一种识别航班保障节点的二维目标检测方法与流程

1.本发明属于智能计算领域，特别是涉及一种识别航班保障节点的二维目标检测方法。


背景技术：

2.传统的航班运行保障，是由机场为飞机提供地面保障服务，服务中各个节点的数据全凭人工记录，数据整理维护繁难，数据误差大，甚至存在数据缺漏的情况，且无法可视化。针对上述问题，基于人工智能算法识别的方式替代人工记录，可向机场方提供更精准的收费明细依据，实时获取的相关节点数据可为机场提高停机坪使用率提供准确的数据支撑。
3.除此以外，保障节点视频智能识别系统基于深度学习算法和视频识别技术，智能识别机场各停机坪内的飞机、各类保障车辆、人员和各类设备的实时位置与运动状态，智能判断停机坪内各被识别对象的保障类型、状态与时间，及时、准确、全自动完成机场地面服务进程中的各保障节点数据的获取，避免人工记录可能造成的数据漏报、数据误差、数据延迟，极大降低数据获取的人力成本，为机场高效管理提供了可靠依据和参考。
4.本发明基于深度学习算法模型的保障节点智能识别系统替代人工记录工作，为机场的高效管理提供了条件，也可为空管提供海量数据资源，提升时间精度和准点率，进而提高机场的业务量，最终提升机场的服务质量和安全性。


