基于遥感的海上船舶监测平台

遥感在海洋快速监测中的应用

海上快速监测的遥感技术

马尔科·雷贾尼尼 1,*，马尔科·里吉 1,马尔科·坦普奇 1,安杰丽卡·洛杜卡 2,克拉拉·巴乔 2,路易吉·贝迪尼 1,安德烈亚·德里科 2,克劳迪奥·迪保罗 3,安德烈亚·马尔凯蒂 2,马西莫·马 尔丁内利 1,科斯坦佐·梅尔库里奥 3,埃马努埃莱·萨莱尔诺 1和布鲁诺·齐齐
1意大利国家研究委员会信息科学与技术研究所，意大利比萨561242意大利国家研究委员会信息学与远程 信息处理研究所，意大利比萨561243 Mapsat有限公司，意大利贝内文托821004 SisTer有限公司，意大利 比萨56021*通讯作者：marco.reggiannini@isti.cnr.it；电话：+39‐050‐621‐3469

收稿日期：2019年5月28日；接受日期：2019年6月26日；出版日期：2019年6月28日

摘要

本文的主要目的是描述一个专用于海上监视的软件平台，该平台能够检测和识别非法海上交通。该平台是多个图像处理算法级联流程的结果，这些算法输入由星载传感器捕获的雷达或光学图像，并尝试识别场景中的舰船目标，并提供有关其形状和运动的定量描述符。该平台具有创新性，因其在其架构中集成了异构数据和数据处理解决方案，旨在通过唯一且完全自动化的处理流程识别航行船舶。更详细地说，处理链包括：（i）在输入图中检测目标船舶；（ii）估计每艘船舶最具描述性的几何和散射特征（针对雷达图像）；（iii）估计每艘船舶的运动学参数；（iv）预测每艘船舶未来的航线；以及（v）在专用webGIS界面中可视化结果。该平台是一种新型工具，可用于打击非法捕捞、应对非正常移民及相关走私活动。

关键词 ：海上态势感知系统；海上监视；合成孔径雷达遥感；光学遥感；船舶检测；图像分割；图像分类；尾迹检测与分析；船舶航线预测；webGIS界面

1. 引言

海上交通由全球每天航行的超过60万艘船舶组成。这一庞大的船舶网络在监测和及时实施应对措施方面带来了严峻挑战。沿太阳同步低地球轨道（LEO）运行的卫星任务每日提供关于海面状态的异构遥感数据，且具有不同的分辨率。这些信息在船舶交通监测中发挥着关键作用，因为遥感数据能够提供有关船舶主要特征、特定几何形状甚至其运动学的信息。

本文关注的主要目标是描述一个专门用于海上监视的平台，该平台能够检测和识别远洋船舶。该平台负责收集和整合由多源、多传感器卫星任务提供的特定感兴趣海域的数据。高分辨率数据由当前在轨任务提供，例如欧洲航天局（ESA）哥白尼哨兵卫星、ISI‐IMAGESATEROS‐B卫星以及意大利航天局（ASI）COSMO‐SkyMed卫星星座。这些数据经过处理，以检测并识别位于兴趣区域内的船舶，并提供有意义特征的估计值，例如形状和运动学参数。

所实现的平台被设计为一个顺序处理流程，每个步骤针对特定任务，旨在提取有意义的信息（见 图1）。首先，输入的雷达和光学图像由专用算法进行处理，尝试区分海杂波、噪声背景与可能揭示船舶存在的异常信号。此过程的输出是一组子图，每张子图仅裁剪出包含单个目标的部分。每个这样的子图随后被输入至船舶分割模块，该模块负责进一步精确定位属于目标的像素。相应地，该操作可提供有关目标的附加信息，例如其总长度、总宽度以及航向（可能存在 180◦歧义）。后一模块提供的几何和形态信息还可通过检查船舶周围水面情况进一步丰富。事实上，已知船舶航行会在水面上产生尾迹模式，其特有的视觉特征直接取决于船舶的运动学状态。特别是，通过检测主要尾流成分的线性包络并对可观测振荡进行频率分析，可以分别估计船舶的航向（唯一确定）和速度模量。所估计的船舶几何参数和运动学参数随后被用于预测船舶行为。基于统计方法，该任务利用以往捕获任务中收集的历史数据，并用于训练专用的多类别分类器。相应的输出是每个船舶在图像捕获时间之后某一延迟时刻出现在特定区域的存在概率。然后将兴趣区域（AoI）内看似协作船舶发送的可用（真实或伪造）自动识别系统（AIS）消息与上述估计值相结合，构建船舶航线预测（SRP）系统，用于预测已识别船舶的下一位置。所有处理结果最终集成到webGIS界面中，使用户能够轻松访问和可视化平台的输出产品。

本文其余部分安排如下。第2节概述了海上监控平台领域的最新研究现状。第3节简要介绍了所提出的平台。第4–7节详细讨论了集成到该平台中的各项处理技术，第8节描述了用于数据集成与可视化的WebGIS基础设施。第9节展示了在欧洲航天局资助的OSIRIS项目框架内对该平台的实际实现。第10节总结了全文，概括了主要成果并探讨了可能的未来发展。

