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

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

一种基于雷达和图像信号的FOD融合探测方法及装置

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

$J=\left[\begin{array}{ccc}{d}_1& {\mathrm{\θ}}_1& {\mathrm{\η}}_1\\ d_2& {\mathrm{\θ}}_2& {\mathrm{\η}}_2\\ ...& ...& ...\\ d_{M1}& {\mathrm{\θ}}_{M1}& {\mathrm{\η}}_{M1}\end{array}\right]$

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η_min，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η_max；将J中所有雷达反射信号按照反射波信号的强度值分为(-∞,η_min)， (η_max,∞)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V_L；

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V_T；

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＝(V_L,V_T)。

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P_k(V)，和K个对应的相似度判定阈值T_k；

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V_T，带入相似度函数计算得到K个聚类的相似度P_k(V_T),k＝1,2,...,K，分别除以K个对应的相似度判定阈值T_k,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η_s＝max(η₁,η₂,...,η_M1)，若η_s-η_t大于0则判定为FOD，反之判定为非FOD；其中判定阈值η_t的值为在区间[η_min,η_max]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＝(η_s-η_t)/(η_max-η_t)，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D_t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D_L；

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

$J=\left[\begin{array}{ccc}{d}_1& {\mathrm{\θ}}_1& {\mathrm{\η}}_1\\ d_2& {\mathrm{\θ}}_2& {\mathrm{\η}}_2\\ ...& ...& ...\\ d_{M1}& {\mathrm{\θ}}_{M1}& {\mathrm{\η}}_{M1}\end{array}\right]$

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η_s＝max(η₁,η₂,...,η_M1)；若η_s-η_t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η_min，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η_max，判定阈值η_t的取值在区间[η_min,η_max]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(μ_k,Ф_k)，参数μ_k为聚类内所有特征向量的平均值，参数Ф_k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P_k(X)计算公式为：

P_k(X)＝exp(-(X-μ_k)^TФ_k ^-1(X-μ_k))

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X_i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Y_j,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T_k的计算公式为：

$T_k=\left\{\begin{array}{cc}{L}_2& L_1\≤L_2\\ \frac{L_1+L_2}{2}& L_1>L_2\end{array}\right.;$

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),...(x_Λ3,y_Λ3)}；

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P_k(V)，如果所有P_k(V)均满足P_k(V)<T_k，则认为发现FOD物体，发出FOD报警，并提供目标对应坐标 $(\frac{X1+X2}{2},\frac{Y1+Y2}{2});$

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P_T(x_T,y_T,z_T)：

x_T＝dcosδcosθ

y_T＝dcosδsinθ

z_T＝dsinδ

将P_T(x_T,y_T,z_T)转换到跑道坐标系的坐标P_G(x_G,y_G,z_G)的坐标转换模型：

P_G＝R₀P_T+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(θ_j,d_j),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δ_j、R₀、P₀为未知数；其中δ_j为N1个测试点对应的被探测物体与雷达之间的俯仰角；θ_j为N1个测试点对应的被测物体与雷达之间的方位角；d_j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(x_j,y_j,z_j)；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 $A=\left[\begin{array}{ccc}2(x_2-x_1)& 2(y_2-y_1)& 2(z_2-z_1)\\ 2(x_3-x_2)& 2(y_3-y_2)& 2(z_3-z_2)\\ ...& ...& ...\\ 2(x_{N1}-x_{N1-1})& 2(y_{N1}-y_{N1-1})& 2(z_{N1}-z_{N1-1})\end{array}\right];$

$B=\left[\begin{array}{c}{d_1}^2+{x_2}^2+{y_2}^2+{z_2}^2-{d_2}^2-{x_1}^2-{y_1}^2-{z_1}^2\\ {d_2}^2+{x_3}^2+{y_3}^2+{z_3}^2-{d_3}^2-{x_2}^2-{y_2}^2-{z_2}^2\\ ...\\ {d_{N1-1}}^2+{x_{N1}}^2+{y_{N1}}^2+{z_{N1}}^2-{d_{N1}}^2-{x_{N1-1}}^2-{y_{N1-1}}^2-{z_{N1-1}}^2\end{array}\right]$

根据计算得到P₀＝(A^TA)^-1A^TB，得到P₀；

步骤5132：因为记(x_j-x₀,y_j-y₀,z_j-z₀)为(vx_j,vy_j,vz_j)，记R₀ ^-1为

${R_0}^{-1}=\left[\begin{array}{ccc}{r}_{11}& r_{12}& r_{13}\\ r_{12}& r_{22}& r_{23}\\ r_{13}& r_{23}& r_{33}\end{array}\right];$

构造 $temp=\left[\begin{array}{ccccc}{\mathrm{vx}}_1& {\mathrm{vy}}_1-{\mathrm{vx}}_1{\mathrm{tan\&theta;}}_1& {\mathrm{vz}}_1& -{\mathrm{vy}}_1{\mathrm{tan\&theta;}}_1& -{\mathrm{vz}}_1{\mathrm{tan\&theta;}}_1\\ {\mathrm{vx}}_2& {\mathrm{vy}}_2-{\mathrm{vx}}_2{\mathrm{tan\&theta;}}_2& {\mathrm{vz}}_2& -{\mathrm{vy}}_2{\mathrm{tan\&theta;}}_2& -{\mathrm{vz}}_2{\mathrm{tan\&theta;}}_2\\ ...& ...& ...& ...& ...\\ {\mathrm{vx}}_{N1}& {\mathrm{vy}}_{N1}-{\mathrm{vx}}_{N1}{\mathrm{tan\&theta;}}_{N1}& {\mathrm{vz}}_{N1}& -{\mathrm{vy}}_{N1}{\mathrm{tan\&theta;}}_{N1}& -{\mathrm{vz}}_{N1}{\mathrm{tan\&theta;}}_{N1}\end{array}\right]$

并对temp^Ttemp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：

$r_{11}=\frac{2{r_{11}}^{\&prime;}}{{r_{11}}^{\&prime;2}+2{r_{12}}^{\&prime;2}+{r_{13}}^{\&prime;2}+{r_{22}}^{\&prime;2}+{r_{23}}^{\&prime;2}}$

$r_{12}=\frac{2{r_{12}}^{\&prime;}}{{r_{11}}^{\&prime;2}+2{r_{12}}^{\&prime;2}+{r_{13}}^{\&prime;2}+{r_{22}}^{\&prime;2}+{r_{23}}^{\&prime;2}}$

$r_{13}=\frac{2{r_{13}}^{\&prime;}}{{r_{11}}^{\&prime;2}+2{r_{12}}^{\&prime;2}+{r_{13}}^{\&prime;2}+{r_{22}}^{\&prime;2}+{r_{23}}^{\&prime;2}}$

$r_{22}=\frac{2{r_{22}}^{\&prime;}}{{r_{11}}^{\&prime;2}+2{r_{12}}^{\&prime;2}+{r_{13}}^{\&prime;2}+{r_{22}}^{\&prime;2}+{r_{23}}^{\&prime;2}}$

$r_{23}=\frac{2{r_{23}}^{\&prime;}}{{r_{11}}^{\&prime;2}+2{r_{12}}^{\&prime;2}+{r_{13}}^{\&prime;2}+{r_{22}}^{\&prime;2}+{r_{23}}^{\&prime;2}}$

$r_{33}=\sqrt{1-{r_{13}}^2-{r_{23}}^2}$

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z_G≈0，且

${R_0}^{-1}(\left[\begin{array}{c}{x}_G\\ y_G\\ 0\end{array}\right]-P_0)=P_T$

即r₁₁(x_G-x₀)+r₁₂(y_G-y₀)+r₁₃(-z₀)＝x_T；

r₁₂(x_G-x₀)+r₂₂(y_G-y₀)+r₂₃(-z₀)＝y_T

且有 $\frac{y_T}{x_T}=\frac{r_{12}(x_G-x_0)+r_{22}(y_G-y_0)+r_{23}(-z_0)}{r_{11}(x_G-x_0)+r_{12}(y_G-y_0)+r_{13}(-z_0)}=tan\mathrm{\&theta;}$

x_G ²+y_G ²＝d²-z₀ ²

根据以上两个限制条件，令：

$k_2=\frac{r_{12}{x}_0+r_{22}{y}_0+r_{23}{z}_0-tan\mathrm{\&theta;}(r_{11}{x}_0+r_{12}{y}_0+r_{13}{z}_0)}{r_{12}-r_{11}tan\mathrm{\&theta;}}$

算出y_G为二元一次方程(1+k₁ ²)y_G ²+2k₁k₂y_G+k₂ ²-d²+z₀ ²＝0的正解，而x_G＝k₁y_G+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P_G(x_G,y_G,z_G)，其雷达探测坐标(θ,d)计算方法为：

$P_T=\left[\begin{array}{c}{x}_T\\ y_T\\ z_T\end{array}\right]={R_0}^{-1}(P_G-P_0)$

θ＝artan(y_T/x_T)

$d=\sqrt{{x_T}^2+{y_T}^2+{z_T}^2}.$

步骤516：给定目标雷达探测坐标(θ,d)，其跑道坐标系下坐标P_G(x_G,y_G,z_G)的计算方法为：令

得到y_G为二元一次方程：(1+k₁ ²)y_G ²+2k₁k₂y_G+k₂ ²-d²+z₀ ²＝0的正解，而x_G＝k₁y_G+k₂；z_G＝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P_T(x_T,y_T,z_T)：

x_T＝dcosδcosθ

y_T＝dcosδsinθ

z_T＝dsinδ

将P_T(x_T,y_T,z_T)转换到跑道坐标系的坐标P_G(x_G,y_G,z_G)的坐标转换模型：

P_G＝R₀P_T+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(θ_j,δ_j),1≤j≤N₁；即实际测量中d_j、R₀、P₀为未知数；其中δ_j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；θ_j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；d_j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(θ_j,δ_j),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， ${\tilde{x}}_0-\mathrm{\&sigma;}\&le;{x_0}^{\&prime;}\&le;{\tilde{x}}_0+\mathrm{\&sigma;},{\tilde{y}}_0-\mathrm{\&sigma;}\&le;{y_0}^{\&prime;}\&le;{\tilde{y}}_0+\mathrm{\&sigma;},{\tilde{z}}_0-\mathrm{\&sigma;}\&le;{z_0}^{\&prime;}\&le;{\tilde{z}}_0+\mathrm{\&sigma;},$ 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V_j＝(x_j-x₀',y_j-y₀',z_j-z₀')，并将向量V_j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W_j＝(cosδ_jcosθ_j,cosδ_jsinθ_j,sinδ_j)；

步骤5213：计算向量K_j为Wj和Vj的叉乘K_j＝W_j×V_j，记为K_j＝(kx_j,ky_j,kz_j)，并计算ψ_j＝arsin(kz)，ζ_j＝artan(ky_j/kx_j)；

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ψ_j，ζ_j，数值分布的标准样本差的和ε，表示计算从x₁到x_N1共N1个数值分布的标准样本差；ψ_j，ζ_j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'

$kx=cos\left(\underset{1\&le;j\&le;N1}{mean}\right({\mathrm{\&psi;}}_j\left)\right)cos\left(\underset{1\&le;j\&le;N1}{mean}\right({\mathrm{\&zeta;}}_j\left)\right)$

$kx=cos\left(\underset{1\&le;j\&le;N1}{mean}\right({\mathrm{\&psi;}}_j\left)\right)sin\left(\underset{1\&le;j\&le;N1}{mean}\right({\mathrm{\&zeta;}}_j\left)\right)$

$kz=sin\left(\underset{1\&le;j\&le;N1}{mean}\right({\mathrm{\&psi;}}_j\left)\right)$

$R_K=\left[\begin{array}{ccc}0& -kz& ky\\ kz& 0& -kx\\ -ky& kx& 0\end{array}\right]$

得到R₀、P₀，其中表示计算从x₁到x_N1共N1个数值的平均值；

步骤5216：令 $R_0=\left[\begin{array}{ccc}{t}_{11}& t_{12}& t_{13}\\ t_{12}& t_{22}& t_{23}\\ t_{13}& t_{23}& t_{33}\end{array}\right],$ 由P_G＝R₀P_T+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： $d=-\frac{z_0}{t_{13}cos\mathrm{\&delta;}cos\mathrm{\&theta;}+t_{23}\cos \mathrm{\&delta;}sin\mathrm{\&theta;}+t_{33}sin\mathrm{\&delta;}};$

步骤522：当给定目标跑道坐标系下坐标P_G(x_G,y_G,z_G)，其图像探测坐标(θ,δ)计算方法为

$P_T=\left[\begin{array}{c}{x}_T\\ y_T\\ z_T\end{array}\right]={R_0}^{-1}(P_G-P_0);$

$\mathrm{\&delta;}=ar\tan (z_T/\sqrt{{x_T}^2+{y_T}^2});$

θ＝artan(y_T/x_T)；

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P_G(x_G,y_G,z_G)计算方法为

$d=-\frac{z_0}{t_{13}cos\mathrm{\&delta;}cos\mathrm{\&theta;}+t_{23}\cos \mathrm{\&delta;}sin\mathrm{\&theta;}+t_{33}sin\mathrm{\&delta;}}$

x_T＝dcosδcosθ

y_T＝dcosδsinθ

z_T＝dsinδ

根据 $P_G=R_0\left[\begin{array}{c}{x}_T\\ y_T\\ z_T\end{array}\right]+P_0,$ 得到P_G。

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

$J=\left[\begin{array}{ccc}{d}_1& {\mathrm{\&theta;}}_1& {\mathrm{\&eta;}}_1\\ d_2& {\mathrm{\&theta;}}_2& {\mathrm{\&eta;}}_2\\ ...& ...& ...\\ d_{M1}& {\mathrm{\&theta;}}_{M1}& {\mathrm{\&eta;}}_{M1}\end{array}\right]$

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η_min，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η_max；将J中所有雷达反射信号按照反射波信号的强度值分为(-∞,η_min)，(η_max,∞)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V_L；

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V_T；

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＝(V_L,V_T)。

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P_k(V)，和K个对应的相似度判定阈值T_k；

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V_T，带入相似度函数计算得到K个聚类的相似度P_k(V_T),k＝1,2,...,K，分别除以K个对应的相似度判定阈值T_k,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η_s＝max(η₁,η₂,...,η_M1)，若η_s-η_t大于0则判定为FOD，反之判定为非FOD；其中判定阈值η_t的值为在区间[η_min,η_max]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＝(η_s-η_t)/(η_max-η_t)，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D_t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D_L；

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D_i的和；其中D_i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

$J=\left[\begin{array}{ccc}{d}_1& {\mathrm{\&theta;}}_1& {\mathrm{\&eta;}}_1\\ d_2& {\mathrm{\&theta;}}_2& {\mathrm{\&eta;}}_2\\ ...& ...& ...\\ d_{M1}& {\mathrm{\&theta;}}_{M1}& {\mathrm{\&eta;}}_{M1}\end{array}\right]$

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η_min，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η_max；将J中所有雷达反射信号按照反射波信号的强度值分为(-∞,η_min)， (η_max,∞)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V_L；

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V_T；

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＝(V_L,V_T)，设V_T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P_k(V)，和K个对应的相似度判定阈值T_k；

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V_T，带入相似度函数计算得到K个聚类的相似度P_k(V_T),k＝1,2,...,K，分别除以K个对应的相似度判定阈值T_k,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η_s＝max(η₁,η₂,...,η_M1)，若η_s-η_t大于0则判定为FOD，反之判定为非FOD；其中判定阈值η_t的值为在区间[η_min,η_max]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＝(η_s-η_t)/(η_max-η_t)，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D_t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D_L；

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(μ_k,Ф_k)，参数μ_k为聚类内所有特征向量的平均值，参数Ф_k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P_k(X)计算公式为：

