Abstract Vessel trajectories from the Automatic Identification System (AIS) play an important role in maritime traffic management, but a drawback is the huge amount of memory occupation which thus results in a low speed of data acquisition in maritime applications due to a large number of scattered data. This paper proposes a novel online vessel trajectory compression method based on the Improved Open Window (IOPW) algorithm. The proposed method compresses vessel trajectory instantly according to vessel coordinates along with a timestamp driven by the AIS data. In particular, we adopt the weighted Euclidean distance (WED), fusing the perpendicular Euclidean distance (PED) and synchronous Euclidean distance (SED) in IOPW to improve the robustness. The realistic AIS-based vessel trajectories are used to illustrate the proposed model by comparing it with five traditional trajectory compression methods. The experimental results reveal that the proposed method could effectively maintain the important trajectory features and significantly reduce the rate of distance loss during the online compression of vessel trajectories.

The rapidly-developing artificial intelligence and edge computing technologies have been actively promoting the evolution of autonomous vehicles. The flexible and powerful unmanned aerial vehicles (UAVs) have become suitable application platforms for maritime surveillance. In the maritime Internet of Things (IoT), both airborne cameras and automatic identification system (AIS), which, respectively, provide visual and positioning data, have become the frequently-used and cost-effective sensors. It becomes necessary to fuse the AIS and visual data to detect the visual appearances of surface vessels with obtaining the abundant information on position, movements, and identity, etc. In this work, we propose to develop a multi-sensor fusion-driven computational method (termed MSF-VIT) for highly-reliable surface vessel identification and tracking under different conditions. In particular, it mainly consists of two components, i.e., multi-sensor data fusion, and vessel identification and tracking. In particular, the multi-sensor data fusion method is, firstly, presented to process multi-source heterogeneous data and match the visual and AIS targets. We then propose to improve the traditional SORT algorithm to achieve more accurate vessel tracking. Extensive experiments have been implemented on the edge computing device to evaluate the feasibility and robustness of MSF-VIT. Moreover, it is also proven that our method is capable of promoting real-time maritime surveillance and supporting the privacy-preserving of vessel information.

With the advancement of satellite communication technology, the maritime Internet of Things (IoT) has made significant progress. As a result, vast amounts of Automatic Identification System (AIS) data from global vessels are transmitted to various maritime stakeholders through Maritime IoT systems. AIS data contains a large amount of dynamic and static information that requires effective and intuitive visualization for comprehensive analysis. However, two major deficiencies challenge current visualization models: a lack of consideration for interactions between distant pixels and low efficiency. To address these issues, we developed a large-scale vessel trajectories visualization algorithm, called the Non-local Kernel Density Estimation (NLKDE) algorithm, which incorporates a non-local convolution process. It accurately calculates the density distribution of vessel trajectories by considering correlations between distant pixels. Additionally, we implemented the NLKDE algorithm under a Graphics Processing Unit (GPU) framework to enable parallel computing and improve operational efficiency. Comprehensive experiments using multiple vessel trajectory datasets show that the NLKDE algorithm excels in vessel trajectory density visualization tasks, and the GPU-accelerated framework significantly shortens the execution time to achieve real-time results. From both theoretical and practical perspectives, GPU-accelerated NLKDE provides technical support for real-time monitoring of vessel dynamics in complex water areas and contributes to constructing maritime intelligent transportation systems. The code for this paper can be accessed at: https://github.com/maohliang/GPU-NLKDE.