2. 相关工作

海上监视主题在以往的国际项目框架中已受到研究人员的广泛关注。以下简要总结了一些示例。

DOLPHIN（高创新性海上监视能力的准业务化服务开发）[1]是一项欧盟研发项目，旨在改进基于空间的海上监视技术，以支持边境监视、交通安全和渔业管控领域的活动。NEREIDS[2]（集成与先进海上监视的新服务能力）是一项由欧盟资助的项目，旨在提供欧洲海洋政策与监视的整体化视野。具体目标是增强欧洲自动船舶监控能力，并提供先进的决策工具。SIMTISYS[3]（运动目标指示系统模拟器）项目专注于小型船只的探测与跟踪。为此，已实现了一种运动目标指示系统模拟器，旨在提供一个通用工具，用于监测海上边界，特别是海上航线与交通以及污染管理。PERSEUS[4]（面向政策的南欧海域环境研究）是一项研究项目，旨在评估人类活动和自然压力对地中海和黑海的双重影响。PERSEUS融合了自然科学和社会经济学，以预测这些压力对海洋生态系统的长期影响。该项目的目标是设计一个高效且创新的研究治理框架，为政策制定者遏制海洋生物退化提供依据。AMASS（自主海上监视系统）项目[5]致力于关键海域的观测与安全，以减少实际和潜在的非法移民以及毒品、武器和违禁品走私。该监视系统由自主无人监视浮标组成，配备主动与被动传感器，例如通过宽带无线电联网的非制冷热成像仪和水听器阵列。AMASS是机构参与者在海上边境监视框架内可利用的一种工具。

所有这些项目旨在实施工具，以在各种关键情况下改进对远洋船舶的检测与监控，例如非法贩运与移民、渔业管控和海盗行为。本文提出创新解决方案，以增强和丰富与海上监视相关的一些关键任务。具体而言，下文各节介绍了关于精细化的船舶检测与分割、船舶运动学评估的先进流程以及预测船舶航线的分类算法等新方法。

2.1. 船舶检测与分割

船舶检测的目标是识别捕获图像中与舰船目标相关的像素。该任务在以往文献中已被广泛讨论。一种流行的基于遥感输入图像实现船舶检测器的方法，旨在采用能够为预筛选阶段提供高计算速度的解决方案。在这方面，通常会忽略精细的统计考虑，而倾向于使用简化的统计假设和固定的最大误报率的全自动快速检测器，例如恒定虚警率（CFAR）检测器。这些检测器通常作用于单通道强度图像，并通过对每个像素强度与其指定邻域内像素强度进行统计检验来实现。

在成像范围非常大的区域，特别是在交通密集的情况下，产生的虚警数量通常过多，无法通过人工方式全部排除[6]。判别算法旨在利用数据中的附加信息或某种先验知识，或两者结合，自动剔除这些虚警，或仅需最少的人工干预。由于某种形式的CFAR检测似乎是预筛选阶段的事实标准，因此我们在此将任何能够优化其输出的方法视为判别算法。文献中常引用极化测量或干涉测量来进行判别[7–9]。此外，一些作者建议对极化数据处理增加一个分割步骤[10–12]。在[10,11,13],中，作者声称改进了[12]中讨论的分解技术。这种改进是通过对目标的相干与非相干散射进行更精确的建模实现的，在某些条件下，还可用于估计船舶俯仰角和横摇角。作者明确指出，他们的方法可能对分类与识别有帮助。随后，他们提出的对称散射的另一种表示方法[14,15]被证明等价于[12]中描述的方法。在[16]中，作者提出了一种基于单视复数图像的方法，用于从极化合成孔径雷达中检测点目标。在我们看来，这是分类与识别的初步步骤。在克里普斯对其完整的基于SAR的船舶检测系统的详尽描述中，[17]报告了一项实验，该实验使用更丰富的目标集，通过星载双极化合成孔径雷达成像，并通过视觉分析和自动识别系统（AIS）进行地面实况验证[18]。结果表明，HH和HV通道的组合产生了最可靠的结果。

在[19],中，提出了一种基于多视极化通道强度的检测器。为了为这些数据设计CFAR检测器，必须推导出适用于多视图像的特定统计模型。作者提出了G0分布[20]作为应对强烈非平稳海杂波的有效选项。在[21],中，提出了一种基于融合目标标记的HH通道以及从目标分解中提取的两个特征（即双平面因子和螺旋因子）的针对CFAR检测到的目标的判别方法。该方法也可作为目标分类方法的基础，其性能优于k均值聚类和陷波滤波等其他标准策略。机载合成孔径雷达上的实验验证了作者的主张。

通过对四种运行检测系统的性能比较，[22]中认可了上述针对特定SAR量分析在船舶检测方面取得的所有进展。然而，这些作者承认，一些残余缺陷仍导致该应用容易受到杂波、强散射体、旁瓣和不规则海岸线所产生的显著模糊影响。由于所分析的算法对不同模糊因素表现出不同的行为，这些作者提出了一种基于不同检测器的投票机制，以提升检测性能。测试在包括JRC的SUMO[23],在内的不同检测器上进行，使用了RADARSAT‐2和COSMO‐天空卫士的数据（参见[24–26]中的相应研究）。

预筛选与判别之间的界限并不十分明确。由于预筛选旨在快速而粗略，而判别则更慢但更准确，因此可依据速度和准确性进行区分。一个合适的判别算法应作用于预筛选阶段检测到的目标及其邻近区域组成的小区域兴趣区，而不参考图像其余部分。值得一提的是，欧洲空间局提供了开源软件工具箱 SNAP[27],，该平台提供了合成孔径雷达成像信号处理中最相关的程序，其中包括一个基于恒虚警率的船舶检测器的实现，这正是本文所述方法的基础。

