一种抗云层干扰的飞机目标检测方法

摘要

本发明属于图像处理技术领域中的光电技术飞行目标检测方法，具体涉及一种抗云层干扰的飞机降落过程中飞机目标检测方法。具体步骤如下：(1)滤波；⑵计算均值和标准差；⑶计算最优分割阈值；⑷分割图像；⑸确定候选目标区域；⑹计算候选目标长宽比；⑺根据长宽比参数筛选候选目标；⑻计算并存储所有候选目标的中心坐标；⑼确定连续存在的候选目标；⑽确定第一级候选目标；⑾计算第一级候选目标5帧之内的横向坐标变化：⑿根据横向坐标变化筛选第一级候选目标；⒀计算候选目标的轨迹；⒁进一步获取跟踪目标的目标位置；⒂计算第二级候选目标的位置坐标估计值；⒃计算第7帧和第9帧位置坐标估计值与实际值之间的距离；⒄确定目标；⒅最终确定目标。

说明书

技术领域

本发明属于图像处理技术领域中的光电技术飞行目标检测方法，具体涉及一种抗云层干扰的飞机目标检测方法。 

背景技术

机场低空立体防控系统的主要功能之一是对飞机降落过程的监控。飞机的降落过程是航空事故概率较高的时段，全程监控飞机降落过程，有利于掌握飞机的飞行姿态等信息，为事故的调查和事故隐患的排除提供重要依据。在机场立体防控系统中，采用红外探测设备对机场低空区域进行成像，当正在降落的飞机出现在视场中时，根据特征进行目标捕获，确定飞机目标在图像中的位置，启动跟踪过程，对目标进行随动跟踪，直至安全降落到跑道。 

在飞机降落过程跟踪中，对飞机目标的捕获十分关键。在飞机目标刚出现在红外探测器视野中时，目标在图像中所占面积小，容易被红外探测器的噪声信号淹没，而机场低空区域的天气也直接影响到目标捕获过程，特别是当天空中云量较多的时候，飞机目标过程捕获中易将形状相似的云团误检测为飞机目标，因此在云量较大的背景下对飞机目标的有效识别就是问题的关键。 

由于云层与飞机目标在飞行速度上有明显区别，根据目标的运动特征，可以有效的将云层干扰剔除，从而实现飞机目标的正确识别。因此，针对机场立体视频监控系统中对飞机降落过程中捕获飞机目标的需求，目前亟需一种采用目标几何特征和运动特征相结合的方法，通过对目标几何特征的分析来有效剔除提出在形状上明显不符合飞机特征的目标区域。 

发明内容

本发明要解决的技术问题是提供一种采用目标几何特征和运动特征相结合的方法，在红外监控图像中，通过图像处理方法将空中的小目标进行提取，从而根据目标的运动特征进行目标判别，剔除云层干扰，获取真实的飞机目标。 

为了实现这一目的，本发明采取的技术方案是 

一种抗云层干扰的飞机目标检测方法，应用于机场立体防控系统中飞机降落过程中飞机目标检测系统，根据红外图像中降落飞机目标的运动特性，对低空目标的运动特征进行分析，去除云层干扰，在待确认低空目标中确定降落过程中的飞机目标，具体步骤如下： 

⑴滤波： 

在机场区域低空监控红外图像中确定图像中的低空区域，低空区域根据摄像机摆放位置和视场范围确定； 

针对图像中飞机目标的低空区域，采用先横向后纵向的方式进行Top-Hat形态学滤波，滤波因子长度根据实际图像中目标确定； 

⑵计算均值和标准差： 

对进行Top-Hat滤波的图像区域计算滤波图像的均值μ和标准差σ； 

设置滤波图像I_F为r行c列，均值μ表示为： 标准差σ表示为：$\sigma =\sqrt{\frac{1}{r\times c-1}\underset{i=1}{\overset{r}{\Sigma }}\underset{j=1}{\overset{c}{\Sigma }}{(I_F(i,j)-\mu )}^2};$

其中I_F(i，j)表示图像I_F第i行第j列像素的像素值； 

⑶计算最优分割阈值： 

针对图像相中大于μ+σ的像素值，以最大类间方差准则计算最优分割阈值Th； 

⑷分割图像： 

根据阈值Th对滤波图像I_F进行图像分割，形成分割图像I_S； 

分割法则如下：$I_s(i,j)=\left(\begin{array}{cc}1& I_F(i,j)\ge \mathrm{Th}\\ 0& I_F(i,j)<\mathrm{Th}\end{array}\right)$

其中I_F(i，j)表示图像I_F第i行第j列像素的像素值，I_S(i，j)表示图像I_S第i行第j列像素的像素值； 

⑸确定候选目标区域： 

将分割图像中像素值为1的连通区域进行像素数统计，去除像素数为1的孤立点；将其他连通区域按照像素数从大到小排序，选择像素数最大的5个区域作为候选目标； 

⑹计算候选目标长宽比： 

长参数1gh为目标区域外接矩形横方向像素数，宽参数wdh为目标区域外接矩形纵方向像素数；目标长宽比1w定义为： 

⑺根据长宽比参数筛选候选目标： 

将长宽比参数1w小于1和大于10的目标区域从第一级候选目标区域中剔除； 

⑻计算并存储所有候选目标的中心坐标： 

候选目标宽度为候选目标区域最右边像素与最左边像素横坐标差值，候选目标高度为候选目标区域最上边像素与最下边像素纵坐标差值，候选目标面积为候选目标区域覆盖像素数； 

设候选目标所覆盖p个像素坐标分别为(x₁,y₁)，(x₂,y₂)，…，(x_p，y_p)，该候选目标中心(cx，cy)坐标为： 

⑼在候选目标中确定连续存在的候选目标： 

对之后的图像帧重复步骤（1）～步骤（8），记录每一帧候选目标的中心坐 标，对于第k帧中中心坐标为(cx_k,cy_k)的候选目标T1，在第k-1帧中中心坐标为(cx_k-1,cy_k-1)的候选目标与候选目标T1中心坐标的欧氏距离最近，且满足如下关系：时，判断连续两帧之间候选目标的中心距离最近，从而确认k-1帧中，中心坐标为(cx_k-1,cy_k-1)的目标与T1为同一目标； 

⑽确定第一级候选目标： 

如果某一目标连续5帧存在，则确认为第一级候选目标，记录该目标连续5帧中的位置信息；对于目标编号为i的候选目标，目标位置信息为在图像中的横纵坐标cx、cy；连续5帧目标位置信息记为 

⑾计算第一级候选目标5帧之内的横向坐标变化： 

对于目标编号为i的候选目标，横向坐标变化参数hc为该目标第1帧位置横坐标和第5帧位置横坐标之差的绝对值，描述为： 

⑿根据横向坐标变化筛选第一级候选目标，得到第二级候选目标： 

在候选目标中去除其对应横向坐标变化hc值小于系统阈值T_hc的目标，得到第二级候选目标； 

⒀计算候选目标的轨迹： 

对于目标编号为i的第二级候选跟踪目标，横方向和纵方向位置参数方程为：cx=a₀+a₁t，cy=b₀+b₁t，其中参数t为目标区域所在的图像帧号； 

采用基于直线的最小二乘拟合，以第1、3、5帧位置信息拟合位置参数方程，获取a₀、a₁、b₀、b₁的计算值a₀ⁱ、a₁ⁱ、b₀ⁱ、b₁ⁱ： 

$a_0^i=\frac{35}{24}\underset{k=1}{\overset{3}{\Sigma }}{\mathrm{cx}}_{(2k-1)}^i-\frac{3}{8}\underset{k=1}{\overset{3}{\Sigma }}(2k-1){\mathrm{cx}}_{(2k-1)}^i$

$a_1^i=-\frac{3}{8}\underset{k=1}{\overset{3}{\Sigma }}{\mathrm{cx}}_{(2k-1)}^i+\frac{1}{8}\underset{k=1}{\overset{3}{\Sigma }}(2k-1){\mathrm{cx}}_{(2k-1)}^i$

$b_0^i=\frac{35}{24}\underset{k=1}{\overset{3}{\Sigma }}{\mathrm{cy}}_{(2k-1)}^i-\frac{3}{8}\underset{k=1}{\overset{3}{\Sigma }}(2k-1){\mathrm{cy}}_{(2k-1)}^i$

$b_1^i=-\frac{3}{8}\underset{k=1}{\overset{3}{\Sigma }}{\mathrm{cy}}_{(2k-1)}^i+\frac{1}{8}\underset{k=1}{\overset{3}{\Sigma }}(2k-1){\mathrm{cy}}_{(2k-1)}^i$

⒁进一步获取跟踪目标的目标位置： 

对第二级候选目标的目标区域按步骤（9）描述方法在后续4帧中进行目标位置获取，得到目标i在6～9帧中的位置坐标，对于目标编号为i的第二级候选目标，6～9帧中的位置信息记为 

⒂计算第二级候选目标的位置坐标估计值： 

根据步骤（13）中取得的位置参数方程的参数，计算出第二级候选目标在第7帧和第9帧中的位置坐标估计值； 

对于目标编号为i的第二级候选目标，第7帧和第9帧中的位置坐标估计值为： 

⒃计算第7帧和第9帧位置坐标估计值与实际值之间的距离： 

对于目标编号为i的第二级候选目标，分别记为： 

⒄确定目标： 

在第二级候选目标中剔除 和 数值其中一个大于系统阈值T_cd，若 和 数值均小于阈值T_cd，则目标i可被认定为降落飞机目标； 

⒅最终确定目标： 

当步骤（17）确认的飞机目标多于1个时，选择cd₇和cd₉数值之和最小的目标确认为降落飞机目标。 

进一步的，如上所述的一种抗云层干扰的飞机目标检测方法，步骤⑿中，系统阈值T_hc取为10。 

进一步的，如上所述的一种抗云层干扰的飞机目标检测方法，步骤⒄中，系统阈值T_cd取为10。 

进一步的，如上所述的一种抗云层干扰的飞机目标检测方法，步骤（1）中，摄像机图像分辨率为640×256，选取中间1/2d的第65行至192行区域为低空区域。 

进一步的，如上所述的一种抗云层干扰的飞机目标检测方法，步骤（1）中，进行Top-Hat形态学滤波时，滤波因子横向为27，纵向为21。 

针对飞机降落过程中，容易受到天空中云层的干扰，特别是当空中云量较多的时候，飞机目标过程捕获中极易将形状相似的云团误检测为飞机目标。本发明技术方案引入目标几何特征和运动特征相结合的方法实现对降落过程中飞机目标的识别，从而保证了光电跟踪系统在飞机降落过程中，即使云层干扰很多也能在连续的视频图像帧中稳定获取飞机目标在图像中的位置 

附图说明

图1是本发明技术方案中的方法流程图。 

具体实施方式

下面结合附图对本发明技术方案进行进一步详细说明。 

在机场立体防控系统中，采用对目标几何特征和运动特征相结合的方法实现对降落过程中飞机目标的识别。首先通过Top-Hat滤波过程对背景进行抑制，通过对滤波后的图像进行阈值分割，获得潜在目标区域。通过计算潜在区域几何特征，去除伪区域；再利用目标的运动特征和运动轨迹进行判断，识别出真实的飞机目标。 

目标的几何特征包括目标区域的高度、宽度和宽高比等，通过判断可以提出在形状上明显不符合飞机特征的目标区域。在此之后的多帧图像中重复以上操作，获得多帧中的区域信息并进行关联。由于云层与飞机目标在飞行速度上有明显区别，云层在图像中处于静止或极低速状态，而飞机处于运动状态。计算连续图像帧中目标在图像中的位移。如果位移大于阈值，则认定为飞机候选目标，从而去掉非移动目标。 

