劉 迪，曹曉光，薛斌黨，李紅偉

（1.北京航空航天大學(xué) 圖像處理中心，北京 100191；2.中國民航管理干部學(xué)院 航空安保系，北京 100102）

機(jī)場道面異物（Foreign Object Debris，F(xiàn)OD[1]）檢測對于跑道運(yùn)行安全具有現(xiàn)實(shí)意義。道面異物可能以3種形式影響航空安全：在氣流的作用下打擊高速運(yùn)動的飛機(jī)，造成蒙皮損傷；或者被吸進(jìn)發(fā)動機(jī)，造成發(fā)動機(jī)損傷；劃傷或者刺傷高速運(yùn)動的飛機(jī)輪胎，嚴(yán)重時造成爆胎，進(jìn)而可能導(dǎo)致機(jī)毀人亡的事故。目前，國內(nèi)機(jī)場大多采用在飛機(jī)起落間隙利用巡道車進(jìn)行人工目視檢測的方法，該方法效率低、主觀性強(qiáng)。機(jī)場道面異物的自動檢測能夠輔助場務(wù)人員進(jìn)行機(jī)場道面的人工檢查，提升檢查的速度和精度。

目前，國際上有4個成熟的異物檢測系統(tǒng)，分別為英國的Tarsier（眼鏡猴）系統(tǒng)、以色列的FODetect系統(tǒng)、新加坡的iFerrer系統(tǒng)、美國的FOD Finder系統(tǒng)。其中只有iFerrer系統(tǒng)采用的是固定式的高分辨率攝像機(jī)來進(jìn)行異物檢測，其他主要采用了毫米波雷達(dá)技術(shù)來進(jìn)行異物檢測[2]。

本研究應(yīng)用于機(jī)場道面異物檢測系統(tǒng)，該系統(tǒng)為移動式車載系統(tǒng)，通過實(shí)時道面圖像信息的采集，得到道面圖像，采用圖像處理的方法，根據(jù)異物的圖像特征來進(jìn)行異物檢測。

1 問題分析

與普通路面相比，水泥混凝土機(jī)場道面有其自身的獨(dú)特性，背景中存在規(guī)則平行的拉毛紋理和各種干擾，比如燈蓋（圖 1（a））、輪胎?。▓D 1（c））、標(biāo)志標(biāo)線（圖 1（b））、接縫和陰影（圖1（d））等，其中陰影是巡道車采集圖像時產(chǎn)生的，其余均為機(jī)場道面的正常干擾。這些都為機(jī)場道面異物檢測增加了很大難度。

機(jī)場道面常見異物有螺釘（圖 2（a））、碎石子（圖 2（b））、金屬條、生活垃圾、鳥類尸體等，根據(jù)民航局對異物危險等級的評估，螺釘、金屬條等金屬質(zhì)地的異物威脅等級最高；其次為碎石子、鳥類尸體等。

本文選取了對機(jī)場飛行安全威脅較高的幾種異物，分別為螺釘、金屬條、碎石子。在機(jī)場道面復(fù)雜背景下，選取有效特征對異物進(jìn)行檢測。

圖1 機(jī)場道面復(fù)雜背景圖Fig.1 Complex background of airport pavement

圖2 機(jī)場道面異物圖Fig.2 FODs of airport pavement

通過前期實(shí)驗(yàn)，由于采集到的圖像尺寸為103×138 cm，而異物的尺寸一般處于厘米量級，如果從整幅圖像來分析特征，那么有異物的圖像和正常圖像之間差別很小，很難進(jìn)行區(qū)分。有鑒于此，對實(shí)驗(yàn)圖像進(jìn)行分塊，分塊大小為4.3×4.3 cm，此尺寸對于長度為1厘米異物能夠進(jìn)行有效檢測。

2 特征分析

2.1 角點(diǎn)特征

角點(diǎn)是圖像很重要的特征，對圖像圖形的理解和分析有很重要的作用。角點(diǎn)沒有明確的數(shù)學(xué)定義，但人們普遍認(rèn)為角點(diǎn)是二維圖像亮度變化劇烈的點(diǎn)或圖像邊緣曲線上曲率極大值的點(diǎn)。這些點(diǎn)在保留圖像重要特征的同時，可以有效地減少信息的數(shù)據(jù)量。一般情況下，角點(diǎn)檢測廣泛應(yīng)用于三維場景重建、運(yùn)動估計(jì)、目標(biāo)跟蹤、目標(biāo)識別、圖像配準(zhǔn)與匹配等計(jì)算機(jī)視覺領(lǐng)域。

本研究中的機(jī)場道面廣泛存在拉毛平行紋理，標(biāo)志線、輪胎印也均為平行紋理，所以單純就機(jī)場道面復(fù)雜的背景來說，角點(diǎn)存在的數(shù)量很少，而就本研究選定的異物而言，螺釘為規(guī)則的有棱角的異物，而金屬條和碎石子為不規(guī)則的尺寸較小的異物，它們均具有較多角點(diǎn)特征。因此選定角點(diǎn)數(shù)目作為分類器的一個輸入特征值。

Harris角點(diǎn)[3]是一種成熟的角點(diǎn)檢測方法，本研究選擇Harris角點(diǎn)作為角點(diǎn)檢測方法。

由圖3可見，有螺釘?shù)膱D像的Harris角點(diǎn)檢測數(shù)目遠(yuǎn)遠(yuǎn)多于無螺釘?shù)膱D像，由此可見，Harris角點(diǎn)特征對于異物的檢測是有效的。

2.2 灰度共生矩陣

圖3 Harris角點(diǎn)檢測結(jié)果Fig.3 Test results of Harris corner

灰度共生矩陣[4]是描述圖像紋理特征的一種常用方法。由于紋理是由灰度分布在空間位置上反復(fù)出現(xiàn)而形成的，因而在圖像空間中相隔某距離的兩象素之間會存在一定的灰度關(guān)系，即圖像中灰度的空間相關(guān)特性?；叶裙采仃嚲褪且环N通過研究灰度的空間相關(guān)特性來描述紋理的常用方法。

取圖像（N×N）中任意一點(diǎn)（x，y）及偏離它的另一點(diǎn)（x+a，y+b），設(shè)該點(diǎn)對的灰度值為（g1，g2）。 令點(diǎn)（x，y）在整個畫面上移動，則會得到各種（g1，g2）值，設(shè)灰度值的級數(shù)為 k，則（g1，g2）的組合共有k的平方種。對于整個畫面，統(tǒng)計(jì)出每一種（g1，g2）值出現(xiàn)的次數(shù)，然后排列成一個方陣，再用（g1，g2）出現(xiàn)的總次數(shù)將它們歸一化為出現(xiàn)的概率p（g1，g2），這樣的方陣稱為灰度共生矩陣。距離差分值（a，b）取不同的數(shù)值組合，可以得到不同情況下的聯(lián)合概率矩陣。（a，b）取值要根據(jù)紋理周期分布的特性來選擇，對于較細(xì)的紋理，選?。?，0）、（1，1）、（2，0）等小的差分值。

當(dāng)a=1，b=0時，像素對是水平的，即0度掃描；當(dāng)a=0，b=1時，像素對是垂直的，即90度掃描；當(dāng) a=1，b=1時，像素對是右對角線的，即45度掃描；當(dāng)a=-1，b=-1時，像素對是左對角線，即135度掃描。

這樣，2個象素灰度級同時發(fā)生的概率，就將（x，y）的空間坐標(biāo)轉(zhuǎn)化為“灰度對”（g1，g2）的描述，形成了灰度共生矩陣。

基于灰度共生矩陣形成的紋理特征有能量、慣性矩、熵、相關(guān)性等。

慣性矩：

相關(guān)性：

其中：

根據(jù)慣性矩和相關(guān)性特征的定義[5]和前期實(shí)驗(yàn)結(jié)果（如圖4（b）、（c））可以得出：

有異物的圖像一般情況下，明暗變化比較明顯，慣性矩的值會偏高。相關(guān)性體現(xiàn)了圖像紋理的一致性，有異物的情況下，圖像的一致性不好，相關(guān)性的特征值較低。

因此，本研究選取慣性矩和相關(guān)性作為描述圖像的特征。

2.3 灰度級分布范圍

灰度級分布范圍[6]體現(xiàn)了圖像的灰度直方圖特征，有異物的圖像目標(biāo)和背景的差異較大，灰度級的分布范圍較廣，而單純背景的正常圖像灰度級分布范圍較窄，以此為特征來進(jìn)行檢測，得到了較好效果。

3 實(shí)驗(yàn)結(jié)果

3.1 特征驗(yàn)證實(shí)驗(yàn)

本實(shí)驗(yàn)訓(xùn)練樣本集為分塊后的4.3×4.3 cm異物圖像205張和正常圖像682張。其中，異物圖像包括螺釘162張、金屬條24張、碎石子19張，正常圖像包括各種正常機(jī)場道面情況，有地?zé)?、?biāo)志線、輪胎印、單純拉毛、輪胎印與標(biāo)志線混合等復(fù)雜背景。

對訓(xùn)練樣本分別提取Harris角點(diǎn)、慣性矩、相關(guān)性和灰度級分布范圍特征，得到訓(xùn)練樣本的特征曲線圖，分別見圖4（a）、（b）、（c）、（d）。

圖4 特征曲線Fig.4 Characteristic curves

由特征曲線圖可以看出，這些特征對于區(qū)分異物圖像與正常圖像是有效的。

3.2 閾值法檢測實(shí)驗(yàn)

本實(shí)驗(yàn)選定的測試圖像為103×138厘米的整張圖像共160張，均為挑選后具有代表性的圖像。其中異物圖像80張，正常圖像80張。

進(jìn)行測試時，首先將圖像進(jìn)行切塊，整張圖像切成768張小圖，逐張小圖進(jìn)行檢測，若有一張小圖被檢測為異常，則判定整張圖像為異物圖像。

由特征曲線圖可明顯看出異物圖像和正常圖像之間的區(qū)分性，通過訓(xùn)練樣本集的特征，選定角點(diǎn)、慣性矩、相關(guān)性和灰度級分布范圍特征閾值分別為2、0.6066、2.2358、105。得到的測試結(jié)果如表1所示。

筆者定義，正常圖像被檢測為異物圖像的比率稱為誤檢率，異物圖像被檢測為正常圖像稱為漏檢率?？梢钥闯?，閾值法測試結(jié)果較好，誤檢率為1.2%，漏檢率為2.5%，總體正確率達(dá)到了98.1%。正常圖像被誤檢為異物圖像的只有1張，其原因?yàn)椋谡鶊D像均充滿輪胎印背景時，出現(xiàn)一處白色不明污點(diǎn)，使得局部對比度增大，故誤判為異物。異物圖像有兩張存在漏檢，原因?yàn)?，在分塊時，異物被切割到邊緣，使得其特征不明顯，故造成漏檢，擬采用的解決方法為，采取重疊分塊的方式，使得異物以很大概率落在分塊后小圖的中央，進(jìn)而減少漏檢情況發(fā)生。

表1 閾值法測試結(jié)果Tab.1 Test results of threshold method

3.3 SVM法檢測實(shí)驗(yàn)

SVM法[7]是建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險最小原理基礎(chǔ)上的，根據(jù)有限的樣本信息在模型的復(fù)雜性（即對特定訓(xùn)練樣本的學(xué)習(xí)精度）和學(xué)習(xí)能力（即無錯誤地識別任意樣本的能力）之間尋求最佳折衷，以期獲得最好的推廣能力。

SVM法得到的結(jié)果如表2所示。

表2 SVM法測試結(jié)果Tab.2 Test results of SVM

可以看出，與閾值法相比，SVM法的誤檢率較低，為0.0%，但漏檢率達(dá)到了5.0%，偏高。

2種方法綜合起來看，檢測結(jié)果具有一致性，檢測正確率均達(dá)到了98%左右，說明特征選取有效，可以準(zhǔn)確的在機(jī)場道面復(fù)雜背景下檢測出異物。

4 結(jié) 論

本研究在解決機(jī)場道面異物自動檢測問題上，給出了初步成果。首先，找出了機(jī)場道面常見異物相對于復(fù)雜背景的有效特征，用于實(shí)際檢測問題。其次，根據(jù)分塊原理，在正確檢測的基礎(chǔ)上，可以實(shí)現(xiàn)異物的初步定位。最后，此研究成果可用于實(shí)際機(jī)場道面異物自動檢測系統(tǒng)的搭建，使機(jī)場道面異物自動檢測系統(tǒng)的實(shí)現(xiàn)成為可能。

[1]樊曼劼.機(jī)場跑道異物（FOD）檢測研究[D].北京:北京交通大學(xué)，2011.

[2]李煜，肖剛.機(jī)場跑道異物檢測系統(tǒng)設(shè)計(jì)與研究[J].激光與紅外，2011，41（8）:909-915.LI Yu，XIAO Gang.Study and design on FOD detection and surveillance system for airport runway[J].Laser&Infrared，2011，41（8）:909-915.

[3]ZHAO Wan-jin，GONG Sheng-rong，LIU Chun-ping，et al.Adaptive harris corner detection algorithm[J].Computer Engineering，2008，34（10）:212-214.

[4]Haralick R M，Shanmugam K，Dinstein I H.Textural features for image classification[J].Systems， Man and Cybernetics，IEEE Transactions on，1973，3（6）:610-621.

[5]高程程，惠曉威.基于灰度共生矩陣的紋理特征提取[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2010，19（6）:195-198.GAO Cheng-cheng，HUI Xiao-wei.GLCM-Based texture feature extraction[J].Computer Systems&Applications，2010，19（6）:195-198.

[6]謝鳳英，趙丹培.Visual C++數(shù)字圖像處理[M].北京:電子工業(yè)出版社，2008.

[7]Chen P H，F(xiàn)an R E，Lin C J.A study on SMO-type decomposition methods for support vector machines[J].Neural Networks， IEEE Transactions on，2006，17（4）:893-908.