机场跑道检测论文阅读笔记

机场跑道检测论文阅读笔记

A Robust Vision-based Runway Detection and Tracking Algorithm for Automatic UAV Landing

来自沙特的KAUST，2015年

算法基于 基于区域竞争的分割算法和特定能力损失函数的结合来从视频数据中检测并且识别跑道线边缘。跑道线位姿估计通过卡尔曼滤波来进行更新，使得综合了其他可感知的信息如位置和姿态角估计以在干扰条件下实现更鲁棒的跑道线跟踪。

我们将说明由沙特航空研究中心（KACST）进行的各种实验性无人机飞行中拟议车道检测和跟踪方案的性能。结果表明，在各种光照条件下，着陆阶段跑道边缘均得到了精确跟踪，表明这种位置估计将大大提高无人机在起飞和着陆阶段的位置精度。

一.引言

17霍夫变换和罗伯特算子；13 LSD+k-means被人用过了；还有人采用了10 Sobel+kmeans的方法；18 采用了RANSAC和三次样条曲线拟合的方法从视频中提取车道线；

此外；文献[12]中提出了一种使用KF的线性抛物线车道跟踪系统。 另一方面，许多方法，例如[5]，[16]，倾向于基于全局强度统计或局部强度统计在PDE优化中使用凸方法将图像分割为N个区域。

作者认为，当下上没有鲁棒的跑道线检测算法和跟踪方案是用于大量的光照环境和多种多样的跑道配置是可用的。当前可行的方法如文章11要求用户提前设定与跟踪问题有关的大量参数，或者事先指定某些必须从跟踪问题中的特征。本文的目标在于基于跑道形状开发一种使用最少数量的假设并且鲁棒的方法，使用可以融合其余传感器信息的卡尔曼滤波实现鲁棒的视频检测与跟踪的预测。

二、跑道线检测与跟踪算法综述

首先将视频流数据转换为序列图像，并且降采样，检测ROI区域；一旦检测到ROI，将通过第三章中的计算机视觉技术进行跑道线检测，然后将跑道线边缘位置估计发送给KF，卡尔曼滤波器融合其他的附加数据进行跑道线位置估计。

三、跑道线检测和跟踪算法结构

建立了一个模型将跑道线检测与分割转化为优化问题，推导了优化方法。关键的创新在于所设计的模型和优化方法非常有效并且可以在现成的无人机嵌入式平台上直接实现。并且，算法对背景混乱、光照条件、和噪声具有鲁棒性。

A.模型及优化问题

An Effective Lane Detection Algorithm for Structured Road in Urban

首先，自适应分割方法用于确定覆盖所有候选车道标记的合理的关注区域（ROI）。其次，线段由线段检测器（LSD）提取，并用作低级特征以提取道路场景的结构信息。 第三，通过聚集方向信息和消失点来消除非车道标记。

基于直线和区域显著性融合机制的机场检测

来自华科自动化学院；

面向遥感图像中的机场检测

所用技巧比较多：采用了超复数傅里叶变换显著性模型HFT用于去重复模式；然后使用LSD进行直线检测，生成直线显著性图；使用SLIC超像素分割计算区域显著图，其中还适用了zernike矩和circular-mellin系数。