CN105372717A - 一种基于雷达和图像信号的fod融合探测方法及装置 - Google Patents
一种基于雷达和图像信号的fod融合探测方法及装置 Download PDFInfo
- Publication number
- CN105372717A CN105372717A CN201510725500.6A CN201510725500A CN105372717A CN 105372717 A CN105372717 A CN 105372717A CN 201510725500 A CN201510725500 A CN 201510725500A CN 105372717 A CN105372717 A CN 105372717A
- Authority
- CN
- China
- Prior art keywords
- fod
- radar
- runway
- coordinate
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V11/00—Prospecting or detecting by methods combining techniques covered by two or more of main groups G01V1/00 - G01V9/00
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Radar Systems Or Details Thereof (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明涉及雷达和图像的物体探测和物体识别领域,尤其是涉及一种基于雷达和图像信号的FOD融合探测方法及装置。本发明针对现有技术存在的问题,提供一种FOD融合探测方法及装置,本发明基于融合信号训练弱FOD探测器,然后提出了一种融合单独雷达探测、单独图像探测、融合信号探测三种弱FOD探测器生成FOD融合探测器的方法,通过FOD融合探测器最终判定FOD目标。本发明中控制处理器控制每个雷达或图像探测器对相应跑道检测区域进行连续扫描,分别对应进行雷达探测或图像探测;根据所述特征融合方法,对坐标对应的雷达信号和图像信号进行特征融合;然后使用FOD融合判定器进行FOD判定,对认定的FOD目标进行报警。
Description
技术领域
本发明涉及雷达和图像的物体探测和物体识别领域,尤其是涉及一种基于雷达和图像信号的FOD融合探测方法及装置。
背景技术
跑道入侵异物(下文简称FOD)对航班安全有重大威胁。从法国协和号空难事故后,多方研究机构与公司都在致力于FOD探测技术的研究和应用系统的开发。FOD探测系统的性能对航班起降安全的保障有重要的作用。当前主流的应用系统使用的技术为雷达探测技术或图像探测技术。
雷达探测的优势在于对突出地表且雷达波反射率高的物体有很好的探测能力,但是局限在于容易遗漏扁平或雷达波反射率低的物体,地表的反射杂波也可能造成虚警。图像探测的优势在于对和跑道道面外貌差异较大的物体有很好的探测能力,不论物体的形状和雷达波反射率,但是局限在于容易遗漏和跑道外貌相似的物体。
从两种探测技术的自身特点看来,基于两种探测信号的融合探测方法可以弥补分别独立探测的性能局限。针对目前主流FOD探测系统为单一雷达探测或单一图像探测的问题,本发明提出了一种基于毫米波雷达和图像信号的融合探测方法和装置。相比简单叠加的组合方式,融合探测能够进一步提高FOD的探测能力。
发明内容
本发明所要解决的技术问题是:针对现有技术存在的问题,提供一种基于雷达和图像信号的FOD融合探测方法及装置。本发明通过两种探测技术的融合有效地解决了独立探测中的局限问题,整体性能明显优于两种技术的简单叠加。
本发明采用的技术方案如下:
一种基于雷达和图像信号的FOD融合探测方法包括:
步骤1:控制处理器控制雷达和图像探测器采集的跑道常见FOD目标雷达与图像信号,作为正样本集合;控制处理器控制雷达和图像探测器采集跑道常见的非FOD目标雷达与图像信号,作为负样本集合;常见FOD目标指的是金属零件、金属工具、轮胎橡胶、石块、塑料零件或塑料管道;非FOD目标指的是指示灯、标识线、板块缝隙、轮胎痕迹、跑道道面;
步骤2:在控制处理器上实现对对应雷达信号与图像信号进行特征融合的特征融合方法;其中对应指的是雷达信号与图像信号采集自同一样本或同一探测目标;
步骤3:控制处理器使用步骤1得到正负样本集合,根据步骤2中的特征融合方法进行特征融合,然后在决策级训练,组合单独雷达判定、单独图像判定、融合信号判定三种弱FOD判定器的FOD融合判定器;
步骤4:在探测过程中,控制处理器控制每个雷达或者是图像探测器对相应跑道检测区域进行连续扫描,雷达或者是图像探测器采集的信号传送到控制处理器,分别对应进行独立跑道FOD雷达探测或者独立跑道FOD图像探测,探测到的目标被称为疑似FOD目标;
步骤5:当雷达探测发现疑似FOD目标后,控制处理器将雷达坐标系中疑似FOD目标坐标转换为跑道坐标系坐标,然后转化为图像坐标系坐标,并按照此时图像坐标系坐标使用图像探测器采集图像信号;当图像探测发现疑似目标后,控制处理器将图像坐标系中目标坐标转换为跑道坐标系坐标,然后转化为雷达坐标系中坐标,并按照此时雷达坐标系坐标使用雷达采集雷达信号;
步骤6:控制处理器根据步骤2的特征融合方法,对步骤5中坐标对应的雷达信号和图像信号进行特征融合;然后使用步骤3训练的FOD融合判定器进行FOD判定,对认定的FOD目标进行报警。
进一步的,所述步骤2中具体过程是:
步骤21:令对跑道监测区域扫描采集的雷达信号为J,J为三维矩阵
J的第一列d为一个跑道检测区域中M1个雷达反射波信号的距离,第二列θ为一个跑道检测区域中M1个雷达反射波信号的方位角,第三列η为一个跑道检测区域中M1个雷达反射波信号的强度值,每一行为一个反射信号,共M1个反射信号;
步骤22:令跑道监测区域内雷达最远探测距离上直径3cm到10cm的橡胶物体反射信号强度值为ηmin,跑道监测区域内最近探测距离上直径到10cm的金属物体反射信号强度值为ηmax;将J中所有雷达反射信号按照反射波信号的强度值分为(-∞,ηmin), (ηmax,∞)五个组;统计每个组中反射波信号的数量、距离的最大最小值差,方位角的最大最小值差,每组3个数值,共计15个数值,记为特征向量VL;
步骤23:令对跑道检测区域采集的与雷达信号对应的图像信号为I,I为灰度图像的子区域,是二维矩阵;使用特征描述方法将I转化为特征向量VT;
步骤24:将步骤22与步骤23中得到的特征向量合并为一个融合特征向量V=(VL,VT)。
进一步的,所述步骤3中在决策级训练,组合单独雷达判定、单独图像判定、融合信号判定三种弱FOD判定器的FOD融合判定器具体过程是:
步骤31:提取步骤1非FOD目标中指示灯、标识线、板块缝隙、轮胎痕迹四类跑道表面物体的图像信号,分别建立四个图像信号排除样本集合;使用步骤1中FOD目标,作为一个图像信号怀疑样本集合;使用将步骤23中方法将排除样本集合和怀疑样本集合中图像转化为特征向量,然后进行识别训练,得到K个聚类的相似度函数Pk(V),和K个对应的相似度判定阈值Tk;
步骤32:对步骤1正负样本中每个图像信号,使用将步骤23中方法计算得VT,带入相似度函数计算得到K个聚类的相似度Pk(VT),k=1,2,...,K,分别除以K个对应的相似度判定阈值Tk,k=1,2,...,K,取其中最小的一组值赋予图像判定值S1,若S1大于0则判定为FOD,反之判定为非FOD;统计判定错误概率ε1,ε1等于错误判定样本数量除以正负样本总数量,单独图像判定权重为
步骤33:对每个正负样本i,计算其的权重值为
再将权重作归一化处理其中若样本为正样本且判定为FOD目标,或样本为负样本且判定为非FOD,则判定正确,否则判定错误;
步骤34:对步骤1正负样本中每个雷达信号,取步骤21中反射波信号的最大值ηs=max(η1,η2,...,ηM1),若ηs-ηt大于0则判定为FOD,反之判定为非FOD;其中判定阈值ηt的值为在区间[ηmin,ηmax]内根据正负样本分布规律认为设定,使所有错误判定样本的权重和最小;
步骤35:令单独雷达判定值S2=(ηs-ηt)/(ηmax-ηt),若S2大于0则判定为FOD,反之判定为非FOD;统计判定错误概率ε2,ε2等于所有错误判定样本的权重Dt的和,单独雷达判定权重为
步骤36:重新计算每个正负样本i的权重值DL;
其中若样本为正样本且判定为FOD目标,或样本为负样本且判定为非FOD,则判定正确,否则判定错误;
再将权重作归一化处理
步骤37:将步骤1中正负样本使用步骤21到步骤24的方法转变为正负融合特征向量;使用支持向量机(SVM)机器学习方法,带入样本权重D'L,训练出参数W和z,其中W是个参数向量,其维度与V维度相同,z为常数;