2.2. 船舶运动学估计

已经提出了几种方法来解决通过合成孔径雷达成像系统捕获的船舶运动运动学估计问题。先前的研究[28]对船舶在水中行驶时产生的尾迹模式背后的物理机制提供了准确描述。这种模式与船舶相对于海面的速度直接相关，并在合成孔径雷达图像中通过与船舶和卫星平台的地速速度矢量相关的特征表现出来。由于尾迹形态特征与船舶运动直接相关（参见[29,30]），一种流行的运动学估计方法是通过检测并随后分析船舶产生的尾迹模式。由于尾迹模式主要表现为V形结构，许多人提出了基于识别尾流形状中观察到的线性包络的尾迹检测器。齐尔曼等人[31]提出了一种基于快速离散拉东变换的方法，用于检测从尾流尖端开始并沿尾流形状延伸的线段。埃尔德胡塞特[32],采用了类似的方法，他引入了基于利用切比雪夫多项式的拉东变换近似阶段。这样，检测器在可靠性和抗虚警鲁棒性方面性能得到提升。一旦检测到主要尾流成分的线性包络，就可以分析后向散射信号以提取相关信息。特别是可以根据[33–35],的作者所述，通过对检测出的线性区域内观察到的信号变化进行适当分析，来估计船舶航向和船舶速度。

2.3. 船舶航线预测

路径预测问题已在不同领域得到研究，涉及多种类型的车辆，如城市车辆（例如汽车或公共汽车）和船舶。对于城市车辆，所有路径预测算法都基于全球定位系统、无线网络或蜂窝网络提供的原始数据；而对于船舶，则处理自动识别系统报文。无论哪种情况，这些方法都依赖于概率方法，即基于历史航线来预测未来航线。SRP算法可分为两类：基于点的[36–38],仅预测下一步，且仅适用于小型船舶；以及基于轨迹的[39,40],可预测完整轨迹。帕洛塔等人[41]提出了一种混合的轨迹与点相结合的方法，称为TREAD（异常检测交通路线提取）。完整的SRP算法综述可在[42]中找到。

3. 平台主要功能

由星载传感器捕获的合成孔径雷达（SAR）和光学图像的分析计算流程构成了所提出的平台的核心。本节按照操作流程顺序进行全面概述（图2）。

所使用的图像数据集涉及马耳他岛的东南侧，包括：（i）合成孔径雷达哨兵1A和B图像，像素分辨率为约为10米；（ii）2016年至2018年期间持续获取的大规模EROS‐B光学影像，像素分辨率通常低于1米；以及（iii）若干CSKH图像GEC级影像，像素分辨率为2.5米。该异构数据集的获取还旨在对不同空间分辨率和输入数据质量情况下平台处理结果的质量进行比较。

搭载合成孔径雷达遥感设备的卫星（Sentinel和CSK）沿太阳同步轨道（SSO）运行，过赤道时间接近黎明/黄昏时间，沿着昼夜之间的晨昏线飞行。EROS‐B图像在白天拍摄，大约在当地时间正午过后一小时。因此，每天仅能实现一次数据采集的同步。

在实际的船舶检测过程之前，会进行预处理阶段，以识别属于陆地区域的图像子集，并将其从后续处理中排除。这一过程有时通过使用海岸线存档数据完成，但这些数据可能不足以确保准确的陆地掩膜。例如，在沿海地区，这些存档数据在陆地轮廓形状复杂的区域可能不够精确，其中包括许多小岛屿、暴露的岩石结构或近期建造的人造物，如港口混凝土结构或石质防波堤。在本例中，首先收集了基于电子航海图（ENC）和类似开放街道地图（OSM）的海岸线数据集。然后计算包含自然和人造物体的“缓冲区”区域。最后，通过将该缓冲掩膜与地理信息系统软件中可用的多个合成孔径雷达（SAR）和光学真实地图进行叠加，手动检查其质量。利用陆地掩膜数据，在应用船舶检测器之前对几何校正的合成孔径雷达和光电图像进行了掩膜处理。通过所提出的流程，新型人造物体或复杂自然物体等关键陆地目标被有效掩膜，从而提高了检测器在虚警方面的鲁棒性。此外，由于获取的海域图像地理定位不准确，特别是EROS‐B光电图像，因此缓冲处理也是必要的。例如，我们观察到即使是高精度的1B级图像，也可能出现超过50米的位移。

本研究涉及的感兴趣区域（ROI）位于西西里岛南部，包括佩拉杰群岛、潘泰莱里亚和马耳他岛。在陆地掩膜过程中，岸线矢量文件向外缓冲约100米，从而有效排除了新出现的人工建筑或自然物体。如上所述，该操作可确保较低的虚警率，但需要指出的是，检测邻近海岸或港内船舶并非所提出的平台的主要目标，该平台主要是为开阔海应用情景而设计的。

在本文提出的实验条件下，利用自动识别系统作为基准来评估所提出平台的质量。具体而言，如第6和7节更详细描述的那样，自动识别系统作为真实数据源，用于测试我们程序结果的准确性。自动识别系统还作为数据源，用于构建训练集和测试集，供第7节中讨论的船舶航线预测学习算法使用。然而，我们提出的海上监控平台还旨在解决在识别特定船舶类别（如非合作船舶）时出现的问题。事实上，在上述情况下，自动识别系统可能容易受到恶意伪造的影响，从而可能使非合作船舶能够隐藏任何非法活动。我们的系统旨在提供一种可靠工具，用于识别那些通过当前可用系统无法正确监控的船舶，并进一步提供有意义的信息，以增强相关操作员在观测特定海域时的态势感知能力。

4. 船舶检测

在海上态势感知系统中，对大片海域内的人造物体进行探测和后续计数是首要关注点。高分辨率和甚高分辨率遥感传感影像[43,44]是船舶检测的重要数据来源。合成孔径雷达和光电图像均提供由航天器传感器探测到的船舶的地理定位信息。此处采用的方法模拟了人类在图像中搜索详细特征时的行为。在扫描过程中，人眼倾向于忽略无特征区域，而更专注于复杂区域的分析。同样，实现的检测器处理大面积海洋表面的输入图，并返回从原始地图裁剪出的、代表潜在目标的裁剪区域。这些裁剪区域连同从辅助数据中提取的附加信息（传感时间、几何分辨率、辐射分辨率、航天器位置和运动学）一起，最终提供给后续处理步骤。

