基于圖像處理的場(chǎng)面監(jiān)視雷達(dá)目標(biāo)檢測(cè)

摘 要 針對(duì)場(chǎng)面監(jiān)視雷達(dá)目標(biāo)檢測(cè)問題，提取一種基于圖像處理的場(chǎng)面監(jiān)視雷達(dá)目標(biāo)檢測(cè)方法。首先，把雷達(dá)回波數(shù)據(jù)映射到二維圖像矩陣中;其次，進(jìn)行中值濾波，并把圖像分割;然后，采用8鄰域鏈路法提取圖像中目標(biāo)的輪廓信息，并計(jì)算出目標(biāo)的中心、距離寬度和方位寬度等信息，并根據(jù)預(yù)設(shè)的點(diǎn)跡過濾條件，過濾掉不能滿足方位、距離條件的雜點(diǎn);最后對(duì)點(diǎn)跡合并，抑制飛機(jī)姿勢(shì)或者陣地原因造成的目標(biāo)分裂。實(shí)驗(yàn)表明，所提出的方法能夠消除雷達(dá)雜點(diǎn)和干擾，也很好抑制目標(biāo)分裂。

關(guān)鍵詞 目標(biāo)檢測(cè);圖像處理;目標(biāo)分裂;雜點(diǎn)抑制

引言

航空運(yùn)輸業(yè)的快速發(fā)展，機(jī)場(chǎng)場(chǎng)面的飛機(jī)和車輛也日益增多，越來越多的機(jī)場(chǎng)選擇安裝場(chǎng)面監(jiān)視雷達(dá)系統(tǒng)[1]。由于機(jī)場(chǎng)存在復(fù)雜環(huán)境，產(chǎn)生大量的雜波干擾，另外，由于飛機(jī)姿態(tài)的不同，獲取到的飛機(jī)回波存在飛機(jī)機(jī)身與機(jī)翼的分裂，導(dǎo)致一個(gè)目標(biāo)檢測(cè)出多個(gè)目標(biāo)。錯(cuò)誤的目標(biāo)檢測(cè)，會(huì)造成無法挽回的損失。形態(tài)學(xué)的圖像處理[2]，也只能抑制少量的獨(dú)立的雜點(diǎn)，不能解決目標(biāo)的分裂和占據(jù)多個(gè)像素點(diǎn)的雜點(diǎn)。

為了解決上述問題，本文提出了一種基于圖像處理的場(chǎng)面監(jiān)視雷達(dá)目標(biāo)檢測(cè)方法。

1 基于圖像處理的場(chǎng)面監(jiān)視雷達(dá)目標(biāo)目標(biāo)檢測(cè)

處理流程如圖1所示，包括二維圖像生產(chǎn)，圖像平滑處理、圖像分割、目標(biāo)提取、目標(biāo)過濾機(jī)目標(biāo)合并。

1.1 二維圖像的形成

雷達(dá)最大距離測(cè)量范圍0～Rmax米，最大方位測(cè)量范圍0～360°，量化雷達(dá)距離單元Rcell，量化方位單元數(shù)為Acell，則雷達(dá)回波極坐標(biāo)位置（R，A）轉(zhuǎn)換到像素坐標(biāo)公式如下

其中，Ypixel是回波距離轉(zhuǎn)換到像素坐標(biāo)軸的值，Xpixel是方位轉(zhuǎn)換到像素坐標(biāo)的值，R為雷達(dá)回波距離，A為方位，floor（）為取整運(yùn)算。真實(shí)目標(biāo)和雜波都會(huì)在圖像中形成亮塊。

1.2 圖像平滑處理

由于噪聲、雜波和各類干擾，會(huì)在雷達(dá)圖像中形成小像素點(diǎn)。圖像平滑處理會(huì)增強(qiáng)圖像中的低頻成分，減弱圖像中的高頻成分，主要用于抑制圖像中干擾的高頻噪聲，本算法采用中值濾波。

中值濾波是一種基于排序統(tǒng)計(jì)理論的非線性平滑技術(shù)，它的基本原理是將數(shù)字圖像中的每個(gè)像素點(diǎn)的顏色值用該點(diǎn)某領(lǐng)域口內(nèi)的所有像素點(diǎn)顏色值的中值代替，能夠有效保護(hù)好圖像的邊緣信息[3]。中值濾波模板為3*3矩陣，中值濾波從圖像中濾除孤立的噪聲點(diǎn)，同時(shí)保存了目標(biāo)的邊緣信息。

1.3 圖像分割

為了檢測(cè)到雷達(dá)圖像中的目標(biāo)，首先要將目標(biāo)從雷達(dá)圖像中分割出來，分割質(zhì)量的好壞直接影響后續(xù)的目標(biāo)檢測(cè)的正確性。因?yàn)閳?chǎng)面監(jiān)視雷達(dá)圖像幀與幀之間亮度會(huì)發(fā)生變化的特點(diǎn)，使用Ridler自適應(yīng)閾值法作為圖像分割算法[4]。

Ridler自適應(yīng)閾值法是一種利用迭代計(jì)算來選取合適閾值的方法[5]，Ridler方法利用給定的初始閾值，不斷迭代計(jì)算，最終獲取到一個(gè)最佳的分割閾值。

1.4 目標(biāo)提取

雷達(dá)目標(biāo)的提取，我們最關(guān)心的特征是目標(biāo)的位置、幅度及尺寸的參數(shù)信息，要獲得這些信息，首先要搜索出目標(biāo)的輪廓信息，然后根據(jù)輪廓信息計(jì)算出目標(biāo)位置、幅度及尺寸信息。

雷達(dá)圖像經(jīng)過圖像分割處理，轉(zhuǎn)化成了背景為黑色、目標(biāo)為白色的二值圖像，提取目標(biāo)輪廓步驟如下[6]：

（1）按照從左到右、從上到下的掃描順序，搜索圖像的白色像素點(diǎn)，找到第一個(gè)白色像素點(diǎn)p0作為輪廓的起始值;

（2）從p0開始按逆時(shí)針方向讀取它的8個(gè)領(lǐng)域點(diǎn)像素值，當(dāng)?shù)谝淮伟l(fā)現(xiàn)白色的像素時(shí)，為pk （k初始值為（1）的鏈碼，并將該點(diǎn)作為下一點(diǎn)搜索的初始點(diǎn);

（3）將pk作為初始點(diǎn)，類似與步驟（2）逆時(shí)針方向搜索白色像素點(diǎn)，記為pk+1，記錄下pk+1的鏈碼，直到以pk+1為初始點(diǎn)進(jìn)行搜索時(shí)在沒有剩下的輪廓點(diǎn)時(shí)，搜索結(jié)束。

通過對(duì)雷達(dá)圖像的輪廓點(diǎn)處理，同一目標(biāo)的像素點(diǎn)組成一組，假設(shè)某個(gè)目標(biāo)由N個(gè)像素組成，其中每個(gè)像素在X軸上的像素距離為pxi，在Y軸上的像素距離為pyi（i = 1，2，…，n），則得到目標(biāo)位置：

其中，Σ取和運(yùn)算，根據(jù)目標(biāo)的輪廓信息，可以提取出目標(biāo)的方位寬度、距離寬度及幅度信息，這些信息可以用于后續(xù)的目標(biāo)過濾及航跡跟蹤。方位寬度Awidth為一個(gè)目標(biāo)組中最大方位與最小方位值之差，距離寬度Rwidth為一個(gè)目標(biāo)組中最大距離與最小距離之差，幅度Amp為組中所有點(diǎn)幅度平均。

1.5 目標(biāo)過濾

雜波和干擾在雷達(dá)圖像中形成小的像素塊，前期中值濾波不能完全去除像素塊，需要通過目標(biāo)過濾，目標(biāo)過濾主要考慮雷達(dá)的不同特征參數(shù)信息。機(jī)場(chǎng)檢測(cè)目標(biāo)主要是飛機(jī)、機(jī)動(dòng)車輛等，其距離寬度、方位寬度和幅度必然在一定區(qū)間內(nèi)。設(shè)定4個(gè)參數(shù)距離尺寸的最小門限（MinRangeSize）和最大門限（MaxRangeSize），方位尺寸的最小門限（MinAzimuthSize）和最大門限（MaxAzimuthSize）。

1.6 目標(biāo)合并

由于大目標(biāo)（如大型飛機(jī)）運(yùn)動(dòng)姿態(tài)的問題，雷達(dá)回波強(qiáng)度變化起伏大，在雷達(dá)圖像中形成兩個(gè)或者多個(gè)接近但獨(dú)立的點(diǎn)，如何不進(jìn)行目標(biāo)合并，后期將會(huì)形成多個(gè)航跡。目標(biāo)合并就是把鄰近的目標(biāo)點(diǎn)結(jié)合起來從而形成一個(gè)新的目標(biāo)點(diǎn)。設(shè)定2個(gè)參數(shù)距離門限（MergeRangeSize），方位門限（MergeAzimuthSize）。

2 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)數(shù)據(jù)利用安徽四創(chuàng)電子股份有限公司場(chǎng)面監(jiān)視雷達(dá)在合肥新橋國際機(jī)場(chǎng)采集數(shù)據(jù)，圖2的A圖為形成雷達(dá)二維圖像，B圖為平滑和輪廓提取結(jié)果，C圖是提取目標(biāo)位置結(jié)果，D圖是提取目標(biāo)的參數(shù)。

在圖2中，B圖與A圖對(duì)比，數(shù)學(xué)形態(tài)學(xué)的平滑處理過濾掉了一些孤立的雜點(diǎn)，但像素塊稍大的雜點(diǎn)仍然存在。所以基于數(shù)學(xué)形態(tài)學(xué)的圖像處理，只能過濾掉一些小像素塊的孤立干擾。

在圖2中，從圖D列出的目標(biāo)屬性可以看出，目標(biāo)號(hào)2的方位寬度和距離寬度明顯小于其他目標(biāo)，根據(jù)目標(biāo)過濾參數(shù)可以把2號(hào)目標(biāo)過濾。

在圖2中，圖C顯示出了目標(biāo)位置，目標(biāo)號(hào)5和6在方位和距離上非常靠近，可以判定是大目標(biāo)分裂的問題，滿足目標(biāo)合并的條件，即合并為一個(gè)目標(biāo)。

經(jīng)過上述處理，最終輸出目標(biāo)5個(gè)目標(biāo)。與真實(shí)場(chǎng)景相符。與基于數(shù)學(xué)形態(tài)學(xué)的圖像處理[2]相比，不僅能抑制的獨(dú)立的雜點(diǎn)，也能過濾占據(jù)多個(gè)像素點(diǎn)的雜點(diǎn)，同時(shí)解決目標(biāo)分裂問題。

3 結(jié)束語

針對(duì)場(chǎng)面監(jiān)視雷達(dá)雜點(diǎn)、目標(biāo)分裂問題，提出了基于圖像處理的場(chǎng)面監(jiān)視雷達(dá)目標(biāo)檢測(cè)算法。首先把回波數(shù)據(jù)映射到二維圖像矩陣中;其次，進(jìn)行圖像平滑處理，并把圖像分割;然后，采用8鄰域鏈路法提取圖像中目標(biāo)的輪廓信息，并計(jì)算出目標(biāo)的坐標(biāo)、距離和方位寬度信息，并過濾掉不能滿足方位寬度、距離寬度條件的雜點(diǎn);最后對(duì)點(diǎn)跡合并，抑制目標(biāo)分裂。通過真實(shí)數(shù)據(jù)實(shí)驗(yàn)，與基于數(shù)學(xué)形態(tài)學(xué)的圖像處理相比，所提出的方法能夠消除雜點(diǎn)，也很好解決目標(biāo)分裂。

參考文獻(xiàn)

[1] Eli Perl. Review of airport surface movement radar technology[J]. IEEE Aerospace and Electronic Systems Magazine，2006，21（10）：24-27.

[2] 黃鯤鵬.基于數(shù)學(xué)形態(tài)學(xué)的圖像預(yù)處理算法的研究[J].電腦知識(shí)與技術(shù)，2009，5（29）：8254-8255，8264.

[3] Chin-Chen Chang，Ju-Yuan Hsiao，Chinh-Ping Hsieh.An Adaptive Median Filter for Image Denoising[J].IEEE Intelligent Information Technology，2008，8（2）：346-350.

[4] Kittler j，Illingworth j. On threshold selsction using clustering criteria[J]. IEEE Trans Syst Man Cyber，1985，15（4）：652-655.

[5] 田守東.基于雷達(dá)圖像的目標(biāo)檢測(cè)技術(shù)研究[D].哈爾濱：哈爾濱工程大學(xué)，2010.

[6] 左飛，萬普森，劉航.Visual C++ 數(shù)字處理開發(fā)入門與編程實(shí)踐[M].北京：電子工業(yè)出版社，2008.

作者簡(jiǎn)介

黃濤，男，安徽合肥人;畢業(yè)院校：中國科學(xué)技術(shù)大學(xué)，專業(yè)：軟件工程，學(xué)歷：碩士研究生，現(xiàn)就職單位：安徽四創(chuàng)電子股份有限公司，研究方向：數(shù)據(jù)處理。