李佳駿，王永忠，千月欣，萬(wàn)連成

(中國(guó)民用航空飛行學(xué)院，四川 廣漢 618307)

0 引言

現(xiàn)如今，航空公司擴(kuò)大機(jī)隊(duì)規(guī)模，機(jī)場(chǎng)增加跑道數(shù)量、跑道入口、擴(kuò)大設(shè)施規(guī)模等都是為了擴(kuò)增機(jī)場(chǎng)容量，提高跑道使用率。一方面，全球每年因跑道入侵引起的事故多達(dá)數(shù)千起，尤其當(dāng)機(jī)場(chǎng)出現(xiàn)大霧、降雨、降雪等惡劣氣象條件時(shí)大大增加了跑道入侵的風(fēng)險(xiǎn)，再加上機(jī)場(chǎng)的復(fù)雜程度、機(jī)場(chǎng)道面標(biāo)志被覆蓋、機(jī)組對(duì)機(jī)場(chǎng)不熟悉等不確定因素的影響，僅僅依靠人工監(jiān)視已無(wú)法滿(mǎn)足跑道安全和運(yùn)行需求，在惡劣氣象條件下對(duì)機(jī)場(chǎng)跑道侵入的預(yù)警系統(tǒng)進(jìn)行研究是航空業(yè)健康發(fā)展的當(dāng)務(wù)之急。研究惡劣條件下的跑道入侵問(wèn)題不僅可以提高地面運(yùn)行效率，減少工作人員的工作負(fù)荷，而且對(duì)降低航空不安全事件和事故的發(fā)生頻率，提高民航交通流量有極大意義。

1 國(guó)內(nèi)外研究現(xiàn)狀

隨著跑道侵入引起的事故及事故征候數(shù)量的不斷增長(zhǎng)，國(guó)際民航組織(ICAO)啟動(dòng)鼓勵(lì)各國(guó)嚴(yán)格執(zhí)行行業(yè)標(biāo)準(zhǔn)、建議措施及程序的計(jì)劃。國(guó)內(nèi)外學(xué)者紛紛從不同角度研究，旨在尋找出預(yù)防事故發(fā)生的最優(yōu)可行方案。國(guó)內(nèi)學(xué)者劉源[1]從引起跑道侵入的原因出發(fā)，認(rèn)為交通流量、機(jī)場(chǎng)布局及燈光設(shè)計(jì)、人員培訓(xùn)是跑道侵入的3個(gè)主要風(fēng)險(xiǎn)來(lái)源。羅軍、林雪寧[2]等人使用基于模糊集和改進(jìn)TOPSIS方法對(duì)跑道侵入的各風(fēng)險(xiǎn)指標(biāo)進(jìn)行評(píng)估，得出管制員工作負(fù)荷是最大ATC因素的結(jié)論。趙堅(jiān)、奉澤昊[3]等人提出利用物聯(lián)網(wǎng)平臺(tái)建立基于感知數(shù)據(jù)可視化的跑道侵入預(yù)測(cè)及預(yù)警系統(tǒng)的建議。潘偉軍、吳鄭源[4]等人使用基于混合高斯模型的背景減除法對(duì)機(jī)場(chǎng)視頻數(shù)據(jù)進(jìn)行追蹤，計(jì)算運(yùn)動(dòng)狀態(tài)。另外，民航局空管局在2019年頒布的《防止跑道侵入技術(shù)措施與實(shí)施路線(xiàn)》一文中，明確把ADS-B作為防止跑道侵入的相關(guān)成熟技術(shù)之一，同時(shí)建議A類(lèi)以下機(jī)場(chǎng)具備ADS-B監(jiān)視能力[5]。

國(guó)外方面，歐洲航行安全組織(Eurocontrol)從2003年開(kāi)始就對(duì)大量關(guān)于跑道入侵的事件和事故進(jìn)行分析，和機(jī)場(chǎng)、相關(guān)機(jī)構(gòu)合作，制定可以提高飛行安全的建議措施[6]。美國(guó)聯(lián)邦航空局(FAA)對(duì)造成跑道入侵問(wèn)題的來(lái)源和原因進(jìn)行統(tǒng)計(jì)，得到飛行員差錯(cuò)(缺乏情景意識(shí)，尤其是在低能見(jiàn)度情況下；緊張運(yùn)行時(shí)間表壓力下；對(duì)管制許可警覺(jué)差。)是航空器之間產(chǎn)生沖突的主要原因[7]。

2 圖像去霧降噪技術(shù)

