CN108226890B - 基于时间向统计的机场异物雷达检测方法 - Google Patents
基于时间向统计的机场异物雷达检测方法 Download PDFInfo
- Publication number
- CN108226890B CN108226890B CN201810053990.3A CN201810053990A CN108226890B CN 108226890 B CN108226890 B CN 108226890B CN 201810053990 A CN201810053990 A CN 201810053990A CN 108226890 B CN108226890 B CN 108226890B
- Authority
- CN
- China
- Prior art keywords
- probability density
- density curve
- echo data
- groups
- current
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
- G01V3/12—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation operating with electromagnetic waves
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及检测识别技术。本发明解决了现有FOD检测不准确的问题,提供了一种基于时间向统计的机场异物雷达检测方法,其技术方案可概括为:在没有异物的机场道面上,针对单位置单元,得到该位置单元的N组回波数据,对其进行统计得到概率密度曲线,作为基准概率密度曲线;检测时,针对单位置单元,实时提取当前时刻其雷达扫描的回波数据加上之前时刻扫描的N‑1组回波数据作为当前N组回波数据,对其进行统计得到当前概率密度曲线,将当前概率密度曲线与基准概率密度曲线对比,若其交点的横坐标大于或等于预设的门限值,则认为有异物,否则认为没有异物。本发明的有益效果是:增加了统计结果的可靠性,适用于机场异物雷达检测。
Description
技术领域
本发明涉及检测识别技术,特别涉及基于时间向数据统计特性的机场FOD(Foreign Object Debris)检测技术。
背景技术
机场跑道道面出现的异物,称为FOD,其可能会造成从航空器的爆胎到坠毁等各种危害,甚至常常造成无法挽回的损失,所以机场的FOD检测是一项非常有意义的研究。
FOD检测***一般主要通过雷达监测、视频图像处理、数字信号处理等技术来实现对目标的检测、定位及跟踪等。采集检测使用的原始数据是FOD检测***的一个重要环节。传统的光学设备获取光学图像或视频影像的数据采集方法,常常对天气和光照强度等因素敏感度很高,在能见度低的环境下检测的效果不理想。而雷达具有使用灵活方便、精度高、抗干扰能力强和全天时全天候连续监测的优势,所以可使用基于雷达扫描获取的回波数据作为原始数据进行机场跑道的异物检测分析。
通常FOD检测***采用的检测技术都是基于原始数据的信号强度值或灰度值的大小直接检测异物是否存在,即:一种是对单一时刻的雷达扫描道面图像的不同位置点,直接通过灰度值或信号强度的差异进行道面异物的检测;另一种是对相邻时刻的两幅或多幅雷达扫描道面图像的相同位置点,直接通过灰度值或信号强度的差值进行道面异物的检测。虽然FOD检测的形式在不断变化和改进,但这些检测方法常常因外界突出噪声造成的单次数据异常带来误判,这降低了检测的准确性,所以现有检测方法还有待改进。
发明内容
本发明的目的就是克服目前FOD检测不准确的缺点,提供一种基于时间向统计的机场异物雷达检测方法。
本发明解决其技术问题,采用的技术方案是,基于时间向统计的机场异物雷达检测方法,其特征在于,包括以下步骤:
步骤1、在没有异物的机场道面上,针对单位置单元,采集其雷达扫描的N次回波数据,得到该位置单元的N组回波数据;
步骤2、对N组回波数据进行统计,得到其分布均值、方差及概率密度曲线,作为基准概率密度曲线;
步骤3、检测时,针对单位置单元,实时提取当前时刻其雷达扫描的回波数据加上之前时刻扫描的N-1组回波数据作为当前N组回波数据;
步骤4、对当前N组回波数据进行统计,得到其分布均值、方差及概率密度曲线,作为当前概率密度曲线;
步骤5、将得到的当前概率密度曲线与基准概率密度曲线进行对比,若其交点的横坐标大于或等于预设的门限值,则认为该位置点具有异物,否则认为该位置点没有异物。
具体的,步骤2及步骤4中,所述统计是指:根据回波数据采用经典的帕尔森窗法对概率密度进行估计,且其中N取103数量级。
进一步的,步骤2及步骤4中,所述统计为高斯分布模型下的统计,则分布均值、方差及概率密度曲线均为高斯分布的均值、方差及概率密度曲线。
具体的,步骤5中,所述预设的门限值是指:预先设定虚警概率最大值,记为αf,设基准概率密度曲线为p(y︱H0),代入公式计算得到门限值,记为τ,所述公式为:
其中,Pf为虚警概率。
本发明的有益效果是,上述基于时间向统计的机场异物雷达检测方法,通过N组回波数据进行统计处理,从雷达持续扫描的N次回波数据中获取各位置单元的N组回波数据,统计分析该位置单元随时间的变化值,获取该位置单元的概率密度函数曲线,这样对同一位置单元采集的N组回波数据进行统计分析,大大的避免了由于外界干扰造成的单次数据异常带来的误判,明显降低了突出噪声的影响,且由于其不断获取最新采集到的N组数据,增加了统计结果的可靠性。
附图说明
图1为本发明实施例中当前概率密度曲线相较于基准概率密度曲线变动的示意图;
图2为本发明实施例中检测门限与检测过程的示意图;
其中,曲线A为基准概率密度曲线,曲线B、曲线C及曲线D分别为按时刻顺序得到的各当前概率密度曲线,曲线B’、曲线C’及曲线D’分别为另一个按时刻顺序得到的各当前概率密度曲线,曲线M为一条当前概率密度曲线,曲线N为另一条当前概率密度曲线,y0为当前概率密度曲线与基准概率密度曲线的交点的横坐标。
具体实施方式
下面结合实施例及附图,详细描述本发明的技术方案。
本发明所述的基于时间向统计的机场异物雷达检测方法,首先在没有异物的机场道面上,针对单位置单元,采集其雷达扫描的N次回波数据,得到该位置单元的N组回波数据,然后对N组回波数据进行统计,得到其分布均值、方差及概率密度曲线,作为基准概率密度曲线;检测时,针对单位置单元,实时提取当前时刻其雷达扫描的回波数据加上之前时刻扫描的N-1组回波数据作为当前N组回波数据,再对当前N组回波数据进行统计,得到其分布均值、方差及概率密度曲线,作为当前概率密度曲线,最后将得到的当前概率密度曲线与基准概率密度曲线进行对比,若其交点的横坐标大于或等于预设的门限值,则认为该位置点具有异物,否则认为该位置点没有异物,进行循环检测。
实施例
本发明实施例中的基于时间向统计的机场异物雷达检测方法,其具体包括以下步骤:
步骤1、在没有异物的机场道面上,针对单位置单元,采集其雷达扫描的N次回波数据,得到该位置单元的N组回波数据。一个位置单元即对应雷达采集数据的一个分块单元,其较小,可视为一点。
步骤2、对N组回波数据进行统计,得到其分布均值、方差及概率密度曲线,作为基准概率密度曲线。
步骤3、检测时,针对单位置单元,实时提取当前时刻其雷达扫描的回波数据加上之前时刻扫描的N-1组回波数据作为当前N组回波数据。这样,相当于采用宽度为N的“滑窗”来操作不断采集到的数据,进而每个时刻都会根据最新的N组数据进行统计分析,获得每个时刻的最新的概率密度曲线。
步骤4、对当前N组回波数据进行统计,得到其分布均值、方差及概率密度曲线,作为当前概率密度曲线。
步骤5、将得到的当前概率密度曲线与基准概率密度曲线进行对比,若其交点的横坐标大于或等于预设的门限值,则认为该位置点具有异物,否则认为该位置点没有异物。
本例中,步骤2及步骤4中所记载的统计以高斯分布模型下的统计为例,则分布均值、方差及概率密度曲线均为高斯分布的均值、方差及概率密度曲线。由于实际场景的差异性,回波数据的分布模型并非某一特定模型,故根据样本数据采用经典的无参数估计方法——帕尔森(Parzen)窗法对概率密度进行估计。根据帕尔森窗法的原理,需要将样本的分布区间以间隔h进行划分,原则上是h越小越好,N越大越好,但实际中不可能无限取值,通常以满足估计概率密度与实际概率密度的均方误差小于等于预设精度值为标准,h一般取10-2数量级,N则一般取103数量级。
而预设的门限值是指:预先设定虚警概率最大值,记为αf,设基准概率密度曲线为p(y︱H0),代入公式计算得到门限值,记为τ,所述公式为:
其中,Pf为虚警概率。
由于机场跑道异物检测的先验概率与代价很难确定,所以这里用Neyman-Pearson准则(NP准则)作为基础,对本应用场景的FOD检测进行建模,并提出了一种修正的判别方法,具体原理如下:
