曝光臺 注意防騙 網曝天貓店富美金盛家居專營店坑蒙拐騙欺詐消費者

輸出到計算機上,利用飛鳥目標識別算法進行
實時處理,生成便于觀測的融合圖像,同時將數
據保存起來,以便深入研究,系統結構如圖1 ( b)
所示。
212 　系統探測性能分析
機場雷達探鳥系統對風險系數不同的小、中、
大型鳥和鳥群的探測距離是機場鳥情觀測人
1313
　　航　空　學　報第30 卷
圖1 　雷達探鳥實驗系統
Fig11 　Avian radar experimental system
　　
員非常關心的問題。已知雷達探鳥實驗系統配
備的海事雷達可以探測到251 0 n mile 距離上的
RCS 為1 m2 的漁船,由雷達方程(雷達最大作
用距離的4 次冪與所探測目標的RCS 成正比)
可知,一個能在2510 n mile 的距離探測RCS 為
1 m2的目標(鳥群) 的雷達同樣能在719 n mile 的
距離上探測到100 cm2 的目標(一只大鳥) , 在
616 n mile 的距離上探測到50 cm2 的目標(一只
中鳥) ,在317 n mile 的距離上探測到5 cm2 的目
標(一只小鳥) 。
213 　飛鳥目標識別算法
飛鳥目標識別算法是雷達探鳥實驗系統的技
術核心,包括背景差分、噪聲抑制、目標信息提取
和坐標融合4 個部分,如圖2 所示。
背景差分是飛鳥目標識別的第一步,即從探
鳥雷達圖像中減去背景信息,因此構造一個純凈
的背景成為問題的關鍵。平均值法是最為簡單實
用的背景圖像提取方法,該算法采用了一種新穎
的主成分分析( Principal Component Analysis ,
PCA) 方法構造背景圖像,每幅雷達圖像都包含背
景和運動目標(飛鳥) ,因此背景可視為最大的主
成分[ 9 ] 。PCA 方法構造背景圖像效率相對較低,
圖2 　飛鳥目標識別算法流程圖
Fig12 　Algorithm diagram for flying bird target detection
　　
考慮到背景圖像隨時間存在細微變化,因此在工
程應用中,往往每隔一定時間就采用平均值法構
造一次背景信息,即將前若干幀圖像疊加取平均
值,獲得實時的背景圖像。
經過背景差分的雷達圖像仍包含以邊緣雜波
為主的大量噪聲,有必要通過中值濾波、閾值分割
和形態學處理進行噪聲抑制。邊緣雜波通常為互
不連通的區域,通過中值濾波可以降低其灰度值,
擴大雜波與目標之間的灰度區別,為閾值分割創
造條件。閾值的選擇是分割的關鍵,如果閾值設
定過高,就會漏掉許多小目標;相反,如果閾值設
定過低,系統就會受到雜波的干擾而產生大量“虛
警”。當前的系統有固定閾值和自適應閾值兩種
選擇方法[ 10 ] 。前者一般是根據經驗為雷達圖像
選擇一個固定的全局閾值,該方法效率很高,但不
能隨圖像的變化而進行動態調整,因而具有一定
的局限性。后者分別處理雷達圖像的不同區域,
根據其灰度分布自適應地選擇閾值,該方法可以
隨圖像中雜波灰度的變化而對閾值進行動態調
整,具有“恒虛警”的特點。
基于非線性算子的形態學,是一種相對獨立
的圖像分析方法,對于PPI 圖像,它較之常規算
法運算速度更快且去噪效果更好。因此,經過閾
值分割的圖像采用形態學進行噪聲抑制,去除那
些像素過少的目標。膨脹和腐蝕是形態學的基本
操作。膨脹是一種擴展的變換,增大原物體的面
積,填充物體間小的孔洞和溝壑。A 被B 膨脹,
可定義為
1314
　第7 期陳唯實等:基于鳥類目標散射特性分析的雷達探鳥實驗　
A Ý B = { z | (B ^ ) z ∩A ≠ Á} (2)
腐蝕是一種反擴展變換,壓縮物體并將有細
微聯系的物體分離。A 被B 腐蝕,可定義為
AΘB = { z | ( B) z ∩Ac ≠ Á} (3)
在實際的圖像處理過程中,膨脹和腐蝕經常結合
使用。一幅圖像往往經過一系列的膨脹與腐蝕處
理,采用相同或不同的結構單元[11 ] 。膨脹和腐蝕
并不是互逆的操作,先腐蝕后膨脹的結果不是保
持原狀,而是消除像素很少的區域,同時使像素較
多的連通區域面積保持不變。
經過背景差分和噪聲抑制的探鳥雷達PPI
圖像中,相互聯結的高亮區域的集合構成一個限
于當前分辨能力的飛鳥目標。通過區域標記和區
域面積測量[12 ] ,提取出目標中心坐標和大小等信
息。在區域標記過程中,由于所處理的PPI 圖像
是二值的,所以處理后每個像素的值即為其所處
理的區域標號(1 ,2 ,3 , ⋯) ,采用8 連通判別算
法,標識所有不連通的目標區域。在區域標記
的基礎上,通過對雷達圖像中各種不同標號的
像素區域進行操作,統計出所有目標區域的像
素數n 和中心坐標( x0 , y0 ) 。PPI 圖像中心定義
為坐標原點, x 軸水平向右, y 軸垂直向上。中
心坐標為
x0 = C Σ ( x , y) ∈S
　x/ n
y0 = C Σ ( x , y) ∈S
　y/ n
(4)
式中: S 為單一目標連通區域; C 為量程系數,反
映選擇不同量程時每個像素代表的實際距離。
按照通常的習慣,可以將直角坐標轉化為極
坐標,并將其與人工繪制的坐標系相融合,圖像中
心定義為極點,極軸水平向右,取逆時針為正方
向,方便觀測人員讀取。
3 　雷達探鳥實測結果與分析
2007 年春秋兩季(候鳥遷徙高峰期) ,基于雷
達探鳥實驗系統于北京市沙河水庫北岸進行了多
次外場實驗。利用實驗采集的探鳥雷達PPI 圖
像序列,提取出飛鳥目標軌跡與飛鳥目標信息,從
而驗證了該系統探鳥的可行性。
311 　飛鳥目標軌跡提取
圖3 (a) 為某日清晨采集的一組探鳥雷達PPI
圖像序列中的一幀(量程為015 n mile) ,當時鳥
類不活躍,只有零星小型水禽(RCS < 50 cm2 ) 活
動。圖像上方的大塊黑色區域為水面,飛鳥目標
呈現出若干明亮像素組成的連通區域(亮斑) ;其
余的大量雜波由水庫附近的建筑物、樹林和農田
產生,屬于背景信息。由于飛鳥目標的回波相對
較弱,其亮斑的灰度級一般等于甚至略低于背景
　
中國航空網 www.k6050.com
航空翻譯 www.aviation.cn
本文鏈接地址：鳥擊資料2(107)