CN107633505A - 一种基于目标灰度分布特性的飞机起落架检测方法 - Google Patents

Abstract

本发明提出一种基于目标灰度分布特性的飞机起落架检测方法。对采集的红外视频图像进行最大中值滤波，在不破坏目标原有灰度特征的基础上去除噪声；根据图像灰度分布特性，计算分割阈值，对图像二值化得到分割图像；对分割图像做腐蚀膨胀操作；根据灰度极大值从上、下、左、右四个方向向中心遍历，确定发动机位置坐标和大小，根据相对位置关系，进而确定起落架位置坐标和大小；比较起落架局部区域的梯度特性与其周围邻域的梯度差异，以确定起落架的收放情况。本发明方法基于红外图像目标灰度分布特性，结合形态学运算，易于并行处理和硬件化实现，精度高、实时性。

Description

一种基于目标灰度分布特性的飞机起落架检测方法

技术领域

本发明属于红外图像目标检测技术领域，具体涉及一种基于目标灰度分布特性的飞机起落架检测方法。

背景技术

飞机起落架放下与否，对飞机的安全着陆有着不可估量的直接影响。现有检查起落架是否放下的方法主要是在飞机外部安装摄像头通过飞机本身的监测系统进行查看，或者由机场人员直接监测。飞机外部安装摄像头，不仅成本高，而且后期维护难度大，所以很少有飞机安装此种设备。飞机本身的起落架监测系统，是通过机械结构仪表来显示的，也难免会出现故障。现实中为确认飞机起落架是否放下，除了机上指示设备外，还在塔台旁设观察员通过望远镜来监测。但是该方法受人员(如疲劳、分心等)及天气因素的影响，可靠性差。一旦因起落架误判，飞机继续降落造成的伤害是难以弥补。

发明内容

本发明提供一种基于目标灰度分布特性的飞机起落架检测方法，该方法基于红外图像目标灰度分布特性，结合形态学运算，易于并行处理和方法的硬件化实现，精度高、实时性。

为了解决上述技术问题，本发明提供一种基于目标灰度分布特性的飞机起落架检测方法，包括如下步骤：

红外图像采集：将红外热像仪沿着跑道方向架设，调整好焦距采集飞机即将降落的红外视频图像；

图像预处理：对采集的红外视频图像进行最大中值滤波，在不破坏目标原有灰度特征的基础上去除噪声；

目标阈值分割：根据图像灰度分布特性，计算分割阈值，根据阈值对图像二值化，得到分割图像；

图像修正处理：对分割图像做腐蚀膨胀操作去除点状区域或孤立的块状区域；

起落架位置检测：对修正处理后的图像，根据灰度极大值从上、下、左、右四个方向向中心遍历，确定发动机位置坐标和大小，根据相对位置关系，进而确定起落架位置坐标和大小；

目标确认：比较起落架局部区域的梯度特性与其周围邻域的梯度差异，以确定起落架的收放情况。

进一步，进行最大中值滤波处理时，将图像中心像素的灰度值取为水平、垂直、左45度、右45度四个方向上所得四个像素灰度中值中的最大值。

进一步，图像修正处理中，先对分割图像进行腐蚀处理，消除干扰区域的影响，然后结合膨胀操作，将目标恢复成原始大小，得到完整的发动机位置图像。

进一步，从图像的上、下、左、右往图像中心遍历过程中，根据四个方向上极大值点首先出现的位置，确定发动机的位置坐标和发动机的大小。。

本发明与现有技术相比，其显著优点在于，本发明方法对红外目标图像灰度分布特点，在预处理基础上统计局部区域像素计算分割阈值，结合修正处理，得到感兴趣区域的完整图像，根据极值逼近原理得到起落架位置坐标，最后计算该区域梯度与周围邻域对比得出起落架收放情况；因为红外热像仪的工作波段位于大气窗口，所以雾、烟、雨等气候因素对其工作稳定性的影响较小，且本发明方法无须对飞机做任何改装，因而是一种性能价格比高，易于在有关部门中推广的飞机保障系统。

附图说明

图1是基于目标灰度分布特性的飞机起落架检测方法的流程图。

图2是即将降落的红外飞机图像。

图3是最大中值滤波后的效果图。

图4是阈值分割后的效果图。

图5是修正处理后的效果图。

图6是发动机位置的效果图。

图7是起落架位置的效果图。

图8是飞机梯度矢量场效果图。

图9是图像局部区域矢量场放大图。

图10是不同距离情况下，飞机起落架检测的效果图。

具体实施方式

容易理解，依据本发明的技术方案，在不变更本发明的实质精神的情况下，本领域的一般技术人员可以想象出本发明基于目标灰度分布特性的飞机起落架检测方法的多种实施方式。因此，以下具体实施方式和附图仅是对本发明的技术方案的示例性说明，而不应当视为本发明的全部或者视为对本发明技术方案的限制或限定。

结合图1，本发明提出的基于目标灰度分布特性的飞机起落架检测方法，首先对红外热像仪采集的图像进行预处理，根据极值逼近原理和灰度分布特性，由中心像素的邻域确定分割阈值，针对分割检测图像进行腐蚀膨胀操作，得到图像中完整的块状区域(发动机位置)，由四个方向到中心像素遍历，确定发动机和起落架位置，最后通过检测确认起落架的收放情况。

实现上述基于目标灰度分布特性的飞机起落架检测方法的具体实施步骤如下：

(1)红外图像采集。红外图像的质量对于检测结果很重要，而红外热像仪的工作波段位于大气窗口，雾、烟、雨等气候因素对其工作稳定性影响较小，成像效果较好。将热像仪沿跑道方向架设，将其调整至合适焦距，能够有效采集3 千米左右红外飞机图像，从而实现远距离昼夜监控。

(2)图像预处理。针对采集的红外图像进行最大中值滤波，将中心像素的灰度值取为水平、垂直、左45度、右45度四个方向上所得四个像素灰度中值中的最大值。最大中值滤波能够充分考虑到多个方向上的像素灰度分布，并更好地保留图像中目标的能量，在不破坏目标原有灰度特征的基础上高效去噪。

对(2N+1)×(2N+1)的最大中值滤波模板，其计算公式为：

f_max-med(i,j)＝max(z₁,z₂,z₃,z₄) (1)

式(1)中，

其中，(i,j)为中心像素点坐标，med为取中值操作，max为取最大值操作， N表征模板尺寸大小，本发明方法中，取N＝2，即模板尺寸为5*5。

(3)目标阈值分割。对预处理后的图像，统计图像中灰度值最大点的位置坐标(i,j)和个数M，由于红外飞机目标本身灰度分布不均，且考虑到图像中起落架的对称性，从图像左边开始遍历，对图像列扫，统计最左边灰度极值所在位置坐标(i_left,j_left)，以该像素位置与其它灰度最大值坐标(i_k,j_k)比较，根据欧式距离：

距离d_k小于D的归为一类，D为图像序列中检测发动机位置的统计最大距离，类似于“聚类”的思想，最终统计得出属于左块区域的m个像素(i_lk,j_lk)。计算出该区域中心像素的位置为：

以该像素为中心，计算邻域5×5范围S内的像素均值作为分割阈值T：

式(5)中h为邻域像素个数，根据阈值对图像二值化，得到分割图像。

(4)图像修正。考虑到分割后图像存在孤立的点区域或小的块状区域，故本发明采用形态学方法，先对分割图像进行腐蚀操作，消除干扰区域的影响。对于图像A，利用结构元素B，图像中采用正方形结构元素，其腐蚀定义为：其次结合膨胀操作，将目标恢复成原始大小，得到完整的发动机位置图像。对于腐蚀后的图像A',利用相同的结构元素B，进行膨胀操作，定义为通过腐蚀膨胀的对偶操作，可以消除干扰像素，得到完整的图像感兴趣区域。

(5)起落架位置检测。对于分割处理后的图像，利用灰度极值的分布特性，进行起落架位置的检测。分别从图像的上、下、左、右往图像中心遍历极值逼近，得到四个方向上灰度极值首先出现的位置。按照行扫，分别从上至中心遍历和从下至中心遍历，得到行号f_up和f_down，按照列扫，分别从左至中心遍历和从右至中心遍历，得到列号f_left和f_right，目标区域大小可以近似为w的正方向区域， w＝f_down-f_up。由此可以确定飞机左右发动机右上角的位置坐标分别为(f_up,f_left) 和(f_up,f_right-w)。根据发动机和起落架的位置关系，可以确定两侧起落架和前起落架的位置分别为(f_down,f_left+w)、(f_down,f_right-2·w)和(f_down,(f_left+f_right)/2)，从而实现飞机起落架位置检测。

(6)目标确认。当检测出起落架存在的区域后，需要通过局部区域的检测识别进行目标的确认。图像中飞机起落架区域灰度与周围邻域有较大差异，利用梯度计算该局部区域中的梯度幅值和方向的变化。

图像梯度矢量可表示为：

其中G_x和G_y分别表示x和y方向的梯度。

矢量幅度为：

方向角为：

该局部区域的梯度强度与其周围邻域的梯度强度值比较，并结合矢量方向，由于起落架梯度强度远高于周围邻域的梯度值，且梯度方向有明显差异，梯度方向都由四周指向起落架中心灰度值大的位置，由于两者幅度和方向的差异对比，进而可以对该局部区域进行确定是否存在起落架，最终确定飞机起落架的收放情况。

本发明的效果可以通过以下仿真结果进一步说明：

实验仿真采用制冷性热像仪采集得到飞机即将降落图像序列，如图2所示。根据红外图像灰度分布特点，对图像空域最大中值滤波和阈值分割处理后的结果如图3和图4所示。可以看到处理后图像中存在小的点状或块状区域的干扰，修正处理后得到图5的仿真图像。可以看出已经将发动机位置完整分割出来。根据分割出的完整区域，从图像四个方向极值逼近，计算出该区域的位置，如图6 所示。根据位置关系，进而计算出起落架的位置坐标，如图7所示。通过对该位置区域梯度计算与背景区域比较，可以确认起落架的收放情况。如图8为飞机整体梯度场，图9(a)、(b)、(c)、(d)分别左、右、前起落架和背景的梯度矢量图。

通过对不同距离下飞机图像序列应用本发明方法，如图10所示，(a)、(b)、 (c)、(d)分别为飞机由远及近的飞机过程，可以看出基于目标灰度分布特性可以有效检测出飞机的起落架位置，根据该区域梯度可以有效确定出起落架的收放情况。

Claims (4)

1.一种基于目标灰度分布特性的飞机起落架检测方法，其特征在于，包括如下步骤：

红外图像采集：将红外热像仪沿着跑道方向架设，调整好焦距采集飞机即将降落的红外视频图像；

图像预处理：对采集的红外视频图像进行最大中值滤波，在不破坏目标原有灰度特征的基础上去除噪声；

目标阈值分割：根据图像灰度分布特性，计算分割阈值，根据阈值对图像二值化，得到分割图像；

图像修正处理：对分割图像做腐蚀膨胀操作去除点状区域或孤立的块状区域；

起落架位置检测：对修正处理后的图像，根据灰度极大值从上、下、左、右四个方向向中心遍历，确定发动机位置坐标和大小，根据相对位置关系，进而确定起落架位置坐标和大小；

目标确认：比较起落架局部区域的梯度特性与其周围邻域的梯度差异，以确定起落架的收放情况。

2.根据权利要求1所述的基于目标灰度分布特性的飞机起落架检测方法，其特征在于，进行最大中值滤波处理时，将图像中心像素的灰度值取为水平、垂直、左45度、右45度四个方向上所得四个像素灰度中值中的最大值。

3.根据权利要求1所述的基于目标灰度分布特性的飞机起落架检测方法，其特征在于，图像修正处理中，先对分割图像进行腐蚀处理，消除干扰区域的影响，然后结合膨胀操作，将目标恢复成原始大小，得到完整的发动机位置图像。

4.根据权利要求1所述的基于目标灰度分布特性的飞机起落架检测方法，其特征在于，从图像的上、下、左、右往图像中心遍历过程中，根据四个方向上极大值点首先出现的位置，确定发动机的位置坐标和发动机的大小。