步骤38:令融合信号判定值S3=V·W+z,若S3大于0则判定为FOD,反之判定为非FOD;统计判定错误概率ε3,ε3等于所有错误判定样本的权重D'L的和,融合信号判定权重为
步骤39:决策融合的最终判定值是S=α1S1+α2S2+α3S3,若S大于0则判定为FOD,反之判定为非FOD。
进一步的,所述步骤4中独立跑道FOD雷达探测具体包括:
步骤41:令对跑道扫描采集的雷达信号为J,J为三维矩阵
J的第一列d为反射波信号的距离,第二列θ为反射波信号的方位角,第三列η为反射波信号的强度值,每一行为一个反射信号,共M1个反射信号;
步骤42:提取雷达扫描反射波信号的最大值ηs=max(η1,η2,...,ηM1);若ηs-ηt大于0则判定为FOD,且雷达反射波信号最大值对应的距离和方位角为FOD目标坐标,反之认为不存在FOD;令跑道内最远探测距离上直径3cm到10cm的橡胶物体反射信号强度值为ηmin,跑道内最近探测距离上直径3cm到10cm的金属物体反射信号强度值为ηmax,判定阈值ηt的取值在区间[ηmin,ηmax]内。
进一步的,所述步骤4中独立跑道FOD图像探测包括:1)提取步骤1中非FOD目标中指示灯、标识线、板块缝隙、轮胎痕迹四类跑道表面物体的图像信号,分别建立四个排除样本图像集合;使用步骤1中FOD目标,作为一个怀疑样本图像集合;2)使用四个排除样本图像集合和怀疑样本图像集合训练出基于多个聚类的跑道自身结构排除模型参数;3)对实际跑道进行图像采集,对每张图像用边缘检测方法进行疑似目标探测;4)然后根据跑道自身结构排除模型中的识别参数排除跑道表面物体,实现对跑道监视区域的完整FOD图像检测,具体过程:
步骤411:将样本图像信号集合中所有彩色图像转化为灰度图像,分别使用特征描述方法将每一副图像转化为一个特征向量,其中四个排除样本图像集合生成的特征向量称为四个排除特征向量集合,怀疑样本图像集合生成的特征向量称为怀疑特征向量集合;
步骤412:将每个排除特征向量集合,分别使用聚类分析方法将特征向量分成K个聚类,设定指示灯聚类为a1个、标识线聚类为a2个、板块缝隙聚类为a3个、轮胎痕迹聚类为a4个,则K=a1+a2+a3+a4;其中a1、a2、a3、a4的取值均为1到5之间的整数;
步骤413:对每个聚类,计算其特征向量分布密度的近似高斯模型参数(μk,Фk),参数μk为聚类内所有特征向量的平均值,参数Фk为聚类内所有特征向量的协方差矩阵,k为聚类的序号且1≤k≤K;在特征空间中任意点X与聚类k相似度Pk(X)计算公式为:
Pk(X)=exp(-(X-μk)TФk -1(X-μk))
步骤414:对每个聚类,设其包含Λ1个特征向量,每个特征向量用Xi表示,其中1≤i≤Λ1,计算本聚类中所有特征向量与本聚类的最低相似度设负特征向量集合包含Λ2个特征向量,每个特征向量用Yj,表示,其中1≤j≤Λ2,计算怀疑特征向量集合中所有特征向量与本聚类的最高相似度聚类k相似度判定阈值Tk的计算公式为:
步骤415:对实际跑道中各个检测区域依次拍摄彩色图像,将拍摄的彩色图像转变为灰度图像,对灰度图像使用平滑降噪处理;
步骤416:对每张灰度图像使用Canny边缘检测算法生成二进制边缘图像,得到图像中所有为1像素的坐标集合,设为1的像素共有Λ3个,则集合表示为C={(x1,y1),(x2,y2),...(xΛ3,yΛ3)};
步骤417:新建空集合D,将集合C中的第一个坐标移动到集合D;重复遍历集合C,如果集合C中有坐标到集合D中任意坐标的距离小于或等于minW,则将集合C中的坐标转移到集合D,直到集合C中的任意坐标到集合D中的任意坐标距离均大于minW,或者集合C为空集合;其中minW单位为像素,minW取值为10到30;
步骤418:统计集合D中的所有点在X轴上最大坐标为maxX,最小坐标为minX,统计集合D中的所有点在Y轴上最大坐标maxY,最小坐标minY,取以为中心,max(maxX-minX,maxY-minY)为边长的正方形灰度图像区域,使用步骤411的特征描述方法将该图像区域转化成特征向量V;
步骤419:分别计算V与K个聚类的相似度Pk(V),如果所有Pk(V)均满足Pk(V)<Tk,则认为发现FOD物体,发出FOD报警,并提供目标对应坐标
步骤420:依次重复步骤416到419,直到集合C为空集合,完成对一张图像中FOD的探测;
步骤421:依次重复步骤416到419,直到完成对所有图像的FOD检测,实现对跑道监视区域的完整FOD图像检测。
进一步的,所述步骤5中将雷达坐标系中坐标与跑道坐标系中坐标相互转换的具体过程是:
步骤511:探测目标的在探测器极坐标表达形式为(θ,d,δ),其中d表示探测器到被探测物体距离,θ表示被探测物体与探测器之间的方位角,δ表示被探测物体与探测器之间的俯仰角;探测器笛卡尔坐标系下表达形式为PT(xT,yT,zT):
xT=dcosδcosθ
yT=dcosδsinθ
zT=dsinδ
将PT(xT,yT,zT)转换到跑道坐标系的坐标PG(xG,yG,zG)的坐标转换模型:
PG=R0PT+P0
其中,R0为旋转矩阵,P0(x0,y0,z0)为探测器坐标系原点在跑道坐标系中的位置;该模型中的未知参数为R0、P0,而探测器根据类型的不同获取的坐标信息为三个分量的全部或其中两个;
步骤512:测试点经雷达探测所得雷达坐标系中坐标分布为(θj,dj),1≤j≤N1,步骤511中坐标转换模型未知参数为δ、R0、P0;即当实际测量中δj、R0、P0为未知数;其中δj为N1个测试点对应的被探测物体与雷达之间的俯仰角;θj为N1个测试点对应的被测物体与雷达之间的方位角;dj为N1个测试点对应的被测物体与之间的距离;在跑道路面上,均匀设置N1个被探测物体,即为N1个测试点,使用测量仪测得其在跑道坐标系下测试点坐标分别为(xj,yj,zj);同时使用雷达测得测试点在探测器坐标系下对应位置信息;
步骤513:根据对应关系求解步骤511坐标转换模型中的参数;其中求解坐标转换模型中的参数具体包括:
步骤5131:构造
根据计算得到P0=(ATA)-1ATB,得到P0;
步骤5132:因为记(xj-x0,yj-y0,zj-z0)为(vxj,vyj,vzj),记R0 -1为
构造
并对tempTtemp进行特征值分解或者奇异值分解,取最小非零特征值对应的特征向量,并将该向量记为(r11',r12',r13',r22',r23'),执行步骤433;
步骤5133:计算:
得到R0 -1中所有参数的值,执行步骤434:
步骤5134:对R0 -1求逆矩阵,得到R0的值;
步骤5135:对于任意跑道平面上目标均有zG≈0,且
即r11(xG-x0)+r12(yG-y0)+r13(-z0)=xT;
r12(xG-x0)+r22(yG-y0)+r23(-z0)=yT
且有
xG 2+yG 2=d2-z0 2
根据以上两个限制条件,令:
算出yG为二元一次方程(1+k1 2)yG 2+2k1k2yG+k2 2-d2+z0 2=0的正解,而xG=k1yG+k2
从而在无需知道参数δ的情况下实现雷达坐标向跑道坐标的转换;
步骤514:在探测中获取目标坐标后,计算出多种探测器的探测坐标与跑道标准坐标进行相互转换的公式,
步骤515:给定目标跑道坐标系下坐标PG(xG,yG,zG),其雷达探测坐标(θ,d)计算方法为:
θ=artan(yT/xT)
步骤516:给定目标雷达探测坐标(θ,d),其跑道坐标系下坐标PG(xG,yG,zG)的计算方法为:令
得到yG为二元一次方程:(1+k1 2)yG 2+2k1k2yG+k2 2-d2+z0 2=0的正解,而xG=k1yG+k2;zG=0。
进一步的,所述步骤5中将图像坐标系中与跑道坐标系中坐标相互转化的具体过程是:
步骤521:探测目标的在探测器极坐标表达形式为(θ,d,δ),其中d表示探测器到被探测物体距离,θ表示被探测物体与探测器之间的方位角,δ表示被探测物体与探测器之间的俯仰角;探测器笛卡尔坐标系下表达形式为PT(xT,yT,zT):
xT=dcosδcosθ
yT=dcosδsinθ
zT=dsinδ
将PT(xT,yT,zT)转换到跑道坐标系的坐标PG(xG,yG,zG)的坐标转换模型:
PG=R0PT+P0
其中,R0为旋转矩阵,P0(x0,y0,z0)为探测器坐标系原点在跑道坐标系中的位置;
