基于智能视觉的机场区域移动目标的检测方法研究

摘 要： 针对目前机场区域视觉监视的需要，在对机场区域采集的视频图像进行预处理的基础上，利用背景差分法、帧间差分法对机场敏感区域静态背景下的运动目标进行检测；以昌北国际机场和哈尔滨太平国际机场区域为例，采用Kalman滤波跟踪算法和Meanshift均值漂移算法检测区域的飞机及引导车等移动目标。通过Matlab仿真，分析并Ρ炔煌算法的适用情况并验证其可行性。

关键词： 机场区域； 图像监控； 目标检测； 滤波跟踪

中图分类号： TN911.23?34 文献标识码： A 文章编号： 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

随着机场流量的日益增长，机场不同区域布局复杂性的逐渐提高，对机场区域监视的需求也越来越大。机场区域的特点是，监视环境是一个有限的、大尺度的空间。场面移动目标繁多，有飞机、车辆以及机场工作人员等，场面为室外环境，易受天气、光照影响。目前应用于机场区域目标监视与跟踪的手段主要有三种，场面监视雷达（SMR）、ADS?B和多点定位（Multi?lateration）系统[1?2]。针对机场区域的上述特点，场面雷达获取目标距离、方位精度高，但作用距离短，造价昂贵；ADS?B为合作式监视手段，场面移动目标需安装设备，实现难度大；多点定位系统需要地面基站与飞机应答机形成小型收发网络，目前技术成熟度不够。智能监控系统可以利用计算机图像识别技术实现在机场区域上人的视觉功能，同时降低成本，可实现度高[3?4]。本文采用一种对机场区域进行监控的新方法，利用计算机视觉技术对场面目标进行检测和跟踪。

1 采集机场图像的噪声抑制

在机场区域运用摄像机采集到的图像受到的噪声会直接影响到检测目标的准确性，因为较大的噪声导致目标的丢失或者伪目标的出现[5]。因此在对图像进行处理前需要先去噪。均值滤波也叫作线性滤波，该方法用像素灰度平均的方法平滑图像，去除噪声。

首先选取一个移动窗口，确定该窗口的中心，对窗口内邻域的像素点的灰度平均值进行计算，计算出的值作为该点的新的灰度值。设有一幅图像，是通过均值滤波方法得到的新图像，除去中心点的邻域的像素点共有S个，可得到：

在通过均值滤波对图像进行处理时，选取的窗口大小也会对处理产生影响。常用的有窗口和窗口，窗口的图像比窗口的图像更加清晰，但是去噪性能较差。均值滤波算法实现简单，仅需要对窗口内的像素灰度进行平均计算。但由于各像素均采用了经过计算的平均值，所以有些细小的特征就被忽略了。因此均值滤波算法可能会使图像的轮廓变得圆滑，细小特征无法被识别。中值滤波能够有效减弱图像细节模糊，利用它对图像扫描中产生的噪声消除非常有效[6]。中值滤波仍选择移动窗口并确定其中心，将该点邻域的所有像素的灰度值按顺序排列出来，针对窗口选取奇偶的不同，选取其中这些像素的中点，选取的值即为中心点的灰度值。设为的图像，图像为经过中值滤波后的图像， 除去中心点的邻域的像素点共有S个。将图像中各像素点按灰度值大小排成一列，如下：

2 背景差分法和帧间差分法融合的Kim算法

为了能够将两种运动目标检测方法结合在一起，避免各自影响检测目标准确性的因素，更好地应用到机场区域运动目标检测中，使用与或运算将背景差分二值图像和帧间差分二值图像联系起来，提出以下算法模型：

用表示帧差图像，代表背景差分图像。这两幅差分图像要在二值化之后进行相与运算。二值化选取公式如下：

式中，和分别为帧间差分和背景差分图像二值化的阈值。二值化图像经过相与运算后可以得到最终的二值运动模板，模板表示如下：

在Kim方法中，利用差分图像进行检测时，既采用了连续的帧差图像，也利用了当前帧与事先存储的背景帧的差分图像。这样既可以避免由于图像重叠导致的目标点检测不完整，也防止了对背景更新的依赖性和对外界环境的敏感性。所以该方法可以比较准确地检测出运动目标，并且实时性强。

3 机场区域运动目标跟踪方法设计

3.1 Kalman滤波跟踪方法设计

Kalman滤波器的本质是一种递归的估计算法，该算法根据物体前一时刻的状态和观测到的状态来反推物体当前状态[6?7]。Kalman滤波算法应用于目标跟踪的主要过程是：首先获取前帧的目标跟踪结果；利用该结果预测当前帧的目标位置；在该位置附近搜索目标。

若目标存在于搜索区域内，则继续处理下一图像；若目标不存在于搜索区域内，则扩大搜索区域，在当前帧重新搜索目标。在本文中，设运动目标的初始位置坐标为， 同时设运动目标在横纵坐标轴上的速度无限小并接近于0，则初始化的状态向量为：

