機(jī)場(chǎng)場(chǎng)面監(jiān)視下的靜態(tài)飛機(jī)目標(biāo)檢測(cè)算法

崔秀敏+朱向榮

摘 要：針對(duì)簡(jiǎn)單背景與復(fù)雜背景，單目標(biāo)與多目標(biāo)等多種情況下的飛機(jī)目標(biāo)，采用大律法、改進(jìn)的自適應(yīng)區(qū)域生長(zhǎng)法對(duì)目標(biāo)進(jìn)行分割。選取目標(biāo)的幾何特征作為表示飛機(jī)目標(biāo)的特征向量，使用MATLAB軟件對(duì)飛機(jī)目標(biāo)進(jìn)行檢測(cè)，統(tǒng)計(jì)目標(biāo)數(shù)量，實(shí)現(xiàn)對(duì)無(wú)遮擋飛機(jī)的有效檢測(cè)。

關(guān)鍵詞：飛機(jī)檢測(cè) 目標(biāo)分割 區(qū)域生長(zhǎng) 幾何特征

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼： 文章編號(hào)：1672-3791（2016）11（b）-0007-02

目標(biāo)識(shí)別是計(jì)算機(jī)視覺領(lǐng)域的核心問(wèn)題之一，而飛機(jī)目標(biāo)的識(shí)別又是它在軍事領(lǐng)域和民用領(lǐng)域里的一項(xiàng)重要應(yīng)用。國(guó)內(nèi)外學(xué)者在目標(biāo)識(shí)別方面已經(jīng)做了大量研究，每種目標(biāo)識(shí)別方法都各有利弊，又都有一定的適用范圍。因此研究飛機(jī)目標(biāo)的識(shí)別，針對(duì)特定環(huán)境探索特定的目標(biāo)識(shí)別算法是十分必要的。該文針對(duì)機(jī)場(chǎng)俯視圖這一特定類型，提出了一種基于局部灰度特征的自適應(yīng)區(qū)域生長(zhǎng)法的識(shí)別方法。

1 圖像預(yù)處理與分割

圖像預(yù)處理是目標(biāo)識(shí)別過(guò)程中一個(gè)必不可少的基本環(huán)節(jié)。為了對(duì)飛機(jī)目標(biāo)進(jìn)行提取，首先對(duì)圖像進(jìn)行平滑預(yù)處理，再分割圖像目標(biāo)。

1.1 圖像預(yù)處理

在圖像采集中不可避免地會(huì)產(chǎn)生圖像噪聲，而噪聲直接影響到對(duì)目標(biāo)邊緣輪廓的準(zhǔn)確提取。該文采用中值濾波的方法對(duì)圖像進(jìn)行平滑處理。中值濾波在降噪的同時(shí)可以保護(hù)圖像尖銳的邊緣。圖1是受污染的圖像，圖2是經(jīng)過(guò)中值濾波平滑處理后的圖像，可以看出中值濾波可以在去除噪聲的同時(shí)比較有效地保留邊緣信息。

1.2 圖像分割

圖像分割就是將所需要的目標(biāo)部分從圖像的背景中分離出來(lái)，進(jìn)行后續(xù)的研究。由于民用機(jī)場(chǎng)飛機(jī)以白色居多，光照條件下，白飛機(jī)，尤其是飛機(jī)機(jī)身的亮度很高，因此選擇利用區(qū)域生長(zhǎng)法，以圖像中亮度較高的點(diǎn)為種子點(diǎn)，選取一定的生長(zhǎng)規(guī)則進(jìn)行區(qū)域生長(zhǎng)。由圖3、圖4、圖5可以看到，相比于大津法和直接進(jìn)行區(qū)域生長(zhǎng)的方法，先篩選種子再進(jìn)行局部自適應(yīng)區(qū)域生長(zhǎng)，既可以從復(fù)雜背景中提取出目標(biāo)，又可以有效減少干擾目標(biāo)。潛在的飛機(jī)目標(biāo)都得到了有效提取，同時(shí)圖片中其他亮度較高的建筑物等也被提取出來(lái)，這有待于在下面的特征提取環(huán)節(jié)中再進(jìn)行進(jìn)一步識(shí)別。

2 目標(biāo)提取

當(dāng)完成了目標(biāo)區(qū)域的分割后，就可以進(jìn)行形狀的匹配和目標(biāo)的識(shí)別了。

2.1 輪廓矩形尺寸

對(duì)于從相同高度拍攝的機(jī)場(chǎng)照片，飛機(jī)尺寸應(yīng)不會(huì)超出一定范圍，面積過(guò)大或過(guò)小的被認(rèn)為不是目標(biāo)。

2.2 最小外接矩形長(zhǎng)短軸比

對(duì)于以相同俯仰角下拍攝的機(jī)場(chǎng)照片，飛機(jī)的身長(zhǎng)與翼展的比例不會(huì)超出一定的范圍，其輪廓所在矩形區(qū)域的長(zhǎng)寬比也保持在一個(gè)大致的范圍，可以作為排除干擾目標(biāo)的依據(jù)。

2.3 目標(biāo)復(fù)雜度

目標(biāo)復(fù)雜度定義為目標(biāo)輪廓的像素點(diǎn)個(gè)數(shù)與整個(gè)目標(biāo)的像素點(diǎn)個(gè)數(shù)的比值。目標(biāo)輪廓的像素點(diǎn)個(gè)數(shù)就等于目標(biāo)輪廓曲線的周長(zhǎng)，而整個(gè)目標(biāo)的像素點(diǎn)數(shù)即為目標(biāo)區(qū)域的面積。前文已經(jīng)討論了邊緣檢測(cè)以及邊界跟蹤，可得到單像素的目標(biāo)的輪廓邊界曲線，然后對(duì)邊界像素個(gè)數(shù)進(jìn)行統(tǒng)計(jì)，可得到周長(zhǎng)。

2.4 多邊形凹缺

飛機(jī)目標(biāo)可近似為一個(gè)凹多邊形，因此可利用多邊形的凹缺特征作為目標(biāo)判據(jù)。求取目標(biāo)的最小外接凸多邊形，即凸殼，再與原目標(biāo)圖像相減得到多邊形凹缺。飛機(jī)目標(biāo)一般具有4個(gè)明顯的凹缺，并且呈對(duì)稱分布。這是飛機(jī)目標(biāo)區(qū)別于機(jī)場(chǎng)環(huán)境中其他目標(biāo)的一個(gè)典型幾何特征。

3 實(shí)驗(yàn)結(jié)果

通過(guò)MATLAB編程，實(shí)現(xiàn)上文所述算法，并使用多幅機(jī)場(chǎng)圖像進(jìn)行飛機(jī)目標(biāo)提取，對(duì)算法進(jìn)行驗(yàn)證，結(jié)果如表1所示。

實(shí)驗(yàn)表明，該算法對(duì)無(wú)遮擋飛機(jī)目標(biāo)有較好的識(shí)別效果。

4 結(jié)語(yǔ)

該文針對(duì)機(jī)場(chǎng)場(chǎng)面靜態(tài)飛機(jī)目標(biāo)的跟蹤和定位，提出了采用大律法、改進(jìn)的自適應(yīng)區(qū)域生長(zhǎng)法。選取目標(biāo)輪廓矩形尺寸、最小外接矩形長(zhǎng)短軸比、緊湊度、復(fù)雜度和最小外接凸多邊形的凹缺對(duì)稱性等目標(biāo)的幾何特征作為表示飛機(jī)目標(biāo)的特征向量。通過(guò)使用MATLAB軟件對(duì)飛機(jī)目標(biāo)進(jìn)行檢測(cè)，統(tǒng)計(jì)目標(biāo)數(shù)量，實(shí)現(xiàn)對(duì)無(wú)遮擋飛機(jī)的有效檢測(cè)。實(shí)驗(yàn)表明，該算法對(duì)無(wú)遮擋飛機(jī)目標(biāo)有較好的識(shí)別效果，實(shí)際應(yīng)用中效果很好。

參考文獻(xiàn)

[1]劉懷愚，李璟，洪留榮，等.利用局部特征的子空間車輛識(shí)別算法[J].計(jì)算機(jī)工程與應(yīng)用，2010，46（30）：156-158，180.

[2]（美）岡薩雷斯.數(shù)字圖像處理[M].2版.北京：電子工業(yè)出版社，2007.

[3]楊四海，陳鍛生，謝維波，等.圖像目標(biāo)外接多邊形及凸殼的一種構(gòu)造方法[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2007，19（10）：1263-1268.

[4]劉軍，齊華，汪振飛，等.基于邊緣區(qū)域增長(zhǎng)法的飛機(jī)圖像目標(biāo)分割研究[J].飛行力學(xué)，2008，26（2）：93-96.