该模型中的未知参数为d、R0、P0;图像坐标系下,测试点经过相机探测所得图像坐标系中坐标分布为(θj,δj),1≤j≤N1;即实际测量中dj、R0、P0为未知数;其中δj为N1个测试点对应的被探测物体与图像探测器之间的俯仰角;θj为N1个测试点对应的被测物体与图像探测器之间的方位角;dj为N1个测试点对应的被测物体与图像探测器之间的距离;步骤2中求解坐标转换模型中的参数具体包括:经图像探测器所得图像坐标系中坐标分布为(θj,δj),1≤j≤N1,测量探测器在跑道坐标系下坐标为在P0’为中心σ为半径,2σ×2σ×2σ的正方体空间内,取均匀分布间距为τ的点P0'=(x0',y0',z0')作为P0估算值, σ的取值为0.1米到5米,τ的取值为到对所有的P0’执行以下计算:
步骤5211:对每一个测试点计算Vj=(xj-x0',yj-y0',zj-z0'),并将向量Vj缩放为单位向量(除以自身的模)
步骤5212:对每一个测试点计算Wj=(cosδjcosθj,cosδjsinθj,sinδj);
步骤5213:计算向量Kj为Wj和Vj的叉乘Kj=Wj×Vj,记为Kj=(kxj,kyj,kzj),并计算ψj=arsin(kz),ζj=artan(kyj/kxj);
步骤5214:计算向量Wj和Vj之间的夹角
步骤5215:对所有的测试点计算ψj,ζj,数值分布的标准样本差的和ε,表示计算从x1到xN1共N1个数值分布的标准样本差;ψj,ζj为向量Kj的俯仰角和水平角;
在所有的P0’中,选取ε值最小的一组,令
P0=P0'
得到R0、P0,其中表示计算从x1到xN1共N1个数值的平均值;
步骤5216:令 由PG=R0PT+P0可知跑道面上目标满足关系:t13dcosδcosθ+t23dcosδsinθ+t33dsinδ=-z0;
反向计算出参数d为:
步骤522:当给定目标跑道坐标系下坐标PG(xG,yG,zG),其图像探测坐标(θ,δ)计算方法为
θ=artan(yT/xT);
步骤523:当给定图像探测目标坐标(θ,δ),其跑道坐标系下坐标PG(xG,yG,zG)计算方法为
xT=dcosδcosθ
yT=dcosδsinθ
zT=dsinδ
根据 得到PG。
一种基于雷达和图像信号的FOD融合探测装置包括:
雷达及图像探测器,用于对相应跑道监测区域进行连续扫描,并将采集的信号传送给控制处理器,分别对应进行独立跑道FOD雷达探测或者独立跑道FOD图像探测;
控制处理器,用于控制雷达和图像探测器采集的跑道常见FOD目标雷达与图像信号,作为正样本集合;控制处理器控制雷达和图像探测器采集跑道常见的非FOD目标雷达与图像信号,作为负样本集合;在控制处理器上实现对对应雷达信号与图像信号进行特征融合的特征融合方法;控制处理器针对正负样本模块的正负样本集合采用所述特种融合方法进行特征融合,然后在决策级训练,组合单独雷达判定、单独图像判定、融合信号判定三种弱FOD判定器的FOD融合判定器;在探测过程中,接收雷达及图像探测器传送的雷达或者图像信号,当雷达探测发现疑似FOD目标后,将雷达坐标系中疑似FOD目标坐标转换为跑道坐标系坐标,然后转化为图像坐标系坐标,并按照此时图像坐标系坐标使用图像探测器采集图像信号;当图像探测发现疑似目标后,将图像坐标系中目标坐标转换为跑道坐标系坐标,然后转化为雷达坐标系中坐标,并按照此时雷达坐标系坐标使用雷达采集雷达信号;最后针对坐标对应的雷达信号和图像信号进行特征融合采用所述特种融合方法进行特征融合;然后FOD融合判定器进行FOD判定,对认定的FOD目标进行报警;
其中常见FOD目标指的是金属零件、金属工具、轮胎橡胶、石块、塑料零件或塑料管道;非FOD目标指的是指示灯、标识线、板块缝隙、轮胎痕迹、跑道道面。
进一步的,所述控制处理器提出对对应雷达信号与图像信号进行特征融合的特征融合方法具体过程是:
步骤21:令对跑道监测区域扫描采集的雷达信号为J,J为三维矩阵
J的第一列d为一个跑道检测区域中M1个雷达反射波信号的距离,第二列θ为一个跑道检测区域中M1个雷达反射波信号的方位角,第三列η为一个跑道检测区域中M1个雷达反射波信号的强度值,每一行为一个反射信号,共M1个反射信号;
步骤22:令跑道监测区域内雷达最远探测距离上直径3cm的橡胶物体反射信号强度值为ηmin,跑道监测区域内最近探测距离上直径3cm的金属物体反射信号强度值为ηmax;将J中所有雷达反射信号按照反射波信号的强度值分为(-∞,ηmin),(ηmax,∞)五个组;统计每个组中反射波信号的数量、距离的最大最小值差,方位角的最大最小值差,每组3个数值,共计15个数值,记为特征向量VL;
步骤23:令对跑道检测区域采集的与雷达信号对应的图像信号为I,I为灰度图像的子区域,是二维矩阵;使用特征描述方法将I转化为特征向量VT;
步骤24:将步骤22与步骤23中得到的特征向量合并为一个融合特征向量V=(VL,VT)。
进一步的,所述处理器在决策级训练,组合单独雷达判定、单独图像判定、融合信号判定三种弱FOD判定器的FOD融合判定器具体过程是:
步骤31:提取正负样本模块中正负样本集合中非FOD目标中指示灯、标识线、板块缝隙、轮胎痕迹四类跑道表面物体的图像信号,分别建立四个图像信号排除样本集合;使用步骤1中FOD目标,作为一个图像信号怀疑样本集合;使用将步骤23中方法将排除样本集合和怀疑样本集合中图像转化为特征向量,然后进行识别训练,得到K个聚类的相似度函数Pk(V),和K个对应的相似度判定阈值Tk;
步骤32:对步骤1正负样本中每个图像信号,使用将步骤23中方法计算得VT,带入相似度函数计算得到K个聚类的相似度Pk(VT),k=1,2,...,K,分别除以K个对应的相似度判定阈值Tk,k=1,2,...,K,取其中最小的一组值赋予图像判定值S1,若S1大于0则判定为FOD,反之判定为非FOD;统计判定错误概率ε1,ε1等于错误判定样本数量除以正负样本总数量,单独图像判定权重为
步骤33:对每个正负样本i,计算其的权重值为
再将权重作归一化处理其中若样本为正样本且判定为FOD目标,或样本为负样本且判定为非FOD,则判定正确,否则判定错误;
步骤34:对步骤1正负样本中每个雷达信号,取步骤21中反射波信号的最大值ηs=max(η1,η2,...,ηM1),若ηs-ηt大于0则判定为FOD,反之判定为非FOD;其中判定阈值ηt的值为在区间[ηmin,ηmax]内根据正负样本分布规律认为设定,使所有错误判定样本的权重和最小;
步骤35:令单独雷达判定值S2=(ηs-ηt)/(ηmax-ηt),若S2大于0则判定为FOD,反之判定为非FOD;统计判定错误概率ε2,ε2等于所有错误判定样本的权重Dt的和,单独雷达判定权重为
步骤36:重新计算每个正负样本i的权重值DL;
其中若样本为正样本且判定为FOD目标,或样本为负样本且判定为非FOD,则判定正确,否则判定错误;
再将权重作归一化处理
步骤37:将步骤1中正负样本使用步骤21到步骤24的方法转变为正负融合特征向量;使用支持向量机(SVM)机器学习方法,带入样本权重D'L,训练出参数W和z,其中W是个参数向量,其维度与V维度相同,z为常数;
步骤38:令融合信号判定值S3=V·W+z,若S3大于0则判定为FOD,反之判定为非FOD;统计判定错误概率ε3,ε3等于所有错误判定样本的权重D'L的和,融合信号判定权重为
步骤39:决策融合的最终判定值是S=α1S1+α2S2+α3S3,若S大于0则判定为FOD,反之判定为非FOD。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1、提出了一种基于毫米波雷达和图像信号的FOD融合探测装置及方法,有效地解决了独立探测中的局限问题,提高了FOD探测系统的性能。
2、提出了一种从特征级和决策级两个层次对毫米波雷达与图像信号进行融合探测的方法,整体性能明显优于两种技术的简单叠加。
3、提出了一种从形状与外貌、正样本检测与负样本排除等多角度互助互补的FOD融合探测方法,进一步提高了融合探测的性能。
具体实施方式
本说明书中公开的所有特征,或公开的所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以以任何方式组合。
本说明书(包括任何附加权利要求、摘要)中公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的替代特征加以替换。即,除非特别叙述,每个特征只是一系列等效或类似特征中的一个例子而已。
本发明相关说明:
1、图像判定错误概率ε1指的是所有错误判定样本数量除以正负样本总数量;
2、雷达判定错误概率ε2指的是所有错误判定样本权重Di的和;其中Di指的是每个正负样本i对应的权重值。
3、融合判定错误概率ε3指的是所有错误判定样本的权重D'i的和;其中D'i指的是每个正负样本中i对应的权重值。
4、图像探测器指的是固定在转台上的相机。控制处理器指的是就是处理器。
5、所述特征描述方法是SIFT特征提取方法、HOG特征提取方法或者SURF算法;聚类方法是K-Mean算法、BIRCH算法或DBSCAN算法。
