CN104021557A - 机场近空复杂环境异物监测及预警方法 - Google Patents

Abstract

本发明涉及一种机场近空环境监测及预警方法，属于机场安全防护相关技术领域。包括如下步骤：(1)对机场净空进行扫描，获取初始图像信息；(2)对步骤(1)中获取的机场跑道图像特征分析，得到待测区域；(3)机场跑道背景建模；(4)图像边缘检测；(5)若步骤(4)中图像边缘检测结果为1，则判断机场近空存在异物，进行预警提示；若图像边缘检测结果为0，则判断机场近空不存在异物，属于安全范畴，无需预警。本发明方法利用飞行间隙(着陆前)，自动进行机场区周边环境的净空扫描，及时发现风筝、气球、超高吊车等空中障碍，较人工目视不仅增加了频度，发现能力更是得到大幅提升。

Description

机场近空复杂环境异物监测及预警方法

技术领域

本发明涉及一种机场近空环境监测及预警方法，属于机场安全防护相关技术领域。

背景技术

现行机场环境监测及预警的方法主要通过信号员和值班人员使用望远镜瞭望，初略观测机场上空的鸟群、低空云层以及跑道停机坪、机场周边的风筝、漂浮物、超高建筑及施工塔吊等具有潜在威胁的异常物体，由于观测视角大、范围广，复杂环境下经常有忽略视角、判断不及时等问题，存在安全隐患。

发明内容

为了解决上述存在的技术问题，本发明提供一种适用于各型飞机近场飞行时机场近空复杂环境异物监测及预警的方法。该方法通过对飞行近空区域不定时的扫描，进行空中异物检测，并快速准确的对异物进行识别，分析潜在的威胁并预警。

本发明目的是通过下述技术方案实现的：机场近空复杂环境异物监测及预警方法，其特征在于：包括如下步骤：

(1)对机场净空进行扫描，获取初始图像信息；

(2)对步骤(1)中获取的机场跑道图像特征分析：对原始图像进行区域分割，得到待测区域，将待测区域定位在较小的周围内，对原始图像的区域分割可提高目标检测算法的效率；

(3)机场跑道背景建模：进行区域分割后场景采用中值滤波法进行背景建模，获得了运动前景；

(4)图像边缘检测：采用图像边缘检测算法，最优化数值方法，以适应信噪比低，复杂度高，光照条件不均的实际应用图像；

(5)若步骤(4)中图像边缘检测结果为1，则判断机场近空存在异物，进行预警提示(干预)；若图像边缘检测结果为0，则判断机场近空不存在异物，属于安全范畴，无需预警。

所述步骤(3)中机场跑道背景建模过程中，运用的低通滤波算法公式如下：

$B_k=\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{\mathrm{ail}}_{k-1}$

其中，对某位置的像素点，取当前帧及之前N-1帧图像像素值的中值，作为当前帧图像的背景像素值，即为：

$y=f\left(b_{n-1}\right)+\frac{f\left(b_n\right)+f\left(b_{n-1}\right)}{b_n-b_{n-1}}(x-b_{n-1})$

所述步骤(4)图像边缘检测算法为：通过对边缘图像中各边缘像素点进行分析和边缘细化，依据数字图像像素排列的特点，与进行原始图像像素点比较分析处理，当像素点P(x,y)不满足式算法(1)和(2)时，就认为不满足匹配值条件，需要进行分割处理；

所述的算法(1)：

(Max(b_l(x,y),b₅(x,y))≥(Max(b₃(x,y),b₇(x,y))&(S(x，y-1)＜S(x,y)&S(x,y)＞(S(x,y+1))

(Max(b₂(x,y),b₇(x,y))≥(Max(b_l(x,y)，b₅(x,y))&算法2

所述的算法(2)

令T₁≥T₂,那么x,y对于x∈[l，m]y∈[1，n],其中图像平面Ω为m×n

1)判定像素P(x,y)为边缘点，令E(x,y)＝1,S(x,y)∈(T_l×T_O,+∞)和(x，y)∈(T₂×T₀T₁×T₀)

