一种机场跑道异物分层检测方法与流程

本发明涉及雷达技术领域，尤其是一种基于功率谱特征和一类分类器的机场跑道异物分层检测方法。

背景技术：

机场跑道异物(foreignobjectdebris,fod)是指本不属于机场跑道却出现在跑道上的外来物，常见的有碎石块、工作人员遗落的扳手、螺丝钉等。fod的存在会对飞机的起飞和降落造成危害，严重时甚至会引起灾难性的事件，2000年7月发生在法国戴高乐机场的协和客机空难就是由不应存在于跑道上的金属长条引起。每年，各国航空公司都会花费大量的人力和财力来对fod引起的飞机故障进行排除和维修，在飞机起飞和降落时都需要人工对跑道异物进行排查，影响了机场的飞机通勤量，同时，在雾、霾等恶劣天气条件下依靠人工来发现微小异物也并非易事。

目前，国内外经典的机场跑道异物检测方面的成熟系统有基于毫米波雷达体制的英国qinetiq公司的tarsier1100系统、美国trexenterprises公司的fodfinder系统和以色列xsight公司的fodetect系统以及基于光学摄像体制的新加坡stratech-systems公司的iferret系统。由于毫米波雷达系统具有全天时、全天候、不受气象和光照条件影响的优势，相对于光学系统而言应用更加广泛。

强杂波背景下对静止的弱小目标检测是毫米波fod检测雷达面临的关键问题。通常采用恒虚警(constantfalsealarmrate,cfar)检测算法，然而，单元平均恒虚警(cellaveragingconstantfalsealarmrate,ca-cfar)和排序类恒虚警(order-statisticscfar,os-cfar)检测方法在杂波分布特性相对均匀的情况下可以获得较好的检测性能，但是，当杂波背景较为复杂时，该类方法的性能会明显下降；nitzberg杂波图恒虚警算法通过多次扫描来估计杂波功率，适用于杂波随距离单元变化比较剧烈的情形，但干扰目标的存在会导致该类方法出现“自屏蔽”现象。当杂波背景比较复杂时，从背景杂波引起的虚警中区分出真实异物是机场跑道异物检测面临的关键问题。

技术实现要素：

本发明所要解决的技术问题是：针对上述存在的问题，提供一种基于功率谱特征和分类器的能够进行低虚警概率下fod检测的机场跑道异物分层检测方法。

本发明采用的技术方案如下：

一种机场跑道异物分层检测方法，具体包括以下步骤，

步骤(1)、雷达空扫，获取不存在fod的机场跑道背景杂波；

步骤(2)、雷达扫描，获取飞机起飞前机场跑道的雷达数据；

步骤(3)、对所述雷达数据进行杂波图恒虚警处理，将所述雷达数据分为背景杂波和测试数据，所述测试数据为包含虚警回波的fod回波；

步骤(4)、计算所述背景杂波和所述测试数据的功率谱，并提取所述功率谱特征向量；

步骤(5)、利用所述背景杂波功率谱的特征向量训练分类器；

步骤(6)、利用所述步骤(5)训练好的分类器对所述测试数据进行分类得到fod回波和虚警回波。

进一步地，步骤(3)中将所述背景杂波用作杂波图，对所述雷达数据进行杂波图恒虚警处理。

进一步地，步骤(3)中根据是否超过杂波图恒虚警检测门限将所述雷达数据分为背景杂波和测试数据，未超过检测门限判断为背景杂波，超过检测门限判断为测试数据。

进一步地，所述功率谱的特征向量f＝{feature1、feature2}中，feature1表示功率谱的二阶中心距，feature2表示功率谱的熵。

进一步地，步骤(4)中将功率谱表示为x＝[x1，x2，…，xn]^t＝[xk]^t，k＝1,2，…n，n为信号维度，t为矩阵转置，xk为x第k个时刻的值，则功率谱的二阶中心距其中功率谱的熵

进一步地，步骤(5)中训练分类器的结果包括得到最优分类面，αopt表示训练后svdd分类器最优分类面的球心，r表示能够包含所有样本点的最小超球体的半径值。

进一步地，所述fod回波落在最优分类面外，所述虚警回波落在最优分类面内。

进一步地，步骤(5)中训练分类器的结果还包括得到最优svdd分类器参数αopt和r，αopt表示svdd分类器最优分类面的球心，r表示能够包含所有样本点的最小超球体的半径值。

进一步地，步骤(6)中利用分类器对所述测试数据进行分类的过程为将所述测试数据的特征向量f＝(feature1、feature2)输入训练好的svdd分类器中，svdd分类器输出f＝(f、αopt、r)＝i(||f-αopt||²≤r²)，指示函数i(·)的定义为：

进一步地，svdd分类器输出f＝1时，对应数据为fod回波；svdd分类器输出f＝0时，对应数据为虚警回波。

综上所述，由于采用了上述技术方案，本发明的有益效果是：利用杂波图恒虚警将测试数据中的背景杂波和含虚警的fod回波分开，通过提取功率谱特征将差异较小的fod回波和虚警回波转换到区分性更大的特征域中，最后利用分类器实现对dod回波和虚警回波的分类，从而实现低虚警概率下的fod检测，并有效提高了fod检测的准确度。

附图说明

本发明将通过例子并参照附图的方式说明，其中：

图1为本发明提供的机场跑道异物检测方法流程图。

图2为本发明实施例提供的含fod的机场跑道雷达数据。

图3为本发明实施例提供的对雷达数据进行杂波图恒虚警处理结果图。

图4为本发明实施例提供的背景杂波和测试数据的二维功率谱特征分布图。

图5为本发明实施例提供的利用训练好的分类器对测试数据的分类结果

具体实施方式

本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。

本说明书中公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。

图1为本发明提供的机场跑道异物检测方法流程图，如图1所示，一种机场跑道异物分层检测方法，具体包括以下步骤，

步骤(1)、雷达空扫，获取不存在fod的机场跑道背景杂波；

步骤(2)、雷达扫描，获取飞机起飞前机场跑道的雷达数据；

步骤(3)、对所述雷达数据进行杂波图恒虚警处理，将所述雷达数据分为背景杂波和测试数据，所述测试数据为包含虚警回波的fod回波；

步骤(4)、计算所述背景杂波和所述测试数据的功率谱，并提取所述功率谱特征向量；

步骤(5)、利用所述背景杂波功率谱的特征向量训练分类器；

步骤(6)、利用所述步骤(5)训练好的分类器对所述测试数据进行分类得到fod回波和虚警回波。

将步骤(1)得到的背景杂波用作杂波图，对所述雷达数据进行杂波图恒虚警处理。根据是否超过杂波图恒虚警检测门限将所述雷达数据分为背景杂波和测试数据，未超过检测门限判断为背景杂波，背景杂波用作测试数据，超过检测门限判断为测试数据，测试数据为包含虚警回波的fod回波。所述判决门限为对雷达空扫获得的背景杂波做杂波图恒虚警处理后得到的信号的平均功率值。所述背景杂波与测试数据的分类实现机场跑道异物的第一层分类检测。

对杂波图恒虚警处理后的信号s＝[s1,s2,…，sn]^t进行快速傅立叶变化，得到其功率谱x＝||fft(s)||²＝[x1，x2，…，xn]^t＝[xk]^t,k＝1,2，…n，n为信号维度，t为矩阵转置，xk为x第k个时刻的值，||||²表示取绝对值的平方，fft()表示对信号进行快速傅立叶变换。

所述功率谱的特征向量f＝{feature1、feature2}中，feature1表示功率谱的二阶中心距，feature2表示功率谱的熵。

功率谱的二阶中心距：

其中，

功率谱的熵：

训练样本(即背景杂波)功率谱的上述两种特征组成一个特征向量：f＝{feature1、feature2},将背景杂波的特征向量输入至分类器中进行分类器训练。训练分类器的结果包括得到最优分类器参数αopt和r，也包括得到最优分类面，αopt表示svdd分类器最优分类面的球心，r表示能够包含所有样本点的最小超球体的半径值。

当训练分类器的结果得到最优分类面时，步骤(6)中利用训练好的分类器对所述测试数据进行分类的过程为将所述测试数据的特征向量f＝{feature1、feature2}输入训练好的分类器中，分类结果是所述fod回波落在最优分类面外，所述虚警回波落在最优分类面内。fod回波与虚警回波的分类实现机场跑道异物的第二层分类检测。

当训练分类器后得到最优分类器参数αopt和r时，步骤(6)中利用训练好的svdd分类器对所述测试数据进行分类的过程为将所述测试数据的特征向量f＝{feature1、feature2}输入训练好的svdd分类器中，svdd分类器输出f＝(f、αopt、r)＝i(||f-αopt||²≤r²)，指示函数i(·)的定义为：

那么，svdd分类器输出f＝1时，对应数据为fod回波；svdd分类器输出f＝0时，对应数据为虚警回波。其中，αopt为训练svdd分类器得到的最优中心，r为能够包含所有样本点的最小超球体的半径大小。

以下实施例以训练分类器得到最优分类面为例进行说明。

(1)在确认不含fod的机场跑道上，雷达空扫，获得机场跑道的背景杂波；

(2)在距离雷达47米的位置放置1个金属扳手，雷达扫描，获得含fod的机场跑道雷达数据，图2为含fod的机场跑道雷达数据；

(3)将所述背景杂波用作杂波图，对所述雷达数据进行杂波图恒虚警处理；

图3为对雷达数据进行杂波图恒虚警处理结果图，其中未超过检测门限的为背景杂波，超过检测门限的为测试数据，测试数据包括虚警回波和fod回波。由图3可知，除在距离雷达47米处检测到目标回波外，还在距离雷达约4米、23米、27米、38米和44米等处出现了多处虚警，也就是说利用传统杂波图恒虚警处理会出现fod检测中出现虚警的问题。

(4)计算背景杂波和测试数据的功率谱，并提取功率谱的二阶中心距(feature1)和熵(feature2)；

图4为背景杂波和测试数据的两维功率谱特征分布图。由图4可知，回波域中较难区分的fod回波和虚警回波通过功率谱特征向量提取变换到了区分性更大的特征域中。同时可知，在特征域中，背景杂波和虚警回波的分布特性更为接近。

(5)利用背景杂波功率谱的特征向量f＝{feature1、feature2}训练分类器，并利用训练好的分类器对所述测试数据进行分类得到fod回波和虚警回波。

图5为利用训练好的分类器对测试数据的分类结果，图中虚线为分类器的最优分类面，由图可知，全部虚警回波落在了最优分类面以内，被判断为背景杂波，fod回波均落在了最优分类面以外，从而实现了低虚警概率条件下的fod检测。

本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。