机场跑道异物检测是一个最近几年才被提出来的新兴课题,关于它的研究主要包括毫米波雷达技术和图像处理技术。采用毫米波雷达技术进行目标检测,它的成本非常高,对异物的尺寸要求较高,对硬件设备的要求很高,而且国内还没有成熟的相关商用系统。采用图像处理技术进行目标检测,它的成本较低,对硬件设备要求相对较低,并且某些机场在跑道附近已经安装了图像监控系统。因此,本文采用图像处理技术实现机场跑道异物检测。本文将基于统计学习的目标检测算法应用在机场跑道异物检测系统中,借鉴已有的成熟的人脸检测系统,保留人脸检测系统中常用的Adaboost分类器方法,改进或者摒弃人脸检测系统中常用的特征,找到一种适合机场跑道异物检测系统中的特征。首先,介绍人脸检测系统中常用的LBP特征,并将LBP特征应用在机场跑道异物检测系统中,通过实验结果,验证LBP特征的可行性,结果表明,LBP特征不可行。根据机场跑道图片的特点,在SUSAN特征的基础上,提出了一种新的直方图特征,并通过实验结果表明该特征可行。其次,在待检测图片中,跑道线周围存在大量虚警,为了解决这个问题,利用跑道线位置进行图像分割去除跑道周围存在的虚警,通过基于边缘点标记的直线检测方法找到跑道线的位置,根据跑道线的位置将图片分割成包含跑道线部分和不包含跑道线部分,分别进行基于Kirsch特征的目标检测和基于统计学习的目标检测。最后,介绍了Adaboost分类器的原理及训练流程。本文的主要贡献归纳为以下三点:(1)提出了一种基于SUSAN特征的新直方图特征在SUSAN特征的基础上提出了一种新的直方图特征,将该特征应用在机场跑道异物检测系统中,通过实验结果表明该特征切实可行。(2)采用基于边缘点标记的算法进行直线检测利用跑道线位置进行图像分割去除跑道线周围存在的虚警,首要任务是确定跑道线的位置。本文采用基于边缘点标记算法进行直线检测,和基于Hough变换的直线检测方法相比,该方法实现起来简单可行,还能确定跑道线两端点的位置。(3)将基于边缘特征的目标检测方法和基于统计学习的目标检测方法相结合将整幅图片分割之后,结合基于统计学习的目标检测方法和基于Kirsch特征的目标检测方法,对分割图片分别进行处理,通过实验结果表明该方法切实可行。