飛行終端區(qū)跑道入侵檢測方法范文

本站小編為你精心準備了飛行終端區(qū)跑道入侵檢測方法參考范文，愿這些范文能點燃您思維的火花，激發(fā)您的寫作靈感。歡迎深入閱讀并收藏。

《海軍工程大學學報》2016年第3期

摘要：

在分析現(xiàn)有國內外飛行終端區(qū)跑道入侵檢測方法的基礎上，提出了終端區(qū)入侵信息的接入與分析的解決思路和方法，進而提出了一種改進的基于混合高斯背景的視頻序列目標檢測方法，并通過模擬實驗進行了驗證。結果表明：該方法能有效檢測出能見度不良等復雜環(huán)境下飛行終端區(qū)跑道入侵物的軌跡點。

關鍵詞：

飛行終端區(qū)；跑道入侵；視頻檢測

飛行終端區(qū)跑道入侵是影響飛行器安全進近的主要威脅因素之一。國際民用航空組織（ICAO）將飛行終端區(qū)跑道入侵定義為：在機場中發(fā)生的任何錯誤地出現(xiàn)在用于飛機起飛和降落的保護區(qū)表面的飛機、車輛以及行人的事件。現(xiàn)有入侵告警系統(tǒng)效能不足，特別是對夜間、能見度不良復雜環(huán)境適應性差，導致飛行終端區(qū)入侵事故頻發(fā)［1］。目前，保障飛行終端區(qū)安全的重要手段之一是利用機場視頻系統(tǒng)對飛行終端區(qū)跑道入侵事件進行實時監(jiān)控。傳統(tǒng)的運動目標檢測方法主要包括幀間差分、背景差分和光流法等三種［2－5］。基于混合高斯的背景模型（GMM）采用背景差分法，其優(yōu)點在于基于像素級的建模，能較好地模擬復雜背景，對于小幅度周期運動的動態(tài)背景有較好的抑制作用，特別適用于空曠的機場中大風、雨、雪等復雜環(huán)境；其缺點是在變化無明顯特征和周期較長的背景下，由于GMM收斂速度較慢，在收斂運算期間光線發(fā)生突變時無法迅速更新模型，因此會出現(xiàn)大面積的誤檢［6］。對此，不少學者重點對傳統(tǒng)混合高斯濾波在空域相關性［7］和模型更新方法［8］上做了改進，解決了不同的應用領域內對運動目標視頻檢測結果的準確性。本文提出了終端區(qū)跑道入侵信息的接入與分析思路與解決方法，針對混合高斯模型和幀間差分算法各自在運動目標檢測上的優(yōu)、缺點，提出將二者相結合的改進檢測方法，有效地解決飛行終端區(qū)在夜間或復雜天氣下低能見度時可能出現(xiàn)的光線突變而產生的目標檢測“噪聲”的問題。

1終端區(qū)入侵檢測信息的接入與分析

根據(jù)終端區(qū)入侵的概念，終端區(qū)保護區(qū)是一個三維空間的概念，其地面部分是一個不規(guī)則多邊形結構，空中部分定義為：從跑道升降帶起始端兩側開始，以3°角向上擴張，15°角向兩側擴張，直至達到距跑道入口4km處［9］。為便于分析，筆者將跑道入侵保護區(qū)簡化為嚴格意義上的保護區(qū)的外接長方體包圍盒，如圖1（a）所示。跑道沖突告警類型有多種，本文所考慮的跑道入侵包括地面車輛、人員侵入跑道以及和空中其他飛行器等在整個三維空間中所產生的沖突。判斷是否發(fā)生終端區(qū)入侵事件，就是判斷其他飛行器或車輛是否與著陸飛行器同時進入了終端區(qū)保護區(qū)。因此，在視頻檢測的基礎上，實現(xiàn)入侵物的運動軌跡與飛行器著陸軌跡的沖突探測是終端區(qū)入侵實時檢測方法的根本目標。利用目標檢測算法從視頻幀中解算出運動目標，得到其歷史軌跡、當前位置、運動速度和方向，進而預測其未來的運動軌跡，并將這些信息以三維空間中點的形式接入飛行終端區(qū)環(huán)境模型中。本節(jié)提出一個簡單有效的方式是在圖1（b）中定義的終端區(qū)入侵保護區(qū)中建立精密格網(wǎng)，獲取視頻識別出來的地面入侵物軌跡點的局部格網(wǎng)坐標，根據(jù)歷史軌跡和運動速度生成預測軌跡，一旦二者軌跡發(fā)生時空交匯沖突，立即發(fā)出告警信息。首先，通過解析飛行器電文數(shù)據(jù)得到航班的經(jīng)緯度坐標，再通過坐標投影轉換公式轉換到通用橫軸墨卡托投影（UTM）坐標，得到UTM投影坐標后，還需要將世界坐標轉換到終端區(qū)入侵保護區(qū)格網(wǎng)坐標上；然后，再與實時接入的終端區(qū)入侵物的格網(wǎng)坐標和時間信息相匹配，判斷是否發(fā)生沖突。判斷入侵軌跡和進近航線的緩沖體是否沖突，是以計算出獲取入侵物歷史軌跡點、軌跡預測線以及當前飛行器進近航線為前提。圖2描述了飛行器位置和實時接入的終端區(qū)入侵沖突判斷的流程。