2)判定像素P(x，y)不是边缘点，令E(x,y)＝0,else。

本发明的有益效果：本发明采用上述方案，能够实现对机场近空异物监控和检测；并对检测的异物进行实时识别，分析潜在的威胁并分发警示。与现有技术相比，具有方便、快捷、减轻了操作人员的工作难度等优点。

附图说明

图1是本发明机场近空复杂环境异物监测及预警方法的总体流程图。

图2是图像边缘检测流程图。

具体实施方式

本发明方法实现的理论依据及工作原理：

(一)净空扫描的实现方法：机场跑道异物对飞机起降过程的安全带来了很大的威胁。净空扫描的任务是检测异物，而检测异物并不是一个识别的问题，识别出异物是风筝或是吊车等，检测异物可以说是一个分类问题，需要区分出静态的背景和前景，而前景就是异物。在这样一个分类问题中，首先需要对背景进行建模，这样才能在背景进入新物体后，将容纳有新物体的背景图片定义为具有异物的背景图片，而不是定义为新的背景图片。

(二)工作原理：在指定区域和监控点数后，转台自动开始扫描各个监控点，在第一监控点稍作停留的时候己经完成了背景建模，然后缓慢滑向下一个监控点，待扫描完全部监控点后，就完成了背景建模。当需要进行净空扫描的时候，对各个监控点进行区域扇形扫描，扇形扫描的过程中会在各个监控点进行停留，监控视场中出现的异物。

基于上述理论依据及工作原理，本发明机场近空复杂环境异物监测及预警方法，包括如下步骤：

(1)对机场净空进行扫描，获取初始图像信息；

(2)对步骤(1)中获取的机场跑道图像特征分析：对原始图像进行区域分割，得到待测区域，将待测区域定位在较小的周围内，对原始图像的区域分割可提高目标检测算法的效率；

(3)机场跑道背景建模：进行区域分割后场景采用中值滤波法进行背景建模，获得了运动前景；

(4)图像边缘检测：采用图像边缘检测算法，最优化数值方法，以适应信噪比低，复杂度高，光照条件不均的实际应用图像；

(5)若步骤(4)中图像边缘检测结果为，则判断机场近空存在异物，进行预警提示(干预)；若图像边缘检测结果为，则判断机场近空不存在异物，属于安全范畴，无需预警。

其中，步骤(2)对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，目标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，分别是天空，普通地面(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，普通地面(草坪)和机场跑道。

在可见光图像中，这天空，地面(草坪)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，地面(草坪)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地面(草坪)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，得到目标区域机场跑道，有效地将目标区域定位在较小的周围内，对原始图像的区域分割可提髙目标检测算法的效率。

所述步骤(3)机场跑道背景模型：背景建模也称为背景估计，其主要目的是根据原有的已知的背景图像对未来的背景图像进行估计，把图像中的目标检测问题看作一个将所有像素划分为目标和背景的二分类的问题，之后再对分类结果进行后续处理，得到最终的检测结果。下面对低通滤波器背景模型进行简单介绍。机场跑道场景在进行区域分割后，单个的场景背景在视频序列中近是似静止的，故背景对应时间轴上的低频信息，因此可以通过在大量的背景图像序列进行低通滤波估计背景。

算法公式如下：

$B_k=\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{\mathrm{ail}}_{k-1}$

该步骤采用典型的基于时间轴滤波进行背景估计的方法，即中值滤波法，对某位置的像素点，取当前帧及之前N-1帧图像像素值的中值，作为当前帧图像的背景像素值。即为

$y=f\left(b_{n-1}\right)+\frac{f\left(b_n\right)+f\left(b_{n-1}\right)}{b_n-b_{n-1}}(x-b_{n-1})$

中值滤波法的背景估计速度较快，并获得了可以接受的运动前景检测结果，对计算机内存的要求也不是太高，除此之外还可以使用灰度直方图来对这个像素点的像素值进行估计。

所述步骤(4)图像边缘检测方法及算法：采用图像边缘检测算法和最优化数值方法，是一个较好的边缘检测算法，以适应信噪比低，复杂度高，光照条件不均的实际应用图像。图像边缘检测流程如图2所示。

通过对边缘图像中各边缘像素点进行分析和边缘细化，依据数字图像像素排列的特点，与进行原始图像像素点比较分析处理，当像素点P(x,y)不满足式算法(1)和(2)时，就认为不满足匹配值条件，需要进行分割处理。

算法(1):

(Max(b_l(x,y),b₅(x,y))≥(Max(b₃(x,y),b₇(x,y))&(S(x，y-1)＜S(x,y)&S(x,y)＞(S(x,y+1))

(Max(b₂(x,y),b₇(x,y))≥(Max(b_l(x,y)，b₅(x,y))&算法2

算法(2)

令T₁≥T₂,那么x,y对于x∈[l，m]y∈[1，n],其中图像平面Ω为m×n

1)判定像素P(x,y)为边缘点，令E(x,y)＝1,S(x,y)∈(T_l×T_O,+∞)和(x，y)∈(T₂×T₀T₁×T₀)

2)判定像素P(x，y)不是边缘点，令E(x,y)＝0,else。

本发明方法的具体实施效果：利用飞行间隙(着陆前)，自动进行机场区周边环境的净空扫描，及时发现风筝、气球、超高吊车等空中障碍，较人工目视不仅增加了频度，发现能力更是得到大幅提升。

Claims (3)

1.机场近空复杂环境异物监测及预警方法，其特征在于：包括如下步骤：

(1)对机场净空进行扫描，获取初始图像信息；

(2)对步骤(1)中获取的机场跑道图像特征分析：对原始图像进行区域分割，得到待测区域；

(3)机场跑道背景建模：进行区域分割后场景采用中值滤波法进行背景建模，获得了运动前景；

(4)图像边缘检测：采用图像边缘检测算法，最优化数值方法，以适应信噪比低，复杂度高，光照条件不均的实际应用图像；

(5)若步骤(4)中图像边缘检测结果为1，则判断机场近空存在异物，进行预警提示；若图像边缘检测结果为0，则判断机场近空不存在异物，无需预警。

2.根据权利要求1所述的机场近空复杂环境异物监测及预警方法，其特征在于：所述步骤(3)中机场跑道背景建模过程中，运用的低通滤波算法公式如下：

$B_k=\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{\mathrm{ail}}_{k-1}$

其中，对某位置的像素点，取当前帧及之前N-1帧图像像素值的中值，作为当前帧图像的背景像素值，即为：

$y=f\left(b_{n-1}\right)+\frac{f\left(b_n\right)+f\left(b_{n-1}\right)}{b_n-b_{n-1}}(x-b_{n-1})$

3.根据权利要求1所述的机场近空复杂环境异物监测及预警方法，其特征在于：所述步骤(4)图像边缘检测算法为：通过对边缘图像中各边缘像素点进行分析和边缘细化，依据数字图像像素排列的特点，与进行原始图像像素点比较分析处理，当像素点P(x,y)不满足式算法(1)和(2)时，就认为不满足匹配值条件，需要进行分割处理；

所述的算法(1)：

(Max(b_l(x,y),b₅(x,y))≥(Max(b₃(x,y),b₇(x,y))&(S(x，y-1)＜S(x,y)&S(x,y)＞(S(x,y+1))

(Max(b₂(x,y),b₇(x,y))≥(Max(b_l(x,y)，b₅(x,y))&算法2所述的算法(2)

令T₁≥T₂,那么x,y对于x∈[l，m]y∈[1，n],其中图像平面Ω为m×n

1)判定像素P(x,y)为边缘点，令E(x,y)＝1,S(x,y)∈(T_l×T_O,+∞)和(x，y)∈(T₂×T₀T₁×T₀)

2)判定像素P(x，y)不是边缘点，令E(x,y)＝0,else。