关于运用毫米波雷达图像自动检测高压线的调查研究

关于运用毫米波雷达图像自动检测高压线的调查研究

◆电子科技大学格拉斯哥学院2017级沈晨（2017200601035）

【摘要】为了保证直升机驾驶中的安全，我们迫切需要制造出一款直升机高压线自动侦测报警系统。因此我们提出将图像处理和机器学习方法应用到雷达视频中，利用毫米波雷达实现对电源线的自动检测，取得明显优于以往方法的效果，达到基于毫米波雷达图像的高压线自动检测目的。

【关键词】毫米波；机器学习；雷达图像；高压线

一、调研背景

上学期的新生研讨课中曾兵教授为我们科普了有关图像识别与计算机视觉领域的科研知识。在老师的介绍下我了解到，要实现计算机视觉必须有图像处理的帮助，图像处理基于模式识别的有效运用，而模式识别是人工智能领域的一个重要分支，人工智能与机器学习密不可分。纵观一切关系，我发现计算机视觉的应用服务于机器学习。各个环节缺一不可，相辅相成。

抱着渴望深入了解的想法，近期我加入了学校的图像处理与信息安全实验室，该实验室在运动目标检测与跟踪、场景理解、人工智能与机器学习、大数据分析与深度学习方面都有大量研究基础。在导师的指导下，我深入阅读并学习了多篇国内外科研论文，开展了关于基于毫米波雷达图像的高压线自动检测系统项目的学习研究。

二、调研意义

空中的高压电线一直是直升机飞行的一大危害。在夜晚、多雾等能见度较差的情况下，高压线很难被观察到，导致了许多由撞上高压线引起的人员伤亡和财产损失。因此，我们急切需要制造出一款直升机高压线自动侦测报警系统，以保证直升机驾驶中的安全。

通过查阅文献，我们比较了普通RGB相机、红外相机以及雷达系统，在综合视场的基础上，我们希望将图像处理和机器学习方法应用到雷达视频中，利用毫米波雷达实现对电源线的自动检测，取得明显优于以往方法的效果，达到基于毫米波雷达图像的高压线自动检测目的。

三、国内外研究现状和发展动态

R.Appleby等人在《Evaluation of aAassive Millimeter Wave (PMMW) Imager for Wire Detection in Degraded VisualConditions》Proceedings of SPIE, vol. 7309, April 2009一文中采用无源毫米波(PMMW)雷达系统来从车辆上检测生成高压线图像。据报告，运用无源毫米波生成的图像较RGB图像有更高的分辨率，但仍不清晰。

C.Migliaccio等人在《Millimeter-WaveRadar for Rescue Helicopters》 in 9th InternationalConference on Control, Automation, Robotics and Vision, 2006一文中介绍了在救援直升机上安装有源毫米波雷达并与红外摄像机和RGB摄像机一起探测高压线的实验。但是，该实验没有对系统进行数值性能评价，检测是在原始雷达中频(IF)通道中进行的，根据作者提供的实例检测案例，该通道的鲁棒性不是很好。

K.Sarabandi 与 M. Park在《A Radar Cross-Section Model for Power Lines at Millimeter-WaveFrequencies》 IEEE Transactions on Antennas and
Propagation, vol. 51, no. 9, pp. 2353-2360, 2003一文中建立了高压线的雷达截面(RCS)模型，观察了高压线在雷达信号中由于其周期性的表面结构而具有的显著特征，即所谓的“布拉格模式”Bragg pattern。

Sarabandi等人在《Power Lines: Radar Measurements and Detection Algorithm for Polarimetric SAR Images》 IEEE Transactions on Aerospace and Electronic Systems, vol. 30, no.2, pp. 632-643, 1994.和"Millimeter-Wave Polarimetric Radar Sensor for Detection of Power Lines in Strong Clutter Background," University of Michigan, 2003.中进一步提出了一种用于高压线检测的极化检测算法。然而，这种方法主要是针对合成孔径雷达(SAR)提出的，它并不特别适用于与发射塔和高压线高度相同的直升机。

四、调研方法

1. 直线检测算法

直线检测是计算机视觉中的一项重要操作。对于不同的线表示形式，检测算法使用不同的方法，如特定线模型的线检测，动态规划的线检测，几何线特征的线检测。

2. 分类算法

在很多实际运用中都需要用到分类算法，利用计算机进行分类属于机器学习的研究领域。通常，机器会得到一些标注好的实例样本(训练数据)，利用分类算法来挖掘样本与其标签之间的关系，或“学习”样本，从而预测未来样本实例的类别。我们的电线检测算法是基于一种通用的电力线检测算法和一种特定的电力线分类算法。

3. 跟踪算法

目标跟踪是计算机视觉研究领域尤其是视频分析领域的一项重要任务。目标跟踪通常在基于动作的识别、视频监控、可疑活动检测、视频索引,人机交互等手势识别和眼睛注视跟踪,交通监控等方面有很重要的作用。由于对象运动轨迹复杂、形状复杂或非刚性、部分或全部被遮挡,不同对象的轨迹干涉,场景光照变化等原因，一般跟踪问题较具有挑战性。基于不同的对象表示,跟踪算法大致可以分为三个类别:点跟踪,内核跟踪和轮廓跟踪。点跟踪使用对象的点表示；核是指物体的形状和外观，如具有一定颜色直方图的矩形或椭圆形；轮廓跟踪通过形状匹配或轮廓演化来进一步跟踪物体形状的变化。