系统噪声与观测噪声的协方差矩阵分别为四维和二维的单位矩阵。观测状态向量为，其中为物体在k时刻的横纵位置坐标。利用Kalman五个更新方程完成目标位置的迭代搜索。

3.2 Meanshift跟踪算法设计

Meanshift 算法也叫均值漂移算法，该算法应用于目标跟踪的主要过程是：

（1） 获取含有目标的单帧图像，在确定目标区域后，建立目标模板，确定运动目标特征，且，初始位置为。

（2） 建立候选目标模板，确定候选运动目标特征，将目标在前一帧的初始位置代入，确定一个候选目标的初始特征。

（3） 计算Bhattacharyya系数，所得的值对两个模板的相似性进行判断。

（4） 为了保证不同像素点对确定目标的贡献不同，计算加权值。

（5） 利用Meanshift向量及迭代过程对目标的新位置进行计算并更新。

（6） 更新目标位置后，再计算新目标特征和目标特征的相似性。

（7） 欧几里得距离最大化也就是Bhattacharyya系数的最小化，因此对在和位置处两个相似性系数进行大小判断。如果新位置处的相似性大于原位置处的相似性，那么就继续循环寻找，直到找到某位置使得：

（8） 设定一个非负的容许参数，对新位置与旧位置的坐标距离进行限定，因为帧间时间间隔较短，目标移动的速度是有限的，如果超出该容许参数则认为位置定义不准确，需要重新进行迭代计算。

（9） 如果新旧位置距离恰当，需要继续跟踪目标，则重复步骤（1）～（8），如果不需要进行跟踪，此时输出结果，算法结束。

4 仿真实验跟踪对比

为了实现机场区域滑行飞机的Kalman滤波算法与Meanshift算法的仿真跟踪对比，以下选取了在哈尔滨太平国际机场区域滑行的飞机进行跟踪。在视频中截取第20帧、第25帧、第30帧和第40帧图片，然后分别利用两种跟踪算法进行仿真实验。如图1～图4所示。

第20帧机场区域飞机行驶仿真结果：目标真实位置为（796，235）， Kalman滤波结果为（803，227）， Meanshift算法目标像素位置为（871，223）。

第25帧机场区域飞机行驶仿真结果：目标真实位置为（779，226）， Kalman滤波结果为（826，238）， Meanshift算法目标像素位置为（790，241）。

第30帧机场区域飞机行驶仿真结果：目标真实位置为（751，214）， Kalman滤波结果为（535，226），Meanshift算法目标像素位置为（784，217）。

第40帧机场区域飞机行驶仿真结果：目标真实位置为（706，205）， Kalman滤波结果为（380，253），Meanshift算法目标像素位置为（710，214）。

在对飞机跟踪过程中，初始时Kalman滤波的跟踪结果较好，但是随着时间的迁移，跟踪效果越来越差，最后在干扰下，甚至无法预测到飞机的正确位置。但是对于Meanshift算法，由于进行配对的是候选目标模板和真实目标模板，所以对于部分遮挡的情况（如本例，指挥员进行指挥），只要能够搜索到部分候选目标的模板并将其与真实目标模板配对成功，这样就可以跟踪到目标。通过上文的仿真实验验证可以看出，Kalman滤波跟踪算法适用于天气情况较差，无法对识别的模板做出正确判断的情况下，由于该方法计算量小，所以实时性强，但随着时间的推移，预测结果可能会出现较大偏差；而Meanshift 算法是一种迭代循环算法，它适用于部分遮挡的情况，只要能够识别出目标模板的一部分，那么就可以正确地追踪到目标。

5 结 论

在机场区域监视领域中，少数的雷达及合作式设备已投入使用，但昂贵的造价及维修费用使得在中小机场无法大面积推广[8?9]。采用计算机图像识别技术可以有效降低成本，同时经仿真验证，在机场区域大尺度环境中，利用本文的检测及跟踪算法可以有效地识别并跟踪机场区域移动目标，具有一定的现实意义和研究价值。

未来在对目标的检测和跟踪可以从以下两个方向进一步完善：人工神经网络技术，这种网络系统具有很强的学习性和自适应性，未来，多目标跟踪识别应用非均匀网络（接口技术）将是一种发展趋势；人机交互合作式技术，计算机虽然具有运行准确，处理数据速度快等优点，但是它无法对各种随机事件的发生做出正确的应对，因此单单靠计算机进行识别难度非常大[10]。所以在一定情况下，人的指导和参与是必不可少的。并且人的加入可以使得用户与系统之间的联系更加紧密，沟通更加快速、有效[11]。

参考文献

[1] 顾春平.空中交通管制监视新技术简介[J].现代雷达，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] 张铭铭.视频监控新系统中图像增强技术的研究[D].济南：济南大学，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.浅析数学形态学在图像处理中的应用[J].科技广场，2013（5）：10?19.

[6] 朱明旱，罗大庸.基于帧间差分背景模型的运动物体检测与跟踪[J].计算机测量与控制，2006，14（8）：1004?1006.

[7] 林佳乙，于哲舟，张健，等.基于背景差分法和帧间差分法的视频运动检测[J].仪器仪表学报，2008，29（4）：111?114.

[8] 崔锦泰，陈关荣.卡尔曼滤波及其实时应用[M].北京：清华大学出版社，2013：10?14.

[9] 周尚波，李昆.核函数带宽自适应的均值漂移目标跟踪算法[J].计算机工程与技术，2012，33（7）：2776?2781.

[10] 胡波，陈恳，徐建瑜，等.基于Kalman预测和Meanshift算法的视频目标跟踪[J].光电子・激光，2009，20（11）：1517?1522.

[11] 马翠霞，任磊，滕东兴，等.云制造环境下的普适人机交互技术[J].计算机集成制造系统，2011，17（3）：504?510.