由于飞机在降落过程中在固定摄像机场景中处于直线运动状态，而干扰信息处于不规则运动状态，因此通过轨迹最终确认飞机目标。在飞机候选目标中通过n帧图像中位置的历史数据进行最小二乘直线拟合，得到飞机候选目标轨迹。计算后续帧中目标与该直线轨迹的距离，如果多帧中距离大于阈值，则去除目标。否则确认该目标为飞机目标。 

基于上述设计前提，本发明提出的抗云层干扰的飞机降落过程中飞机目标检测方法采用TI公司生产的TMS320C6416 DSP构建图像信号处理器硬件平台，采用TMS320C6416 DSP专用C语言和专用汇编语言混合编程实现其软件代码，经编译后固化在图像信号处理器硬件上，加电后DSP自动加载程序运行。 

如图1所示，本发明技术方案具体是：一种抗云层干扰的飞机降落过程中飞机目标检测方法，应用于机场立体防控系统中飞机降落过程中飞机目标检测系统，根据红外图像中降落飞机目标的运动特性，对低空目标的运动特征进行分析，去除云层干扰，在待确认低空目标中确定降落过程中的飞机目标，具体步骤如下： 

⑴滤波： 

在机场区域低空监控红外图像中确定图像中的低空区域，低空区域根据摄像机摆放位置和视场范围确定； 

针对图像中飞机目标的低空区域，采用先横向后纵向的方式进行Top-Hat形态学滤波，滤波因子长度根据实际图像中目标确定； 

此具体实施例中，摄像机图像分辨率为640×256，选取中间1/2d的第65行至192行区域为低空区域；选取滤波因子横向为27，纵向为21。 

⑵计算均值和标准差： 

对进行Top-Hat滤波的图像区域计算滤波图像的均值μ和标准差σ； 

设置滤波图像I_F为r行c列，均值μ表示为： 标准差σ表示为：$\sigma =\sqrt{\frac{1}{r\times c-1}\underset{i=1}{\overset{r}{\Sigma }}\underset{j=1}{\overset{c}{\Sigma }}{(I_F(i,j)-\mu )}^2};$

其中I_F(i，j)表示图像I_F第i行第j列像素的像素值； 

⑶计算最优分割阈值： 

针对图像相中大于μ+σ的像素值，以最大类间方差准则计算最优分割阈值Th； 

⑷分割图像： 

根据阈值Th对滤波图像I_F进行图像分割，形成分割图像I_S； 

分割法则如下：$I_s(i,j)=\left(\begin{array}{cc}1& I_F(i,j)\ge \mathrm{Th}\\ 0& I_F(i,j)<\mathrm{Th}\end{array}\right)$

其中I_F(i，j)表示图像I_F第i行第j列像素的像素值，I_S(i，j)表示图像I_S第i行第j列像素的像素值； 

⑸确定候选目标区域： 

将分割图像中像素值为1的连通区域进行像素数统计，去除像素数为1的孤立点；将其他连通区域按照像素数从大到小排序，选择像素数最大的5个区域作为候选目标； 

⑹计算候选目标长宽比： 

长参数1gh为目标区域外接矩形横方向像素数，宽参数wdh为目标区域外接矩形纵方向像素数；目标长宽比1w定义为： 

⑺根据长宽比参数筛选候选目标： 

将长宽比参数1w小于1和大于10的目标区域从第一级候选目标区域中剔除； 

⑻计算并存储所有候选目标的中心坐标： 

候选目标宽度为候选目标区域最右边像素与最左边像素横坐标差值，候选目标高度为候选目标区域最上边像素与最下边像素纵坐标差值，候选目标面积为候选目标区域覆盖像素数； 

设候选目标所覆盖p个像素坐标分别为(x₁,y₁)，(x₂,y₂)，…，(x_p，y_p)，该候选目标中心(cx，cy)坐标为： 

⑼在候选目标中确定连续存在的候选目标： 

对之后的图像帧重复步骤（1）～步骤（8），记录每一帧候选目标的中心坐标，对于第k帧中中心坐标为(cx_k,cy_k)的候选目标T1，在第k-1帧中中心坐标 为(cx_k-1,cy_k-1)的候选目标与候选目标T1中心坐标的欧氏距离最近，且满足如下关系：时，判断连续两帧之间候选目标的中心距离最近，从而确认k-1帧中，中心坐标为(cx_k-1,cy_k-₁)的目标与T1为同一目标； 

⑽确定第一级候选目标： 

如果某一目标连续5帧存在，则确认为第一级候选目标，记录该目标连续5帧中的位置信息；对于目标编号为i的候选目标，目标位置信息为在图像中的横纵坐标cx、cy；连续5帧目标位置信息记为 

⑾计算第一级候选目标5帧之内的横向坐标变化： 

对于目标编号为i的候选目标，横向坐标变化参数hc为该目标第1帧位置横坐标和第5帧位置横坐标之差的绝对值，描述为： 

⑿根据横向坐标变化筛选第一级候选目标，得到第二级候选目标： 

在候选目标中去除其对应横向坐标变化hc值小于系统阈值T_hc的目标，得到第二级候选目标； 

此具体实施例中，系统阈值T_hc取为10。 

⒀计算候选目标的轨迹： 

对于目标编号为i的第二级候选跟踪目标，横方向和纵方向位置参数方程为：cx=a₀+a₁t，cy=b₀+b₁t，其中参数t为目标区域所在的图像帧号； 

采用基于直线的最小二乘拟合，以第1、3、5帧位置信息拟合位置参数方程，获取a₀、a₁、b₀、b₁的计算值a₀ⁱ、a₁ⁱ、b₀ⁱ、b₁ⁱ： 

$a_0^i=\frac{35}{24}\underset{k=1}{\overset{3}{\Sigma }}{\mathrm{cx}}_{(2k-1)}^i-\frac{3}{8}\underset{k=1}{\overset{3}{\Sigma }}(2k-1){\mathrm{cx}}_{(2k-1)}^i$

$a_1^i=-\frac{3}{8}\underset{k=1}{\overset{3}{\Sigma }}{\mathrm{cx}}_{(2k-1)}^i+\frac{1}{8}\underset{k=1}{\overset{3}{\Sigma }}(2k-1){\mathrm{cx}}_{(2k-1)}^i$

$b_0^i=\frac{35}{24}\underset{k=1}{\overset{3}{\Sigma }}{\mathrm{cy}}_{(2k-1)}^i-\frac{3}{8}\underset{k=1}{\overset{3}{\Sigma }}(2k-1){\mathrm{cy}}_{(2k-1)}^i$

$b_1^i=-\frac{3}{8}\underset{k=1}{\overset{3}{\Sigma }}{\mathrm{cy}}_{(2k-1)}^i+\frac{1}{8}\underset{k=1}{\overset{3}{\Sigma }}(2k-1){\mathrm{cy}}_{(2k-1)}^i$

⒁进一步获取跟踪目标的目标位置： 

对第二级候选目标的目标区域按步骤（9）描述方法在后续4帧中进行目标位置获取，得到目标i在6～9帧中的位置坐标，对于目标编号为i的第二级候选目标，6～9帧中的位置信息记为 

⒂计算第二级候选目标的位置坐标估计值： 

根据步骤（13）中取得的位置参数方程的参数，计算出第二级候选目标在第7帧和第9帧中的位置坐标估计值； 

对于目标编号为i的第二级候选目标，第7帧和第9帧中的位置坐标估计值为： 

⒃计算第7帧和第9帧位置坐标估计值与实际值之间的距离： 

对于目标编号为i的第二级候选目标，分别记为： 

⒄确定目标： 

在第二级候选目标中剔除 和 数值其中一个大于系统阈值T_cd，若 和 数值均小于阈值T_cd，则目标i可被认定为降落飞机目标； 

此具体实施例中，系统阈值T_cd取为10。 

(18)最终确定目标： 

当步骤(17)确认的飞机目标多于1个时，选择cd₇和cd₉数值之和最小的目标确认为降落飞机目标。