在FOD检测问题中,只有两种可能的结果:有异物及没有异物,所以该问题可建模为高斯分布下的二元检测的问题。在二元检测的情况下,有两种不同的假设:假设H0对应该位置单元没有异物,假设H1对应该位置单元有异物出现。H0的回波信号幅度绝对值的概率密度曲线就是基准概率密度曲线,记为p(y︱H0)。H1的回波信号幅度绝对值的概率密度曲线就是实时概率密度曲线,记为p(y︱H1)。当位置单元出现外来物(异物)后,雷达回波信号的幅度绝对值发生改变,可能会增大也可能会减小,考虑到两种情况下的分析是完全类似的,所以下面分析增大的情况,减小的情况可以类推。当雷达回波信号的幅度绝对值增大时,会导致对N组数据进行统计分析获得的高斯分布的概率密度函数的均值随之增大,这样新的概率密度曲线相较于基准概率密度曲线会发生右向偏移。但是异物刚出现时,由于“滑窗”取出的最新的N组数据中还含有部分未出现异物时的雷达回波数据,所以均值在不断增大,直至N组数据全部为异物出现后的回波数据时均值达到最大值,体现在概率密度曲线上是曲线不断右移,如图1中曲线B→曲线C→曲线D…所示。异物也可能造成均值减小,新的概率密度曲线有可能是不断左移,如曲线B’→曲线C’→曲线D’…所示。
根据NP准则,应限制虚警概率Pf低于某一指定值αf值,此时虚警概率和检测概率分别为:
Claims (3)
1.基于时间向统计的机场异物雷达检测方法,其特征在于,包括以下步骤:
步骤1、在没有异物的机场道面上,针对单位置单元,采集其雷达扫描的N次回波数据,得到该位置单元的N组回波;
步骤2、对N组回波数据进行统计,得到其分布均值、方差及概率密度曲线,作为基准概率密度曲线;
步骤3、检测时,针对单位置单元,实时提取当前时刻其雷达扫描的回波数据加上之前时刻扫描的N-1组回波数据作为当前N组回波数据;
步骤4、对当前N组回波数据进行统计,得到其分布均值、方差及概率密度曲线,作为当前概率密度曲线;
步骤5、将得到的当前概率密度曲线与基准概率密度曲线进行对比,若其交点的横坐标大于或等于预设的门限值,则认为该位置点具有异物,否则认为该位置点没有异物;
所述预设的门限值是指:预先设定虚警概率最大值,记为αf,设基准概率密度曲线为p(y︱H0),代入公式计算得到门限值,记为τ,所述公式为:
其中,Pf为虚警概率。
2.如权利要求1所述的基于时间向统计的机场异物雷达检测方法,其特征在于,步骤2及步骤4中,所述统计是指:根据回波数据采用经典的帕尔森窗法对概率密度进行估计,且其中N取103数量级。
3.如权利要求1所述的基于时间向统计的机场异物雷达检测方法,其特征在于,步骤2及步骤4中,所述统计为高斯分布模型下的统计,则分布均值、方差及概率密度曲线均为高斯分布的均值、方差及概率密度曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810053990.3A CN108226890B (zh) | 2018-01-19 | 2018-01-19 | 基于时间向统计的机场异物雷达检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810053990.3A CN108226890B (zh) | 2018-01-19 | 2018-01-19 | 基于时间向统计的机场异物雷达检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108226890A CN108226890A (zh) | 2018-06-29 |
CN108226890B true CN108226890B (zh) | 2021-08-13 |
Family
ID=62668040
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810053990.3A Active CN108226890B (zh) | 2018-01-19 | 2018-01-19 | 基于时间向统计的机场异物雷达检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108226890B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108761400B (zh) * | 2018-08-24 | 2020-05-15 | 中科宇达(北京)科技有限公司 | 机场跑道fod检测雷达***及处理方法 |
CN109471098B (zh) * | 2018-09-27 | 2020-05-12 | 中科宇达(北京)科技有限公司 | 利用fod雷达相位相干性信息的机场跑道异物检测方法 |
