基于圖像處理的機場目標分類研究

廖圣龍

摘 要：針對機場場面監視雷達中的目標分類問題，提出了基于圖像處理的機場目標分類算法。首先通過圖像預處理、投影變換、基于哈爾特征的圖像匹配分割出精確的目標區域圖像，并計算出目標特征信息;然后采用貝葉斯分類方法得到目標測量值的概率向量，最后通過加權計算目標測量值在各個類別中的概率值完成分類。對仿真實驗結果分析發現，該分類算法可以精確的分割出目標圖像，并對機場不同區域和不同類型的目標都可以有效分類識別。

關鍵詞： 場面監視雷達;圖像處理;目標分類; 貝葉斯分類; 圖像匹配

中圖分類號：TP391? ? ? ? 文獻標識碼：A

文章編號：1009-3044（2020）23-0178-03

Abstract：An airport target classification algorithm based on image processing is proposed. First， by image pre-processing， projection transformation and image matching based on Hale feature， the accurate target region image is segmented， and compute the subjection of measurements using the Cauchy distribution function. Then， get the probabilistic vector through the Bayes theorem. Finally， obtain the targets category with the adjudicative function. The simulation results show that the algorithm can classify the airport target correctly.

Key words：surface movement radar;? image processing; target classification; Bayes theorem;image matching

1 引言

隨著國內近些年經濟的飛速發展，航空運輸業也同樣發展迅猛，國內一些大型國際機場的運輸量也隨之越來越大，當面臨著處理起降次數猛增，需要同時管理大量飛機以及相應增加的地服車輛時，加大了機場場面調度的管理難度。傳統人工管理機場場面調度已經無法滿足新的場景，目前國內外各大機場引入了場面監視雷達（Surface Movement Radar，SMR） [1-3] 實現自動監視機場場面情況。此外，場面監視雷達區別于其他雷達傳感器的關鍵特征是它的全天候、高轉速（60轉/分）、高分辨率（對機場跑道異物進行監視，包括手提箱）和實孔徑成像。

目前，SMR主要用于機場場面目標的實時監視跟蹤，對于實現目標分類的研究還較少。國內外的相關研究工作[3]主要還是基于機場的先驗分布信息以及SMR測量數據信息（速度、加速度等），并從這些信息中提取特征向量，通過分類算法實現目標分類。這些方法中比較實用的一種算法是先根據貝葉斯理論計算出實際測量值的概率向量，然后結合加權和決策矩陣組成的綜合評判函數實現目標的分類[4]。此外，還有一些相關研究是關于輻射源分類、雷達回波信號特征分類或者紅外目標的分類[5-7]，但由于 SMR本身的特點，這些分類算法并不適用于SMR的目標分類。

考慮SMR具有高分辨率、可成像的特點，引入圖像處理算法提取目標的圖像特征（主要是長寬和面積信息），再結合傳統機場場面目標分類時用到的目標的運動信息（速度、加速度等）和機場的先驗分布信息。本文提出了基于圖像處理的目標分類算法，首先通過圖像預處理、投影變換、基于哈爾特征的圖像匹配、圖像分割將目標圖像特征提取出來，結合目標的運動信息和機場的先驗分布信息得到目標的特征向量，利用貝葉斯分類方法獲得特征向量的概率向量;最后通過加權計算目標測量值在各個類別中的概率值完成分類。最終給出機場場面目標分類的實驗仿真結果。

2 基于圖像處理的特征提取

2.1 圖像預處理

首先是對雷達回波圖像進行預處理，需要結合機場的先驗分布信息以及雷達實時的跟蹤信息，可以從整個回波圖像中分割出初步的目標圖像（已知這一時刻某個目標的位置和其所處機場跑道信息），并根據已知跑道的相對的角度信息對分割出的目標圖像進行旋轉變換，得到如圖1（a）中所示的圖像，完成目標圖像的初步分割。然后對分割的目標圖像進行去背景處理和二值化處理，其中去背景處理是基于實時跑道位置的圖像背景信息，二值化處理是通過統計目標圖像和背景圖像的灰度統計信息來確定二值化的閾值。為了提高后續投影變換的處理效果，先要去除圖像中孤立的像素點，利用開運算的特點（先腐蝕后膨脹）可以實現，然后需要再利用閉運算（先膨脹后腐蝕），連通分散開的目標區域，盡可能完整的保留目標區域，結果如圖1（b）所示 。

2.2 投影變換

投影變換主要就是對圖像水平或者垂直方向的像素信息進行統計。首先對二值化后的目標圖像進行水平投影，處理的結果如圖1（b）所示，從水平投影結果可以看到有明顯的突起部分，即代表了目標在圖像中水平方向的位置，同樣垂直投影也可以獲得目標在垂直方向的位置。為了更加準確的獲得目標的位置信息，依據投影的結果可以將圖像的非目標區域去除，從而得到更加準確的目標區域。

此外，為了實現目標區域的穩定分割，對投影結果的判定需要一些閾值的設定。在依據水平投影結果將目標區域從圖像中分割出來時，分割的位置是需要一個合適的判斷依據，需要考慮到機場不同區域和不同目標的圖像質量，例如目標在不同區域相對于雷達就會有不同的成像效果，還有可能會有一些遮擋等。在處理和分析了大量不同區域或不同類型的目標圖像后，可以得到合適的閾值用于分割目標區域，其中水平投影取中值作為分割閾值，垂直投影則基于水平投影分割后的區域的最小值作為分割閾值。此外，兩頭的極大或者極小值不計入內（排除一些不確定的因素）。

