CN112711017B - 基于背景消除和改进连通域算法的fod自动识别方法及系统 - Google Patents
基于背景消除和改进连通域算法的fod自动识别方法及系统 Download PDFInfo
- Publication number
- CN112711017B CN112711017B CN202011625415.XA CN202011625415A CN112711017B CN 112711017 B CN112711017 B CN 112711017B CN 202011625415 A CN202011625415 A CN 202011625415A CN 112711017 B CN112711017 B CN 112711017B
- Authority
- CN
- China
- Prior art keywords
- fod
- algorithm
- target
- background
- target detection
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/04—Systems determining presence of a target
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于背景消除和改进连通域算法的FOD自动识别方法及系统,包括:步骤M1:获取雷达数据并通过雷达数据判断是否存在背景数据;当同时存在正向和反向的背景数据时,则使用背景对消FOD目标检测算法进行FOD目标检测,输出FOD目标检测结果图像及目标坐标文档;当不是同时存在正向和反向的背景数据时,则使用FOD目标检测算法进行FOD目标检测,并判断根据FOD目标检测算法得到的FOD报警数据变量是否为0,当FOD报警数据变量为0时,则将当前的雷达数据存为新的背景数据,重复执行步骤M1;当FOD报警数据变量不为0时,则输出FOD目标检测结果图像及目标坐标文档;本发明中处理过程的所有参数,均可以根据机场实际场景进行分段处理,算法适应性高。
Description
技术领域
本发明涉及FOD雷达图像目标自动识别算法领域,具体地,涉及基于背景消除和改进连通域算法的FOD目标自动识别方法及系统,更为具体地,涉及一种基于背景消除算法分离目标和背景,并有效降低虚警,可对雷达探测目标进行定位和计数的算法。
背景技术
机场道面外来物,也就是“FOD”,泛指机场跑道上可能损伤航空器的某种外来物质、碎屑或物体,如金属零件、碎石块、道面材料、飞行物品等。对于机场安全运行来说,跑道外来物对飞行安全有着不可忽视的影响。由于机场飞行器使用跑道起降频繁,每进行一次跑道外来物检测将影响多架次航班正常起降,更重要的是依靠人工检测易遗漏异物或检测车辆上掉落外来物,对道面外来物检测有严重缺陷。
雷达系统虚警率高,机场FOD检测中的雷达虚警率是FOD检测系统的重要指标,也是影响FOD系统使用者最为关注的对象。FOD目标所处机场跑道杂波背景相当复杂且相对较强,杂波对目标的影响很大,雷达回波的FOD检测中已经应用了雷达恒虚警技术,但虚警仍然会在很大程度上影响到使用者的感受,特别是对微小FOD的探测。因此杂波背景下的目标检测,降低雷达信号检测的虚警率是机场跑道外来物(FOD)报警系统的重要任务之一。
传统的FOD目标检测算法会在跑道中心灯、边灯等位置报警,给用户产生不必要的干扰,同时对于掉落在中心灯或边灯上的FOD目标不能有效报警,给机场安全运行带来隐患。
当对两组数据进行背景对消时,如果两组数据角度没有对齐,就会在对消后产生虚警,结合连通域算法,可以有效减少因角度不对齐产生的虚警。
针对上述FOD系统处理的需求,本发明要解决的技术问题体现在以下几点:
1)针对目标点的空间分布特性,利用背景对消方法有效分离静态背景和动态目标,能够有效检测跑道中心灯和边灯上的FOD目标;
2)采用基于图像连通区域的改进连通域算法,有效减少背景对消时因雷达角度数据不对齐产生的虚警;
3)提取各个目标区域的面积,能够对FOD目标进行自动识别并统计FOD目标数量。
专利文献CN109765557A(申请号:201811647433.0)公开了一种基于分布特性的FOD目标自适应快速分类识别方法、系统及介质,包括:目标划分步骤:根据第一目标区域在空间分布上的集中性,采用目标点间距离作为目标相关特征量,实现目标点间相似度的量化,对相似度高于相似先验邻域半径门限的目标点进行标记,然后将标记位总合高于邻域大小门限的目标点视为第一目标区域集合,其余目标则划为普通分布FOD目标集合。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于背景消除和改进连通域算法的FOD自动识别方法及系统。
根据本发明提供的一种基于背景消除和改进连通域算法的FOD自动识别方法,包括:
步骤M1:获取雷达数据并通过雷达数据判断是否存在背景数据;当同时存在正向和反向的背景数据时,则使用背景对消FOD目标检测算法进行FOD目标检测,输出FOD目标检测结果图像及目标坐标文档;当不是同时存在正向和反向的背景数据时,则使用FOD目标检测算法进行FOD目标检测,并判断根据FOD目标检测算法得到的FOD报警数据变量是否为0,当FOD报警数据变量为0时,则将当前的雷达数据存为新的背景数据,重复执行步骤M1;当FOD报警数据变量不为0时,则输出FOD目标检测结果图像及目标坐标文档;
所述FOD目标检测算法是基于预设的OpenCV中的Blob斑点检测算子参数进行FOD目标检测;
所述背景对消FOD目标检测算法通过背景对消算法及预设的OpenCV中的Blob斑点检测算子参数进行FOD目标检测。
优选地,所述使用背景对消FOD目标检测算法进行FOD目标检测,输出FOD目标检测结果图像及目标坐标文档包括:将获取的雷达数据利用背景对消算法分离目标和背景,得到目标图像数据;将得到的目标图像数据利用基于图像连通区域的改进连通域算法提取图像中所有的连通区域,基于预设的斑点检测算子参数在所有的连通区域进行白色像素标记,得到FOD目标数量;
所述改进连通域算法所述改进连通域算法通过扫描两遍图像,将目标图像中存在的所有目标连通区域找出并进行标记。
优选地,所述基于预设的斑点检测算子参数在所有的连通区域进行白色像素标记包括:使用预设的斑点检测算子参数,结合连通区域的轮廓和外接矩形的值,进行白色像素标记。
优选地,所述连通区域的轮廓和外接矩形的值包括:连通区域利用OpenCV中的findContours函数获取块的轮廓、再利用boundingRect函数配合findContours函数获取联通区域的最小外接矩形。
优选地,所述改进连通域算法包括:
步骤M2.1:将像素灰度值高于门限阈值的点设为1,低于门限阈值的点设为0,形成一个n*m的阵列;
步骤M2.2:对n*m的阵列进行第一遍列向扫描,当当前列存在值为1的像素点时,则将当前列记为1,并记录当前列出现1的个数;当当前列不存在值为1的像素点时,则将当前列记为0,得到由0、1组成的列向一维数组以及记为1的列中出现1的个数;
步骤M2.3:对已知的存在1的列进行第二遍横向扫描,当当前行存在值为1的像素点时,则将当前行记为1,并记录当前行出现1的个数;当当前行不存在值为1的像素点时,则将当前行记为0,得到由0、1组成的横向一维数组以及记为1的行中出现1的个数;
步骤M2.4:根据列向一维数组、记为1的列中出现1的个数以及横向一维数组、记为1的行中出现1的个数确定1的位置,并标记为连通域的区域。
根据本发明提供的一种基于背景消除和改进连通域算法的FOD自动识别系统,包括:
模块M1:获取雷达数据并通过雷达数据判断是否存在背景数据;当同时存在正向和反向的背景数据时,则使用背景对消FOD目标检测算法进行FOD目标检测,输出FOD目标检测结果图像及目标坐标文档;当不是同时存在正向和反向的背景数据时,则使用FOD目标检测算法进行FOD目标检测,并判断根据FOD目标检测算法得到的FOD报警数据变量是否为0,当FOD报警数据变量为0时,则将当前的雷达数据存为新的背景数据,重复触发模块M1执行;当FOD报警数据变量不为0时,则输出FOD目标检测结果图像及目标坐标文档;
所述FOD目标检测算法是基于预设的OpenCV中的Blob斑点检测算子参数进行FOD目标检测;
所述背景对消FOD目标检测算法通过背景对消算法及预设的OpenCV中的Blob斑点检测算子参数进行FOD目标检测。
优选地,所述使用背景对消FOD目标检测算法进行FOD目标检测,输出FOD目标检测结果图像及目标坐标文档包括:将获取的雷达数据利用背景对消算法分离目标和背景,得到目标图像数据;将得到的目标图像数据利用基于图像连通区域的改进连通域算法提取图像中所有的连通区域,基于预设的斑点检测算子参数在所有的连通区域进行白色像素标记,得到FOD目标数量;
所述改进连通域算法所述改进连通域算法通过扫描两遍图像,将目标图像中存在的所有目标连通区域找出并进行标记。
优选地,所述基于预设的斑点检测算子参数在所有的连通区域进行白色像素标记包括:使用预设的斑点检测算子参数,结合连通区域的轮廓和外接矩形的值,进行白色像素标记。
优选地,所述连通区域的轮廓和外接矩形的值包括:连通区域利用OpenCV中的findContours函数获取块的轮廓、再利用boundingRect函数配合findContours函数获取联通区域的最小外接矩形。
优选地,所述改进连通域算法包括:
模块M2.1:将像素灰度值高于门限阈值的点设为1,低于门限阈值的点设为0,形成一个n*m的阵列;
模块M2.2:对n*m的阵列进行第一遍列向扫描,当当前列存在值为1的像素点时,则将当前列记为1,并记录当前列出现1的个数;当当前列不存在值为1的像素点时,则将当前列记为0,得到由0、1组成的列向一维数组以及记为1的列中出现1的个数;
模块M2.3:对已知的存在1的列进行第二遍横向扫描,当当前行存在值为1的像素点时,则将当前行记为1,并记录当前行出现1的个数;当当前行不存在值为1的像素点时,则将当前行记为0,得到由0、1组成的横向一维数组以及记为1的行中出现1的个数;
模块M2.4:根据列向一维数组、记为1的列中出现1的个数以及横向一维数组、记为1的行中出现1的个数确定1的位置,并标记为连通域的区域。
与现有技术相比,本发明具有如下的有益效果:
1、本发明解决了FOD目标检测过程中,不能检测跑道中心灯和边灯上FOD目标的问题,通过背景对消算法,将目标与背景进行有效分类,提高了FOD系统的识别准确度;
2、本发明连通域算法能降低背景对消算法因角度不对齐产生的虚警;
3、本发明FOD目标识别处理过程采用分步法则,避免无效处理过程,提高了算法处理速度,满足系统对实时性的需求;
4、本发明中处理过程的所有参数,均可以根据机场实际场景进行分段处理,算法适应性高。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为背景对消算法流程图;
图2为连通域的区域示意图;
图3为机场采数据结果。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例1
根据本发明提供的一种基于背景消除和改进连通域算法的FOD自动识别方法,包括:
步骤M1:获取雷达数据并通过雷达数据判断是否存在背景数据;当同时存在正向和反向的背景数据时,则使用背景对消FOD目标检测算法进行FOD目标检测,输出FOD目标检测结果图像及目标坐标文档;当不是同时存在正向和反向的背景数据时,则使用FOD目标检测算法进行FOD目标检测,并判断根据FOD目标检测算法得到的FOD报警数据变量是否为0,当FOD报警数据变量为0时,则将当前的雷达数据存为新的背景数据,重复执行步骤M1;当FOD报警数据变量不为0时,则输出FOD目标检测结果图像及目标坐标文档;
所述FOD目标检测算法是基于预设的OpenCV中的Blob斑点检测算子参数进行FOD目标检测;
所述背景对消FOD目标检测算法通过背景对消算法及预设的OpenCV中的Blob斑点检测算子参数进行FOD目标检测。
具体地,所述使用背景对消FOD目标检测算法进行FOD目标检测,输出FOD目标检测结果图像及目标坐标文档包括:将获取的雷达数据利用背景对消算法分离目标和背景,得到目标图像数据;将得到的目标图像数据利用基于图像连通区域的改进连通域算法提取图像中所有的连通区域,基于预设的斑点检测算子参数在所有的连通区域进行白色像素标记,得到FOD目标数量;
所述改进连通域算法所述改进连通域算法通过扫描两遍图像,将目标图像中存在的所有目标连通区域找出并进行标记。
具体地,所述基于预设的斑点检测算子参数在所有的连通区域进行白色像素标记包括:使用预设的斑点检测算子参数,结合连通区域的轮廓和外接矩形的值,进行白色像素标记。
具体地,所述连通区域的轮廓和外接矩形的值包括:连通区域利用OpenCV中的findContours函数获取块的轮廓、再利用boundingRect函数配合findContours函数获取联通区域的最小外接矩形。
具体地,所述改进连通域算法包括:
步骤M2.1:将像素灰度值高于门限阈值的点设为1,低于门限阈值的点设为0,形成一个n*m的阵列;
