论文发表 | 论文范文 | 公文范文
最新公告:目前,本站已经取得了出版物经营许可证 、音像制品许可证,协助杂志社进行初步审稿、征稿工作。咨询:400-888-7501
您现在的位置: 新晨范文网 >> 社科杂志 >> 社会科学杂志 >> 海军工程大学学报 >> 正文

飞行终端区跑道入侵检测方法

定制服务

定制原创材料,由写作老师24小时内创作完成,仅供客户你一人参考学习,无后顾之忧。

发表论文

根据客户的需要,将论文发表在指定类别的期刊,只收50%定金,确定发表通过后再付余款。

加入会员

申请成为本站会员,可以享受经理回访等更17项优惠服务,更可以固定你喜欢的写作老师。

《海军工程大学学报》2016年第3期
摘要:

在分析现有国内外飞行终端区跑道入侵检测方法的基础上,提出了终端区入侵信息的接入与分析的解决思路和方法,进而提出了一种改进的基于混合高斯背景的视频序列目标检测方法,并通过模拟实验进行了验证。结果表明:该方法能有效检测出能见度不良等复杂环境下飞行终端区跑道入侵物的轨迹点。

关键词:

飞行终端区;跑道入侵;视频检测

飞行终端区跑道入侵是影响飞行器安全进近的主要威胁因素之一。国际民用航空组织(ICAO)将飞行终端区跑道入侵定义为:在机场中发生的任何错误地出现在用于飞机起飞和降落的保护区表面的飞机、车辆以及行人的事件。现有入侵告警系统效能不足,特别是对夜间、能见度不良复杂环境适应性差,导致飞行终端区入侵事故频发[1]。目前,保障飞行终端区安全的重要手段之一是利用机场视频系统对飞行终端区跑道入侵事件进行实时监控。传统的运动目标检测方法主要包括帧间差分、背景差分和光流法等三种[2-5]。基于混合高斯的背景模型(GMM)采用背景差分法,其优点在于基于像素级的建模,能较好地模拟复杂背景,对于小幅度周期运动的动态背景有较好的抑制作用,特别适用于空旷的机场中大风、雨、雪等复杂环境;其缺点是在变化无明显特征和周期较长的背景下,由于GMM收敛速度较慢,在收敛运算期间光线发生突变时无法迅速更新模型,因此会出现大面积的误检[6]。对此,不少学者重点对传统混合高斯滤波在空域相关性[7]和模型更新方法[8]上做了改进,解决了不同的应用领域内对运动目标视频检测结果的准确性。本文提出了终端区跑道入侵信息的接入与分析思路与解决方法,针对混合高斯模型和帧间差分算法各自在运动目标检测上的优、缺点,提出将二者相结合的改进检测方法,有效地解决飞行终端区在夜间或复杂天气下低能见度时可能出现的光线突变而产生的目标检测“噪声”的问题。

1终端区入侵检测信息的接入与分析

根据终端区入侵的概念,终端区保护区是一个三维空间的概念,其地面部分是一个不规则多边形结构,空中部分定义为:从跑道升降带起始端两侧开始,以3°角向上扩张,15°角向两侧扩张,直至达到距跑道入口4km处[9]。为便于分析,笔者将跑道入侵保护区简化为严格意义上的保护区的外接长方体包围盒,如图1(a)所示。跑道冲突告警类型有多种,本文所考虑的跑道入侵包括地面车辆、人员侵入跑道以及和空中其他飞行器等在整个三维空间中所产生的冲突。判断是否发生终端区入侵事件,就是判断其他飞行器或车辆是否与着陆飞行器同时进入了终端区保护区。因此,在视频检测的基础上,实现入侵物的运动轨迹与飞行器着陆轨迹的冲突探测是终端区入侵实时检测方法的根本目标。利用目标检测算法从视频帧中解算出运动目标,得到其历史轨迹、当前位置、运动速度和方向,进而预测其未来的运动轨迹,并将这些信息以三维空间中点的形式接入飞行终端区环境模型中。本节提出一个简单有效的方式是在图1(b)中定义的终端区入侵保护区中建立精密格网,获取视频识别出来的地面入侵物轨迹点的局部格网坐标,根据历史轨迹和运动速度生成预测轨迹,一旦二者轨迹发生时空交汇冲突,立即发出告警信息。首先,通过解析飞行器电文数据得到航班的经纬度坐标,再通过坐标投影转换公式转换到通用横轴墨卡托投影(UTM)坐标,得到UTM投影坐标后,还需要将世界坐标转换到终端区入侵保护区格网坐标上;然后,再与实时接入的终端区入侵物的格网坐标和时间信息相匹配,判断是否发生冲突。判断入侵轨迹和进近航线的缓冲体是否冲突,是以计算出获取入侵物历史轨迹点、轨迹预测线以及当前飞行器进近航线为前提。图2描述了飞行器位置和实时接入的终端区入侵冲突判断的流程。