近地面常見(jiàn)的惡劣天氣，例如大霧、降雨、降雪等直接影響到跑道能見(jiàn)度及機(jī)場(chǎng)附近的可見(jiàn)視線(xiàn)，這對(duì)以目視為主的起飛降落極為不利。為最大程度降低安全威脅，減輕因天氣原因?yàn)轱w行員和管制員帶來(lái)的壓力與工作負(fù)荷，多數(shù)機(jī)場(chǎng)選擇安裝視頻監(jiān)控作為輔助應(yīng)對(duì)措施。把從機(jī)場(chǎng)傳來(lái)的視頻進(jìn)一步處理，關(guān)鍵進(jìn)行去霧、降噪，改善圖片的清晰度，進(jìn)而識(shí)別可能影響飛行的障礙物。

圖像去霧是圖像增強(qiáng)的重要組成部分，目的是降低或消除圖像中霧氣的干擾，提高成像質(zhì)量。在戶(hù)外成像系統(tǒng)中，對(duì)天氣有非常大的依賴(lài)性，尤其在惡劣氣象條件下，大氣中往往懸浮著大量粉塵和粒子，經(jīng)過(guò)光的吸收散射作用被放大，影響到透光率，導(dǎo)致獲取的圖像嚴(yán)重退化。圖片中的細(xì)節(jié)特征被遮蓋，清晰度、對(duì)比度降低，動(dòng)態(tài)范圍縮小，甚至可能會(huì)因?yàn)閳D像色彩飽和度的降低而使圖片失真，直接影響到物體的識(shí)別。

2.1 直方圖優(yōu)化去霧技術(shù)

直方圖是圖像技術(shù)的統(tǒng)計(jì)表達(dá)形式，它可以用來(lái)反映圖像的概貌，包括圖像的亮度、對(duì)比度、灰度范圍及分布等。直方圖均衡化技術(shù)的基本思想[8]是把原始圖像做非線(xiàn)性變換處理，提高數(shù)量較少的灰度級(jí)，減少數(shù)量較多的灰度級(jí)，增加灰度值動(dòng)態(tài)范圍小的圖像對(duì)比度，使整張圖像表現(xiàn)的色彩更加豐富，主要步驟為：

對(duì)原始圖像做預(yù)處理，得到圖像直方圖Yi,則有：

Pi=ni/N,i=1,2,...,m

式中，Pi為第i灰度級(jí)的分布概率；ni為第i灰度級(jí)的圖像像素個(gè)數(shù)；N為圖像像素總數(shù)；m為圖像灰度級(jí)數(shù)量。

并作累計(jì)直方圖：

根據(jù)灰度變換表計(jì)算該直方圖的灰度值變化表，有：

H(j)=round((m-1)*D(j))

其中:round函數(shù)表示取整。

做查表變換，把預(yù)處理的原始圖像直方圖中的灰度值帶入到交換表中，得新的灰度值直方圖。

該方法可分為全局直方圖均衡化和局部直方圖均衡化。其中，全局直方圖均衡化方法是改善整張圖像的視覺(jué)效果，而局部直方圖均衡化是把圖像分解為多個(gè)區(qū)域之后，每個(gè)區(qū)域再進(jìn)行單獨(dú)的直方圖均衡化，最終各個(gè)區(qū)域再組合成完整圖像。為選取最優(yōu)的去霧技術(shù)，分別使用上述兩種方法進(jìn)行實(shí)驗(yàn)。

截取2019年11月24日江蘇南京祿口國(guó)際機(jī)場(chǎng)早晨監(jiān)控視頻的一幀畫(huà)面，據(jù)報(bào)道，該機(jī)場(chǎng)6時(shí)到9時(shí)，整個(gè)場(chǎng)區(qū)能見(jiàn)度只有100米左右，期間近90分鐘內(nèi)無(wú)航班降落，對(duì)機(jī)場(chǎng)運(yùn)行產(chǎn)生了極大影響。

圖1 全局直方圖均衡化前后對(duì)比圖

圖1中，左邊是原圖及初始灰度值直方圖，右邊全局直方圖均衡化處理之后的圖像及其灰度值直方圖。

圖2 局部直方圖均衡化前后對(duì)比圖

圖2中，左邊是原圖及初始灰度值直方圖，右邊局部直方圖均衡化處理之后的圖像及其灰度值直方圖。

無(wú)論是使用全局直方圖均衡化方法還是使用局部直方圖均衡化方法，得到的結(jié)果視覺(jué)效果顯著，而且便于操作。但是從結(jié)果圖中可以發(fā)現(xiàn)存在明顯的弊端，天空區(qū)域有塊化現(xiàn)象，顏色失真。

2.2 Retinex方法去霧技術(shù)

Retinex理論[9]認(rèn)為人類(lèi)大腦形成的關(guān)于目標(biāo)物體顏色的信息與外界光照強(qiáng)度沒(méi)有關(guān)系，只與目標(biāo)物表面的反射性質(zhì)相關(guān)。使用Retinex算法，可以使壓縮動(dòng)態(tài)范圍、顏色保持恒定、增強(qiáng)邊緣三方面達(dá)到平衡，是國(guó)內(nèi)外學(xué)者持續(xù)關(guān)注的圖像去霧技術(shù)。該理論把原圖像分為照度圖像和反射圖像兩部分，圖像的本質(zhì)信息儲(chǔ)存于反射圖像中，而照度圖像是原圖像受外界光照強(qiáng)度干擾的產(chǎn)物。照度圖像通過(guò)高斯濾波獲取，之后從原圖像中分離出來(lái)便可得到反射圖像，其關(guān)系可表示為：

T(x,y)=Z(x,y)*F(x,y)

T(x,y)為原圖像，Z(x,y)為照度圖像，F(xiàn)(x,y)為反射圖像。多尺度Retinex算法公式為：

經(jīng)過(guò)計(jì)算機(jī)編碼處理之后，得到使用Retinex方法的結(jié)果如圖3所示。

圖3 Retinex方法前后對(duì)比圖

通過(guò)對(duì)比明顯可以看出Retinex方法下的圖像去霧效果優(yōu)于直方圖均衡化方法，得到的結(jié)果圖細(xì)節(jié)增強(qiáng)明顯，色彩失真較小。除此之外，Retinex方法的適用范圍也比直方圖方法廣泛，并且對(duì)場(chǎng)景沒(méi)有特殊要求。

2.3 基于形態(tài)學(xué)的權(quán)重自適應(yīng)算法的降噪技術(shù)

形態(tài)學(xué)的基本思想是具有一定形態(tài)的結(jié)構(gòu)元素去度量和提取圖像中對(duì)應(yīng)形狀以達(dá)到對(duì)圖像分析和識(shí)別的目的[10]。在形態(tài)學(xué)中，開(kāi)運(yùn)算用來(lái)過(guò)濾圖像的噪聲，閉運(yùn)算用于增強(qiáng)低灰度區(qū)域，所以選用形態(tài)學(xué)開(kāi)-閉級(jí)聯(lián)形式對(duì)圖片進(jìn)行處理。另一方面，由于不同形狀結(jié)構(gòu)元素對(duì)圖像的影響不同，需要綜合考慮各種結(jié)構(gòu)元素，最終組成多結(jié)構(gòu)形態(tài)學(xué)的開(kāi)-閉運(yùn)算。原始圖像把每個(gè)結(jié)構(gòu)元素開(kāi)-閉運(yùn)算Ki(i=1,2,...,n)連續(xù)做兩次就可以構(gòu)成一個(gè)串聯(lián)結(jié)構(gòu)[11]，如圖4所示。

圖4 開(kāi)-閉運(yùn)算串聯(lián)結(jié)構(gòu)

為使各個(gè)結(jié)構(gòu)元素運(yùn)算之后的優(yōu)點(diǎn)在最終圖像中被放大繼承，把每一個(gè)元素的開(kāi)-閉運(yùn)算串聯(lián)結(jié)構(gòu)并聯(lián)組成串-并復(fù)合結(jié)構(gòu)。定義權(quán)值Pi為每一個(gè)結(jié)構(gòu)元素的開(kāi)閉運(yùn)算串聯(lián)結(jié)果與原圖像的差值。可以得到形態(tài)學(xué)自適應(yīng)權(quán)值Qi的計(jì)算公式:

Qi=Pi/(P1+P2+...+Pn)

最終基于形態(tài)學(xué)的權(quán)重自適應(yīng)算法公式表示為:

其中：G(x,y)為輸出圖像，Ii(x,y)為串聯(lián)處理后的結(jié)果。

同樣截取2019年11月24日江蘇南京祿口國(guó)際機(jī)場(chǎng)早晨監(jiān)控視頻的一幀畫(huà)面作為原始圖像，如圖5所示。從圖中可以看出畫(huà)面中有無(wú)數(shù)白色、灰色噪點(diǎn)，已經(jīng)嚴(yán)重影響到圖片的清晰度。

圖5 原始噪聲圖像

選取6個(gè)結(jié)構(gòu)元素組成6個(gè)單獨(dú)的串聯(lián)結(jié)構(gòu)。為更清晰直觀(guān)地看出哪些結(jié)構(gòu)元素的降噪效果顯著，分別就原始圖像做各自串聯(lián)開(kāi)-閉運(yùn)算，并對(duì)初步降噪結(jié)果進(jìn)行對(duì)比，如圖6所示。

圖6 串聯(lián)降噪效果圖

圖6中依次展示的是6種串聯(lián)結(jié)構(gòu)得到的降噪結(jié)果。通過(guò)對(duì)比，第5、6種串聯(lián)結(jié)構(gòu)更好。把這兩種串聯(lián)開(kāi)-閉運(yùn)算并聯(lián)來(lái)使降噪效果疊加，計(jì)算各自形態(tài)學(xué)自適應(yīng)權(quán)值Q5,Q6，帶入到基于形態(tài)學(xué)的權(quán)重自適應(yīng)算法公式中，最終輸出圖像。

圖7 串并復(fù)合降噪效果對(duì)比圖

由圖7可以看出，經(jīng)過(guò)基于形態(tài)學(xué)的權(quán)重自適應(yīng)算法計(jì)算之后，部分噪點(diǎn)被降低甚至消除，一些低灰度區(qū)域顏色被增強(qiáng)，相比之下，更容易對(duì)機(jī)場(chǎng)場(chǎng)面內(nèi)的飛機(jī)，標(biāo)識(shí)物等進(jìn)行識(shí)別和分析。

3 目標(biāo)檢測(cè)技術(shù)

研究跑道侵入需要從動(dòng)態(tài)角度去檢測(cè)機(jī)場(chǎng)場(chǎng)面狀況，即運(yùn)動(dòng)檢測(cè)，與上面去霧降噪技術(shù)只需改進(jìn)單幀圖像上的特征大不相同。運(yùn)動(dòng)檢測(cè)是通過(guò)檢測(cè)目標(biāo)與背景之間的運(yùn)動(dòng)方向和速度實(shí)現(xiàn)的，傳統(tǒng)運(yùn)動(dòng)檢測(cè)方法主要有三種：幀間差分法、背景差分法以及光流法。

幀間差分法和背景差分法原理相似，都是根據(jù)兩張圖像做差分計(jì)算之后獲取目標(biāo)物運(yùn)動(dòng)輪廓。兩種方法的區(qū)別在于做差分的兩張圖像，幀間差分使用的視頻中相鄰兩幀的圖像，而背景差分使用的是單幀圖像和背景圖像。當(dāng)場(chǎng)景中出現(xiàn)運(yùn)動(dòng)物體時(shí)，可根據(jù)兩幀圖像的亮度差判斷目標(biāo)運(yùn)動(dòng)的特性。使用這兩種算法比較簡(jiǎn)單，易于實(shí)現(xiàn)，但是存在區(qū)域提取不完整，過(guò)分依賴(lài)幀間時(shí)間間隔，不易獲取靜止背景等缺點(diǎn)。

光流法是運(yùn)動(dòng)檢測(cè)中最典型的方法。除此之外，在實(shí)際應(yīng)用中，會(huì)隨檢測(cè)跟蹤的目標(biāo)物增多，各個(gè)目標(biāo)物單體特征存在差異等原因，有不同的針對(duì)多目標(biāo)、多特性的方法出現(xiàn)。對(duì)多目標(biāo)跟蹤而言，目前有概率數(shù)據(jù)關(guān)聯(lián)與聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)算法、隨機(jī)集濾波和有限集統(tǒng)計(jì)算法。對(duì)多特征跟蹤來(lái)說(shuō)，色彩、輪廓、邊緣、梯度等信息可以通過(guò)一個(gè)傳感器獲得，然后根據(jù)特征之間的獨(dú)立性，在貝葉斯濾波下選擇加權(quán)組合或線(xiàn)性組合[12]。

3.1 光流法

光流代表了空間運(yùn)動(dòng)目標(biāo)的圖像像素點(diǎn)變化的瞬時(shí)速度，光流法是建立在3個(gè)假設(shè)的前提上，即亮度恒定假設(shè)、空間一致假設(shè)、時(shí)間連續(xù)假設(shè)[13]。光流法的基本思想是通過(guò)計(jì)算各幀圖像中的像素點(diǎn)的時(shí)域變化和相關(guān)度，把二維速度和圖像灰度相聯(lián)系，建立光流約束方程來(lái)實(shí)施目標(biāo)跟蹤。設(shè)二維原始圖像在t時(shí)刻在(x,y)點(diǎn)的亮度表示為A(x,y,t)，根據(jù)亮度恒定假設(shè)則有δt時(shí)刻的亮度:

A(x,y,t)=A(x+δx,y+δy,t+δt)

由泰勒展開(kāi)式可得:

經(jīng)簡(jiǎn)化得到矢量形式:

▽A*U+At=0

其中：▽為梯度方向，U=(u,v)T為光流，u,v是U在x,y方向上的分量。

截取香港國(guó)際機(jī)場(chǎng)監(jiān)控視頻的一段畫(huà)面來(lái)實(shí)施驗(yàn)證，正如圖9所示，以畫(huà)面中主要的兩架位于滑行道上的飛機(jī)為研究對(duì)象。最左邊一列展示的是每隔2 s兩架飛機(jī)所處的位置，從中可以觀(guān)察出從左到右兩架飛機(jī)之間的距離在逐漸增大，說(shuō)明至少有一架飛機(jī)在運(yùn)動(dòng)。

計(jì)算飛機(jī)運(yùn)動(dòng)的速度矢量的前提是確定飛機(jī)分別在x,y方向上移動(dòng)的距離。為此，需要從攝像機(jī)視角出發(fā)建立空間坐標(biāo)系，通過(guò)前后兩張圖像中同一目標(biāo)的坐標(biāo)差確定▽x,▽y，結(jié)合時(shí)間t已知(t為選取相鄰幀時(shí)間間隔μ的倍數(shù))，即可得到目標(biāo)物上每一點(diǎn)的速度矢量。用光流法通過(guò)計(jì)算機(jī)處理后可以得到如圖9所示的速度矢量圖。

圖9中,實(shí)線(xiàn)代表速度，實(shí)線(xiàn)長(zhǎng)短表示速度的大小。

圖8 相間2秒連續(xù)三幀原始圖像 圖9 基于光流法的速度矢量圖

速度越大，線(xiàn)段越長(zhǎng)，說(shuō)明右邊的飛機(jī)正在運(yùn)動(dòng)，并且速度在逐漸增大；左邊的飛機(jī)處于靜止且起步準(zhǔn)備狀態(tài)，因?yàn)槠浒l(fā)動(dòng)機(jī)和機(jī)頭位置的速度由無(wú)變大，但是飛機(jī)自身位置無(wú)變化。

當(dāng)飛機(jī)運(yùn)動(dòng)起來(lái)時(shí)，速度矢量會(huì)急速變化，觸發(fā)系統(tǒng)做出目標(biāo)運(yùn)動(dòng)識(shí)別，正如圖10所示，右邊飛機(jī)正在運(yùn)動(dòng)，并且機(jī)頭位置的圖像像素點(diǎn)變化的瞬時(shí)速度最大，被系統(tǒng)識(shí)別后跟蹤，直至消失在攝像機(jī)可覆范圍之外。

圖10 基于光流法的目標(biāo)識(shí)別圖

使用光流法的優(yōu)點(diǎn)是不易受到復(fù)雜環(huán)境的干擾，精度高，而且也不需要提前獲取圖像背景，可以直接得到目標(biāo)的運(yùn)動(dòng)參數(shù)，在基于對(duì)象的運(yùn)動(dòng)估計(jì)、運(yùn)動(dòng)檢測(cè)和跟蹤方面有很好的應(yīng)用前景[14-16]。但是光流法存在實(shí)時(shí)處理效果差，對(duì)噪聲敏感，檢測(cè)對(duì)象單一且數(shù)量有限的缺點(diǎn)，不能滿(mǎn)足繁忙機(jī)場(chǎng)要實(shí)現(xiàn)同一時(shí)間對(duì)多架飛機(jī)和場(chǎng)內(nèi)所有運(yùn)動(dòng)目標(biāo)的識(shí)別和跟蹤的任務(wù)。

3.2 混合高斯-卡爾曼濾波的多目標(biāo)檢測(cè)與跟蹤技術(shù)

高斯分布又稱(chēng)正態(tài)分布，表示的是隨機(jī)變量出現(xiàn)的概率。由于圖像中各點(diǎn)的像素值是隨機(jī)的，所以可以使用高斯分布對(duì)像素點(diǎn)的分布進(jìn)行擬合。背景像素點(diǎn)相對(duì)穩(wěn)定，其像素值在小范圍內(nèi)波動(dòng)，而運(yùn)動(dòng)目標(biāo)的像素點(diǎn)變化大，其像素值波動(dòng)范圍大，可以通過(guò)判斷像素點(diǎn)是否服從高斯分布來(lái)區(qū)分背景圖像與前景目標(biāo)[17]。

由于單高斯模型只適用于簡(jiǎn)單場(chǎng)景，對(duì)復(fù)雜場(chǎng)景適應(yīng)力差，所以本文使用混合高斯模型?；旌细咚鼓Ｐ妥钤缡怯蒘tauffer和Grimson提出，它的基本思想是每一個(gè)像素點(diǎn)都使用K(K=3～5)個(gè)被賦予不同權(quán)重的高斯分布共同描述，并且同時(shí)考慮背景圖像的像素占整張圖像像素的比重，由此表征各像素點(diǎn)的背景值[18]。下面介紹傳統(tǒng)混合高斯背景模型，假設(shè)t時(shí)刻像素點(diǎn)(x,y)屬于背景圖像的概率為:

η(Tt(x,y),μi,t,∑i,t)=

n代表Tt(x,y)的維數(shù)。

當(dāng)xi與已建立的任意高斯分布模型都不匹配，且xi的高斯分布模型個(gè)數(shù)k小于K時(shí)，應(yīng)新增一個(gè)高斯分布；當(dāng)k=K時(shí)，新的高斯分布模型取代優(yōu)先級(jí)最小的原有高斯分布模型；當(dāng)存在有匹配成功的高斯分布時(shí)，需要按照規(guī)則對(duì)第一個(gè)匹配成功的分布的參數(shù)進(jìn)行更新，其他分布的均值和方差則保持不變，但是權(quán)值也要按規(guī)定更新。第一個(gè)匹配成功的高斯分布參數(shù)更新公式如下所示：

ωi,t=(1-α)ωi,t-1+α

μ=(1-β)μi,t-1+βTi(x,y)

β=αη(Tt(x,y)|μ,σi,t)

其他分布的權(quán)值更新公式為：

ωi,t=(1-α)ωi,t-1

式中，β由α決定，β代表更新率，α代表學(xué)習(xí)率。

使用混合高斯模型通過(guò)Matlab軟件輸入香港國(guó)際機(jī)場(chǎng)監(jiān)控視頻的一段畫(huà)面來(lái)實(shí)施驗(yàn)證，正如圖11所示，左邊飛機(jī)靜止，而右邊飛機(jī)運(yùn)動(dòng)明顯，畫(huà)面中運(yùn)動(dòng)的飛機(jī)作為前景圖像被識(shí)別出來(lái)，其他靜止目標(biāo)一起被視為背景圖像。前景目標(biāo)的識(shí)別是靠與背景圖像的像素差異來(lái)實(shí)現(xiàn)的。

卡爾曼(Kalman)濾波器[17]是在系統(tǒng)線(xiàn)性和系統(tǒng)噪聲、測(cè)量噪聲與時(shí)間不相關(guān)的假設(shè)基礎(chǔ)上，根據(jù)歷史測(cè)量值的累積檢測(cè)出不受噪聲影響的部分。在進(jìn)行目標(biāo)跟蹤時(shí)，分為預(yù)測(cè)階段和校正階段。預(yù)測(cè)階段是根據(jù)當(dāng)前運(yùn)動(dòng)狀態(tài)預(yù)測(cè)之后可能發(fā)生的軌跡；校正階段是用實(shí)際觀(guān)測(cè)的結(jié)果對(duì)預(yù)測(cè)值校正。兩個(gè)階段不斷交替進(jìn)行，使得基于Kalman濾波建立的動(dòng)態(tài)模型越來(lái)越接近系統(tǒng)真實(shí)模型?？紤]到卡爾曼濾波器方法對(duì)目標(biāo)跟蹤準(zhǔn)確，耗費(fèi)內(nèi)存小等優(yōu)點(diǎn)，使用此方法對(duì)上面基于混合高斯模型的目標(biāo)檢測(cè)圖做進(jìn)一步的跟蹤檢測(cè)，其效果如圖12所示。

圖11 基于混合高斯模型的目標(biāo)檢測(cè)圖 圖12 基于卡爾曼濾波的目標(biāo)跟蹤圖

圖中右側(cè)顯示的是對(duì)已經(jīng)識(shí)別的運(yùn)動(dòng)飛機(jī)的跟蹤效果，并且用相對(duì)應(yīng)的符號(hào)、數(shù)字代碼、顏色等進(jìn)行標(biāo)記。不同的符號(hào)標(biāo)記可以表示具有獨(dú)立特征的不同類(lèi)目標(biāo)物，數(shù)字編碼可以用于同類(lèi)目標(biāo)之間的區(qū)分，例如“圓圈和1”可以表示1號(hào)運(yùn)輸汽車(chē)，“矩形和1”可以表示場(chǎng)面1號(hào)飛機(jī)，這種標(biāo)記方法有利于系統(tǒng)跟蹤效率的提高。

3.3 目標(biāo)檢測(cè)技術(shù)小結(jié)

本章主要介紹了光流法和基于混合高斯和卡爾曼濾波的多目標(biāo)檢測(cè)與跟蹤技術(shù)。經(jīng)過(guò)驗(yàn)證，這兩種方法的目標(biāo)檢測(cè)效果都很明顯。但是光流法存在檢測(cè)容量局限，易受噪聲干擾，不適合復(fù)雜繁忙機(jī)場(chǎng)在預(yù)防跑道侵入時(shí)使用。所以在本論文中，更傾向于使用基于混合高斯和卡爾曼濾波的多目標(biāo)檢測(cè)與跟蹤的方法。

4 攝像機(jī)標(biāo)定算法

在基于機(jī)器視覺(jué)的圖像測(cè)量計(jì)算的應(yīng)用中，為確定目標(biāo)物某點(diǎn)的信息與圖像采集圖片中對(duì)應(yīng)點(diǎn)之間的關(guān)系，需要建立相應(yīng)的相機(jī)成像數(shù)學(xué)模型，其中涉及到的一些參數(shù)叫做相機(jī)參數(shù)[19]。這些參數(shù)通過(guò)實(shí)驗(yàn)和推算得到，我們把求解相機(jī)參數(shù)(內(nèi)參、外參、畸變系數(shù))的過(guò)程叫做相機(jī)標(biāo)定(或攝像機(jī)標(biāo)定)[20]。在機(jī)器視覺(jué)應(yīng)用中，相機(jī)標(biāo)定是關(guān)鍵環(huán)節(jié)，它為后續(xù)把相機(jī)視角中的二維圖像信息轉(zhuǎn)化為機(jī)場(chǎng)三維立體信息奠定了基礎(chǔ)。圖13為基于機(jī)場(chǎng)視覺(jué)和攝像機(jī)視覺(jué)的綜合坐標(biāo)圖，通過(guò)此坐標(biāo)可以實(shí)現(xiàn)兩個(gè)坐標(biāo)系的相互轉(zhuǎn)換。

圖13 雙視角綜合坐標(biāo)系

圖13中，O1MNh三維坐標(biāo)系是以機(jī)場(chǎng)場(chǎng)面為基礎(chǔ)，O1位于攝像頭的垂直地面，假設(shè)機(jī)場(chǎng)內(nèi)每一部攝像頭離地面的高度h一定。XO2Y平面坐標(biāo)系是攝像機(jī)視角畫(huà)面，O2是此二維坐標(biāo)系的原點(diǎn)，兩坐標(biāo)系中X軸平行于M軸。設(shè)此時(shí)飛機(jī)位于機(jī)場(chǎng)平面MO1N中A(m,n)點(diǎn)處(A點(diǎn)在N軸上的投影是A4，投影于M軸于A(yíng)3點(diǎn)。)將A點(diǎn)與攝像頭相連接，與平面XO2Y相較于A(yíng)1，所得A1就是攝像機(jī)視角中飛機(jī)的位置。從A1點(diǎn)向平面MO1N做投影，相交于A(yíng)2點(diǎn)。之后分別從A1,A2開(kāi)始向X軸、Y軸、N軸做投影，依次相交于x,y,A6點(diǎn)。一般來(lái)說(shuō)，A1坐標(biāo)(x,y)可以根據(jù)相機(jī)屏幕中像素點(diǎn)與畸變系數(shù)的乘積得到，攝像頭安裝俯視角度α和安裝高度h的數(shù)據(jù)可以從機(jī)場(chǎng)獲得，由于本論文只考慮機(jī)場(chǎng)場(chǎng)面，所以令O2在N軸上。把已知參量在ΔhO1A,ΔO1AA4,ΔO1A2A6中做相似運(yùn)算，顯然可以求得飛機(jī)A點(diǎn)在MO1N坐標(biāo)系上的方位，具體推導(dǎo)過(guò)程如下：

通過(guò)攝像機(jī)標(biāo)定算法可以實(shí)現(xiàn)機(jī)場(chǎng)視角與相機(jī)視角的位置坐標(biāo)轉(zhuǎn)換，當(dāng)把機(jī)場(chǎng)所有的攝像機(jī)信息都融合到機(jī)場(chǎng)視角時(shí)就可以實(shí)現(xiàn)對(duì)機(jī)場(chǎng)場(chǎng)面所有運(yùn)動(dòng)目標(biāo)的識(shí)別，再根據(jù)各目標(biāo)運(yùn)動(dòng)的特性進(jìn)行跟蹤和預(yù)測(cè)。另外，設(shè)定一個(gè)合理的速度或距離閾值，當(dāng)運(yùn)動(dòng)目標(biāo)超過(guò)閾值時(shí)，系統(tǒng)報(bào)警，提醒工作人員存在潛在碰撞危險(xiǎn)，需要及時(shí)做出反應(yīng)。

5 實(shí)驗(yàn)結(jié)果與分析

本文對(duì)惡劣氣象條件下機(jī)場(chǎng)跑道的視頻進(jìn)行預(yù)處理，目的是找出易識(shí)別的運(yùn)動(dòng)目標(biāo)，判斷各物體的運(yùn)動(dòng)趨勢(shì)。之后再進(jìn)行攝像機(jī)與機(jī)場(chǎng)坐標(biāo)轉(zhuǎn)換，實(shí)現(xiàn)目標(biāo)物的跟蹤與檢測(cè)。實(shí)驗(yàn)結(jié)果證明，在圖像去霧處理中，使用基于直方圖優(yōu)化的去霧技術(shù)得到的結(jié)果視覺(jué)效果顯著，但存在明顯的塊化現(xiàn)象，顏色失真。相比之下，Retinex方法下的圖像去霧效果更優(yōu)；降噪處理中，可明顯看出經(jīng)過(guò)基于形態(tài)學(xué)的權(quán)重自適應(yīng)算法計(jì)算之后，部分噪點(diǎn)被降低甚至消除，一些低灰度區(qū)域顏色被增強(qiáng)，大大提高了對(duì)機(jī)場(chǎng)場(chǎng)面內(nèi)的飛機(jī)、標(biāo)識(shí)物等物體的識(shí)別率；通過(guò)實(shí)驗(yàn)對(duì)比，使用光流法的目標(biāo)檢測(cè)技術(shù)識(shí)別出來(lái)的對(duì)象單一，對(duì)于繁忙機(jī)場(chǎng)更加適合使用基于混合高斯與卡爾曼濾波器模型的方法來(lái)實(shí)現(xiàn)多目標(biāo)檢測(cè)；最后創(chuàng)立的攝像機(jī)標(biāo)定算法是為了確定機(jī)場(chǎng)場(chǎng)面目標(biāo)物某點(diǎn)的信息與圖像采集圖片中對(duì)應(yīng)點(diǎn)之間的關(guān)系，實(shí)現(xiàn)機(jī)場(chǎng)視覺(jué)坐標(biāo)和攝像機(jī)視覺(jué)坐標(biāo)的轉(zhuǎn)換，把整個(gè)機(jī)場(chǎng)目標(biāo)物融合為一個(gè)整體來(lái)進(jìn)行跟蹤與預(yù)測(cè)，達(dá)到提高跑道運(yùn)行安全率的作用。

6 結(jié)束語(yǔ)

本文首先使用Retinex方法和基于形態(tài)學(xué)的權(quán)重自適應(yīng)算法對(duì)機(jī)場(chǎng)惡劣天氣下的監(jiān)視視頻進(jìn)行圖像進(jìn)行去霧降噪預(yù)處理。之后分別使用光流法和基于混合高斯與卡爾曼濾波器模型的方法進(jìn)行目標(biāo)檢測(cè)，兩種方法通過(guò)對(duì)比，發(fā)現(xiàn)基于混合高斯與卡爾曼濾波器模型的方法更加適用于惡劣氣象條件下繁忙機(jī)場(chǎng)場(chǎng)面上的目標(biāo)檢測(cè)和跟蹤。最后創(chuàng)造性地建立攝像機(jī)標(biāo)定算法，完成攝像機(jī)視角與機(jī)場(chǎng)視角坐標(biāo)的轉(zhuǎn)換，利于從機(jī)場(chǎng)大視角對(duì)場(chǎng)面所有運(yùn)動(dòng)目標(biāo)的檢測(cè)和跟蹤。