CN110033490B - 一种基于光电图像自动识别的机场低慢小目标防控方法 - Google Patents
一种基于光电图像自动识别的机场低慢小目标防控方法 Download PDFInfo
- Publication number
- CN110033490B CN110033490B CN201910291490.8A CN201910291490A CN110033490B CN 110033490 B CN110033490 B CN 110033490B CN 201910291490 A CN201910291490 A CN 201910291490A CN 110033490 B CN110033490 B CN 110033490B
- Authority
- CN
- China
- Prior art keywords
- target
- low
- prevention
- controlled
- prevented
- 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
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
- A01M29/00—Scaring or repelling devices, e.g. bird-scaring apparatus
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01S—DEVICES USING THE PROCESS OF LIGHT AMPLIFICATION BY STIMULATED EMISSION OF RADIATION [LASER] TO AMPLIFY OR GENERATE LIGHT; DEVICES USING STIMULATED EMISSION OF ELECTROMAGNETIC RADIATION IN WAVE RANGES OTHER THAN OPTICAL
- H01S5/00—Semiconductor lasers
- H01S5/10—Construction or shape of the optical resonator, e.g. extended or external cavity, coupled cavities, bent-guide, varying width, thickness or composition of the active region
- H01S5/1078—Construction or shape of the optical resonator, e.g. extended or external cavity, coupled cavities, bent-guide, varying width, thickness or composition of the active region with means to control the spontaneous emission, e.g. reducing or reinjection
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04K—SECRET COMMUNICATION; JAMMING OF COMMUNICATION
- H04K3/00—Jamming of communication; Counter-measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Electromagnetism (AREA)
- Optics & Photonics (AREA)
- Environmental Sciences (AREA)
- Zoology (AREA)
- Wood Science & Technology (AREA)
- Pest Control & Pesticides (AREA)
- Insects & Arthropods (AREA)
- Birds (AREA)
- Computer Networks & Wireless Communication (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于光电图像自动识别的机场低慢小目标防控方法,包括以下步骤:从网络中获取各个低慢小目标的多幅图像,并现场实测采集各个低慢小目标的多幅图像;对每幅图像进行特征提取,根据提取的图像特征对图像对应的目标类型进行分类,获得低慢小目标分类器;对待防控目标图像进行预处理,并提取图像特征,之后将该特征输入至分类器获取待防控目标的类型;确定待防控目标的位置,结合待防控目标的类型,驱动相应的防控设备工作。本发明通过对不同目标分类实现机场区域多重防控策略,实现不同低慢小防控设备的优化组合,大大降低低慢小目标对机场空域的影响,克服传统人工监控空域的弊端和单一控制策略的局限,提高对低慢小目标防控的效率和精度。