在检测为阳性的情况下，输出的裁剪区域是初始图像的子集，限定在仅显示一个候选船只的兴趣区域（AoI）内。

适用于SAR图像的检测方法在很大程度上取决于图像特征，例如空间分辨率、辐射分辨率、相干性、视数、发射和接收极化等。本文提出的检测器能够在无需人工干预的情况下运行，因为它能够检测任意输入图中的潜在船舶信号，并最终返回一个包含所检测候选目标估计地理坐标的输出数组。对于哨兵1A/B和COSMO‐SkyMed数据，检测过程是完全自动化的。仅在最后阶段需要操作员检查由鬼影和/或具有强辐射的方位模糊所产生的异常。如第2.1节所述，所提出的船舶检测器借鉴了文献中常见的基于CFAR的算法。实际上，[6,45],一个适当的滑动窗口（见图3）依次以每个测试像素为中心。该窗口由测试像素邻域组成，称为保护区域，用于包含可能包含测试像素的任何目标；另一个邻域称为边界数组，仅用于包含背景像素，以估计背景统计特性。基于CFAR的船舶检测存在一些值得注意的薄弱环节。检测任务的成功概率主要取决于边界数组窗口大小的合理设置。增大此窗口通常会降低重复检测率，尤其是在大型目标（通常大于400米，如大型油轮）的情况下。同样，虚警概率的选择值显然会影响检测器性能。这些参数的合理设置通常需要在虚警率和重复检测率之间进行权衡，同时考虑最终用户的具体需求。在操作场景中，检测器应半自动地使用，从而包含一定程度的人工干预，以排除残余虚警。鬼影和方位模糊可能产生误报。由于CFAR参数是在分析大量测试输出后选定的，因此检测过程是完全自动化的。

就我们的目的而言，我们发现对于哨兵‐1A和B数据，保护区域与边界数组区域大小之比约为 1:10是一个较好的折衷选择。恒虚警率准则是一种自适应阈值方法：一旦确定所需的虚警率，背景概率密度函数f(x)（其中x为像素值）即被假设为参数已知或由边界数组中的数值估计得出。随后，虚警概率PFA由下式给出

$$
PFA= \int \infty T f(x)dx \quad (1)
$$

因此，对于滑动窗口的每个位置以及给定的PFA值，通过求解公式（1）得到的T值可作为阈值，用于判断测试像素是否属于目标。如果假设f(x)为高斯分布，则公式（1）构成了著名的双参数恒虚警率检测器的基础。我们实现了一种基于单元平均法的恒虚警率检测器。在本例中，阈值T针对每个像素（也称为待测单元(CUT)）进行自适应调整，其计算方式如下

$$
T= \alpha \times Pn
$$

其中Pn是通过边界阵列单元的平均值估计的噪声功率， α是通过以下公式计算的阈值因子[46]：

$$
\alpha= N \times(PFA^{-1/N} -1)
$$

其中N为训练单元的数量，PFA为期望的虚警率。

显然，要从这类测试中获得高检测概率，必须在虚警率上做出权衡。这就是为什么高检测概率的预筛选方法尽管速度很快，但通常会带来较高的虚警率。

所提出的平台中包含的船舶检测模块提供了两种处理选项。实际上，一种是欧洲空间局SNAP ®[47]软件套件中提供的经典实现，而另一种则是由MapSat提供的基于恒虚警率的新实现，其中背景被建模为厄兰分布信号（[48–50]）。值得注意的是，MapSat的实现在误报和重复检测率方面具有更高的可靠性。

最终，后处理阶段会生成具有完整辐射和几何分辨率的裁剪文件，格式为GeoTIFF，用于进一步的分类分析。目前，该算法估计一个以目标质心为中心的尺寸框，并利用此结果对原始全辐射图像进行最优裁剪。裁剪窗口为正方形，以检测到的目标为中心，并沿南北方向定向。裁剪窗口的边长为船长度Ls的三倍（经验选择）。为了给后续处理步骤提供合适的坐标系，已执行从通用横轴墨卡托坐标系到纬度/经度的转换。

本研究用于测试的感兴趣区域覆盖南地中海，包括西西里岛、突尼斯和利比亚。该区域内的若干石油平台被船舶检测模块识别出来，并通过额外的处理步骤从船舶检测报告中排除。这一精细化筛选过程是通过集成在算法中的专用几何滤波器实现的，该算法负责与AIS数据进行匹配。

5. 船舶分割

在关注区域内识别视觉属性可以突出数据中的相关信息。应用成像算法来提取几何和辐射特征，这些特征可提供有关船舶形态、几何结构和动态的有意义信息。合成孔径雷达图像常受到海杂波、频谱泄漏或天线旁瓣引起的失真影响。这些因素可能掩盖目标图像，从而妨碍对船舶尺寸的评估。一个示例为这类失真在图4的SAR强度关注区域图像中有所体现，其中明显的存在一个强烈的十字形伪影。

为了识别属于船舶目标的像素集合，开发了一种新型专用分割技术SISS（SISS（空间船舶图像分割））。SISS可接受多传感器输入数据，例如合成孔径雷达和光学图像。对于合成孔径雷达图像，该算法处理后向散射信号以寻找强反射体，这些强反射体在图像中表现为亮斑。将一个明亮连通区域作为一个进一步分析的对象，因为它可能与潜在的船舶相关。此外，对于光学图像，该算法会寻找连通异常区域。

