CN115239093A - 一种基于机场环境目标检测的综合风险评估方案 - Google Patents

Abstract

本发明针对机场大范围环境提供了一种基于机场环境目标检测的综合风险评估方案。通过塔台摄像机组拍摄到的机场全景图像，结合机场各区域的使用频率和机场结构进行区域安全等级划分，然后进行视觉目标检测，并判定其区域所属位置，根据目标形态提取目标大小等基本属性，根据前后帧的相关性提取目标的运动状态，在上述属性下构建区域安全等级约束下的多维目标属性风险评估函数，对存在潜在风险的目标做出预警，从而有效减少机场事故的发生，对不同机场环境下的安全防范和A‑SMGCS的组建都具有重大意义。

Description

一种基于机场环境目标检测的综合风险评估方案

技术领域

本发明提供了一种基于机场环境目标检测的综合风险评估方案。通过对摄像机组拍摄的全景图片进行区域安全程度划分，结合目标检测和图像分割技术，提取目标的运动、形态和位置等属性信息，实现在机场大范围环境下的目标风险评估，并进行决策预警，从而有效提升机场的安全水平。在机场安全防范和管理等应用中有重大意义，属于航空技术领域。

背景技术

随着世界人口的不断流动，飞机已经成为人们来往各地的重要交通工具。飞机数量的增加对地面工作人员的指挥和调度提出了更高的要求，地面安全的压力也越来越大。

为了应对这种情况，机场已经逐渐普及了A-SMGCS高级地面活动引导与控制系统来调度飞机的移动，为飞机的安全与高效行驶提供了有力的保障。A-SMGCS是一种机场综合交通监视与引导系统，主要通过对机场场面飞行器、车辆等目标活动的监视、引导和控制，来解决机场在安全、效率和容量方面的问题。这项技术的关键作用便在于对机场场面的冲突探测与预警。目前对于目标的探测主要包括场面雷达监视系统、多点定位系统、ADS-B系统(广播式自动相关监视系统)等，大多是以雷达探测为主，视频为辅的检测系统，能够及时探测和精确定位感兴趣目标，并自动识别相关的飞机和车辆，进而预测可能的冲突。

但是，这种方式并没有发挥出视觉检测的优势，并且雷达无法对目标正在执行的具体行为做出判断，可能会导致误报警的可能。因此，利用计算机视觉技术预测动目标的风险等级具有十分重要的意义。

发明内容

机场的视频监控设备往往被用于辅助雷达预警，因此其拍摄的视频资源无法得到充分的利用。除此之外，由于雷达只能对目标的具体位置做出定位和规划，不能预知目标的具体行为(如飞机流动加油车)，并且无法对存在潜在风险的目标进行预警。

针对上述问题，本发明提供一种以计算机视觉技术为主导的机场动目标风险等级评估方法。通过对拍摄的全景图进行区域划分，得到各个区域当前的风险区域图，然后进行目标检测技术，实时监测并提取目标的静态和动态属性，最后将各个属性参数输入到目标风险等级评估函数中进行预测，能够有效提升目标风险预警的准确度，对提高机场安全有着重大的意义。

本发明提供一种基于机场环境目标检测的综合风险评估方案，包括以下步骤：

1)通过机场的高清摄像机组获取机场固定场景下的全景图；

2)对获得的全景图进行区域安全程度划分；

3)对全景图进行目标检测；

4)提取目标的运动状态、区域所属位置、目标形态等属性；

5)根据提取到的目标属性信息，评估目标的风险等级，并做出及时预警；

6)通过对应矩阵解算出的典型目标点实时位置；

7)根据需求，进一步解算出非合作检测目标的实时位置；

本发明的函数具有如下特点：

1、结构简单，通用性强。

本发明的方案具有如下特点：

1、完全从图像提供的信息出发，综合利用目标信息判断目标风险；

2、采用目标+区域结合的方式综合评估目标风险；

3、将飞机的动态起落规律融入风险因素考虑，减少误判情况；

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明中方案的流程图；

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提出了一种基于机场环境目标检测的综合风险评估方案，可以提升机场环境的安全程度，对地面调度的安全协防有着重大意义。

实际应用中的具体实施流程如图1所示，具体为：

S101:通过机场的高清摄像机组获取机场固定场景下的全景图；

S102:对全景图然后进行区域安全程度划分；

S103:对全景图进行目标检测；

S104:对感兴趣的目标，提取其各种属性。

S105:将提取的属性带入多维风险评估函数中进行风险计算，并做出预警。

具体的，在S101中，获取机场固定场景下的全景图。通过塔台高清摄像机组的拍摄，可以得到环境的局部图像。将拍摄结果通过图像拼接即可得到机场的全景图。对机场相机进行标定，计算得到横纵方向的比例放大系数(k₁，k₂)

具体的，在S102中，首先将全景图进行图像分割。根据机场平面示意图，得到感兴趣区域的掩膜块，将其与待处理图像相乘得到感兴趣的区域，对该区域进行结构特征的提取，从而得到机场平面的区域块。

然后，根据跑道的使用时间动态计算区域块的安全程度，具体为：

初始化区域的风险等级。风险等级取值范围为0～1，数值越大，表示该区域越容易发生跑道入侵。初始化风险等级默认为0或1。设初始时刻跑道的风险等级为0，飞机运动时占用的跑道风险等级设定为1，飞机已经经过的地区风险等级再次降为0。停泊位以及其它无风险的区域(如办公楼、草地等)风险等级设定为0，禁区的风险等级设定为1。

计算不同时刻区域的安全程度。假定t₁时刻飞机P_i准备起飞(或降落)，t₂时刻离开跑道(或停止运动)，则在t时刻飞机运动区域的风险等级为sigmoid(t-t₁)-sigmoid(t-t₂)。因此对于任意时刻区域内一点的安全程度，建立函数D(u，υ，t)，具体公式如下：

其中，D_forbid和D_safe表示禁区和安全区，根据初始化风险等级生成；D_running表示跑道区域，该区域的风险等级随航班实际运行情况动态变化，P_i表示t时刻飞机是否进入跑道(取值为0和1)，t_i1，t_i2表示飞机开始运动和停止运动时间。w₀为可学习的权重参数，通过控制w₀可以改变激活函数的跃变时间。

具体的，在S103中，将获取的机场全景图输入目标检测模型中，寻找所有感兴趣的目标。值得注意的是，目前视觉目标检测模型较多，为了能够兼顾检测速度与性能，并且能够轻易地应用于实际检测系统。本实施例选择采用YOLO算法，其检测过程具体如下：

首先，将拼接好的机场全景图像作为检测模型的输入，并且将全景图像划分为k×k的网格区域，以每个网格为中心，选取不同尺度大小的锚框，并将锚框的区域图像输入特征提取网络提取抽象判别特征。

然后，网络的输出是带有目标预测类别的边界框列表，每个边界框由六个参数组成(p_c,b_x,b_y,b_h,b_w,c)。其中，p_c表示预测类别的概率，b_x,b_y,b_h,b_w表示边界框的中心点坐标与尺度信息，c表示每个类别的置信度分数。

具体的，在S104中，提取需要的目标属性，便于后续风险的评估。本发明在属性提取阶段提出了一组用于评估风险的参数，包括：

S201:提取目标的基本属性。

S202:计算目标的边缘最短距离。

S203:提取目标所属区域的安全程度。

S204:提取目标的运动速度。

S205:提取目标的交比。

具体的，在S201中，根据S103中提取的锚框，分割出目标的实体。获得目标的像素面积S和形心位置P(x，y)，以及边缘极限位置(l，r，u，d)，这里的l，r，u，d均为二维像素坐标，表示左右上下四个方向。

具体的，在S202中，考虑目标不同视角下的图像，目标是否进入一个区域往往取决于它的最下、最左和最右位置。则他的边缘最短距离为：

其中，distance(point，domain)表示点到区域的最短距离。计算domain的所有边缘点与point的距离，则其中的最短距离即为distance的值。具体的，应将两点的两方向上的像素距离转化成实际距离后再计算点与点的距离。

具体的，在S203中，判断目标所处区域的安全程度。首先判断形心位置所处的区域，比较形心位置与S102分割后的区域，判断它的下边缘极限位置是否落在相同区域。由于塔台摄像机的位置很高，图像呈俯视态，因此目标的下边沿位置近似为目标的实际位置。确定目标所处的区域后，得到目标区域的安全程度；

具体的，在S204中，对相邻两帧(视情况而定)的同一目标提取它的形心位置A(u₁，υ₁)，B(u₂，υ₂)，然后用图像标定方法得到目标点的真实距离。具体公式如下：

其中，(k₁，k₂)表示标定后横纵坐标的比例参数，t表示两张图片拍摄的时间差，h表示相机的高度，h₁表示相机距离标定杆的高度。由于原图中标定线往往在地面上，因此h₁≈h。

具体的，在S205中，用S201得到的像素大小S，则该目标的交比为：

其中，S_in(D)为目标进入一个区域的像素面积。交比反映目标进入该区域的概率。交比值越大，表明目标进入该区域的概率越大。

具体的，在S105中，首先对S104提取的信息建立多维风险评估函数：

本发明设F(D(t)，label，Edge，velocity(t)，intersection)表示目标的维度，则具体量化公式如下：

其中，D(t)表示t时刻区域D的安全程度；label表示目标的类别，Edge表示目标的边缘距离值，velocity(t)表示该物体t时刻的速度，intersection表示目标在区域D的交比。w₁，w₂，w₃表示待定的权重，可使用深度学习方法实现求解。

然后，将计算得到的风险估计值与设定好的阈值相比较，如果该估计值大于该阈值时，则认为该目标可能对机场安全造成威胁；如果该估计值小于该阈值时，则判定该目标行为不会产生危险。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (4)

1.一种基于机场环境目标检测的综合风险评估方案，其特征在于，采集机场场景全景图片，按照机场的摄像机组安装在塔台位置，通过高清枪机拍摄的区域图片，并将图片传给计算机进行拼接，合成机场环境的全景图，由于塔台的位置和高度关系，拍摄结果应呈俯视视角，并且能够具有机场的全景视野；区域安全程度划分，首先对获得的全景图进行图像分割，得到不同区域的掩膜块，根据区域掩膜和机场结构进行安全区域划分，然后根据具体航班与飞机的实际飞行情况，构建动态安全程度判断函数，结合掩膜块计算不同区域的安全程度；目标检测，对获得的全景图进行目标检测，包括所有感兴趣的目标，例如飞机、车辆、行人以及其它可移动物体等；属性提取，提取每个目标的区域所属位置、目标大小以及运动状态等属性；评估目标风险进行预警，根据所捕获的多维度属性建立目标的风险评估函数，带入属性参量后，将评估结果与预先设定的阈值进行比较，最后做出预警判定。

2.对采集到的全景图进行区域划分，并确定区域的安全程度，利用图像分割技术对获得的机场全景图进行区域分割，得到区域的掩膜块。构建区域的安全程度判断函数，结合航班动态信息计算得到区域的安全程度。使用目标识别算法进行目标识别，检测出图像中非合作目标的像素坐标，再使用多模信息参照下求得的对应矩阵求解出非合作目标的实际坐标，实现目标追踪。

3.利用基于卷积神经网络的目标检测算法，对检测到的目标提取其不同维度的属性。结合图像分割技术对目标进行信息提取，通过定标方法确定目标的真实位置并获取区域安全等级，通过边缘检测方法提取目标的边缘最短距离，通过相邻两帧图像的相关性计算目标的运动参数。

4.根据目标的区域所属位置、目标大小以及运动状态等属性，建立基于区域安全程度、边缘最短距离、速度等变量的风险评估函数，计算目标的风险评估值，与预先设定的阈值进行比较，当风险值超出阈值时及时做出预警。

Images