曝光台 注意防骗
网曝天猫店富美金盛家居专营店坑蒙拐骗欺诈消费者
输出到计算机上,利用飞鸟目标识别算法进行
实时处理,生成便于观测的融合图像,同时将数
据保存起来,以便深入研究,系统结构如图1 ( b)
所示。
212 系统探测性能分析
机场雷达探鸟系统对风险系数不同的小、中、
大型鸟和鸟群的探测距离是机场鸟情观测人
1313
航 空 学 报第30 卷
图1 雷达探鸟实验系统
Fig11 Avian radar experimental system
员非常关心的问题。已知雷达探鸟实验系统配
备的海事雷达可以探测到251 0 n mile 距离上的
RCS 为1 m2 的渔船,由雷达方程(雷达最大作
用距离的4 次幂与所探测目标的RCS 成正比)
可知,一个能在2510 n mile 的距离探测RCS 为
1 m2的目标(鸟群) 的雷达同样能在719 n mile 的
距离上探测到100 cm2 的目标(一只大鸟) , 在
616 n mile 的距离上探测到50 cm2 的目标(一只
中鸟) ,在317 n mile 的距离上探测到5 cm2 的目
标(一只小鸟) 。
213 飞鸟目标识别算法
飞鸟目标识别算法是雷达探鸟实验系统的技
术核心,包括背景差分、噪声抑制、目标信息提取
和坐标融合4 个部分,如图2 所示。
背景差分是飞鸟目标识别的第一步,即从探
鸟雷达图像中减去背景信息,因此构造一个纯净
的背景成为问题的关键。平均值法是最为简单实
用的背景图像提取方法,该算法采用了一种新颖
的主成分分析( Principal Component Analysis ,
PCA) 方法构造背景图像,每幅雷达图像都包含背
景和运动目标(飞鸟) ,因此背景可视为最大的主
成分[ 9 ] 。PCA 方法构造背景图像效率相对较低,
图2 飞鸟目标识别算法流程图
Fig12 Algorithm diagram for flying bird target detection
考虑到背景图像随时间存在细微变化,因此在工
程应用中,往往每隔一定时间就采用平均值法构
造一次背景信息,即将前若干帧图像叠加取平均
值,获得实时的背景图像。
经过背景差分的雷达图像仍包含以边缘杂波
为主的大量噪声,有必要通过中值滤波、阈值分割
和形态学处理进行噪声抑制。边缘杂波通常为互
不连通的区域,通过中值滤波可以降低其灰度值,
扩大杂波与目标之间的灰度区别,为阈值分割创
造条件。阈值的选择是分割的关键,如果阈值设
定过高,就会漏掉许多小目标;相反,如果阈值设
定过低,系统就会受到杂波的干扰而产生大量“虚
警”。当前的系统有固定阈值和自适应阈值两种
选择方法[ 10 ] 。前者一般是根据经验为雷达图像
选择一个固定的全局阈值,该方法效率很高,但不
能随图像的变化而进行动态调整,因而具有一定
的局限性。后者分别处理雷达图像的不同区域,
根据其灰度分布自适应地选择阈值,该方法可以
随图像中杂波灰度的变化而对阈值进行动态调
整,具有“恒虚警”的特点。
基于非线性算子的形态学,是一种相对独立
的图像分析方法,对于PPI 图像,它较之常规算
法运算速度更快且去噪效果更好。因此,经过阈
值分割的图像采用形态学进行噪声抑制,去除那
些像素过少的目标。膨胀和腐蚀是形态学的基本
操作。膨胀是一种扩展的变换,增大原物体的面
积,填充物体间小的孔洞和沟壑。A 被B 膨胀,
可定义为
1314
第7 期陈唯实等:基于鸟类目标散射特性分析的雷达探鸟实验
A Ý B = { z | (B ^ ) z ∩A ≠ Á} (2)
腐蚀是一种反扩展变换,压缩物体并将有细
微联系的物体分离。A 被B 腐蚀,可定义为
AΘB = { z | ( B) z ∩Ac ≠ Á} (3)
在实际的图像处理过程中,膨胀和腐蚀经常结合
使用。一幅图像往往经过一系列的膨胀与腐蚀处
理,采用相同或不同的结构单元[11 ] 。膨胀和腐蚀
并不是互逆的操作,先腐蚀后膨胀的结果不是保
持原状,而是消除像素很少的区域,同时使像素较
多的连通区域面积保持不变。
经过背景差分和噪声抑制的探鸟雷达PPI
图像中,相互联结的高亮区域的集合构成一个限
于当前分辨能力的飞鸟目标。通过区域标记和区
域面积测量[12 ] ,提取出目标中心坐标和大小等信
息。在区域标记过程中,由于所处理的PPI 图像
是二值的,所以处理后每个像素的值即为其所处
理的区域标号(1 ,2 ,3 , ⋯) ,采用8 连通判别算
法,标识所有不连通的目标区域。在区域标记
的基础上,通过对雷达图像中各种不同标号的
像素区域进行操作,统计出所有目标区域的像
素数n 和中心坐标( x0 , y0 ) 。PPI 图像中心定义
为坐标原点, x 轴水平向右, y 轴垂直向上。中
心坐标为
x0 = C Σ ( x , y) ∈S
x/ n
y0 = C Σ ( x , y) ∈S
y/ n
(4)
式中: S 为单一目标连通区域; C 为量程系数,反
映选择不同量程时每个像素代表的实际距离。
按照通常的习惯,可以将直角坐标转化为极
坐标,并将其与人工绘制的坐标系相融合,图像中
心定义为极点,极轴水平向右,取逆时针为正方
向,方便观测人员读取。
3 雷达探鸟实测结果与分析
2007 年春秋两季(候鸟迁徙高峰期) ,基于雷
达探鸟实验系统于北京市沙河水库北岸进行了多
次外场实验。利用实验采集的探鸟雷达PPI 图
像序列,提取出飞鸟目标轨迹与飞鸟目标信息,从
而验证了该系统探鸟的可行性。
311 飞鸟目标轨迹提取
图3 (a) 为某日清晨采集的一组探鸟雷达PPI
图像序列中的一帧(量程为015 n mile) ,当时鸟
类不活跃,只有零星小型水禽(RCS < 50 cm2 ) 活
动。图像上方的大块黑色区域为水面,飞鸟目标
呈现出若干明亮像素组成的连通区域(亮斑) ;其
余的大量杂波由水库附近的建筑物、树林和农田
产生,属于背景信息。由于飞鸟目标的回波相对
较弱,其亮斑的灰度级一般等于甚至略低于背景
中国航空网 www.aero.cn
航空翻译 www.aviation.cn
本文链接地址：
鸟击资料2(107)