2基于幀間差分和GMM的運動目標檢測方法

利用視頻監(jiān)控檢測終端區(qū)入侵，在夜晚和能見度不良等復雜環(huán)境下對于跑道安全顯得更為重要。而這兩種情況下，視頻圖像的背景往往會因為夜間跑道燈光的變化而產生突變，或者因為雨雪滴落產生短周期性變化，從而影響了對運動目標的檢測結果精度。本節(jié)將改進的GMM背景差分和幀間差分相結合，提出新的運動目標檢測方法。

2．1基于傳統(tǒng)GMM檢測的改進在背景

一定的高斯模型中，已有經(jīng)典算法是根據(jù)圖像中的各像素的出現(xiàn)頻率將像素高斯分布進行排序，權重大于某閾值γ的高斯分布組成背景模型B＝minb（∑bi＝1ωi，xy＞γ）。這種方法的優(yōu)點在于選擇高權重高斯分布能夠使背景模型反映場景的變化，通過濾去低權重高斯分布，減少背景中高斯分布的數(shù)量從而降低計算量。對于空曠機場跑道而言，單幀視頻圖像背景分為兩類：一類是背景中的絕大部分像素，變化較少，可用1個高斯分布表達；另一類是雨、雪這類導致低能見度的復雜環(huán)境，其雨滴或飄雪在圖像中表現(xiàn)為單調周期運動的背景像素，可用3個高斯分布表達。因此，本文改進GMM背景檢測方法為：高斯模型的個數(shù)不超過3個，且模型權重必須大于某一設定的較小閾值Tth，即ωi，xy≥Tth。（1）式（1）的判斷法避免了選擇大權重的高斯分布，減少了高斯模型的數(shù)量且判斷簡單，從而提高了GMM運算的效率和實時性，其速度明顯優(yōu)于高斯模型的選擇與計算，但缺點在于可能導致檢測結果有少量孤立的噪聲點，不過可通過后續(xù)數(shù)學形態(tài)學的方法進一步處理目標圖像。

2．2融合幀間差分的改進GMM檢測算法

如前文所述，夜間跑道上的燈光突變或短周期性變化，引起視頻背景像素值產生整體性、大區(qū)域的變化，經(jīng)典GMM模型因需要對像素的高斯分布進行全局排序和判斷，而無法實現(xiàn)像素值的實時匹配，需要圖像學習和參數(shù)傳遞才能使模型匹配新的背景，不僅實時性較差，而且計算時間內的檢測結果中將會出現(xiàn)大量噪聲，使背景像素被誤檢為目標像素。本節(jié)提出先計算幀間差分，并將其結果代入到改進的GMM算法模型中，取代學習和參數(shù)傳遞重新建立高斯模型的過程，從而實時地建立跟背景變化相匹配的新的算法模型。對于連續(xù)的L幀圖像fk（x，y）（k＝1，…，L；0≤x≤M－1，0≤Y≤N－1），通過幀間差分法得到幀差圖Dk（x，y）（k＝1，…，L－1），其數(shù)學表達為Dk（x，y）＝｜fk（x，y）－fk－1（x，y）｜。引入幀間差分是利用其對運動檢測中的噪聲較為敏感的優(yōu)勢，因此引入該算法的關鍵是選擇合理的噪聲抑制閾值T。圖像噪聲主要與環(huán)境以及圖像采集設備有關，因此通常情況下，可將圖像噪聲看成空域上的隨機場，噪聲的均方差σ可以通過在空域上進行相關統(tǒng)計得到，并作為先驗信息和已知量。絕大多數(shù)情況下，視頻圖像中由目標運動所產生的幀間差值要比背景變化噪聲大得多，本文取噪聲抑制閾值T＝3σ，通過式（2）抑制噪聲。Dk（x，y）＝0，Dk（x，y）＜3σ；｜fk（x，y）－fk－1（x，y）｜，Dk（x，y）≥3σ烅烄烆。（2）式（2）中，將小于T的像素灰度值設置為0，與傳統(tǒng)的幀間差分相比，保留了像素變化的大小，而沒有對差分結果進行二值化。這樣適合于飛行終端區(qū)這樣的靜止背景類型，因為靜止背景的像素經(jīng)差分和噪聲抑制后其值為零；若視頻背景是動態(tài)像素，噪聲會因為灰度差值較大而得以保留。本算法是針對夜間或能見度不良情況下的飛行終端區(qū)跑道，光線突變容易使單一的基于GMM的視頻檢測算法會失效，需要經(jīng)過一段時間的學習后才能穩(wěn)定。在這個學習和參數(shù)傳遞計算期間，GMM就會以背景檢測為前景，從而產生較大檢測誤差。其原因是當背景發(fā)生較大變化時，高斯背景模型無法迅速匹配，要縮短模型匹配的時間差，必須使其快速收斂，即能夠快速建立變化后的新背景模型，方法是用幀間差分求出背景光線變化的大小，并將其對當前的GMM進行“補償”。判斷背景是否發(fā)生突變，即對式（2）中的Dk（x，y）上非零值像素的個數(shù)count進行統(tǒng)計。當count≥50％·M·N（M、N分別為像素的行、列數(shù)）時，可判斷圖像背景光線發(fā)生了突變。此時，Dk（x，y）中的非零值出現(xiàn)頻率最多的值即為光線突變的強度，記為ΔD（x，y）～N（ΔD，σΔ）。通過上述步驟，檢測結果中的運動目標內部還可能存在“空洞”和噪聲現(xiàn)象，這樣的檢測結果既不完整也有可能出現(xiàn)誤判，因此還需做進一步圖像處理。主要方法是采用數(shù)學形態(tài)學的方法，消除檢測目標中的孤立噪聲點，填補目標邊緣斷裂以及填補目標區(qū)域內部空洞，從而得到完整目標。

