基于多维度特征融合的航迹模式识别方法与流程

1.本发明涉及轨迹识别领域，尤其涉及一种航迹模式识别方法、装置、电子设备及存储介质。


背景技术：

2.在航空航天以及航海等涉及到雷达侦测的领域，雷达通过无线电的方法发现目标物体并测定它们的空间坐标，能够实现对目标物位置属性的粗粒度感知，并利用大数据分析技术对目标物体进行轨迹模式识别，能够实现对目标物行为意图更深入的掌握，在军事侦察、战场态势分析等军、民航环境下发挥着不可替代的作用。
3.目前在对目标物体进行目标轨迹识别时，通常直接采用雷达对目标物体的雷达侦测点进行分析。
4.发明人在实现本发明的过程中，发现现有技术存在如下问题：传统目标轨迹模式识别存在的主要问题是按照预先设定的识别模式工作，当环境发生变化时，现有技术不具备随目标和环境变化而自动改变识别模式的能力，因而无法对雷达识别的点位信息进行筛选，造成目标物体的航行轨迹的识别的准确度较低。


技术实现要素：

5.本发明提供了一种航迹模式识别方法、装置、电子设备及存储介质，可以解决现有技术中对目标物体的航行轨迹的识别的准确度较低的问题。
6.第一方面，本发明提供了一种航迹模式识别方法，该方法包括：
7.获取多个目标航迹数据，其中，所述目标航迹数据中包括设定航迹的航迹点位信息以及与所述目标航迹数据对应的航迹模式；
8.根据各目标航迹数据中的航迹点位信息以及与所述目标航迹数据对应的航迹模式，生成训练样本集，并使用训练样本集对航迹数据模型进行训练，得到航迹模式识别模型；其中，所述航迹模式用于作为训练样本中的标注数据；
9.获取待识别航迹数据，并将所述待识别航迹数据输入所述航迹模式识别模型，得到与所述待识别航迹数据匹配的航迹模式识别结果。
10.第二方面，本发明提供了一种航迹模式识别装置，该装置包括：
11.目标航迹数据获取模块，用于获取多个目标航迹数据，其中，所述目标航迹数据中包括设定航迹的航迹点位信息以及与所述目标航迹数据对应的航迹模式；
12.模型训练模块，用于根据各目标航迹数据中的航迹点位信息以及与所述目标航迹数据对应的航迹模式，生成训练样本集，并使用训练样本集对航迹数据模型进行训练，得到航迹模式识别模型；其中，所述航迹模式用于作为训练样本中的标注数据，
13.航迹模式识别模块，用于获取待识别航迹数据，并将所述待识别航迹数据输入所述航迹模式识别模型，得到与所述待识别航迹数据匹配的航迹模式识别结果。
14.第三方面，本发明提供了一种电子设备，所述电子设备包括：
15.至少一个处理器；以及
16.与所述至少一个处理器通信连接的存储器；其中，
17.所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的航迹模式识别方法。
18.第四方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的航迹模式识别方法。
19.本发明实施例的技术方案，通过获取多个目标航迹数据，并根据各目标航迹数据中的航迹点位信息以及与所述目标航迹数据对应的航迹模式，生成训练样本集，使用训练样本集对航迹数据模型进行训练，得到航迹模式识别模型，最后获取待识别航迹数据，并将所述待识别航迹数据输入所述航迹模式识别模型，得到与所述待识别航迹数据匹配的航迹模式识别结果，解决了现有技术中对目标物体的航行轨迹的识别的准确度较低的问题，实现了目标物体的航行轨迹的识别，提高了对目标物体的航行轨迹的识别的准确度。
20.应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
21.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
22.图1是根据本发明实施例一提供的一种航迹模式识别方法的流程图；
23.图2a是根据本发明实施例二提供的一种航迹模式识别方法的流程图；
24.图2b为根据本发明实施例2提供的方法得到的一种航迹模式的标注样例；
25.图3是根据本发明实施例三提供的一种航迹模式识别装置的结构示意图；
26.图4是实现本发明实施例的航迹模式识别方法的电子设备的结构示意图。
具体实施方式
27.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
28.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于
