本发明专利技术公开了一种基于船舶特征数据的卫星遥感影像船舶识别方法。其中,方法包括:采用计算机图像处理算法对包含不同类型船舶的多个原始卫星遥感图像进行特征提取,确定船舶遥感数据目标库;采用卷积神经网络算法对船舶遥感数据目标库中的船舶特征数据进行学习,生成多层神经网络卷积学习模型;采用多层神经网络卷积学习模型对待识别遥感图像进行识别,确定船舶数据信息。船舶数据信息。船舶数据信息。
【技术实现步骤摘要】
一种基于船舶特征数据的卫星遥感影像船舶识别方法
[0001]本专利技术涉及图像处理
,并且更具体地,涉及一种基于船舶特征数据的卫星遥感影像船舶识别方法。
技术介绍
[0002]目前,现有已有卫星AIS、LRIT、CCTV、GPS等等多种船跟踪舶识别的技术手段,每种方式都具有自身特点也能够在特定环境下满足人们的需求。进入21世纪以后特别是近十年,随着卫星技术和机器视觉技术的发展,卫星遥感图像分辨率大幅提高,获取来源愈加多元,利用遥感卫星进行海域船舶目标识别得到迅速发展。目前已有基于神经网络对卫星照片中的船舶进行识别以及船舶类型识别的技术,但仍无法识别出船舶的具体身份标识信息,这也是传统卫星的主要特点,可以发现目标,但是不能识别目标。从而存在如何在船舶未向岸基发送AIS信号的情况下,识别出该船舶的数据信息。
技术实现思路
[0003]针对现有技术的不足,本专利技术提供一种基于船舶特征数据的卫星遥感影像船舶识别方法。
[0004]根据本专利技术的一个方面,提供了一种基于船舶特征数据的卫星遥感影像船舶识别方法,包括:
[0005]采用计算机图像处理算法对包含不同类型船舶的多个原始卫星遥感图像进行特征提取,确定船舶遥感数据目标库;
[0006]采用卷积神经网络算法对船舶遥感数据目标库中的船舶特征数据进行学习,生成多层神经网络卷积学习模型;
[0007]采用多层神经网络卷积学习模型对待识别遥感图像进行识别,确定船舶数据信息。
[0008]可选地,采用计算机图像处理算法对包含不同类型船舶的多个原始卫星遥感图像进行识别,确定船舶遥感数据目标库,包括:
[0009]获取包含不同类别船舶的多个原始卫星遥感图像;
[0010]采用计算机图像处理算法分别对不同类别船舶的原始卫星遥感图像进行特征提取,确定不同类别船舶的船舶特征数据;
[0011]根据不同类别船舶的船舶特征数据,确定船舶遥感数据目标库。
[0012]可选地,采用卷积神经网络算法对船舶遥感数据目标库中的船舶特征数据进行学习,生成多层神经网络卷积学习模型,包括:
[0013]采用卷积神经网络将船舶遥感数据目标库中的船舶特征数据与目标分类进行标注,生成多层神经网络卷积学习模型。
[0014]可选地,采用卷积神经网络将船舶遥感数据目标库中的船舶特征数据与目标分类进行标注,生成多层神经网络卷积学习模型,包括:
[0015]卷积神经网络将船舶遥感数据目标库中的船舶特征数据以及目标分类放入端到端的网络中,该网络依据输出值和标签值之间的误差关系进行网络参数优化;
[0016]在输出层将输出值逐渐拟合成标签值,生成多层神经网络卷积学习模型。
[0017]根据本专利技术的另一个方面,提供了一种基于船舶特征数据的卫星遥感影像船舶识别装置,包括:
[0018]第一确定模块,用于采用计算机图像处理算法对包含不同类型船舶的多个原始卫星遥感图像进行特征提取,确定船舶遥感数据目标库;
[0019]生成模块,用于采用卷积神经网络算法对船舶遥感数据目标库中的船舶特征数据进行学习,生成多层神经网络卷积学习模型;
[0020]第二确定模块,用于采用多层神经网络卷积学习模型对待识别遥感图像进行识别,确定船舶数据信息。
[0021]根据本专利技术的又一个方面,提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行本专利技术上述任一方面所述的方法。
[0022]根据本专利技术的又一个方面,提供了一种电子设备,所述电子设备包括:处理器;用于存储所述处理器可执行指令的存储器;所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现本专利技术上述任一方面所述的方法。
[0023]从而,本申请通过在原始卫星遥感图像的基础上进行船舶特征的提取,形成多个船舶的船舶遥感数据目标库,从而船舶遥感数据目标库中包括了所有船舶的特征数据,在通过卷积神经网络对船舶数据目标库中的特征数据进行学习生成用于识别船舶数据信息的多层神经网络卷积模型,进而对原始卫星遥感图像中的船舶目标进行反向识别,识别出船舶目标的船舶数据信息,进而可以确定该船舶是否存在非法闯入等行为。
附图说明
[0024]通过参考下面的附图,可以更为完整地理解本专利技术的示例性实施方式:
[0025]图1是本专利技术一示例性实施例提供的基于船舶特征数据的卫星遥感影像船舶识别方法的流程示意图;
[0026]图2是本专利技术一示例性实施例提供的原始卫星遥感影像的预处理的流程示意图;
[0027]图3是本专利技术一示例性实施例提供的CNN网络结构的示意图;
[0028]图4是本专利技术一示例性实施例提供的基于船舶特征数据的卫星遥感影像船舶识别装置的结构示意图;
[0029]图5是本专利技术一示例性实施例提供的电子设备的结构。
具体实施方式
[0030]下面,将参考附图详细地描述根据本专利技术的示例实施例。显然,所描述的实施例仅仅是本专利技术的一部分实施例,而不是本专利技术的全部实施例,应理解,本专利技术不受这里描述的示例实施例的限制。
[0031]应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本专利技术的范围。
[0032]本领域技术人员可以理解,本专利技术实施例中的“第一”、“第二”等术语仅用于区别
不同步骤、设备或模块等,既不代表任何特定技术含义,也不表示它们之间的必然逻辑顺序。
[0033]还应理解,在本专利技术实施例中,“多个”可以指两个或两个以上,“至少一个”可以指一个、两个或两个以上。
[0034]还应理解,对于本专利技术实施例中提及的任一部件、数据或结构,在没有明确限定或者在前后文给出相反启示的情况下,一般可以理解为一个或多个。
[0035]另外,本专利技术中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本专利技术中字符“/”,一般表示前后关联对象是一种“或”的关系。
[0036]还应理解,本专利技术对各个实施例的描述着重强调各个实施例之间的不同之处,其相同或相似之处可以相互参考,为了简洁,不再一一赘述。
[0037]同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
[0038]以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本专利技术及其应用或使用的任何限制。
[0039]对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,技术、方法和设备应当被视为说明书的一部分。
[0040]应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
[0041]本专利技术实施例可以应用于终端设备、计算机系统、服务器等电子设备,其可本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于船舶特征数据的卫星遥感影像船舶识别方法,其特征在于,包括:采用计算机图像处理算法对包含不同类型船舶的多个原始卫星遥感图像进行特征提取,确定船舶遥感数据目标库;采用卷积神经网络算法对所述船舶遥感数据目标库中的船舶特征数据进行学习,生成多层神经网络卷积学习模型;采用所述多层神经网络卷积学习模型对待识别遥感图像进行识别,确定船舶数据信息。2.根据权利要求1所述的方法,其特征在于,采用计算机图像处理算法对包含不同类型船舶的多个原始卫星遥感图像进行识别,确定船舶遥感数据目标库,包括:获取包含不同类别船舶的多个所述原始卫星遥感图像;采用所述计算机图像处理算法分别对不同类别船舶的所述原始卫星遥感图像进行特征提取,确定不同类别船舶的船舶特征数据;根据不同类别船舶的船舶特征数据,确定所述船舶遥感数据目标库。3.根据权利要求1所述的方法,其特征在于,采用卷积神经网络算法对所述船舶遥感数据目标库中的船舶特征数据进行学习,生成多层神经网络卷积学习模型,包括:采用所述卷积神经网络将所述船舶遥感数据目标库中的所述船舶特征数据与目标分类进行标注,生成所述多层神经网络卷积学习模型。4.根据权利要求3所述的方法,其特征在于,采用所述卷积神经网络将所述船舶遥感数据目标库中的所述船舶特征数据与目标分类进行标注,生成所述多层神经网络卷积学习模型,包括:所述卷积神经网络将所述船舶遥感数据目标库中的所述船舶特征数据以及所述目标分类放入端到端的网络中,该网络依据输出值和标签值之间的误差关系进行网络参数优化;在输出层将输出值逐渐拟合成标签值,生成所述多层神经网络卷积学习模型。5.一种基于船舶特征数据的卫星遥感影像船舶识别装置,其特征在于,包括:第一确定模块,用于采用计算机图像处理算法对包含不同类型船舶的多个原始卫...
【专利技术属性】
技术研发人员:李国成,韩奇,林宝通,左静,王鑫,
申请(专利权)人:李国成,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。