步骤M2.2:对n*m的阵列进行第一遍列向扫描,当当前列存在值为1的像素点时,则将当前列记为1,并记录当前列出现1的个数;当当前列不存在值为1的像素点时,则将当前列记为0,得到由0、1组成的列向一维数组以及记为1的列中出现1的个数;
步骤M2.3:对已知的存在1的列进行第二遍横向扫描,当当前行存在值为1的像素点时,则将当前行记为1,并记录当前行出现1的个数;当当前行不存在值为1的像素点时,则将当前行记为0,得到由0、1组成的横向一维数组以及记为1的行中出现1的个数;
步骤M2.4:根据列向一维数组、记为1的列中出现1的个数以及横向一维数组、记为1的行中出现1的个数确定1的位置,并标记为连通域的区域。
根据本发明提供的一种基于背景消除和改进连通域算法的FOD自动识别系统,包括:
模块M1:获取雷达数据并通过雷达数据判断是否存在背景数据;当同时存在正向和反向的背景数据时,则使用背景对消FOD目标检测算法进行FOD目标检测,输出FOD目标检测结果图像及目标坐标文档;当不是同时存在正向和反向的背景数据时,则使用FOD目标检测算法进行FOD目标检测,并判断根据FOD目标检测算法得到的FOD报警数据变量是否为0,当FOD报警数据变量为0时,则将当前的雷达数据存为新的背景数据,重复触发模块M1执行;当FOD报警数据变量不为0时,则输出FOD目标检测结果图像及目标坐标文档;
所述FOD目标检测算法是基于预设的OpenCV中的Blob斑点检测算子参数进行FOD目标检测;
所述背景对消FOD目标检测算法通过背景对消算法及预设的OpenCV中的Blob斑点检测算子参数进行FOD目标检测。
具体地,所述使用背景对消FOD目标检测算法进行FOD目标检测,输出FOD目标检测结果图像及目标坐标文档包括:将获取的雷达数据利用背景对消算法分离目标和背景,得到目标图像数据;将得到的目标图像数据利用基于图像连通区域的改进连通域算法提取图像中所有的连通区域,基于预设的斑点检测算子参数在所有的连通区域进行白色像素标记,得到FOD目标数量;
所述改进连通域算法所述改进连通域算法通过扫描两遍图像,将目标图像中存在的所有目标连通区域找出并进行标记。
具体地,所述基于预设的斑点检测算子参数在所有的连通区域进行白色像素标记包括:使用预设的斑点检测算子参数,结合连通区域的轮廓和外接矩形的值,进行白色像素标记。
具体地,所述连通区域的轮廓和外接矩形的值包括:连通区域利用OpenCV中的findContours函数获取块的轮廓、再利用boundingRect函数配合findContours函数获取联通区域的最小外接矩形。
具体地,所述改进连通域算法包括:
模块M2.1:将像素灰度值高于门限阈值的点设为1,低于门限阈值的点设为0,形成一个n*m的阵列;
模块M2.2:对n*m的阵列进行第一遍列向扫描,当当前列存在值为1的像素点时,则将当前列记为1,并记录当前列出现1的个数;当当前列不存在值为1的像素点时,则将当前列记为0,得到由0、1组成的列向一维数组以及记为1的列中出现1的个数;
模块M2.3:对已知的存在1的列进行第二遍横向扫描,当当前行存在值为1的像素点时,则将当前行记为1,并记录当前行出现1的个数;当当前行不存在值为1的像素点时,则将当前行记为0,得到由0、1组成的横向一维数组以及记为1的行中出现1的个数;
模块M2.4:根据列向一维数组、记为1的列中出现1的个数以及横向一维数组、记为1的行中出现1的个数确定1的位置,并标记为连通域的区域。
实施例2
实施例2是实施例1的变化例
本方法包括如下步骤:如图1至3所示:
步骤1:利用背景对消算法分离目标和背景,能有效减低地杂波背景信号的强度,提高目标检测的信杂比,有效检测位于跑道中心灯和边灯上的FOD目标。背景对消算法的原理是将固定不变或一段时间内相对稳定的信息作为背景,当有FOD目标掉落在跑道上时,将有FOD目标的数据与背景数据相减,目标就能被检测到。
背景对消算法的实施流程是,采集干净的道面数据存为背景数据,将雷达从正向转到负向的数据存为正背景数据,将雷达从负向转到负向的数据存为负背景数据。后期进行背景对消时,利用对应的背景数据进行对消运算。
通过FOD检测系统对机场实时的温湿度检测、天气变化情况,对机场进行不同时刻的背景进行学习,降低杂波对有用信号的干扰。并达到动态智能更换背景数据的功能。
步骤2:利用基于图像连通区域的改进连通域算法,通过对二值图像中白色像素(目标)的标记,让每个单独的连通区域形成一个被标识的块,然后我们就可以获取这些块的轮廓、外接矩形等几何参数。有效避免因背景对消时角度不对齐产生的虚警,也能减少线缆、驱鸟网等密集分布的普通目标的虚警。
步骤3:通过连通区域分析(这里是二值图像的连通区域分析),就可以得到标记的数量,从而得到FOD目标的数量。
利用Two-Pass(两遍扫描法),通过扫描两遍图像,就可以将图像中存在的所有连通区域找出并标记。思路:第一遍扫描时将像素灰度值高于门限阈值的点设为1,低于门限阈值的点设为0,进行横向扫描,将值为1的像素点的列坐标进行记录,当前列存在值为1的像素点时记为1,不存在值为1的像素点时记为0,得到由0、1组成的列向一维数组;第二遍扫描是将步骤M2.1中已知的存在1的列进行横向扫描,用同样的方式,记录下存在值为1的像素点的位置,得到一组横向一维数组。记录左侧为1的区域起始点和右侧相邻的为1的区域终止点的坐标值,就是被标记的连通域的区域。而不用记录整个块的信息,可以节省大量的存储空间,提示算法的运行效率。
下面给出Two-Pass算法的简单步骤:如图2所示,
(1)第一次扫描:
访问当前像素B(x,y),如果B(x,y)大于阈值则记为1,否则记为0:
进行横向逐像素扫描,将值为1的像素点的坐标进行记录,当前列存在值为1的像素点时记为1,不存在值为1的像素点时记为0,得到由0、1组成的列向一维数组;
(2)第二次扫描:
将第一次扫描中已知的存在1的列进行横向扫描,用同样的方式,记录下存在值为1的像素点的位置,得到一组横向一维数组。如图2中箭头所示,记录左侧为1的区域起始点和右侧相邻的为1的区域终止点的坐标值,就是被标记的连通域的区域。
完成扫描后,就提取到了图像中所有的连通区域。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以,本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件,而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构;也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (6)
1.一种基于背景消除和改进连通域算法的FOD自动识别方法,其特征在于,包括:
步骤M1:获取雷达数据并通过雷达数据判断是否存在背景数据;当同时存在正向和反向的背景数据时,则使用背景对消FOD目标检测算法进行FOD目标检测,输出FOD目标检测结果图像及目标坐标文档;当不是同时存在正向和反向的背景数据时,则使用FOD目标检测算法进行FOD目标检测,并判断根据FOD目标检测算法得到的FOD报警数据变量是否为0,当FOD报警数据变量为0时,则将当前的雷达数据存为新的背景数据,重复执行步骤M1;当FOD报警数据变量不为0时,则输出FOD目标检测结果图像及目标坐标文档;
所述FOD目标检测算法是基于预设的OpenCV中的Blob斑点检测算子参数进行FOD目标检测;
所述背景对消FOD目标检测算法通过背景对消算法及预设的OpenCV中的Blob斑点检测算子参数进行FOD目标检测;
所述使用背景对消FOD目标检测算法进行FOD目标检测,输出FOD目标检测结果图像及目标坐标文档包括:将获取的雷达数据利用背景对消算法分离目标和背景,得到目标图像数据;将得到的目标图像数据利用基于图像连通区域的改进连通域算法提取图像中所有的连通区域,基于预设的斑点检测算子参数在所有的连通区域进行白色像素标记,得到FOD目标数量;
所述改进连通域算法通过扫描两遍图像,将目标图像中存在的所有目标连通区域找出并进行标记;
所述改进连通域算法包括:
步骤M2.1:将像素灰度值高于门限阈值的点设为1,低于门限阈值的点设为0,形成一个n*m的阵列;
步骤M2.2:对n*m的阵列进行第一遍列向扫描,当当前列存在值为1的像素点时,则将当前列记为1,并记录当前列出现1的个数;当当前列不存在值为1的像素点时,则将当前列记为0,得到由0、1组成的列向一维数组以及记为1的列中出现1的个数;
步骤M2.3:对已知的存在1的列进行第二遍横向扫描,当当前行存在值为1的像素点时,则将当前行记为1,并记录当前行出现1的个数;当当前行不存在值为1的像素点时,则将当前行记为0,得到由0、1组成的横向一维数组以及记为1的行中出现1的个数;
步骤M2.4:根据列向一维数组、记为1的列中出现1的个数以及横向一维数组、记为1的行中出现1的个数确定1的位置,并标记为连通域的区域。
2.根据权利要求1所述的基于背景消除和改进连通域算法的FOD自动识别方法,其特征在于,所述基于预设的斑点检测算子参数在所有的连通区域进行白色像素标记包括:使用预设的斑点检测算子参数,结合连通区域的轮廓和外接矩形的值,进行白色像素标记。
3.根据权利要求1所述的基于背景消除和改进连通域算法的FOD自动识别方法,其特征在于,所述连通区域的轮廓和外接矩形的值包括:连通区域利用OpenCV中的findContours函数获取块的轮廓、再利用boundingRect函数配合findContours函数获取联通区域的最小外接矩形。
4.一种基于背景消除和改进连通域算法的FOD自动识别系统,其特征在于,包括:
模块M1:获取雷达数据并通过雷达数据判断是否存在背景数据;当同时存在正向和反向的背景数据时,则使用背景对消FOD目标检测算法进行FOD目标检测,输出FOD目标检测结果图像及目标坐标文档;当不是同时存在正向和反向的背景数据时,则使用FOD目标检测算法进行FOD目标检测,并判断根据FOD目标检测算法得到的FOD报警数据变量是否为0,当FOD报警数据变量为0时,则将当前的雷达数据存为新的背景数据,重复触发模块M1执行;当FOD报警数据变量不为0时,则输出FOD目标检测结果图像及目标坐标文档;
所述FOD目标检测算法是基于预设的OpenCV中的Blob斑点检测算子参数进行FOD目标检测;
所述背景对消FOD目标检测算法通过背景对消算法及预设的OpenCV中的Blob斑点检测算子参数进行FOD目标检测;
所述使用背景对消FOD目标检测算法进行FOD目标检测,输出FOD目标检测结果图像及目标坐标文档包括:将获取的雷达数据利用背景对消算法分离目标和背景,得到目标图像数据;将得到的目标图像数据利用基于图像连通区域的改进连通域算法提取图像中所有的连通区域,基于预设的斑点检测算子参数在所有的连通区域进行白色像素标记,得到FOD目标数量;
所述改进连通域算法通过扫描两遍图像,将目标图像中存在的所有目标连通区域找出并进行标记;
所述改进连通域算法包括:
模块M2.1:将像素灰度值高于门限阈值的点设为1,低于门限阈值的点设为0,形成一个n*m的阵列;
模块M2.2:对n*m的阵列进行第一遍列向扫描,当当前列存在值为1的像素点时,则将当前列记为1,并记录当前列出现1的个数;当当前列不存在值为1的像素点时,则将当前列记为0,得到由0、1组成的列向一维数组以及记为1的列中出现1的个数;
模块M2.3:对已知的存在1的列进行第二遍横向扫描,当当前行存在值为1的像素点时,则将当前行记为1,并记录当前行出现1的个数;当当前行不存在值为1的像素点时,则将当前行记为0,得到由0、1组成的横向一维数组以及记为1的行中出现1的个数;
模块M2.4:根据列向一维数组、记为1的列中出现1的个数以及横向一维数组、记为1的行中出现1的个数确定1的位置,并标记为连通域的区域。
5.根据权利要求4所述的基于背景消除和改进连通域算法的FOD自动识别系统,其特征在于,所述基于预设的斑点检测算子参数在所有的连通区域进行白色像素标记包括:使用预设的斑点检测算子参数,结合连通区域的轮廓和外接矩形的值,进行白色像素标记。
6.根据权利要求5所述的基于背景消除和改进连通域算法的FOD自动识别系统,其特征在于,所述连通区域的轮廓和外接矩形的值包括:连通区域利用OpenCV中的findContours函数获取块的轮廓、再利用boundingRect函数配合findContours函数获取联通区域的最小外接矩形。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011625415.XA CN112711017B (zh) | 2020-12-30 | 2020-12-30 | 基于背景消除和改进连通域算法的fod自动识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011625415.XA CN112711017B (zh) | 2020-12-30 | 2020-12-30 | 基于背景消除和改进连通域算法的fod自动识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112711017A CN112711017A (zh) | 2021-04-27 |
CN112711017B true CN112711017B (zh) | 2022-08-16 |
Family
ID=75547628
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011625415.XA Active CN112711017B (zh) | 2020-12-30 | 2020-12-30 | 基于背景消除和改进连通域算法的fod自动识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112711017B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6421462B1 (en) * | 1998-02-06 | 2002-07-16 | Compaq Computer Corporation | Technique for differencing an image |
US6434271B1 (en) * | 1998-02-06 | 2002-08-13 | Compaq Computer Corporation | Technique for locating objects within an image |
CN107330922A (zh) * | 2017-07-04 | 2017-11-07 | 西北工业大学 | 基于运动信息和区域特征的航拍视频运动目标检测方法 |
WO2019161486A1 (en) * | 2018-02-23 | 2019-08-29 | Librestream Technologies Inc. | Image processing system for inspecting object distance and dimensions using a hand-held camera with a collimated laser |
CN111123261A (zh) * | 2019-12-31 | 2020-05-08 | 上海微波技术研究所(中国电子科技集团公司第五十研究所) | 基于背景学习的机场跑道fod检测方法和系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107238821B (zh) * | 2017-05-31 | 2020-05-19 | 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 |
CN109471098B (zh) * | 2018-09-27 | 2020-05-12 | 中科宇达(北京)科技有限公司 | 利用fod雷达相位相干性信息的机场跑道异物检测方法 |
-
2020
- 2020-12-30 CN CN202011625415.XA patent/CN112711017B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6421462B1 (en) * | 1998-02-06 | 2002-07-16 | Compaq Computer Corporation | Technique for differencing an image |
US6434271B1 (en) * | 1998-02-06 | 2002-08-13 | Compaq Computer Corporation | Technique for locating objects within an image |
CN107330922A (zh) * | 2017-07-04 | 2017-11-07 | 西北工业大学 | 基于运动信息和区域特征的航拍视频运动目标检测方法 |
WO2019161486A1 (en) * | 2018-02-23 | 2019-08-29 | Librestream Technologies Inc. | Image processing system for inspecting object distance and dimensions using a hand-held camera with a collimated laser |
CN111123261A (zh) * | 2019-12-31 | 2020-05-08 | 上海微波技术研究所(中国电子科技集团公司第五十研究所) | 基于背景学习的机场跑道fod检测方法和系统 |
Non-Patent Citations (3)
Title |
---|
A Traversing and Merging Algorithm of Blobs in Moving Object Detection;Yong Zhou and Yi Li;《Applied Mathematics & Information Sciences》;20141231;正文全文 * |
一种基于非均匀视频图像帧采集的车速实时测量方法;严正行等;《电子世界》;20160708(第13期);正文全文 * |
机场跑道异物监测技术的研究与进展;张艳 等;《航空科学技术》;20170531;正文全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112711017A (zh) | 2021-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nienaber et al. | Detecting potholes using simple image processing techniques and real-world footage | |
US9230175B2 (en) | System and method for motion detection in a surveillance video | |
CN111488808B (zh) | 基于交通违法图像数据的车道线检测方法 | |
US20240273737A1 (en) | System and method for transforming video data into directional object count | |
CN109489724B (zh) | 一种隧道列车安全运行环境综合检测装置及检测方法 | |
CN109375177B (zh) | 一种用于机场场面监视雷达系统的运动目标检测方法 | |
CN104021574A (zh) | 路面病害自动识别方法 | |
CN114596555B (zh) | 障碍物点云数据筛选方法、装置、电子设备及存储介质 | |
CN110008900B (zh) | 一种由区域到目标的可见光遥感图像候选目标提取方法 | |
CN101004860A (zh) | 实时采集道路车流量信息的视频方法 | |
CN104915642A (zh) | 前方车辆测距方法及装置 | |
CN112597926A (zh) | 基于fod影像对飞机目标的识别方法、设备、存储介质 | |
Khan et al. | An intelligent monitoring system of vehicles on highway traffic | |
CN115018879A (zh) | 目标检测方法、计算机可读存储介质及驾驶设备 | |
CN115327572A (zh) | 一种车辆前方障碍物检测方法 | |
CN114155720B (zh) | 一种路侧激光雷达的车辆检测和轨迹预测方法 | |
CN110473255B (zh) | 一种基于多重网格划分的船舶系船柱定位方法 | |
Avery et al. | Investigation into shadow removal from traffic images | |
CN115797910A (zh) | 一种长尾目标识别方法、计算机可读存储介质及车辆 | |
CN112711017B (zh) | 基于背景消除和改进连通域算法的fod自动识别方法及系统 | |
Zhang et al. | A front vehicle detection algorithm for intelligent vehicle based on improved gabor filter and SVM | |
CN112396031B (zh) | 基于异构运算平台的目标检测方法及系统 | |
CN110942024A (zh) | 一种基于深度学习的无人车路牙检测方法 | |
CN116071713A (zh) | 斑马线确定方法、装置、电子设备和介质 | |
CN108665446A (zh) | 一种运用雷达的机场跑道异物检测系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |