基于统计学习的机场跑道异物检测.doc

电子科技大学UNIVERSITY OF ELECTRONIC SCIENCE AND TECHNOLOGY OF CHINA硕士学位论文MASTER THESIS论文题目 基于统计学习的机场跑道异物检测专业学位类别通信与信息系统201121010602邓慧萍学号作者姓名指导教师李晓峰 教授 分类号密级注 1UDC学位论文基于统计学习的机场跑道异物检测（题名和副题名）邓慧萍（作者姓名）指导教师李晓峰教成授都电子科技大学（姓名、职称、单位名称）申请学位级别硕士专业学位类别通信与信息系统提交论文日期 2014.03.12论文答辩日期学位授予单位和日期电子科技大学答辩委员会主席2014.05.202014年 06月 28日评阅人注 1：注明国际十进分类法 UDC的类号。 TARGET DETECTION METHOD BASED ONSTATISTICAL LEARNING IS APPLIEDTO FOD DECTION FOR AIRPORT RUNWAYA Master Thesis Submitted toUniversity of Electronic Science and Technology of ChinaMajor: Communication and Information SystemsDeng HuipingAuthor: Advisor: School:Professor Li XiaofengSchool of Communication & InformationEngineering 独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。据我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得电子科技大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。作者签名：日期：年月日论文使用授权本学位论文作者完全了解电子科技大学有关保留、使用学位论文的规定，有权保留并向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅和借阅。本人授权电子科技大学可以将学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。（保密的学位论文在解密后应遵守此规定）作者签名：导师签名：日期：年月日 摘要摘要机场跑道异物检测是一个最近几年才被提出来的新兴课题，关于它的研究主要包括毫米波雷达技术和图像处理技术。采用毫米波雷达技术进行目标检测，它的成本非常高，对异物的尺寸要求较高，对硬件设备的要求很高，而且国内还没有成熟的相关商用系统。采用图像处理技术进行目标检测，它的成本较低，对硬件设备要求相对较低，并且某些机场在跑道附近已经安装了图像监控系统。因此，本文采用图像处理技术实现机场跑道异物检测。本文将基于统计学习的目标检测算法应用在机场跑道异物检测系统中，借鉴已有的成熟的人脸检测系统，保留人脸检测系统中常用的 Adaboost分类器方法，改进或者摒弃人脸检测系统中常用的特征，找到一种适合机场跑道异物检测系统中的特征。首先，介绍人脸检测系统中常用的 LBP特征，并将 LBP特征应用在机场跑道异物检测系统中，通过实验结果，验证 LBP特征的可行性，结果表明，LBP特征不可行。根据机场跑道图片的特点，在 SUSAN特征的基础上，提出了一种新的直方图特征，并通过实验结果表明该特征可行。其次，在待检测图片中，跑道线周围存在大量虚警，为了解决这个问题，利用跑道线位置进行图像分割去除跑道周围存在的虚警，通过基于边缘点标记的直线检测方法找到跑道线的位置，根据跑道线的位置将图片分割成包含跑道线部分和不包含跑道线部分，分别进行基于 Kirsch特征的目标检测和基于统计学习的目标检测。最后，介绍了 Adaboost分类器的原理及训练流程。本文的主要贡献归纳为以下三点：（1）提出了一种基于 SUSAN特征的新直方图特征在 SUSAN特征的基础上提出了一种新的直方图特征，将该特征应用在机场跑道异物检测系统中，通过实验结果表明该特征切实可行。（2）采用基于边缘点标记的算法进行直线检测利用跑道线位置进行图像分割去除跑道线周围存在的虚警，首要任务是确定跑道线的位置。本文采用基于边缘点标记算法进行直线检测，和基于 Hough变换的直线检测方法相比，该方法实现起来简单可行，还能确定跑道线两端点的位置。（3）将基于边缘特征的目标检测方法和基于统计学习的目标检测方法相结合将整幅图片分割之后，结合基于统计学习的目标检测方法和基于 Kirsch特征的目标检测方法，对分割图片分别进行处理，通过实验结果表明该方法切实可行。关键词：基于统计学习的目标检测，LBP特征，SUSAN特征，Kirsch特征，AdaboostI ABSTRACTABSTRACTFOD detection for airport runway is an emerging issue and has been proposed inrecent years. All researches about FOD detection include millimeter wave radartechnology and image processing technology. If we adopt millimeter wave radartechnology, the cost of FOD detection will be very high; the size requirements of FODwill be high; the requirements of hardware device will be very high. Moreover, Chinadoesnt have mature and relevant commercial systems. If we adopt image processingtechnology, the cost of FOD detection will be relatively low; the requirements ofhardware device will be relatively low. Moreover, image monitoring system has beeninstalled in the vicinity of runway in some airports. Thus, in this paper, we adopt imageprocessing technology to achieve FOD detection.In this paper, the target detection method based on statistical learning is applied toFOD detection system. We make use of mature face detection system; keep Adaboostclassifier method commonly used in face detection system; improve or exclude featurescommonly used in face detection system; find a suitable feature for FOD detectionsystem. First we introduce LBP feature commonly used in face detection system; applyLBP feature to FOD detection system; verify the feasibility of LBP feature throughexperimental results. The experimental results show that LBP feature is not feasible.According to the characteristics of airport runway pictures, we propose a new histogramfeature which is based on SUSAN feature. Then the experimental results show that newfeature is feasible. Secondly in the pictures to de detected, there are a lot of falsealarms around the runway lines. To solve the problem we propose a way based on imagesegmentation to remove the false alarms around the runway lines. We find the positionsof the runway lines through marking edge points. According to the positions of therunway lines, we divide the pictures into parts containing the runway lines and partswithout containing the runway lines, respectively make use of target detection based onKirsch feature and statistical learning. Finally we introduce the principle and trainingprocesses of Adaboost classifier.The main contributions of this paper are summarized in the following three points:(1)A new histogram feature based on SUSAN feature is proposedWe propose a new histogram feature which is based on SUSAN feature and applyII ABSTRACTthe new feature to FOD detection system. Through the experimental results show thatthe new feature is feasible.(2) A line detection method based on marking edge points is used to detect line.We remove the false alarms round the runway lines by segmenting images.Actually we segment image through the positions of the runway lines. So the primarytask is to determine the positions of the runway lines. The paper presents a linedetection method based on marking edge points.Compared with the line detectionmethod based on Hough transform, the method is not only simple and feasible, but alsodetermines the positions of end points.