[发明专利]一种获取机场飞机实时地面位置的方法

说明书

本发明公开了一种获取机场飞机实时地面位置的方法，包括以下步骤：获取机场飞机监控视频，并将视频流转成图像帧；获取摄像机图像与机场标定点之间的坐标转换矩阵；建立目标检测深度网络模型；制作训练数据并训练目标检测深度网络模型，得到多飞机检测识别引擎；最后运用识别引擎和坐标转换矩阵，计算得到飞机的实时空间位置。本发明使用目标检测深度学习技术，对机场跑道监控视频中的飞机进行检测，再结合相机成像原理，可以自动获取机场内飞机的实时位置信息，具有强适用性、高准确率、低成本的优点，为管制人员引导飞机、保证机场跑道安全提供了保障。

技术领域

本发明涉及飞机定位技术领域，尤其涉及一种基于目标检测深度学习技术获取机场飞机实时地面位置的方法。

背景技术

随着国内机场的扩建以及飞机数量的增多，在飞机滑行到停泊的过程中，容易出现飞机停错停泊位的情况，这将导致计划航班飞机没有可用停泊位，并且管制人员无法确认飞机的具体位置，这在很大程度上降低了机场和机务维护工作的效率。

目前对飞机的定位方法主要包括ADS-B定位、多点雷达定位、场间雷达定位等。ADS-B设备可能被飞机驾驶员手动关闭，多点雷达设备和场面监视雷达造价昂贵，在很多机场并没有部署。同时，上述设备还存在建筑物附近的定位信号容易丢失的问题。因此，有必要充分利用起机场飞行区的监控视频来对飞机进行检测定位，用以完善飞机的位置信息，提高机场管理和维护的效率。

本专利所应用的重要技术包括：张氏标定法、深度学习中的目标检测技术。张氏标定法，即为张正友教授于1998年在论文《A Flexible New Technique fro CameraCalibration》中提出的基于单平面棋盘格的相机标定方法。深度学习中的目标检测模型有很多，如：R-CNN、Faster R-CNN、Yolo、SSD、YoloV2、YoloV3等，本专利主要使用的是YoloV3模型，最早由Joseph Redmon的论文《YOLOv3: An Incremental Improvement》阐述了它的主要思想。本专利基于张氏标定法和YoloV3目标检测模型，结合机场地面监控视频，用于实时获取机场地面各飞机的位置信息。

发明内容

本发明旨在构建一套专门用于飞机的机场地面位置快速获取统。本系统采用深度学习中的目标检测技术构建，能够实时高效准确地获取飞机在机场地面上的位置坐标。

为了实现上述目的，本发明提供了一种获取机场飞机实时地面位置的方法，包括以下步骤：

S1：获取机场飞机监控视频，并将视频流转成图像帧；

S2：获取摄像机图像与机场标定点之间的坐标转换矩阵；

S3：建立目标检测深度网络模型；

S4：制作训练数据并训练目标检测深度网络模型，得到多飞机检测识别引擎；

S5：运用多飞机检测识别引擎和坐标转换矩阵，计算得到机场飞机的实时空间位置。

上述步骤S1中所述的机场飞机监控视频无法直接应用于目标检测深度网络模型，通过视频处理模块将其转换成图像帧，以图片的形式推到Redis消息队列中，并且处理速度至少1秒25帧。

所述的获取摄像机图像与机场标定点之间的坐标转换矩阵，其求解过程主要包含以下步骤：

S2.1：获取摄像机内部参数和畸变系数，主要通过基于平面棋盘格进行标定的张正友标定法；

S2.2：获取机场内至少4处实际位置的坐标点，以及它们对应于摄像机图片上的像素坐标点；

S2.3：计算机场标定点坐标—摄像机图像坐标的转换矩阵；

S2.4：根据机场标定点坐标—摄像机图像坐标的转换矩阵，计算摄像机图像坐标—机场标定点坐标的转换矩阵。