1.3：对筛选后的航迹数据进行均匀时间间隔采样，得到最终的航迹点个数。
[0055]
进一步地，所述映射模块具体用于：
[0056]
步骤2.1：遍历所有航迹数据，提取航迹中每个航迹点对应的航向、速度和加速度；
[0057]
步骤2.2：分别计算速度、航向和加速度在相邻两航迹点之间的变化率；
[0058]
步骤2.3：对每个航迹点中的速度、航向和加速度的变化率进行归一化；
[0059]
步骤2.4：将归一化后的变化率分别映射到rgb色彩空间的r、g、b三个分量上。
[0060]
进一步地，所述数据转换模块具体用于：
[0061]
步骤3.1：遍历提取航迹的经纬度信息，确定目标航迹；
[0062]
步骤3.2：确定经纬度范围和轨迹图像中心点位置、目标运动的经纬度范围以及航迹网格点大小；
[0063]
步骤3.3：通过航迹点的经纬度信息确定需要在图上标注的航迹网格点；包括：
[0064]
使用式(5)和(6)计算出航迹出现的公共经纬度中心点：
[0065][0066][0067]
其中，lati表示第i个航迹点的纬度，logi表示第i个航迹点的经度，t
*
表示航迹点个数；
[0068]
使用式(7)和式(8)计算航迹的运动范围：
[0069]
x
log
＝max(log)-min(log)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0070]ylat
＝max(lat)-min(lat)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0071]
其中，x
log
是纬度范围，y
lat
是经度范围；lat表示所有航迹点纬度集合， log表示所有航迹点经度集合；
[0072]
使用式(9)和式(10)计算单个航迹网格点经度和纬度范围：
[0073][0074][0075]
其中，p
log
表示航迹网格点的经度范围大小，q
lat
表示航迹网格点的纬度范围大小。
[0076]
步骤3.4：确定需要标注的航迹网格点后，合成步骤2中映射到rgb色彩空间的r、g、b三个分量；之后遍历并合成航迹上的所有点，生成完整的航迹特征图像，实现航迹数据到航迹特征图像数据的转换。
[0077]
进一步地，所述模型训练和识别模块具体用于：
[0078]
步骤4.1：将来自imagenet图像数据集的预训练权重迁移到深度神经网络 mobilenet中，使mobilenet具有识别图像数据共性特征的能力；
[0079]
步骤4.2：输入航迹特征图像数据，对由mobilenet和分类器组成的船舶分类识别模型进行训练，通过训练得到的船舶分类识别模型对航迹特征图像进行识别，输出船舶类型。
[0080]
进一步地，所述船舶分类识别模型按功能划分为数据输入层、中间层和分类器三个部分，各部分由若干个卷积层堆叠而成，多个神经元组成一个卷积层，层与层之间通过神经元之间的权重相互连接。
[0081]
进一步地，所述步骤4.2中，对由mobilenet和分类器组成的船舶分类识别模型进行训练，包括：
[0082]
1)输入航迹特征图像数据，各层的神经元依次计算输出向量传递给下一层进行前向传播，分类器最终输出舰船类型标签值；
[0083]
2)计算分类器输出的标签值和航迹特征图像所对应的真实舰船类型标签值的误差，当误差大于设定阈值时，通过反向传播过程逐层计算各神经元输出向量的误差，根据该误差更新层与层之间的神经元连接权重；
[0084]
3)重复前向传播过程，直至模型输出层输出的标签值小于或等于设定阈值时结束训练；
[0085]
4)根据最终标签值误差更新模型所有神经元的连接权重。
[0086]
与现有技术相比，本发明具有的有益效果：
[0087]
本发明首先对航迹数据进行挖掘得到船舶的在每个时间戳之间的速度、航向和加速度，之后将这三者的变化率作为状态属性向量，经纬度和时间戳信息作为位置属性向量；然后，使用本发明提出的基于rgb色彩空间的航迹特征提取和转换方法对数据进行提取转换，得到航迹特征图像数据；最后，以航迹特征图像作为训练数据，迁移imagenet预训练权重，基于深度神经网络mobilenet的训练船舶分类识别模型，通过训练好的模型对实时航迹特征图像进行识别，实现对船舶类型的分类识别。
[0088]
本发明用识别航迹特征图像的方法解决了基于航迹特征的船舶类型识别问题，并通过迁移预训练权重，使得mobilenet直接获取数据特征，从而具备识别能力，大大提高了方法效率。且通过实验验证了本发明的准确率和平均识别速度在船舶目标分类问题上具有明显优势。
附图说明
[0089]
图1为本发明实施例一种基于航迹特征和深度神经网络mobilenet迁移训练的船舶分类识别方法的流程图；
[0090]
图2为本发明实施例一种基于航迹特征和深度神经网络mobilenet迁移训练的船舶分类识别方法的rgb状态属性向量映射示意图；
[0091]
图3为本发明实施例一种基于航迹特征和深度神经网络mobilenet迁移训练的船舶分类识别方法的位置属性向量提取示意图；
[0092]
图4为本发明实施例一种基于航迹特征和深度神经网络mobilenet迁移训练的船舶分类识别方法转换得到的航迹特征图像示意图；
[0093]
图5为本发明实施例一种基于航迹特征和深度神经网络mobilenet迁移训练的船舶分类识别方法的迁移训练方法流程图；
[0094]
图6为本发明实施例一种基于航迹特征和深度神经网络mobilenet迁移训练的船舶分类识别方法的模型训练示意图；
[0095]
图7为本发明实施例一种基于航迹特征和深度神经网络mobilenet迁移训练的船
舶分类识别方法的模型训练流程图。
具体实施方式
[0096]
下面结合附图和具体的实施例对本发明做进一步的解释说明：
[0097]
如图1所示，一种基于航迹特征和深度神经网络mobilenet迁移训练的船舶分类识别方法，包括：
[0098]
步骤1：针对已标注船型的航迹数据进行数据预处理，包括删除整条异常航迹数据并对筛选后的航迹数据进行等时间间隔采样；以确保数据转换质量，减少数据噪声对模型训练的干扰，提高模型识别准确率；
[0099]
步骤2：挖掘提取航迹数据中船舶目标航迹点的速度、航向和加速度变化率作为状态属性向量，分别映射到rgb色彩空间中的r、g、b三个分量；
[0100]
步骤3：提取运动目标的经度和纬度作为位置属性并投影到对应的航迹网格点，同时合成步骤2中映射到rgb色彩空间中的r、g、b三个分量，通过各个航迹网格点的色彩变化来表示状态属性的变化，遍历航迹数据不同色彩的航迹网格点形成完整的航迹特征图像，从而实现航迹数据到航迹特征图像数据的转换；
[0101]
步骤4：对于转换得到的航迹特征图像数据，采用迁移预训练权重的方法，基于深度神经网络mobilenet训练船舶分类识别模型，通过训练好的模型识别由实时航迹数据转换得到的航迹特征图像数据，输出船舶类型，实现对船舶的分类识别。
[0102]
进一步地，所述步骤1包括：
[0103]
步骤1.1：通过船型识别号筛选出单个舰船目标的完整航迹数据；
[0104]
步骤1.2：对存在异常数据的航迹进行整条删除，确保后续模型训练无噪声点干扰，其中的异常数据包括数据点缺失、间隔时间过长、长时间速度过小和经纬度没有变化的数据；
[0105]
步骤1.3：对筛选后的航迹数据进行均匀时间间隔采样，得到最终的航迹点个数t
*
：
[0106]
t
*
＝sampling(n,
△
t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0107]
其中，n表示航迹数据中原有航迹点的数量，δt表示对n条航迹数据重新采样后相等的时间间隔。
[0108]
进一步地，所述步骤2包括：
[0109]
步骤2.1：遍历所有航迹数据，提取航迹中每个航迹点对应的航向、速度和加速度；
[0110]
步骤2.2：通过式(2)、式(3)和式(4)分别计算速度、航向和加速度在相邻两航迹点之间的变化率；
[0111][0112][0113][0114]
其中，
△
cog、
△
sog、
△
acceleration分别为速度、航向和加速度在相邻两航迹点
之间的变化率，cog
i+1
、cogi分别表示第i+1时刻、第i时刻的航向，
△
t表示相邻两个航迹点之间的间隔时间，sog
i+1
、sogi、sog
i-1
分别表示第i+1时刻、第i时刻、第i-1时刻的速度。
[0115]
步骤2.3：对每个航迹点中的速度、航向和加速度的变化率进行归一化；
[0116]
步骤2.4：将归一化后的变化率分别映射到rgb色彩空间的r、g、b三个分量上，如图2所示。r、g、b分别代表红、绿、蓝三种原色，即rgb色彩空间中的三个分量，不同的分量组合将合成不同的色彩。图3中的立体空间坐标轴标注了色彩空间中一些特殊的rgb分量组合所合成的色彩，并标注了分量值。每一个分量均有256个值，由三个分量组成的色彩空间庞大，可以通过色彩的变化表达目标的状态属性变化。
[0117]
进一步地，如图4所示，所述步骤3包括：
[0118]