CN110501699A (zh) * | 2019-09-09 | 2019-11-26 | 中车南京浦镇车辆有限公司 | 一种屏蔽门与车体间的障碍物检测***及检测方法 |
CN113240930B (zh) * | 2020-10-16 | 2023-03-31 | 重庆交通大学 | 车位检测装置的自重置方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101198884A (zh) * | 2005-04-14 | 2008-06-11 | 秦内蒂克有限公司 | 检测场景中目标的方法和设备 |
CN102253381A (zh) * | 2011-04-20 | 2011-11-23 | 上海交通大学 | 用于机场跑道的异物自动检测***及其检测方法 |
CN102495402A (zh) * | 2011-12-14 | 2012-06-13 | 中国民航大学 | 在钢筋强反射回波干扰下的道面灾害目标检测识别方法 |
CN103487803A (zh) * | 2013-09-25 | 2014-01-01 | 电子科技大学 | 迭代压缩模式下机载扫描雷达成像方法 |
CN104007424A (zh) * | 2014-05-28 | 2014-08-27 | 电子科技大学 | 基于时频分析的机动目标检测方法 |
CN106170139A (zh) * | 2016-09-21 | 2016-11-30 | 北京邮电大学 | 一种频谱检测方法及*** |
CN106569208A (zh) * | 2016-11-15 | 2017-04-19 | 南京理工大学 | 基于杂波图的机场跑道异物检测方法 |
CN106959441A (zh) * | 2017-02-28 | 2017-07-18 | 中国电子科技集团公司第二十八研究所 | 一种机场场面监视雷达多径虚假目标航迹抑制方法 |
CN107076826A (zh) * | 2016-11-15 | 2017-08-18 | 深圳市大疆创新科技有限公司 | 超宽带测距方法和设备、避障方法以及避障设备 |
CN107238821A (zh) * | 2017-05-31 | 2017-10-10 | 中国电子科技集团公司第二十九研究所 | 一种基于特征谱特征的机场跑道异物检测方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5654890A (en) * | 1994-05-31 | 1997-08-05 | Lockheed Martin | High resolution autonomous precision approach and landing system |
-
2018
- 2018-01-19 CN CN201810053990.3A patent/CN108226890B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101198884A (zh) * | 2005-04-14 | 2008-06-11 | 秦内蒂克有限公司 | 检测场景中目标的方法和设备 |
CN102253381A (zh) * | 2011-04-20 | 2011-11-23 | 上海交通大学 | 用于机场跑道的异物自动检测***及其检测方法 |
CN102495402A (zh) * | 2011-12-14 | 2012-06-13 | 中国民航大学 | 在钢筋强反射回波干扰下的道面灾害目标检测识别方法 |
CN103487803A (zh) * | 2013-09-25 | 2014-01-01 | 电子科技大学 | 迭代压缩模式下机载扫描雷达成像方法 |
CN104007424A (zh) * | 2014-05-28 | 2014-08-27 | 电子科技大学 | 基于时频分析的机动目标检测方法 |
CN106170139A (zh) * | 2016-09-21 | 2016-11-30 | 北京邮电大学 | 一种频谱检测方法及*** |
CN106569208A (zh) * | 2016-11-15 | 2017-04-19 | 南京理工大学 | 基于杂波图的机场跑道异物检测方法 |
CN107076826A (zh) * | 2016-11-15 | 2017-08-18 | 深圳市大疆创新科技有限公司 | 超宽带测距方法和设备、避障方法以及避障设备 |
CN106959441A (zh) * | 2017-02-28 | 2017-07-18 | 中国电子科技集团公司第二十八研究所 | 一种机场场面监视雷达多径虚假目标航迹抑制方法 |
CN107238821A (zh) * | 2017-05-31 | 2017-10-10 | 中国电子科技集团公司第二十九研究所 | 一种基于特征谱特征的机场跑道异物检测方法及装置 |
Non-Patent Citations (3)
Title |
---|
Photonicgenerationofchirpedmicrowavesignalswithhigh;Yuan Mei;《OpticsCommunications》;20131231;第106-110页 * |
一种基于图像差值的跑道异物检测算;赵军香等;《国外电子测量技术》;20160930;第59卷(第9期);第17-23页 * |
基于特征谱特征的机场跑道异物分层检测算法;王宝帅等;《电子与信息学报》;20171130;第39卷(第11期);第2690-2696页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108226890A (zh) | 2018-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101930072B (zh) | 基于多特征融合的红外弱小运动目标航迹起始方法 | |
CN108226890B (zh) | 基于时间向统计的机场异物雷达检测方法 | |
CN109345472B (zh) | 一种复杂场景的红外运动小目标检测方法 | |
CN108596129B (zh) | 一种基于智能视频分析技术的车辆越线检测方法 | |
CN107274401B (zh) | 一种基于视觉注意机制的高分辨率sar图像舰船检测方法 | |
Zhao et al. | Improvement of canny algorithm based on pavement edge detection | |
CN109489724B (zh) | 一种隧道列车安全运行环境综合检测装置及检测方法 | |
CN107808383B (zh) | 一种强海杂波下sar图像目标快速检测方法 | |
CN109375177B (zh) | 一种用于机场场面监视雷达***的运动目标检测方法 | |
KR101609303B1 (ko) | 카메라 캘리브레이션 방법 및 그 장치 | |
CN108171193B (zh) | 基于超像素局部信息度量的极化sar舰船目标检测方法 | |
CN105427342B (zh) | 一种水下小目标声呐图像目标检测跟踪方法和*** | |
CN102663385B (zh) | 一种星上点目标检测方法 | |
CN109389609B (zh) | 基于fart神经网络的交互自反馈红外目标检测方法 | |
CN107516423B (zh) | 一种基于视频的车辆行驶方向检测方法 | |
CN104407346A (zh) | 一种基于信息融合的移动式跑道异物监测方法 | |
CN105787950A (zh) | 一种基于行梯度累加的红外图像海天线检测算法 | |
CN111275705A (zh) | 智能验布方法、装置、电子设备及存储介质 | |
CN115856872A (zh) | 一种车辆运动轨迹连续跟踪方法 | |
CN113253262B (zh) | 一种基于一维距离像记录背景对比检测目标方法 | |
CN112734745B (zh) | 一种融合gis数据的无人机热红外影像供暖管道泄漏探测方法 | |
CN109034161B (zh) | 基于雷达视频图像帧间关联的海冰识别方法 | |
Othman et al. | A statistical approach of multiple resolution levels for canny edge detection | |
CN109886133B (zh) | 一种基于光学遥感图像的船只检测方法及*** | |
CN110264474B (zh) | 一种sar遥感图像的水陆分割方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |