本站小編為你精心準備了飛行終端區(qū)跑道入侵檢測方法參考范文，愿這些范文能點燃您思維的火花，激發(fā)您的寫作靈感。歡迎深入閱讀并收藏。

《海軍工程大學學報》2016年第3期

摘要：

在分析現(xiàn)有國內(nèi)外飛行終端區(qū)跑道入侵檢測方法的基礎(chǔ)上，提出了終端區(qū)入侵信息的接入與分析的解決思路和方法，進而提出了一種改進的基于混合高斯背景的視頻序列目標檢測方法，并通過模擬實驗進行了驗證。結(jié)果表明：該方法能有效檢測出能見度不良等復(fù)雜環(huán)境下飛行終端區(qū)跑道入侵物的軌跡點。

關(guān)鍵詞：

飛行終端區(qū)；跑道入侵；視頻檢測

飛行終端區(qū)跑道入侵是影響飛行器安全進近的主要威脅因素之一。國際民用航空組織（ICAO）將飛行終端區(qū)跑道入侵定義為：在機場中發(fā)生的任何錯誤地出現(xiàn)在用于飛機起飛和降落的保護區(qū)表面的飛機、車輛以及行人的事件?，F(xiàn)有入侵告警系統(tǒng)效能不足，特別是對夜間、能見度不良復(fù)雜環(huán)境適應(yīng)性差，導致飛行終端區(qū)入侵事故頻發(fā)［1］。目前，保障飛行終端區(qū)安全的重要手段之一是利用機場視頻系統(tǒng)對飛行終端區(qū)跑道入侵事件進行實時監(jiān)控。傳統(tǒng)的運動目標檢測方法主要包括幀間差分、背景差分和光流法等三種［2－5］?；诨旌细咚沟谋尘澳Ｐ停℅MM）采用背景差分法，其優(yōu)點在于基于像素級的建模，能較好地模擬復(fù)雜背景，對于小幅度周期運動的動態(tài)背景有較好的抑制作用，特別適用于空曠的機場中大風、雨、雪等復(fù)雜環(huán)境；其缺點是在變化無明顯特征和周期較長的背景下，由于GMM收斂速度較慢，在收斂運算期間光線發(fā)生突變時無法迅速更新模型，因此會出現(xiàn)大面積的誤檢［6］。對此，不少學者重點對傳統(tǒng)混合高斯濾波在空域相關(guān)性［7］和模型更新方法［8］上做了改進，解決了不同的應(yīng)用領(lǐng)域內(nèi)對運動目標視頻檢測結(jié)果的準確性。本文提出了終端區(qū)跑道入侵信息的接入與分析思路與解決方法，針對混合高斯模型和幀間差分算法各自在運動目標檢測上的優(yōu)、缺點，提出將二者相結(jié)合的改進檢測方法，有效地解決飛行終端區(qū)在夜間或復(fù)雜天氣下低能見度時可能出現(xiàn)的光線突變而產(chǎn)生的目標檢測“噪聲”的問題。

1終端區(qū)入侵檢測信息的接入與分析

根據(jù)終端區(qū)入侵的概念，終端區(qū)保護區(qū)是一個三維空間的概念，其地面部分是一個不規(guī)則多邊形結(jié)構(gòu)，空中部分定義為：從跑道升降帶起始端兩側(cè)開始，以3°角向上擴張，15°角向兩側(cè)擴張，直至達到距跑道入口4km處［9］。為便于分析，筆者將跑道入侵保護區(qū)簡化為嚴格意義上的保護區(qū)的外接長方體包圍盒，如圖1（a）所示。跑道沖突告警類型有多種，本文所考慮的跑道入侵包括地面車輛、人員侵入跑道以及和空中其他飛行器等在整個三維空間中所產(chǎn)生的沖突。判斷是否發(fā)生終端區(qū)入侵事件，就是判斷其他飛行器或車輛是否與著陸飛行器同時進入了終端區(qū)保護區(qū)。因此，在視頻檢測的基礎(chǔ)上，實現(xiàn)入侵物的運動軌跡與飛行器著陸軌跡的沖突探測是終端區(qū)入侵實時檢測方法的根本目標。利用目標檢測算法從視頻幀中解算出運動目標，得到其歷史軌跡、當前位置、運動速度和方向，進而預(yù)測其未來的運動軌跡，并將這些信息以三維空間中點的形式接入飛行終端區(qū)環(huán)境模型中。本節(jié)提出一個簡單有效的方式是在圖1（b）中定義的終端區(qū)入侵保護區(qū)中建立精密格網(wǎng)，獲取視頻識別出來的地面入侵物軌跡點的局部格網(wǎng)坐標，根據(jù)歷史軌跡和運動速度生成預(yù)測軌跡，一旦二者軌跡發(fā)生時空交匯沖突，立即發(fā)出告警信息。首先，通過解析飛行器電文數(shù)據(jù)得到航班的經(jīng)緯度坐標，再通過坐標投影轉(zhuǎn)換公式轉(zhuǎn)換到通用橫軸墨卡托投影（UTM）坐標，得到UTM投影坐標后，還需要將世界坐標轉(zhuǎn)換到終端區(qū)入侵保護區(qū)格網(wǎng)坐標上；然后，再與實時接入的終端區(qū)入侵物的格網(wǎng)坐標和時間信息相匹配，判斷是否發(fā)生沖突。判斷入侵軌跡和進近航線的緩沖體是否沖突，是以計算出獲取入侵物歷史軌跡點、軌跡預(yù)測線以及當前飛行器進近航線為前提。圖2描述了飛行器位置和實時接入的終端區(qū)入侵沖突判斷的流程。

2基于幀間差分和GMM的運動目標檢測方法

利用視頻監(jiān)控檢測終端區(qū)入侵，在夜晚和能見度不良等復(fù)雜環(huán)境下對于跑道安全顯得更為重要。而這兩種情況下，視頻圖像的背景往往會因為夜間跑道燈光的變化而產(chǎn)生突變，或者因為雨雪滴落產(chǎn)生短周期性變化，從而影響了對運動目標的檢測結(jié)果精度。本節(jié)將改進的GMM背景差分和幀間差分相結(jié)合，提出新的運動目標檢測方法。

2．1基于傳統(tǒng)GMM檢測的改進在背景

一定的高斯模型中，已有經(jīng)典算法是根據(jù)圖像中的各像素的出現(xiàn)頻率將像素高斯分布進行排序，權(quán)重大于某閾值γ的高斯分布組成背景模型B＝minb（∑bi＝1ωi，xy＞γ）。這種方法的優(yōu)點在于選擇高權(quán)重高斯分布能夠使背景模型反映場景的變化，通過濾去低權(quán)重高斯分布，減少背景中高斯分布的數(shù)量從而降低計算量。對于空曠機場跑道而言，單幀視頻圖像背景分為兩類：一類是背景中的絕大部分像素，變化較少，可用1個高斯分布表達；另一類是雨、雪這類導致低能見度的復(fù)雜環(huán)境，其雨滴或飄雪在圖像中表現(xiàn)為單調(diào)周期運動的背景像素，可用3個高斯分布表達。因此，本文改進GMM背景檢測方法為：高斯模型的個數(shù)不超過3個，且模型權(quán)重必須大于某一設(shè)定的較小閾值Tth，即ωi，xy≥Tth。（1）式（1）的判斷法避免了選擇大權(quán)重的高斯分布，減少了高斯模型的數(shù)量且判斷簡單，從而提高了GMM運算的效率和實時性，其速度明顯優(yōu)于高斯模型的選擇與計算，但缺點在于可能導致檢測結(jié)果有少量孤立的噪聲點，不過可通過后續(xù)數(shù)學形態(tài)學的方法進一步處理目標圖像。

2．2融合幀間差分的改進GMM檢測算法

如前文所述，夜間跑道上的燈光突變或短周期性變化，引起視頻背景像素值產(chǎn)生整體性、大區(qū)域的變化，經(jīng)典GMM模型因需要對像素的高斯分布進行全局排序和判斷，而無法實現(xiàn)像素值的實時匹配，需要圖像學習和參數(shù)傳遞才能使模型匹配新的背景，不僅實時性較差，而且計算時間內(nèi)的檢測結(jié)果中將會出現(xiàn)大量噪聲，使背景像素被誤檢為目標像素。本節(jié)提出先計算幀間差分，并將其結(jié)果代入到改進的GMM算法模型中，取代學習和參數(shù)傳遞重新建立高斯模型的過程，從而實時地建立跟背景變化相匹配的新的算法模型。對于連續(xù)的L幀圖像fk（x，y）（k＝1，…，L；0≤x≤M－1，0≤Y≤N－1），通過幀間差分法得到幀差圖Dk（x，y）（k＝1，…，L－1），其數(shù)學表達為Dk（x，y）＝｜fk（x，y）－fk－1（x，y）｜。引入幀間差分是利用其對運動檢測中的噪聲較為敏感的優(yōu)勢，因此引入該算法的關(guān)鍵是選擇合理的噪聲抑制閾值T。圖像噪聲主要與環(huán)境以及圖像采集設(shè)備有關(guān)，因此通常情況下，可將圖像噪聲看成空域上的隨機場，噪聲的均方差σ可以通過在空域上進行相關(guān)統(tǒng)計得到，并作為先驗信息和已知量。絕大多數(shù)情況下，視頻圖像中由目標運動所產(chǎn)生的幀間差值要比背景變化噪聲大得多，本文取噪聲抑制閾值T＝3σ，通過式（2）抑制噪聲。Dk（x，y）＝0，Dk（x，y）＜3σ；｜fk（x，y）－fk－1（x，y）｜，Dk（x，y）≥3σ烅烄烆。（2）式（2）中，將小于T的像素灰度值設(shè)置為0，與傳統(tǒng)的幀間差分相比，保留了像素變化的大小，而沒有對差分結(jié)果進行二值化。這樣適合于飛行終端區(qū)這樣的靜止背景類型，因為靜止背景的像素經(jīng)差分和噪聲抑制后其值為零；若視頻背景是動態(tài)像素，噪聲會因為灰度差值較大而得以保留。本算法是針對夜間或能見度不良情況下的飛行終端區(qū)跑道，光線突變?nèi)菀资箚我坏幕贕MM的視頻檢測算法會失效，需要經(jīng)過一段時間的學習后才能穩(wěn)定。在這個學習和參數(shù)傳遞計算期間，GMM就會以背景檢測為前景，從而產(chǎn)生較大檢測誤差。其原因是當背景發(fā)生較大變化時，高斯背景模型無法迅速匹配，要縮短模型匹配的時間差，必須使其快速收斂，即能夠快速建立變化后的新背景模型，方法是用幀間差分求出背景光線變化的大小，并將其對當前的GMM進行“補償”。判斷背景是否發(fā)生突變，即對式（2）中的Dk（x，y）上非零值像素的個數(shù)count進行統(tǒng)計。當count≥50％·M·N（M、N分別為像素的行、列數(shù)）時，可判斷圖像背景光線發(fā)生了突變。此時，Dk（x，y）中的非零值出現(xiàn)頻率最多的值即為光線突變的強度，記為ΔD（x，y）～N（ΔD，σΔ）。通過上述步驟，檢測結(jié)果中的運動目標內(nèi)部還可能存在“空洞”和噪聲現(xiàn)象，這樣的檢測結(jié)果既不完整也有可能出現(xiàn)誤判，因此還需做進一步圖像處理。主要方法是采用數(shù)學形態(tài)學的方法，消除檢測目標中的孤立噪聲點，填補目標邊緣斷裂以及填補目標區(qū)域內(nèi)部空洞，從而得到完整目標。

3檢測實驗結(jié)果及分析

為對算法的有效性進行檢驗，本文基于Mat－lab7．1的實驗平臺，對某機場內(nèi)公路的一段監(jiān)控視頻進行運動目標檢測實驗。分別針對本文提出的檢測算法和基于傳統(tǒng)GMM背景差分算法對視頻序列圖像進行檢測實驗，并對實驗結(jié)果進行了分析。在實驗中，基于傳統(tǒng)GMM背景差分法建立K＝3～5個高斯模型，初始化高斯模型的參數(shù)為ωi，t＝1／K，μi，t＝255（i／K），σ2i，t＝36，閾值γ＝0．9。本文提出的算法中，高斯分布閾值T確定該高斯分布的帶寬，通過多次實驗驗證取Tth＝0．2最合適，此時屬于該高斯分布的值有99％的概率被正確識別。高斯模型的初始方差根據(jù)圖像序列中受外界光照、采集噪聲等因素所造成的像素值波動偏差來確定，方差初始值取σ21＝30。圖3（a）為一張機場內(nèi)視頻監(jiān)控的原圖像，從左到右依次為某段視頻監(jiān)控的第278幀、第279幀和第280幀圖像，其中第279、280幀存在光線的突變；從圖3（b）和圖3（c）的結(jié)果對比中可以看出，本文提出方法的檢測結(jié)果中的誤檢點（即圖中的白色噪聲點）要遠遠少于經(jīng)典混合高斯模型的檢測結(jié)果，這是因為本文算法用幀間差分的方法將背景突變量計算出來，并參與建立高斯背景模型，提高了建模和計算的效率和檢測效果。這樣不僅濾除了噪聲，還通過數(shù)學形態(tài)學的方法消除了結(jié)果中絕大多數(shù)的空洞和重影，可見本文提出的檢測方法得到的結(jié)果更加完整和準確，適用于飛行終端區(qū)跑道入侵視頻檢測和信息接入、分析、應(yīng)用。

4結(jié)束語

本文分析了飛行終端區(qū)中一類常見的威脅環(huán)境：飛行終端區(qū)跑道入侵，在總結(jié)目前常用的飛行終端區(qū)跑道入侵檢測手段———視頻檢測的基礎(chǔ)上，提出了將幀間差分結(jié)果參與到混合高斯背景差分計算和模型重建的運動目標檢測方法。首先，通過實時的視頻目標檢測，得到入侵物的歷史軌跡點、運動方向和速度，從而可以計算出入侵物的預(yù)測軌跡；然后，將其與終端區(qū)入侵保護區(qū)、飛行器進近軌跡進行坐標轉(zhuǎn)換和沖突判斷分析計算，以判斷是否出現(xiàn)終端區(qū)入侵并及時發(fā)出告警。

參考文獻：

［1］中國民用航空局航空安全辦．1990－2006年歷年飛行事故、航空地面事故和飛行事故征候統(tǒng)計［R］．北京：中國民用航空局航空安全辦，2007．

［2］李波，姚春蓮，李煒，等．利用相鄰幀和背景信息的運動對象檢測［J］．電子學報，2008，36（11）：2154－2159．

［3］甘明剛，陳杰，劉勁，等．一種基于三幀差分和邊緣信息的運動目標檢測方法［J］．電子與信息學報，2010，32（4）：894－897．

［4］姜靚，詹永照．基于高斯金字塔與差分法的多目標檢測和跟蹤算法［J］．微電子學與計算機，2011，11（11）：129－136．

［5］霍志勤．跑道侵入概念中地面保護區(qū)研究［J］．中國民航大學學報，2010，28（6）：9－13．

作者：張勇明 譚笑 柯澤賢 單位：海軍工程大學管理工程系海軍陸戰(zhàn)學院