基于深度学习图像方法的飞行轨迹点行为模式分析方法技术

本发明专利技术公开了基于深度学习图像方法的飞行轨迹点行为模式分析方法，包括以下步骤：步骤一、将飞行轨迹点的经纬度使用通用横向墨卡托Universal Transvers Mercator方法转换为图像上的x，y坐标；步骤二、使用rol

【技术实现步骤摘要】
基于深度学习图像方法的飞行轨迹点行为模式分析方法


[0001]本专利技术属于人工智能
，特别是涉及基于深度学习图像方法的飞行轨迹点行为模式分析方法。

技术介绍

[0002]在我国航空航天领域飞速发展的同时，无人机、飞机等的性能更是在不断提升，进而也加速了对飞行轨迹或时空轨迹的研究。
[0003]对时空轨迹的研究得益于空间定位技术、传感器网络的飞速发展。空间定位传感器在飞机、舰船、汽车以及手持设备上得到普遍使用，产生并积累了海量的移动目标时空轨迹数据。
[0004]在军事领域中，对轨迹点的分析尤为重要，海量的轨迹点信息看似杂乱无章，实则包含了大量在军事中可以加以分析的信息。在军事任务中，通常特定型号的战斗机在执行任务时会有自己特定的飞行轨迹，如8字绕飞，矩形绕飞，椭圆绕飞等，并且每种飞行轨迹可能预示着战斗机在执行着特定的战斗任务或演习任务，因此在某些军事领域中分析航空飞行轨迹点的模式可以得到更为具体的军事信息。
[0005]目前常用的轨迹运动模式识别方法主要依赖于特征工程和传统机器学习算法结合，例如通过全局最优解理论算法识别飞行动作，并结合粒子群优化算法进行实现，将飞行参数特征符号化，从而能够对维数较少的符号进行处理和分析，实现飞行动作轨迹特征的智能提取，从而进行分类等分析；基于传统的遗传算法，将飞行参数相关的属性进行编码，利用遗传变异和粗糙集理论建立动作识别的标准并提取出数据的属性，最后采用遗传算法得到飞行动作轨迹的识别特征；一种模糊支持向量机的飞行动作识别方法，将传统的支持向量机方法结合模糊逻辑理论，转化为多个两类问题进行求解并判断样本类别；使用LS
‑
SVM方法可以提高模型的运算效率，有效地识别各种飞行动作轨迹。
[0006]但是特征工程和传统机器学习算法依赖于手动提取特征的精度，在轨迹数据处理中需要设计、和提取相应特征，过程较为繁琐。且当手动提取的特征不具有代表性，如仅依靠时间、速度以及距离等浅层特征，识别准确率将会受到限制；并且手动提取的特征，在特征质量上难以得到保证，最终检测的结果将会大大依赖于手动提取特征的质量。
[0007]使用深度学习可以有效弥补传统机器学习高度依赖手动提取特征并且识别准确率低的缺点。
[0008]深度学习算法基于大量数据集，使用网络自动提取目标特征进行训练，大大简化了训练的过程，并且也有效地提升了识别的准确率，因此使用深度学习算法对轨迹点进行检测分析一定是未来的大趋势。
[0009]在军事领域中，目前常用的对轨迹点形成的特定轨迹的模式识别常用手动提取特征，然后结合传统的机器学习算法对轨迹进行分类和检测位置，但是这种依赖传统机器学习方法的轨迹模式识别方法对于手动提取的特征具有依赖性并且识别准确率不够高，很难胜任轨迹点精确识别的任务。对于每次执行任务得到的轨迹点而言，数据是巨大的，然而值
得用来分析其轨迹并且得到有用军事信息的轨迹点只占其中一小部分，这就造成了大量的轨迹点是多余且毫无意义的。

技术实现思路

[0010]本专利技术的目的在于提供一种基于深度学习图像方法的使用卷积神经网络对飞行轨迹点的行为模式识别及起始点检测技术，该技术能够针对军用飞机以及无人机在空中飞行所形成的轨迹点进行分析处理，通过使用通用横轴墨卡托投影(Universal Transvers Mercator)，飞行轨迹点的经纬度转换为图像，而后对生成的轨迹点图像进行处理，使用深度学习目标检测算法rol
‑
traj
‑
yolov5的旋转框检测网络对轨迹点图像中特定的轨迹模式进行训练，训练完成时即可以对轨迹点中的特定轨迹进行行为模式识别，通过识别出该军用飞行轨迹点的具体区域的轨迹模式可以分析出该战斗机的型号与目前所执行的任务。
[0011]本专利技术的目的是提供基于深度学习图像方法的飞行轨迹点行为模式分析方法，以解决上述现有技术存在的问题。
[0012]为实现上述目的，本专利技术提供了基于深度学习图像方法的飞行轨迹点行为模式分析方法，包括以下步骤：
[0013]步骤一、将飞行轨迹点的经纬度使用通用横向墨卡托Universal Transvers Mercator方法转换为图像上的x，y坐标；
[0014]步骤二、使用rol
‑
traj
‑
yolov5算法自适应旋转框检测新算法来预测具体特定轨迹的位置与轨迹的模式识别；
[0015]步骤三、通过分析轨迹的具体行为模式分析出形成该轨迹的飞机的具体型号与具体实行任务或航行路线等信息。
[0016]进一步的，使用通用横向墨卡托变换算法和归一化处理将轨迹点的经纬度坐标转换为图像上的x，y坐标，之后使用opencv将轨迹点生成的平面投影坐标在图上绘制以生成图像。
[0017]进一步的，所述步骤二中的rol
‑
traj
‑
yolov5算法是基于YOLOv5
‑
DOTA
‑
OBB算法进行改进的一个旋转目标框算法；该算法采用one
‑
stage算法模型，以yolov5x为基准模型进行修改，rol
‑
traj
‑
yolov5算法由backbone，neck，yolo_head组成。
[0018]进一步的，所述backbone为rol
‑
traj
‑
yolov5算法主干部分，主体使用了CSPDarnet53结构，并且使用了focus结构，Focus层将w
‑
h平面上的信息转换到通道维度，再通过卷积的方式提取不同特征，采用这种方式可以减少下采样带来的信息损失。
[0019]进一步的，在所述neck结构中，首先是将SPP换成了SPPF，两者的作用是一样的，但后者在保持同样特征提取效果的同时大大减少了模型的计算量，加速了模型的推理过程；
[0020]SPPF结构采用了感受野机制，将SPP结构中的三个不同尺寸的池化层并联转换为尺寸单一的5x5的池化层，SPPF结构通过三个5x5尺寸的池化层串联得到了与SPP结构通过5x5，9x9，13x13尺寸池化层相同大小的感受野，并且缩小了池化层尺寸因而减少了计算量；
[0021]在所述neck结构中还有New CSP
‑
PAN，在特征融合模块PAN结构中加入了CSP网络残差模块使网络在计算特征梯度时不会有冗余信息，并且在搭建PAN的上采样中分别加入了CBAM注意力机制，在通道和空间两个独立维度依次推断图片的注意力，将注意图乘以输入特征图，使得rol
‑
traj
‑
yolov5算法在提取特征时更加聚焦于感兴趣的目标区域，更好的
对背景噪声进行过滤。
[0022]进一步的，所述yolo_head为：
[0023]在网络的检测头部分使用Double
‑
Head模块，此模块有一个专注于分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习图像方法的飞行轨迹点行为模式分析方法，其特征在于，包括以下步骤：步骤一、将飞行轨迹点的经纬度使用通用横向墨卡托Universal Transvers Mercator方法转换为图像上的x，y坐标；步骤二、使用rol
‑
traj
‑
yolov5算法自适应旋转框检测新算法来预测具体特定轨迹的位置与轨迹的模式识别；步骤三、通过分析轨迹的具体行为模式分析出形成该轨迹的飞机的具体型号与具体实行任务和航行路线信息。2.根据权利要求1所述的基于深度学习图像方法的飞行轨迹点行为模式分析方法，其特征在于，所述步骤一具体为：使用通用横向墨卡托变换算法和归一化处理将轨迹点的经纬度坐标转换为图像上的x，y坐标，之后使用opencv将轨迹点生成的平面投影坐标在图上绘制以生成图像。3.根据权利要求1所述的基于深度学习图像方法的飞行轨迹点行为模式分析方法，其特征在于，所述步骤二中的rol
‑
traj
‑
yolov5算法是基于YOLOv5
‑
DOTA
‑
OBB算法进行改进的一个旋转目标框算法；该算法采用one
‑
stage算法模型，以yolov5x为基准模型进行修改，rol
‑
traj
‑
yolov5算法由backbone，neck，yolo_head组成。4.根据权利要求3所述的基于深度学习图像方法的飞行轨迹点行为模式分析方法，其特征在于，所述backbone为rol
‑
traj
‑
yolov5算法主干部分，主体使用了CSPDarnet53结构，并且使用了focus结构，Focus层将w
‑
h平面上的信息转换到通道维度，再通过卷积的方式提取不同特征，采用这种方式可减少下采样带来的信息损失。5.根据权利要求3所述的基于深度学习图像方法的飞行轨迹点行为模式分析方法，其特征在于，在所述neck结构中，首先是将SPP换成了SPPF，两者的作用是一样的，但后者在保持同样特征提取效果的同时大大减少了模型的计算量，加速了模型的推理过程；SPPF结构采用了感受野机制，将SPP结构中的三个不同尺寸的池化层并联转换为尺寸单一的5x5的池化层，SPPF结构通过三个5x5尺寸的池化层串联得到了与SPP结构通过5x5，...

【专利技术属性】
技术研发人员：周鹏，曹杰，殷奇缘，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：