一種跑道fod圖像探測方法及裝置的制造方法
【技術(shù)領域】
[0001] 本發(fā)明涉及基于2D圖像的物體探測和物體識別領域，尤其是涉及一種跑道FOD圖 像探測方法及裝置。
【背景技術(shù)】
[0002] 跑道入侵異物（下文簡稱F0D)對航班安全有重大威脅。從法國協(xié)和號空難事故 后，多方研究機構(gòu)與公司都在致力于FOD探測技術(shù)的研究和應用系統(tǒng)的開發(fā)。當前主流的 應用系統(tǒng)使用的技術(shù)為雷達探測技術(shù)和圖像探測技術(shù)。圖像探測技術(shù)因其成本相對較低， 夜視技術(shù)和圖像探測不斷發(fā)展，正得到越來越多的接受和認可。
[0003] 圖像探測面臨的技術(shù)難點主要來自跑道外觀細節(jié)和FOD的多樣性。首先，跑道本 身并不是簡單的灰色平面，而是有多種結(jié)構(gòu)。跑道上有指引標識線、嵌入的跑道指示燈等結(jié) 構(gòu)，在跑道板塊之間存在縫隙，混凝土石塊材質(zhì)的跑道在道面可見小石塊材質(zhì)。其次，F(xiàn)OD的 種類繁多，常見的就涉及扳手、鐵鏈、金屬板、輪胎橡膠等十余個種類，因遺落姿態(tài)不同帶來 的外觀差異更無法統(tǒng)計，甚至機場出現(xiàn)的一些FOD是不可預知的。第三，跑道和FOD在工作 的環(huán)境中外貌可能發(fā)生多種多變。戶外環(huán)境中，光照的變化、降雨、降雪、霜凍都會引起跑道 和FOD外表的改變。使用的過程中，輪胎摩擦會在跑道上留下痕跡，風化作用也會導致跑道 裂縫，甚至局部破損。
[0004] 以上難點對現(xiàn)有的一些探測技術(shù)性能有較大限制?；诰植客饷驳淖兓M行探測 的方法（如邊緣檢測、顏色差異等），容易探測到跑道自身結(jié)構(gòu)發(fā)出虛警。對跑道進行拍照 作為原始圖像，每次探測中拍照與原始圖像進行比對，探測差異從而探測FOD的方法，難以 適應工作環(huán)境的變化性。而對常見FOD種類分別訓練探測器，進行特定物體探測的方法，對 非常見的FOD種類探測能力有限。如果對非常見FOD種類也訓練探測器，則探測過程中需 要識別的種類繁多，探測速度慢。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明所要解決的技術(shù)問題是：針對現(xiàn)有技術(shù)存在的問題，提供一種跑道FOD圖 像探測方法及裝置，本方法在前期通過訓練獲得跑道自身固有結(jié)構(gòu)在多種氣象和光照條件 下成像的特征分布規(guī)律，建立非FOD目標的排除模型；在FOD探測過程中，首先對局部外貌 差異進行邊緣檢測得到疑似目標，然后通過前期訓練獲得的排除模型進行快速非FOD目標 排除，最終得到FOD目標并進行報警。
[0006] 本發(fā)明采用的技術(shù)方案如下：
[0007] 一種跑道FOD圖像探測方法包括：
[0008] 步驟1 :對理想跑道中指示燈、標識線、板塊縫隙、輪胎痕跡四類跑道表面物體拍 攝照片，分別建立四個正樣本圖像集合；對常見FOD拍攝照片，建立一個負樣本圖像集合；
[0009] 步驟2 :從四個正樣本圖像集合建立非FOD目標的排除模型，分別計算并統(tǒng)計四類 跑道表面物體區(qū)別于負樣本圖像集合的識別參數(shù)；
[0010] 步驟3 :對實際跑道進行圖像采集，對每張圖像用邊緣檢測方法進行疑似目標探 測，然后根據(jù)非FOD目標的排除模型中的識別參數(shù)排除跑道表面物體，實現(xiàn)對跑道監(jiān)視區(qū) 域的完整FOD檢測。
[0011] 進一步的，所述步驟1具體包括：
[0012] 步驟11 :對跑道的指示燈、標識線、板塊縫隙、輪胎痕跡四類物體的整體和局部進 行拍照，每類物體應拍攝至少10個樣本，每個樣本應至少從10個不同的角度進行拍攝；將 所有圖像剪去冗余區(qū)域，僅保留包含被拍攝物體的最小正方形區(qū)域；將所有剪裁后圖像縮 小至32X32像素；
[0013] 步驟12 :在晴天、陰天、雨天、霧霾天氣下，以及早上、中午、黃昏光照條件下，重復 步驟11，生成正樣本圖像集合；