我们流程的第一步是构建一个二值形状，其中目标像素设为1，其余像素设为0。二值目标的初步近似通过自适应阈值化实现。所选择的阈值是基于整个输入图像I计算出的标准差 σ的倍数：

$$
Ti= i \cdot \sigma; i= 1, 2, 3,…
$$

整数倍数i通过迭代选择。在第i次迭代中，阈值化操作生成二值图像Ii；该过程在最小整数ib处停止，此时Iib为空白矩阵。最终输出由Iib−1中找到的非空像素集给出。这些像素通过形态学算子进行处理，提取出可能被分组在一起的连通组件[51]。然后，应用椭圆拟合来估计船舶轴线及其方向。图 5a–g表示迭代阈值化过程，而图5h表示分割过程的结果，对应于倒数第二次阈值化迭代。

阈值处理后，通过裁剪船和可能伪影所在掩膜区域外的图像来分离目标。接下来的步骤是通过对相对于阈值图像质心计算的二维惯性张量[52],进行特征值分析，以确定主惯性轴。然后，在质心周围应用一个矩形掩膜，以包含整个目标的同时去除部分伪影。通过多次迭代此过程，可以逐步精确估计总长（LOA）、总宽（BOA）和航向（见图6）。实际上，当不再切除伪影时，我们将最小惯性轴的单位向量作为估计的航向，并将目标边界点沿主轴方向的最大距离作为估计的LOA和BOA。在缺乏进一步信息的情况下，例如检测到尾迹或可能的形态学船舶特征时，航向估计存在180◦的模糊性。

6. 船舶运动学估计

所提出的船舶运动学估计模块实施图像处理流程，以提供有关船舶运动学[31,53]的见解。

尾迹模式由多个振荡分量组合而成，其叠加结果在船舶航路轴周围呈现出一个V形包络。该V形的 39◦角度孔径约为7。利用这些可观测现象，可通过基于Radon变换的线性检测器首先检测V形模式（图[51],），然后识别尾迹中心轴，从而估计航路方向。

在尾迹的外部边界中观察到的振荡分量的波长与船舶本身的速度相关。因此，只要图像分辨率足够高，能够观察到这些尾迹细节，对外部尾迹成分进行频率分析即可估计出主导波长 λ。最终通过以下表达式估算船舶相对于海面的速度v：[31]：

$$
v= \sqrt{\frac{3g\lambda}{4\pi}}
\quad (3)
$$

其中g= 9.81m/s²。

由卫星和船舶对地速度结合合成孔径雷达（SAR）成像特性所产生的第二个效应是方位偏移，即在重建图像中移动的船舶与其尾迹之间出现人为分离。该分离长度 ∆as与船舶速度成正比，关系如下表达式[32]所示：

$$
v= \frac{V_{sat} \cdot \Delta as}{R_{sr} \cos \beta}
\quad (4)
$$

其中Vsat为卫星速度，通常包含在输入图像附带的轨道元数据中；Rsr为卫星到目标的斜距，在计算出目标的地理坐标后可轻易获得（见第4节）；而 β为船舶速度矢量与传感器方位方向之间的夹角，可通过估计的尾迹中心轴近似求得。因此，船舶速度可通过直接在SAR图像上测量分离长度获得。

我们的运动学估计程序重点关注：（i）检测尾迹的线性包络以估计船的航向；以及（ii）通过公式（3）和（4）估算船的速度。

遗憾的是，船舶尾迹并不总是可见，或过于微弱而难以检测。通常由于信噪比极低，尾迹检测是一项成功概率很小的任务。已有不同的方法被提出（例如，[54,55]），以改善通过经典方法（例如，在强度图像上直接应用Radon/Hough变换）所获得的较差结果。受[32,56],作者的启发，我们提出一种通过SAR图像处理来检测和分析尾流模式的新方法。首先，通过专用程序计算输入图像I的梯度，采用一种特定的方法适用于受斑点噪声影响的数据，例如合成孔径雷达图像。假设中心/外围尾迹区域的线性包络代表了 SAR图像中主要可观测的尾迹特征，所估计的梯度被输入到基于拉东变换的算法中，该算法的目标是检测这些线段。最终，算法返回关于是否存在尾迹模式的决策。该最终决策依据所检测到的线段的具体排列方式得出。更多细节可参见[57]。在检测结果为正的情况下，相应的尾迹模式将被识别，并利用其相关特征来估计船的航路和速度参数。

处理流程执行的一个示例如图8所示。包含一个船舶候选目标的合成孔径雷达输入图像被所提出的尾迹检测器处理。中央湍流带和一条外部尾迹臂被正确识别。这使得能够估算方位偏移以及相应的船舶速度。成功检测到尾迹模式后，我们得以将分析集中在尾迹的外围区域，并通过谱估计技术（例如，参见[58]）评估谱中主导波长的存在。最终，能够为图8中的候选目标提供航线和速度的估计结果。表1列出了通过所提出的估计方法获得的结果以及由商业数据提供商提供的相应真实数据。

表1。运动学估计输出。R代表航线，V代表速度。所呈现的速度结果分别对应于方位偏移法（A.S.V. 方法）和傅里叶分析方法（F.A.V.）
AIS航向（度）
290

7. 船舶航线预测

本节涉及利用迄今为止获得的数据和结果，以预测所关注目标的航线演变。为此，我们开发了一种采用基于点方法的新颖流程。待监测的A被划分为一个m ×n的方形网格，每个单元格由一对(r,c)标识，分别表示行和列。该(r,c)系统通过相应的地理坐标进行标记（在所展示的结果中，坐标原点位于格林尼治子午线和赤道（纬度0度））。球面空间按照方格投影[59],映射，每个正方形单元格的边长为0.01度。我们意识到这种投影方式并非最优，且距离赤道越远失真越大，但对于本研究中用于实验验证的区域而言，这一问题影响较小。图9展示了关注区域被划分为单元格的一个示例。