五、研究目标与结果

以下三项内容为我们预计实验中将面临的最大问题，我们也提出了相应的处理思路。
(1) 高压线与噪声线的准确识别
高压线通常平行且具有布拉格模式。人们一般使用霍夫变换来检测直线，然而，当雷达的指向角较低，接收到地面的强反射时，雷达信号从地面返回的杂波背景会产生噪声线，直接使用霍夫变换不足以区分高压线和噪声点形成的线。我们提出利用高压线的布拉格特征模式来区分真正的高压线和噪声线，用一组特征构成一个特征向量来表示一条直线上的数据，这条直线能够捕捉到布拉格模式的本质。我们期望通过支持向量机(SVM)利用特征向量将候选线分类为电力线或噪声线，使该特征向量的设计保证检测算法的整体性能。

（2） 高压线位置的时间相关性
高压线的位置与时间相关，同一高压线对象在相邻帧中位置邻近。同时，在实际中，多条高压线往往并行出现。我们了解到，利用粒子滤波等形式化跟踪方法可以捕获目标的时间相关性。粒子滤波提供了一个统一的框架使得我们可以从贝叶斯概率的角度来表示和依次估计对象的状态。与用传统粒子滤波跟踪算法相比，我们拟使用粒子滤波器的级联结构实现视频监控,用一束粒子滤波跟踪整体平行高压线,另一束粒子滤波跟踪范围或高压线间距。这种级联粒子滤波结构可以更好地利用高压线的平行特性，也可以将原来的跟踪问题简化为低维空间的子问题。

（3） 地面返回信号噪音强大
雷达成像仪强烈的地面回波噪声增加了高压线路的鲁棒检测的难度。当雷达同时指向高压线和地面时，来自高压线的返回信号往往与来自地面的返回信号混在一起，使高压线“隐藏”在噪声中。为了减小噪声的影响，我们预想开发一个预处理阶段，运用分段阈值转换法，在保留对象高压线的同时抑制噪声。这种方法的引入也促进了并行处理，更有利于实时操作。我们还猜想，成功地跟踪高压线并充分利用时间相关性，可以克服粒子滤波框架中地面回波噪声的干扰。

六、项目特色

基于毫米波雷达图像和最新机器学习算法的高压线自动检测是本项目的特色与创新。

七、参考文献

[1] J. S. Harris,“Data Show 50 U.S.-registered Helicopters Involved in Wire-strike
Accidents From 1996 Through 2000,” Helicopter Safety, vol. 28, no. 4,
2002.

[2] R. Appleby, P.Coward and J. Sanders-Reed, “Evaluation of a Aassive Millimeter Wave(PMMW) Imager for Wire Detection in Degraded Visual Conditions,”
Proceedings of SPIE, vol. 7309, April 2009.

[3] C. Migliaccio,B. Nguyen, C. Pichot, N. Yonemoto, K. a. Y. K. Yamamoto, H. Nasui, W. Mayer, A.Gronau and W. Menzel, "Millimeter-Wave Radar for Rescue Helicopters,"in 9th International Conference on Control, Automation, Robotics and Vision,2006.

[4] K. Sarabandiand M. Park, “A Radar Cross-Section Model for Power Lines at MillimeterWave Frequencies,” IEEE Transactions on Antennas and Propagation, vol. 51, no. 9, pp. 2353-2360, 2003.

[5] K. Sarabandi,L. Pierce, Y. Oh and F. Ulaby, “Power Lines: Radar Measurements and Detection Algorithm for Polarimetric SAR Images,” IEEE Transactions on Aerospace and Electronic Systems, vol. 30, no. 2, pp. 632-643, 1994.

[6] M. Park,“Millimeter-Wave Polarimetric Radar Sensor for Detection of Power Lines in Strong Clutter Background,” University of Michigan, 2003.

[7] L. Shapiro and G. Stockman, Computer Vision, Prentice Hall, 2001.

[8] D. S. Goshi,Y. Liu, K. Mai, L. Bui and Y.-C. Shih, “Recent Advances in 94 GHz FMCW Imaging Radar Development,” in Microwave Symposium Digest, 2009.

[9] D. S. Goshi,Y. Liu, K. Mai, L. Bui and Y.-C. Shih, “Cable Imaging with an Active W-band Millimeter-Wave Sensor,” in Microwave Symposium Digest, 2009.

[10] R. Appleby and R. Anderton, “Millimeter-wave and Submillimeter-wave Imaging for Security and Surveillance,” Proceedings of the IEEE, vol. 95, no. 8, pp. 1683-1690, 2007.

[11] D. Petkie, F.De Luciab, C. Castob, P. Helmingerc, E. Jacobsd, S. Moyerd, S. Murrille, C.Halfordf, S. Griffinf and C. Franckg, “Active and Passive Millimeter and Sub-Millimeterwave Imaging,” Proceedings of SPIE, 2005.

[12] S. Oka, H.Togo, N. Kukutsu and T. Nagatsuma, “Latest Trends in Millimeter-Wave Imaging Technology,” Progress in Electromagnetics Research, vol. 1, pp. 197-204, 2008.