[發明專利]一種機場場面運動目標檢測識別方法

在審

• 申請號: 201711345550.7
• 申請日: 2017-12-15
• 公開（公告）號: CN107992899A
• 公開（公告）日: 2018-05-04
• 發明（設計）人: 韓松臣;詹昭煥;李煒
• 申請（專利權）人: 四川大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發明涉及數字圖像處理技術領域，具體地說，是一種機場運動目標檢測識別方法。

背景技術

隨著我國民用航空運輸業的快速發展，機場的飛機、車輛和人員的數量迅速增加，機場場面的運行環境日趨復雜。有必要引入機場場面監視系統。

傳統的機場場面監視方法以場面監視雷達為主，國內大型機場如北京首都機場、上海浦東機場等都有裝備場面監視雷達。但是，由于場面監視雷達高昂的安裝和維護費用，國內的絕大多數中小機場并未配備場面監視雷達，而是依賴于管制員的目視和人為操作來實現對場面的監視功能，這將大大增加機場場面運行的風險。

隨著計算機視覺的發展，近些年來興起了基于視頻技術的機場場面監視技術，這種技術成本低，且與監視雷達方法相比，可覆蓋的區域更廣，因此更具靈活性。當前對于機場場面動態目標的研究主要集中在對已知類型的目標的跟蹤上，而對目標的檢測研究并不多。目標檢測方法主要可分為兩大類：基于手工特征的方法和基于深度學習網絡的方法。常見的基于手工特征的目標檢測方法包括光流法、幀差法和ViBe等算法，這些方法準確率低，時間成本高，并不適用于機場場面監視。基于深度學習網絡的目標檢測算法包括R-CNN，Faster R-CNN，SSD(Single Shot MultiBox Detector)等方法，這類方法具有檢測準確率高，效率高的特點，但是由于此類網絡模型的設計特點，其對于小目標檢測的效果并不好，尤其是機場遠場小目標檢測準確率較低。鑒于機場場面的大部分目標較為固定，出于安全監視的目的，我們對機場場面的動態目標的興趣遠遠大于對靜態目標的興趣。

發明內容

有鑒于此，本發明利用傾向流法檢測運動目標的運動信息，并設計一個識別深度網絡對目標進行識別，實現對包括小目標在內的機場場面動目標的檢測識別。本發明將機場動目標分為飛機、汽車和行人三個類別。

本發明的技術方案具體實現如下：

(一)使用傾向流法獲取運動目標的區域建議，具體形式為矩形框坐標。運動目標傾向流計算具體步驟如下：

(a)首先求取運動目標的光流矢量對圖像上的一個像素點(x，y)，在t時刻的亮度為E(x，y，t)，經過一段時間間隔Δt之后的亮度為E(x+Δx，y+Δy，t+Δt)。當Δt趨近于無窮小的時候，認為該點亮度不變：

E_xu+E_yv+E_t＝0

其中，分別表示像素點沿x，y，

t三個方向的梯度。分別表示光流在x，y方向的速度分量，即光流矢量。選取一個n×n(n＞1)尺寸的鄰域窗口，建立鄰域像素系統方程來求解光流矢量，從像素1，2，...，i＝n²中可以得到方程組：

上式可寫成矩陣的形式：

Ad＝-b

其最小二乘解即光流矢量為：

(b)由光流矢量求取運動像素的脈線Q_i。根據第一步求取得到的光流矢量，設點表示運動目標的某個粒子在時間t，在第i幀中的位置，其初始位置為q點。脈線的定義為：

脈線上每一個粒子的平移為：

脈線等于這些粒子的集合，由下式求取得到：

Q_i＝{x_i(t)，yi(t)，u_i，v_i}

其中，

(c)計算運動目標的傾向流Ω_i。傾向流定義為Q_s＝(u_s、v_s)^T，u_s與v_s分別表示傾向流在兩個方向的速度矢量。設集合U＝[u_i]，，認為u_i是相鄰三個像素的線性插值：

u_i＝b₁u_s(k₁)+b₂u_s(k₂)+b₃u_s(k₃)其中k_j表示相鄰像素的索引號，

b_j表示已知的第j個相鄰像素在該域的三角基函數。對于U中的所有的點，使用上式構成一個系統為：

Bu_s＝U