基于智能視覺的機場區域移動目標的檢測方法研究

黃超

摘 要： 針對目前機場區域視覺監視的需要，在對機場區域采集的視頻圖像進行預處理的基礎上，利用背景差分法、幀間差分法對機場敏感區域靜態背景下的運動目標進行檢測；以昌北國際機場和哈爾濱太平國際機場區域為例，采用Kalman濾波跟蹤算法和Meanshift均值漂移算法檢測區域的飛機及引導車等移動目標。通過Matlab仿真，分析并對比不同算法的適用情況并驗證其可行性。

關鍵詞： 機場區域； 圖像監控； 目標檢測； 濾波跟蹤

中圖分類號： TN911.23?34 文獻標識碼： A 文章編號： 1004?373X（2017）14?0092?03

Abstract： For the demand of visual surveillance in airport area， the background difference method and inter?frame difference method are used to detect the moving target in static background of the airport sensitive area， which is on the basis of the preprocessing for the video image collected in the airport area. Taking the areas of Nanchang Changbei International Airport and Harbin Taiping International Airport as the examples， the Kalman filtering tracking algorithm and Meanshift algorithm are used to detect the moving targets in the area， such as the airplane and guided vehicle. With Matlab simulation， the application situation of different algorithms is analyzed and compared to verify their feasibilities.

Keywords： airport area； image monitoring； target detection； filtering tracking

0 引 言

隨著機場流量的日益增長，機場不同區域布局復雜性的逐漸提高，對機場區域監視的需求也越來越大。機場區域的特點是，監視環境是一個有限的、大尺度的空間。場面移動目標繁多，有飛機、車輛以及機場工作人員等，場面為室外環境，易受天氣、光照影響。目前應用于機場區域目標監視與跟蹤的手段主要有三種，場面監視雷達（SMR）、ADS?B和多點定位（Multi?lateration）系統[1?2]。針對機場區域的上述特點，場面雷達獲取目標距離、方位精度高，但作用距離短，造價昂貴；ADS?B為合作式監視手段，場面移動目標需安裝設備，實現難度大；多點定位系統需要地面基站與飛機應答機形成小型收發網絡，目前技術成熟度不夠。智能監控系統可以利用計算機圖像識別技術實現在機場區域上人的視覺功能，同時降低成本，可實現度高[3?4]。本文采用一種對機場區域進行監控的新方法，利用計算機視覺技術對場面目標進行檢測和跟蹤。

1 采集機場圖像的噪聲抑制

在機場區域運用攝像機采集到的圖像受到的噪聲會直接影響到檢測目標的準確性，因為較大的噪聲導致目標的丟失或者偽目標的出現[5]。因此在對圖像進行處理前需要先去噪。均值濾波也叫作線性濾波，該方法用像素灰度平均的方法平滑圖像，去除噪聲。

首先選取一個移動窗口，確定該窗口的中心，對窗口內鄰域的像素點的灰度平均值進行計算，計算出的值作為該點的新的灰度值。設有一幅圖像，是通過均值濾波方法得到的新圖像，除去中心點的鄰域的像素點共有S個，可得到：

在通過均值濾波對圖像進行處理時，選取的窗口大小也會對處理產生影響。常用的有窗口和窗口，窗口的圖像比窗口的圖像更加清晰，但是去噪性能較差。均值濾波算法實現簡單，僅需要對窗口內的像素灰度進行平均計算。但由于各像素均采用了經過計算的平均值，所以有些細小的特征就被忽略了。因此均值濾波算法可能會使圖像的輪廓變得圓滑，細小特征無法被識別。中值濾波能夠有效減弱圖像細節模糊，利用它對圖像掃描中產生的噪聲消除非常有效[6]。中值濾波仍選擇移動窗口并確定其中心，將該點鄰域的所有像素的灰度值按順序排列出來，針對窗口選取奇偶的不同，選取其中這些像素的中點，選取的值即為中心點的灰度值。設為的圖像，圖像為經過中值濾波后的圖像， 除去中心點的鄰域的像素點共有S個。將圖像中各像素點按灰度值大小排成一列，如下：

