航空器阶梯分别与货物活动、配餐活动、重新注油活动、机场空桥活动和航空器阶梯活动相关。
[0029]在一个例子中，原始算法侦测模块214利用机器学习算法在取得的视频数据识别物件。机器学习算法是一种可以训练为用于在视频帧中识别物件的算法。机器学习算法的例子包括最新的支持向量机(SVM)算法、哈尔(Haar)算法、训练级联结构(train-cascade)算法及局部二值模式(LBP)算法。
[0030]在一个例子中，机器学习算法包括每个物件的物件识别模型/分类器。每个物件识别分类器被编程为在视频帧中识别相关的物件。例如，航空器的物件识别分类器被编程为利用图像数据库222的航空器图像根据航空器的显着特征如航空器机身、航空器引擎、航空器机翼等识别航空器。
[0031]此外，在本实施例中，原始算法侦测模块214在取得的视频数据的每个视频帧中围绕每个识别出的物件创建边框。例如，每个边框包围其相关的物件。图4A-4C示出示例性的边框，其在一视频帧中包围识别出的物件。此外，原始算法侦测模块214利用创建的边框在取得的视频数据追踪识别出的物件。例如，当物件在取得的视频数据移动，与该物件相关的边框的位置和尺寸亦相应改变。
[0032]在一个例子中，即使被边框包围的物件没有移动，边框的位置和尺寸在每个视频帧会稍为不同。这种当相关的物件没有移动时的边框位置和尺寸变化称为跳动。在有跳动的情况下，由于边框的位置和尺寸不断改变，被边框包围的物件的活动不能被有效追踪。
[0033]在一个实施例中，跳动控制模块216减少与边框相关的跳动。跳动控制模块216确保在被边框包围的物件没有移动时，边框的位置和尺寸不变。此外，跳动控制模块216确保在被边框包围的物件移动时，边框的位置和尺寸改变。
[0034]在一个例子中，跳动控制模块216利用采样保持技术减少与边框相关的跳动。在这种技术中，跳动控制模块216比较当前视频帧中的边框位置和尺寸与之前视频帧中的相应边框位置和尺寸。如果边框位置和尺寸的改变少于一预设阈值(如10% )，则被边框包围的物件被视为没有移动，而跳动控制模块216会保留之前视频帧中的边框位置和尺寸。如果当前视频帧中的边框被包围在之前视频帧中的相应边框当中，而其尺寸的改变不多于一预设阈值(如20% )，则被边框包围的物件被视为没有移动，而跳动控制模块216会保留之前视频帧中的边框位置和尺寸。如果之前视频帧中的边框被包围在当前视频帧中的相应边框当中，而其尺寸的改变不多于一预设阈值(如20%)，则被边框包围的物件被视为没有移动，而跳动控制模块216会保留当前视频帧中的边框位置和尺寸。如果边框位置和尺寸的改变大于一预设阈值(如20% )，则被边框包围的物件被视为已经移动，故跳动控制模块216会保留当前视频帧中的边框位置和尺寸。
[0035]在减少与边框相关的跳动后，错误侦测及间断控制模块218为取得的视频数据的每个识别出的物件分配一信心值。与物件相关的信心值表示在取得的视频数据中被识别出物件的视频帧的数目。在一个例子中，当物件在位置A被首次识别，与物件相关的信心值会设定为0。此外，与物件相关的信心值在物件在位置A被识别的每个后续视频帧会分别增加1。此外，当物件由位置A移动至位置B(以使与物件相关的边框在位置A和位置B互相重叠)，与物件相关的信心值会减少一半。在一个例子中，错误侦测及间断控制模块218利用与物件相关的信心值去除在取得的视频中的物件错误侦测、以及去除在取得的视频数据中任何识别物件的间断。
[0036]在一个例子中，原始算法侦测模块214在取得的视频数据中的10个连续视频帧中识别一个物件(例如是配餐车)。在10个视频帧之后，配餐车没有在当前视频帧中被识别，在之前视频帧中与配餐车相关的信心值被保留。如果与配餐车相关的信心值低于预设信心值阈值，错误侦测及间断控制模块218会认为配餐车被错误识别。如果与配餐车相关的信心值高于预设信心值阈值，错误侦测及间断控制模块218会认为配餐车在当前视频帧中被识别。
[0037]在另一个例子中，原始算法侦测模块214在取得的视频数据中的30个连续视频帧中识别一个物件(例如是航空器)。在30个视频帧之后，航空器没有在当前视频帧中被识别(例如，因大部分航空器被地勤车辆阻挡而不能识别出航空器)，在之前视频帧中与航空器相关的信心值被保留。如果在之前视频帧中的与航空器相关的信心值高于预设信心值阈值，错误侦测及间断控制模块218会认为航空器在当前视频帧中被识别。换言之，即使原始算法侦测模块214没有识别出航空器，错误侦测及间断控制模块218会认为航空器在视频帧中被识别，直至航空器被再次侦测，并与航空器相关的信心值开始增加。
[0038]在取得的视频数据识别物件后，事件启动模块220根据识别出的物件决定与航空器的一个或以上地勤活动相关的时间标记。例如，时间标记包括与每个地勤活动相关的开始及终止时间标记、以及与每个地勤车辆相关的连接及分离时间标记。在一个实施例中，事件启动模块220根据与航空器及每个地勤车辆相关的边框中心之间的距离决定与地勤活动相关的时间标记。在一个例子中，当与航空器及其中一个地勤车辆相关的边框中心之间的距离少于预设最低距离阈值，地勤车辆被称为连接至航空器。地勤车辆与航空器连接的时间表示与地勤车辆相关的地勤活动的开始时间。
[0039]在一个实施例中，在地勤车辆连接至航空器之后，如果地勤车辆被识别为在预设时间阈值(如5分钟)移近航空器，则与地勤车辆相关的地勤活动的开始时间修改为地勤车辆移近航空器的时间。
[0040]此外，当航空器中心及地勤车辆之间的距离开始增加，地勤车辆被认为是与航空器分离。地勤车辆与航空器分离的时间表示与地勤车辆相关的地勤活动的终止时间。类似地，为航空器的每个地勤活动决定开始和终止时间标记。
[0041]在另一实施例中，视频分析工具212决定与航空器活动如航空器着地和航空器起飞相关的时间标记。在一个例子中，原始算法侦测模块214从视频摄像机(例如，部分视频摄像机202A-N)实时取得视频数据，而视频摄像机设置为可取得航空器活动的视频数据。此外，原始算法侦测模块214利用图像数据库222中储存的图像通过机器学习算法识别航空器接近/离开跑道。在本实施例中，机器学习算法包括航空器及跑道的物件识别分类器。例如，跑道的物件识别分类器被编程为利用跑道的图像根据跑道的显着特征如跑道上的标记识别跑道。
[0042]此外，原始算法侦测模块214围绕识别出的航空器和跑道创建边框。图4A示出围绕航空器和跑道创建的示例边框。此外，利用创建的边框追踪识别出的航空器的活动。此夕卜，跳动控制模块216利用采样保持技术减少与航空器及跑道的边框相关的跳动。此外，错误侦测及间断控制模块218为航空器及跑道分配信心值。
[0043]此外，事件启动模块220计算与航空器相关的边框以及与跑道相关的边框之间的距离。此外，事件启动模块220根据计算的距离决定与航空器活动相关的时间标记。
[0044]在一个例子中，当航空器接近跑道，事件启动模块220在与航空器及跑道相关的边框之间的距离低于预设阈值时，决定与航空器着地相关的时间标记。换言之，事件启动模块220在与航空器相关的边框中心及与跑道相关的边框长度的中线之间的距离在预设阈值内时，决定与航空器着地相关的时间标记。此外，事件启动模块220在与航空器及跑道相关的边框之间的距离开始增加时决定与航空器起飞相关的时间标记。
[0045]在本实例子中，视频分析工具212决定跑道入侵的出现。例如，可以在侦测到另一航空器、车辆(如地勤车辆)或人在指定供航空器着地或起飞的跑道上出现时，决定跑道入侵的出现。在一个例子中，利用取得的视频数据决定接近或离开跑道的航空器的位置信息。此外，监测取得的视频数据以识别任何其它接近跑道的航空器、车辆及/或人。此外，决定与被识别出的接近跑道的航空器、车辆及/或人相关的位置信息。此外，根据决定的位置信息决定航空器与接近跑道的航空器、车辆及/或人之间的距离。例如，可通过在视频帧的特定像素上标上全球定位系统(GPS)坐标以决定距离。此外，根据决定的距离侦测航空器的碰撞风险。此外，事件启动模块220根据侦测到的航空器的碰撞风险实时发出警报。
[0046]类似地，与其它航空器活动如航空器到达闸口及航空器离开闸口相关的时间标记可以利用视频分析工具212决定。在一个例子中，原始算法侦测模块214由视频摄像机(例如，部分视频摄像机202A-N)实时取得视频数据，而视频摄像机设置为取得机场停机坪的视频数据。此外，原始算法侦测模块214利用储存于图像数据库222的图像识别进入