技术实现要素：

5.为了解决上述问题，本发明提出了一种识别航班保障节点的二维目标检测方法。
6.本发明的技术目的是通过以下技术方案得以实现的：
7.一种识别航班保障节点的二维目标检测方法，具体步骤为：
8.步骤1、获取机场机坪中各机位的主要图像信息；
9.步骤2、对前后帧的图像进行智能检测，获取图像中主要目标的信息；
10.步骤3、对步骤2中的图像信息进行二维目标检测，并进行时间融合；
11.步骤4、得到在当前视频帧中目标的实时位置，输出融合检测结果。即在图像目标检测的基础上，对检测结果进行最优匹配，实现航班跟踪。
12.进一步地，所述步骤1具体包括摄像机获取源视频流通过网络传输给nvr存储设备以及系统服务器，将机场中各个机坪的飞机进行图像输入。
13.进一步地，所述步骤2具体包括接入机场各个机坪上的网络摄像头，对视频进行编解码，输出给算法服务。并基于深度学习的神经网络构建算法模型，对视频流中的每帧图片进行对象检测，准确识别在整个机坪保障过程中各个关键载具、物体、行为。
14.进一步地，所述步骤3中具体包括根据步骤1中获取的图像和步骤2中获取主要目标信息进行二维目标检测，逻辑判断之后，得出各个保障节点的时间数据，进行时间融合。
15.进一步地，所述步骤4中实现目标跟踪具体包括得到在当前视频帧中目标的实时
位置，对智能识别的结果数据经过清洗、筛选、统计、分析、挖掘、规范化之后，将数据的价值最大化，将数据以更好的可视化效果进行展示。输出检测结果的最优匹配，实现航班跟踪。
16.进一步地，所述步骤4中实现二维目标检测算法具体为：
[0017][0018][0019]
其中：
[0020]
权重项a，设置为1。
[0021]
l
conf
(x,c)是前景的分类参数和背景的分类参数之和；l
loc
(x,l,g)是所有用于前景分类位置坐标的回归参数。
[0022]
n表示被选择用作前景分类参数anchor的数目，选择部分的原因是背景anchor的数目一般远远大于前景anchor，如果都选为背景，就会弱化前景loss的值，造成定位不准确。
[0023]
长方形anchor的数目在不同层级会有差异，他们的长宽可以用下面的公式来表达，ratio的数目就决定了某层上每一个点对应的长方形anchor的数目：
[0024][0025][0026]
其中：
[0027]
上式的min_size和min_size由下式计算得到，s
min
＝0.2，s
max
＝0.95，m代表全部用于回归的层数，比如在ssd 300中m就是6。第k层的min_size＝s
k
，第k层的max_size＝s
k+1
。
[0028]
s
k
＝s
min
+(s
max
‑
s
min
)*(k
‑
1)/m
‑1[0029]
与现有技术相比，本发明具有以下有益效果：
[0030]
本发明运用深度学习算法和视频分析技术，识别机坪图像中各飞机、人员和各类设备的实时位置与运动状态，智能判断目标对象的保障类型、状态与时间，及时、准确、全自动完成保障服务中的各工作节点数据的获取，避免人工记录可能造成的数据漏报、数据误差、数据延迟，极大降低数据获取的人力成本，为目标追踪的高效管理提供了可靠依据和参考。为机场的高效管理提供了条件，也可为空管提供海量数据资源，提升时间精度和准点率，进而提高机场的业务量，最终提升机场的服务质量和安全性。
附图说明
[0031]
图1为识别航班保障节点的方法设计图。
[0032]
图2为基于航班保障节点的目标跟踪系统拓扑图。
具体实施方式
[0033]
下面结合本发明的附图和实例对其具体实施方式作进一步详细描述：
[0034]
结合图1，一种识别航班保障节点的二维目标检测方法，包括以下步骤：
[0035]
步骤1、获取机场机坪中各机位的主要图像信息；
[0036]
步骤2、对前后帧的图像进行智能检测，获取图像中主要目标的信息；
[0037]
步骤3、对步骤2中的图像信息进行二维目标检测，并进行时间融合；
[0038]
步骤4、得到在当前视频帧中目标的实时位置，输出融合检测结果。即在图像目标检测的基础上，对检测结果进行最优匹配，实现航班跟踪。
[0039]
优选地，所述步骤1具体包括摄像机获取源视频流通过网络传输给nvr存储设备以及系统服务器，将机场中各个机坪的飞机进行图像输入。
[0040]
优选地，所述步骤2具体包括接入机场各个机坪上的网络摄像头，对视频进行编解码，输出给算法服务。并基于深度学习的神经网络构建算法模型，对视频流中的每帧图片进行对象检测，准确识别在整个机坪保障过程中各个关键载具、物体、行为。
[0041]
优选地，所述步骤3中具体包括根据步骤1中获取的图像和步骤2中获取主要目标信息进行二维目标检测，逻辑判断之后，得出各个保障节点的时间数据，进行时间融合。
[0042]
优选地，所述步骤4中实现目标跟踪具体包括得到在当前视频帧中目标的实时位置，对智能识别的结果数据经过清洗、筛选、统计、分析、挖掘、规范化之后，将数据的价值最大化，将数据以更好的可视化效果进行展示。输出检测结果的最优匹配，实现航班跟踪。
[0043]
优选地，所述步骤4中实现二维目标检测算法具体为：
[0044][0045][0046]
其中：
[0047]
权重项a，设置为1。
[0048]
l
conf
(x,c)是前景的分类参数和背景的分类参数之和；l
loc
(x,l,g)是所有用于前景分类位置坐标的回归参数。
[0049]
n表示被选择用作前景分类参数anchor的数目，选择部分的原因是背景anchor的数目一般远远大于前景anchor，如果都选为背景，就会弱化前景loss的值，造成定位不准确。
[0050]
长方形anchor的数目在不同层级会有差异，他们的长宽可以用下面的公式来表达，ratio的数目就决定了某层上每一个点对应的长方形anchor的数目：
[0051][0052][0053]
其中：
[0054]
上式的min_size和min_size由下式计算得到，s
min
＝0.2，s
max
＝0.95，m代表全部用于回归的层数，比如在ssd 300中m就是6。第k层的min_size＝s
k
，第k层的max_size＝s
k+1
。
[0055]
s
k
＝s
min
+(s
max
‑
s
min
)*(k
‑
1)/m
‑1[0056]
优选地，结合图2，基于航班保障节点的目标跟踪系统具体实现为：
[0057]
通过摄像机连接交换机接入ip网络，通过ip网络将实时监控视频传输至控制主干
网。本系统搭建人工智能算法、流媒体、应用、数据库等服务器，通过rtsp协议拉取实时视频流，实时视频流经过本系统处理后通过rtmp等协议再推送到应用平台中。工作人员可使用台式机、笔记本等终端通过连接内网访问应用平台，根据本系统工作人员可根据航班保障节点实现航班追踪。
[0058]
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。