P_k(X)＝exp(-(X-μ_k)^TФ_k ^-1(X-μ_k))

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X_i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Y_j,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T_k的计算公式为：

$T_k=\left\{\begin{array}{cc}{L}_2& L_1\&le;L_2\\ \frac{L_1+L_2}{2}& L_1>L_2\end{array}\right.;$

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),...(x_Λ3,y_Λ3)}；

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P_k(V)，如果所有P_k(V)均满足P_k(V)<T_k，则认为发现FOD物体，发出FOD报警，并提供目标对应坐标 $(\frac{X1+X2}{2},\frac{Y1+Y2}{2});$

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

$J=\left[\begin{array}{ccc}{d}_1& {\mathrm{\&theta;}}_1& {\mathrm{\&eta;}}_1\\ d_2& {\mathrm{\&theta;}}_2& {\mathrm{\&eta;}}_2\\ ...& ...& ...\\ d_{M1}& {\mathrm{\&theta;}}_{M1}& {\mathrm{\&eta;}}_{M1}\end{array}\right]$

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η_min，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η_max；将J中所有雷达反射信号按照反射波信号的强度值分为(-∞,η_min)， (η_max,∞)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V_L；

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V_T；

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＝(V_L,V_T)。

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P_k(V)，和K个对应的相似度判定阈值T_k；

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V_T，带入相似度函数计算得到K个聚类的相似度P_k(V_T),k＝1,2,...,K，分别除以K个对应的相似度判定阈值T_k,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η_s＝max(η₁,η₂,...,η_M1)，若η_s-η_t大于0则判定为FOD，反之判定为非FOD；其中判定阈值η_t的值为在区间[η_min,η_max]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＝(η_s-η_t)/(η_max-η_t)，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D_t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D_L；

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

$J=\left[\begin{array}{ccc}{d}_1& {\mathrm{\&theta;}}_1& {\mathrm{\&eta;}}_1\\ d_2& {\mathrm{\&theta;}}_2& {\mathrm{\&eta;}}_2\\ ...& ...& ...\\ d_{M1}& {\mathrm{\&theta;}}_{M1}& {\mathrm{\&eta;}}_{M1}\end{array}\right]$

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η_s＝max(η₁,η₂,...,η_M1)；若η_s-η_t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η_min，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η_max，判定阈值η_t的取值在区间[η_min,η_max]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(μ_k,Φ_k)，参数μ_k为聚类内所有特征向量的平均值，参数Φ_k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P_k(X)计算公式为：

P_k(X)＝exp(-(X-μ_k)^TΦ_k ^-1(X-μ_k))

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X_i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Y_j,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T_k的计算公式为：

$T_k=\left\{\begin{array}{cc}{L}_2& L_1\&le;L_2\\ \frac{L_1+L_2}{2}& L_1>L_2\end{array}\right.;$

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),...(x_Λ3,y_Λ3)}；

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P_k(V)，如果所有P_k(V)均满足P_k(V)<T_k，则认为发现FOD物体，发出FOD报警，并提供目标对应坐标 $\left(\frac{X1+X2}{2},\frac{Y1+Y2}{2}\right);$

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P_T(x_T,y_T,z_T)：

x_T＝dcosδcosθ

y_T＝dcosδsinθ

z_T＝dsinδ

将P_T(x_T,y_T,z_T)转换到跑道坐标系的坐标P_G(x_G,y_G,z_G)的坐标转换模型：

P_G＝R₀P_T+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(θ_j,d_j),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δ_j、R₀、P₀为未知数；其中δ_j为N1个测试点对应的被探测物体与雷达之间的俯仰角；θ_j为N1个测试点对应的被测物体与雷达之间的方位角；d_j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(x_j,y_j,z_j)；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 $A=\left[\begin{array}{ccc}2\left(x_2-x_1\right)& 2\left(y_2-y_1\right)& 2\left(z_2-z_1\right)\\ 2\left(x_3-x_2\right)& 2\left(y_3-y_2\right)& 2\left(z_3-z_2\right)\\ ...& ...& ...\\ 2\left(x_{N1}-x_{N1-1}\right)& 2\left(y_{N1}-y_{N1-1}\right)& 2\left(z_{N1}-z_{N1-1}\right)\end{array}\right];$

