基于船舶自動識別系統信息和Hough變換的海上船舶航道提取

陳宏昆，察 豪，劉立國，孟 薇

(1.海軍工程大學 電子工程學院，武漢 430033； 2.陸軍武漢軍事代表局，武漢 430000)(*通信作者電子郵箱chenhk93@163.com)

0 引言

船舶在海上航行時通常遵循特定的航道，利用豐富的海上船舶航行信息提取出這些航道，判斷船舶的航行軌跡是否遵循特定的航道作為該船舶的航行行為是否正常和是否進一步進行專家分析的依據，對分析海上船舶行為、異常檢測和海洋監視具有重要意義。船舶自動識別系統(Automatic Identification System, AIS)在船舶、陸基站點和衛星之間發送與接收包含船舶靜態信息(海上移動業務標識碼、船名、船舶類型等)和動態信息(經緯度、航速、航向等)的AIS報文來進行船舶的識別和定位[1-3]，是船舶航行數據的一種重要來源。但海上船舶數量巨大，導致AIS數據量太大而無法直接用于人工分析，對數據的存儲和計算也提出了挑戰，因此要求研究快速有效的智能算法對海量AIS數據進行處理并獲取知識。

目前，國內外利用AIS數據獲取航道信息主要是通過軌跡聚類和機器學習等方法來實現: 文獻[4-5]提出了為異常檢測提取航道(Traffic Route Extraction for Anomaly Detection, TREAD)的算法，該方法基于AIS信息，獲取航道的起點和終點以及中途的停駐點，利用基于密度的空間聚類(Density-Based Spatial Clustering of Applications with Noise, DBSCAN)方法對這些點進行聚類，將連接類的矢量線段視為航道，分析航道的時空分布，并在此基礎上對船舶行為進行預測；文獻[6]提出用機器學習的聚類、分類和離群點檢測等方法對軌跡相似性進行度量；文獻[7]提出了基于船舶航向、航速和船舶間距離的相似性，利用k均值聚類方法獲取航道內船舶的行為特征的算法。文獻[8-11]提出建立軌跡結構距離模型，優化軌跡間相似性度量的算法，并結合經典DBSCAN聚類算法實現船舶軌跡聚類。但是上述算法均要求連續接收AIS信息以形成船舶軌跡，對數據質量要求高，而遠海海域的AIS信息只能通過衛星平臺接收，目前星載AIS接收設備不多，無法保證AIS信號的全程接收，因此不適用于遠海海域的航道提取。文獻[12]提出將船舶密度分布視為圖像，運用Hough變換提取線性航道，并用高斯擬合法分析航道寬度，有效地提取了大面積海域的線性航道，但該方法提取航道的精度不高，且對噪聲敏感。

針對上述情況，本文提出一種基于歷史AIS數據，利用圖像處理方法進行降噪，利用Hough變換提取線性航道中心線，并用核密度估計法估計航道寬度的航道提取算法，成功地實現對大面積遠海海域的航道提取。最后采用真實的歷史AIS數據進行實驗驗證，實驗結果證明了所提方法的有效性，且提取航道的精度較文獻[12]有了提升。

1 Hough變換法提取線性航道

Hough變換是圖像處理中檢測直線的技術中最受歡迎的技術之一[13-14]。在遠海開闊海域，航道上的船舶密度遠高于其他區域，可將船舶密度分布視為Hough變換中的圖像空間，分布在航道上的船舶構成圖像中的直線，其他區域的船舶視為噪聲，據此利用Hough變換提取線性航道。算法的總體流程如圖1所示。

圖1 航道提取算法流程

1.1 船舶密度分布模型

船舶密度是指單位面積內船舶數量。對目標區域劃分網格，將單個網格的大小視為單位面積，計算每個網格內船舶的數量，即可得到該區域的船舶密度分布。受AIS數據量限制，且AIS數據經常存在誤報、數據遭惡意篡改[15]的現象，船舶密度分布沒有回歸統計學規律，航道提取準確度較低, 因此利用圖像處理中的中值濾波和形態學濾波方法對密度分布進行優化、降低噪聲干擾、提高航道提取準確度。

從AIS數據庫中提取目標區域的船舶位置信息，存入集合L中：

L= { (lon_i,lat_i);i= 1,2,…,N}

(1)

式中：lon表示經度，lat表示緯度，N為目標區域內AIS報文總數。將目標區域劃分為n×n的網格，網格的寬度為：

(2)

式中：lon_min、lon_max和lat_min、lat_max分別表示目標區域的經緯度邊界。計算每個網格內的AIS報文數量，獲得密度矩陣M：

Mr,c=count(L{ (lon,lat)|lon_min+ (c-1)Δlon≤lon

(3)

式中：r,c=1, 2, …,n分別表示矩陣的行和列，count(·)表示計數函數。

下面對密度矩陣進行降噪處理。首先進行中值濾波：

Mr,c′=med{Mr-i,c-j;i,j∈W}

(4)

式中：med(·)表示取中值，W為2×2的方形窗口。

然后利用形態學濾波中的開運算對M′進行形態學濾波：對M′作二值化處理，得到二值化矩陣C：

(5)

利用Matlab軟件中的開運算函數對C作開運算得到C′=imopen(C,W)，其中W取為2×2的方形窗口。矩陣M′的形態學濾波的輸出結果為：

M″ =M′⊙C′

(6)

式中：⊙表示相同維數的矩陣對應元素相乘。

最后對矩陣M″作標準化處理：

(7)

1.2 Hough變換檢測航道

Hough變換是圖像處理中檢測直線或曲線的一種有效方法，其原理是將圖像空間中的一條直線或曲線映射到Hough空間中的一點。將船舶密度分布視為Hough變換中的圖像空間，圖像空間中的直線可由原點到直線的距離d和該垂線與c軸(矩陣行)的夾角θ唯一確定，直線的參數形式為：

d=ccosθ+rsinθ

(8)

圖像空間同一條直線上的點作Hough變換后在Hough空間(d,θ)相交于同一點，計算該點位置，就可以確定船舶航道中心線。

應用Hough變換檢測線性航道的算法步驟如下：

步驟1 根據1.1節船舶密度分布分析方法計算標準化密度矩陣MN。

步驟2 設置密度門限ρth，將矩陣MN中超過ρth的點記錄到點集P= {(c,r)}。

步驟3 將點集P中的點(c,r)按照式(8)映射至點集Q={(d,θ)}，式中：θ∈(0,2π)。

步驟4 為點集Q中的任意一點(d,θ)設置窗口G(d,θ)：

G(d,θ)={(dk,θk)||d-dk|≤Δd,|θ-θk|≤Δθ,(dk,θk)∈Q}

(9)

式中：Δd和Δθ為窗口的大小。

步驟5 計算Hough空間中每個窗口G(d,θ)內點的數量，選取包含點數最多的窗口Gmax。

步驟6 提取Gmax內所有元素對應的點集P中的點(c,r)，這些點近似共線，將其視為航道內的點，作直線擬合，得到航道的中心線l。

2 航道寬度估計

同陸地上的車道類似，海上的船舶航道也有一定的寬度，但是受氣象、水文和海底地形等因素影響，海上航道寬度通常不始終保持一致，因此按照密度矩陣的列逐段分析航道寬度。為避免目標區域內其他航道對密度分布的影響，首先確定航道寬度分析區間。密度矩陣第c列的寬度分析區間I的定義為：設航道中心線l與矩陣第c列交于(γ,c)，以γ為中心，向兩側延伸至密度值首次低于門限Ith所對應的行的集合。取該列航道中心線處密度值的0.2倍作為門限值，即Ith= 0.2Mγ,c，如圖2所示。

圖2 寬度分析區間

2.1 高斯擬合法

通常寬度分析區間內的船舶密度近似服從以γ為中心的高斯分布，因此用高斯函數對密度分布的密度函數進行擬合。設密度矩陣第c列的寬度分析區間I=(r1,r2,…,rm)，其中m為寬度分析區間的寬度，密度分布的均值μc為：

(10)

方差σc為：

(11)

將μc和σc代入高斯函數，得到密度函數f(x)：

(12)

其中：

(13)

2.2 核密度估計法

在實際情況中，用高斯函數對密度矩陣部分列的寬度分析區間內船舶密度分布的擬合效果不好，因此采用核密度估計法。利用核密度估計法得到的概率密度函數為：

(14)

式中：xi為獨立同分布的樣本點，h為帶寬，K(·)為核函數。核函數采用高斯核函數，具體表達式為：

(15)

式中：xc為核函數中心，σ為函數的寬度參數。根據密度矩陣構造樣本點xi：

xi=

(16)

式中：{rk;k= 1,2,…,m}為密度矩陣第c列的寬度分析區間，m為寬度分析區間的寬度。將構造的樣本點{xi}代入式(16)，得到寬度分析區間的密度函數f(x)。

2.3 航道邊界和寬度估計

下面根據船舶密度分布的密度函數f(x)估計航道邊界。參照3 dB帶寬規則，取密度函數f(x)最高值的1/2作為邊界門限λth：

λth=fmax(x)/2

(17)

令

xl=f-1(λth)

(18)

設xl的取值集合為Xl={x1,x2,…,xn}，且x1

3 實驗驗證

3.1 航道提取

選取印度洋海域坐標為(10°N, 95°E)、(20°S, 95°E)、(20°S, 85°E)和(10°N, 85°E)四點依次連接形成的矩形海域為目標海域，提取該海域2017- 03- 01— 03- 10的歷史AIS數據對本文算法進行實驗驗證。AIS數據統計結果如表1所示，共篩選出1 163艘船舶88 509條AIS數據。通過劃分網格并設置密度門限ρth，將圖像空間的對象數量從88 509降低到1 193，大幅降低了Hough變換的運算量。目標海域在地圖上的位置和船舶在該海域的分布如圖3(a)所示。

運用Hough變換提取線性航道，并分別用文獻[12]的高斯擬合法和本文核密度估計法分析航道寬度，共提取了5條航道，如圖3(b)～(c)所示。圖像背景表示劃分的網格，用網格色調的冷暖表示船舶密度值高低；圖中實線表示航道中心線，虛線表示航道邊界。圖3(d)為采用DBSCAN軌跡聚類法獲得的軌跡簇。航道內船舶軌跡數量占區域軌跡總數的比重和航道面積在目標區域的占比如表2所示。

表2 三種方法航道內船舶數量和航道面積的占比

從圖3和表2可以看出，用DBSCAN軌跡聚類法對該海域船舶軌跡進行聚類，只能在軌跡密度極高的區域形成軌跡簇，簇內軌跡數量僅占區域軌跡總數的29.81%，而在船舶密度較為稀疏的區域則沒有形成軌跡簇, 這是因為星載AIS接收機沒有連續接收到船舶密度分布稀疏的區域的AIS信號，導致這些區域無法形成船舶航行軌跡。結果證明該方法不適用于大面積遠海海域的航道提取。用Hough變換法提取航道，航道內船舶軌跡占區域軌跡總數的比重超過95%，而航道面積占比不到40%，沒有位于航道內的軌跡占比不到5%。結果證明利用Hough變換可以有效地提取遠海大面積海域的線性航道。

3.2 算法比較

針對文獻[12]的高斯擬合法和本文提出的核密度估計法，對這兩種航道寬度分析方法作進一步分析比較。選取其中一條航道的寬度分析區間，分別用高斯擬合法和核密度估計法獲得的密度函數及寬度分析結果如圖4所示。

圖4中航道寬度1為通過高斯擬合法分析的結果，航道寬度2為核密度估計分析的結果。從圖中可以看出，在該寬度分析區間內，密度分布沒有顯示出對稱特點，因此用高斯函數擬合的密度函數與實際密度分布有明顯的偏差，而核密度估計法得到的密度函數與實際密度分布擬合的效果好于高斯分布，航道寬度2內包含的船舶密度值高于航道寬度1。從表2也可以看出，利用核密度估計法分析航道寬度，得到的航道面積比高斯擬合法小，而航道內船舶軌跡數量更多，用核密度估計法分析的航道內船舶密度高于高斯擬合法。實驗結果證明了用核密度估計法估計航道寬度的精度高于高斯擬合法。

4 結語

大面積遠海海域航道提取對全球海上態勢評估和海洋監視具有重要意義。本文提出基于AIS數據，用劃分網格的方法分析海上船舶密度分布，并通過中值濾波和形態學濾波優化密度分布，將船舶密度分布視為圖像，利用Hough變換提取線性航道的算法，并用核密度估計法分析航道寬度。選取印度洋海域的真實歷史AIS數據對該算法進行驗證，結果表明，利用Hough變換可以有效地提取遠海大面積海域的線性航道，用核密度估計法分析航道寬度的結果比高斯擬合法更加精確。利用Hough變換提取遠海海域的線性航道可為海洋監視和異常檢測提供支持，將航行軌跡不符合航道的船舶視為異常進行重點關注，可以大幅減少海上目標監視的工作量，提高工作效率。