清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
29.实施例一
30.图1为本发明实施例一提供的一种航迹模式识别方法的流程图，本实施例可适用于对目标物体的航行轨迹模式进行识别的情况，其中，所述目标物体包括可以通过雷达设备进行侦测的航天设备与航海设备等，该方法可以由航迹模式识别装置来执行，该航迹模式识别装置可以采用硬件和/或软件的形式实现，该航迹模式识别装置可配置于具有航迹模式识别功能的终端或服务器中。如图1所示，该方法包括：
31.s110、获取多个目标航迹数据。
32.其中，所述目标航迹数据中包括设定航迹的航迹点位信息以及与所述目标航迹数据对应的航迹模式。
33.其中，所述目标航迹数据包括可以用来描述目标物航行轨迹的数据；进一步的，所述目标物可以为民用飞行器、民用航海器等可以通过雷达进行航行轨迹记录的器具。
34.进一步的，所述设定航迹为与目标航迹数据匹配的目标物的全部航迹资料；在本实施例中，由于目标航迹数据为雷达获取的数据，而现有技术的雷达在获取数据时是通过有规律的时间间隔进行目标物点位的拍照，以获得各个不同时刻目标物的点位信息，同一个目标物的多个点位信息组成该目标物的航迹点位信息，故，所述航迹点位信息中包含至少一个由经纬度形式表现的，所述目标物在某一时间的具体经纬度位置信息，即点位信息；进一步的，所述航迹模式为所述目标物对应的运动方式；示例性的，所述航迹模式可以为：直行、盘旋、转向等运动方式。
35.具体的，获取多个目标航迹数据，包括：
36.获取多个备选航迹数据；判断各备选航迹数据的完整度是否超过阈值；
37.在完整度超过阈值的各备选航迹数据中识别当前航迹数据中的异常点位，并将识别到的异常点位进行滤除，以得到与当前航迹信息匹配的各目标航迹数据；其中，异常点位包括无效点位、冗余点位以及离群点位中的至少一项。
38.其中，所述获取多个备选航迹数据；判断各备选航迹数据的完整度是否超过阈值包括:判断各备选航迹数据是否存在航迹点位信息的缺失；若不存在缺失，则直接将当前的备选航迹数据作为完整度超过阈值的备选航迹数据；若当前备选航迹数据存在缺失，则判断备选航迹数据的完整度是否超过阈值。
39.在本实施例中，可选的，所述判断备选航迹数据的完整度是否超过阈值的判断可以为判断当前备选航迹数据的航迹点位缺失是否超过1/3，若超过，则丢弃该备选航迹数据；若不超过，则将当前的备选航迹数据作为完整度超过阈值的备选航迹数据；示例性的，若当前的备选航迹数据按收集时长120s与雷达的拍摄间隔4s判断，当前备选航迹数据的航迹点位信息中应包含120/4＝30个点位信息，但实际获取到的所述航迹点位信息中包含的点位信息只有15个，则判断当前备选航迹数据的航迹点位缺失是否超过1/3，丢弃该备选航迹数据。
40.可选的，所述判断备选航迹数据的完整度是否超过阈值的判断还可以为：判断当前备选航迹数据的航迹点位缺失是否超过30分钟，若超过，则丢弃该备选航迹数据；若不超过，则将当前的备选航迹数据作为完整度超过阈值的备选航迹数据；示例性的，若当前的备
选航迹数据收集时长为2小时，但实际上接受到的航迹点位信息只有前30分钟与最后30分钟的点位信息，则判断当前备选航迹数据的航迹点位缺失超过30分钟，丢弃该备选航迹数据。
41.在上述实施例的基础上，所述无效点位可以为：集中存在在相对位置始终不变的静止的航迹点位信息；相应的，所述冗余点位为：在一段航迹点位信息中，时间点重复或者位置点重复的点位信息；相应的，所述离群点位信息为一段航迹点位信息中，位置信息明显出现偏移以及使用异常检测算法，检测出在概率上明显异常利群的点位信息。
42.s120、根据各目标航迹数据中的航迹点位信息以及与所述目标航迹数据对应的航迹模式，生成训练样本集，并使用训练样本集对航迹数据模型进行训练，得到航迹模式识别模型。
43.其中，所述航迹模式用于作为训练样本中的标注数据。
44.s130、获取待识别航迹数据，并将所述待识别航迹数据输入所述航迹模式识别模型，得到与所述待识别航迹数据匹配的航迹模式识别结果。
45.其中，所诉待识别航迹数据中包括：待识别目标物经雷达检测而获取到的全部点位信息；进一步的，所述航迹模式识别结果为与待识别航迹数据匹配的待识别目标物的具体运动状态，如直行或盘旋等。
46.其中，在获取待识别航迹数据，并将所述待识别航迹数据输入所述航迹模式识别模型，得到与所述待识别航迹数据匹配的航迹模式识别结果之后，包括：
47.如果当前的航迹模式识别结果为非循环模式，则通过预设规则对目标航迹数据进行处理，得到非循环模式下的航向数据，并将所述航向数据与所述航迹模式识别结果进行组合，得到所述处理后结果；如果当前的航迹模式识别结果为循环模式，则通过预设规则对目标航迹数据进行处理，得到循环模式下的循环信息数据，并将所述循环信息数据与所述航迹模式识别结果进行组合，得到所述处理后结果。
48.一方面，所述非循环模式包括：所述目标物的航迹模式识别结果为直行或转向等不具有重复性的动作。在本实施例中，若所述航迹模式识别结果为直行或转向动作时，需要同时识别出目标的航向作为非循环模式下的航向数据；进一步的，所述航向的识别可通过启发式规则的方式进行计算，需要附后续的若干航迹点通过加权平均的方式，得到平均未来位置，然后计算得到航向夹角；示例性的，设p0为当前航迹点的坐标值，为pn为未来m个时间窗口内的平均位置坐标，pn相对p0的航向夹角dirn可以计算如下：
[0049][0050]
dirn＝angle(pn,p0)
[0051]
进一步的，基于计算得到的夹角dirn可以通过直角坐标系下象限的映射关系识别为航向；进一步的所述航向角映射规则可以按下表所示：
[0052]
表1航向角映射规则
[0053][0054]
故在当前的航迹模式识别结果为非循环模式后，所述处理后结果包括所述目标物的运动状态以及运动方位，如向西直行等。
[0055]
另一方面，所述循环模式包括：所述目标物的航迹模式识别结果为盘旋或往返等具有重复性的动作。在本实施例中，示例性的，对于盘旋和往返行为，需要判断盘旋圈数和往返次数；其中，圈数和次数可通过行为持续时间内内航迹数据点的累积角度变化、角度方差等进行判断；具体的，将以上角度特征输入线性回归模型，得到模型预期的圈数或次数值，之后设累计角度变化为dir
acc
，角度方差为dir
std
，则盘旋圈数n
hover
、往返次数n
piston
，可以计算如下：
[0056][0057][0058]nhover
＝ah×
dir
acc
+bh×
dir
std
+ch[0059]npiston
＝a
p
×
dir
acc
+b
p
×
dir
std
+c
p
[0060]
其中ah、bh、a
p
、b
p
分别累计角度变化和角度方差的权重参数，ch、c
p
为偏置项系数，均可以通过线性回归模型学习得到。
[0061]
进一步的，所述盘旋行为还需要列出飞行区域信息，系统可根据识别出的盘旋行为时间寻找在航迹经纬度数据中定位对应的飞行区域；具体的，当航迹行为识别模型识别出处于持续盘旋动作的数据点时，记录这些数据点的最大、最小坐标值，然后通过坐标转换公式转换为实际经纬度值，即可得到盘旋区域的范围。
[0062]
进一步的，得到所述处理后结果之后，还包括：
[0063]
判断所述处理后结果是否符合预设的专家知识规则；若是，则输出所述处理后结果至显示设备进行显示；若否，则输出所述处理后结果以及错误提示至显示设备进行显示。
[0064]
在本实施例中，在得到处理后结果之后，还可根据专家知识进一步提升预测准确率。由于模型知识源自有限的标注数据库，因此有小概率会出现不合理行为预测结果，在这种情况下，可以利用人类专家沉淀的航迹识别知识，对模型预测结果进行调整，使得行为预测更加合理；具体的，所述专家知识规则如下表所示：
[0065]
表2专家知识规则
[0066][0067]
本发明实施例的技术方案，通过获取多个目标航迹数据，并根据各目标航迹数据中的航迹点位信息以及与所述目标航迹数据对应的航迹模式，生成训练样本集，使用训练样本集对航迹数据模型进行训练，得到航迹模式识别模型，最后获取待识别航迹数据，并将所述待识别航迹数据输入所述航迹模式识别模型，得到与所述待识别航迹数据匹配的航迹模式识别结果，实现了目标物体的航行轨迹的识别，提高了对目标物体的航行轨迹的识别的准确度。
[0068]
实施例二
[0069]
图2为本发明实施例二提供的一种航迹模式识别方法的流程图，本实施例以上述实施例为基础进行细化，在本实施例中具体是对使用训练样本集对航迹数据模型进行训练的方法进行细化。
[0070]
相应的，如图2a所示，该方法包括：
[0071]
s210、获取多个目标航迹数据.
