申请/专利权人：中国人民解放军国防科技大学

申请日：2022-05-30

公开（公告）日：2024-04-19

公开（公告）号：CN114972918B

主分类号：G06V10/774

分类号：G06V10/774;G06V20/10;G06V10/40;G06V10/764;G06N20/20;G06V10/82

优先权：

专利状态码：有效-授权

法律状态：2024.04.19#授权;2022.09.16#实质审查的生效;2022.08.30#公开

摘要：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。

主权项：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。

全文数据：

权利要求：

百度查询： 中国人民解放军国防科技大学 基于集成学习与AIS数据的遥感图像舰船目标识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD