本發(fā)明涉及雷達技術領域，尤其是一種基于特征譜特征的機場跑道異物檢測方法及裝置。

背景技術：

機場跑道異物(foreignobjectdebris,fod)是指不應存在于機場跑道上會對飛機造成損傷的物體，例如遺落在跑道上的金屬零件、碎石塊、防水塑料布等。fod對飛機的起飛和降落會造成嚴重的威脅，在飛機起飛前必須予以清除。傳統(tǒng)的人工巡查方法需要消耗大量的時間，影響了機場跑道的飛機通勤量，同時在雨霧等惡劣天氣下依靠人工來發(fā)現(xiàn)微小異物也并非易事，因此，有必要研制一種機場跑道異物自動檢測系統(tǒng)，能夠實時對跑道環(huán)境進行監(jiān)測，及時上報fod的存在及具體位置信息。

目前，國外機場跑道異物檢測方面的成熟系統(tǒng)主要有基于毫米波雷達體制的英國qinetiq公司的tarsier1100系統(tǒng)、美國trexenterprises公司的fodfinder系統(tǒng)和以色列xsight公司的fodetect系統(tǒng)以及基于光學攝像體制的新加坡stratech-systems公司的iferret系統(tǒng)。由于光學監(jiān)測系統(tǒng)采用視頻處理技術，受亮度和光照的影響很大，在夜晚、雨霧天氣或者能見度很低的情況下，檢測的正確率很低，會出現(xiàn)大量的虛警或漏警，目前主流的fod檢測方法都是采用毫米波雷達體制。

強地雜波背景下的弱靜止目標檢測是毫米波雷達fod檢測系統(tǒng)面臨的關鍵問題之一，目前通常采用恒虛警檢測算法(constantfalsealarmrate,cfar)，包括以單元平均恒虛警(cellaveragingconstantfalsealarmrate,ca-cfar)為代表的空域cfar和以雜波圖恒虛警為代表的時域cfar。然而，由于機場跑道散射特性較為復雜，導致cfar類方法在fod檢測過程中出現(xiàn)虛警的概率較大，這時只能通過視頻或人工進行逐個排查，造成時間資源的浪費。如何降低fod檢測系統(tǒng)的虛警概率是目前研究的熱點。

技術實現(xiàn)要素：

本發(fā)明所要解決的技術問題是：針對現(xiàn)有技術存在的問題，提供一種基于特征譜特征的機場跑道異物檢測方法及裝置。實現(xiàn)在于實現(xiàn)低虛警概率下的fod檢測。

本發(fā)明采用的技術方案如下：

一種基于特征譜特征的機場跑道異物檢測方法包括：

以跑道基準背景數(shù)據作為雜波圖參考數(shù)據，對跑道雷達數(shù)據進行雜波圖恒虛警處理；

對跑道雷達數(shù)據雜波圖恒虛警處理后的數(shù)據進行分類，分為背景雜波信號和包括虛警信號的fod回波；

對背景雜波信號和fod回波信號分別進行特征值計算，然后根據相應特征值提取對應特征并形成對應特征向量；

將背景雜波信號對應的特征向量以及背景雜波信號標號進行分類器訓練，得到該分類器參數(shù)；

將fod回波信號特征值對應的特征向量通過分類器參數(shù)，判斷fod回波中是否有fod，實現(xiàn)對跑道fod檢測。

進一步的，通過檢測門限將雜波圖恒虛警處理后的數(shù)據分為背景雜波信號和fod回波。

進一步的，所述檢測門限獲取過程是：

對獲取所述跑道基準背景數(shù)據的同一跑道進行第二次空掃，獲得跑道更新背景數(shù)據；

將所述跑道基準背景數(shù)據作為雜波圖參考數(shù)據，對跑道更新背景數(shù)據進行雜波圖恒虛警處理；

然后對跑道更新背景數(shù)據做雜波圖恒虛警處理后的信號求平均功率值，則該平均功率值為檢測門限。

進一步的，所述特征值計算過程是：

s＝[s1,s2,...,sn]^t計算自相關矩陣r；

其中，sk為s第k個時刻的值，k＝1,2,...,n，n為信號維度，上標t表示矩陣轉置；

對自相關矩陣r進行特征值分解得到特征譜λr為自相關矩陣的第r個特征值；

其中，表示向下取整，且

當s若代表背景雜波信號，則λr為背景雜波信號自相關矩陣的第r個特征值；

當s若代表fod回波信號，則λr為fod回波信號自相關矩陣的第r個特征值。

進一步的，所述特征向量f＝{feature1,feature2}形成過程是：

若對背景雜波數(shù)據λr計算對應的特征向量，則f代表背景雜波數(shù)據特征向量；

若對fod回波信號λr計算對應的特征向量，則f代表fod回波信號特征向量；

其中，feature1是最大特征值歸一化后的特征值和：feature2是累計貢獻率達98％時的大特征值個數(shù)。

進一步的，判斷fod回波中是否有fod具體過程是：

使用背景雜波數(shù)據特征向量對應的兩個特征以及背景雜波數(shù)據標號訓練分類器，得到分類器參數(shù)；

根據分類器參數(shù)獲取最優(yōu)分類面，并根據最優(yōu)分類面對fod回波的特征值向量進行判斷，其中，虛警信號全部落在最優(yōu)分類面內，若最優(yōu)分類面外無信號，則表明飛機起飛前，跑道中沒有fod，否則，表明飛機起飛前，跑到中存在fod。

一種基于特征譜特征的機場跑道異物檢測裝置包括：

雜波圖恒虛警處理模塊，用于以跑道基準背景數(shù)據作為雜波圖參考數(shù)據，對跑道雷達數(shù)據進行雜波圖恒虛警處理；

信號分類模塊：用于對跑道雷達數(shù)據雜波圖恒虛警處理后的數(shù)據進行分類，分為背景雜波信號和包括虛警信號的fod回波；

特征向量提取模塊，用于對背景雜波信號和fod回波信號分別進行特征值計算，然后根據相應特征值提取對應特征并形成對應特征向量；

分類器訓練步驟，用于將背景雜波信號對應的特征向量以及背景雜波信號標號進行分類器訓練，得到該分類器參數(shù)；

跑道fod檢測模塊，用于將fod回波信號特征值對應的特征向量通過分類器參數(shù)，判斷fod回波中是否有fod，實現(xiàn)對跑道fod檢測。

進一步的，通過檢測門限將雜波圖恒虛警處理后的數(shù)據分為背景雜波信號和fod回波。

進一步的，所述特征值計算過程是：

s＝[s1,s2,...,sn]^t計算自相關矩陣r；

其中，sk為s第k個時刻的值，k＝1,2,...,n，n為信號維度，上標t表示矩陣轉置；

對自相關矩陣r進行特征值分解得到特征譜λr為自相關矩陣的第r個特征值；

其中，表示向下取整，且

當s若代表背景雜波信號，則λr為背景雜波信號自相關矩陣的第r個特征值；

當s若代表fod回波信號，則λr為fod回波信號自相關矩陣的第r個特征值。

進一步的，判斷fod回波中是否有fod具體過程是：

使用背景雜波數(shù)據特征向量對應的兩個特征以及背景雜波數(shù)據標號訓練分類器，得到分類器參數(shù)；

根據分類器參數(shù)獲取最優(yōu)分類面，并根據最優(yōu)分類面對fod回波的特征值向量進行判斷，其中，虛警信號全部落在最優(yōu)分類面內，若最優(yōu)分類面外無信號，則表明飛機起飛前，跑道中沒有fod，否則，表明飛機起飛前，跑到中存在fod。

綜上所述，由于采用了上述技術方案，本發(fā)明的有益效果是：

利用雜波圖恒虛警(constantfalsealarmrate,cfar)將跑道雷達數(shù)據中的背景雜波信號和fod回波(包含虛警)區(qū)分開，然后提取特征譜特征將在回波域中差異較小的fod回波和虛警回波轉換到區(qū)分性更大的特征域，進而通過分類器進行識別，判斷跑道是否存在fod。

由于檢測門限也是根據同一跑道同一未知區(qū)域兩次空掃獲得的門限值，用這個檢測門限值去區(qū)分跑道雷達數(shù)據中的背景雜波信號和包括虛警的fod回波，才能使得基準相同，誤差最小。

附圖說明

本發(fā)明將通過例子并參照附圖的方式說明，其中：

圖1是本發(fā)明的流程圖。

圖2a是雜波圖恒虛警處理之前跑道雷達數(shù)據。

圖2b是雜波圖恒虛警處理之后fod回波。

圖3是二維特征分布圖。

圖4是通過本發(fā)明檢測的分類結果。

具體實施方式

本說明書中公開的所有特征，或公開的所有方法或過程中的步驟，除了互相排斥的特征和/或步驟以外，均可以以任何方式組合。

本說明書中公開的任一特征，除非特別敘述，均可被其他等效或具有類似目的的替代特征加以替換。即，除非特別敘述，每個特征只是一系列等效或類似特征中的一個例子而已。

本發(fā)明相關說明：

1、跑道背景數(shù)據指的是人工對待測機場跑道進行檢查后，確認跑到中不存在fod，此時雷達進行空掃，記錄作為跑道背景數(shù)據；

2、跑道雷達數(shù)據指的是在飛機起飛前，對與空掃獲得跑道背景數(shù)據的同一跑道，進行實測雷達掃描，獲得跑道雷達數(shù)據；

3、檢測門限獲取步驟：

所述檢測門限獲取過程是：

對獲取所述跑道基準背景數(shù)據的同一跑道進行第二次空掃，獲得跑道更新背景數(shù)據；

將所述跑道基準背景數(shù)據作為雜波圖參考數(shù)據，并對跑道更新背景數(shù)據進行雜波圖恒虛警處理；

然后對跑道更新背景數(shù)據做雜波圖恒虛警處理后的信號求平均功率值，則該平均功率值為檢測門限。

本發(fā)明實現(xiàn)過程：

步驟1，雷達空掃，記錄背景雜波數(shù)據，用作雜波圖參考數(shù)據：

首先通過人工對待測機場跑道進行檢查，確認跑道中不存在fod，此時雷達進行空掃，記錄初始背景數(shù)據，用作雜波圖參考數(shù)據

步驟2，雜波圖恒虛警處理：

在飛機起飛前，對機場跑道進行掃描，利用步驟1得到的背景雜波數(shù)據作雜波圖恒虛警處理，根據是否超過檢測門限，將雷達錄取的數(shù)據分成fod回波(包括虛警)和背景雜波信號，在步驟5中，背景雜波信號將被用作訓練數(shù)據，fod回波(包括虛警)將被用作測試數(shù)據。

步驟3，計算信號的特征譜：

1).對經過雜波圖恒虛警處理后的信號s＝[s1,s2,...,sn]^t進行滑窗，窗長為得到矩陣其中，sk為s第k個時刻的值，k＝1,2,...,n，n為信號維度，為第i次滑窗得到的數(shù)據，長度為且上標t表示矩陣轉置，表示向下取整；

2).利用矩陣e計算得到信號的自相關矩陣其中，上標h表示矩陣復共軛轉置；

3).對信號的自相關矩陣r做特征值分解，獲得特征譜其中，λr為自相關矩陣r的第r個特征值，且

步驟4，特征提?。?/p>

對步驟3中得到的特征譜提取兩種用于分類的特征：

第一種是最大特征值歸一化后的特征值和：

第二種是累計貢獻率達98％時的大特征值個數(shù)：

其中arg(·)為取標號運算。

步驟5，對訓練樣本集提取上述兩種特征，并利用兩種特征訓練分類器。

對訓練樣本進行特征提取后，得到用于訓練分類器的兩種特征。將用于訓練分類器的兩種特征組成一個特征向量：f＝{feature1,feature2}。選取分類器進行分類的訓練過程，其中，分類器包括：支持向量機、相關向量機和最小最大概率機等，本步驟以最小最大概率機為例，描述分類器的訓練過程步驟如下：使用從訓練樣本集中提取的兩種特征以及樣本標號訓練最小最大概率機，得到最優(yōu)的分類器參數(shù)aopt和bopt。其中aopt為最小最大概率機的最優(yōu)解；bopt＝1；

步驟6：判斷測試樣本(fod回波)中是否有fod具體過程是：

使用訓練樣本(背景雜波數(shù)據)特征向量對應的兩個特征以及訓練樣本(背景雜波數(shù)據)標號訓練分類器，得到分類器參數(shù)；

根據分類器參數(shù)獲取最優(yōu)分類面，并根據最優(yōu)分類面對測試樣本(fod回波)的特征向量進行判斷，其中，虛警信號全部落在最優(yōu)分類面內，若最優(yōu)分類面外無信號，則表明飛機起飛前，跑道中沒有fod，否則，表明飛機起飛前，跑到中存在fod。具體實施例一，對測試樣本(fod回波)提取兩種特征feature1,feature2，并利用訓練好的分類器對用于測試的兩種特征進行分類。

對于測試樣本，利用已經訓練好的最小最大概率機按如下步驟對其進行分類：

6a)對于測試樣本進行特征提取，得到用于測試的由所述兩種特征構成的特征向量f＝{feature1,feature2}；

6b)將從測試樣本中提取的特征向量f輸入到訓練好的最小最大概率機中，得到最小最大概率機分類器參數(shù)aopt和bopt；其中aopt為最小最大概率機的最優(yōu)解；bopt＝1；

按下式得到最小最大概率機分類器輸出：

式中，aopt,bopt為訓練過程得到的參數(shù)；

6c)根據最小最大概率機的輸出y(f)確定類別標號，y(f)小于等于0，則表示fod回波是虛警，無fod；若y(f)大于0，則表明fod回波是fod。

具體實施例二：(可以代替步驟61的實現(xiàn)過程)；對測試樣本集提取兩種特征，并利用訓練好的分類器對用于測試的兩種特征進行分類。

對于測試樣本，利用已經訓練好的最小最大概率機按如下步驟對其進行分類：6a)對于測試樣本進行特征提取，得到用于測試的由所述兩種特征構成的特征向量f＝{feature1,feature2}；

6b)使用背景雜波數(shù)據特征向量對應的兩個特征以及背景雜波數(shù)據標號訓練最小最大概率機分類器，得到最小最大概率機分類器參數(shù)aopt和bopt；其中aopt為最小最大概率機的最優(yōu)解；bopt＝1；

6c)根據參數(shù)aopt和bopt獲取最優(yōu)分類面，并根據最優(yōu)分類面對fod回波特征向量進行判斷，其中，虛警信號全部落在最優(yōu)分類面內，若最優(yōu)分類面外無信號，則表明飛機起飛前，跑道中沒有fod，否則，表明飛機起飛前，跑到中存在fod。

上述實例是對提取的特征使用了最小最大概率機進行目標分類，在實際中，分類器還可以根據實際情況選取如相關向量機，線性判決分析，k近鄰分類器等其他分類算法，分類過程與最小最大概率機類似。

1.實驗場景：

首先，人工對機場跑道進行檢查，確認其中不含fod，此時雷達進行空掃，記錄背景數(shù)據，用作雜波圖。然后在距離雷達40/50/60/65/68米處各放置1個高爾夫球，利用雷達對跑道進行掃描，記錄得到的雷達數(shù)據。

2.實驗內容：

2.1)利用存儲的雜波圖數(shù)據對雷達錄取信號作雜波圖恒虛警處理，得到結果如圖2所示。其中，圖2a表示作雜波圖恒虛警之前的數(shù)據，圖2b表示對圖2a數(shù)據利用背景雜波作雜波圖恒虛警后的數(shù)據。

2.2)根據雜波圖恒虛警結果，將雷達錄取的數(shù)據分成兩類，背景雜波數(shù)據作為訓練數(shù)據，提取兩種特征，fod回波(包括虛警)作為測試數(shù)據，提取兩種特征，如圖3所示。其中，黑色圓圈表示的是對背景雜波信號提取的feature1和feature2的值，星形表示的是對虛警信號提取的feature1和feature2的值，方框形表示的是對fod回波提取feature1和feature2的值。

2.3)利用訓練數(shù)據(背景雜波)提取的特征訓練最小最大概率機，并對fod回波及虛警進行分類，得到分類結果，如圖4所示。其中，黑色圓圈表示的是背景雜波特征向量，將其作為訓練樣本訓練最小最大概率機分類器，得到圖中黑色實線表示的最優(yōu)分類面，然后利用該最優(yōu)分類面對方框表示的fod和星形表示的虛警進行判斷，得到判決結果。

3.實驗結果分析：

從圖2中可以看出，經過雜波圖恒虛警后，40、50、60、65米處的目標回波幅度要明顯強于背景雜波的強度，68米處目標回波雖然較弱，但仍可以被檢測到，但是在圖2b中，在距離雷達約4米，26米等距離處有能量較低的虛警存在，也就是說傳統(tǒng)雜波圖恒虛警算法來實現(xiàn)fod檢測會存在虛警的問題。

從圖3中可以看出，通過特征提取，我們將在回波域中很難區(qū)分的fod和虛警變換到了區(qū)分性更大的特征域中；同時可以看出，在特征域，背景雜波和虛警的分布特性更為接近，也就是說，在特征域可以將背景雜波和虛警作為一類目標，fod作為另一類目標進行分類。

從圖4中可以看出，全部fod回波均落在分類面外，被判為fod，同時，全部虛警回波被包在了最優(yōu)分類面以內，被判為背景雜波，也就是說，對于圖2給出的實測數(shù)據，利用本發(fā)明可以有效的消除虛警，從而實現(xiàn)低虛警概率條件下的fod檢測。

本發(fā)明并不局限于前述的具體實施方式。本發(fā)明擴展到任何在本說明書中披露的新特征或任何新的組合，以及披露的任一新的方法或過程的步驟或任何新的組合。