一种基于机器视觉的入坞飞机跟踪定位方法及系统的制作方法
【技术领域】
[0001] 本发明涉及一种用于智能飞机泊位引导系统的飞机跟踪和定位方法，特别是一种 用于飞机泊位引导的运动物体检测、跟踪、特征识别，W及图像标定、物体定位的基于机器 视觉的入玛飞机跟踪定位方法及系统。
【背景技术】
[0002] 飞机泊位引导是指将到港飞机从滑行道末端导引至机坪的停机位置并准确停泊 的过程。飞机泊位引导的目的是保障入玛飞机安全准确停泊，能方便飞机与各种地勤接口 的准确对接，并使登机桥能有效靠接飞机舱口，提高机场运行效率和安全。自动飞机泊位引 导系统按使用传感器的类型不同主要分为；（1)地埋线圈类；（2)激光扫描测距类；（3)视 觉感知类。地埋感应线圈类自动引导系统通过探测是否有金属物体经过或停留来确定入玛 飞机的位置。地埋感应线圈的优点是响应速度快、成本低，对天气和照度无要求，但误差较 大、抗干扰能力低。同时，埋在地下的引线和电子元件容易被压坏、可靠性不高，测量精度不 高，不能识别机型，可调试可维修性差。激光扫描测距类自动引导系统通过激光测距和激光 扫描来确定飞机位置、速度和机型等信息，不受环境照度的影响、且受天气影响较小，精度 较高，可调试可维修性好。视觉感知类自动引导系统通过光学成像方式获取飞机入玛过程 的图像信息，进而通过智能化信息处理技术确定入玛飞机的位置、速度和机型等信息，系统 架构简单、成本低，具有高的智能化水平，可调性可维护性较好，但对天气和照度有要求、适 应性较差。
[0003] 随着视觉感知成像技术、智能化信息处理技术和计算机技术的不断深入发展，可 视化飞机泊位引导技术能精确、快速获取入玛飞机的入玛信息，已在机场的泊位引导系统 中得到应用。美国化neywell公司研制的可视化飞机泊位引导系统（VDG巧和德国西口子 公司研制的视频泊位引导系统（VD0CK巧作为国际领先水平的视觉引导设备也在国际上一 些机场得到应用，但送些系统对天气和照度要求较高、适应性较差。
【发明内容】
[0004] 本发明所要解决的技术问题是提供一种基于机器视觉的入玛飞机跟踪定位方法 及系统，能有效实现飞机入玛过程的飞机捕获、跟踪与定位，W有效提高民航机场自动化、 智能化和运营管理的水平。
[0005] 为了实现上述目的，本发明提供了一种基于机器视觉的入玛飞机跟踪定位方法， 其中，包括如下步骤：
[0006] S1、飞机泊位场景设置，将监测场景划分为不同的信息处理功能区，W缩小图片的 处理区域范围，提高处理效率；
[0007] S2、飞机捕获，在设置好的飞机泊位场景中捕获待停泊飞机，包括：
[0008] S21、背景消除，基于中值滤波的背景模型、混合高斯背景模型或基于核密度概率 估计的背景模型来拟合场景中背景的动态分布并进行背景建模，然后将当前顿与背景模型 作差分w消除背景，w凸显前景区域；
[0009] S22、阴影消除，统计通过背景消除提取的该前景区域中的灰度值，找出最大灰度 值g max和最小灰度值g min,然后在灰度值小于T = g min+(g max-g min)*0. 5的区域进 行阴影消除；
[0010] S23、区域分类，建立一个标准正面飞机区域模板，提取目标区域并求取该区域的 垂直投影曲线，然后求取该垂直投影曲线与所述标准正面飞机区域模板的垂直投影曲线的 相关系数，若该相关系数大于或等于0.9,则该目标为飞机；
[0011] S24、特征验证，通过检测捕获到的飞机的引擎和前轮来进一步验证该目标是否为 飞机；
[0012] S3、飞机跟踪及定位，通过对步骤S2捕获到的飞机引擎和飞机前轮的图像连续跟 踪和实时更新，W实现对飞机实时定位并准确判断飞机相对于引导线的偏离程度；
[0013] S4、信息显示，输出并显示步骤S3对飞机实时定位及飞机相对于引导线偏离程度 的结果。
[0014] 上述的基于机器视觉的入玛飞机跟踪定位方法，其中，所述特征验证步骤S24包 括：
[0015] S241、图像极黑区域提取，对检测到的前景图像进行灰度直方图统计，在灰度级中 间1%~99%范围内获得像素数不为0的最大灰度值/最小灰度值的比值，使用预设的阔 值提取图像中最黑的部分，得到一幅极黑区域；
[0016] S242、类圆形检测，提取该极黑区域的所有外层边界，对每一个边界使用边界的矩 计算边界的重必坐标，边界的第ji阶矩定义如下：
[0020] 对于当前边界的所有像素点，计算其与该重必的距离，若计算得到的最大距离与 最小距离的比值大于一预设值，则认为该区域非圆形，进行下一区域的判定，记录判定的类 圆形区域的重必坐标和半径；
[0021] S243、在类圆区域中通过判断相似度检测飞机引擎；
[0022] S244、检测飞机前轮，确认该飞机引擎和前轮则捕获成功。
[0023] 上述的基于机器视觉的入玛飞机跟踪定位方法，其中，在类圆区域中检测飞机引 擎步骤S243中，假设一共检测到了 Μ个类圆形区域，其中第i个和第j个的相似度的计算 为：
[0024] Similarity。= I Hei曲ti-Hei曲tj I * I RadiuSi-RadiiiSj I
[00巧]其中，Hei曲t为重必高度，Radius为半径，当相似度Similarity^小于预设为40 的阔值时，则认为区域i和j为飞机引擎。
[0026] 上述的基于机器视觉的入玛飞机跟踪定位方法，其中，在步骤S243中，若没有 检测出飞机引擎，则进行迭代检测，将极黑判定阔值度lackest化dge)、圆形判定阔值 ((^1^16化(1邑6)、相似度阔值（3；[111；[1日1'1'虹6311)，再进行步骤5241-243;若仍然没有检测出 飞机引擎，则对所有的极黑区域使用7*7的圆形模板进行开操作，再进行步骤S242-243 ;
[0027] 若仍然没有检测出飞机引擎，则再进行2次上述迭代检测；
[002引若仍然没有检测出飞机引擎，则判定图像中无引擎存在。
[0029] 上述的基于机器视觉的入玛飞机跟踪定位方法，其中，极黑判定阔值 (Blackestjudge)、圆形判定阔值（circlejudge)、相似度阔值（similar!'虹esh)的增加量 分别为 0. 05、0. 5、20。
[0030] 上述的基于机器视觉的入玛飞机跟踪定位方法，其中，步骤S244中，将检测到的 飞机引擎中间及高度为4个引擎半径的区域作为飞机前轮的搜索区域，在搜索区域中，将 256级的灰度级量化至64级，搜索量化为64级的灰度直方图中的第一个波峰和波谷，原始 256级灰度的灰度直方图中的最优波峰位置Bes证eak、最优波谷BestValley位置定义如 下：
[003引其中histzsea)为256级灰度的灰度直方图中，灰度为i的像素总数；
[0034] W此最优波谷BestVall巧对灰度进行分割，对小于最优波谷BestVall巧的部分， 除去面积较小的杂点，使用一个扁平楠圆型结构元素对图像进行闭操作；
[0035] 接着对所有图形计算边界的7阶化矩特征，与预置的标准前轮模型的矩特征进行 比对，当相似度低于一阔值时则判定中间一个为前轮。
[0036] 上述的基于机器视觉的入玛飞机跟踪定位方法，其中，所述飞机跟踪及定位步骤 S3包括：
[0037] S31、飞机跟踪，通过步骤S24获得上一顿引擎位置（即前述的符合引擎特征的区 域i和区域j)后，采用洪水填充法跟踪确定当前引擎位置，获取到引擎位置后，使用步骤 S244的方法跟踪飞机前轮；
[0038] S32、飞机定位，通过对摄像机标定与图像校正、飞机前轮偏离度计算和飞机前轮 实际距离计算，准确实时定位待停泊飞机。
[0039] 上述的基于机器视觉的入玛飞机跟踪定位方法，其中，所述步骤S31，还包括：
[0040] S311、阴暗环境中引擎的检测跟踪，在天色阴暗或低照度时，使用上一顿的 参数（即极黑判定阔值：Blackesljudge、圆形判定阔值：ci;rcle化dge、相似度阔 值：similarf'虹esh)进行图像极黑区域提取和类圆形检测来检测跟踪引擎，若仍无法获得 可信的引擎区域，则重新使用最多两次特征验证（即步骤S24)中的方法进行检测。
[0041] S312、