基于互联网信息的重要船只目标动态监测方法技术

本发明专利技术公开了一种基于互联网信息的重要船只目标动态监测方法。该方法通过挖掘互联网上的新闻文本、全球海量卫星数据中与目标船只相关的信息，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，提高重要船只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，提升目标船只轨迹探测的精度，为海面重要船只目标监测补充手段提供技术支撑。

Dynamic monitoring method of important ship target based on Internet information

The invention discloses an important ship target dynamic monitoring method based on Internet information. By this method, the global satellite news text mining massive data on the Internet and in the target vessel related information at home and abroad on the Internet a variety of public space satellite data, make full use of text, optics, multi / hyperspectral, IR, SAR, AIS and other data sources, to carry out mining technology of multi-source heterogeneous information based on the data, improve the correct rate associated with the depth of spatio-temporal data important ship dynamic monitoring, shorten the early warning time of important data target, enhance the target ships track detection accuracy, provide technical support for the important supplementary means of ship monitoring.

【技术实现步骤摘要】
基于互联网信息的重要船只目标动态监测方法
本专利技术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。
技术介绍
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。
技术实现思路
本专利技术的目的在于提供一种有效发现重要船只的动态监测方法。实现本专利技术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。本专利技术与现有技术相比，其显著优点为：(1)本专利技术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。具体实施方式本专利技术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。下面结合附图对本专利技术作进一步说明。本专利技术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新闻本文档来自技高网...

【技术保护点】
一种基于互联网信息的重要船只目标动态监测方法，其特征在于：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。

【技术特征摘要】
1.一种基于互联网信息的重要船只目标动态监测方法，其特征在于：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。2.根据权利要求1所述的基于互联网信息的重要船只目标动态监测方法，其特征在于：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。3.根据权利要求1所述的基于互联网信息的重要船只目标动态监测方法，其特征在于：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。4.根据权利要求1所...

【专利技术属性】
技术研发人员：冯霞，王永利，曹娜，袁欢欢，赵亮，孙华成，杜仲舒，张万麒，赵成圆，赵宁，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏,32