2 背景差分法和幀間差分法融合的Kim算法

為了能夠將兩種運動目標檢測方法結合在一起，避免各自影響檢測目標準確性的因素，更好地應用到機場區域運動目標檢測中，使用與或運算將背景差分二值圖像和幀間差分二值圖像聯系起來，提出以下算法模型：

用表示幀差圖像，代表背景差分圖像。這兩幅差分圖像要在二值化之后進行相與運算。二值化選取公式如下：

式中，和分別為幀間差分和背景差分圖像二值化的閾值。二值化圖像經過相與運算后可以得到最終的二值運動模板，模板表示如下：

在Kim方法中，利用差分圖像進行檢測時，既采用了連續的幀差圖像，也利用了當前幀與事先存儲的背景幀的差分圖像。這樣既可以避免由于圖像重疊導致的目標點檢測不完整，也防止了對背景更新的依賴性和對外界環境的敏感性。所以該方法可以比較準確地檢測出運動目標，并且實時性強。

3 機場區域運動目標跟蹤方法設計

3.1 Kalman濾波跟蹤方法設計

Kalman濾波器的本質是一種遞歸的估計算法，該算法根據物體前一時刻的狀態和觀測到的狀態來反推物體當前狀態[6?7]。Kalman濾波算法應用于目標跟蹤的主要過程是：首先獲取前幀的目標跟蹤結果；利用該結果預測當前幀的目標位置；在該位置附近搜索目標。

若目標存在于搜索區域內，則繼續處理下一幀圖像；若目標不存在于搜索區域內，則擴大搜索區域，在當前幀重新搜索目標。在本文中，設運動目標的初始位置坐標為， 同時設運動目標在橫縱坐標軸上的速度無限小并接近于0，則初始化的狀態向量為：

系統噪聲與觀測噪聲的協方差矩陣分別為四維和二維的單位矩陣。觀測狀態向量為，其中為物體在k時刻的橫縱位置坐標。利用Kalman五個更新方程完成目標位置的迭代搜索。

3.2 Meanshift跟蹤算法設計

Meanshift 算法也叫均值漂移算法，該算法應用于目標跟蹤的主要過程是：

（1） 獲取含有目標的單幀圖像，在確定目標區域后，建立目標模板，確定運動目標特征，且，初始位置為。

（2） 建立候選目標模板，確定候選運動目標特征，將目標在前一幀的初始位置代入，確定一個候選目標的初始特征。

（3） 計算Bhattacharyya系數，所得的值對兩個模板的相似性進行判斷。

（4） 為了保證不同像素點對確定目標的貢獻不同，計算加權值。

（5） 利用Meanshift向量及迭代過程對目標的新位置進行計算并更新。

（6） 更新目標位置后，再計算新目標特征和目標特征的相似性。

（7） 歐幾里得距離最大化也就是Bhattacharyya系數的最小化，因此對在和位置處兩個相似性系數進行大小判斷。如果新位置處的相似性大于原位置處的相似性，那么就繼續循環尋找，直到找到某位置使得：

（8） 設定一個非負的容許參數，對新位置與舊位置的坐標距離進行限定，因為幀間時間間隔較短，目標移動的速度是有限的，如果超出該容許參數則認為位置定義不準確，需要重新進行迭代計算。

（9） 如果新舊位置距離恰當，需要繼續跟蹤目標，則重復步驟（1）～（8），如果不需要進行跟蹤，此時輸出結果，算法結束。

4 仿真實驗跟蹤對比

為了實現機場區域滑行飛機的Kalman濾波算法與Meanshift算法的仿真跟蹤對比，以下選取了在哈爾濱太平國際機場區域滑行的飛機進行跟蹤。在視頻中截取第20幀、第25幀、第30幀和第40幀圖片，然后分別利用兩種跟蹤算法進行仿真實驗。如圖1～圖4所示。

第20幀機場區域飛機行駛仿真結果：目標真實位置為（796，235）， Kalman濾波結果為（803，227）， Meanshift算法目標像素位置為（871，223）。

第25幀機場區域飛機行駛仿真結果：目標真實位置為（779，226）， Kalman濾波結果為（826，238）， Meanshift算法目標像素位置為（790，241）。

