王方顺，张 崟

(中国电子科技集团公司第二十八研究所，江苏 南京 210007)

跑道异物对飞机在跑道上的滑行、起降存在严重威胁，易造成航班延误、中断起飞，甚至会危及乘客生命[1]。一件小小的金属纽扣、硬币等异物，极有可能在飞机起降、滑行过程中损坏飞机的发动机等重要部件，引起重大安全事故，产生巨大经济损失，带来恶劣后果。每年都会发生多起由跑道异物引发的航空事故，造成巨大的直接或间接损失[2]。

现阶段，我国绝大多数机场对跑道异物的检测采用人工检测方式，在固定的时间组织人员在跑道进行异物搜寻和清理，但人工搜寻存在速度慢、时间长、可靠性差等不足，并且长时间占用跑道影响飞机班次的安排。因此，有必要设计一套检测系统，能够快速识别出跑道上的异物，提高人工工作效率。

1 总体设计

基于能量累积多特征融合的机场FOD检测系统的总体设计思路如下，系统主要包括检测模块和识别模块。检测模块利用可夜视的摄像头采集视频图像，利用融合FOD检测算法对跑道异物进行检测，当发现异物时标注异物位置；识别模块对发现的异物进行模式特征提取，并进行识别分类异物类型，判断是否报警，同时将识别的异物存入FOD数据库，记录FOD信息，系统具备自学习能力，越用越智能，系统工作流程如图1所示。

图1 系统工作流程图

基于能量累积多特征融合的机场FOD检测算法的流程如图2所示，其主要算法节点设计说明如下。

图2 算法设计流程图

1)道面标志线的去除：每一帧视频画面都有唯一的图像直方图，如果该帧画面有差距明显的不同区域，那么不同区域的灰度值相差较大，则灰度直方图就会出现多个峰值，分别对应于不同区域的中心灰度值。通常谷点为2个区域峰值的空间内的最低点，取该谷点的灰度值为阀值，作为图像区域边界分割的依据。

道面标志线呈白色或者黄色，与跑道特征差距明显，在灰度直方图中会形成对应的峰值。当机场跑道道面中有异物时，道面标志线的峰值会造成异物峰值判别干扰。

2)多特征融合：对同一个目标或相同事物的多源特征信息，通过信息融合技术对多源特征要素进行数据处理和使用，避免使用单一特征信息对事物本质产生局部认识的缺点，从而实现对事物更全面、更客观、更本质的认识。

3)模式特征降维：可利用加窗傅里叶变换(Gabor核函数)对二维图像求卷积[3]，将运算得到的Gabor幅值级联生成异物图像的特征向量，但该向量维数高，计算复杂，对计算机的硬件基础要求高；为降低计算的复杂度和对计算机硬件平台的要求，应将高维特征向量映射为低维特征向量。

2 算法设计

本算法方案是基于能量累积多源特征融合的机场FOD检测方法，其基本思想是获取干净的机场跑道和含有异物的机场跑道的图像的底层数据特征，并对每一种特征进行定性、定量分析；然后针对灰度、边缘、亮度等图像特征信息，通过信息融合技术对特征数据处理和使用，识别出图像异物并做标记告警；最后采用多帧能量累积方法消除随机噪声，将一组具有重叠区域的多帧图像进行拼接，并再次采用基于多特征融合的机场FOD检测算法对拼接图像进行二次检测，在图像中识别出异物，提升检测准确性。

2.1 机场跑道异物及道面特征分析

图像的底层特征主要包括颜色、纹理、形状及空间关系[4]，机场跑道道面异物检测识别主要通过对图像的这些特征进行研究分析实现。颜色是图像最直观、可视觉化的特征信息；纹理是依据物体表面结构按照一定的形式变化形成的某类图案；形状是图像轮廓、图像区域所展现的特征要素；而空间关系说明按某类规则分割后的区域图像仍存在一定的关联关系。

图像的颜色常用颜色直方图、聚合向量等特征来定性定量分析，非常适合与背景色相差较大的异物检测识别；纹理特征适合图像区域特征表现明显的异物检测识别；形状特征适合轮廓边界有一定规则的异物识别；空间关系非常适合道面标志线识别。本设计从采集到的视频中按一定的频帧获取机场跑道图像，对图像的颜色、灰度、边缘、形状、频谱、纹理等多个特征要素进行定性、定量分析。

2.2 道面标志线去除

道面标志线的存在会对机场跑道异物检测造成一定的误判，因此在检测前应去除跑道的标志线。首先对含有标志线的图像进行特征定量定性分析，结合边缘和灰度融合算法的优势，完成对图像的区域分割。然后利用霍夫变换法，对跑道的道面图像进行直线检测[5]，依据检测的边缘特征值将图像进行分割，计算各分割区域的灰度均值，最后根据分割的各模块区域灰度值区分该模块属于哪类区域。

通过基于边缘和灰度融合的道面标志线的去除方法，图像处理后效果如图3所示，图3a～图3d是整个图像数据处理过程的形象化展现，通过视频采集、边缘检测处理[6]、霍夫变换检测[7]、空间关系图像灰度信息[8]计算等步骤形成原始图像、二值图像、直线边缘图像和分割结果图像。

图3 基于边缘和灰度融合的道面标志线分割结果

2.3 基于多特征融合的跑道异物检测

本文根据机场道面图像特征分析[9]，采用基于图像的灰度、边缘、亮度多源特征进行融合处理识别方法，提升系统的异物检测的精准能力。灰度特征具有较好的鲁棒性，但难以处理连续性的像素图像，如异物的颜色和道面的颜色灰度值相近时，该检测方法就失效；边缘特征检测能较好地处理连续性的像素图像，并大大减少图像的数据量，降低对计算机处理模块的性能要求，但有较高几率检测出图像伪边缘，增加图像检测的误报率；亮度特征也是图像的一种较常用的颜色特征[10]，机场跑道金属异物对飞机的危害最大，是机场航空器的高危物件，但金属异物通常有较高的亮度，同时已通过清除道面标志线来避免对检测结果产生误判，因此图像的亮度特征是高危异物检测的一种有效方法。

2.4 基于图像拼接的离线跑道异物检测

本方案采用基于车载的毫米波和夜视图像融合检测方法，本文主要描述的是基于夜视图像的检测方法，车载摄像头采集的图像存在分辨率不高、视场范围不大、部分频帧图像画质较差等缺陷，为有效降低图像的随机噪声，降低图像信息要素不全的影响，采用多帧能量累积和图像拼接的方法来进行图像检测。

多帧能量累积是通过多帧图像对同一目标的能量累积，来有效提高图像信噪比，提高系统检测能力。通过对同一目标的多帧图像求均值，提升目标能量，降低噪声强度，因为目标能量对连续的不同频帧图像有很强的相关性，而噪声在不同频帧图像之间的相关性很低，所以目标的多帧能量累积远大于噪声的能量累积，因此能量累积方法能有效地提升检测异物的能力，实现异物和机场道面区分。

图像拼接[11]是指将一组不同但有重叠的图像合并为一副新的、信息完整的图像，从而解决车载摄像头采集的图像存在分辨率不高、视场范围不大的问题。

离线跑道异物检测就是再次进行基于多特征融合的机场FOD检测算法对多帧拼接图像进行二次检测、再次异物筛查，保证检测结果的可靠性。

通过上述算法和系统设计，对某机场道面图像进行测试，能够识别机场跑道测试的各类异物，同时不将道面标志线判断为异物，避免误判。异物检测效果如图4所示。

图4 系统的异物检测效果

3 结语

本文设计的机场异物检测算法系统，首先对采集到的视频基于机场跑道面异物及道面特征进行多维度定量、定性分析，然后去除道面标志线获取跑道标志线区域或者非跑道标志线区域，避免标志线对检测结果的误判影响，接着采用基于灰度、边缘、亮度多特征融合算法进行异物检测，最后采用多帧能量累积方法消除随机噪声，将一组分辨率较低、视场范围较小但具有一定重叠区域的图像组合拼接，并再次采用基于多特征融合的异物检测算法进行二次检测，提升异物检测的准确性。