CN105335688B - 一种基于视觉图像的飞机机型识别方法 - Google Patents

Abstract

一种基于视觉图像的飞机机型识别方法，包括：使用帧差法提取运动目标边缘得到前景目标掩膜；利用飞机引擎呈正圆形且几乎不反光的特性，提取出引擎的位置和大小；使用霍夫线变换拟合机翼所在的直线，将未超过所述运动目标边缘范围的纵向梯度显著降低处作为翼尖位置；确定机舱左右边缘位置，取两翼尖高度均值做水平直线，将未超过所述运动目标边缘范围的直线与机舱边缘横向梯度波峰处作为机舱的左、右边缘位置；以待识别飞机的引擎半径作为尺度缩放因子，分别计算该待识别飞机的两引擎间距、机翼翼展、机舱宽度与所述引擎半径的比值，与预置的标准机型数据相匹配，取最大匹配值对应的机型作为该待识别飞机的机型。

Description

一种基于视觉图像的飞机机型识别方法

技术领域

本发明涉及一种泊位飞机定位及引导技术，特别是一种针对飞机正面图像的基于视觉图像的飞机机型识别方法。

背景技术

视觉图像中的特征区提取被广泛用于工业检测、摄像机标定、目标检测等任务中。对于较复杂的图形，需要基于机器学习的目标检测技术，将决策的决定权交给计算机来完成，此类技术仍处于实验室阶段，其可靠性无法得到保证。但对一些简单应用，例如对简单形状、单一颜色的目标检测，已经可以被用于工业化需求中。

简单目标检测方法分为区域检测法和边界检测法两种。区域检测利用待检测目标的某种颜色或纹理上的特性，将其与背景区分开，通过图形形态学对区域进行筛选，最后利用区域的形状、大小、空间位置等信息将目标所在区域提取出来。边界检测则关注于颜色有明显落差的地方，在不同光照条件下具有一定的稳定性，利用目标的某些稳定边界的形状和相对位置关系确定目标的位置。申请号为“200510016267”，名称为“飞机泊位机型自动识别与指示***”的中国发明专利所公开的针对泊位飞机的识别方法，其需针对飞机机号进行识别，并结合位置和速度检测装置的相关数据进行识别与指示，其识别效率和准确率均存在一定缺陷。

发明内容

本发明所要解决的技术问题是提供一种针对飞机正面图像的基于视觉图像的飞机机型识别方法，以快速准确地识别泊位飞机机型。

为了实现上述目的，本发明提供了一种基于视觉图像的飞机机型识别方法，其中，包括如下步骤：

S1、运动目标提取，使用帧差法提取运动目标边缘得到前景目标掩膜，以建立约束条件并减少背景带来的影响；

S2、飞机引擎提取，利用飞机引擎呈正圆形且几乎不反光的特性，提取出引擎的位置和大小；

S3、飞机翼尖位置检测，使用霍夫线变换拟合机翼所在的直线，将未超过所述运动目标边缘范围的纵向梯度显著降低处作为翼尖位置；

S4、机舱宽度检测，确定机舱左右边缘位置，取两翼尖高度均值做水平直线，将未超过所述运动目标边缘范围的直线与机舱边缘横向梯度波峰处作为机舱的左、右边缘位置，机舱宽度为所述左、右边缘之间的距离；

S5、飞机机型识别，以待识别飞机的引擎半径作为尺度缩放因子，分别计算该待识别飞机的两引擎间距、机翼翼展、机舱宽度与所述引擎半径的比值，与预置的标准机型数据相匹配，取最大匹配值对应的机型作为该待识别飞机的机型。

上述的基于视觉图像的飞机机型识别方法，其中，使用帧差法提取运动目标边缘包括：

S11、采集一系列该待识别飞机的正面图像，计算第t帧图像与第t-1帧图像的绝对差，计算第t帧图像的标准差，以标准差的1/4作为分割运动目标和噪声的阈值，得到运动目标的二值图像，计算公式如下：

其中，为第t帧坐标(x,y)处的灰度值，std(I^(t))为第t帧图像灰度值的标准差，M_x,y为运动目标的二值图像。

上述的基于视觉图像的飞机机型识别方法，其中，使用帧差法提取运动目标边缘还包括：

S12、使用闭操作封闭该运动目标的二值图像中的孔洞，使用半径是5的圆形模板膨胀3次，腐蚀2次得到修正的前景目标掩膜。

上述的基于视觉图像的飞机机型识别方法，其中，飞机引擎提取步骤S2包括：

S21、计算该修正的前景目标掩膜覆盖下的视觉图像的灰度直方图累积分布，记录下累积分布中1％和99％对应的灰度级，作为图像的最暗/最亮灰度级；

S22、使用分隔阈值将图像分割为极黑区域和其他区域，所述分隔阈值为所述极黑区域在所述前景目标掩膜中所占的比例；

S23、使用圆形判定阈值对所述极黑区域进行类圆检测，提取所有所述极黑区域的所有外层边界，对每一个边界，计算其重心坐标，重心的计算公式为：

其中，

枚举当前区域边界的所有像素点edge{x,y}，计算其与重心的距离，并不断更新最大/最小距离，一旦最大距离除以最小距离超过该圆形判定阈值，则判断该极黑区域为非圆，进入下一极黑区域的判定；

S24、成对引擎检测，对判定的类圆极黑区域进行筛选，假设检测到M个类圆区域，生成一个M*M的上三角矩阵S，S中的各元素计算公式为：

S(i,j)＝abs(W_i-W_j-T_ij)*abs(H_i-H_j)*abs(R_i-R_j)

T_ij＝3*(R_i+R_j)

其中W_i表示第i个极黑区域中心的横坐标，H_i表示第i个极黑区域中心的纵坐标，R_i表示第i个极黑类圆区域的半径，T_ij为两引擎的最小间距，S中最小的一个元素的下标i和j为检测到的成对引擎。

上述的基于视觉图像的飞机机型识别方法，其中，飞机引擎提取步骤S2还包括：

S25、重新检测，若步骤S22-S24无法找到引擎，则将分隔阈值和圆形判定阈值分别扩大一个等级，重复步骤S22-S24进行重新检测。

上述的基于视觉图像的飞机机型识别方法，其中，所述步骤S3包括：

S31、计算感兴趣区域内的纵向梯度G，按机型数据库，取引擎上方1.5个引擎高度，8个引擎直径的宽度的区域作为感兴趣区域，梯度计算公式为：

G_y(x,y)＝2*I(x,y)-I(x,y-1)-I(x,y+1)

其中G_y(x,y)为(x,y)坐标处的纵向梯度，I(x,y)为(x,y)坐标处对应的灰度值；

S32、使用点斜式拟合机翼所在直线；

S33、由飞机内侧向翼尖方向扫描机翼对应直线经过的梯度，沿途计算经过的总平均梯度和最近5个像素的平均梯度，若最近5个像素的梯度小于总平均梯度的1/3，则扫描位置已经超出翼尖位置，并将扫描位置回移5个像素作为当前直线的翼尖位置。

上述的基于视觉图像的飞机机型识别方法，其中，所述步骤S3还包括：

S34、夜晚图像中，飞机翼尖处会有信号灯点亮，若扫描点连续经过2个明显的高亮像素，则该高亮像素所在位置为翼尖位置。

上述的基于视觉图像的飞机机型识别方法，其中，所述步骤S3还包括：

S35、飞机一侧的翼尖若被登机桥遮挡，则利用机翼的对称关系，以两引擎中心连线的中垂线作为对称线，在该飞机被登机桥遮挡的一侧虚拟出一个机翼并计算其相关参数。

上述的基于视觉图像的飞机机型识别方法，其中，所述步骤S4包括：

S41、取两引擎中心，高度为7个引擎半径的区域作为感兴趣区域，计算感兴趣区域内的水平梯度G_x，公式如下：

G_x(x,y)＝2*I(x,y)-I(x-1,y)-I(x+1,y)

其中，G_x(x,y)为(x,y)坐标处的水平梯度，I(x,y)为(x,y)坐标处对应的灰度值；

S42、在步骤S1所述运动目标掩膜内统计G_x(x,y)的直方图，将G_x最大的30％梯度部分设为1，其余部分置0，形成一幅二值图；

统计所有1像素值连接所成区域的面积，将面积小于50的区域过滤掉；

并对去除掉噪声的二值图进行闭操作以确保机舱的边缘完全合拢；

S43、在步骤S3所提取的翼尖平均高度上，由两侧向内扫描像素点，当像素点在所述运动目标掩膜内且在所述二值图上的像素值为1，停止扫描，以扫描到的两个点作为机舱的左、右边缘。

上述的基于视觉图像的飞机机型识别方法，其中，所述步骤S5包括：

S51、存储所有的目标机型的引擎半径、引擎间距、翼展宽度和机舱宽度信息；

S52、使用所述飞机引擎提取、翼尖位置检测及机舱宽度检测的结果，得到引擎的平均半径和引擎间距、两个机翼翼尖间距和机舱宽度，将所述引擎间距、翼尖间距、机舱宽度分别除以引擎平均半径，生成三维特征向量F，与步骤51中存储的信息进行比对，比对公式为：

其中，S^t为机型t与图像中飞机的相似度，F_i为从图像上提取到的第i个特征，为数据库中机型t的第i个特征，相似度最大的机型为识别出的机型。

本发明的技术效果在于：

本发明在飞机的正面图像上提取引擎半径、引擎间距、机翼长度、机舱宽度等信息，与数据库中预存的相应信息进行比对，最终确定所拍摄的飞机的机型。充分利用飞机各部件之间的相对关系，并通过基于帧差法的运动目标提取对部件的位置进行约束，简单、有效、稳定地从图像中获取飞机的相关信息，从而做到准确的识别。

以下结合附图和具体实施例对本发明进行详细描述，但不作为对本发明的限定。

附图说明

图1为本发明一实施例的流程图；

图2为本发明一实施例的未做任何处理时帧差法效果图；

图3为对图2使用形态学处理后的帧差法效果图；

图4为本发明一实施例的飞机引擎检测流程图；

图5A为本发明一实施例的夜晚条件下的灰度直方图；

图5B为本发明一实施例的早晨条件下的灰度直方图；

图6为本发明一实施例的极黑区域提取效果图；

图7为本发明一实施例的提取到的引擎边界与左侧飞机机翼形状示意图。

其中，附图标记

S1-S5步骤

具体实施方式

下面结合附图对本发明的结构原理和工作原理作具体的描述：

参见图1，图1为本发明一实施例的流程图。本发明的基于视觉图像的飞机机型识别方法，包括如下步骤：

步骤S1、运动目标提取，使用帧差法提取运动目标边缘得到前景目标掩膜，以建立约束条件并减少背景带来的影响；

步骤S2、飞机引擎检测，利用飞机引擎呈正圆形且几乎不反光的特性，检测出引擎的位置和大小；

步骤S3、飞机翼尖位置检测，使用霍夫线变换拟合机翼所在的直线，将未超过所述运动目标边缘范围的纵向梯度显著降低处作为翼尖位置；

步骤S4、机舱宽度检测，确定机舱左右边缘位置，取两翼尖高度均值做水平直线，将未超过所述运动目标边缘范围的直线与机舱边缘横向梯度波峰处作为机舱的左、右边缘位置，机舱宽度为所述左、右边缘之间的距离；

步骤S5、飞机机型识别，以待识别飞机的引擎半径作为尺度缩放因子，分别计算该待识别飞机的两引擎间距、机翼翼展、机舱宽度与所述引擎半径的比值，与预置的标准机型数据相匹配，取最大匹配值对应的机型作为该待识别飞机的机型。

其中，使用帧差法提取运动目标边缘包括：

步骤S11、由摄像装置采集一系列该待识别飞机的正面图像，计算第t帧图像与第t-1帧图像的绝对差(即差的绝对值)，计算第t帧图像的标准差，以标准差的1/4作为分割运动目标和噪声的阈值，得到运动目标的二值图像，计算公式如下：

其中，为第t帧坐标(x,y)处的灰度值，std(I^(t))为第t帧图像灰度值的标准差，M_x,y为运动目标的二值图像。

由步骤S11得到的M_x,y虽然过滤掉了噪声，但也损失掉了一部分有用信息，由图像上看即为带有大量孔洞的白色区域(参见图2)。使用图像形态学上的闭操作可以封闭这些孔洞，闭操作可以看作一次对图像白色区域的膨胀和一次对白色区域的腐蚀。因此，本实施例中，使用帧差法提取运动目标边缘还包括：

步骤S12、使用闭操作封闭该运动目标的二值图像中的孔洞，使用半径是R的圆形模板膨胀M次，腐蚀N次得到修正的前景目标掩膜，优选R为5，M为3，N为2。该修正的前景目标掩膜为一副略微扩大的、孔洞较少的前景目标掩膜。半径过大、膨胀次数过多会导致掩膜失去原有形状，过少会导致内部出现过多孔洞。腐蚀次数少于膨胀次数，从而保证得到的掩膜尽可能完全覆盖住待检测目标(即飞机，参见图3)。

参见图4，图4为本发明一实施例的飞机引擎检测流程图。本实施例中，飞机引擎提取步骤S2包括：

步骤S21、计算该修正的前景目标掩膜覆盖下的视觉图像的灰度直方图累积分布，记录累积分布中1％和99％对应的灰度级，作为图像的最暗/最亮灰度级(参见图5A、5B，图5A为本发明一实施例的夜晚条件下的灰度直方图，图5B为本发明一实施例的早晨条件下的灰度直方图)，若最亮灰度级小于60，则判定图像为夜晚图像。

步骤S22、使用一个固定的分隔阈值将图像分割为极黑区域和其他较亮区域，所述分隔阈值的物理意义为所述极黑区域在所述前景目标掩膜(飞机正面形状)中所占的比例(参见图6，图6为本发明一实施例的极黑区域提取效果图)；在夜晚图像中，背景转变为黑色，此时将阈值提高0.4进行检测。

步骤S23、使用圆形判定阈值对所述极黑区域进行类圆检测，提取所有所述极黑区域的所有外层边界，对每一个边界，计算其重心坐标重心的计算公式为：

其中对下式将j和i分别取0,1计算，

枚举当前区域边界的所有像素点edge{x,y}，计算其与重心的距离，并不断更新最大/最小距离，一旦最大距离除以最小距离超过该圆形判定阈值(预设值优选为1.2)，则判断该极黑区域为非圆，直接进入下一极黑区域的判定；

步骤S24、成对引擎检测，对判定的类圆极黑区域进行筛选，利用引擎总是成对出现的特性(部分机型为3引擎，此时忽略尾翼处的第三个引擎，仅检测机翼处悬挂的两个引擎)对类圆区域进行筛选。假设检测到M个类圆区域，生成一个M*M的上三角矩阵S，S中的各元素计算公式为：

S(i,j)＝abs(W_i-W_j-T_ij)*abs(H_i-H_j)*abs(R_i-R_j)

T_ij＝3*(R_i+R_j)

其中，S(i,j)表示上三角矩阵的第i行，第j列的元素，abs表示去绝对值,W_i、W_j表示第i、j个极黑区域中心的横坐标，H_i、H_j表示第i、j个极黑区域中心的纵坐标，R_i、R_j表示第i、j个极黑类圆区域的半径，T_ij为两引擎的最小间距，默认为3个引擎直径大小，该参数应随待泊位飞机机型的不同设置不同的数值,abs表示去绝对值。取S中最小的一个元素的下标i和j为检测到的成对引擎。

其中，飞机引擎提取步骤S2还可包括：

步骤S25、重新检测，若步骤S22-S24无法找到引擎，则认为当前参数可能略微严苛，此时将两个参数分别扩大一个等级，即将分隔阈值和圆形判定阈值分别扩大一个等级，重复步骤S22-S24进行重新检测。扩大的次数最多不超过2次。

参见图7，图7为本发明一实施例的提取到的引擎边界与左侧飞机机翼形状示意图。其中，所述步骤S3包括：

步骤S31、计算感兴趣区域内的纵向梯度G，按机型数据库，取引擎上方1.5个引擎高度，8个引擎直径的宽度的区域作为感兴趣区域，该高度和宽度为常见的波音737和空客A320客机所使用的参数，其他机型应根据机型数据库中的参数设置不同的高度和宽度范围。梯度计算公式为：

G_y(x,y)＝2*I(x,y)-I(x,y-1)-I(x,y+1)

其中G_y(x,y)为(x,y)坐标处的纵向梯度，I(x,y)、I(x,y-1)、I(x,y+1)分别为(x,y)、(x,y-1)及(x,y+1)坐标处对应的灰度值；

步骤S32、使用点斜式拟合机翼所在直线，枚举感兴趣区域最右侧的所有像素，过每个像素0～15°每1°作为直线的斜率，在黑色背景下使用抗锯齿算法画出所有直线。假设最右侧有50个像素，0～15°共有16个角度，则总共需要画出50*16＝800条直线。

设第i条直线所对应的直线图像为L_i，计算第i条直线的投票数V_i：

其中L_i(x,y)为(x,y)坐标处直线图像L_i的灰度值，G_y(x,y)为(x,y)坐标处的纵向梯度，x和y均取遍感兴趣区域所有点。则V_i的最大值对应的直线即为机翼所在直线。注意，扫描点的位置不能超过步骤S1所述运动目标边缘，以避免复杂背景中的高梯度值干扰。

步骤S33、由飞机内侧向翼尖方向扫描机翼对应直线经过的梯度，沿途计算经过的总平均梯度和最近5个像素的平均梯度，若最近5个像素的梯度小于总平均梯度的1/3，则扫描位置已经超出翼尖位置，并将扫描位置回移5个像素作为当前直线的翼尖位置。

本实施例中，所述步骤S3还可包括：

步骤S34、夜晚图像中，飞机翼尖处有信号灯点亮，使用S21所述方法判断是否为夜晚图像。在夜晚图像中，若扫描点连续经过2个明显的高亮像素(高亮像素的灰度值大于之前扫描点的平均灰度值的2倍)，则在S32所述投票值上V_i加上10000，以与其他没有经过高亮像素的直线区分开。夜晚图像无需按S33所述方式计算翼尖位置，可直接令该高亮像素所在位置为翼尖位置。

所述步骤S3还可包括：

步骤S35、飞机一侧的翼尖若被登机桥遮挡，则利用机翼的对称关系，以两引擎中心连线的中垂线作为对称线，在该飞机被登机桥遮挡的一侧虚拟出一个机翼并计算其相关参数并为S4过程提供参数。提取到的机翼形状如图5所示。

本实施例中，所述步骤S4包括：

步骤S41、取两引擎中心，高度为7个引擎半径的区域作为感兴趣区域，计算感兴趣区域内的水平梯度G_x，公式如下：

G_x(x,y)＝2*I(x,y)-I(x-1,y)-I(x+1,y)

其中，G_x(x,y)为(x,y)坐标处的水平梯度，I(x,y)、I(x-1,y)、I(x+1,y)为(x,y)、(x-1,y)及(x+1,y)坐标处对应的灰度值；

步骤S42、在步骤S1所述运动目标掩膜内统计G_x(x,y)的直方图，将G_x最大的30％梯度部分设为1，其余部分置0，形成一幅二值图；

统计所有1像素值连接所成区域的面积，将面积小于50的区域过滤掉；

并类似于步骤S12，使用5*5的矩形模板对去除掉噪声的二值图进行闭操作以确保机舱的边缘完全合拢；

步骤S43、在步骤S3所提取的翼尖平均高度上，由两侧向内扫描像素点，当像素点在所述运动目标掩膜内且在步骤S42所述二值图上的像素值为1，停止扫描，以扫描到的两个点作为机舱的左、右边缘。机舱宽度即为两点之间的距离。

本实施例中，所述步骤S5包括：

步骤S51、在信息处理中心内存储所有的目标机型的引擎半径、引擎间距、翼展宽度和机舱宽度信息；

步骤S52、分别使用步骤S2、S3及S4中所述飞机引擎检测、翼尖位置检测及机舱宽度检测的结果，得到引擎的平均半径和引擎间距、两个机翼翼尖间距和机舱宽度，将所述引擎间距、翼尖间距、机舱宽度分别除以引擎平均半径，生成三维特征向量F，与步骤51中存储的信息进行比对，比对公式为：

其中，S^t为机型t与图像中飞机的相似度，F_i为从图像上提取到的第i个特征，为数据库中机型t的第i个特征，S^t相似度最大的机型为识别出的机型。

本发明在飞机正面图像中检测引擎、机翼、机舱的方法，通过检测出来的参数与数据库内的飞机机型数据相比对，最终确定图像中的飞机的机型。

当然，本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (10)

1.一种基于视觉图像的飞机机型识别方法，其特征在于，包括如下步骤：

S1、运动目标提取，使用帧差法提取运动目标边缘得到前景目标掩膜，以建立约束条件并减少背景带来的影响；

S2、飞机引擎提取，利用飞机引擎呈正圆形且几乎不反光的特性，提取出引擎的位置和大小；

S3、飞机翼尖位置检测，使用霍夫线变换拟合机翼所在的直线，将未超过所述运动目标边缘范围的纵向梯度显著降低处作为翼尖位置；

S4、机舱宽度检测，确定机舱左右边缘位置，取两翼尖高度均值做水平直线，将未超过所述运动目标边缘范围的直线与机舱边缘横向梯度波峰处作为机舱的左、右边缘位置，机舱宽度为所述左、右边缘之间的距离；

S5、飞机机型识别，以待识别飞机的引擎半径作为尺度缩放因子，分别计算该待识别飞机的两引擎间距、机翼翼展、机舱宽度与所述引擎半径的比值，与预置的标准机型数据相匹配，取最大匹配值对应的机型作为该待识别飞机的机型。

2.如权利要求1所述的基于视觉图像的飞机机型识别方法，其特征在于，使用帧差法提取运动目标边缘包括：

S11、采集一系列该待识别飞机的正面图像，计算第t帧图像与第t-1帧图像的绝对差，计算第t帧图像的标准差，以标准差的1/4作为分割运动目标和噪声的阈值，得到运动目标的二值图像，计算公式如下：

其中，为第t帧坐标(x,y)处的灰度值，std(I^(t))为第t帧图像灰度值的标准差，M_x,y为运动目标的二值图像，abs表示取绝对值。

3.如权利要求2所述的基于视觉图像的飞机机型识别方法，其特征在于，使用帧差法提取运动目标边缘还包括：

S12、使用闭操作封闭该运动目标的二值图像中的孔洞，使用半径是R的圆形模板膨胀P次，腐蚀N次得到修正的前景目标掩膜。

4.如权利要求3所述的基于视觉图像的飞机机型识别方法，其特征在于，飞机引擎提取步骤S2包括：

S21、计算该修正的前景目标掩膜覆盖下的视觉图像的灰度直方图累积分布，记录下累积分布中1％和99％对应的灰度级，作为图像的最暗/最亮灰度级；

S22、使用分隔阈值将图像分割为极黑区域和其他区域，所述分隔阈值为所述极黑区域在所述前景目标掩膜中所占的比例；

S23、使用圆形判定阈值对所述极黑区域进行类圆检测，提取所有所述极黑区域的所有外层边界，对每一个边界，计算其重心坐标，重心的计算公式为：

其中，将j'和i'分别取0和1，计算

枚举当前所述极黑区域边界的所有像素点，计算其与重心的距离，并不断更新最大/最小距离，一旦最大距离除以最小距离超过该圆形判定阈值，则判断该极黑区域为非圆，进入下一极黑区域的判定；

S24、成对引擎检测，对判定的类圆极黑区域进行筛选，假设检测到M个类圆区域，生成一个M*M的上三角矩阵S，S中的各元素计算公式为：

S(i,j)＝abs(W_i-W_j-T_ij)*abs(H_i-H_j)*abs(R_i-R_j)

T_ij＝3*(R_i+R_j)

其中S(i,j)表示上三角矩阵的第i行，第j列的元素，abs表示取绝对值,W_i、W_j表示第i、j个极黑区域中心的横坐标，H_i、H_j表示第i、j个极黑区域中心的纵坐标，R_i、R_j表示第i、j个类圆极黑区域的半径，T_ij为两引擎的最小间距，S中最小的一个元素的下标i和j为检测到的成对引擎。

5.如权利要求4所述的基于视觉图像的飞机机型识别方法，其特征在于，飞机引擎提取步骤S2还包括：

S25、重新检测，若步骤S22-S24无法找到引擎，则将分隔阈值和圆形判定阈值分别扩大一个等级，重复步骤S22-S24进行重新检测。

6.如权利要求1、2、3或5所述的基于视觉图像的飞机机型识别方法，其特征在于，所述步骤S3包括：

S31、计算感兴趣区域内的纵向梯度G，按机型数据库，取引擎上方1.5个引擎高度，8个引擎直径的宽度的区域作为感兴趣区域，梯度计算公式为：

G_y(x,y)＝2*I(x,y)-I(x,y-1)-I(x,y+1)

其中G_y(x,y)为(x,y)坐标处的纵向梯度，I(x,y)为(x,y)坐标处对应的灰度值；

S32、使用点斜式拟合机翼所在直线；

S33、由飞机内侧向翼尖方向扫描机翼对应直线经过的梯度，沿途计算经过的总平均梯度和最近5个像素的平均梯度，若最近5个像素的梯度小于总平均梯度的1/3，则扫描位置已经超出翼尖位置，并将扫描位置回移5个像素作为当前直线的翼尖位置。

7.如权利要求6所述的基于视觉图像的飞机机型识别方法，其特征在于，所述步骤S3还包括：

S34、夜晚图像中，飞机翼尖处会有信号灯点亮，若扫描点连续经过2个明显的高亮像素，则该高亮像素所在位置为翼尖位置。

8.如权利要求6所述的基于视觉图像的飞机机型识别方法，其特征在于，所述步骤S3还包括：

S35、飞机一侧的翼尖若被登机桥遮挡，则利用机翼的对称关系，以两引擎中心连线的中垂线作为对称线，在该飞机被登机桥遮挡的一侧虚拟出一个机翼并计算其相关参数。

9.如权利要求1、2、3、5、7或8所述的基于视觉图像的飞机机型识别方法，其特征在于，所述步骤S4包括：

S41、取两引擎中心，高度为7个引擎半径的区域作为感兴趣区域，计算感兴趣区域内的水平梯度G_x，公式如下：

G_x(x,y)＝2*I(x,y)-I(x-1,y)-I(x+1,y)

其中，G_x(x,y)为(x,y)坐标处的水平梯度，I(x,y)为(x,y)坐标处对应的灰度值；

S42、在步骤S1所述运动目标掩膜内统计G_x(x,y)的直方图，将G_x最大的30％梯度部分设为1，其余部分置0，形成一幅二值图；

统计所有1像素值连接所成区域的面积，将面积小于50的区域过滤掉；

并对去除掉噪声的二值图进行闭操作以确保机舱的边缘完全合拢；

S43、在步骤S3所提取的翼尖平均高度上，由两侧向内扫描像素点，当像素点在所述运动目标掩膜内且在所述二值图上的像素值为1，停止扫描，以扫描到的两个点作为机舱的左、右边缘。

10.如权利要求9所述的基于视觉图像的飞机机型识别方法，其特征在于，所述步骤S5包括：

S51、存储所有的目标机型的引擎半径、引擎间距、翼展宽度和机舱宽度信息；

S52、使用所述飞机引擎提取、翼尖位置检测及机舱宽度检测的结果，得到引擎的平均半径和引擎间距、两个机翼翼尖间距和机舱宽度，将所述引擎间距、翼尖间距、机舱宽度分别除以引擎平均半径，生成三维特征向量F，与步骤51中存储的信息进行比对，比对公式为：

其中，S^t为机型t与图像中飞机的相似度，F_i为从图像上提取到的第i个特征，为数据库中机型t的第i个特征，相似度最大的机型为识别出的机型。