● 摘要
低空威胁目标检测是保障飞行器在复杂低空环境下安全飞行的一项关键技术。在威胁低空飞行安全的众多因素中，鸟撞飞机（鸟击）是严重威胁低空飞行安全的主要因素；因此，作为鸟击防范的一种有效技术途径，低空飞鸟检测受到了国际航空界与学术界的高度重视，具有保障飞行器和鸟类生命安全的双重应用价值。同时，低空飞鸟检测也是计算机视觉领域一个新兴课题，其研究涉及鸟类生物学、图像处理、机器学习、目标检测与跟踪、信息融合等多个领域，是多学科交叉的一个研究热点，具有很高的理论意义。
与一般的目标检测问题相比，自身外观与运动的特殊性使得低空飞鸟检测成为公认的挑战性难题。（1）飞鸟目标自身种类繁多，在尺寸、形状、颜色和纹理等方面存在明显差异，再加上姿态和视角的变化导致其外观呈现出很高的多样性。这一特性导致很难构造出足够的模版以处理不同的飞鸟外观模式，传统基于模板匹配的方法不能很好地解决低空飞鸟检测问题。（2）由于飞鸟目标的非刚体性质和较强的运动随意性，其运动模式通常呈现出复杂多变的特点。其在飞行过程中的振翅、跳跃、翱翔或盘旋等各种不同的动作很难采用一种稳定特征进行全面描述，常用的基于运动的检测方法在解决低空飞鸟检测问题时存在明显的局限性。
本文从时间域和空间域上综合考虑飞鸟的外观和运动特性，充分利用二者之间的相关性，构建基于时空关联的飞鸟特征表示模型，提出与之相适应的分类器设计方法，实现了对低空飞鸟目标的高效检测。其中，在特征提取上，本文综合利用飞鸟在时空域中的形状和形状的时变信息，构建出一种飞鸟的时空关联表征模型，较好地反映了飞鸟模式的本质属性；在分类器设计上，针对飞鸟自身外观多样以及由运动所带来的外观多变性，本文根据相关领域知识寻找出飞鸟形状以及形状变化的代表类别，通过对各代表类别所对应的分类器的自适应组合，实现对多变飞鸟的高效分类。最后，通过搭建低空飞鸟检测原型系统，采集实际数据，初步验证了本文所提的低空飞鸟检测方法的有效性。
论文的主要工作与创新之处如下：
（1）构建了一种基于时空关联的低空飞鸟检测框架。该框架利用飞鸟的时空关联特征，即飞鸟在时空域中的形状特征以及形状随时间的变化特征，并结合自适应组合分类策略进行检测，为外观多样、运动多变的低空飞鸟检测问题提出了一种新的解决思路。
（2）针对飞鸟稳定有效特征难以提取的问题，本文提出了一种飞鸟的时空关联特征表示方法。该方法采用分层的思想来对飞鸟特征进行描述：首先，将飞鸟形状作为其底层特征，用以描述飞鸟本身的空间关联信息；在此基础上，将飞鸟的形状特征从单一的空间域扩展到时空域，由此获取的飞鸟形变特征作为其高层特征，用以描述飞鸟的时空关联信息。这种特征表示方法有效融合了飞鸟形状空间和运动空间的时空信息，具有更强的飞鸟描述能力。其中，对于飞鸟的形状描述，本文引入了基于形状相关性的特征描述子，采用飞鸟边界轮廓点相对于身体头尾轴中心点的位置分布直方图来描述飞鸟形状所具有的空间相关性信息。为进一步降低其特征表示的规模，又提出了一种新的基于骨架的飞鸟特征表示方法。对于飞鸟的形变描述，本文从多帧时序的角度出发，分析了其姿态的时变过程，引入了一种基于马尔科夫模型的飞鸟长时形变表示方法。
（3）为克服飞鸟外观多样性和运动模式多变性所带来的难分类问题，本文提出了一种自适应组合的分类策略。该策略考虑到飞鸟外观和运动虽然千变万化，但基于鸟类形态学和运动学的先验知识，仍然可以获得飞鸟姿态和行为动作的代表类别，进而针对每一类代表分别进行分类器训练，用以学习特定的飞鸟姿态以及姿态的变化模式。在检测时，对于任意一个待测目标的运动序列，可以用飞鸟的代表类姿态的时序组合来进行描述，符合一定概率转换模式的则被判定为飞鸟目标。其中，在对目标姿态进行估计时，我们采用了当前目标姿态与飞鸟各代表类姿态的匹配度来计算各代表分类器的权值，从而实现这些多飞鸟分类器的自适应加权组合。其优点在于，通过分开训练有效解决了飞鸟数据本身类内变化较大的问题，而多分类组合可进一步提高飞鸟的分类性能。
相关内容
相关标签