船舶自動(dòng)識(shí)別系統(tǒng)的軌跡分類方法綜述

　　由于監(jiān)控設(shè)備視野有限、代價(jià)昂貴等問題，導(dǎo)致基于船舶圖像或視頻的船舶分類效果欠佳，改進(jìn)船舶分類方法、提高船舶分類的準(zhǔn)確率迫在眉睫。近幾年，隨著各類軌跡數(shù)據(jù)采集系統(tǒng)的興起，通過船舶航行軌跡數(shù)據(jù)實(shí)現(xiàn)船舶類型的分類逐漸成為可能。針對(duì)使用傳統(tǒng)二維卷積神經(jīng)網(wǎng)絡(luò)（ Convolutional Neural Network，CNN）對(duì)船舶軌跡分類存在特征壓縮和時(shí)序特征表達(dá)能力匱乏的問題，文中提出了一種一維CNN（ One-dimensional CNN，1DCNN）與長(zhǎng)短期記憶網(wǎng)絡(luò)（ Long short-term Memory，Ⅰ相結(jié)合的混合分類模型，對(duì)采集到的船舶自動(dòng)識(shí)別系統(tǒng)（ Automatic Identification Syste，AIS）數(shù)據(jù)進(jìn)行船舶類型識(shí)別。首先，針對(duì)AIS采集到的船舶軌跡數(shù)據(jù)進(jìn)行預(yù)處理，過濾噪聲數(shù)據(jù);然后，針對(duì)隱含在船舶軌跡信息中的特征對(duì)于1DCNN而言過于隱晦的問題，提岀了一種針對(duì)大規(guī)模航舶軌跡數(shù)據(jù)的，且 IDCNN能夠識(shí)別的軌跡分布特征向量的構(gòu)建算法，冋時(shí)在此基礎(chǔ)上提取了LSTM能夠識(shí)別的時(shí)序特征向量;最后，將訓(xùn)練后的1DCNN模型與LSTM模型進(jìn)行數(shù)據(jù)融合得到混合船舶分類模型。以渤海區(qū)域2016年δ月的船舶ΔIS數(shù)據(jù)為基礎(chǔ)，使用 1 DCNN與LSTM相結(jié)合的混合模型對(duì)漁船、客船、油船、集裝箱船和散貨船5類典型船舶的軌跡數(shù)據(jù)進(jìn)行分類，并將其與使用一種神經(jīng)網(wǎng)絡(luò)如ⅠSTM作為分類器的方法進(jìn)行對(duì)比，結(jié)果表明所提方法具有明顯的有效性，是一種有效的船舶軌跡分類方法。