(3)Target detection method based on edge feature and statistical learning iscombined.After we segment the pictures, we will combine the target detection method basedon edge feature and statistical learning and respectively process different parts. Theexperimental results show that the method is feasible.Keywords: target detection based on statistical learning, LBP feature, SUSAN feature,Kirsch feature, AdaboostIII 目录目录第一章绪论 . 11.1课题背景及意义. 11.2国内外 FOD检测系统的研究现状和发展态势. 11.3 FOD检测系统的性能评价 . 41.4论文的工作及章节安排 . 5第二章特征提取及其在 FOD检测系统中的应用. 72.1特征提取 . 72.1.1 LBP特征的理论知识 . 72.1.2 SUSAN特征的理论知识. 122.1.3基于 SUSAN特征的新直方图特征的理论知识 . 142.2 LBP特征在 FOD检测系统中的应用. 152.2.1基于分块的 LBP特征提取. 152.2.2实验结果及分析 . 162.3基于 SUSAN特征的新直方图特征在 FOD检测系统中的应用. 192.3.1基于分块的 SUSAN特征的新直方图特征提取 . 192.3.2实验结果及分析 . 19第三章采用图像分割去除跑道线周围存在的虚警. 223.1 FOD检测系统的检测流程 . 223.2图像分割在 FOD检测系统中的应用 . 223.2.1图像分割的概述 . 223.2.2基于阈值的分割方法. 233.2.3基于边缘的分割方法. 263.2.4基于区域的分割方法. 313.3形态学滤波在 FOD检测系统中的应用 . 323.3.1引言 . 323.3.2结构元素. 323.3.3二值形态学. 333.4机场跑道线检测. 373.4.1引言 . 373.4.2基于 Hough变化的直线检测 . 38IV 目录3.4.3基于边缘点标记的直线检测. 403.4.4实验结果及分析 . 403.5基于边缘特征的目标检测在 FOD检测系统中的应用 . 453.5.1基于边缘特征的目标检测. 453.5.2实验结果及分析 . 45第四章基于层叠的 Adaboost的 FOD检测系统 . 484.1 Adaboost算法的发展历史. 484.1.1 PAC学习模型 . 484.1.2 Boosting算法. 494.1.3 Adaboost算法. 504.2 Adaboost训练算法. 514.2.1 Adaboost训练算法的基本描述. 514.2.2弱分类器. 534.2.3强分类器. 554.3层叠的 Adaboost训练算法. 594.3.1层叠的 Adaboost训练算法的概述. 594.3.2层叠的 Adaboost训练算法的基本描述 . 604.4实验结果及分析. 634.4.1正负样本集. 634.4.2结果及分析. 64第五章总结和展望. 655.1总结. 655.2展望. 65致谢. 66参考文献 . 67V 图目录图目录图 1-1四种检测系统放置图. 3图 2-1 LBP算子示意图 . 7图 2-2不同(P,R)的圆对称邻域 . 8图 2-3一种常见的圆形邻域像素次序标记法. 10图 2-4旋转不变的 LBP示意图. 10图 2-5不同位置 USAN区域面积 . 12图 2-6包含 37个点的圆形模板 . 13图 2-7实验场景图 . 16图 2-8视角 1，单异物图像. 17图 2-9视角 2，多异物图像. 17图 2-10采用 LBP特征在视角 1中的检测结果. 18图 2-11采用 LBP特征在视角 2中的检测结果. 18图 2-12采用基于 SUSAN特征的新直方图特征在视角 1中的检测结果. 20图 2-13采用基于 SUSAN特征的新直方图特征在视角 2中的检测结果. 20图 2-14采用基于 SUSAN特征的新直方图特征在两个视角中的虚警 . 21图 3-1区域生长示例 . 32图 3-2用结构元素来研究二进制图像 . 33图 3-3二进制膨胀 . 34图 3-4利用膨胀来检测边缘. 34图 3-5二进制腐蚀 . 35图 3-6利用腐蚀来检测边缘. 36图 3-7开运算效果图 . 36图 3-8闭运算效果图 . 37图 3-9利用开闭运算去噪. 37图 3-10 Hough变换参数空间示意图 . 39图 3-11视角 1中边缘检测算子效果图. 41图 3-12视角 2中边缘检测算子效果图. 42图 3-13视角 1中基于边缘点标记的直线检测效果图 . 43图 3-14视角 2中基于边缘点标记的直线检测效果图 . 43图 3-15视角 1中基于 Hough变换的直线检测效果图. 44VI 图目录图 3-16视角 2中基于 Hough变换的直线检测效果图. 44图 3-17图像分割后在视角 1中的检测结果. 46图 3-18图像分割后在视角 2中的检测结果. 46图 4-1 Adaboost算法流程图 . 52图 4-2训练并选取最佳弱分类器算法 . 55图 4-3层叠分类器 . 60图 4-4正样本集. 63图 4-5负样本集. 63VII 图目录表索引表 1-1各系统监控性能对比. 3表 2- 1几种 LBP算子的维数比较. 12表 2-2采用 LBP特征的统计结果，t =6. 19表 2-3采用基于 SUSAN特征的新直方图特征的统计结果，t =6. 21表 3-1图像分割后采用基于 SUSAN特征的新直方图特征的统计结果 . 47表 4-1弱分类器选择表 . 55t表 4-2不同值下异物检测结果. 64VIII 第一章绪论第一章绪论1.1 课题背景及意义FOD指外来物，它是 Foreign Object Debris的缩写，指那些不应该出现在机场跑道上，但由于人为或者非人为因素，出现在机场跑道上，并对飞机造成损害的物件1。常见的 FOD有：金属零件、碎石块、打包带、纸屑等。由于飞机起飞时，发动机转动引起的风，可能使跑道上的外来物被吸进发动机中，这些外来物会影响飞机设备的正常运行，一旦影响过大，使飞机不能正常起飞，甚至坠毁。这种情况一旦发生，不仅带来巨大的直接损失，而且带来很多间接损失，比如，造成航班的延误、中断飞机的起飞、关闭正在运行的跑道等。自 2000年由 FOD引发的法航协和空难起，FOD检测系统的研发慢慢地被提上了日程，受到了人们的关注。法航协和空难造成 113人遇难，经调查表明，该事故的肇事者是落在跑道上的金属片。之后几年，连续几起由 FOD引发的空难使航空部门意识到了 FOD自动检测系统的必要性。目前，国内机场跑道监察工作主要靠巡查人员完成，巡查人员每天在规定的时间内巡视跑道，一天四次，每次巡视跑道时，为了保证巡查人员的安全，需要关闭跑道。因此，这种方法需要消耗大量的时间，影响了飞机的通勤量。为了节省时间，提高效率，需要研发一套自动检测的机场跑道异物检测系统。据初步统计，国际上只有四套完整的 FOD检测系统，我国还没有自主知识产权的 FOD检测系统，因此开发国产的 FOD检测系统是一件具有重要意义的事情。一旦研究成功，不仅填补了我国在机场跑道异物检测方面上的技术空白，而且会带来巨大的社会与经济效益。本文的研究具有重要的应用价值，本文提出了采用基于统计学习的目标检测方法进行机场跑道异物检测，同时结合基于边缘特征的目标检测方法去除跑道线周围存在的虚警。1.2 国内外 FOD检测系统的研究现状和发展态势目前，国际上成熟的机场跑道异物检测系统有四个，它们是英国 Qinetiq公司开发的 Tarsier系统、以色列 Xsight公司开发的 FODetect系统、新加坡公司开发的iFerret系统、美国 Trex Enterprises公司开发的 FODFinder系统。Tarsier系统是称为 Tarsier1100（T1100）外来物探测系统。该系统使用毫米波雷达技术，使用连续波调频的雷达体制，雷达波的工作频率为 94.5GHz。由于采用毫米波雷达技术，所1 电子科技大学硕士学位论文以能够精确地定位目标的位置。此外，该系统还可以用较窄的波束探测到较长距离的目标。连续波调频的雷达体制具有三大优点：低成本、低峰值功率、高灵敏度。实时数字信号处理技术和连续波调频的雷达体制相结合，可以自动和实时地完成目标的检测和识别，精度可以达到 0.01m。为了提高系统的检测率，Qinetiq2公司对系统进行了升级，加入了视频监控设备。有了视频监控设备，监控人员可以进一步判断雷达探测结果是否属实，这样通过两次判断，可以提高系统正确检测的概率，降低系统误检的概率。FODetect系统使用毫米波雷达技术，同时结合摄像设备共同完成，雷达波的工作频率为 77GHz。该系统的关键之处在于道面检测单元，每个道面检测单元负责管理跑道的一部分，只对所管理区域进行扫描，多个道面检测单元共同构成整个系统，共同完成整个机场跑道的扫描。每个道面检测单元在所负责的区域内，发现 FOD之后，通过警报系统，向机场工作人员发出警报，并且提供准确的位置和时间等信息。机场工作人员收到 FOD的位置和时间信息后，通过摄像设备，放大包含有 FOD的视频图像，便于工作人员核实是否存在 FOD。如果发现放大的视频图像中存在 FOD，设备中的传感器会锁定 FOD的位置，便于工作人员将 FOD取走；如果在晚上发现 FOD，那么会借助激光指示器等设备，便于工作人员将 FOD取走。FODFinder系统是一套可以移动的监控系统，该系统由监控系统和后台软件处理系统共同组成，安装在车辆的顶部。其中，监控系统采用毫米波雷达技术，同时结合摄像系统，高精度的 GPS定位系统共同完成，雷达装置被放置在车顶的雷达罩中，摄像系统被放置在车顶中。雷达波的工作频率为 78-81GHz，采用雷达波扫描机场跑道时，可以对半径为 200m以内的范围进行扫描，每分钟可以扫描 30次；利用雷达波技术探测到 FOD之后，摄像系统开始工作，对发现的 FOD进行跟踪；整个检测过程中，高精度的 GPS定位系统主要锁定位置，不仅对探测区域的位置进行锁定，还需要对 FOD的具体位置进行锁定。iFerret系统现在应用于新加坡的樟宜国际机场，该系统是一个先进的智能视频检测系统，通过高分辨率的摄像机和复杂的图像处理软件完成。由于单个摄像机的视角有限，所以在整个机场跑道上需要安装多个摄像机，具体做法是在跑道上每隔一定间距安装一台先进的高分辨率功能的摄像机，利用复杂的图像软件处理摄像机拍摄的图片，自动探测图片中是否存在异物。所谓负责的图像处理软件是指根据具体的情况作出适当的调整，具有自适应性、光照鲁棒性等。在所拍摄的图片上发现 FOD之后，利用摄像设备，放大有 FOD的图片，便于工作人员核实是否存在