Description
技术领域
本发明属于智能低慢小目标防控技术领域,特别是一种基于光电图像自动识别的机场低慢小目标防控方法。
背景技术
“低慢小”目标是指具有低空、超低空飞行,速度较慢,体积较小,不容易被侦测发现等特征的飞行器和漂浮物。主要包括轻型和超轻型飞机、轻型直升机、滑翔机、三角翼、动力三角翼、动力伞、滑翔伞、热气球、飞艇、无人机、航空模型、航天模型、空飘气球、系留气球等。这些物体成本低廉、操控简单、携行方便、容易获取,并且升空突然性强、发现处置困难,容易被作为运载***物品、投放生化毒剂、散播传单的工具,严重威胁重大活动、重点区域的安全保障工作。
鸟撞是指高速运行在空中或者地面的飞机与空气中的鸟类碰撞所造成的事故。在撞击的过程当中,由于鸟类运动状态的巨大改变超出了鸟类身体的承受程度,造成鸟类死亡,肢体***,因此鸟撞更类似软体碰撞。鸟撞具有突发性和多变性的特点,由鸟撞造成的飞行事故不仅会带来经济损失,同时也会带来更大的生命安全隐患,时刻威胁着乘客和空勤人员的人身安全,轻微鸟撞导致飞机部件损坏,严重鸟撞则会引发机毁人亡。
传统的机场空域检测通常采用雷达探测、光学探测、无线电信号探测等方式。但是,由于低慢小目标和鸟类的雷达反射面积较小,且较慢的飞行速度造成的多普勒效应不明显容易造成目标误判。此外,光学探测主要通过红外自动搜索技术,图像处理技术和高精度转台控制技术构成,但是存在图像采集和处理速度较慢,对较大空域扫描效率较低,无法准确计算目标位置等弊端。现有低慢小和鸟类的探测日益成熟,包括美国梅林雷达***、加拿大苍鹰雷达***、北京中科罗宾雷达***、武汉领先通航机场探鸟雷达***等,部分已经实现探测和驱离联动,但是未提出分类防控策略和方法。
发明内容
本发明的目的在于提供一种能克服传统人工监控空域存在的弊端和单一控制策略的局限,且提高对低慢小目标的防控效率和精度的机场低慢小目标防控方法。
实现本发明目的的技术解决方案为:一种基于光电图像自动识别的机场低慢小目标防控方法,包括以下步骤:
步骤1、从网络中获取各个低慢小目标的多幅图像,并进行现场实测采集各个低慢小目标的多幅图像;
步骤2、对步骤1获得的每幅图像进行特征提取,根据提取的图像特征对图像对应的目标类型进行分类,获得低慢小目标分类器;
步骤3、对待防控目标图像进行预处理,并提取图像特征,之后将该特征输入至所述分类器获取待防控目标的类型;
步骤4、确定待防控目标的位置,结合步骤3获得的待防控目标的类型,驱动相应的防控设备工作。
本发明与现有技术相比,其显著优点为:1)根据不同类型的低慢小目标驱动不同的防控设备,提高了低慢小目标防控的自动化水平;2)通过提取图像特征的方法,实现了目标类型自动判别与防控,实现探测与防控的联动一体化,可减少人力成本;3)通过网络爬虫技术扩展训练集,可获得更多训练图像,以此提高分类器模型精度;4)通过对目标图像进行去噪、平滑、背景分割等一系列预处理,减小噪声对结果的影响,提高防控的准确率;5)通过预测目标下一时刻的位置,驱使防控设备向目标未来位置发射,提高命中率。
下面结合附图对本发明作进一步详细描述。
附图说明
图1为本发明基于光电图像自动识别的机场低慢小目标防控方法的流程图。
图2为本发明实施例中待防控目标图像的灰度图。
图3为本发明实施例中对图2进行滤波后的图像。
图4为本发明实施例中目标类型判别结果图。
图5为本发明实施例中建立的空间坐标示意图。
图6为本发明探测到目标后防控处理流程图。
具体实施方式
结合图1,本发明一种基于光电图像自动识别的机场低慢小目标防控方法,包括以下步骤:
步骤1、从网络中获取各个低慢小目标的多幅图像,并进行现场实测采集各个低慢小目标的多幅图像;
步骤2、对步骤1获得的每幅图像进行特征提取,根据提取的图像特征对图像对应的目标类型进行分类,获得低慢小目标分类器;
步骤3、对待防控目标图像进行预处理,并提取图像特征,之后将该特征输入至所述分类器获取待防控目标的类型;
步骤4、确定待防控目标的位置,结合步骤3获得的待防控目标的类型,驱动相应的防控设备工作。
进一步优选地,低慢小目标包括无人机、气球、鸟类。
进一步优选地,步骤1中从网络中获取各个低慢小目标的多幅图像,具体为:通过网络爬虫从网络中爬取各个低慢小目标的多幅图像。
进一步优选地,步骤1中从网络中获取各个低慢小目标的多幅图像,具体为:以低慢小目标的名称为关键字,通过Python爬虫从网络中爬取各个低慢小目标的多幅图像。
进一步优选地,步骤2中对步骤1获得的每幅图像进行特征提取,具体为:采用Haar特征提取方法提取图像特征。
进一步地,步骤2特征提取之前,还包括对步骤1获得的每幅图像进行预处理,所述预处理包括:去噪、平滑、背景分割。
进一步优选地,步骤2中根据提取的图像特征对图像对应的目标类型进行分类,具体采用支持向量机SVM进行分类。
进一步地,步骤4所述确定待防控目标的位置,结合步骤3获得的待防控目标的类型,驱动相应的防控设备工作,具体为:
步骤4-1、对机场区域建立空间坐标系,其中机场区域包括跑道以及沿跑道两侧的区域;将光电探测设备放置在机场跑道两侧区域的任意位置,以该位置为原点O,沿飞机跑道的方向为y轴,垂直于y轴的水平方向为x轴,垂直于xOy平面指向天空的方向为z轴;由此确定待防控目标当前位置在所述空间坐标系中的位置;
步骤4-2、根据待防控目标的类型确定其对应的防控设备,其中待防控目标类型与防控设备的对应关系由用户自定义;
步骤4-3、确定待防控目标对应的防控设备在所述空间坐标系中的位置;
步骤4-4、光电探测设备获取待防控目标的当前位置和速度,由此预估待防控目标下一时刻在所述空间坐标系中的位置;
步骤4-5、将空间坐标系的原点O移动至防控设备所在位置,获得新的空间坐标系,将原空间坐标系中待防控目标下一时刻的位置转换至新的空间坐标系,之后再转换至以防控设备为原点的球坐标系,待防控设备根据转换后的位置对待防控目标进行干扰。
进一步优选地,步骤4-2所述待防控目标类型与防控设备的对应关系由用户自定义,具体为:若待防控目标类型为无人机,对应的防控设备为无人机干扰设备;若待防控目标类型为气球,对应的防控设备为激光设备;若待防控目标类型为鸟类,对应的防控设备为驱鸟设备。
进一步优选地,步骤4-4所述预估待防控目标下一时刻在所述空间坐标系中的位置,具体采用最小二乘滤波算法。
下面结合实施例对本发明作进一步详细的描述。
实施例
结合图1,本发明基于光电图像自动识别的机场低慢小目标防控方法,包括以下内容:
1、通过网络爬虫从网络中获取各个低慢小目标的多幅图像,并现场进行实测获取各个低慢小目标的多幅图像。
2、采用Haar特征提取方法对上述1获得的每幅图像进行特征提取,根据提取的图像特征对图像对应的目标类型进行分类,获得低慢小目标分类器。
3、本实施例中将待防控目标图像设置为128*128像素大小,然后将其转化为灰度图如图2所示,之后对灰度图进行中值滤波,滤波结果如图3所示。
4、对待防控目标图像进行预处理,并提取图像特征,之后将该特征输入至低慢小目标分类器获的待防控目标的类型,本实施例中获取的待防控目标类型为无人机,如图4所示。
5、结合图5,对机场区域建立空间坐标系,其中机场区域包括跑道以及沿跑道两侧的区域;将光电探测设备放置在机场跑道两侧区域的任意位置,以该位置为原点O,沿飞机跑道的方向为y轴,垂直于y轴的水平方向为x轴,垂直于xOy平面指向天空的方向为z轴;由此确定待防控目标当前位置在所述空间坐标系中的位置。
6、结合图6,当探测到不同的目标类型时需选择不同的防控设备,本实施例中待防控目标的类型对应的防控设备为无人机干扰设备。
7、获取无人机干扰设备在空间坐标系中的位置,本实施例中无人机干扰设备位置坐标为[0 1000 0]T。
8、光电探测设备获取待防控目标的当前位置[100 2000 50]T和速度[5 15-8]T m/s,由此预估待防控目标下一时刻在空间坐标系中的位置为[105 2015 42]T。
9、将上述坐标系进行平移,使其坐标原点为无人机干扰设备所在位置,设备运行时钟步长定义为1秒,则该目标未来点位置在新的坐标系下的位置为[105 1015 42]T,将该位置转换为球坐标系为方位角高低角无人机干扰设备指向该方向进行发射干扰。
本发明以获取到的多幅图像为基础,获取目标图像特征进行目标类型分类器训练,然后根据实际探测到的目标图像进行目标类型判别,接着根据建立的空间直角坐标系将目标在探测坐标系下的位置和未来点位置转换至防控设备坐标系下,防控设备根据该位置调节发射方向,降低了人工操作的误差,实现了探测与防控一体化,并大大降低了人力成本。
Claims (9)
1.一种基于光电图像自动识别的机场低慢小目标防控方法,其特征在于,包括以下步骤:
步骤1、从网络中获取各个低慢小目标的多幅图像,并进行现场实测采集各个低慢小目标的多幅图像;
步骤2、对步骤1获得的每幅图像进行特征提取,根据提取的图像特征对图像对应的目标类型进行分类,获得低慢小目标分类器;
步骤3、对待防控目标图像进行预处理,并提取图像特征,之后将该特征输入至所述分类器获取待防控目标的类型;
步骤4、确定待防控目标的位置,结合步骤3获得的待防控目标的类型,驱动相应的防控设备工作;具体为:
步骤4-1、对机场区域建立空间坐标系,其中机场区域包括跑道以及沿跑道两侧的区域;将光电探测设备放置在机场跑道两侧区域的任意位置,以该位置为原点O,沿飞机跑道的方向为y轴,垂直于y轴的水平方向为x轴,垂直于xOy平面指向天空的方向为z轴;由此确定待防控目标当前位置在所述空间坐标系中的位置;
步骤4-2、根据待防控目标的类型确定其对应的防控设备,其中待防控目标类型与防控设备的对应关系由用户自定义;
步骤4-3、确定待防控目标对应的防控设备在所述空间坐标系中的位置;
步骤4-4、光电探测设备获取待防控目标的当前位置和速度,由此预估待防控目标下一时刻在所述空间坐标系中的位置;
步骤4-5、将空间坐标系的原点O移动至防控设备所在位置,获得新的空间坐标系,将原空间坐标系中待防控目标下一时刻的位置转换至新的空间坐标系,之后再转换至以防控设备为原点的球坐标系,待防控设备根据转换后的位置对待防控目标进行干扰。
2.根据权利要求1所述的基于光电图像自动识别的机场低慢小目标防控方法,其特征在于,所述低慢小目标包括无人机、气球、鸟类。
3.根据权利要求1或2所述的基于光电图像自动识别的机场低慢小目标防控方法,其特征在于,步骤1所述从网络中获取各个低慢小目标的多幅图像,具体为:通过网络爬虫从网络中爬取各个低慢小目标的多幅图像。
4.根据权利要求3所述的基于光电图像自动识别的机场低慢小目标防控方法,其特征在于,步骤1所述从网络中获取各个低慢小目标的多幅图像,具体为:以低慢小目标的名称为关键字,通过Python爬虫从网络中爬取各个低慢小目标的多幅图像。
5.根据权利要求4所述的基于光电图像自动识别的机场低慢小目标防控方法,其特征在于,步骤2所述对步骤1获得的每幅图像进行特征提取,具体为:采用Haar特征提取方法提取图像特征。
6.根据权利要求5所述的基于光电图像自动识别的机场低慢小目标防控方法,其特征在于,步骤2所述特征提取之前,还包括对步骤1获得的每幅图像进行预处理,所述预处理包括:去噪、平滑、背景分割。
7.根据权利要求6所述的基于光电图像自动识别的机场低慢小目标防控方法,其特征在于,步骤2所述根据提取的图像特征对图像对应的目标类型进行分类,具体采用支持向量机SVM进行分类。
8.根据权利要求1所述的基于光电图像自动识别的机场低慢小目标防控方法,其特征在于,步骤4-2所述待防控目标类型与防控设备的对应关系由用户自定义,具体为:若待防控目标类型为无人机,对应的防控设备为无人机干扰设备;若待防控目标类型为气球,对应的防控设备为激光设备;若待防控目标类型为鸟类,对应的防控设备为驱鸟设备。
9.根据权利要求1所述的基于光电图像自动识别的机场低慢小目标防控方法,其特征在于,步骤4-4所述预估待防控目标下一时刻在所述空间坐标系中的位置,具体采用最小二乘滤波算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910291490.8A CN110033490B (zh) | 2019-04-12 | 2019-04-12 | 一种基于光电图像自动识别的机场低慢小目标防控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910291490.8A CN110033490B (zh) | 2019-04-12 | 2019-04-12 | 一种基于光电图像自动识别的机场低慢小目标防控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110033490A CN110033490A (zh) | 2019-07-19 |
CN110033490B true CN110033490B (zh) | 2022-09-13 |
Family
ID=67238079
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910291490.8A Active CN110033490B (zh) | 2019-04-12 | 2019-04-12 | 一种基于光电图像自动识别的机场低慢小目标防控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110033490B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114638975A (zh) * | 2022-05-12 | 2022-06-17 | 天津滨海国际机场有限公司 | 一种用于机场的鸟类和非鸟类驱赶方法及*** |
CN114661068B (zh) * | 2022-05-17 | 2022-08-26 | 天津滨海国际机场有限公司 | 一种用于机场的飞行物驱赶方法、装置、电子设备及介质 |
CN115294809B (zh) * | 2022-08-04 | 2024-04-16 | 中国人民解放军海军勤务学院 | 一种机场高危鸟类快速评定方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107392173A (zh) * | 2017-08-04 | 2017-11-24 | 成都云擎科技有限公司 | 一种基于光电搜索的反无人机*** |
CN108710126A (zh) * | 2018-03-14 | 2018-10-26 | 上海鹰觉科技有限公司 | 自动化探测驱逐目标方法及其*** |
-
2019
- 2019-04-12 CN CN201910291490.8A patent/CN110033490B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107392173A (zh) * | 2017-08-04 | 2017-11-24 | 成都云擎科技有限公司 | 一种基于光电搜索的反无人机*** |
CN108710126A (zh) * | 2018-03-14 | 2018-10-26 | 上海鹰觉科技有限公司 | 自动化探测驱逐目标方法及其*** |
Also Published As
Publication number | Publication date |
---|---|
CN110033490A (zh) | 2019-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110033490B (zh) | 一种基于光电图像自动识别的机场低慢小目标防控方法 | |
JP6807966B2 (ja) | 無人航空機(uav)、uavの飛行計画を更新する方法、および物体検出および回避システム | |
CN107054679B (zh) | 一种高机动主动捕获式反无人机***及方法 | |
CN108153334B (zh) | 无合作目标式无人直升机视觉自主返航与着降方法及*** | |
CN104049641B (zh) | 一种自动降落方法、装置及飞行器 | |
CN102253381B (zh) | 用于机场跑道的异物自动检测***及其检测方法 | |
Huh et al. | A vision-based landing system for small unmanned aerial vehicles using an airbag | |
CN106741890B (zh) | 一种基于空轨两用无人机的高速铁路安全检测*** | |
CN112180978B (zh) | 基于飞艇平台的四旋翼无人机自主降落控制***及方法 | |
CN109117776B (zh) | 基于航迹信息的飞机与气象杂波分类识别方法 | |
US11107360B1 (en) | Automated air traffic control systems and methods | |
CN113657270A (zh) | 一种基于深度学习图像处理技术的无人机追踪方法 | |
CN110110112A (zh) | 一种基于可升降小车的绕机检查方法及*** | |
CN106494611B (zh) | 一种空轨两用巡检无人机 | |
Zarandy et al. | A novel algorithm for distant aircraft detection | |
CN110170456A (zh) | 基于图像处理的水果分拣装置 | |
Weijun et al. | Deep learning for aircraft wake vortex identification | |
CN109325911B (zh) | 一种基于注意力增强机制的空基铁轨检测方法 | |
CN106128170A (zh) | 一种飞机泊位智能指示*** | |
CN113868970A (zh) | 一种基于数值仿真模型及中尺度气象模式的机场区域多源风场融合方法 | |
CN109581381A (zh) | 基于垂直载荷因子的增强型湍流检测方法 | |
CN108216557A (zh) | 一种无人海上监测飞机 | |
CN115811354B (zh) | 一种基于卫星授时的空中飞行设备定位*** | |
CN114859962B (zh) | 具备智能避障、定高巡航功能的无人机控制方法 | |
CN113917948B (zh) | 一种低可视环境无人机地基辅助降落方法 |
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 |