基于互联网信息的重要船只目标动态监测方法与流程

本发明属于计算机应用的相关领域，具体地说，是一种基于互联网信息的重要船只目标动态监测方法，可应用于海面交通监控、船只搜救和渔业管理等领域。

背景技术：

海面船只目标动态监测是遥感图像处理与分析领域备受关注的课题，其核心任务是判断遥感图像中是否存在目标船只，并对其进行监测、分类与精确定位。

船舶自动识别系统(automaticidentificationsystem,简称ais系统)是基于gps技术、甚高频(vhf)技术和自组织时分多址技术(sotdma)的一种新型辅助导航系统，具有识别跟踪船舶、避免碰撞、环境保护和搜索救援等功能。按照平台不同可分为船载、空载、岸基和星载。

虽然星载sar、光学遥感与ais在船只监测应用中具有显著的优点,但是受技术发展水平的限制，ais数据存在一定的错误和漏检率，sar图像解译算法还不成熟等。因此，通过将星载sar、光学遥感图像与ais进行信息融合使其优势互补，已成为目前海洋目标船只监测领域的研究热点之一。

由于星载sar、光学遥感图像、ais、互联网文本等信息情报数据的多源性、异构性、多维以及动态性，使得海洋战略环境下各类海上平台的资源共享与信息集成过程非常复杂，亟需探索基于海量遥感数据、ais数据、文本数据等多源异构信息的新型舰船目标动态监测方法。

技术实现要素：

本发明的目的在于提供一种有效发现重要船只的动态监测方法。

实现本发明目的的技术解决方案为：一种基于互联网信息的重要船只目标动态监测方法，

步骤1:采用网络爬虫方法从互联网上获取与目标船只相关的时空数据；步骤2:针对步骤1获得的时空数据，采用元数据方法即按照船只的元数据标准对原数据进行统一化处理，得到统一化数据；

步骤3:构建本体语义框架：首先，收集与船只概念相近的词汇，构建船只词汇库；然后，在语义网中注册船只本体；最后，构建语义搜索引擎；针对所述步骤2得到的统一化数据，将其经过本体语义框架进行语义映射，得到转义数据；

步骤4:针对步骤3得到的转义数据，采用特征层融合的方法对其进行融合，包括两个步骤：首先，提取船只的相关参数，包含几何参数、地理参数、运动参数；然后，对提取的参数采用模糊融合法得到融合数据；

步骤5:根据步骤4中的地理参数，得到目标船只所在的区域，针对步骤4得到的融合数据使用频繁模式挖掘算法即t-模式挖掘算法,得到目标船只的频繁轨迹模式，使用动态存储结构dpt来存储轨迹模式；

步骤6:根据步骤5的船只频繁模式，采用船只的预测算法预测船只的下一个位置。

步骤1所述与目标船只相关的时空数据形式包括：文本、可见光图像、多/高光谱图像、红外图像、民用ais图像、网络社区图像和视频。

步骤2所述船只元数据是对船只资源的规范化描述，是按照船只元数据标准，从船只资源中抽取出相应的特征，组成的一个特征元素集合；船只的元数据标准内容包括船只的坐标、速度、行驶方向、类别、用途和天气情况。

步骤5所述t-模式即一种频繁轨迹模式，是一个时间和区域(r，a)组成的序列；其中r＝r0,r1,…rn是区域序列，是对r序列的时间注释，ai为正实数，表示区域ri-1到区域ri的时间间隔；

所述dpt是由三元组(n,e,root)组成的结构树，n是节点的集合，e是带标志的边集，root∈n是虚拟的根节点，每一条集合e的边都以时间间隔interval为标志；

每一个节点nodev∈n，除了根节点，都包含{区域，支持度，子节点}：

区域：代表t-模式的一个区域；

支持度：t-模式支持度；

子节点：节点nodev的子节点列表；

每一条边e∈e，连接父节点和子节点，它的interval形式是[timemin，timemax]；连接根节点和它的子节点的边是空标志，它的interval为

利用dpt插入规则创建结构树：每个输入的t-模式简称tp，在dpt中查找与它的最长前缀相符的路径，然后给剩下的tp的元素添加一个分支；如果模式树是tp的前缀，tp则被附加到这棵树的一条路径中；

dpt更新规则：设定δ为模式的最小支持度，现有动态产生tp：〈r,i〉support：a，在dpt中查找与其最长前缀区域相符的路径p，若那么将nodep更新成tp与其对应的元素值。

步骤6所述的预测船只下一个位置的具体方法为：

设定匹配度阈值γ；找到dpt树上的最佳路径；在待选路径中计算出轨迹的最佳匹配度；如果最佳匹配度不小于阈值γ，那个预测出的最佳节点的子节点就是预测的该轨迹下一个位置。

本发明与现有技术相比，其显著优点为：(1)本发明能够快速准确地提取船只目标。(2)能够在保持完整数据原有特征的同时，大大减少计算开销和网络数据传输量，满足资源受限环境下快速监测重要船只目标的查询需求。

附图说明

图1是多源船只目标数据集成的本体语义框架图。

图2是数据编码技术流程图。

图3是数据整合整体框架图。

图4是轨迹动态预测模型。

图5是轨迹模式挖掘流程图。

图6是动态模式树示例。

具体实施方式

本发明基于互联网信息的重要船只目标动态监测方法，它包括基于互联网信息的船只目标海量时空数据自动发现、大数据环境下多源船只目标信息统一数据表示、时空数据融合下的船只目标深度关联与动态监测、多源船只目标轨迹分析与探测、基于感知压缩理论的快速船只目标监测方法。

首先是利用网络爬虫的相关技术从互联网上(包括web新闻或者twitter、facebook等社交媒体、ais系统及遥感卫星网站等信息数据来源)获取到目标船只相关的海量时空数据，针对时空相关搜索需求，挖掘出在数据集成过程中自动发现相关分布自治数据源的机理以及元数据管理方法，分析eu-mis和ioos等应用系统中的海洋现场船只观测、传感、地理影像数据的元数据标准，确定切实可行的多源船只目标元数据标准,并在数据虚拟化平台构建元数据时,按照选择的元数据标准规范进行,以便生成高质量的元数据文档(库)，为进一步的时空配准与数据融合打基础。

在公开信息中提取的多源异构数据类型不同，可以分为空间数据和非空间数据。空间数据收集可以通过文件传输和空间数据引擎实现，文件传输方法使用空间交换格式或常见的矢量格式，如shapefile。非空间数据包括传统的关系数据库和文档数据。使用地理编码技术将独立的空间数据和非空间数据相关联，采用placename-addressmatching地理编码方法建立相关性，并且利用时空数据深度关联的etl技术，对原始数据进行清理、转化和整合。

在融合数据时，提出了基于特征层融合的多源船只目标识别。特征层融合指的是对目标特征与数据进行配准和关联,增加描述目标特征的维数，获得了特征矢量,使得目标知识更趋完备。采用模糊综合法实现星载光学遥感图像、光学图像与ais数据关联，具体过程包括构造因素集、确定权重和形成评价集。

在探测目标船只轨迹与状态时，首先要提取轨迹频繁模式，然后设计蕴含时空信息的数据结构存储和查询移动物体的t-模式，并提出预测算法计算最佳匹配度，得到移动对象轨迹的预测位置，预测移动物体的未来位置。

下面结合附图对本发明作进一步说明。

本发明的技术路线按照异构信息的统一描述→基于本体语义框架的多源船只目标数据集成→多源船只目标数据的时空一致与配准→特征级多态数据融合→基于轨迹频繁模式的预测方法。

首先是利用网络爬虫的相关技术从互联网上(包括web新闻或者twitter、facebook等社交媒体、ais系统及遥感卫星网站等信息数据来源)获取到目标船只相关的海量时空数据。数据类型包括结构化数据库数据外，也包括非结构化、半结构文档、电子邮件和视频等多种类型数据。使用元数据“标签”来集成不同类型数据，对非结构化数据那些可以被链接的属性进行“标签化”，然后链接到数据库中的主键和索引，从而将结构化数据和非结构化数据融合。

在大数据环境下多源船只目标信息数据的形式各异，采用本体语义框架来解决海洋目标船只监测领域内的概念和术语上的分歧,使不同的用户之间可以顺畅的沟通和交流并保持语义等效性,同时让不同的工具软件和应用系统之间实现互操作,有助于集成系统的构建。

拟采用如下本体语义框架的构建方法：借鉴数据管理框架oodt的元数据实现原理、架构思想,参照mmi语义框架,需研究的内容有:对现有开源语义框架或mmi语义框架扩展并集成到数据虚拟化平台中去；实现海洋环境监测专业词汇库构建、注册(产生符合owl标准的语义内容,一般采用rdf/xml格式)；实现语义映射(词汇和词汇之间的映射)，多源船只数目标据集成的本体语义框架，参考图1。

多源异构数据采集方法：

为满足大范围异构数据整合的需求，设计公共信息平台数据中心的数据搜集方法，针对实时数据更新，持续的数据服务，包括多媒体数据、文本数据和其他类型的数据源的数据进行整合。

1)多源异构数据整合成空间数据和非空间数据

采用时间戳的方法实现增长式提取；采用池机制来防止数据提取过程中的数据更新过于频繁。在数据转化集中阶段中统一化处理数据歧义性、冗余性、非完整性、逻辑规则和其他问题。

2)多源异构数据采集的空间相关性

通过地理编码将独立的空间数据和非空间数据相关联。采用placename-addressmatching地理编码方法建立相关性。

数据编码方法：

编码是空间数据和非空间数据关联的基础。属性数据通过地理编码和分配空间属性到非空间数据来获取空间信息。

数据编码是数据组织和应用的基础。空间数据编码可以实现快速定位、筛选和统计功能。非空间数据编码可以得到空间相关性，实现业务数据的空间分析和统计功能。

编码管理主要包含两个功能，空间编码和空间相关性。空间编码处理位置、几何、类别、区域划分、水平和其它空间基本数据。在编码过程中，进行数据提取、转换和空间分析。属性数据被地理名称和地址定位，并通过空间分析与空间元素代码相结合的方法与空间数据进行相关联，参考图2。

