CN107238821A - 一种基于特征谱特征的机场跑道异物检测方法及装置 - Google Patents

Abstract

本发明涉及雷达技术领域，针对现有技术存在的问题，本发明提供一种基于特征谱特征的机场跑道异物检测方法及装置。实现在于实现低虚警概率下的FOD检测。以跑道基准背景数据作为杂波图参考数据，对跑道雷达数据进行杂波图恒虚警处理；本发明对跑道雷达数据杂波图恒虚警处理后的数据进行分类，分为背景杂波信号和包括虚警信号的FOD回波；对背景杂波信号和FOD回波信号分别进行特征值计算，然后根据相应特征值提取对应特征并形成对应特征向量；将背景杂波信号对应的特征向量以及背景杂波信号标号进行分类器训练，得到该分类器参数；将FOD回波信号特征值对应的特征向量通过分类器参数，判断FOD回波中是否有FOD，实现对跑道FOD检测。

Description

一种基于特征谱特征的机场跑道异物检测方法及装置

技术领域

本发明涉及雷达技术领域，尤其是一种基于特征谱特征的机场跑道异物检测方法及装置。

背景技术

机场跑道异物(Foreign Object Debris,FOD)是指不应存在于机场跑道上会对飞机造成损伤的物体，例如遗落在跑道上的金属零件、碎石块、防水塑料布等。FOD对飞机的起飞和降落会造成严重的威胁，在飞机起飞前必须予以清除。传统的人工巡查方法需要消耗大量的时间，影响了机场跑道的飞机通勤量，同时在雨雾等恶劣天气下依靠人工来发现微小异物也并非易事，因此，有必要研制一种机场跑道异物自动检测系统，能够实时对跑道环境进行监测，及时上报FOD的存在及具体位置信息。

目前，国外机场跑道异物检测方面的成熟系统主要有基于毫米波雷达体制的英国QinetiQ公司的Tarsier1100系统、美国TrexEnterprises公司的 FODFinder系统和以色列Xsight公司的FODetect系统以及基于光学摄像体制的新加坡Stratech-systems公司的iFerret系统。由于光学监测系统采用视频处理技术，受亮度和光照的影响很大，在夜晚、雨雾天气或者能见度很低的情况下，检测的正确率很低，会出现大量的虚警或漏警，目前主流的FOD检测方法都是采用毫米波雷达体制。

强地杂波背景下的弱静止目标检测是毫米波雷达FOD检测系统面临的关键问题之一，目前通常采用恒虚警检测算法(Constant False Alarm Rate,CFAR)，包括以单元平均恒虚警(Cell Averaging Constant False Alarm Rate,CA-CFAR) 为代表的空域CFAR和以杂波图恒虚警为代表的时域CFAR。然而，由于机场跑道散射特性较为复杂，导致CFAR类方法在FOD检测过程中出现虚警的概率较大，这时只能通过视频或人工进行逐个排查，造成时间资源的浪费。如何降低 FOD检测系统的虚警概率是目前研究的热点。

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，提供一种基于特征谱特征的机场跑道异物检测方法及装置。实现在于实现低虚警概率下的 FOD检测。

本发明采用的技术方案如下：

一种基于特征谱特征的机场跑道异物检测方法包括：

以跑道基准背景数据作为杂波图参考数据，对跑道雷达数据进行杂波图恒虚警处理；

对跑道雷达数据杂波图恒虚警处理后的数据进行分类，分为背景杂波信号和包括虚警信号的FOD回波；

对背景杂波信号和FOD回波信号分别进行特征值计算，然后根据相应特征值提取对应特征并形成对应特征向量；

将背景杂波信号对应的特征向量以及背景杂波信号标号进行分类器训练，得到该分类器参数；

将FOD回波信号特征值对应的特征向量通过分类器参数，判断FOD回波中是否有FOD，实现对跑道FOD检测。

进一步的，通过检测门限将杂波图恒虚警处理后的数据分为背景杂波信号和FOD回波。

进一步的，所述检测门限获取过程是：

对获取所述跑道基准背景数据的同一跑道进行第二次空扫，获得跑道更新背景数据；

将所述跑道基准背景数据作为杂波图参考数据，对跑道更新背景数据进行杂波图恒虚警处理；

然后对跑道更新背景数据做杂波图恒虚警处理后的信号求平均功率值，则该平均功率值为检测门限。

进一步的，所述特征值计算过程是：

s＝[s₁,s₂,...,s_N]^T计算自相关矩阵R；

其中，s_k为s第k个时刻的值，k＝1,2,...,N，N为信号维度，上标T表示矩阵转置；

对自相关矩阵R进行特征值分解得到特征谱λ_r为自相关矩阵的第r个特征值；

其中，表示向下取整，且

当s若代表背景杂波信号，则λ_r为背景杂波信号自相关矩阵的第r个特征值；

当s若代表FOD回波信号，则λ_r为FOD回波信号自相关矩阵的第r个特征值。

进一步的，所述特征向量f＝{feature1,feature2}形成过程是：

若对背景杂波数据λ_r计算对应的特征向量，则f代表背景杂波数据特征向量；

若对FOD回波信号λ_r计算对应的特征向量，则f代表FOD回波信号特征向量；

其中，feature1是最大特征值归一化后的特征值和：feature2是累计贡献率达98％时的大特征值个数。

进一步的，判断FOD回波中是否有FOD具体过程是：

使用背景杂波数据特征向量对应的两个特征以及背景杂波数据标号训练分类器，得到分类器参数；

根据分类器参数获取最优分类面，并根据最优分类面对FOD回波的特征值向量进行判断，其中，虚警信号全部落在最优分类面内，若最优分类面外无信号，则表明飞机起飞前，跑道中没有FOD，否则，表明飞机起飞前，跑到中存在FOD。

一种基于特征谱特征的机场跑道异物检测装置包括：

杂波图恒虚警处理模块，用于以跑道基准背景数据作为杂波图参考数据，对跑道雷达数据进行杂波图恒虚警处理；

信号分类模块：用于对跑道雷达数据杂波图恒虚警处理后的数据进行分类，分为背景杂波信号和包括虚警信号的FOD回波；

特征向量提取模块，用于对背景杂波信号和FOD回波信号分别进行特征值计算，然后根据相应特征值提取对应特征并形成对应特征向量；

分类器训练步骤，用于将背景杂波信号对应的特征向量以及背景杂波信号标号进行分类器训练，得到该分类器参数；

跑道FOD检测模块，用于将FOD回波信号特征值对应的特征向量通过分类器参数，判断FOD回波中是否有FOD，实现对跑道FOD检测。

进一步的，通过检测门限将杂波图恒虚警处理后的数据分为背景杂波信号和FOD回波。

进一步的，所述特征值计算过程是：

s＝[s₁,s₂,...,s_N]^T计算自相关矩阵R；

其中，s_k为s第k个时刻的值，k＝1,2,...,N，N为信号维度，上标T表示矩阵转置；

对自相关矩阵R进行特征值分解得到特征谱λ_r为自相关矩阵的第r个特征值；

其中，表示向下取整，且

当s若代表背景杂波信号，则λ_r为背景杂波信号自相关矩阵的第r个特征值；

当s若代表FOD回波信号，则λ_r为FOD回波信号自相关矩阵的第r个特征值。

进一步的，判断FOD回波中是否有FOD具体过程是：

使用背景杂波数据特征向量对应的两个特征以及背景杂波数据标号训练分类器，得到分类器参数；

根据分类器参数获取最优分类面，并根据最优分类面对FOD回波的特征值向量进行判断，其中，虚警信号全部落在最优分类面内，若最优分类面外无信号，则表明飞机起飞前，跑道中没有FOD，否则，表明飞机起飞前，跑到中存在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：

利用杂波图恒虚警(Constant False Alarm Rate,CFAR)将跑道雷达数据中的背景杂波信号和FOD回波(包含虚警)区分开，然后提取特征谱特征将在回波域中差异较小的FOD回波和虚警回波转换到区分性更大的特征域，进而通过分类器进行识别，判断跑道是否存在FOD。

由于检测门限也是根据同一跑道同一未知区域两次空扫获得的门限值，用这个检测门限值去区分跑道雷达数据中的背景杂波信号和包括虚警的FOD回波，才能使得基准相同，误差最小。

附图说明

本发明将通过例子并参照附图的方式说明，其中：

图1是本发明的流程图。

图2a是杂波图恒虚警处理之前跑道雷达数据。

图2b是杂波图恒虚警处理之后FOD回波。

图3是二维特征分布图。

图4是通过本发明检测的分类结果。

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、跑道背景数据指的是人工对待测机场跑道进行检查后，确认跑到中不存在FOD，此时雷达进行空扫，记录作为跑道背景数据；

2、跑道雷达数据指的是在飞机起飞前，对与空扫获得跑道背景数据的同一跑道，进行实测雷达扫描，获得跑道雷达数据；

3、检测门限获取步骤：

所述检测门限获取过程是：

对获取所述跑道基准背景数据的同一跑道进行第二次空扫，获得跑道更新背景数据；

将所述跑道基准背景数据作为杂波图参考数据，并对跑道更新背景数据进行杂波图恒虚警处理；

然后对跑道更新背景数据做杂波图恒虚警处理后的信号求平均功率值，则该平均功率值为检测门限。

本发明实现过程：

步骤1，雷达空扫，记录背景杂波数据，用作杂波图参考数据：

首先通过人工对待测机场跑道进行检查，确认跑道中不存在FOD，此时雷达进行空扫，记录初始背景数据，用作杂波图参考数据

步骤2，杂波图恒虚警处理：

在飞机起飞前，对机场跑道进行扫描，利用步骤1得到的背景杂波数据作杂波图恒虚警处理，根据是否超过检测门限，将雷达录取的数据分成FOD回波 (包括虚警)和背景杂波信号，在步骤5中，背景杂波信号将被用作训练数据， FOD回波(包括虚警)将被用作测试数据。

步骤3，计算信号的特征谱：

1).对经过杂波图恒虚警处理后的信号s＝[s₁,s₂,...,s_N]^T进行滑窗，窗长为得到矩阵其中，s_k为s第k个时刻的值，k＝1,2,...,N， N为信号维度，为第i次滑窗得到的数据，长度为且 上标T表示矩阵转置，表示向下取整；

2).利用矩阵E计算得到信号的自相关矩阵其中，上标H表示矩阵复共轭转置；

3).对信号的自相关矩阵R做特征值分解，获得特征谱其中，λ_r为自相关矩阵R的第r个特征值，且

步骤4，特征提取：

对步骤3中得到的特征谱提取两种用于分类的特征：

第一种是最大特征值归一化后的特征值和：

第二种是累计贡献率达98％时的大特征值个数：

其中arg(·)为取标号运算。

步骤5，对训练样本集提取上述两种特征，并利用两种特征训练分类器。

对训练样本进行特征提取后，得到用于训练分类器的两种特征。将用于训练分类器的两种特征组成一个特征向量：f＝{feature1,feature2}。选取分类器进行分类的训练过程，其中，分类器包括：支持向量机、相关向量机和最小最大概率机等，本步骤以最小最大概率机为例，描述分类器的训练过程步骤如下：使用从训练样本集中提取的两种特征以及样本标号训练最小最大概率机，得到最优的分类器参数a_opt和b_opt。其中a_opt为最小最大概率机的最优解；b_opt＝1；

步骤6：判断测试样本(FOD回波)中是否有FOD具体过程是：

使用训练样本(背景杂波数据)特征向量对应的两个特征以及训练样本(背景杂波数据)标号训练分类器，得到分类器参数；

根据分类器参数获取最优分类面，并根据最优分类面对测试样本(FOD回波)的特征向量进行判断，其中，虚警信号全部落在最优分类面内，若最优分类面外无信号，则表明飞机起飞前，跑道中没有FOD，否则，表明飞机起飞前，跑到中存在FOD。具体实施例一，对测试样本(FOD回波)提取两种特征 feature1,feature2，并利用训练好的分类器对用于测试的两种特征进行分类。

对于测试样本，利用已经训练好的最小最大概率机按如下步骤对其进行分类：

6a)对于测试样本进行特征提取，得到用于测试的由所述两种特征构成的特征向量f＝{feature1,feature2}；

6b)将从测试样本中提取的特征向量f输入到训练好的最小最大概率机中，得到最小最大概率机分类器参数a_opt和b_opt；其中a_opt为最小最大概率机的最优解； b_opt＝1；

按下式得到最小最大概率机分类器输出：

式中，a_opt,b_opt为训练过程得到的参数；

6c)根据最小最大概率机的输出y(f)确定类别标号，y(f)小于等于0，则表示FOD回波是虚警，无FOD；若y(f)大于0，则表明FOD回波是FOD。

具体实施例二：(可以代替步骤61的实现过程)；对测试样本集提取两种特征，并利用训练好的分类器对用于测试的两种特征进行分类。

对于测试样本，利用已经训练好的最小最大概率机按如下步骤对其进行分类：6a)对于测试样本进行特征提取，得到用于测试的由所述两种特征构成的特征向量f＝{feature1,feature2}；

6b)使用背景杂波数据特征向量对应的两个特征以及背景杂波数据标号训练最小最大概率机分类器，得到最小最大概率机分类器参数a_opt和b_opt；其中a_opt为最小最大概率机的最优解；b_opt＝1；

6c)根据参数a_opt和b_opt获取最优分类面，并根据最优分类面对FOD回波特征向量进行判断，其中，虚警信号全部落在最优分类面内，若最优分类面外无信号，则表明飞机起飞前，跑道中没有FOD，否则，表明飞机起飞前，跑到中存在FOD。

上述实例是对提取的特征使用了最小最大概率机进行目标分类，在实际中，分类器还可以根据实际情况选取如相关向量机，线性判决分析，k近邻分类器等其他分类算法，分类过程与最小最大概率机类似。

1.实验场景：

首先，人工对机场跑道进行检查，确认其中不含FOD，此时雷达进行空扫，记录背景数据，用作杂波图。然后在距离雷达40/50/60/65/68米处各放置1 个高尔夫球，利用雷达对跑道进行扫描，记录得到的雷达数据。

2.实验内容：

2.1)利用存储的杂波图数据对雷达录取信号作杂波图恒虚警处理，得到结果如图2所示。其中，图2a表示作杂波图恒虚警之前的数据，图2b表示对图2a数据利用背景杂波作杂波图恒虚警后的数据。

2.2)根据杂波图恒虚警结果，将雷达录取的数据分成两类，背景杂波数据作为训练数据，提取两种特征，FOD回波(包括虚警)作为测试数据，提取两种特征，如图3所示。其中，黑色圆圈表示的是对背景杂波信号提取的feature1 和feature2的值，星形表示的是对虚警信号提取的feature1和feature2的值，方框形表示的是对FOD回波提取feature1和feature2的值。

2.3)利用训练数据(背景杂波)提取的特征训练最小最大概率机，并对FOD 回波及虚警进行分类，得到分类结果，如图4所示。其中，黑色圆圈表示的是背景杂波特征向量，将其作为训练样本训练最小最大概率机分类器，得到图中黑色实线表示的最优分类面，然后利用该最优分类面对方框表示的FOD和星形表示的虚警进行判断，得到判决结果。

3.实验结果分析：

从图2中可以看出，经过杂波图恒虚警后，40、50、60、65米处的目标回波幅度要明显强于背景杂波的强度，68米处目标回波虽然较弱，但仍可以被检测到，但是在图2b中，在距离雷达约4米，26米等距离处有能量较低的虚警存在，也就是说传统杂波图恒虚警算法来实现FOD检测会存在虚警的问题。

从图3中可以看出，通过特征提取，我们将在回波域中很难区分的FOD和虚警变换到了区分性更大的特征域中；同时可以看出，在特征域，背景杂波和虚警的分布特性更为接近，也就是说，在特征域可以将背景杂波和虚警作为一类目标，FOD作为另一类目标进行分类。

从图4中可以看出，全部FOD回波均落在分类面外，被判为FOD，同时，全部虚警回波被包在了最优分类面以内，被判为背景杂波，也就是说，对于图 2给出的实测数据，利用本发明可以有效的消除虚警，从而实现低虚警概率条件下的FOD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)

1.一种基于特征谱特征的机场跑道异物检测方法，其特征在于包括：

以跑道基准背景数据作为杂波图参考数据，对跑道雷达数据进行杂波图恒虚警处理；

对跑道雷达数据杂波图恒虚警处理后的数据进行分类，分为背景杂波信号和包括虚警信号的FOD回波；

对背景杂波信号和FOD回波信号分别进行特征值计算，然后根据相应特征值提取对应特征并形成对应特征向量；

将背景杂波信号对应的特征向量以及背景杂波信号标号进行分类器训练，得到该分类器参数；

将FOD回波信号特征值对应的特征向量通过分类器参数，判断FOD回波中是否有FOD，实现对跑道FOD检测。

2.根据权利要求1所述的一种基于特征谱特征的机场跑道异物检测方法，其特征在于通过检测门限将杂波图恒虚警处理后的数据分为背景杂波信号和FOD回波。

3.根据权利要求2所述的一种基于特征谱特征的机场跑道异物检测方法，其特征在于所述检测门限获取过程是：

对获取所述跑道基准背景数据的同一跑道进行第二次空扫，获得跑道更新背景数据；

将所述跑道基准背景数据作为杂波图参考数据，对跑道更新背景数据进行杂波图恒虚警处理；

然后对跑道更新背景数据做杂波图恒虚警处理后的信号求平均功率值，则该平均功率值为检测门限。

4.根据权利要求1所述的一种基于特征谱特征的机场跑道异物检测方法，其特征在于所述特征值计算过程是：

s＝[s₁,s₂,...,s_N]^T计算自相关矩阵R；

其中，s_k为s第k个时刻的值，k＝1,2,...,N，N为信号维度，上标T表示矩阵转置；

对自相关矩阵R进行特征值分解得到特征谱λ_r为自相关矩阵的第r个特征值；

其中，表示向下取整，且

当s若代表背景杂波信号，则λ_r为背景杂波信号自相关矩阵的第r个特征值；

当s若代表FOD回波信号，则λ_r为FOD回波信号自相关矩阵的第r个特征值。

5.根据权利要求1所述的一种基于特征谱特征的机场跑道异物检测方法，其特征在于所述特征向量f＝{feature1,feature2}形成过程是：

若对背景杂波数据λ_r计算对应的特征向量，则f代表背景杂波数据特征向量；

若对FOD回波信号λ_r计算对应的特征向量，则f代表FOD回波信号特征向量；

其中，feature1是最大特征值归一化后的特征值和：feature2是累计贡献率达98％时的大特征值个数。

6.根据权利要求1所述的一种基于特征谱特征的机场跑道异物检测方法，其特征在于判断FOD回波中是否有FOD具体过程是：

使用背景杂波数据特征向量对应的两个特征以及背景杂波数据标号训练分类器，得到分类器参数；

根据分类器参数获取最优分类面，并根据最优分类面对FOD回波的特征值向量进行判断，其中，虚警信号全部落在最优分类面内，若最优分类面外无信号，则表明飞机起飞前，跑道中没有FOD，否则，表明飞机起飞前，跑到中存在FOD。

7.一种基于特征谱特征的机场跑道异物检测装置，其特征在于包括：

杂波图恒虚警处理模块，用于以跑道基准背景数据作为杂波图参考数据，对跑道雷达数据进行杂波图恒虚警处理；

信号分类模块：用于对跑道雷达数据杂波图恒虚警处理后的数据进行分类，分为背景杂波信号和包括虚警信号的FOD回波；

特征向量提取模块，用于对背景杂波信号和FOD回波信号分别进行特征值计算，然后根据相应特征值提取对应特征并形成对应特征向量；

分类器训练步骤，用于将背景杂波信号对应的特征向量以及背景杂波信号标号进行分类器训练，得到该分类器参数；

跑道FOD检测模块，用于将FOD回波信号特征值对应的特征向量通过分类器参数，判断FOD回波中是否有FOD，实现对跑道FOD检测。

8.根据权利要求7所述的一种基于特征谱特征的机场跑道异物检测装置，其特征在于通过检测门限将杂波图恒虚警处理后的数据分为背景杂波信号和FOD回波。

9.根据权利要求7所述的一种基于特征谱特征的机场跑道异物检测装置，其特征在于所述特征值计算过程是：

s＝[s₁,s₂,...,s_N]^T计算自相关矩阵R；

其中，s_k为s第k个时刻的值，k＝1,2,...,N，N为信号维度，上标T表示矩阵转置；

对自相关矩阵R进行特征值分解得到特征谱λ_r为自相关矩阵的第r个特征值；

其中，表示向下取整，且

当s若代表背景杂波信号，则λ_r为背景杂波信号自相关矩阵的第r个特征值；

当s若代表FOD回波信号，则λ_r为FOD回波信号自相关矩阵的第r个特征值。

10.根据权利要求7所述的一种基于特征谱特征的机场跑道异物检测装置，其特征在于判断FOD回波中是否有FOD具体过程是：

使用背景杂波数据特征向量对应的两个特征以及背景杂波数据标号训练分类器，得到分类器参数；

根据分类器参数获取最优分类面，并根据最优分类面对FOD回波的特征值向量进行判断，其中，虚警信号全部落在最优分类面内，若最优分类面外无信号，则表明飞机起飞前，跑道中没有FOD，否则，表明飞机起飞前，跑到中存在FOD。