基于图像处理的机场目标分类研究

来源:用户上传      作者:

　　摘 要：针对机场场面监视雷达中的目标分类问题，提出了基于图像处理的机场目标分类算法。首先通过图像预处理、投影变换、基于哈尔特征的图像匹配分割出精确的目标区域图像，并计算出目标特征信息;然后采用贝叶斯分类方法得到目标测量值的概率向量，最后通过加权计算目标测量值在各个类别中的概率值完成分类。对仿真实验结果分析发现，该分类算法可以精确的分割出目标图像，并对机场不同区域和不同类型的目标都可以有效分类识别。
　　关键词： 场面监视雷达;图像处理;目标分类; 贝叶斯分类; 图像匹配
　　中图分类号：TP391        文献标识码：A
　　文章編号：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 target’s 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
　　随着国内近些年经济的飞速发展，航空运输业也同样发展迅猛，国内一些大型国际机场的运输量也随之越来越大，当面临着处理起降次数猛增，需要同时管理大量飞机以及相应增加的地服车辆时，加大了机场场面调度的管理难度。传统人工管理机场场面调度已经无法满足新的场景，目前国内外各大机场引入了场面监视雷达（Surface Movement Radar，SMR） [1-3] 实现自动监视机场场面情况。此外，场面监视雷达区别于其他雷达传感器的关键特征是它的全天候、高转速（60转/分）、高分辨率（对机场跑道异物进行监视，包括手提箱）和实孔径成像。
　　目前，SMR主要用于机场场面目标的实时监视跟踪，对于实现目标分类的研究还较少。国内外的相关研究工作[3]主要还是基于机场的先验分布信息以及SMR测量数据信息（速度、加速度等），并从这些信息中提取特征向量，通过分类算法实现目标分类。这些方法中比较实用的一种算法是先根据贝叶斯理论计算出实际测量值的概率向量，然后结合加权和决策矩阵组成的综合评判函数实现目标的分类[4]。此外，还有一些相关研究是关于辐射源分类、雷达回波信号特征分类或者红外目标的分类[5-7]，但由于 SMR本身的特点，这些分类算法并不适用于SMR的目标分类。
　　考虑SMR具有高分辨率、可成像的特点，引入图像处理算法提取目标的图像特征（主要是长宽和面积信息），再结合传统机场场面目标分类时用到的目标的运动信息（速度、加速度等）和机场的先验分布信息。本文提出了基于图像处理的目标分类算法，首先通过图像预处理、投影变换、基于哈尔特征的图像匹配、图像分割将目标图像特征提取出来，结合目标的运动信息和机场的先验分布信息得到目标的特征向量，利用贝叶斯分类方法获得特征向量的概率向量;最后通过加权计算目标测量值在各个类别中的概率值完成分类。最终给出机场场面目标分类的实验仿真结果。
　　2 基于图像处理的特征提取
　　2.1 图像预处理
　　首先是对雷达回波图像进行预处理，需要结合机场的先验分布信息以及雷达实时的跟踪信息，可以从整个回波图像中分割出初步的目标图像（已知这一时刻某个目标的位置和其所处机场跑道信息），并根据已知跑道的相对的角度信息对分割出的目标图像进行旋转变换，得到如图1（a）中所示的图像，完成目标图像的初步分割。然后对分割的目标图像进行去背景处理和二值化处理，其中去背景处理是基于实时跑道位置的图像背景信息，二值化处理是通过统计目标图像和背景图像的灰度统计信息来确定二值化的阈值。为了提高后续投影变换的处理效果，先要去除图像中孤立的像素点，利用开运算的特点（先腐蚀后膨胀）可以实现，然后需要再利用闭运算（先膨胀后腐蚀），连通分散开的目标区域，尽可能完整的保留目标区域，结果如图1（b）所示 。
　　2.2 投影变换
　　投影变换主要就是对图像水平或者垂直方向的像素信息进行统计。首先对二值化后的目标图像进行水平投影，处理的结果如图1（b）所示，从水平投影结果可以看到有明显的突起部分，即代表了目标在图像中水平方向的位置，同样垂直投影也可以获得目标在垂直方向的位置。为了更加准确的获得目标的位置信息，依据投影的结果可以将图像的非目标区域去除，从而得到更加准确的目标区域。
　　此外，为了实现目标区域的稳定分割，对投影结果的判定需要一些阈值的设定。在依据水平投影结果将目标区域从图像中分割出来时，分割的位置是需要一个合适的判断依据，需要考虑到机场不同区域和不同目标的图像质量，例如目标在不同区域相对于雷达就会有不同的成像效果，还有可能会有一些遮挡等。在处理和分析了大量不同区域或不同类型的目标图像后，可以得到合适的阈值用于分割目标区域，其中水平投影取中值作为分割阈值，垂直投影则基于水平投影分割后的区域的最小值作为分割阈值。此外，两头的极大或者极小值不计入内（排除一些不确定的因素）。 　　2.3 图像匹配
　　通过投影变换已经可以提取出较为准确的目标区域，但后续进行目标分类时用到的目标长度、宽度、面积等信息则是需要更加精确的计算结果。因此为了更加准确的分类，再结合了飞机目标和运输车辆目标等本身的结构特点构造了一些类Haar特征[8]并以此提取出飞机目标的一些重要的结构特征，提取获得的特征就可以构建飞机和运输车辆目标的特征库。Haar特征比较典型的有边缘特征、对角线特征和中心特征等，这些都是适合提取飞机和运输车辆的特征模板，可以比较全面的获得目标特征信息。特征模板的组成就是白色或黑色的矩形块，计算每个模板的特征值就是目标落在白色区域和黑色区域统计信息。每個特征模板作为一个特征组成特征向量。类Haar特征模板如图2（a）所示。
　　图像匹配的流程就是从构建的特征库中索引相应位置的各类特征集合，依次进行特征匹配计算相似度，找到相似度最大的模板，以此模板的中心分割出目标的精确区域，主要依据飞机目标两边对称和前后近似对称的特点。
　　2.4 目标信息计算
　　为了下一步的目标分类，需要计算出目标的面积、长度和宽度等信息，其中目标的长度和宽度在图像匹配时即可计算出来，而目标面积信息则需要对分割出的目标区域二值图像进行闭运算处理，形成闭合的目标区域，然后统计闭合区域的像素点，就可以折算出目标的面积。
　　3 贝叶斯分类
　　3.1 贝叶斯分类
　　贝叶斯分类[9]是一种基于贝叶斯定理的统计学分类方法，如果所需的先验信息已知，且条件概率可以获得，那么贝叶斯分类适合用来迭代表示离散时间点上的特征间关系。假设机场目标分类的先验分布和特征向量已知，分类概率可以根据贝叶斯准则来进行更新。假设时刻tk目标的特征向量为X[k]，目标隶属于分类Cj的概率估计定义为：
　　3.2 决策矩阵
　　根据目标隶属于分类Cj的概率估计可以构造决策矩阵：
　　3.3 目标分类
　　通过计算目标隶属于各个类型的概率估计，得到相应的决策矩阵后，还需要根据先验知识确定各个观测特征对目标类别的权重大小，得到一个权重矩阵。由决策矩阵和权重矩阵计算出分类结果，即计算值最大的类别就是目标的分类结果。
　　4 仿真结果
　　为了检验本算法的可用性，在某场面监视雷达设备上通过实测数据对目标跟踪算法的性能进行验证，场监雷达的系统参数为：转速60rpm，工作频率15.9GHz，雷达威力5km，距离分辨率为3m，方位分辨率为0.35°，目标定位精度10米。
　　观测并记录一周的某机场的场间雷达共584批数据，其中飞机数据468批，运输车辆数据116批。事后通过重演数据仿真了两种情况，一种是只进行图像匹配就分类出结果，另一种是图像匹配后再进行贝叶斯分类，记录下分类情况;最后统计比较在不同分类方法的分类准确率统计结果如表1所示。
　　通过表1结果可以看出，对运输车辆和飞机的大分类识别准确率很高，而对于各类飞机的分类相对较差。只采用图像匹配的分类方法和图像匹配后再进行贝叶斯分类的方法相比，图像匹配后再进行贝叶斯分类的方法的准确率更高。
　　5 结论
　　通过对机场场面活动目标分类问题研究，在目标分类处理时考虑区域和目标运动特性等信息，并引入图像匹配算法和贝叶斯分类算法加强目标分类的准确性，本文提出了基于图像处理的目标分类算法架构：首先介绍了图像预处理、投影变换、基于哈尔变换的图像匹配等图像处理算法，并以此基础计算出目标的长宽和面积信息;然后结合获取的目标特征信息，引入成熟的贝叶斯分类算法实现对目标分类;最后通过重演某场面监视雷达记录的真实数据，在仿真软件上仿真出分类结果，仿真结果表明本文算法对机场场面飞机和运输车辆等目标的分类识别是有效的。此外，对于各个区域不同类型目标，本文的分类算法也是具有一定的鲁棒性。
　　参考文献：
　　[1] 李斌，张冠杰.场面监视雷达技术发展综述[J].火控雷达技术，2010，39（2）：1-7.
　　[2] 宫淑丽，陶诚，黄圣国.A-SMGCS的多场面监视雷达多目标航迹相关[J].计算机测量与控制，2012，20（8）：2183-2186.
　　[3] 沈杰，晏勇.机场场面监视雷达反杂波性能分析[J].雷达科学与技术，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] 林幼权.球载雷达目标分类与识别技术研究[J].现代雷达，2011，33（7）：1-4.
　　[6] 王睿，李言俊，张科.基于不变矩和SVM分类的三维目标识别方法[J].计算机仿真，2011，28（1）：242-245.
　　[7] 袁祖霞，高贵明.基于高分辨率一维距离像雷达目标识别研究[J].雷达与对抗，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.智能分类方法[M].北京：气象出版社，2009：130-137.
　　【通联编辑：代影】
转载注明来源:https://www.xzbu.com/8/view-15316536.htm