[0014] 步驟13 :在跑道上擺放常見F0D，每個物體的直徑均不小于最小探測目標直徑，重 復步驟11、12的拍攝和圖像處理方法，生成負樣本圖像集合。
[0015] 進一步的，所述最小探測目標直徑為小于3cm。
[0016] 進一步的，所述步驟2具體步驟包括：
[0017] 步驟21 :將樣本圖像集合中所有彩色圖像轉(zhuǎn)化為灰度圖像，分別使用特征描述方 法將每一副圖像轉(zhuǎn)化為一個特征向量，其中四個正樣本圖像集合生成的特征向量稱為四個 正特征向量集合，負樣本圖像集合生成的特征向量稱為負特征向量集合；
[0018] 步驟22 :將每個正特征向量集合，分別使用聚類分析方法將特征向量分成K個聚 類，設定指示燈聚類為al個、標識線聚類為a2個、板塊縫隙聚類為a3個、輪胎痕跡聚類為 a4個，則K = al+a2+a3+a4 ;其中al、a2、a3、a4的取值均為1到5之間的整數(shù)；
[0019] 步驟23 :對每個聚類，計算其特征向量分布密度的近似高斯模型參數(shù)（μ k，Φ,)， 參數(shù)μ k為聚類內(nèi)所有特征向量的平均值，參數(shù)Φ k為聚類內(nèi)所有特征向量的協(xié)方差矩陣， k為聚類的序號且1彡k彡K ;在特征空間中任意點X與聚類k相似度Pk⑴計算公式為：
[0020] Pk (X) = exp (- (X- μ k)Τ Φ k1 (X- μ k))
[0021] 步驟24 :對每個聚類，設其包含N1個特征向量，每個特征向量用X ;表示，其中 1彡i彡N1，計算本聚類中所有特征向量與本聚類的最低相似度矣設負特征 向量集合包含N2個特征向量，每個特征向量用Yj,表示，其中I < j < N2，計算負特征向量 集合中所有特征向量與本聚類的最高相似度A = 聚類k相似度判定閾值1；的 計算公式為：
[0022]
[0023] 進一步的，所述特征描述方法是SIFT特征提取方法、HOG特征提取方法或者SURF 算法；聚類方法是K-Mean算法、BIRCH算法或DBSCAN算法。
[0024] 進一步的，所述步驟3具體包括：
[0025] 步驟31 :對跑道中各個子區(qū)域依次拍攝彩色圖像，將拍攝的彩色圖像轉(zhuǎn)變?yōu)榛叶?圖像，對灰度圖像使用平滑降噪處理；
[0026] 步驟32:對每張灰度圖像使用Canny邊緣檢測算法生成二進制邊緣圖像， 得到圖像中所有為1像素的坐標集合，設為1的像素共有隊個，則集合表示為C = {(X1, Y1), (x2, y2),... (xN3, yN3) I ；
[0027] 步驟33 :新建空集合D，將集合C中的第一個坐標移動到集合D ;重復遍歷集合C， 如果集合C中有坐標到集合D中任意坐標的距離小于或等于minW，則將集合C中的坐標轉(zhuǎn) 移到集合D，直到集合C中的任意坐標到集合D中的任意坐標距離均大于minW，或者集合C 為空集合；其中minW單位為像素，minW取值為10到30 ;
[0028] 步驟34 :統(tǒng)計集合D中的所有點在X軸上最大坐標為maxX，最小坐標 為minX，統(tǒng)計集合D中的所有點在Y軸上最大坐標maxY，最小坐標minY，取以
為中心，max(maxX-minX, maxY-minY)為邊長的正方形灰度 圖像區(qū)域，使用步驟21的特征描述方法將該圖像區(qū)域轉(zhuǎn)化成特征向量V ;
[0029] 步驟35 :分別計算V與K個聚類的相似度Pk(V)，如果所有Pk(V)均 滿足Pk (V) <Tk，則認為發(fā)現(xiàn)FOD物體，發(fā)出FOD報警，并提供目標對應坐標
[0030] 步驟36 :依次重復步驟32到35,直到集合C為空集合，完成對一張圖像中FOD的 探測；
[0031] 步驟37 :依次重復步驟32到36,直到完成對所有圖像的FOD檢測，實現(xiàn)對跑道監(jiān) 視區(qū)域的完整FOD檢測。
[0032] 一種跑道FOD圖像探測裝置包括
[0033] 非FOD目標排除模型模塊，用于對理想跑道中指示燈、標識線、板塊縫