工作原理:本发明提出的装置包括至少一台雷达探测设备、至少一台图像探测设备和一个控制处理单元。探测系统工作时,探测设备由后端的控制处理单元控制进行工作,独立对监视区域进行连续扫描。探测设备采集的信号传送到控制处理单元,进行独立的雷达或者图像探测,探测到的目标被称为疑似FOD目标。发现疑似目标后,提取该目标区域采集的雷达和图像信号,使用从特征级和决策级两个层次对毫米波雷达与图像信号进行融合判定的方法,进行FOD最终判定,并对认定的FOD目标进行报警。报警提供目标区域中心坐标和包含该区域的图像,供人工进行最终风险评估。
步骤1:控制处理器控制雷达和图像探测器采集的跑道常见FOD目标雷达与图像信号,作为正样本集合;控制处理器控制雷达和图像探测器采集跑道常见的非FOD目标雷达与图像信号,作为负样本集合;常见FOD目标指的是金属零件、金属工具、轮胎橡胶、石块、塑料零件或塑料管道;非FOD目标指的是指示灯、标识线、板块缝隙、轮胎痕迹、跑道道面;
步骤2:在控制处理器上实现对对应雷达信号与图像信号进行特征融合的特征融合方法;其中对应指的是雷达信号与图像信号采集自同一样本或同一探测目标;
步骤3:控制处理器使用步骤1得到正负样本集合,根据步骤2中的特征融合方法进行特征融合,然后在决策级训练,组合单独雷达判定、单独图像判定、融合信号判定三种弱FOD判定器的FOD融合判定器;
步骤4:在探测过程中,控制处理器控制每个雷达或者是图像探测器对相应跑道检测区域进行连续扫描,雷达或者是图像探测器采集的信号传送到控制处理器,分别对应进行独立跑道FOD雷达探测或者独立跑道FOD图像探测,探测到的目标被称为疑似FOD目标;
步骤5:当雷达探测发现疑似FOD目标后,控制处理器将雷达坐标系中疑似FOD目标坐标转换为跑道坐标系坐标,然后转化为图像坐标系坐标,并按照此时图像坐标系坐标使用图像探测器采集图像信号;当图像探测发现疑似目标后,控制处理器将图像坐标系中目标坐标转换为跑道坐标系坐标,然后转化为雷达坐标系中坐标,并按照此时雷达坐标系坐标使用雷达采集雷达信号;
步骤6:控制处理器根据步骤2的特征融合方法,对步骤5中坐标对应的雷达信号和图像信号进行特征融合;然后使用步骤3训练的FOD融合判定器进行FOD判定,对认定的FOD目标进行报警。
其中,步骤1具体包括:
步骤11:在跑道上摆放常见FOD目标,即金属零件、金属工具、轮胎橡胶、石块、塑料零件或塑料管道,每个物体的直径均不小于3厘米;对常见FOD目标进行雷达信号及图像信号采集,每类物体应拍摄至少10个样本,每个样本应至少从10个不同的角度进行拍摄;将所有图像剪去冗余区域,仅保留包含被拍摄物体的最小正方形区域;将所有剪裁后图像缩小至32×32像素;
步骤12:在晴天、阴天、雨天、雾霾天气下,以及早上、中午、黄昏光照条件下,重复步骤11,生成正样本图像集合;
步骤13:对跑道的常见非FOD结构,即指示灯、标识线、板块缝隙、轮胎痕迹、跑道道面,进行拍照,重复步骤11、12的拍摄和图像处理方法,生成负样本图像集合。
步骤2具体过程是:
步骤21:令对跑道监测区域扫描采集的雷达信号为J,J为三维矩阵
J的第一列d为一个跑道检测区域中M1个雷达反射波信号的距离,第二列θ为一个跑道检测区域中M1个雷达反射波信号的方位角,第三列η为一个跑道检测区域中M1个雷达反射波信号的强度值,每一行为一个反射信号,共M1个反射信号;
步骤22:令跑道监测区域内雷达最远探测距离上直径3cm到10cm的橡胶物体反射信号强度值为ηmin,跑道监测区域内最近探测距离上直径到10cm的金属物体反射信号强度值为ηmax;将J中所有雷达反射信号按照反射波信号的强度值分为(-∞,ηmin), (ηmax,∞)五个组;统计每个组中反射波信号的数量、距离的最大最小值差,方位角的最大最小值差,每组3个数值,共计15个数值,记为特征向量VL;
步骤23:令对跑道检测区域采集的与雷达信号对应的图像信号为I,I为灰度图像的子区域,是二维矩阵;使用特征描述方法将I转化为特征向量VT;
步骤24:将步骤22与步骤23中得到的特征向量合并为一个融合特征向量V=(VL,VT),设VT为32维,则总特征为47维;
进一步的,在决策级组合单独雷达判定、单独图像判定、融合信号判定三种弱FOD判定器生成FOD融合判定器的方法。其具体方法如下:
步骤31:提取步骤1非FOD目标中指示灯、标识线、板块缝隙、轮胎痕迹四类跑道表面物体的图像信号,分别建立四个图像信号排除样本集合;使用步骤1中FOD目标,作为一个图像信号怀疑样本集合;使用将步骤23中方法将排除样本集合和怀疑样本集合中图像转化为特征向量,然后进行识别训练,得到K个聚类的相似度函数Pk(V),和K个对应的相似度判定阈值Tk;
步骤32:对步骤1正负样本中每个图像信号,使用将步骤23中方法计算得VT,带入相似度函数计算得到K个聚类的相似度Pk(VT),k=1,2,...,K,分别除以K个对应的相似度判定阈值Tk,k=1,2,...,K,取其中最小的一组值赋予图像判定值S1,若S1大于0则判定为FOD,反之判定为非FOD;统计判定错误概率ε1,ε1等于错误判定样本数量除以正负样本总数量,单独图像判定权重为
步骤33:对每个正负样本i,计算其的权重值为
再将权重作归一化处理其中若样本为正样本且判定为FOD目标,或样本为负样本且判定为非FOD,则判定正确,否则判定错误;
步骤34:对步骤1正负样本中每个雷达信号,取步骤21中反射波信号的最大值ηs=max(η1,η2,...,ηM1),若ηs-ηt大于0则判定为FOD,反之判定为非FOD;其中判定阈值ηt的值为在区间[ηmin,ηmax]内根据正负样本分布规律认为设定,使所有错误判定样本的权重和最小;
步骤35:令单独雷达判定值S2=(ηs-ηt)/(ηmax-ηt),若S2大于0则判定为FOD,反之判定为非FOD;统计判定错误概率ε2,ε2等于所有错误判定样本的权重Dt的和,单独雷达判定权重为
步骤36:重新计算每个正负样本i的权重值DL;
其中若样本为正样本且判定为FOD目标,或样本为负样本且判定为非FOD,则判定正确,否则判定错误;
再将权重作归一化处理
步骤37:将步骤1中正负样本使用步骤21到步骤24的方法转变为正负融合特征向量;使用支持向量机机器学习方法,带入样本权重D'L,训练出参数W和z,其中W是个参数向量,其维度与V维度相同,z为常数;
步骤38:令融合信号判定值S3=V·W+z,若S3大于0则判定为FOD,反之判定为非FOD;统计判定错误概率ε3,ε3等于所有错误判定样本的权重D'L的和,融合信号判定权重为
步骤39:决策融合的最终判定值是S=α1S1+α2S2+α3S3,若S大于0则判定为FOD,反之判定为非FOD。
所述步骤4中独立跑道FOD图像探测包括:1)提取步骤1中非FOD目标中指示灯、标识线、板块缝隙、轮胎痕迹四类跑道表面物体的图像信号,分别建立四个排除样本图像集合;使用步骤1中FOD目标,作为一个怀疑样本图像集合;2)使用四个排除样本图像集合和怀疑样本图像集合训练出基于多个聚类的跑道自身结构排除模型参数;3)对实际跑道进行图像采集,对每张图像用边缘检测方法进行疑似目标探测;4)然后根据跑道自身结构排除模型中的识别参数排除跑道表面物体,实现对跑道监视区域的完整FOD图像检测,具体过程:
步骤411:将样本图像信号集合中所有彩色图像转化为灰度图像,分别使用特征描述方法将每一副图像转化为一个特征向量,其中四个排除样本图像集合生成的特征向量称为四个排除特征向量集合,怀疑样本图像集合生成的特征向量称为怀疑特征向量集合;
步骤412:将每个排除特征向量集合,分别使用聚类分析方法将特征向量分成K个聚类,设定指示灯聚类为a1个、标识线聚类为a2个、板块缝隙聚类为a3个、轮胎痕迹聚类为a4个,则K=a1+a2+a3+a4;其中a1、a2、a3、a4的取值均为1到5之间的整数;
步骤413:对每个聚类,计算其特征向量分布密度的近似高斯模型参数(μk,Фk),参数μk为聚类内所有特征向量的平均值,参数Фk为聚类内所有特征向量的协方差矩阵,k为聚类的序号且1≤k≤K;在特征空间中任意点X与聚类k相似度Pk(X)计算公式为:
Pk(X)=exp(-(X-μk)TФk -1(X-μk))
步骤414:对每个聚类,设其包含Λ1个特征向量,每个特征向量用Xi表示,其中1≤i≤Λ1,计算本聚类中所有特征向量与本聚类的最低相似度设负特征向量集合包含Λ2个特征向量,每个特征向量用Yj,表示,其中1≤j≤Λ2,计算怀疑特征向量集合中所有特征向量与本聚类的最高相似度聚类k相似度判定阈值Tk的计算公式为:
步骤415:对实际跑道中各个检测区域依次拍摄彩色图像,将拍摄的彩色图像转变为灰度图像,对灰度图像使用平滑降噪处理;