算法具体流程：

1)首先对于数据进行统一的形式化编码。

2)通过对几何字符进行编码，得到编码之后的几何中心。

3)根据几何中心，将数据进行分区操作，确定分区数据范围

4)对分区之后的数据进行网格编码，编码完成，判断编码是否重复，如果重复先进行顺序编码，然后进入下一步，如果不重复则直接进入下一步操作。

5)进行行政区域编码，比如最常见的地理名称和地址，一般情况下使用经纬度来标定船只地点。

6)最后进行分级的编码，根据目标数据属性对于目标进行分级处理，完成统一编码。

基于多源异构数据集合的信息平台实现从不同源数据库中提取的空间数据和非空间数据的相关性研究。多源异构数据集合中包括不同的源数据库中空间数据及非空间数据的数据提取，数据转换、数据加载和数据融合。数据收集实现公共平台和业务系统的关联。收集和更新平台上的数据，保证了数据的完整性和实时性。

数据收集包含两类，空间数据收集和非空间数据收集。空间数据收集可以通过文件传输和空间数据引擎实现。文件传输方法使用空间交换格式或常见的矢量格式，如shapefile。非空间数据包括传统的关系数据库和文档数据。数据整合整体框架请参考图3

在融合数据时，选用基于特征层融合的多源船只目标识别技术，特征层融合指的是目标特征对数据进行配准和关联,增加描述目标特征的维数，获得特征矢量,使得目标知识更趋完备。该模型包括数据获取、融合决策和目标识别3个环节。

数据获取需采用宇宙时间坐标(universaltimecoordinated，utc),以保持精确同步。融合决策包括数据配准和多目标数据关联。数据配准为数据关联提取图像时需要进行几何校正和相干斑抑制预处理。ais数据预处理包括根据光学遥感图像场景时空信息对ais数据进行筛选；验证ais报告数据有效性，然后对预处理后的光学遥感图像进行目标检测和特征参数提取，并利用ais数据直接提取目标特征。数据配准后得到了光学遥感图像目标特征集和ais目标特征集,即可进行基于单个特征或多特征信息融合的多目标数据关联处理。融合决策结果除了输出还要进行反馈,以不断检查和提高决策的有效性。

在探测多源船只目标轨迹与状态时，首先提取轨迹频繁模式，然后设计蕴含时空信息的数据结构存储和查询移动物体的t-模式，并提出预测算法计算最佳匹配度，得到移动对象轨迹的预测位置。通过预测移动物体的未来位置。

针对特定区域全部对象的移动轨迹，挖掘群体时空模式，使用数据结构轨迹模式树进行存储，在此基础上，对移动对象的未来轨迹进行近似预测。由于不确定性，个体的路线没有绝对的相似或相同，从静态的角度分析会降低预测准确性，提出动态更新存储。

图4给出p1、p2这两个移动对象轨迹频繁模式，以及待预测的移动对象轨迹b，其中轨迹b包含六个带时间戳的轨迹点。通过对待预测轨迹与轨迹模式做匹配度计算，预测轨迹b的下一个位置。如果静态地分析，与b最匹配的模式是p2，预测结果也将最接近p2；然而，如果按照时间戳增大的顺序动态地分析这条轨迹，并把新挖掘到的频繁模式信息更新到存储数据结构中，得到轨迹模式dp，实际上前三个时间戳与b最匹配的模式是p1，后三个时间戳中最匹配的模式是p2，预测结果b1也更加接近b。

参考图5可得，从移动用户轨迹集挖掘时空轨迹频繁模式，提取一组区域、时间注释对—轨迹模式。每一个轨迹模式的提取都是从时间(运动持续时间)和空间(运动期间的空间访问区域)上描述用户频繁移动行为。

根据轨迹模式提取方法，得到轨迹模式树，请参考图6，依据模式树，对新的轨迹在空间和时间上预测移动对象位置。预测方法的主要思路是：设定匹配度阈值γ；找到树上的最佳路径(跟给出轨迹匹配的最佳模式)；对于给出的轨迹，在待选路径中计算出最佳匹配度；如果最佳匹配度不小于阈值γ，那个预测出的最佳节点的子节点就是预测的该轨迹下一个位置。

本发明的方法通过挖掘通过公开渠道获得的新闻文本、全球海量卫星数据中与舰船目标相关的信息，弥补舰船目标动态监测情报信息的不足，以国内外互联网上多种公开卫星时空数据为数据源，充分利用文本、光学、多/高光谱、红外、sar、ais、电子侦察数据等多种数据源，开展基于大数据的多源异构信息挖掘技术，提高重点舰船目标动态监测中时空数据深度关联的正确率，缩短对重要目标数据的预警时间，提升舰船目标轨迹探测的精度，为海面重点舰船目标侦察监视补充手段提供技术支撑。