在给定时间t，A内的每艘船i由一个状态Xt i表示，该状态可通过从自动识别系统（AIS）提取的不同参数进行表征，例如当前纬度和经度、当前对地速度（sog）、当前航向、船舶类型和船旗。其他参数也可添加到状态中，例如天气和海况。在本研究中，仅考虑了AIS参数。这不会造成任何通用性损失，因为可扩展性是所提出系统的一个主要特征，且状态数组可根据需要随时更新。sog以度为单位测量。因此，我们将航向分解为两部分：s= sin(heading)和c= cos(heading)。因此，Xt = (latt i,lng t i,sog t i,s t i,c t

7.1. K-近邻分类

给定船舶的当前状态，我们要解决的问题是确定经过给定时间后船舶将进入的下一个单元格。这是一个多分类问题，其中每个类别对应于网格中的一个单元格。文献中已提出了许多用于多分类问题的算法，例如神经网络、极限学习机、朴素贝叶斯、决策树和支持向量机。在本文中，我们提出了一种SRP算法，该算法利用了K‐最近邻（K‐NN）分类器。

K‐NN分类器可以被视为一个黑箱，它接收一系列特征X=(x1, x2,…,xn)作为输入，并输出类别标签y。图10展示了一个K‐NN分类器的示例，该分类器接收两个特征x1和x2作为输入，并输出以下类别之一：绿色、橙色或紫色。给定一个训练集T和一个新的输入x=(x1,x2)（在图中用红色圆点表示），K‐NN分类器会在T中搜索x的k个最近邻，并从中选择出现频率最高的类别。该最频繁类别由表示为距离的相似性函数确定。在图10所示示例中，K− NN分类器对该特定输入x输出的分类结果为橙色。k的取值可根据用户需求设定（图中为k= 3）。

7.2. 提出的算法

该算法以船舶的当前状态Xt i作为输入，并输出每个单元格(r,c) ∈A在时间t+ δ后被i占据的概率。时间 δ可设置为30、45或60分钟。预测器返回的所有概率值构成概率矩阵Mt+δ i，其大小为 m ×n（见图11）。

SRP流程在概念上可以描述为三个步骤的序列：

• 设置 ：从历史AIS数据中构建一个数据集，并随机提取占整个数据集80%的训练集（剩余的20%构成测试集）。
• 训练 ：会存储30、45或60分钟后网格中各个单元格的训练状态及其对应信息。显然，对可用AIS数据的良好覆盖是算法运行的关键条件。在此阶段，还会通过适当的测试集评估已训练模型的性能。
• 运行时 ：给定船舶状态，为网格中的每个单元格分配30、45或60分钟后在该单元格中找到该船的概率。

关于上述介绍的各个阶段的详细信息将在下文讨论。

7.3. 设置阶段

设置阶段包括对与关注区域相关的历史AIS数据集进行清理和分析。AIS数据由两个来源提供（精确地球4和阿斯特拉寻呼5），以降低消息丢失的可能性。然而，在大多数情况下，同一条消息被收集了两次或更多次。事实上，消息重复是一种常见现象，即使在采集的数据来自同一AIS源时也经常观察到。原始数据集通过实施特定程序去除重复项后，再基于航向和速度值的检查对数据集进行了进一步精细筛选。我们自然期望航向值范围在 0◦到 359◦之间，但数据集中许多记录的值超出了此范围，例如航向等于 511◦（表示无可用信息），因此这些记录被剔除。此外，当AIS记录报告的速度值小于 0.5节（停泊或锚泊船舶）或大于60节（速度过高）时，也被剔除。这一选择是基于观察结果：摩托艇的平均最高速度约为30–40节，仅有少数豪华摩托艇可达到70节的速度。

基于这些数据，生成并处理了新的数据集，称为输入数据集，并由K‐近邻算法进行处理。具体而言，对于自动识别系统数据集中的每条记录i，提取其状态Xi qA以及其对应的类别yi。需要注意的是，输入数据集是AIS数据集的一个子集，仅包含具有关联y的记录。若要将整个AIS数据集纳入输入数据集，必须采用一些插值技术。此项实现我们留待后续工作完成。

每个yi Qa的值计算如下：首先，从属于AIS数据集的记录i中提取海上移动业务识别码（MMSI）和日期时间t；然后，在AIS数据集中搜索具有相同MMSI且日期时间为t1的记录j，其中t + δ −ε ≤ t1 ≤ t+ δ+ ε，δ ∈[30, 45, 60] min且 ε= δ/3。最后，从记录j中提取纬度和经度，并将其转换为对应的网格位置(r,c)。在设置阶段结束时，构建了三个输入数据集，每个 δ值对应一个，因此得到(X,Y)30,(X,Y)45,和(X,Y)60。为了进一步限制搜索范围，该算法本可以引入基于空间距离准则的额外过滤条件，但由于收集的AIS数据已预先过滤，将搜索区域限制在一个相对较小的关注区域（南地中海地区），因此该选项被舍弃。船舶搜索基于唯一MMSI标识符，并在空间受限邻域内进行，因此在搜索过程中不太可能出现因极大空间分离而导致的歧义错误。

设置阶段将每个输入数据集拆分为训练集和测试集。最初，所有记录都被标记为属于训练集。然后，设置阶段随机抽取占消息总数20%的消息数量，并将其标记为属于测试集。

7.4. 训练和运行阶段

训练阶段使用在设置阶段构建的输入数据集来训练K‐NN分类器。对于每个输入数据集，都会构建一个不同的SRP分类器。

模型训练完成后，SRP分类器即可投入使用。在运行阶段，SRP分类器以船舶在时间t的当前状态Xi作为输入，并在δ之后请求预测。分类器随后返回概率矩阵Mt+δ i，表示关注区域（AoI）中每个单元格(r,c)在时间t+ δ被该船舶占据的概率。

在运行时，所提出的分类器可通过以下方式访问：(a) 命令行工具；(b) WebAPI；或 (c) Web应用程序。命令行工具和Web API均接收船舶状态作为输入，并将表示为GeoJSON（[60]）的概率矩阵作为输出。此外，还可指定以下参数：纬度、经度、速度、航向和基本类别。基本类别代表船舶类型，目前可设置为0（小型船舶）或1（大型船舶）。

7.5. 将自动识别系统与卫星图像相结合

SRP算法在实际用例中进行了测试：在给定时间提取船舶状态，然后执行船舶航线预测器以预测该船的下一个位置，最后将预测结果的正确性与该船发送的AIS报文提取的数据进行比较。

更详细地说，测试图像由EROS‐B于2016年10月22日12:59:42拍摄。然后，船舶检测器在输入图中返回了一个潜在目标（见图13），检测结果的边界框范围为：纬度[33.89,33.91]，经度[12.57, 12.67]。

通过对已实现的AIS数据集中执行搜索，识别出一个候选目标，其AIS位置和时间参数相匹配。根据MMSI，可以从船舶定位门户6获取相关信息。该候选目标被分类为浮式生产储油卸油船。收集到的该船所有信息均作为SRP输入，通过提交查询以获取30分钟后船舶的位置。最终，返回的预测与AIS数据相匹配。

8. WebGIS界面

webGIS界面使普通用户能够访问该平台内提供的多种功能。用户可以：（i）快速查看实时事件；（ii）访问历史信息；以及（iii）提交监控感兴趣海域的请求。

更详细地说，该界面由两个主要部分组成，即工具栏和地图。工具栏位于webGIS界面的顶部，包含一组按钮，每个按钮提供以下功能列表中的一项功能：

• 搜索 ：此按钮用于访问AIS历史数据。可以通过指定感兴趣的时间段、AIS数据类型（陆基或卫星）、船舶MMSI或船舶类型来设置搜索条件。通过操作专用的时间滚动条，可以以一分钟时间步长可视化请求数据的变化。
• T-AIS Real-Time ：此按钮激活陆基AIS数据层。WebGIS将显示通过陆基AIS获取的所有信息。可视化数据每分钟刷新一次。
• S-AIS Real-Time ：此按钮激活卫星AIS数据层。WebGIS将显示通过卫星AIS获取的所有信息。可视化数据每分钟刷新一次。
• Planning ：此按钮激活一个提供可用卫星未来覆盖图的图层。
• Weather ：此按钮显示当前显示区域的天气和风向预报地图。
• Bathymetry ：此按钮激活测深数据层，以灰度图形式显示。
• New Request ：此按钮允许提交新的监控请求。
• 打印 ：此按钮可提供所显示场景的可打印图像。

界面的其余部分用于在地图上显示请求的信息。在此地图中，可以激活多个专题图层，其中一些图层也可以通过工具栏激活。当同时激活多个图层时，用户可以在图层堆叠表示中指定优先级。例如，可以通过堆叠图层将最关注的信息置于前端，并为每个图层分配不同的透明度属性。

如上所述，一旦激活陆地和/或卫星实时自动识别系统图层，该区域内的船舶将显示在地图上。船舶以彩色箭头表示，其中颜色代表船舶类型。通过直接点击地图上的船舶图标，可以访问每艘船舶的可用信息（见图14）。此时会弹出一个专用面板，显示以下信息：（i）船舶尺寸（以长度、宽度和吃水表示）；（ii）船舶航线和速度；（iii）船舶目的地及预计到达时间；以及（iv）注册信息（如 MMSI、船舶名称、呼号和国际海事组织编号）。从该信息面板还可以进一步查看船舶详细信息，并追踪该船舶的过往位置。

除了实时/历史AIS数据的可视化外，用户还可以通过新请求按钮提交对指定区域进行新的监测的请求。为此，用户必须：（i）通过直接在地图上绘制或向系统输入适当的.KML文件来选择一个感兴趣区域（矩形或多边形）；（ii）指定感兴趣的时间范围。一旦提交请求，OSIRIS操作员必须完成一系列步骤以推进监测请求。他可以编辑请求以更新其状态（待处理、已拒绝、处理中或已完成），或指定将一颗或多颗卫星捕获的额外数据纳入监测流程。

用户可以在专用页面中查看每个请求的状态。对于处于中间处理状态的请求，还将报告完成百分比。可选择已完成的请求以在地图上显示结果。结果图层根据分配的分类标签，以主题图标的形式显示已识别目标和船舶。当检测到的目标经核实与AIS记录存在可靠链接时，将升级为已识别船舶状态。

目标可根据以下规则进行分类（见图15）：（A）已识别船舶，具有已识别航线；（B）已识别船舶，仅具有已识别方向（航线存在 180◦不确定性）；（C）检测到的目标，具有已识别航线；（D）检测到的目标，具有已识别方向（航线存在 180◦不确定性）；以及（E）检测到的目标，无任何关于航线或方向的信息。在结果图层中，用户还可以选择在可视化地图中考虑哪些可用的卫星源。相应地，已处理和识别的船舶及目标将在显示的地图上被正确高亮显示。

用户可以交互式获取与地图上船舶和目标相关的处理结果的附加信息。选择目标后，将显示相应的专用面板。该面板包含可用的处理结果（例如，估计长度、宽度、航线和速度），对于已识别的船舶，还提供指向相应AIS匹配的快速链接。通过信息面板，用户可以查看输入卫星图像裁剪以及该目标的预测航线。如图16所示，路径预测通过颜色图表示，其中红色对应高概率值，蓝色对应低概率值。通过信息面板，可以可视化所考虑船舶在未来30、45、60和120分钟的预测航线概率图。