3檢測實驗結果及分析

為對算法的有效性進行檢驗，本文基于Mat－lab7．1的實驗平臺，對某機場內公路的一段監(jiān)控視頻進行運動目標檢測實驗。分別針對本文提出的檢測算法和基于傳統(tǒng)GMM背景差分算法對視頻序列圖像進行檢測實驗，并對實驗結果進行了分析。在實驗中，基于傳統(tǒng)GMM背景差分法建立K＝3～5個高斯模型，初始化高斯模型的參數(shù)為ωi，t＝1／K，μi，t＝255（i／K），σ2i，t＝36，閾值γ＝0．9。本文提出的算法中，高斯分布閾值T確定該高斯分布的帶寬，通過多次實驗驗證取Tth＝0．2最合適，此時屬于該高斯分布的值有99％的概率被正確識別。高斯模型的初始方差根據(jù)圖像序列中受外界光照、采集噪聲等因素所造成的像素值波動偏差來確定，方差初始值取σ21＝30。圖3（a）為一張機場內視頻監(jiān)控的原圖像，從左到右依次為某段視頻監(jiān)控的第278幀、第279幀和第280幀圖像，其中第279、280幀存在光線的突變；從圖3（b）和圖3（c）的結果對比中可以看出，本文提出方法的檢測結果中的誤檢點（即圖中的白色噪聲點）要遠遠少于經(jīng)典混合高斯模型的檢測結果，這是因為本文算法用幀間差分的方法將背景突變量計算出來，并參與建立高斯背景模型，提高了建模和計算的效率和檢測效果。這樣不僅濾除了噪聲，還通過數(shù)學形態(tài)學的方法消除了結果中絕大多數(shù)的空洞和重影，可見本文提出的檢測方法得到的結果更加完整和準確，適用于飛行終端區(qū)跑道入侵視頻檢測和信息接入、分析、應用。

4結束語

本文分析了飛行終端區(qū)中一類常見的威脅環(huán)境：飛行終端區(qū)跑道入侵，在總結目前常用的飛行終端區(qū)跑道入侵檢測手段———視頻檢測的基礎上，提出了將幀間差分結果參與到混合高斯背景差分計算和模型重建的運動目標檢測方法。首先，通過實時的視頻目標檢測，得到入侵物的歷史軌跡點、運動方向和速度，從而可以計算出入侵物的預測軌跡；然后，將其與終端區(qū)入侵保護區(qū)、飛行器進近軌跡進行坐標轉換和沖突判斷分析計算，以判斷是否出現(xiàn)終端區(qū)入侵并及時發(fā)出告警。

參考文獻：

［1］中國民用航空局航空安全辦．1990－2006年歷年飛行事故、航空地面事故和飛行事故征候統(tǒng)計［R］．北京：中國民用航空局航空安全辦，2007．

［2］李波，姚春蓮，李煒，等．利用相鄰幀和背景信息的運動對象檢測［J］．電子學報，2008，36（11）：2154－2159．

［3］甘明剛，陳杰，劉勁，等．一種基于三幀差分和邊緣信息的運動目標檢測方法［J］．電子與信息學報，2010，32（4）：894－897．

［4］姜靚，詹永照．基于高斯金字塔與差分法的多目標檢測和跟蹤算法［J］．微電子學與計算機，2011，11（11）：129－136．

［5］霍志勤．跑道侵入概念中地面保護區(qū)研究［J］．中國民航大學學報，2010，28（6）：9－13．

作者：張勇明 譚笑 柯澤賢 單位：海軍工程大學管理工程系海軍陸戰(zhàn)學院