[0072]
其中，所述目标航迹数据中包括设定航迹的航迹点位信息以及与所述目标航迹数据对应的航迹模式。
[0073]
其中，获取多个目标航迹数据，包括：获取多个备选航迹数据；判断各备选航迹数据的完整度是否超过阈值；在完整度超过阈值的各备选航迹数据中识别当前航迹数据中的异常点位，并将识别到的异常点位进行滤除，以得到与当前航迹信息匹配的各目标航迹数据；其中，异常点位包括无效点位、冗余点位以及离群点位中的至少一项。
[0074]
s220、基于各目标航迹数据中的航迹点位信息得到与各目标航迹数据分别对应的全局特征与局部特征。
[0075]
其中，所述全局特征为基于整个目标航迹数据所计算的特征；相应的，所述局部特
征为基于目标航迹数据中所包括的某一部分点位信息所计算的特征。
[0076]
具体的，一方面，基于各目标航迹数据中的航迹点位信息得到与各目标航迹数据分别对应的全局特征，包括：基于各目标航迹数据中的航迹点位信息，通过预设公式，计算得到各目标航迹数据中的全局航向、全局平均数据以及全局方差数据；根据各目标航迹数据中的全局航向、全局平均数据以及全局方差数据生成与各目标航迹数据分别对应的全局特征。
[0077]
在本实施例中，示例性的，假设t时刻所述目标航迹数据中对应的点位信息记为p
t
，航迹点位信息中一共包括m个点位信息，speed
t
，altitude
t
分别代表t时刻的所述目标航迹数据对应的目标物的速度和高度，函数代表计算a和b两个航迹点之间的角度。
[0078]
其中，所述全局航向为目标航迹数据自起始点到终点的航向，代表了航迹总的角度趋势；进一步的，所述全局航向的计算公式如下：
[0079][0080]
其中，所述全局平均数据包括：全局平均速度以数据及全局平均高度数据；进一步的，所述全局平均数据可以表示目标航迹数据中目标物的平均速(ms)和平均高度(ma)；具体的，所述全局平均速度以数据及全局平均高度数据的计算公式如下：
[0081][0082][0083]
其中，所述全局方差数据包括全局速度方差数据及全局高度方差数据；进一步的，所述全局方差数据可以表示整个目标航迹数据中目标物的速度方差(vs)和高度方差(va)；具体的，所述全局速度方差数据及全局高度方差数据的计算公式如下：
[0084][0085][0086]
另一方面，基于各目标航迹数据中的航迹点位信息得到与各目标航迹数据分别对应的局部特征，包括：根据各航迹点位信息，获得各目标航迹数据中的各时间窗口；基于各目标航迹数据中的时间窗口，通过预设公式，计算得到各时间窗口中的窗口角度特征、窗口距离特征、航迹曲折度特征、窗口速度特征以及窗口高度特征；根据各目标航迹数据中的各时间窗口中的窗口角度特征、窗口距离特征、航迹曲折度特征、窗口速度特征以及窗口高度特征生成与各目标航迹数据分别对应的局部特征。
[0087]
其中，所述局部特征指基于某个点位信息附近特定时间窗口内的轨迹所计算的特
征，由于不同跨度时间窗口能显示不同的行为特征，如急转弯的特征在小时间窗口内比较明显，而大半径盘旋的特征则需要在大时间窗口内才能显现，故一个航迹点的局部特征也应该包含长短不同的多个时间窗所计算的数据。
[0088]
在本实施例中，所述时间窗口包括：非标准时间窗口与标准时间窗口；具体的，一方面，所述标准时间窗口为航迹点位信息中两个相邻时间获取的点位信息构成的时间窗口，其时间长度为雷达进行点位获取的时间间隔长度；示例性的，若所述航迹点位信息中包括a、b、c、d、e五个点位，且雷达在获取上述点位时的拍摄时间间隔为5s/次，则该航迹点位信息中包含四个标准时间窗口，即a-b、b-c、c-d、d-e，且各标准时间窗口的时间长度均为5s。
[0089]
另一方面，所述非标准时间窗口由与基准点相邻的多个标准时间窗口组成；其中所述基准点为当前航迹点位信息中排除起始点与结束点的全部点位信息；示例性的，所述非标准时间窗口的获取方式为：若所述航迹点位信息中包括a、b、c、d、e五个点位，则以c点位基准点，该航迹点位信息中包含的非标准时间窗口分别为a-c以及c-e；需要注意的是，对于同一个标准点，同一次所取的时间长度最长的非标准时间窗口时间应相等；具体的，若所述航迹点位信息中包括a、b、c、d、e、f、g七个点位，则以c点位基准点，该航迹点位信息中包含的非标准时间窗口分别为a-c以及c-e，由于c-f包含四个标准时间窗口，而相对应的以c点位基准点另一个方向无法取到包含四个标准时间窗口的点位信息，故c-f以及c-g无法被构成一个非标准信息窗口。
[0090]
其中，所述局部特征包括各时间窗口中的窗口角度特征、窗口距离特征、航迹曲折度特征、窗口速度特征以及窗口高度特征；进一步的，所述窗口角度特征包括：局部航向特征、时间窗口总体航向特征以及平均航向特征、窗口方差特征、未来航向特征、过去航向特征以及航向差特征。
[0091]
具体的，所述局部航向特征(dir
t
)可以用来表示当前点位信息到与之相邻的下一个点位信息的飞行方向，计算公式如下：
[0092][0093]
其中，所述时间窗口总体航向特征(dirn)可以表示各时间窗口内第一点到最后一点的直接角度；平均航向特征(meann)，可以计算时间窗口内的平均航向角度；具体的，所述时间窗口总体航向特征与平均航向特征可以表示一定时间内目标总体航向趋势，可以配合当前航向等辅助模型判断转弯、盘旋等行为。公式如下:
[0094][0095][0096]
其中，所述窗口方差特征，可以表示时间窗口内所有小段航向角度方差；具体的，所述窗口方差特征代表一定时间内航向变动程度，如目标在时间窗内一直直行则方差会较小，而如有转弯、盘旋等动作，航向方差会变大。公式如下：
[0097][0098]
其中，所述未来航向特征表示当前点位信息到之后n个点位信息之间的航向，过去航向特征代表当前点位信息之前n个点位信息的航向，公式如下：
[0099][0100][0101]
其中，所述航向差特征(dir_dn)，可以表示前后若干点航向与当前航向的差值，进一步的，所述航向差特征代表前后若干个航向与当前航向的区别，可以辅助模型判断当前航向是否为短暂摆动等情况；具体的，所述公式如下：
[0102][0103]
其中，所述时间窗口所包含的基准点的位置被设定为n＝1的数据点，基准点左侧的位置被定为为n为负值的数据点。
[0104]
进一步的，所述窗口距离特征(dist_dn)可以为时间窗口内坐标的差值，表示过去或未来某点与当前点间的距离；示例性的，如在盘旋等动作中，会出现若干时间内回到原点的情况，反映在距离差上会出现周期性变化；具体的，所述公式如下：
[0105]
dist_dn＝dist(p
t+n
,p
t
)
[0106]
n＝-n,...,-2,-1,1,2,...,n
[0107]
其中，所述时间窗口所包含的基准点的位置被设定为n＝1的数据点，基准点左侧的位置被定为为n为负值的数据点。
[0108]
其中，航迹曲折度特征(factorn)包括一个时间窗内，第一点与最后一点直连距离除以时间窗内每一段距离相加之和；若航迹参数为1时，代表时间窗内航迹为直线，小于1代表时间窗内航迹有曲折，航迹参数值越小代表航迹曲折的程度越高；具体的，所述公式如下：
[0109][0110]
进一步的，所述窗口速度特征包括：平均速度特征、速度方差特征。
[0111]
具体的，所述平均速度特征(msn)可以为计算一段时间内的平均速度；具体的，所述公式如下：
[0112][0113]
其中，速度方差特征(vsn)，可以计算一段时间内的速度的方差，可以代表一段时间内速度变化情况；具体的，所述公式如下：
[0114][0115]
进一步的，所述窗口高度特征包括：平均高度特征与高度方差特征
[0116]
其中，所述平均高度特征(man)可以为：一段时间内的平均高度，可结合速度等特征辅助模型判断起飞、降落等行为；具体的，所述公式如下：
[0117][0118]
其中，所述高度方差特征(van)可以为一段时间内的高度的方差，可以判断一段时间内高度变化情况；具体的，所述公式如下：
[0119][0120]
s230、根据各目标航迹数据中的全局特征、局部特征以及航迹模式，生成训练样本集。
[0121]
s240、使用训练样本集对航迹数据模型进行训练，得到航迹模式识别模型。
[0122]
s250、获取待识别航迹数据，并将所述待识别航迹数据输入所述航迹模式识别模型，得到与所述待识别航迹数据匹配的航迹模式识别结果。
[0123]
在本实施例中，待识别航迹数据经过特征转化后，可以成为一个时间序列，故而可以采用序列标注的方式识别待识别航迹数据匹配的航迹模式；具体的，一方面，针对序列标注模型的求解，在传统的机器学习方法中，表现较好的是条件随机场方法，即crf(conditional random field，条件随机场)方法；在神经网络方法中，表现较优的是循环神经网络模型，即rnn(recurrent neural networks，循环神经网络)模型；另一方面，输入层的特征可以用one-hot向量或者低维稠密的向量表示，无论用哪一种向量表示，每一项的维度都是相同的；相应的，输出层是关于标签的概率分布，它用相同的维度作为标签的大小。
[0124]
long short-term memory networks(lstm，长短期记忆网络)和rnn在结构上类似，只是使用了不同的函数去计算隐藏层的状态。不仅使用lstm对标签建模，而且结合使用crf对模型进行共同建模。在序列标注任务中，对于某一给定的状态，我们会用到它过去的信息和将来的信息。因此，对于特定状态，我们可以使用双向的bi-lstm，用前向状态来使用它过去信息，用后向状态来使用它将来的信息。
[0125]
本实施例所提供的模型训练方法通过bi-lstm层可以充分利用过去的输入信息和将来的输入信息，通过crf层可以充分利用过去和将来的标签信息来预测当前的标签，从而大幅度提升序列标注模型的预测精度。
[0126]
在目标轨迹行为识别任务中，每个时间点的动作状态对前后时间下的动作状态关联性较强。示例性的，目标在t0至t2时刻在做往返动作，t1时刻目标处于往返动作的途中，水平飞行方向保持直行不变，此时若不考虑t0、t2时刻的往返状态，则在t1目标状态很容易被识别为直行动作，而不是往返动作，因此，利用bi-lstm和crf方法进行目标动作识别，需要对目标动作进行状态序列化标签表示。
[0127]
在本实施例中，基于bi-lstm crf目标轨迹动作识别方法，采用iobes标注方法。对于动作类型互斥关系的分析，这里将目标动作划分为垂直动作和水平动作两类；其中，对于垂直动作，起飞、降落为单个时间点的短暂动作，因此可以设定为对应的s标签；上升、下降为多个连续时间点的持续性动作，因此可以设定为对应的b(begin)、i(ing)、e(end)标签；其它高度保持不变的时刻可以设定为o标签；具体的，所述b标签表示上升或下降动作开始的时刻点标记，i标签为上升或下降动作保持的时刻点标记，e标签为上升或下降动作结束的时间点标记。对于水平动作，转向为单个时间点的短暂动作，因此可以设定为对应的s标签；盘旋、往返为多个连续时间点的持续性动作，因此可以设定为对应的b、i、e标签；直行动作可以设定为o标签。基于iobes的目标轨迹动作标注样例如下图2b所示。
[0128]
基于上述标注方法，可以得到垂直动作和水平动作的序列标注数据，在基础上可以结合特征提取阶段提取的全局特征和局部特征，构建各时刻序列输入向量和输出标签，从而分别训练垂直动作和水平动作的bi-lstm crf模型，最后融合两个方向上的结果作为输出，即得到与所述待识别航迹数据匹配的航迹模式识别结果。
[0129]
其中，在获取待识别航迹数据，并将所述待识别航迹数据输入所述航迹模式识别模型，得到与所述待识别航迹数据匹配的航迹模式识别结果之后，包括：如果当前的航迹模式识别结果为非循环模式，则通过预设规则对目标航迹数据进行处理，得到非循环模式下的航向数据，并将所述航向数据与所述航迹模式识别结果进行组合，得到所述处理后结果；如果当前的航迹模式识别结果为循环模式，则通过预设规则对目标航迹数据进行处理，得到循环模式下的循环信息数据，并将所述循环信息数据与所述航迹模式识别结果进行组合，得到所述处理后结果。
[0130]
本发明实施例的技术方案，通过获取多个目标航迹数据，并基于各目标航迹数据中的航迹点位信息得到与各目标航迹数据分别对应的全局特征与局部特征，之后根据各目标航迹数据中的全局特征、局部特征以及航迹模式，生成训练样本集，之后使用训练样本集对航迹数据模型进行训练，得到航迹模式识别模型，最后获取待识别航迹数据，并将所述待识别航迹数据输入所述航迹模式识别模型，得到与所述待识别航迹数据匹配的航迹模式识别结果，实现了目标物体的航行轨迹的识别，提高了对目标物体的航行轨迹的识别的准确度。
[0131]
实施例三
[0132]
图3为本发明实施例三提供的一种航迹模式识别装置的结构示意图。如图3所示，该装置包括：
[0133]
目标航迹数据获取模块310，用于获取多个目标航迹数据，其中，所述目标航迹数
据中包括设定航迹的航迹点位信息以及与所述目标航迹数据对应的航迹模式；
[0134]
模型训练模块320，用于根据各目标航迹数据中的航迹点位信息以及与所述目标航迹数据对应的航迹模式，生成训练样本集，并使用训练样本集对航迹数据模型进行训练，得到航迹模式识别模型；其中，所述航迹模式用于作为训练样本中的标注数据，
[0135]
航迹模式识别模块330，用于获取待识别航迹数据，并将所述待识别航迹数据输入所述航迹模式识别模型，得到与所述待识别航迹数据匹配的航迹模式识别结果。
[0136]
本发明实施例的技术方案，通过获取多个目标航迹数据，并根据各目标航迹数据中的航迹点位信息以及与所述目标航迹数据对应的航迹模式，生成训练样本集，使用训练样本集对航迹数据模型进行训练，得到航迹模式识别模型，最后获取待识别航迹数据，并将所述待识别航迹数据输入所述航迹模式识别模型，得到与所述待识别航迹数据匹配的航迹模式识别结果，实现了目标物体的航行轨迹的识别，提高了对目标物体的航行轨迹的识别的准确度。
[0137]
在上述实施例的基础上，目标航迹数据获取模块310，还包括：
[0138]
备选航迹数据获取单元，用于获取多个备选航迹数据；
[0139]
阈值判断单元，用于判断各备选航迹数据的完整度是否超过阈值；
[0140]
异常点位过滤单元，用于在完整度超过阈值的各备选航迹数据中识别当前航迹数据中的异常点位，并将识别到的异常点位进行滤除，以得到与当前航迹信息匹配的各目标航迹数据。
[0141]
在上述实施例的基础上，模型训练模块320，还包括：
[0142]
特征确定单元，用于基于各目标航迹数据中的航迹点位信息得到与各目标航迹数据分别对应的全局特征与局部特征；
[0143]
样本集生成单元，用于根据各目标航迹数据中的全局特征、局部特征以及航迹模式，生成训练样本集。
[0144]
在上述实施例的基础上，特征确定单元，进一步包括：
[0145]
全局数据获取单元，用于基于各目标航迹数据中的航迹点位信息，通过预设公式，计算得到各目标航迹数据中的全局航向、全局平均数据以及全局方差数据；
[0146]
全局特征确定单元，用于根据各目标航迹数据中的全局航向、全局平均数据以及全局方差数据生成与各目标航迹数据分别对应的全局特征。
[0147]
在上述实施例的基础上，特征确定单元，进一步包括：
[0148]
时间窗口分割单元，用于根据各航迹点位信息，获得各目标航迹数据中的各时间窗口；
[0149]
窗口特征获取单元，用于基于各目标航迹数据中的时间窗口，通过预设公式，计算得到各时间窗口中的窗口角度特征、窗口距离特征、航迹曲折度特征、窗口速度特征以及窗口高度特征；
[0150]
局部特征确定单元，用于根据各目标航迹数据中的各时间窗口中的窗口角度特征、窗口距离特征、航迹曲折度特征、窗口速度特征以及窗口高度特征生成与各目标航迹数据分别对应的局部特征。
[0151]
在上述实施例的基础上，还包括，第一处理后结果获取模块，用于在获取待识别航迹数据，并将所述待识别航迹数据输入所述航迹模式识别模型，得到与所述待识别航迹数
据匹配的航迹模式识别结果之后，如果当前的航迹模式识别结果为非循环模式，则通过预设规则对目标航迹数据进行处理，得到非循环模式下的航向数据，并将所述航向数据与所述航迹模式识别结果进行组合，得到所述处理后结果；
[0152]
在上述实施例的基础上，还包括，第二处理后结果获取模块，用于在获取待识别航迹数据，并将所述待识别航迹数据输入所述航迹模式识别模型，得到与所述待识别航迹数据匹配的航迹模式识别结果之后，如果当前的航迹模式识别结果为循环模式，则通过预设规则对目标航迹数据进行处理，得到循环模式下的循环信息数据，并将所述循环信息数据与所述航迹模式识别结果进行组合，得到所述处理后结果。
[0153]
在上述实施例的基础上，还包括，输出模块，用于在得到所述处理后结果之后，判断所述处理后结果是否符合预设的专家知识规则。
[0154]
在上述实施例的基础上，输出模块，还包括：
[0155]
第一输出模块，用于输出所述处理后结果至显示设备进行显示；
[0156]
第二输出模块，用于输出所述处理后结果以及错误提示至显示设备进行显示。
[0157]
本发明实施例所提供的航迹模式识别装置可执行本发明任意实施例所提供的航迹模式识别方法，具备执行方法相应的功能模块和有益效果。
[0158]
实施例四
[0159]
图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
[0160]
如图4所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(rom)12、随机访问存储器(ram)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(rom)12中的计算机程序或者从存储单元18加载到随机访问存储器(ram)13中的计算机程序，来执行各种适当的动作和处理。在ram 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、rom 12以及ram 13通过总线14彼此相连。输入/输出(i/o)接口15也连接至总线14。
[0161]
电子设备10中的多个部件连接至i/o接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0162]
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如航迹模式识别方法。
[0163]
相应的，该方法包括：
[0164]
获取多个目标航迹数据，其中，所述目标航迹数据中包括设定航迹的航迹点位信
息以及与所述目标航迹数据对应的航迹模式；
[0165]
根据各目标航迹数据中的航迹点位信息以及与所述目标航迹数据对应的航迹模式，生成训练样本集，并使用训练样本集对航迹数据模型进行训练，得到航迹模式识别模型；其中，所述航迹模式用于作为训练样本中的标注数据；
[0166]
获取待识别航迹数据，并将所述待识别航迹数据输入所述航迹模式识别模型，得到与所述待识别航迹数据匹配的航迹模式识别结果。
[0167]
在一些实施例中，航迹模式识别方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由rom 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到ram 13并由处理器11执行时，可以执行上文描述的航迹模式识别方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行航迹模式识别方法。
[0168]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0169]
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0170]
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0171]
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0172]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)、区块链网络和互联网。
[0173]
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务中，存在的管理难度大，业务扩展性弱的缺陷。
[0174]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

技术特征：
1.一种航迹模式识别方法，其特征在于，包括：获取多个目标航迹数据，其中，所述目标航迹数据中包括设定航迹的航迹点位信息以及与所述目标航迹数据对应的航迹模式；根据各目标航迹数据中的航迹点位信息以及与所述目标航迹数据对应的航迹模式，生成训练样本集，并使用训练样本集对航迹数据模型进行训练，得到航迹模式识别模型；其中，所述航迹模式用于作为训练样本中的标注数据；获取待识别航迹数据，并将所述待识别航迹数据输入所述航迹模式识别模型，得到与所述待识别航迹数据匹配的航迹模式识别结果。2.根据权利要求1所述的方法，其特征在于，获取多个目标航迹数据，包括：获取多个备选航迹数据；判断各备选航迹数据的完整度是否超过阈值；在完整度超过阈值的各备选航迹数据中识别当前航迹数据中的异常点位，并将识别到的异常点位进行滤除，以得到与当前航迹信息匹配的各目标航迹数据；其中，异常点位包括无效点位、冗余点位以及离群点位中的至少一项。3.根据权利要求1所述的方法，其特征在于，根据各目标航迹数据中的航迹点位信息以及与所述目标航迹数据对应的航迹模式，生成训练样本集，包括：基于各目标航迹数据中的航迹点位信息得到与各目标航迹数据分别对应的全局特征与局部特征；根据各目标航迹数据中的全局特征、局部特征以及航迹模式，生成训练样本集。4.根据权利要求3所述的方法，其特征在于，基于各目标航迹数据中的航迹点位信息得到与各目标航迹数据分别对应的全局特征，包括：基于各目标航迹数据中的航迹点位信息，通过预设公式，计算得到各目标航迹数据中的全局航向、全局平均数据以及全局方差数据；根据各目标航迹数据中的全局航向、全局平均数据以及全局方差数据生成与各目标航迹数据分别对应的全局特征。5.根据权利要求3所述的方法，其特征在于，基于各目标航迹数据中的航迹点位信息得到与各目标航迹数据分别对应的局部特征，包括：根据各航迹点位信息，获得各目标航迹数据中的各时间窗口；基于各目标航迹数据中的时间窗口，通过预设公式，计算得到各时间窗口中的窗口角度特征、窗口距离特征、航迹曲折度特征、窗口速度特征以及窗口高度特征；根据各目标航迹数据中的各时间窗口中的窗口角度特征、窗口距离特征、航迹曲折度特征、窗口速度特征以及窗口高度特征生成与各目标航迹数据分别对应的局部特征。6.根据权利要求1所述的方法，其特征在于，在获取待识别航迹数据，并将所述待识别航迹数据输入所述航迹模式识别模型，得到与所述待识别航迹数据匹配的航迹模式识别结果之后，包括：如果当前的航迹模式识别结果为非循环模式，则通过预设规则对目标航迹数据进行处理，得到非循环模式下的航向数据，并将所述航向数据与所述航迹模式识别结果进行组合，得到所述处理后结果；如果当前的航迹模式识别结果为循环模式，则通过预设规则对目标航迹数据进行处
理，得到循环模式下的循环信息数据，并将所述循环信息数据与所述航迹模式识别结果进行组合，得到所述处理后结果。7.根据权利要求6所述的方法，其特征在于，在得到所述处理后结果之后，还包括：判断所述处理后结果是否符合预设的专家知识规则；若是，则输出所述处理后结果至显示设备进行显示；若否，则输出所述处理后结果以及错误提示至显示设备进行显示。8.一种航迹模式识别装置，其特征在于，包括：目标航迹数据获取模块，用于获取多个目标航迹数据，其中，所述目标航迹数据中包括设定航迹的航迹点位信息以及与所述目标航迹数据对应的航迹模式；模型训练模块，用于根据各目标航迹数据中的航迹点位信息以及与所述目标航迹数据对应的航迹模式，生成训练样本集，并使用训练样本集对航迹数据模型进行训练，得到航迹模式识别模型；其中，所述航迹模式用于作为训练样本中的标注数据，航迹模式识别模块，用于获取待识别航迹数据，并将所述待识别航迹数据输入所述航迹模式识别模型，得到与所述待识别航迹数据匹配的航迹模式识别结果。9.一种电子设备，其特征在于，所述电子设备包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的航迹模式识别方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的航迹模式识别方法。

技术总结
本发明公开了一种航迹模式识别方法、装置、电子设备及存储介质。该方法包括：获取多个目标航迹数据，其中，所述目标航迹数据中包括设定航迹的航迹点位信息以及与所述目标航迹数据对应的航迹模式；根据各目标航迹数据中的航迹点位信息以及与所述目标航迹数据对应的航迹模式，生成训练样本集，并使用训练样本集对航迹数据模型进行训练，得到航迹模式识别模型；获取待识别航迹数据，并将所述待识别航迹数据输入所述航迹模式识别模型，得到与所述待识别航迹数据匹配的航迹模式识别结果。通过本发明的技术方案，能够实现目标物体的航行轨迹的识别，提高了对目标物体的航行轨迹的识别的准确度。准确度。准确度。


技术研发人员：韩鸿渐 王子豪 谭新 桂洪冠 张健 余熙韩 陈运文 纪达麒
受保护的技术使用者：达而观信息科技（上海）有限公司
技术研发日：2023.05.12
技术公布日：2023/8/13