$B=\left[\begin{array}{c}{d_1}^2+{x_2}^2+{y_2}^2+{z_2}^2-{d_2}^2-{x_1}^2-{y_1}^2-{z_1}^2\\ {d_2}^2+{x_3}^2+{y_3}^2+{z_3}^2-{d_3}^2-{x_2}^2-{y_2}^2-{z_2}^2\\ ...\\ {d_{N1-1}}^2+{x_{N1}}^2+{y_{N1}}^2+{z_{N1}}^2-{d_{N1}}^2-{x_{N1-1}}^2-{y_{N1-1}}^2-{z_{N1-1}}^2\end{array}\right]$

根据计算得到P₀＝(A^TA)^-1A^TB，得到P₀；

步骤5132：因为R₀ ^-1(P_G-P₀)＝P_T，记(x_j-x₀,y_j-y₀,z_j-z₀)为(vx_j,vy_j,vz_j)，记R₀ ^-1为 ${R_0}^{-1}=\left[\begin{array}{ccc}{r}_{11}& r_{12}& r_{13}\\ r_{12}& r_{22}& r_{23}\\ r_{13}& r_{23}& r_{33}\end{array}\right];$

构造 $temp=\left[\begin{array}{ccccc}{\mathrm{vx}}_1& {\mathrm{vy}}_1-{\mathrm{vx}}_1{\mathrm{tan\&theta;}}_1& {\mathrm{vz}}_1& -{\mathrm{vy}}_1{\mathrm{tan\&theta;}}_1& -{\mathrm{vz}}_1{\mathrm{tan\&theta;}}_1\\ {\mathrm{vx}}_2& {\mathrm{vy}}_2-{\mathrm{vx}}_2{\mathrm{tan\&theta;}}_2& {\mathrm{vz}}_2& -{\mathrm{vy}}_2{\mathrm{tan\&theta;}}_2& -{\mathrm{vz}}_2{\mathrm{tan\&theta;}}_2\\ ...& ...& ...& ...& ...\\ {\mathrm{vx}}_{N1}& {\mathrm{vy}}_{N1}-{\mathrm{vx}}_{N1}{\mathrm{tan\&theta;}}_{N1}& {\mathrm{vz}}_{N1}& -{\mathrm{vy}}_{N1}{\mathrm{tan\&theta;}}_{N1}& -{\mathrm{vz}}_{N1}{\mathrm{tan\&theta;}}_{N1}\end{array}\right]$

并对temp^Ttemp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：

$r_{11}=\frac{2{r_{11}}^{\&prime;}}{{r_{11}}^{\&prime;2}+2{r_{12}}^{\&prime;2}+{r_{13}}^{\&prime;2}+{r_{22}}^{\&prime;2}+{r_{23}}^{\&prime;2}}$

$r_{12}=\frac{2{r_{12}}^{\&prime;}}{{r_{11}}^{\&prime;2}+2{r_{12}}^{\&prime;2}+{r_{13}}^{\&prime;2}+{r_{22}}^{\&prime;2}+{r_{23}}^{\&prime;2}}$

$r_{13}=\frac{2{r_{13}}^{\&prime;}}{{r_{11}}^{\&prime;2}+2{r_{12}}^{\&prime;2}+{r_{13}}^{\&prime;2}+{r_{22}}^{\&prime;2}+{r_{23}}^{\&prime;2}}$

$r_{22}=\frac{2{r_{22}}^{\&prime;}}{{r_{11}}^{\&prime;2}+2{r_{12}}^{\&prime;2}+{r_{13}}^{\&prime;2}+{r_{22}}^{\&prime;2}+{r_{23}}^{\&prime;2}}$

$r_{23}=\frac{2{r_{23}}^{\&prime;}}{{r_{11}}^{\&prime;2}+2{r_{12}}^{\&prime;2}+{r_{13}}^{\&prime;2}+{r_{22}}^{\&prime;2}+{r_{23}}^{\&prime;2}}$

$r_{33}=\sqrt{1-{r_{13}}^2-{r_{23}}^2}$

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z_G≈0，且

${R_0}^{-1}\left(\left[\begin{array}{c}{x}_G\\ y_G\\ 0\end{array}\right]-P_0\right)=P_T$

即r₁₁(x_G-x₀)+r₁₂(y_G-y₀)+r₁₃(-z₀)＝x_T；

r₁₂(x_G-x₀)+r₂₂(y_G-y₀)+r₂₃(-z₀)＝y_T

且有 $\frac{y_T}{x_T}=\frac{r_{12}(x_G-x_0)+r_{22}(y_G-y_0)+r_{23}(-z_0)}{r_{11}(x_G-x_0)+r_{12}(y_G-y_0)+r_{13}(-z_0)}=tan\mathrm{\&theta;}$

x_G ²+y_G ²＝d²-z₀ ²

根据以上两个限制条件，令：

$k_2=\frac{r_{12}{x}_0+r_{22}{y}_0+r_{23}{z}_0-tan\mathrm{\&theta;}(r_{11}{x}_0+r_{12}{y}_0+r_{13}{z}_0)}{r_{12}-r_{11}tan\mathrm{\&theta;}}$

算出y_G为二元一次方程(1+k₁ ²)y_G ²+2k₁k₂y_G+k₂ ²-d²+z₀ ²＝0

的正解，而x_G＝k₁y_G+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P_G(x_G,y_G,z_G)，其雷达探测坐标(θ,d)计算方法为：

$P_T=\left[\begin{array}{c}{x}_T\\ y_T\\ z_T\end{array}\right]={R_0}^{-1}(P_G-P_0)$

θ＝artan(y_T/x_T)

$d=\sqrt{{x_T}^2+{y_T}^2+{z_T}^2};$

步骤516：给定目标雷达探测坐标(θ,d)，其跑道坐标系下坐标P_G(x_G,y_G,z_G)的计算方法为：令 $k_1=\frac{r_{12}\tan \mathrm{\&theta;}-r_{22}}{r_{12}-r_{11}\tan \mathrm{\&theta;}};$

$k_2=\frac{r_{12}{x}_0+r_{22}{y}_0+r_{23}{z}_0-tan\mathrm{\&theta;}(r_{11}{x}_0+r_{12}{y}_0+r_{13}{z}_0)}{r_{12}-r_{11}tan\mathrm{\&theta;}};$

得到y_G为二元一次方程：(1+k₁ ²)y_G ²+2k₁k₂y_G+k₂ ²-d²+z₀ ²＝0

的正解，而x_G＝k₁y_G+k₂；z_G＝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P_T(x_T,y_T,z_T)：

x_T＝dcosδcosθ

y_T＝dcosδsinθ

z_T＝dsinδ

将P_T(x_T,y_T,z_T)转换到跑道坐标系的坐标P_G(x_G,y_G,z_G)的坐标转换模型：

P_G＝R₀P_T+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(θ_j,δ_j),1≤j≤N₁；即实际测量中d^j、R₀、P₀为未知数；其中δ_j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；θ_j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；d_j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(θ_j,δ_j),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， ${\tilde{x}}_0-\mathrm{\&sigma;}\&le;{x_0}^{\&prime;}\&le;{\tilde{x}}_0+\mathrm{\&sigma;},{\tilde{y}}_0-\mathrm{\&sigma;}\&le;{y_0}^{\&prime;}\&le;{\tilde{y}}_0+\mathrm{\&sigma;},{\tilde{z}}_0-\mathrm{\&sigma;}\&le;{z_0}^{\&prime;}\&le;{\tilde{z}}_0+\mathrm{\&sigma;},$ 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V_j＝(x_j-x₀',y_j-y₀',z_j-z₀')，并将向量V_j缩放为单位向量

步骤5212：对每一个测试点计算W_j＝(cosδ_jcosθ_j,cosδ_jsinθ_j,sinδ_j)；

步骤5213：计算向量K_j为Wj和Vj的叉乘K_j＝W_j×V_j，记为K_j＝(kx_j,ky_j,kz_j)，并计算ψ_j＝arsin(kz)，ζ_j＝artan(ky_j/kx_j)；

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ψ_j，ζ_j，数值分布的标准样本差的和ε，表示计算从x₁到x_N1共N1个数值分布的标准样本差；ψ_j，ζ_j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'

$kx=cos\left(\underset{1\&le;j\&le;N1}{mean}\left({\mathrm{\&psi;}}_j\right)\right)\cos \left(\underset{1\&le;j\&le;N1}{mean}\left({\mathrm{\&zeta;}}_j\right)\right)$

$kx=cos\left(\underset{1\&le;j\&le;N1}{mean}\left({\mathrm{\&psi;}}_j\right)\right)\sin \left(\underset{1\&le;j\&le;N1}{mean}\left({\mathrm{\&zeta;}}_j\right)\right)$

$kz=\sin \left(\underset{1\&le;j\&le;N1}{mean}\left({\mathrm{\&psi;}}_j\right)\right)$

$R_K=\left[\begin{array}{ccc}0& -kz& ky\\ kz& 0& -kx\\ -ky& kx& 0\end{array}\right]$

得到R₀、P₀，其中表示计算从x₁到x_N1共N1个数值的平均值；

步骤5216：令 $R_0=\left[\begin{array}{ccc}{t}_{11}& t_{12}& t_{13}\\ t_{12}& t_{22}& t_{23}\\ t_{13}& t_{23}& t_{33}\end{array}\right],$ 由P_G＝R₀P_T+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： $d=-\frac{z_0}{t_{13}cos\mathrm{\&delta;}cos\mathrm{\&theta;}+t_{23}\cos \mathrm{\&delta;}sin\mathrm{\&theta;}+t_{33}sin\mathrm{\&delta;}};$

步骤522：当给定目标跑道坐标系下坐标P_G(x_G,y_G,z_G)，其图像探测坐标(θ,δ)计算方法为

$P_T=\left[\begin{array}{c}{x}_T\\ y_T\\ z_T\end{array}\right]={R_0}^{-1}(P_G-P_0);$

$\mathrm{\&delta;}=artan(z_T/\sqrt{{x_T}^2+{y_T}^2});$

θ＝artan(y_T/x_T)；

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P_G(x_G,y_G,z_G)计算方法为

$d=-\frac{z_0}{t_{13}cos\mathrm{\&delta;}cos\mathrm{\&theta;}+t_{23}\cos \mathrm{\&delta;}sin\mathrm{\&theta;}+t_{33}sin\mathrm{\&delta;}}$

x_T＝dcosδcosθ

y_T＝dcosδsinθ

z_T＝dsinδ

根据 $P_G=R_0\left[\begin{array}{c}{x}_T\\ y_T\\ z_T\end{array}\right]+P_0,$ 得到P_G。

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 $J=\left[\begin{array}{ccc}{d}_1& {\mathrm{\&theta;}}_1& {\mathrm{\&eta;}}_1\\ d_2& {\mathrm{\&theta;}}_2& {\mathrm{\&eta;}}_2\\ ...& ...& ...\\ d_{M1}& {\mathrm{\&theta;}}_{M1}& {\mathrm{\&eta;}}_{M1}\end{array}\right]$

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η_min，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η_max；将J中所有雷达反射信号按照反射波信号的强度值分为(-∞,η_min)，(η_max,∞)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V_L；

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V_T；

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＝(V_L,V_T)。

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P_k(V)，和K个对应的相似度判定阈值T_k；

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V_T，带入相似度函数计算得到K个聚类的相似度P_k(V_T),k＝1,2,...,K，分别除以K个对应的相似度判定阈值T_k,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η_s＝max(η₁,η₂,...,η_M1)，若η_s-η_t大于0则判定为FOD，反之判定为非FOD；其中判定阈值η_t的值为在区间[η_min,η_max]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＝(η_s-η_t)/(η_max-η_t)，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D_t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D_L；

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。