论文部分内容阅读
【摘 要】 随着航空交通运输产业的高速发展，推动了航空科学实用技术的进步。近几年，国内民用机场数量、客运航班架次大幅增加。跑道安全（外来物对飞机起降带来的威胁）引起业内人士的高度关注。跑道异物检测系统可以实时有效的对机场跑道进行扫描并检测识别外来物，分析潜在威胁并自动告警，相信其终将成为保证机场安全运行不可或缺的部分。本文主要对基于视频的机场跑道外来物检测技术进行了研究。
【关键词】 视频;机场跑道;外来物;检测
一、机场跑道外来物的定义
机场跑道外来物指的是任何不属于机场但出现在机场活动区域并可能对机场造成损失或者飞行器造成损害的外来物品，机场跑道异物国际通称为Foreign Object Debris，机场跑道异物可以是任何人工物件，动物，植物，甚至雷电。FOD的另一种解释是Foreign Object Damage，指因为机场跑道异物入侵件而导致的损失。
二、机场跑道图像特征分析
快速准确地提取目标是目标检测技术的一个基本要求，敏感区域的检测是达到这一目标的关键环节。机场跑道是一个相对比较简单的背景场景，在远距离、宽视野的光学机场跑道侧视图像中整幅图像大致可以分为三片区域，分别是净空、场地（整备土质区或草坪）和机场跑道。在近距离窄视野的图像中可能只会出现两个区域，飞行场地和机场跑道，如图1所示。
图1 机场跑道侧视图
在可见光图像中，这天空、飞行场地和机场跑道的纹理及颜色特征区分很明显，在红外图像中若没有强光或积水的干扰，天空、飞行场地和机场跑道的热辐射特性也很明显，一般情况下机场跑道的边界即是飞行场地与机场跑道两个区域的相邻边缘，机场跑道的视觉末端是机场跑道与天空两个区域的相邻边缘，而这两个边缘一般大致呈直线条状。因此利用这一特征可以对原始图像进行区域分割，得到感兴趣区域（ROI）——机场跑道，有效地将感兴趣区域定位在较小的周围内，对原始图像的区域分割可提高FOD目标检测算法的效率。
三、目标检测的基本方法
目前基于视频的目标检测方法主要有基于帧间差分的方法、基于光流场的方法、基于图像分割的方法、基于背景差分的方法等。
（一）帧间差分法
帧间差分法主要是利用视频序列中连续的两帧或几帧图像的差异，进行目标检测和提取。具体步骤如下。
1、计算第k帧图像与第k-t帧图像之间的差分，得到差分后的图像Dk。
2、对差分后的图像Dk进行二值化，当差分图像中某一像素的值大于某一给定阈值T时，该像素值取1，对应于前景（目标区域）;反之该像素值取0，对应于后景（非目标区域）。
3、对阈值化后的图像Rk进行数学形态学等后处理，当某一连通区域的面积大于某一给定的阈值，则认为该区域为目标区域，并得到其完整的位置信息。
（二）光流场法
光流场法是基于对光流的估算进行检测分割的方法。光流中既包括被观察物体的运动信息，也包括有关的结构信息。光流场的不连续性可以用于将图像分割成对应于不同运动物体的区域，而且光流法不需要预先知道场景的任何信息，而只需要知道相邻视频帧之间的像素运动信息，因此基于光流的目标检测避免了依赖于背景模型和背景学习过程的问题。
（三）图像分割法
图像分割法是指根据图像的灰度、边缘、梯度、纹理等特征将图像分割成若干个互不相交的区域，然后根据一定的准则检测分割后的区域以得到待检测目标。其中最重要的图像分割检测方法是边缘检测。
圖像的边缘是图像最基本的特征之一。所谓边缘是指其周围像素灰度有阶跃变化或屋顶变化的那些像素的集合，是物体灰度不连续性的反映。而经典的边缘检测方法是利用边缘邻近一阶或二阶方向导数变化规律考察图像的每个像素在某个邻域内灰度的变化，进而判断该像素是否为边缘的方法。经典的边缘检测算子有Robert算子、Sobel算子、Prewitt算子、Kirsch算子、Gauss-Laplace算子、Canny算子等。
四、目标识别算法与威胁等级估计实验分析
（一）实验数据说明
本文选取了14种典型的机场跑道异物目标进行仿真实验，图4-5为选取的目标。其中1号是表面为纺织品的球状物体，2号是矩形状金属，3号是条状金属，4号为柱状金属，5号为金属-非金属混合物体，6号为针状金属，7号为植物，8号为矩形状塑料，9号为矩形状塑料，10号为矩形状PVC，11号为柱状PVC，12号为石头，13号为矩行状橡胶，14号为矩形状木材。
图3 机场跑道异物实验样本
图4 机场跑道异物实验样本
由于位置特征数据是毫米波雷达给出的，而本文不对毫米波雷达系统做分析，因此本节的所有机场跑道异物的位置数据都是人为设置的。
（二）目标特征提取实验结果与分析
表1是14种机场跑道异物的颜色特征，从表中数据可以看出在HSV模型下明显的彩色物体其饱和度S较高，亮度V数值也较高，而对于金属物体饱和度S都很低，而亮度V集中在中部，白色的PVC材料物体饱和度S很低，但是亮度V很高，而一些深色的塑料饱和度S和亮度V都很低。
表1 颜色特征
表2是14种机场跑道异物的Tamura纹理特征实验结果，其中1号物体的粗糙度数值最高，因为其表面是纺织品，14号物体是木块其粗糙度也较高。而金属物体的粗糙度一般较低，这也验证了金属表面大多是光滑的这一主观认识。而白色的PVC物体，由于其有较高的亮度，因此其对比度数值比较高。
表2 Tamura纹理特征
表3是14种机场跑道异物的几何特征实验结果，位置特征数据是人为设置的，近似为一个平均分布，表中数值1表示在红色区域，2在黄色区域，3在绿色区域。面积表示的是在特定空间分辨率下物体内部的总像素数，周长计算的是物体轮廓中的各边界点之间的欧式距离。值得注意的是，植物由于其形状的不规则性，面积与周长的比例差距很大，这点将在后面的圆形度特征中表示出来。 表3 几何特征
表4是14种机场跑道异物的形状特征实验结果，由于采集到的实验样本均是在垂直于物体表面的角度方向拍摄的，因此几乎所有物体的矩形度数值都接近于1。圆形度特征很好的体现了物体的伸展性，2号，3号，13号物体是条形的，因此其圆形度数值都较大。
表4 形状特征
（三）目標识别与威胁等级估计实验结果与分析
计算14种机场跑道异物的威胁等级系数，结果见表5。图4按威胁系数从高到低给14种机场跑道异物进行了排序。从结果中可以看出7号植物的威胁等级最高，主要原因是其外形轮廓复杂，发现位置处于起飞着陆区。而主观感觉上威胁最高的3号因为其发现位置被设定在了滑行区，进过加权后其威胁系数就相对变小了。其他实验物体的威胁等级与主观认识基本相同。实验结果说明本文的方法是有效的。
表5 威胁等级实验结果
使用14种机场跑道异物的特征数据对构建的基于BP神经网络的威胁等级分类器进行测试，其中训练样本占3/4，约11个训练样本，3个测试样本。首先选用11，12，13号FOD作为测试样本，其他FOD为训练样本进行实验。
实验结果如图5所示，从实验结果可以看出，最后计算出的威胁系数的误差都不超过15%，估计的威胁等级与真实威胁等级相同。之后，选用1，4，10号FOD作为测试样本，其他FOD作为训练样本进行实验，实验结果如图6所示，实验结果显示模型是有效的。
图5 机场跑道异物威胁等级估计实验结果一
图6 机场跑道异物威胁等级估计实验结果二
由于实验样本过少，BP神经网络的鲁棒性一般，有时会出现图7所示的异常数据，但分类器的总体性能是不错的，达到了对机场跑道异物的智能分类与识别。
图7 机场跑道异物威胁等级估计实验结果三
五、总结
国内外对机场跑道异物检测系统及其实现算法与方法的研究还没有形成完整的理论体系和框架，尤其在实际工程应用上，国内的发展水平与国外相比还存在很大差距，还需要对领域科技的探索和实践的积累，以充实机场应用工程技术、满足民航产业的持续安全需求。
参考文献：
[1]赵锦华，张军.机场跑道异物检测系统研究[J].现代电子技术，2012，19：120-122+126.
[2]彭乾，孙灿飞，刘佳伟.基于视频的机场跑道异物检测技术研究[J].航空科学技术，2013，01：42-44.
[3]孙立新.跑道FOD检测系统关键技术分析[J].四川理工学院学报（自然科学版），2010，04：494-496.
【关键词】 视频;机场跑道;外来物;检测
一、机场跑道外来物的定义
机场跑道外来物指的是任何不属于机场但出现在机场活动区域并可能对机场造成损失或者飞行器造成损害的外来物品，机场跑道异物国际通称为Foreign Object Debris，机场跑道异物可以是任何人工物件，动物，植物，甚至雷电。FOD的另一种解释是Foreign Object Damage，指因为机场跑道异物入侵件而导致的损失。
二、机场跑道图像特征分析
快速准确地提取目标是目标检测技术的一个基本要求，敏感区域的检测是达到这一目标的关键环节。机场跑道是一个相对比较简单的背景场景，在远距离、宽视野的光学机场跑道侧视图像中整幅图像大致可以分为三片区域，分别是净空、场地（整备土质区或草坪）和机场跑道。在近距离窄视野的图像中可能只会出现两个区域，飞行场地和机场跑道，如图1所示。
图1 机场跑道侧视图
在可见光图像中，这天空、飞行场地和机场跑道的纹理及颜色特征区分很明显，在红外图像中若没有强光或积水的干扰，天空、飞行场地和机场跑道的热辐射特性也很明显，一般情况下机场跑道的边界即是飞行场地与机场跑道两个区域的相邻边缘，机场跑道的视觉末端是机场跑道与天空两个区域的相邻边缘，而这两个边缘一般大致呈直线条状。因此利用这一特征可以对原始图像进行区域分割，得到感兴趣区域（ROI）——机场跑道，有效地将感兴趣区域定位在较小的周围内，对原始图像的区域分割可提高FOD目标检测算法的效率。
三、目标检测的基本方法
目前基于视频的目标检测方法主要有基于帧间差分的方法、基于光流场的方法、基于图像分割的方法、基于背景差分的方法等。
（一）帧间差分法
帧间差分法主要是利用视频序列中连续的两帧或几帧图像的差异，进行目标检测和提取。具体步骤如下。
1、计算第k帧图像与第k-t帧图像之间的差分，得到差分后的图像Dk。
2、对差分后的图像Dk进行二值化，当差分图像中某一像素的值大于某一给定阈值T时，该像素值取1，对应于前景（目标区域）;反之该像素值取0，对应于后景（非目标区域）。
3、对阈值化后的图像Rk进行数学形态学等后处理，当某一连通区域的面积大于某一给定的阈值，则认为该区域为目标区域，并得到其完整的位置信息。
（二）光流场法
光流场法是基于对光流的估算进行检测分割的方法。光流中既包括被观察物体的运动信息，也包括有关的结构信息。光流场的不连续性可以用于将图像分割成对应于不同运动物体的区域，而且光流法不需要预先知道场景的任何信息，而只需要知道相邻视频帧之间的像素运动信息，因此基于光流的目标检测避免了依赖于背景模型和背景学习过程的问题。
（三）图像分割法
图像分割法是指根据图像的灰度、边缘、梯度、纹理等特征将图像分割成若干个互不相交的区域，然后根据一定的准则检测分割后的区域以得到待检测目标。其中最重要的图像分割检测方法是边缘检测。
圖像的边缘是图像最基本的特征之一。所谓边缘是指其周围像素灰度有阶跃变化或屋顶变化的那些像素的集合，是物体灰度不连续性的反映。而经典的边缘检测方法是利用边缘邻近一阶或二阶方向导数变化规律考察图像的每个像素在某个邻域内灰度的变化，进而判断该像素是否为边缘的方法。经典的边缘检测算子有Robert算子、Sobel算子、Prewitt算子、Kirsch算子、Gauss-Laplace算子、Canny算子等。
四、目标识别算法与威胁等级估计实验分析
（一）实验数据说明
本文选取了14种典型的机场跑道异物目标进行仿真实验，图4-5为选取的目标。其中1号是表面为纺织品的球状物体，2号是矩形状金属，3号是条状金属，4号为柱状金属，5号为金属-非金属混合物体，6号为针状金属，7号为植物，8号为矩形状塑料，9号为矩形状塑料，10号为矩形状PVC，11号为柱状PVC，12号为石头，13号为矩行状橡胶，14号为矩形状木材。