9. 实施

欧洲航天局（ESA）与由提供地球表面连续监测遥感服务的意大利公司MapSat领导的科研联合体于2016年2月启动了OSIRIS项目7（用于快速识别船型的光学/合成孔径雷达数据与系统集成）。OSIRIS代表了将本文所述方法和技术首次应用于实际海上监测系统的尝试。事实上，OSIRIS的主要目标是开发一个专门用于海上监视的平台，能够检测和识别非法海上交通。因此，OSIRIS将成为打击非法捕捞、非正常移民及相关走私活动的新工具。OSIRIS项目是在欧洲航天局通用支持技术资助计划（GSTP）框架内实施的。OSIRIS项目联合体包括两个国家研究委员会（CNR）的研究团队，分别是国家信息学与电信研究所（IIT‐CNR）的未来互联网Web应用小组和信息科学与技术研究所（ISTI）的信号与图像实验室，它们在机器学习和计算机视觉领域拥有长期的专业知识。联合体的另一成员是意大利公司Sistemi Territoriali，一家具备地理信息与商业智能系统方面的专业知识。在 fully operating conditions下，OSIRIS技术平台将负责：（i）收集并整合来自多源、多传感器卫星任务提供的特定海域感兴趣区域的数据；以及（ii）处理所获取的数据以检测和分类海上船舶。高分辨率数据将由哨兵‐1（C波段合成孔径雷达）和哨兵‐2（光学）卫星提供，二者均属于欧洲航天局哥白尼任务。此外，在光学波段的数据将由EROS‐B（ ISI ‐ 图像卫星国际公司）提供，在X波段合成孔径雷达数据方面则由COSMO‐天空卫士（意大利航天局）提供。随后将对这些数据进行处理，以检测和识别位于感兴趣区域内的船舶，并提供有意义的船舶特征估计值，例如运动学和形状参数。执行船舶识别的关键信息将通过流行的船舶监控系统（如 AIS服务）获取，并结合来自开源情报系统（OSINT）收集的额外信息。最终将对数据进行分析，以生成这些船舶航线的预测模型。

AIS数据由阿斯特拉寻呼和精确地球两家公司提供。阿斯特拉寻呼提供来自地中海沿岸大量地面站以高频率采集的陆基AIS数据；而精确地球则通过发射与早期运行阶段（LEOP）AIS卫星星座以低频率获取卫星AIS数据。目前，一个网络GIS平台负责收集并融合来自上述两家供应商的AIS数据，在经过过滤阶段以消除虚假或重复记录后，向项目操作人员提供可用的数据。

10. 结论

本文介绍了一个专门用于海上交通监控的软件平台。该平台的主要目标是在由在轨卫星（如 Sentinel 1/2、CosmoSky‐Med和EROS任务）远程监控的特定海面区域内检测并识别目标船舶。雷达和光学图像构成了该平台的主要输入数据。这些数据通过一套算法进行处理，算法依次应用于数据以获取以下信息：（i）被检测区域内船舶的定位；（ii）主要船舶几何属性，如总长度、总宽度和航向；（iii）由速度矢量表示的船舶运动状态；以及（iv）船舶运动学演变。

OSIRIS平台最初旨在地中海maritime框架中主要应用。然而，作者希望从概念上扩展该系统，使其可用于不同的海洋场景，在这些场景中，特有的环境特性可能会带来新的挑战。在极地地区，目标检测模块应能够区分船舶和冰山。事实上，在当前实现的平台中，冰山可能被错误地识别为潜在的舰船目标，但可以通过关注冰山形状的不规则特征（与船舶典型的矩形轮廓相对）来将其排除在处理流程的后续阶段之外。通过对检测模块返回输出的形状进行判断，可以丢弃形状不规则的候选冰山目标。在极少数情况下，若检测到的冰山呈现矩形形状，还可通过检查其是否具备类似船舶的属性进一步评估。例如，舰船目标的形状因子（长宽比）平均值约为5。在极不可能的情况下，若某冰山被分类为非合作船舶，则最终将由人工操作员分析相应的图像裁剪，并最终将其拒绝。

未来发展将致力于通过提高处理流程中各个阶段的准确性以及改进分类方法，来提升平台的整体性能。我们发现，在处理噪声或失真图像时，已实现的分割模块返回的估计值不够鲁棒。我们注意到，结果往往在很大程度上依赖于假设的初始形状，即所选择的阈值策略。在不依赖补充数据或预处理的情况下，我们目前正在尝试寻找一种合适的方法来调整阈值。我们的下一步尝试将是整合相同通过不同的收发极化对成像目标进行观测，并将提取的特征整合到分类过程中。此外，本研究旨在为进一步完善的船舶分类方法（基于散射计/极化特征）以及更可靠的航向和速度估计（基于尾流特征提取和方位偏移评估）提供基础。由于尾流模式在SAR图像中难以检测，未来的发展还将致力于改进尾流识别过程，利用额外的信息（如船舶位置的精细估计）以及该特殊水动力学问题的约束条件（如理论预期的尾迹角度孔径）来提升识别能力。

作者的目标之一是概念性地扩展所述平台，以使其更适合决策者和相关机构。通过整合额外的程序，该系统有望提升对特定海上情况的态势感知能力。为此，可通过预测事故风险来评估海上交通安全的模型[61–63]可被集成到船舶特征提取流程中。例如，船舶预测模块生成的概率图可进一步丰富为指示事故发生概率的地图，最终形成一个集成的强大工具，以实时方式预测可能面临严峻情况的海域，从而值得相关操作人员更加密切地监控。

该平台目前正在OSIRIS项目框架内进行测试，来自现实世界测试平台的初步结果令人鼓舞。