2.3 圖像匹配

通過投影變換已經可以提取出較為準確的目標區域，但后續進行目標分類時用到的目標長度、寬度、面積等信息則是需要更加精確的計算結果。因此為了更加準確的分類，再結合了飛機目標和運輸車輛目標等本身的結構特點構造了一些類Haar特征[8]并以此提取出飛機目標的一些重要的結構特征，提取獲得的特征就可以構建飛機和運輸車輛目標的特征庫。Haar特征比較典型的有邊緣特征、對角線特征和中心特征等，這些都是適合提取飛機和運輸車輛的特征模板，可以比較全面的獲得目標特征信息。特征模板的組成就是白色或黑色的矩形塊，計算每個模板的特征值就是目標落在白色區域和黑色區域統計信息。每個特征模板作為一個特征組成特征向量。類Haar特征模板如圖2（a）所示。

圖像匹配的流程就是從構建的特征庫中索引相應位置的各類特征集合，依次進行特征匹配計算相似度，找到相似度最大的模板，以此模板的中心分割出目標的精確區域，主要依據飛機目標兩邊對稱和前后近似對稱的特點。

2.4 目標信息計算

為了下一步的目標分類，需要計算出目標的面積、長度和寬度等信息，其中目標的長度和寬度在圖像匹配時即可計算出來，而目標面積信息則需要對分割出的目標區域二值圖像進行閉運算處理，形成閉合的目標區域，然后統計閉合區域的像素點，就可以折算出目標的面積。

3 貝葉斯分類

3.1 貝葉斯分類

貝葉斯分類[9]是一種基于貝葉斯定理的統計學分類方法，如果所需的先驗信息已知，且條件概率可以獲得，那么貝葉斯分類適合用來迭代表示離散時間點上的特征間關系。假設機場目標分類的先驗分布和特征向量已知，分類概率可以根據貝葉斯準則來進行更新。假設時刻tk目標的特征向量為X[k]，目標隸屬于分類Cj的概率估計定義為：

3.2 決策矩陣

根據目標隸屬于分類Cj的概率估計可以構造決策矩陣：

3.3 目標分類

通過計算目標隸屬于各個類型的概率估計，得到相應的決策矩陣后，還需要根據先驗知識確定各個觀測特征對目標類別的權重大小，得到一個權重矩陣。由決策矩陣和權重矩陣計算出分類結果，即計算值最大的類別就是目標的分類結果。

4 仿真結果

為了檢驗本算法的可用性，在某場面監視雷達設備上通過實測數據對目標跟蹤算法的性能進行驗證，場監雷達的系統參數為：轉速60rpm，工作頻率15.9GHz，雷達威力5km，距離分辨率為3m，方位分辨率為0.35°，目標定位精度10米。

觀測并記錄一周的某機場的場間雷達共584批數據，其中飛機數據468批，運輸車輛數據116批。事后通過重演數據仿真了兩種情況，一種是只進行圖像匹配就分類出結果，另一種是圖像匹配后再進行貝葉斯分類，記錄下分類情況;最后統計比較在不同分類方法的分類準確率統計結果如表1所示。

通過表1結果可以看出，對運輸車輛和飛機的大分類識別準確率很高，而對于各類飛機的分類相對較差。只采用圖像匹配的分類方法和圖像匹配后再進行貝葉斯分類的方法相比，圖像匹配后再進行貝葉斯分類的方法的準確率更高。

5 結論

通過對機場場面活動目標分類問題研究，在目標分類處理時考慮區域和目標運動特性等信息，并引入圖像匹配算法和貝葉斯分類算法加強目標分類的準確性，本文提出了基于圖像處理的目標分類算法架構：首先介紹了圖像預處理、投影變換、基于哈爾變換的圖像匹配等圖像處理算法，并以此基礎計算出目標的長寬和面積信息;然后結合獲取的目標特征信息，引入成熟的貝葉斯分類算法實現對目標分類;最后通過重演某場面監視雷達記錄的真實數據，在仿真軟件上仿真出分類結果，仿真結果表明本文算法對機場場面飛機和運輸車輛等目標的分類識別是有效的。此外，對于各個區域不同類型目標，本文的分類算法也是具有一定的魯棒性。

參考文獻：

[1] 李斌，張冠杰.場面監視雷達技術發展綜述[J].火控雷達技術，2010，39（2）：1-7.

[2] 宮淑麗，陶誠，黃圣國.A-SMGCS的多場面監視雷達多目標航跡相關[J].計算機測量與控制，2012，20（8）：2183-2186.

[3] 沈杰，晏勇.機場場面監視雷達反雜波性能分析[J].雷達科學與技術，2014（2）.

[4] Ghadaki H，Dizaji R.Target track classification for airport surveillance radar （ASR）[C]//2006 IEEE Conference on Radar. 24-27 April 2006， Verona， NY， USA. IEEE， 2006：4 pp..

[5] 林幼權.球載雷達目標分類與識別技術研究[J].現代雷達，2011，33（7）：1-4.

[6] 王睿，李言俊，張科.基于不變矩和SVM分類的三維目標識別方法[J].計算機仿真，2011，28（1）：242-245.

[7] 袁祖霞，高貴明.基于高分辨率一維距離像雷達目標識別研究[J].雷達與對抗，2010，30（1）：11-14.

[8] Lienhart R，Maydt J.An extended set of Haar-like features for rapid object detection[C]//Proceedings of International Conference on Image Processing. 22-25 Sept. 2002， Rochester， NY， USA. IEEE， 2002：I.

[9] 崔彩霞.智能分類方法[M].北京：氣象出版社，2009：130-137.

【通聯編輯：代影】