步骤3.1：遍历提取航迹的经纬度信息，确定目标航迹；
[0119]
步骤3.2：确定经纬度范围和轨迹图像中心点位置、目标运动的经纬度范围以及航迹网格点大小，图4中(b)部分灰色空心三角形是所有航迹的经纬度公共中心点；
[0120]
步骤3.3：通过航迹点的经纬度信息确定需要在图上标注的航迹网格点，图 4中(c)部分的灰色方格为航迹网格点；包括：
[0121]
使用式(5)和(6)计算出航迹出现的公共经纬度中心点：
[0122][0123][0124]
其中，lati表示第i个航迹点的纬度，logi表示第i个航迹点的经度，t
*
表示航迹点个数；
[0125]
使用式(7)和式(8)计算航迹的运动范围：
[0126]
x
log
＝max(log)-min(log)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0127]ylat
＝max(lat)-min(lat)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0128]
其中，x
log
是纬度范围，y
lat
是经度范围；lat表示所有航迹点纬度集合， log表示所有航迹点经度集合；
[0129]
使用式(9)和式(10)计算单个航迹网格点经度和纬度范围：
[0130][0131][0132]
其中，p
log
表示航迹网格点的经度范围大小，q
lat
表示航迹网格点的纬度范围大小。
[0133]
步骤3.4：确定需要标注的航迹网格点后，合成步骤2中映射到rgb色彩空间的r、g、b三个分量；图3中标注的灰色航迹网格点将以不同的色彩来表示目标在该点的运动特征；之后遍历并合成航迹上的所有点，生成完整的航迹特征图像(如图4所示)，实现航迹数据到
航迹特征图像数据的转换。
[0134]
进一步地，如图5所示，本发明用识别航迹特征图像的方法解决了基于航迹特征的船舶类型识别问题，并用迁移学习方法提高了训练和使用深度神经网络的效率，所述步骤4具体包括：
[0135]
步骤4.1：将来自imagenet大型图像数据集的预训练权重迁移到深度神经网络mobilenet中，使mobilenet具有识别图像数据共性特征的能力；
[0136]
具体地，在现有的方法中，均需要用大量数据来训练深度神经网络，从数据中获得特征信息，进而把它们转换成相应的权重，但这会耗费大量时间进行训练。本发明通过迁移预训练权重，使得mobilenet直接获取数据特征，从而具备识别能力，大大提高了方法效率。迁移的预训练权重是从经过imagenet大型图像数据集训练的神经网络模型中提取而来的，该数据集是一个具有1000类、样本数量达150多万张图像的大型图像数据集，涵盖了丰富的图像数据共性特征。因此，迁移该预训练权重可以使mobilenet具有识别航迹特征图像数据共性特征的能力。
[0137]
步骤4.2：输入航迹特征图像数据，对由mobilenet和分类器组成的船舶分类识别模型进行训练，通过训练得到的船舶分类识别模型对航迹特征图像进行识别，输出船舶类型。
[0138]
对模型进行训练的目的是使模型获得船型所对应包含的个性特征信息，从而获得识别航迹特征图像数据的能力，使其可以准确识别航迹特征图像。由 mobilenet和分类器组成的舰船分类识别模型可按功能划分为数据输入层、中间层和分类器三个部分，各部分由若干个卷积层堆叠而成，如图6所示。其中，多个神经元组成一个卷积层，层与层之间通过神经元之间的权重相互连接。训练过程中，将从数据输入层到分类器输出标签值的过程称为前向传播过程，该过程中各卷积层不断计算输出向量并向下一层传递，最终分类器输出对应的标签值；反向传播过程是指从分类器计算输出标签值误差到反方向计算各卷积层输出向量误差的过程，通过各层算出来的误差不断更新模型中层与层之间的神经元连接权重，使下一次前向传播过程中分类器输出的标签值更加准确。
[0139]
模型训练的具体流程如图7所示：首先，输入航迹特征图像数据，各层的神经元依次计算输出向量传递给下一层进行前向传播，分类器最终输出舰船类型标签值；之后，计算分类器输出的标签值和航迹特征图像所对应的真实舰船类型标签值的误差，当误差大于设定阈值时，通过反向传播过程逐层计算各神经元输出向量的误差，根据该误差更新层与层之间的神经元连接权重；之后，重复前向传播过程，直至模型输出层输出的标签值小于或等于设定阈值时结束训练；最后，根据最终标签值误差更新模型所有神经元的连接权重。至此，航迹特征图像数据的个性特征转化为模型的连接权重参数，模型具备对航迹特征图像数据的分类识别能力。
[0140]
为验证本发明效果，本发明采用2019年12月墨西哥湾海域的船舶自动识别系统(automatic identification system，ais)数据集进行实验验证。墨西哥湾海域航线密集，船舶种类丰富、数量多，数据集还记录了海域上所有活动船舶的经纬度和时间戳信息，适合用于船舶分类识别研究。数据预处理包含四个部分：首先，是通过船型识别号筛选出单个船舶目标的完整航迹数据；然后，再对存在异常数据的航迹进行整条删除，异常数据包括数据点缺失、间隔时间过长、长时间速度过小和经纬度没有变化的数据等；之后，对筛选后的航
迹数据进行均匀时间间隔采样；最后，按照研究时段切分每个目标的航迹。
[0141]
实验中，首先采用基于rgb色彩空间的航迹特征提取和转换方法，对ais 数据进行提取转换，最终得到54398张包含3种船型的航迹特征图像，图4中的 (a)、(b)、(c)分别为某货轮、客船和拖曳船的航迹特征图像。然后，利用 tensorflow深度学习框架，获取xception、resnet-50和mobilenet这三种深度神经网络结构，并调用来自imagenet大型图像数据集的预训练权重，输入训练集数据训练模型。参与实验的神经网络参数设置如表1所示。
[0142]
表1参与实验的神经网络参数表
[0143][0144][0145]
实验设备为1台联想thinkpaid x1计算机，内存为16gb，cpu的主频为 2.21ghz，使用一张显存为8gb的nvidia geforce gtx 1050ti显卡。在win 10/64位操作系统上，使用python 3.8.5编程语言。通过实验测试，三种网络的平均准确率和船舶识别速度如表2所示。
[0146]
表2三种网络的平均准确率和船舶识别速度
[0147][0148]
由实验结果可以得到，本发明的平均准确率高达96.29％，比依托resnet-50 和xception训练的模型识别准确率分别高出5.28％和2.34％。平均识别速度达363 艘/秒，是依托深度神经网络resnet-50训练得到的模型速度的2.8倍。
[0149]
表3将本发明和现有研究成果在识别准确率和识别速度上进行了比较。
[0150]
表3和现有研究成果的对比
[0151][0152]
虽然文献[5][m.elwakdy m e a m.a novel spatial algorithm for similarand non-similar trajectories classification of different objects[c]//the 2015 international conference on frontiers in education:computer science and computerengineering(fecs'15)2015:234-238]提出的轨迹分类算法(trajectoriesclassification algorithm,tca)的准确率高达99.5％，但该方法仅可应用于二分类问题，识别速度取决于人工操作的速度，局限性大。而本发明可根据航迹数据灵活增加船舶种类，在三种船舶分类实验中的识别准确率高达96.29％，平均识别速度是位居其次的vrnn方法的14倍。综上，本发明的准确率和平均识别速度在船舶目标分类问题上具有明显优势。
[0153]
在上述实施例的基础上，本发明另一方面提出一种基于航迹特征和深度神经网络mobilenet迁移训练的船舶分类识别系统，包括：
[0154]
数据预处理模块，用于针对已标注船型的航迹数据进行数据预处理，包括删除整条异常航迹数据并对筛选后的航迹数据进行等时间间隔采样；
[0155]
映射模块，用于挖掘提取航迹数据中船舶目标航迹点的速度、航向和加速度变化率作为状态属性向量，分别映射到rgb色彩空间中的r、g、b三个分量；
[0156]
数据转换模块，用于提取运动目标的经度和纬度作为位置属性并投影到对应的航迹网格点，同时合成映射模块中映射到rgb色彩空间中的r、g、b三个分量，通过各个航迹网格点的色彩变化来表示状态属性的变化，遍历航迹数据不同色彩的航迹网格点形成完整的航迹特征图像，从而实现航迹数据到航迹特征图像数据的转换；
[0157]
模型训练和识别模块，用于对于转换得到的航迹特征图像数据，采用迁移预训练权重的方法，基于深度神经网络mobilenet训练船舶分类识别模型，通过训练好的模型识别由实时航迹数据转换得到的航迹特征图像数据，输出船舶类型，实现对船舶的分类识别。
[0158]
进一步地，所述数据预处理模块具体用于：
[0159]
步骤1.1：通过船型识别号筛选出单个舰船目标的完整航迹数据；
[0160]
步骤1.2：对存在异常数据的航迹进行整条删除，确保后续模型训练无噪声点干扰，其中的异常数据包括数据点缺失、间隔时间过长、长时间速度过小和经纬度没有变化的数据；
[0161]
步骤1.3：对筛选后的航迹数据进行均匀时间间隔采样，得到最终的航迹点个数。
[0162]
进一步地，所述映射模块具体用于：
[0163]
步骤2.1：遍历所有航迹数据，提取航迹中每个航迹点对应的航向、速度和加速度；
[0164]
步骤2.2：分别计算速度、航向和加速度在相邻两航迹点之间的变化率；
[0165]
步骤2.3：对每个航迹点中的速度、航向和加速度的变化率进行归一化；
[0166]
步骤2.4：将归一化后的变化率分别映射到rgb色彩空间的r、g、b三个分量上。
[0167]
进一步地，所述数据转换模块具体用于：
[0168]
步骤3.1：遍历提取航迹的经纬度信息，确定目标航迹；
[0169]
步骤3.2：确定经纬度范围和轨迹图像中心点位置、目标运动的经纬度范围以及航迹网格点大小；
[0170]
步骤3.3：通过航迹点的经纬度信息确定需要在图上标注的航迹网格点；包括：
[0171]
使用式(5)和(6)计算出航迹出现的公共经纬度中心点：
[0172][0173][0174]
其中，lati表示第i个航迹点的纬度，logi表示第i个航迹点的经度，t
*
表示航迹点个数；
[0175]
使用式(7)和式(8)计算航迹的运动范围：
[0176]
x
log
＝max(log)-min(log)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0177]ylat
＝max(lat)-min(lat)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0178]
其中，x
log
是纬度范围，y
lat
是经度范围；lat表示所有航迹点纬度集合，log表示所有航迹点经度集合；
[0179]
使用式(9)和式(10)计算单个航迹网格点经度和纬度范围：
[0180][0181][0182]
其中，p
log
表示航迹网格点的经度范围大小，q
lat
表示航迹网格点的纬度范围大小。
[0183]
步骤3.4：确定需要标注的航迹网格点后，合成步骤2中映射到rgb色彩空间的r、g、b三个分量；之后遍历并合成航迹上的所有点，生成完整的航迹特征图像，实现航迹数据到航迹特征图像数据的转换。
[0184]
进一步地，所述模型训练和识别模块具体用于：
[0185]
步骤4.1：将来自imagenet图像数据集的预训练权重迁移到深度神经网络 mobilenet中，使mobilenet具有识别图像数据共性特征的能力；
[0186]
步骤4.2：输入航迹特征图像数据，对由mobilenet和分类器组成的船舶分类识别模型进行训练，通过训练得到的船舶分类识别模型对航迹特征图像进行识别，输出船舶类型。
[0187]
进一步地，所述船舶分类识别模型按功能划分为数据输入层、中间层和分类器三个部分，各部分由若干个卷积层堆叠而成，多个神经元组成一个卷积层，层与层之间通过神经元之间的权重相互连接。
[0188]
进一步地，所述步骤4.2中，对由mobilenet和分类器组成的船舶分类识别模型进行训练，包括：
[0189]
1)输入航迹特征图像数据，各层的神经元依次计算输出向量传递给下一层进行前向传播，分类器最终输出舰船类型标签值；
[0190]
2)计算分类器输出的标签值和航迹特征图像所对应的真实舰船类型标签值的误差，当误差大于设定阈值时，通过反向传播过程逐层计算各神经元输出向量的误差，根据该误差更新层与层之间的神经元连接权重；
[0191]
3)重复前向传播过程，直至模型输出层输出的标签值小于或等于设定阈值时结束训练；
[0192]
4)根据最终标签值误差更新模型所有神经元的连接权重。
[0193]
综上，本发明用识别航迹特征图像的方法解决了基于航迹特征的船舶类型识别问题，并通过迁移预训练权重，使得mobilenet直接获取数据特征，从而具备识别能力，大大提高了方法效率。且通过实验验证了本发明的准确率和平均识别速度在船舶目标分类问题上具有明显优势。
[0194]
以上所示仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。