2基于帧间差分和GMM的运动目标检测方法

利用视频监控检测终端区入侵,在夜晚和能见度不良等复杂环境下对于跑道安全显得更为重要。而这两种情况下,视频图像的背景往往会因为夜间跑道灯光的变化而产生突变,或者因为雨雪滴落产生短周期性变化,从而影响了对运动目标的检测结果精度。本节将改进的GMM背景差分和帧间差分相结合,提出新的运动目标检测方法。

2.1基于传统GMM检测的改进在背景

一定的高斯模型中,已有经典算法是根据图像中的各像素的出现频率将像素高斯分布进行排序,权重大于某阈值γ的高斯分布组成背景模型B=minb(∑bi=1ωi,xy>γ)。这种方法的优点在于选择高权重高斯分布能够使背景模型反映场景的变化,通过滤去低权重高斯分布,减少背景中高斯分布的数量从而降低计算量。对于空旷机场跑道而言,单帧视频图像背景分为两类:一类是背景中的绝大部分像素,变化较少,可用1个高斯分布表达;另一类是雨、雪这类导致低能见度的复杂环境,其雨滴或飘雪在图像中表现为单调周期运动的背景像素,可用3个高斯分布表达。因此,本文改进GMM背景检测方法为:高斯模型的个数不超过3个,且模型权重必须大于某一设定的较小阈值Tth,即ωi,xy≥Tth。(1)式(1)的判断法避免了选择大权重的高斯分布,减少了高斯模型的数量且判断简单,从而提高了GMM运算的效率和实时性,其速度明显优于高斯模型的选择与计算,但缺点在于可能导致检测结果有少量孤立的噪声点,不过可通过后续数学形态学的方法进一步处理目标图像。

2.2融合帧间差分的改进GMM检测算法

如前文所述,夜间跑道上的灯光突变或短周期性变化,引起视频背景像素值产生整体性、大区域的变化,经典GMM模型因需要对像素的高斯分布进行全局排序和判断,而无法实现像素值的实时匹配,需要图像学习和参数传递才能使模型匹配新的背景,不仅实时性较差,而且计算时间内的检测结果中将会出现大量噪声,使背景像素被误检为目标像素。本节提出先计算帧间差分,并将其结果代入到改进的GMM算法模型中,取代学习和参数传递重新建立高斯模型的过程,从而实时地建立跟背景变化相匹配的新的算法模型。对于连续的L帧图像fk(x,y)(k=1,…,L;0≤x≤M-1,0≤Y≤N-1),通过帧间差分法得到帧差图Dk(x,y)(k=1,…,L-1),其数学表达为Dk(x,y)=|fk(x,y)-fk-1(x,y)|。引入帧间差分是利用其对运动检测中的噪声较为敏感的优势,因此引入该算法的关键是选择合理的噪声抑制阈值T。图像噪声主要与环境以及图像采集设备有关,因此通常情况下,可将图像噪声看成空域上的随机场,噪声的均方差σ可以通过在空域上进行相关统计得到,并作为先验信息和已知量。绝大多数情况下,视频图像中由目标运动所产生的帧间差值要比背景变化噪声大得多,本文取噪声抑制阈值T=3σ,通过式(2)抑制噪声。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,将小于T的像素灰度值设置为0,与传统的帧间差分相比,保留了像素变化的大小,而没有对差分结果进行二值化。这样适合于飞行终端区这样的静止背景类型,因为静止背景的像素经差分和噪声抑制后其值为零;若视频背景是动态像素,噪声会因为灰度差值较大而得以保留。本算法是针对夜间或能见度不良情况下的飞行终端区跑道,光线突变容易使单一的基于GMM的视频检测算法会失效,需要经过一段时间的学习后才能稳定。在这个学习和参数传递计算期间,GMM就会以背景检测为前景,从而产生较大检测误差。其原因是当背景发生较大变化时,高斯背景模型无法迅速匹配,要缩短模型匹配的时间差,必须使其快速收敛,即能够快速建立变化后的新背景模型,方法是用帧间差分求出背景光线变化的大小,并将其对当前的GMM进行“补偿”。判断背景是否发生突变,即对式(2)中的Dk(x,y)上非零值像素的个数count进行统计。当count≥50%·M·N(M、N分别为像素的行、列数)时,可判断图像背景光线发生了突变。此时,Dk(x,y)中的非零值出现频率最多的值即为光线突变的强度,记为ΔD(x,y)~N(ΔD,σΔ)。通过上述步骤,检测结果中的运动目标内部还可能存在“空洞”和噪声现象,这样的检测结果既不完整也有可能出现误判,因此还需做进一步图像处理。主要方法是采用数学形态学的方法,消除检测目标中的孤立噪声点,填补目标边缘断裂以及填补目标区域内部空洞,从而得到完整目标。

3检测实验结果及分析

为对算法的有效性进行检验,本文基于Mat-lab7.1的实验平台,对某机场内公路的一段监控视频进行运动目标检测实验。分别针对本文提出的检测算法和基于传统GMM背景差分算法对视频序列图像进行检测实验,并对实验结果进行了分析。在实验中,基于传统GMM背景差分法建立K=3~5个高斯模型,初始化高斯模型的参数为ωi,t=1/K,μi,t=255(i/K),σ2i,t=36,阈值γ=0.9。本文提出的算法中,高斯分布阈值T确定该高斯分布的带宽,通过多次实验验证取Tth=0.2最合适,此时属于该高斯分布的值有99%的概率被正确识别。高斯模型的初始方差根据图像序列中受外界光照、采集噪声等因素所造成的像素值波动偏差来确定,方差初始值取σ21=30。图3(a)为一张机场内视频监控的原图像,从左到右依次为某段视频监控的第278帧、第279帧和第280帧图像,其中第279、280帧存在光线的突变;从图3(b)和图3(c)的结果对比中可以看出,本文提出方法的检测结果中的误检点(即图中的白色噪声点)要远远少于经典混合高斯模型的检测结果,这是因为本文算法用帧间差分的方法将背景突变量计算出来,并参与建立高斯背景模型,提高了建模和计算的效率和检测效果。这样不仅滤除了噪声,还通过数学形态学的方法消除了结果中绝大多数的空洞和重影,可见本文提出的检测方法得到的结果更加完整和准确,适用于飞行终端区跑道入侵视频检测和信息接入、分析、应用。

4结束语

本文分析了飞行终端区中一类常见的威胁环境:飞行终端区跑道入侵,在总结目前常用的飞行终端区跑道入侵检测手段———视频检测的基础上,提出了将帧间差分结果参与到混合高斯背景差分计算和模型重建的运动目标检测方法。首先,通过实时的视频目标检测,得到入侵物的历史轨迹点、运动方向和速度,从而可以计算出入侵物的预测轨迹;然后,将其与终端区入侵保护区、飞行器进近轨迹进行坐标转换和冲突判断分析计算,以判断是否出现终端区入侵并及时发出告警。

参考文献:

[1]中国民用航空局航空安全办.1990-2006年历年飞行事故、航空地面事故和飞行事故征候统计[R].北京:中国民用航空局航空安全办,2007.

[2]李波,姚春莲,李炜,等.利用相邻帧和背景信息的运动对象检测[J].电子学报,2008,36(11):2154-2159.

[3]甘明刚,陈杰,刘劲,等.一种基于三帧差分和边缘信息的运动目标检测方法[J].电子与信息学报,2010,32(4):894-897.

[4]姜靓,詹永照.基于高斯金字塔与差分法的多目标检测和跟踪算法[J].微电子学与计算机,2011,11(11):129-136.

[5]霍志勤.跑道侵入概念中地面保护区研究[J].中国民航大学学报,2010,28(6):9-13.

作者:张勇明 谭笑 柯泽贤 单位:海军工程大学管理工程系海军陆战学院

海军工程大学学报责任编辑:杨雪    阅读:人次
社科杂志相关文章
    没有相关文章