曹啟武，陳 津

(中國民航大學航空工程學院 天津300300)

創(chuàng)新技術(shù)

基于OpenCV的機場跑道外來物報警系統(tǒng)設(shè)計

曹啟武，陳 津

(中國民航大學航空工程學院 天津300300)

基于視頻技術(shù)，采用計算機視覺庫 OpenCV開發(fā)了機場跑道外來物(FOD)報警系統(tǒng)。其中，目標識別模塊采用混合高斯方法建模，并將背景法和幀差法結(jié)合實現(xiàn)靜止目標和運動目標的檢測；目標跟蹤模塊采用Camshift提高了跟蹤的可靠性；報警模塊針對目標的實際情況設(shè)定標準，超過標準則報警。

OpenCV FOD 目標識別 目標跟蹤

0 引 言

機場跑道的外來物會對飛行安全造成很大隱患，中國民航平均每年會發(fā)生 4,000多起外來物損傷輪胎的事件，對飛行安全造成巨大影響。跑道FOD(Foreign Object Debris)報警系統(tǒng)的研究是從法國協(xié)和號飛機意外失事開始的，目前國際上先進的FOD監(jiān)測系統(tǒng)[1]主要采用毫米雷達波和圖像處理技術(shù)，而國內(nèi)還沒有較為成熟的機場跑道外來物監(jiān)測系統(tǒng)，所以開發(fā)實時可靠的跑道監(jiān)測系統(tǒng)是十分必要的。各國跑道監(jiān)測裝置如圖1所示。

圖1 國外機場跑道異物檢測系統(tǒng)Fig.1 FOD detection systems in foreign countries

1 報警系統(tǒng)的設(shè)計方案

硬件方面，機場跑道受到凈空限制，攝像頭不能裝在影響飛行安全的區(qū)域，所以設(shè)置相對遠離跑道，具有一定高度的塔架用來安裝攝像頭。為了裝載方便，將跑道 FOD報警系統(tǒng)搭載在機場已有的網(wǎng)絡系統(tǒng)工作，其網(wǎng)絡拓撲圖如圖 2所示。由塔架上的攝像機實時獲取機場跑道視頻，通過路由器將視頻傳入主網(wǎng)絡；視頻處理計算機通過對視頻幀進行處理，實現(xiàn)FOD目標的識別和跟蹤；FOD信息被確認后，由監(jiān)控系統(tǒng)顯示報警信息，并將 FOD信息儲存在存儲管理器中。

圖2 跑道FOD報警系統(tǒng)網(wǎng)絡拓撲圖Fig.2 Topological graph of the network of runway FOD alarm system

2 目標識別模塊

外來物目標的監(jiān)測是報警系統(tǒng)的第一步，跑道外來物存在靜止目標和運動目標，以往通常把兩種目標分開研究，但兩種外來物對機場安全的危害同等重要，所以系統(tǒng)需要對兩種目標具有良好的監(jiān)測結(jié)果。視頻處理技術(shù)中傳統(tǒng)算法包括幀間差分法、背景差分法和光流法等。[2]幀差法適合對運動目標檢測，但無法檢測出靜止目標；背景差分法最大的缺陷就是對光線和背景變化敏感。兩種算法結(jié)合效果明顯，但是目標完整性不高，這就需要使用更實用的背景估計模型。

混合高斯模型是基于每個像素點的灰度概率分布，一方面，它適用于有微小變化運動的復雜背景場合，如樹葉影子的變化、雨雪天氣等；另一方面，它結(jié)合背景自適應更新算法完成背景變化較大時的實時更新。為防止在進行背景更新時把精致目標化為背景，設(shè)定一定的閾值，當匹配高斯模型時，大于閾值視為出現(xiàn)目標，存在目標的幀不進行更新。本文在混合高斯建模法[3]的基礎(chǔ)上，提出背景差分法與幀間差分法的改進算法，綜合兩種算法的優(yōu)點，獲得比較完整的目標圖像，使其很好地適用在跑道外來物報警系統(tǒng)中。目標識別流程圖如圖3所示。

圖3 目標識別模塊流程Fig.3 Flow of the target recognition module

2.1 混合高斯模型

混合高斯模型關(guān)注每個像素點的概率分布情況，它一般由 3～5個高斯模型組成，把獲得的當前幀圖像作為輸入與混合高斯模型匹配，匹配成功就是背景的一部分，否則便是前景目標點。然后通過調(diào)整均值和方差等高斯模型重要參數(shù)，來獲得最高概率的背景圖像。

OpenCV中提供高斯混合模型函數(shù)程序的是cvaux中的cvbgfg_gaussmix.cpp文件。模型相關(guān)的參數(shù)被存在 CvGaussBGModel類中，本文通過修改該類中一些函數(shù)程序的參數(shù)[4]完成混合高斯模型的建模。背景建模過程中，采用第一幀圖像作為初始化對象，由于初始化的高斯模型并不準確，所以對第一幀圖像取較大的方差和較小的權(quán)值。隨著高斯模型的逐步建立，變化范圍縮小，及時更新參數(shù)值，得到最可靠的混合高斯模型。設(shè)置大的方差，有助于把盡可能多的像素包含到一個模型里面，從而得到更有效的簡化模型。[5]

2.2 不包含目標信息的自適應更新

每次獲取當前幀需要判斷其是否與高斯模型匹配，匹配完成時將背景模型進行更新：

其中k表示混合高斯模型的模式，j表示時間，β表示更新系數(shù)，若β=0則表示不更新。β=0有兩種情況，一是與當前高斯模型不匹配，二是當前幀被判定含有前景目標，此時對所有的模式，β的值都是0。

2.3 背景差分和幀差法結(jié)合

由于幀差法基本不受環(huán)境干擾，能得到目標的基本信息，將兩種方法得到的目標圖像對比分析就能得到更加完整的目標。得到目標之后，對得到的圖像中值濾波，濾去可能的噪聲，然后進行形態(tài)學處理，得到更加完整平滑的圖像。

酒店管理信息系統(tǒng) （Hotel Management Information System，簡稱 HMS）是以酒店員工為主導，利用現(xiàn)代信息技術(shù)支持酒店業(yè)企業(yè)經(jīng)營、管理和決策的人機系統(tǒng)。其作為現(xiàn)代酒店管理的一個輔助系統(tǒng)，具有開放性、層次性。同時酒店信息管理系統(tǒng)呈現(xiàn)出專業(yè)化、集團化、集成化、標準化發(fā)展趨勢[7]。

3 目標跟蹤模塊

圖4 Camshift算法流程圖Fig.4 Process of Camshift algorithm

跑道 FOD在識別之后，靜止的物體只需要進行定位和清理，而運動的物體由于位置不定，需要進行實時跟蹤。實現(xiàn)跟蹤有很多方法：Karman跟蹤、Meanshift跟蹤、Camshift跟蹤。比較幾種跟蹤方法的穩(wěn)定性和準確性，選取 Camshift方法，一方面它是非參數(shù)的算法，解決了 Karman算法的線性局限性，另一方面它對圖像進行空間處理，克服了 Meanshift局部收斂造成的背景干擾和遮擋問題。將當前幀目標的位置信息投影到下一幀背景圖像區(qū)域里，通過確定圖像中的運動目標位置，重新設(shè)置搜索窗口，重復該步驟就可以實現(xiàn)目標的動態(tài)跟蹤，[6]其算法流程如圖4所示。

由于 Camshift算法下一幀的搜索范圍被限制在上一幀目標的附近區(qū)域，所以會為搜索節(jié)省大量的時間，提高算法的實時性。目標在運動過程中顏色特征基本不變，而此算法主要對目標的顏色特征感興趣，所以算法還有良好的魯棒性。Camshift實現(xiàn)跟蹤的主要代碼如下：

frame＝cvQueryFrame(capture)；//當前圖像轉(zhuǎn)圖片

CV_CHAIN_APPROX_SIMPLE，cvPoint(0，0))；//找輪廓

cvCvtColor(target，target_hsv，CV_BGR2HSV)；//將圖片由RGB轉(zhuǎn)化為HSV

cvSplit(target_hsv，target_hue，NULL，NULL，NULL)；//得到 H 分量

cvCalcBackProject(＆rawImage，result，hist)；//計算背景投影

cvCamShift(backproject，track_window，cvTerm Criteria(CV_TERMCRIT_EPS1CV_TERMCRIT_ITER，10，1)，＆track_comp，＆track_box)；//算法跟蹤

4 報警模塊

1)//表示第一幀和第二幀的目標都大于 3,000個像數(shù)點

依次類推當?shù)谖鍘哪繕艘泊笥?3,000個像素點：printf("warning!!!/n")狀態(tài)返回0

外來物入侵跑道發(fā)出報警后，工作人員需要確定報警信息是否真實，并立即采取相關(guān)措施，清除外來物。

5 測試結(jié)果分析

本文以VS2010平臺為基礎(chǔ)，借助OpenCV視覺庫，針對機場跑道的實際情況，以公路實景為背景進行取景實地測試，采用的硬件參數(shù)如表1所示。

表1 測試設(shè)備參數(shù)表Tab.1 List of device parameters

圖5 系統(tǒng)測試結(jié)果圖Fig.5 System test results

圖6 背景差分法和幀間差分法目標識別結(jié)果Fig.6 Recognition results of background differencing and inter-frame difference methods

系統(tǒng)測試結(jié)果如圖5所示，在VS2010平臺上生成顯示界面，4部分圖像分別為視頻當前幀圖像、目標識別圖像、目標跟蹤圖像、報警信息圖像。其中目標識別界面得到兩輛汽車識別的二值化信息，二值化圖像顯示的前景目標清晰可靠、空洞少。目標跟蹤界面上，紅框表示跟蹤框，它不僅能滿足跟蹤要求的實時性，還可以進行多目標的跟蹤。

同時，我們也利用背景差分法和幀差法進行了實驗(見圖 6)，背景差分法和幀間差分法都能確認前景目標的信息，但背景差分法輪廓信息較為缺乏，目標不夠完整；幀間差分法汽車輪廓清晰，但是空洞較多。本文算法得到的目標識別結(jié)果明顯優(yōu)于這兩種算法。

6 結(jié) 語

提出了基于OpenCV視覺庫的機場跑道FOD報警系統(tǒng)的設(shè)計方法，依托 VS2010平臺，利用OpenCV函數(shù)庫，結(jié)合混合高斯模型法，克服了背景差分法和幀間差分法的缺點。通過實驗結(jié)果的分析，該軟件系統(tǒng)能準確得到目標，實現(xiàn)實時跟蹤和報警，為跑道FOD報警系統(tǒng)的深入研究和工程實現(xiàn)奠定了基礎(chǔ)，具有一定的實際意義。

［1］ 李煜，肖剛. 機場跑道異物檢測系統(tǒng)設(shè)計與研究[J].激光與紅外，2011(8)：5-7.

［2］ 陳吉廬. 基于 OpenCV的紅外運動目標檢測與跟蹤算法研究及實現(xiàn)[D]. 南京：南京理工大學，2001.

［3］ 姚會，蘇松志，王麗，等. 基于改進的混合高斯模型的運動目標檢測方法[J]. 廈門大學學報：自然科學版，2008(47)：505-510.

［4］ 王麗娟. 基于 OpenCV 與混合高斯建模的運動目標檢測[J]. 電子測試，2009，9(9)：86-90.

［5］ Daniel Gutchess，Miroslav Trajkovic，Eric Cohensolal，et al. A background model initialization algorithm of video surveillance[A]，In：Proceedings of IEEE International Conference on Computer Vision[C]. Vancouverr，BC，2001：733-740.

［6］ 鄒鐵軍，張書偉，蔣杰，等. 基于 OpenCV的運動目標檢測與跟蹤系統(tǒng)軟件設(shè)計[J]. 智能計算機與應用，2012(3)：1-5.

Design of Runway FOD Alarm System Based on OpenCV

CAO Qiwu，CHEN Jin
(College of Aeronautical Engineering，CAUC，Tianjin 300300，China)

Based on video technology，a FOD(Foreign Object Debris)alarm system for airfield runway was designed with the OpenCV function library. In the system，moudling of the target identification was made by Gauss Mixture model and through the combination of background difference method and frame difference method，both static and dynamic objects could be detected；a target tracking module was realized through categorization of Camshift in the OpenCV to enhance its reliability；standards were set up based on specific situation for the alarming module which will be activated when the limit is breached.

OpenCV；FOD；target recognition；target tracking

TN954+.2

A

1006-8945(2014)07-0003-04

中央高?；究蒲袠I(yè)務費資助項目(3122013SY43)。

2014-06-07