[发明专利]一种跑道FOD图像探测方法及装置

摘要

本发明涉及基于2D图像的物体探测和物体识别领域，尤其是涉及一种跑道FOD图像探测方法及装置。本发明针对现有技术存在的问题，提供一种跑道FOD图像探测方法及装置，通过训练获得跑道自身固有结构在多种气象和光照条件下成像的特征分布规律，建立非FOD目标的排除模型；并在实际跑道上进行FOD探测过程中，首先对局部外貌差异进行边缘检测得到疑似目标，然后通过前期训练获得的排除模型进行快速非FOD目标排除，最终得到FOD目标并进行报警。本发明通过从四个正样本图像集合建立非FOD目标的排除模型，分别计算并统计四类跑道表面物体区别于负样本图像集合的识别参数，实现对跑道监视区域的完整FOD检测。

主权项

1.一种跑道FOD图像探测方法，其特征在于包括：步骤1：对理想跑道中指示灯、标识线、板块缝隙、轮胎痕迹四类跑道表面物体拍摄照片，分别建立四个正样本图像集合；对常见FOD拍摄照片，建立一个负样本图像集合；步骤2：从四个正样本图像集合建立非FOD目标的排除模型，分别计算并统计四类跑道表面物体区别于负样本图像集合的识别参数；步骤3：对实际跑道进行图像采集，对每张图像用边缘检测方法进行疑似目标探测，然后根据非FOD目标的排除模型中的识别参数排除跑道表面物体，实现对跑道监视区域的完整FOD检测；所述步骤2具体步骤包括：步骤21：将样本图像集合中所有彩色图像转化为灰度图像，分别使用特征描述方法将每一副图像转化为一个特征向量，其中四个正样本图像集合生成的特征向量称为四个正特征向量集合，负样本图像集合生成的特征向量称为负特征向量集合；步骤22：将每个正特征向量集合，分别使用聚类分析方法将特征向量分成K个聚类，设定指示灯聚类为a1个、标识线聚类为a2个、板块缝隙聚类为a3个、轮胎痕迹聚类为a4个，则K＝a1+a2+a3+a4；其中a1、a2、a3、a4的取值均为1到5之间的整数；步骤23：对每个聚类，计算其特征向量分布密度的近似高斯模型参数(μk,Φk)，参数μk为聚类内所有特征向量的平均值，参数Φk为聚类内所有特征向量的协方差矩阵，k为聚类的序号且1≤k≤K；在特征空间中任意点X与聚类k相似度Pk(X)计算公式为：Pk(X)＝exp(‑(X‑μk)TΦk‑1(X‑μk))步骤24：对每个聚类，设其包含N₁个特征向量，每个特征向量用X_i表示，其中1≤i≤N₁，计算本聚类中所有特征向量与本聚类的最低相似度设负特征向量集合包含N2个特征向量，每个特征向量用Y_j，表示，其中1≤j≤N₂，计算负特征向量集合中所有特征向量与本聚类的最高相似度聚类k相似度判定阈值T_k的计算公式为：所述步骤3具体包括：步骤31：对跑道中各个子区域依次拍摄彩色图像，将拍摄的彩色图像转变为灰度图像，对灰度图像使用平滑降噪处理；步骤32：对每张灰度图像使用Canny边缘检测算法生成二进制边缘图像，得到图像中所有为1像素的坐标集合，设为1的像素共有N3个，则集合表示为C＝{(x1,y1),(x2,y2),...(xN3,yN3)}；步骤33：新建空集合D，将集合C中的第一个坐标移动到集合D；重复遍历集合C，如果集合C中有坐标到集合D中任意坐标的距离小于或等于minW，则将集合C中的坐标转移到集合D，直到集合C中的任意坐标到集合D中的任意坐标距离均大于minW，或者集合C为空集合；其中minW单位为像素，minW取值为10到30；步骤34：统计集合D中的所有点在X轴上最大坐标为maxX，最小坐标为minX，统计集合D中的所有点在Y轴上最大坐标maxY，最小坐标minY，取以为中心，max(maxX－minX，maxY－minY)为边长的正方形灰度图像区域，使用步骤21的特征描述方法将该图像区域转化成特征向量V；步骤35：分别计算V与K个聚类的相似度P_k(V)，如果所有P_k(V)均满足P_k(V)<T_k，则认为发现FOD物体，发出FOD报警，并提供目标对应坐标步骤36：依次重复步骤32到35，直到集合C为空集合，完成对一张图像中FOD的探测；步骤37：依次重复步骤32到36，直到完成对所有图像的FOD检测，实现对跑道监视区域的完整FOD检测。