廖圣龍

摘 要：針對機(jī)場場面監(jiān)視雷達(dá)中的目標(biāo)分類問題，提出了基于圖像處理的機(jī)場目標(biāo)分類算法。首先通過圖像預(yù)處理、投影變換、基于哈爾特征的圖像匹配分割出精確的目標(biāo)區(qū)域圖像，并計(jì)算出目標(biāo)特征信息;然后采用貝葉斯分類方法得到目標(biāo)測量值的概率向量，最后通過加權(quán)計(jì)算目標(biāo)測量值在各個(gè)類別中的概率值完成分類。對仿真實(shí)驗(yàn)結(jié)果分析發(fā)現(xiàn)，該分類算法可以精確的分割出目標(biāo)圖像，并對機(jī)場不同區(qū)域和不同類型的目標(biāo)都可以有效分類識別。

關(guān)鍵詞： 場面監(jiān)視雷達(dá);圖像處理;目標(biāo)分類; 貝葉斯分類; 圖像匹配

中圖分類號：TP391? ? ? ? 文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2020）23-0178-03

Abstract：An airport target classification algorithm based on image processing is proposed. First， by image pre-processing， projection transformation and image matching based on Hale feature， the accurate target region image is segmented， and compute the subjection of measurements using the Cauchy distribution function. Then， get the probabilistic vector through the Bayes theorem. Finally， obtain the targets category with the adjudicative function. The simulation results show that the algorithm can classify the airport target correctly.

Key words：surface movement radar;? image processing; target classification; Bayes theorem;image matching

1 引言

隨著國內(nèi)近些年經(jīng)濟(jì)的飛速發(fā)展，航空運(yùn)輸業(yè)也同樣發(fā)展迅猛，國內(nèi)一些大型國際機(jī)場的運(yùn)輸量也隨之越來越大，當(dāng)面臨著處理起降次數(shù)猛增，需要同時(shí)管理大量飛機(jī)以及相應(yīng)增加的地服車輛時(shí)，加大了機(jī)場場面調(diào)度的管理難度。傳統(tǒng)人工管理機(jī)場場面調(diào)度已經(jīng)無法滿足新的場景，目前國內(nèi)外各大機(jī)場引入了場面監(jiān)視雷達(dá)（Surface Movement Radar，SMR） [1-3] 實(shí)現(xiàn)自動監(jiān)視機(jī)場場面情況。此外，場面監(jiān)視雷達(dá)區(qū)別于其他雷達(dá)傳感器的關(guān)鍵特征是它的全天候、高轉(zhuǎn)速（60轉(zhuǎn)/分）、高分辨率（對機(jī)場跑道異物進(jìn)行監(jiān)視，包括手提箱）和實(shí)孔徑成像。

目前，SMR主要用于機(jī)場場面目標(biāo)的實(shí)時(shí)監(jiān)視跟蹤，對于實(shí)現(xiàn)目標(biāo)分類的研究還較少。國內(nèi)外的相關(guān)研究工作[3]主要還是基于機(jī)場的先驗(yàn)分布信息以及SMR測量數(shù)據(jù)信息（速度、加速度等），并從這些信息中提取特征向量，通過分類算法實(shí)現(xiàn)目標(biāo)分類。這些方法中比較實(shí)用的一種算法是先根據(jù)貝葉斯理論計(jì)算出實(shí)際測量值的概率向量，然后結(jié)合加權(quán)和決策矩陣組成的綜合評判函數(shù)實(shí)現(xiàn)目標(biāo)的分類[4]。此外，還有一些相關(guān)研究是關(guān)于輻射源分類、雷達(dá)回波信號特征分類或者紅外目標(biāo)的分類[5-7]，但由于 SMR本身的特點(diǎn)，這些分類算法并不適用于SMR的目標(biāo)分類。

考慮SMR具有高分辨率、可成像的特點(diǎn)，引入圖像處理算法提取目標(biāo)的圖像特征（主要是長寬和面積信息），再結(jié)合傳統(tǒng)機(jī)場場面目標(biāo)分類時(shí)用到的目標(biāo)的運(yùn)動信息（速度、加速度等）和機(jī)場的先驗(yàn)分布信息。本文提出了基于圖像處理的目標(biāo)分類算法，首先通過圖像預(yù)處理、投影變換、基于哈爾特征的圖像匹配、圖像分割將目標(biāo)圖像特征提取出來，結(jié)合目標(biāo)的運(yùn)動信息和機(jī)場的先驗(yàn)分布信息得到目標(biāo)的特征向量，利用貝葉斯分類方法獲得特征向量的概率向量;最后通過加權(quán)計(jì)算目標(biāo)測量值在各個(gè)類別中的概率值完成分類。最終給出機(jī)場場面目標(biāo)分類的實(shí)驗(yàn)仿真結(jié)果。

2 基于圖像處理的特征提取

2.1 圖像預(yù)處理

首先是對雷達(dá)回波圖像進(jìn)行預(yù)處理，需要結(jié)合機(jī)場的先驗(yàn)分布信息以及雷達(dá)實(shí)時(shí)的跟蹤信息，可以從整個(gè)回波圖像中分割出初步的目標(biāo)圖像（已知這一時(shí)刻某個(gè)目標(biāo)的位置和其所處機(jī)場跑道信息），并根據(jù)已知跑道的相對的角度信息對分割出的目標(biāo)圖像進(jìn)行旋轉(zhuǎn)變換，得到如圖1（a）中所示的圖像，完成目標(biāo)圖像的初步分割。然后對分割的目標(biāo)圖像進(jìn)行去背景處理和二值化處理，其中去背景處理是基于實(shí)時(shí)跑道位置的圖像背景信息，二值化處理是通過統(tǒng)計(jì)目標(biāo)圖像和背景圖像的灰度統(tǒng)計(jì)信息來確定二值化的閾值。為了提高后續(xù)投影變換的處理效果，先要去除圖像中孤立的像素點(diǎn)，利用開運(yùn)算的特點(diǎn)（先腐蝕后膨脹）可以實(shí)現(xiàn)，然后需要再利用閉運(yùn)算（先膨脹后腐蝕），連通分散開的目標(biāo)區(qū)域，盡可能完整的保留目標(biāo)區(qū)域，結(jié)果如圖1（b）所示 。

2.2 投影變換

投影變換主要就是對圖像水平或者垂直方向的像素信息進(jìn)行統(tǒng)計(jì)。首先對二值化后的目標(biāo)圖像進(jìn)行水平投影，處理的結(jié)果如圖1（b）所示，從水平投影結(jié)果可以看到有明顯的突起部分，即代表了目標(biāo)在圖像中水平方向的位置，同樣垂直投影也可以獲得目標(biāo)在垂直方向的位置。為了更加準(zhǔn)確的獲得目標(biāo)的位置信息，依據(jù)投影的結(jié)果可以將圖像的非目標(biāo)區(qū)域去除，從而得到更加準(zhǔn)確的目標(biāo)區(qū)域。

此外，為了實(shí)現(xiàn)目標(biāo)區(qū)域的穩(wěn)定分割，對投影結(jié)果的判定需要一些閾值的設(shè)定。在依據(jù)水平投影結(jié)果將目標(biāo)區(qū)域從圖像中分割出來時(shí)，分割的位置是需要一個(gè)合適的判斷依據(jù)，需要考慮到機(jī)場不同區(qū)域和不同目標(biāo)的圖像質(zhì)量，例如目標(biāo)在不同區(qū)域相對于雷達(dá)就會有不同的成像效果，還有可能會有一些遮擋等。在處理和分析了大量不同區(qū)域或不同類型的目標(biāo)圖像后，可以得到合適的閾值用于分割目標(biāo)區(qū)域，其中水平投影取中值作為分割閾值，垂直投影則基于水平投影分割后的區(qū)域的最小值作為分割閾值。此外，兩頭的極大或者極小值不計(jì)入內(nèi)（排除一些不確定的因素）。

2.3 圖像匹配

通過投影變換已經(jīng)可以提取出較為準(zhǔn)確的目標(biāo)區(qū)域，但后續(xù)進(jìn)行目標(biāo)分類時(shí)用到的目標(biāo)長度、寬度、面積等信息則是需要更加精確的計(jì)算結(jié)果。因此為了更加準(zhǔn)確的分類，再結(jié)合了飛機(jī)目標(biāo)和運(yùn)輸車輛目標(biāo)等本身的結(jié)構(gòu)特點(diǎn)構(gòu)造了一些類Haar特征[8]并以此提取出飛機(jī)目標(biāo)的一些重要的結(jié)構(gòu)特征，提取獲得的特征就可以構(gòu)建飛機(jī)和運(yùn)輸車輛目標(biāo)的特征庫。Haar特征比較典型的有邊緣特征、對角線特征和中心特征等，這些都是適合提取飛機(jī)和運(yùn)輸車輛的特征模板，可以比較全面的獲得目標(biāo)特征信息。特征模板的組成就是白色或黑色的矩形塊，計(jì)算每個(gè)模板的特征值就是目標(biāo)落在白色區(qū)域和黑色區(qū)域統(tǒng)計(jì)信息。每個(gè)特征模板作為一個(gè)特征組成特征向量。類Haar特征模板如圖2（a）所示。

圖像匹配的流程就是從構(gòu)建的特征庫中索引相應(yīng)位置的各類特征集合，依次進(jìn)行特征匹配計(jì)算相似度，找到相似度最大的模板，以此模板的中心分割出目標(biāo)的精確區(qū)域，主要依據(jù)飛機(jī)目標(biāo)兩邊對稱和前后近似對稱的特點(diǎn)。

2.4 目標(biāo)信息計(jì)算

為了下一步的目標(biāo)分類，需要計(jì)算出目標(biāo)的面積、長度和寬度等信息，其中目標(biāo)的長度和寬度在圖像匹配時(shí)即可計(jì)算出來，而目標(biāo)面積信息則需要對分割出的目標(biāo)區(qū)域二值圖像進(jìn)行閉運(yùn)算處理，形成閉合的目標(biāo)區(qū)域，然后統(tǒng)計(jì)閉合區(qū)域的像素點(diǎn)，就可以折算出目標(biāo)的面積。

3 貝葉斯分類

3.1 貝葉斯分類

貝葉斯分類[9]是一種基于貝葉斯定理的統(tǒng)計(jì)學(xué)分類方法，如果所需的先驗(yàn)信息已知，且條件概率可以獲得，那么貝葉斯分類適合用來迭代表示離散時(shí)間點(diǎn)上的特征間關(guān)系。假設(shè)機(jī)場目標(biāo)分類的先驗(yàn)分布和特征向量已知，分類概率可以根據(jù)貝葉斯準(zhǔn)則來進(jìn)行更新。假設(shè)時(shí)刻tk目標(biāo)的特征向量為X[k]，目標(biāo)隸屬于分類Cj的概率估計(jì)定義為：

3.2 決策矩陣

根據(jù)目標(biāo)隸屬于分類Cj的概率估計(jì)可以構(gòu)造決策矩陣：

3.3 目標(biāo)分類

通過計(jì)算目標(biāo)隸屬于各個(gè)類型的概率估計(jì)，得到相應(yīng)的決策矩陣后，還需要根據(jù)先驗(yàn)知識確定各個(gè)觀測特征對目標(biāo)類別的權(quán)重大小，得到一個(gè)權(quán)重矩陣。由決策矩陣和權(quán)重矩陣計(jì)算出分類結(jié)果，即計(jì)算值最大的類別就是目標(biāo)的分類結(jié)果。

4 仿真結(jié)果

為了檢驗(yàn)本算法的可用性，在某場面監(jiān)視雷達(dá)設(shè)備上通過實(shí)測數(shù)據(jù)對目標(biāo)跟蹤算法的性能進(jìn)行驗(yàn)證，場監(jiān)雷達(dá)的系統(tǒng)參數(shù)為：轉(zhuǎn)速60rpm，工作頻率15.9GHz，雷達(dá)威力5km，距離分辨率為3m，方位分辨率為0.35°，目標(biāo)定位精度10米。

觀測并記錄一周的某機(jī)場的場間雷達(dá)共584批數(shù)據(jù)，其中飛機(jī)數(shù)據(jù)468批，運(yùn)輸車輛數(shù)據(jù)116批。事后通過重演數(shù)據(jù)仿真了兩種情況，一種是只進(jìn)行圖像匹配就分類出結(jié)果，另一種是圖像匹配后再進(jìn)行貝葉斯分類，記錄下分類情況;最后統(tǒng)計(jì)比較在不同分類方法的分類準(zhǔn)確率統(tǒng)計(jì)結(jié)果如表1所示。

通過表1結(jié)果可以看出，對運(yùn)輸車輛和飛機(jī)的大分類識別準(zhǔn)確率很高，而對于各類飛機(jī)的分類相對較差。只采用圖像匹配的分類方法和圖像匹配后再進(jìn)行貝葉斯分類的方法相比，圖像匹配后再進(jìn)行貝葉斯分類的方法的準(zhǔn)確率更高。

5 結(jié)論

通過對機(jī)場場面活動目標(biāo)分類問題研究，在目標(biāo)分類處理時(shí)考慮區(qū)域和目標(biāo)運(yùn)動特性等信息，并引入圖像匹配算法和貝葉斯分類算法加強(qiáng)目標(biāo)分類的準(zhǔn)確性，本文提出了基于圖像處理的目標(biāo)分類算法架構(gòu)：首先介紹了圖像預(yù)處理、投影變換、基于哈爾變換的圖像匹配等圖像處理算法，并以此基礎(chǔ)計(jì)算出目標(biāo)的長寬和面積信息;然后結(jié)合獲取的目標(biāo)特征信息，引入成熟的貝葉斯分類算法實(shí)現(xiàn)對目標(biāo)分類;最后通過重演某場面監(jiān)視雷達(dá)記錄的真實(shí)數(shù)據(jù)，在仿真軟件上仿真出分類結(jié)果，仿真結(jié)果表明本文算法對機(jī)場場面飛機(jī)和運(yùn)輸車輛等目標(biāo)的分類識別是有效的。此外，對于各個(gè)區(qū)域不同類型目標(biāo)，本文的分類算法也是具有一定的魯棒性。

參考文獻(xiàn)：

[1] 李斌，張冠杰.場面監(jiān)視雷達(dá)技術(shù)發(fā)展綜述[J].火控雷達(dá)技術(shù)，2010，39（2）：1-7.

[2] 宮淑麗，陶誠，黃圣國.A-SMGCS的多場面監(jiān)視雷達(dá)多目標(biāo)航跡相關(guān)[J].計(jì)算機(jī)測量與控制，2012，20（8）：2183-2186.

[3] 沈杰，晏勇.機(jī)場場面監(jiān)視雷達(dá)反雜波性能分析[J].雷達(dá)科學(xué)與技術(shù)，2014（2）.

[4] Ghadaki H，Dizaji R.Target track classification for airport surveillance radar （ASR）[C]//2006 IEEE Conference on Radar. 24-27 April 2006， Verona， NY， USA. IEEE， 2006：4 pp..

[5] 林幼權(quán).球載雷達(dá)目標(biāo)分類與識別技術(shù)研究[J].現(xiàn)代雷達(dá)，2011，33（7）：1-4.

[6] 王睿，李言俊，張科.基于不變矩和SVM分類的三維目標(biāo)識別方法[J].計(jì)算機(jī)仿真，2011，28（1）：242-245.

[7] 袁祖霞，高貴明.基于高分辨率一維距離像雷達(dá)目標(biāo)識別研究[J].雷達(dá)與對抗，2010，30（1）：11-14.

[8] Lienhart R，Maydt J.An extended set of Haar-like features for rapid object detection[C]//Proceedings of International Conference on Image Processing. 22-25 Sept. 2002， Rochester， NY， USA. IEEE， 2002：I.

[9] 崔彩霞.智能分類方法[M].北京：氣象出版社，2009：130-137.

【通聯(lián)編輯：代影】