【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...
【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，...
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。