第30幀機場區域飛機行駛仿真結果：目標真實位置為（751，214）， Kalman濾波結果為（535，226），Meanshift算法目標像素位置為（784，217）。

第40幀機場區域飛機行駛仿真結果：目標真實位置為（706，205）， Kalman濾波結果為（380，253），Meanshift算法目標像素位置為（710，214）。

在對飛機跟蹤過程中，初始時Kalman濾波的跟蹤結果較好，但是隨著時間的遷移，跟蹤效果越來越差，最后在干擾下，甚至無法預測到飛機的正確位置。但是對于Meanshift算法，由于進行配對的是候選目標模板和真實目標模板，所以對于部分遮擋的情況（如本例，指揮員進行指揮），只要能夠搜索到部分候選目標的模板并將其與真實目標模板配對成功，這樣就可以跟蹤到目標。通過上文的仿真實驗驗證可以看出，Kalman濾波跟蹤算法適用于天氣情況較差，無法對識別的模板做出正確判斷的情況下，由于該方法計算量小，所以實時性強，但隨著時間的推移，預測結果可能會出現較大偏差；而Meanshift 算法是一種迭代循環算法，它適用于部分遮擋的情況，只要能夠識別出目標模板的一部分，那么就可以正確地追蹤到目標。

5 結 論

在機場區域監視領域中，少數的雷達及合作式設備已投入使用，但昂貴的造價及維修費用使得在中小機場無法大面積推廣[8?9]。采用計算機圖像識別技術可以有效降低成本，同時經仿真驗證，在機場區域大尺度環境中，利用本文的檢測及跟蹤算法可以有效地識別并跟蹤機場區域移動目標，具有一定的現實意義和研究價值。

未來在對目標的檢測和跟蹤可以從以下兩個方向進一步完善：人工神經網絡技術，這種網絡系統具有很強的學習性和自適應性，未來，多目標跟蹤識別應用非均勻網絡（接口技術）將是一種發展趨勢；人機交互合作式技術，計算機雖然具有運行準確，處理數據速度快等優點，但是它無法對各種隨機事件的發生做出正確的應對，因此單單靠計算機進行識別難度非常大[10]。所以在一定情況下，人的指導和參與是必不可少的。并且人的加入可以使得用戶與系統之間的聯系更加緊密，溝通更加快速、有效[11]。

參考文獻

[1] 顧春平.空中交通管制監視新技術簡介[J].現代雷達，2010，32（9）：1?5.

[2] SAGE K， YOUNG S. Security applications of computer vision [J]. IEEE aerospace & electronic systems magazine， 1999， 22（8）： 1090?1094.

[3] 張銘銘.視頻監控新系統中圖像增強技術的研究[D].濟南：濟南大學，2009.

[4] PIZURICA A， PHILIPS W W， LEMANHIEU I， et al. A versatile wavelet domain noise filtration technique for medical imaging [J]. IEEE transactions on medical imaging， 2003， 22（3）： 323?331.

[5] 肖大雪.淺析數學形態學在圖像處理中的應用[J].科技廣場，2013（5）：10?19.

[6] 朱明旱，羅大庸.基于幀間差分背景模型的運動物體檢測與跟蹤[J].計算機測量與控制，2006，14（8）：1004?1006.

[7] 林佳乙，于哲舟，張健，等.基于背景差分法和幀間差分法的視頻運動檢測[J].儀器儀表學報，2008，29（4）：111?114.

[8] 崔錦泰，陳關榮.卡爾曼濾波及其實時應用[M].北京：清華大學出版社，2013：10?14.

[9] 周尚波，李昆.核函數帶寬自適應的均值漂移目標跟蹤算法[J].計算機工程與技術，2012，33（7）：2776?2781.

[10] 胡波，陳懇，徐建瑜，等.基于Kalman預測和Meanshift算法的視頻目標跟蹤[J].光電子·激光，2009，20（11）：1517?1522.

[11] 馬翠霞，任磊，滕東興，等.云制造環境下的普適人機交互技術[J].計算機集成制造系統，2011，17（3）：504?510.