图3 机场跑道异物实验样本
图4 机场跑道异物实验样本
由于位置特征数据是毫米波雷达给出的，而本文不对毫米波雷达系统做分析，因此本节的所有机场跑道异物的位置数据都是人为设置的。
（二）目标特征提取实验结果与分析
表1是14种机场跑道异物的颜色特征，从表中数据可以看出在HSV模型下明显的彩色物体其饱和度S较高，亮度V数值也较高，而对于金属物体饱和度S都很低，而亮度V集中在中部，白色的PVC材料物体饱和度S很低，但是亮度V很高，而一些深色的塑料饱和度S和亮度V都很低。
表1 颜色特征
表2是14种机场跑道异物的Tamura纹理特征实验结果，其中1号物体的粗糙度数值最高，因为其表面是纺织品，14号物体是木块其粗糙度也较高。而金属物体的粗糙度一般较低，这也验证了金属表面大多是光滑的这一主观认识。而白色的PVC物体，由于其有较高的亮度，因此其对比度数值比较高。
表2 Tamura纹理特征
表3是14种机场跑道异物的几何特征实验结果，位置特征数据是人为设置的，近似为一个平均分布，表中数值1表示在红色区域，2在黄色区域，3在绿色区域。面积表示的是在特定空间分辨率下物体内部的总像素数，周长计算的是物体轮廓中的各边界点之间的欧式距离。值得注意的是，植物由于其形状的不规则性，面积与周长的比例差距很大，这点将在后面的圆形度特征中表示出来。 表3 几何特征
表4是14种机场跑道异物的形状特征实验结果，由于采集到的实验样本均是在垂直于物体表面的角度方向拍摄的，因此几乎所有物体的矩形度数值都接近于1。圆形度特征很好的体现了物体的伸展性，2号，3号，13号物体是条形的，因此其圆形度数值都较大。
表4 形状特征
（三）目標识别与威胁等级估计实验结果与分析
计算14种机场跑道异物的威胁等级系数，结果见表5。图4按威胁系数从高到低给14种机场跑道异物进行了排序。从结果中可以看出7号植物的威胁等级最高，主要原因是其外形轮廓复杂，发现位置处于起飞着陆区。而主观感觉上威胁最高的3号因为其发现位置被设定在了滑行区，进过加权后其威胁系数就相对变小了。其他实验物体的威胁等级与主观认识基本相同。实验结果说明本文的方法是有效的。
表5 威胁等级实验结果
使用14种机场跑道异物的特征数据对构建的基于BP神经网络的威胁等级分类器进行测试，其中训练样本占3/4，约11个训练样本，3个测试样本。首先选用11，12，13号FOD作为测试样本，其他FOD为训练样本进行实验。
实验结果如图5所示，从实验结果可以看出，最后计算出的威胁系数的误差都不超过15%，估计的威胁等级与真实威胁等级相同。之后，选用1，4，10号FOD作为测试样本，其他FOD作为训练样本进行实验，实验结果如图6所示，实验结果显示模型是有效的。
图5 机场跑道异物威胁等级估计实验结果一
图6 机场跑道异物威胁等级估计实验结果二
由于实验样本过少，BP神经网络的鲁棒性一般，有时会出现图7所示的异常数据，但分类器的总体性能是不错的，达到了对机场跑道异物的智能分类与识别。
图7 机场跑道异物威胁等级估计实验结果三
五、总结
国内外对机场跑道异物检测系统及其实现算法与方法的研究还没有形成完整的理论体系和框架，尤其在实际工程应用上，国内的发展水平与国外相比还存在很大差距，还需要对领域科技的探索和实践的积累，以充实机场应用工程技术、满足民航产业的持续安全需求。
参考文献：
[1]赵锦华，张军.机场跑道异物检测系统研究[J].现代电子技术，2012，19：120-122+126.
[2]彭乾，孙灿飞，刘佳伟.基于视频的机场跑道异物检测技术研究[J].航空科学技术，2013，01：42-44.
[3]孙立新.跑道FOD检测系统关键技术分析[J].四川理工学院学报（自然科学版），2010，04：494-496.