步骤416:对每张灰度图像使用Canny边缘检测算法生成二进制边缘图像,得到图像中所有为1像素的坐标集合,设为1的像素共有Λ3个,则集合表示为C={(x1,y1),(x2,y2),...(xΛ3,yΛ3)};
步骤417:新建空集合D,将集合C中的第一个坐标移动到集合D;重复遍历集合C,如果集合C中有坐标到集合D中任意坐标的距离小于或等于minW,则将集合C中的坐标转移到集合D,直到集合C中的任意坐标到集合D中的任意坐标距离均大于minW,或者集合C为空集合;其中minW单位为像素,minW取值为10到30;
步骤418:统计集合D中的所有点在X轴上最大坐标为maxX,最小坐标为minX,统计集合D中的所有点在Y轴上最大坐标maxY,最小坐标minY,取以为中心,max(maxX-minX,maxY-minY)为边长的正方形灰度图像区域,使用步骤411的特征描述方法将该图像区域转化成特征向量V;
步骤419:分别计算V与K个聚类的相似度Pk(V),如果所有Pk(V)均满足Pk(V)<Tk,则认为发现FOD物体,发出FOD报警,并提供目标对应坐标
步骤420:依次重复步骤416到419,直到集合C为空集合,完成对一张图像中FOD的探测;
步骤421:依次重复步骤416到419,直到完成对所有图像的FOD检测,实现对跑道监视区域的完整FOD图像检测。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合,以及披露的任一新的方法或过程的步骤或任何新的组合。
Claims (10)
1.一种基于雷达和图像信号的FOD融合探测方法,其特征在于包括:
步骤1:控制处理器控制雷达和图像探测器采集的跑道常见FOD目标雷达与图像信号,作为正样本集合;控制处理器控制雷达和图像探测器采集跑道常见的非FOD目标雷达与图像信号,作为负样本集合;常见FOD目标指的是金属零件、金属工具、轮胎橡胶、石块、塑料零件或塑料管道;非FOD目标指的是指示灯、标识线、板块缝隙、轮胎痕迹、跑道道面;
步骤2:在控制处理器上实现对对应雷达信号与图像信号进行特征融合的特征融合方法;其中对应指的是雷达信号与图像信号采集自同一样本或同一探测目标;
步骤3:控制处理器使用步骤1得到正负样本集合,根据步骤2中的特征融合方法进行特征融合,然后在决策级训练,组合单独雷达判定、单独图像判定、融合信号判定三种弱FOD判定器的FOD融合判定器;
步骤4:在探测过程中,控制处理器控制每个雷达或者是图像探测器对相应跑道检测区域进行连续扫描,雷达或者是图像探测器采集的信号传送到控制处理器,分别对应进行独立跑道FOD雷达探测或者独立跑道FOD图像探测,探测到的目标被称为疑似FOD目标;
步骤5:当雷达探测发现疑似FOD目标后,控制处理器将雷达坐标系中疑似FOD目标坐标转换为跑道坐标系坐标,然后转化为图像坐标系坐标,并按照此时图像坐标系坐标使用图像探测器采集图像信号;当图像探测发现疑似目标后,控制处理器将图像坐标系中目标坐标转换为跑道坐标系坐标,然后转化为雷达坐标系中坐标,并按照此时雷达坐标系坐标使用雷达采集雷达信号;
步骤6:控制处理器根据步骤2的特征融合方法,对步骤5中坐标对应的雷达信号和图像信号进行特征融合;然后使用步骤3训练的FOD融合判定器进行FOD判定,对认定的FOD目标进行报警。
2.根据权利要求1所述的一种基于雷达和图像信号的FOD融合探测方法,其特征在于所述步骤2中具体过程是:
步骤21:令对跑道监测区域扫描采集的雷达信号为J,J为三维矩阵
J的第一列d为一个跑道检测区域中M1个雷达反射波信号的距离,第二列θ为一个跑道检测区域中M1个雷达反射波信号的方位角,第三列η为一个跑道检测区域中M1个雷达反射波信号的强度值,每一行为一个反射信号,共M1个反射信号;
步骤22:令跑道监测区域内雷达最远探测距离上直径3cm到10cm的橡胶物体反射信号强度值为ηmin,跑道监测区域内最近探测距离上直径到10cm的金属物体反射信号强度值为ηmax;将J中所有雷达反射信号按照反射波信号的强度值分为(-∞,ηmin), (ηmax,∞)五个组;统计每个组中反射波信号的数量、距离的最大最小值差,方位角的最大最小值差,每组3个数值,共计15个数值,记为特征向量VL;
步骤23:令对跑道检测区域采集的与雷达信号对应的图像信号为I,I为灰度图像的子区域,是二维矩阵;使用特征描述方法将I转化为特征向量VT;
步骤24:将步骤22与步骤23中得到的特征向量合并为一个融合特征向量V=(VL,VT)。
3.根据权利要求2所述的一种基于雷达和图像信号的FOD融合探测方法,其特征在于所述步骤3中在决策级训练,组合单独雷达判定、单独图像判定、融合信号判定三种弱FOD判定器的FOD融合判定器具体过程是:
步骤31:提取步骤1非FOD目标中指示灯、标识线、板块缝隙、轮胎痕迹四类跑道表面物体的图像信号,分别建立四个图像信号排除样本集合;使用步骤1中FOD目标,作为一个图像信号怀疑样本集合;使用将步骤23中方法将排除样本集合和怀疑样本集合中图像转化为特征向量,然后进行识别训练,得到K个聚类的相似度函数Pk(V),和K个对应的相似度判定阈值Tk;
步骤32:对步骤1正负样本中每个图像信号,使用将步骤23中方法计算得VT,带入相似度函数计算得到K个聚类的相似度Pk(VT),k=1,2,...,K,分别除以K个对应的相似度判定阈值Tk,k=1,2,...,K,取其中最小的一组值赋予图像判定值S1,若S1大于0则判定为FOD,反之判定为非FOD;统计判定错误概率ε1,ε1等于错误判定样本数量除以正负样本总数量,单独图像判定权重为
步骤33:对每个正负样本i,计算其的权重值为
再将权重作归一化处理其中若样本为正样本且判定为FOD目标,或样本为负样本且判定为非FOD,则判定正确,否则判定错误;
步骤34:对步骤1正负样本中每个雷达信号,取步骤21中反射波信号的最大值ηs=max(η1,η2,...,ηM1),若ηs-ηt大于0则判定为FOD,反之判定为非FOD;其中判定阈值ηt的值为在区间[ηmin,ηmax]内根据正负样本分布规律认为设定,使所有错误判定样本的权重和最小;
步骤35:令单独雷达判定值S2=(ηs-ηt)/(ηmax-ηt),若S2大于0则判定为FOD,反之判定为非FOD;统计判定错误概率ε2,ε2等于所有错误判定样本的权重Dt的和,单独雷达判定权重为
步骤36:重新计算每个正负样本i的权重值DL;
其中若样本为正样本且判定为FOD目标,或样本为负样本且判定为非FOD,则判定正确,否则判定错误;
再将权重作归一化处理
步骤37:将步骤1中正负样本使用步骤21到步骤24的方法转变为正负融合特征向量;使用支持向量机机器学习方法,带入样本权重D'L,训练出参数W和z,其中W是个参数向量,其维度与V维度相同,z为常数;
步骤38:令融合信号判定值S3=V·W+z,若S3大于0则判定为FOD,反之判定为非FOD;统计判定错误概率ε3,ε3等于所有错误判定样本的权重D'L的和,融合信号判定权重为
步骤39:决策融合的最终判定值是S=α1S1+α2S2+α3S3,若S大于0则判定为FOD,反之判定为非FOD。
4.根据权利要求1所述的一种基于雷达和图像信号的FOD融合探测方法,其特征在于所述步骤4中独立跑道FOD雷达探测具体包括:
步骤41:令对跑道扫描采集的雷达信号为J,J为三维矩阵
J的第一列d为反射波信号的距离,第二列θ为反射波信号的方位角,第三列η为反射波信号的强度值,每一行为一个反射信号,共M1个反射信号;
步骤42:提取雷达扫描反射波信号的最大值ηs=max(η1,η2,...,ηM1);若ηs-ηt大于0则判定为FOD,且雷达反射波信号最大值对应的距离和方位角为FOD目标坐标,反之认为不存在FOD;令跑道内最远探测距离上直径3cm到10cm的橡胶物体反射信号强度值为ηmin,跑道内最近探测距离上直径3cm到10cm的金属物体反射信号强度值为ηmax,判定阈值ηt的取值在区间[ηmin,ηmax]内。
5.根据权利要求3所述的一种基于雷达和图像信号的FOD融合探测方法,其特征在于所述步骤4中独立跑道FOD图像探测包括:1)提取步骤1中非FOD目标中指示灯、标识线、板块缝隙、轮胎痕迹四类跑道表面物体的图像信号,分别建立四个排除样本图像集合;使用步骤1中FOD目标,作为一个怀疑样本图像集合;2)使用四个排除样本图像集合和怀疑样本图像集合训练出基于多个聚类的跑道自身结构排除模型参数;3)对实际跑道进行图像采集,对每张图像用边缘检测方法进行疑似目标探测;4)然后根据跑道自身结构排除模型中的识别参数排除跑道表面物体,实现对跑道监视区域的完整FOD图像检测,具体过程:
步骤411:将样本图像信号集合中所有彩色图像转化为灰度图像,分别使用特征描述方法将每一副图像转化为一个特征向量,其中四个排除样本图像集合生成的特征向量称为四个排除特征向量集合,怀疑样本图像集合生成的特征向量称为怀疑特征向量集合;
步骤412:将每个排除特征向量集合,分别使用聚类分析方法将特征向量分成K个聚类,设定指示灯聚类为a1个、标识线聚类为a2个、板块缝隙聚类为a3个、轮胎痕迹聚类为a4个,则K=a1+a2+a3+a4;其中a1、a2、a3、a4的取值均为1到5之间的整数;
步骤413:对每个聚类,计算其特征向量分布密度的近似高斯模型参数(μk,Φk),参数μk为聚类内所有特征向量的平均值,参数Φk为聚类内所有特征向量的协方差矩阵,k为聚类的序号且1≤k≤K;在特征空间中任意点X与聚类k相似度Pk(X)计算公式为:
Pk(X)=exp(-(X-μk)TΦk -1(X-μk))
步骤414:对每个聚类,设其包含Λ1个特征向量,每个特征向量用Xi表示,其中1≤i≤Λ1,计算本聚类中所有特征向量与本聚类的最低相似度设负特征向量集合包含Λ2个特征向量,每个特征向量用Yj,表示,其中1≤j≤Λ2,计算怀疑特征向量集合中所有特征向量与本聚类的最高相似度聚类k相似度判定阈值Tk的计算公式为:
步骤415:对实际跑道中各个检测区域依次拍摄彩色图像,将拍摄的彩色图像转变为灰度图像,对灰度图像使用平滑降噪处理;
步骤416:对每张灰度图像使用Canny边缘检测算法生成二进制边缘图像,得到图像中所有为1像素的坐标集合,设为1的像素共有Λ3个,则集合表示为C={(x1,y1),(x2,y2),...(xΛ3,yΛ3)};
步骤417:新建空集合D,将集合C中的第一个坐标移动到集合D;重复遍历集合C,如果集合C中有坐标到集合D中任意坐标的距离小于或等于minW,则将集合C中的坐标转移到集合D,直到集合C中的任意坐标到集合D中的任意坐标距离均大于minW,或者集合C为空集合;其中minW单位为像素,minW取值为10到30;
步骤418:统计集合D中的所有点在X轴上最大坐标为maxX,最小坐标为minX,统计集合D中的所有点在Y轴上最大坐标maxY,最小坐标minY,取以为中心,max(maxX-minX,maxY-minY)为边长的正方形灰度图像区域,使用步骤411的特征描述方法将该图像区域转化成特征向量V;
步骤419:分别计算V与K个聚类的相似度Pk(V),如果所有Pk(V)均满足Pk(V)<Tk,则认为发现FOD物体,发出FOD报警,并提供目标对应坐标
步骤420:依次重复步骤416到419,直到集合C为空集合,完成对一张图像中FOD的探测;
步骤421:依次重复步骤416到419,直到完成对所有图像的FOD检测,实现对跑道监视区域的完整FOD图像检测。
6.根据权利要求3所述的一种基于雷达和图像信号的FOD融合探测方法,其特征在于所述步骤5中将雷达坐标系中坐标与跑道坐标系中坐标相互转换的具体过程是:
步骤511:探测目标的在探测器极坐标表达形式为(θ,d,δ),其中d表示探测器到被探测物体距离,θ表示被探测物体与探测器之间的方位角,δ表示被探测物体与探测器之间的俯仰角;探测器笛卡尔坐标系下表达形式为PT(xT,yT,zT):
xT=dcosδcosθ
yT=dcosδsinθ
zT=dsinδ
将PT(xT,yT,zT)转换到跑道坐标系的坐标PG(xG,yG,zG)的坐标转换模型:
PG=R0PT+P0
其中,R0为旋转矩阵,P0(x0,y0,z0)为探测器坐标系原点在跑道坐标系中的位置;该模型中的未知参数为R0、P0,而探测器根据类型的不同获取的坐标信息为三个分量的全部或其中两个;
步骤512:测试点经雷达探测所得雷达坐标系中坐标分布为(θj,dj),1≤j≤N1,步骤511中坐标转换模型未知参数为δ、R0、P0;即当实际测量中δj、R0、P0为未知数;其中δj为N1个测试点对应的被探测物体与雷达之间的俯仰角;θj为N1个测试点对应的被测物体与雷达之间的方位角;dj为N1个测试点对应的被测物体与之间的距离;在跑道路面上,均匀设置N1个被探测物体,即为N1个测试点,使用测量仪测得其在跑道坐标系下测试点坐标分别为(xj,yj,zj);同时使用雷达测得测试点在探测器坐标系下对应位置信息;
步骤513:根据对应关系求解步骤511坐标转换模型中的参数;其中求解坐标转换模型中的参数具体包括:
步骤5131:构造
根据计算得到P0=(ATA)-1ATB,得到P0;
步骤5132:因为R0 -1(PG-P0)=PT,记(xj-x0,yj-y0,zj-z0)为(vxj,vyj,vzj),记R0 -1为
构造
并对tempTtemp进行特征值分解或者奇异值分解,取最小非零特征值对应的特征向量,并将该向量记为(r11',r12',r13',r22',r23'),执行步骤433;
步骤5133:计算:
得到R0 -1中所有参数的值,执行步骤434:
步骤5134:对R0 -1求逆矩阵,得到R0的值;
步骤5135:对于任意跑道平面上目标均有zG≈0,且
即r11(xG-x0)+r12(yG-y0)+r13(-z0)=xT;
r12(xG-x0)+r22(yG-y0)+r23(-z0)=yT
且有
xG 2+yG 2=d2-z0 2
根据以上两个限制条件,令:
算出yG为二元一次方程(1+k1 2)yG 2+2k1k2yG+k2 2-d2+z0 2=0
的正解,而xG=k1yG+k2
从而在无需知道参数δ的情况下实现雷达坐标向跑道坐标的转换;
步骤514:在探测中获取目标坐标后,计算出多种探测器的探测坐标与跑道标准坐标进行相互转换的公式,
步骤515:给定目标跑道坐标系下坐标PG(xG,yG,zG),其雷达探测坐标(θ,d)计算方法为:
θ=artan(yT/xT)
步骤516:给定目标雷达探测坐标(θ,d),其跑道坐标系下坐标PG(xG,yG,zG)的计算方法为:令
得到yG为二元一次方程:(1+k1 2)yG 2+2k1k2yG+k2 2-d2+z0 2=0
的正解,而xG=k1yG+k2;zG=0。
7.根据权利要1所述的一种基于雷达和图像信号的FOD融合探测方法,其特征在于所述步骤5中将图像坐标系中与跑道坐标系中坐标相互转化的具体过程是:
步骤521:探测目标的在探测器极坐标表达形式为(θ,d,δ),其中d表示探测器到被探测物体距离,θ表示被探测物体与探测器之间的方位角,δ表示被探测物体与探测器之间的俯仰角;探测器笛卡尔坐标系下表达形式为PT(xT,yT,zT):
xT=dcosδcosθ
yT=dcosδsinθ
zT=dsinδ
将PT(xT,yT,zT)转换到跑道坐标系的坐标PG(xG,yG,zG)的坐标转换模型:
PG=R0PT+P0
其中,R0为旋转矩阵,P0(x0,y0,z0)为探测器坐标系原点在跑道坐标系中的位置;
该模型中的未知参数为d、R0、P0;图像坐标系下,测试点经过相机探测所得图像坐标系中坐标分布为(θj,δj),1≤j≤N1;即实际测量中dj、R0、P0为未知数;其中δj为N1个测试点对应的被探测物体与图像探测器之间的俯仰角;θj为N1个测试点对应的被测物体与图像探测器之间的方位角;dj为N1个测试点对应的被测物体与图像探测器之间的距离;步骤2中求解坐标转换模型中的参数具体包括:经图像探测器所得图像坐标系中坐标分布为(θj,δj),1≤j≤N1,测量探测器在跑道坐标系下坐标为在P0’为中心σ为半径,2σ×2σ×2σ的正方体空间内,取均匀分布间距为τ的点P0'=(x0',y0',z0')作为P0估算值, σ的取值为0.1米到5米,τ的取值为到对所有的P0’执行以下计算:
步骤5211:对每一个测试点计算Vj=(xj-x0',yj-y0',zj-z0'),并将向量Vj缩放为单位向量
步骤5212:对每一个测试点计算Wj=(cosδjcosθj,cosδjsinθj,sinδj);
步骤5213:计算向量Kj为Wj和Vj的叉乘Kj=Wj×Vj,记为Kj=(kxj,kyj,kzj),并计算ψj=arsin(kz),ζj=artan(kyj/kxj);
步骤5214:计算向量Wj和Vj之间的夹角
步骤5215:对所有的测试点计算ψj,ζj,数值分布的标准样本差的和ε,表示计算从x1到xN1共N1个数值分布的标准样本差;ψj,ζj为向量Kj的俯仰角和水平角;
在所有的P0’中,选取ε值最小的一组,令
P0=P0'
得到R0、P0,其中表示计算从x1到xN1共N1个数值的平均值;
步骤5216:令 由PG=R0PT+P0可知跑道面上目标满足关系:t13dcosδcosθ+t23dcosδsinθ+t33dsinδ=-z0;
反向计算出参数d为:
步骤522:当给定目标跑道坐标系下坐标PG(xG,yG,zG),其图像探测坐标(θ,δ)计算方法为
θ=artan(yT/xT);
步骤523:当给定图像探测目标坐标(θ,δ),其跑道坐标系下坐标PG(xG,yG,zG)计算方法为
xT=dcosδcosθ
yT=dcosδsinθ
zT=dsinδ
根据 得到PG。
8.一种基于雷达和图像信号的FOD融合探测装置,其特征在于包括:
雷达及图像探测器,用于对相应跑道监测区域进行连续扫描,并将采集的信号传送给控制处理器,分别对应进行独立跑道FOD雷达探测或者独立跑道FOD图像探测;
控制处理器,用于控制雷达和图像探测器采集的跑道常见FOD目标雷达与图像信号,作为正样本集合;控制处理器控制雷达和图像探测器采集跑道常见的非FOD目标雷达与图像信号,作为负样本集合;在控制处理器上实现对对应雷达信号与图像信号进行特征融合的特征融合方法;控制处理器针对正负样本模块的正负样本集合采用所述特种融合方法进行特征融合,然后在决策级训练,组合单独雷达判定、单独图像判定、融合信号判定三种弱FOD判定器的FOD融合判定器;在探测过程中,接收雷达及图像探测器传送的雷达或者图像信号,当雷达探测发现疑似FOD目标后,将雷达坐标系中疑似FOD目标坐标转换为跑道坐标系坐标,然后转化为图像坐标系坐标,并按照此时图像坐标系坐标使用图像探测器采集图像信号;当图像探测发现疑似目标后,将图像坐标系中目标坐标转换为跑道坐标系坐标,然后转化为雷达坐标系中坐标,并按照此时雷达坐标系坐标使用雷达采集雷达信号;最后针对坐标对应的雷达信号和图像信号进行特征融合采用所述特种融合方法进行特征融合;然后FOD融合判定器进行FOD判定,对认定的FOD目标进行报警;
其中常见FOD目标指的是金属零件、金属工具、轮胎橡胶、石块、塑料零件或塑料管道;非FOD目标指的是指示灯、标识线、板块缝隙、轮胎痕迹、跑道道面。
9.根据权利要求1所述的一种基于雷达和图像信号的FOD融合探测装置,其特征在于所述控制处理器提出对对应雷达信号与图像信号进行特征融合的特征融合方法具体过程是:
步骤21:令对跑道监测区域扫描采集的雷达信号为J,J为三维矩阵
J的第一列d为一个跑道检测区域中M1个雷达反射波信号的距离,第二列θ为一个跑道检测区域中M1个雷达反射波信号的方位角,第三列η为一个跑道检测区域中M1个雷达反射波信号的强度值,每一行为一个反射信号,共M1个反射信号;
步骤22:令跑道监测区域内雷达最远探测距离上直径3cm的橡胶物体反射信号强度值为ηmin,跑道监测区域内最近探测距离上直径3cm的金属物体反射信号强度值为ηmax;将J中所有雷达反射信号按照反射波信号的强度值分为(-∞,ηmin),(ηmax,∞)五个组;统计每个组中反射波信号的数量、距离的最大最小值差,方位角的最大最小值差,每组3个数值,共计15个数值,记为特征向量VL;
步骤23:令对跑道检测区域采集的与雷达信号对应的图像信号为I,I为灰度图像的子区域,是二维矩阵;使用特征描述方法将I转化为特征向量VT;
步骤24:将步骤22与步骤23中得到的特征向量合并为一个融合特征向量V=(VL,VT)。
10.根据权利9所述的一种基于雷达和图像信号的FOD融合探测装置,其特征在于所述处理器在决策级训练,组合单独雷达判定、单独图像判定、融合信号判定三种弱FOD判定器的FOD融合判定器具体过程是:
步骤31:提取正负样本模块中正负样本集合中非FOD目标中指示灯、标识线、板块缝隙、轮胎痕迹四类跑道表面物体的图像信号,分别建立四个图像信号排除样本集合;使用步骤1中FOD目标,作为一个图像信号怀疑样本集合;使用将步骤23中方法将排除样本集合和怀疑样本集合中图像转化为特征向量,然后进行识别训练,得到K个聚类的相似度函数Pk(V),和K个对应的相似度判定阈值Tk;
步骤32:对步骤1正负样本中每个图像信号,使用将步骤23中方法计算得VT,带入相似度函数计算得到K个聚类的相似度Pk(VT),k=1,2,...,K,分别除以K个对应的相似度判定阈值Tk,k=1,2,...,K,取其中最小的一组值赋予图像判定值S1,若S1大于0则判定为FOD,反之判定为非FOD;统计判定错误概率ε1,ε1等于错误判定样本数量除以正负样本总数量,单独图像判定权重为
步骤33:对每个正负样本i,计算其的权重值为
再将权重作归一化处理其中若样本为正样本且判定为FOD目标,或样本为负样本且判定为非FOD,则判定正确,否则判定错误;
步骤34:对步骤1正负样本中每个雷达信号,取步骤21中反射波信号的最大值ηs=max(η1,η2,...,ηM1),若ηs-ηt大于0则判定为FOD,反之判定为非FOD;其中判定阈值ηt的值为在区间[ηmin,ηmax]内根据正负样本分布规律认为设定,使所有错误判定样本的权重和最小;
步骤35:令单独雷达判定值S2=(ηs-ηt)/(ηmax-ηt),若S2大于0则判定为FOD,反之判定为非FOD;统计判定错误概率ε2,ε2等于所有错误判定样本的权重Dt的和,单独雷达判定权重为
步骤36:重新计算每个正负样本i的权重值DL;
其中若样本为正样本且判定为FOD目标,或样本为负样本且判定为非FOD,则判定正确,否则判定错误;
再将权重作归一化处理
步骤37:将步骤1中正负样本使用步骤21到步骤24的方法转变为正负融合特征向量;使用支持向量机机器学习方法,带入样本权重D'L,训练出参数W和z,其中W是个参数向量,其维度与V维度相同,z为常数;
步骤38:令融合信号判定值S3=V·W+z,若S3大于0则判定为FOD,反之判定为非FOD;统计判定错误概率ε3,ε3等于所有错误判定样本的权重D'L的和,融合信号判定权重为
步骤39:决策融合的最终判定值是S=α1S1+α2S2+α3S3,若S大于0则判定为FOD,反之判定为非FOD。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510725500.6A CN105372717B (zh) | 2015-10-30 | 2015-10-30 | 一种基于雷达和图像信号的fod融合探测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510725500.6A CN105372717B (zh) | 2015-10-30 | 2015-10-30 | 一种基于雷达和图像信号的fod融合探测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105372717A true CN105372717A (zh) | 2016-03-02 |
CN105372717B CN105372717B (zh) | 2017-12-26 |
Family
ID=55375064
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510725500.6A Active CN105372717B (zh) | 2015-10-30 | 2015-10-30 | 一种基于雷达和图像信号的fod融合探测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105372717B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106646454A (zh) * | 2016-11-25 | 2017-05-10 | 上海无线电设备研究所 | 一种天基告警监视系统的目标快速搜索识别方法 |
CN107238821A (zh) * | 2017-05-31 | 2017-10-10 | 中国电子科技集团公司第二十九研究所 | 一种基于特征谱特征的机场跑道异物检测方法及装置 |
CN108490877A (zh) * | 2018-01-31 | 2018-09-04 | 电子科技大学 | 基于对称点模式和空间密度聚类的数控机床故障诊断方法 |
CN109884620A (zh) * | 2019-01-21 | 2019-06-14 | 成都玻尔兹曼科技有限公司 | 一种基于深度学习的fod雷达异物检测方法 |
CN110031909A (zh) * | 2019-04-18 | 2019-07-19 | 西安天和防务技术股份有限公司 | 安检系统及安检方法 |
CN111522026A (zh) * | 2020-04-21 | 2020-08-11 | 北京三快在线科技有限公司 | 一种数据融合的方法及装置 |
CN112572430A (zh) * | 2020-12-14 | 2021-03-30 | 深兰人工智能(深圳)有限公司 | 碰撞风险确定方法和装置 |
CN112784678A (zh) * | 2020-12-14 | 2021-05-11 | 深兰人工智能(深圳)有限公司 | 危险提示方法和装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001521157A (ja) * | 1997-10-22 | 2001-11-06 | アイディーエス・インテリジェント・ディテクション・システムズ・インコーポレーテッド | セキュリティゲートのための統合された通り抜け式パーソナルスキャナシステム |
CN101074915A (zh) * | 2006-05-15 | 2007-11-21 | 欧姆龙株式会社 | 异物检测装置及异物检测方法 |
JP4428277B2 (ja) * | 2005-04-07 | 2010-03-10 | トヨタ自動車株式会社 | 物体検出装置 |
CN102253381A (zh) * | 2011-04-20 | 2011-11-23 | 上海交通大学 | 用于机场跑道的异物自动检测系统及其检测方法 |
CN102495403A (zh) * | 2011-12-19 | 2012-06-13 | 无锡市雷华科技有限公司 | 一种雷达信号处理方法 |
CN103048694A (zh) * | 2012-12-03 | 2013-04-17 | 天津职业技术师范大学 | 一种机场跑道异物检测系统 |
-
2015
- 2015-10-30 CN CN201510725500.6A patent/CN105372717B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001521157A (ja) * | 1997-10-22 | 2001-11-06 | アイディーエス・インテリジェント・ディテクション・システムズ・インコーポレーテッド | セキュリティゲートのための統合された通り抜け式パーソナルスキャナシステム |
JP4428277B2 (ja) * | 2005-04-07 | 2010-03-10 | トヨタ自動車株式会社 | 物体検出装置 |
CN101074915A (zh) * | 2006-05-15 | 2007-11-21 | 欧姆龙株式会社 | 异物检测装置及异物检测方法 |
CN102253381A (zh) * | 2011-04-20 | 2011-11-23 | 上海交通大学 | 用于机场跑道的异物自动检测系统及其检测方法 |
CN102495403A (zh) * | 2011-12-19 | 2012-06-13 | 无锡市雷华科技有限公司 | 一种雷达信号处理方法 |
CN103048694A (zh) * | 2012-12-03 | 2013-04-17 | 天津职业技术师范大学 | 一种机场跑道异物检测系统 |
Non-Patent Citations (1)
Title |
---|
李煜 等: "机场跑道异物检测系统设计与研究", 《激光与红外》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106646454A (zh) * | 2016-11-25 | 2017-05-10 | 上海无线电设备研究所 | 一种天基告警监视系统的目标快速搜索识别方法 |
CN107238821A (zh) * | 2017-05-31 | 2017-10-10 | 中国电子科技集团公司第二十九研究所 | 一种基于特征谱特征的机场跑道异物检测方法及装置 |
CN108490877A (zh) * | 2018-01-31 | 2018-09-04 | 电子科技大学 | 基于对称点模式和空间密度聚类的数控机床故障诊断方法 |
CN109884620A (zh) * | 2019-01-21 | 2019-06-14 | 成都玻尔兹曼科技有限公司 | 一种基于深度学习的fod雷达异物检测方法 |
CN110031909A (zh) * | 2019-04-18 | 2019-07-19 | 西安天和防务技术股份有限公司 | 安检系统及安检方法 |
CN111522026A (zh) * | 2020-04-21 | 2020-08-11 | 北京三快在线科技有限公司 | 一种数据融合的方法及装置 |
CN111522026B (zh) * | 2020-04-21 | 2022-12-09 | 北京三快在线科技有限公司 | 一种数据融合的方法及装置 |
CN112572430A (zh) * | 2020-12-14 | 2021-03-30 | 深兰人工智能(深圳)有限公司 | 碰撞风险确定方法和装置 |
CN112784678A (zh) * | 2020-12-14 | 2021-05-11 | 深兰人工智能(深圳)有限公司 | 危险提示方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN105372717B (zh) | 2017-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105372717A (zh) | 一种基于雷达和图像信号的fod融合探测方法及装置 | |
CN107238821B (zh) | 一种基于特征谱特征的机场跑道异物检测方法及装置 | |
US10107904B2 (en) | Method and apparatus for mapping and characterizing sea ice from airborne simultaneous dual frequency interferometric synthetic aperture radar (IFSAR) measurements | |
CN109284786B (zh) | 基于分布和结构匹配生成对抗网络的sar图像地物分类方法 | |
CN106443598B (zh) | 基于卷积神经网络的雷达网协同航迹欺骗干扰鉴别方法 | |
CN103353988B (zh) | 异源sar景象特征匹配算法性能评估方法 | |
CN108171193B (zh) | 基于超像素局部信息度量的极化sar舰船目标检测方法 | |
CN102819740B (zh) | 一种单帧红外图像弱小目标检测和定位方法 | |
CN109901130B (zh) | 一种基于Radon变换和改进2DPCA的旋翼无人机检测与识别方法 | |
CN105160362A (zh) | 一种跑道fod图像探测方法及装置 | |
CN104463249A (zh) | 一种基于弱监督学习框架的遥感图像机场检测方法 | |
CN102208017A (zh) | 基于高分辨率合成孔径雷达图像的舰船检测方法 | |
CN106156758B (zh) | 一种sar海岸图像中海岸线提取方法 | |
Portabella et al. | A new method for improving scatterometer wind quality control | |
CN105005767A (zh) | 一种基于微波遥感影像森林类型识别方法 | |
CN104680151B (zh) | 一种顾及雪覆盖影响的高分辨全色遥感影像变化检测方法 | |
CN104732224B (zh) | 基于二维泽尔尼克矩特征稀疏表示的sar目标识别方法 | |
CN110703221A (zh) | 基于极化特征的城市低空小目标分类识别系统 | |
CN104268574A (zh) | 一种基于遗传核模糊聚类的sar图像变化检测方法 | |
CN110261828B (zh) | 基于距离-角误差二维聚类的横向干扰判定方法 | |
Zong-ling et al. | Remote sensing ship target detection and recognition system based on machine learning | |
CN108573280A (zh) | 一种无人船自主通过桥梁的方法 | |
CN103679172B (zh) | 一种通过转动红外探测器检测地面远距离运动目标的方法 | |
Wei et al. | A method of rainfall detection from X-band marine radar image based on the principal component feature extracted | |
Feng et al. | Target recognition of SAR images via hierarchical fusion of complementary features |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |