激光雷達(dá)中基于組合紋理的低空風(fēng)切變識別算法

蔣立輝，高 浩，莊子波，熊興隆

(1.民航氣象研究所中國民航大學(xué)，天津300300;2.智能信號與圖像處理天津市重點(diǎn)實(shí)驗(yàn)室中國民航大學(xué)，天津300300)

1 引言

風(fēng)切變表現(xiàn)為空間兩點(diǎn)之間風(fēng)的矢量差，即在統(tǒng)一高度或不同高度短距離內(nèi)風(fēng)向和風(fēng)速的變化，飛機(jī)在風(fēng)向風(fēng)速不斷發(fā)生變化的環(huán)境中飛行，相應(yīng)地就要發(fā)生突然性的空速變化，空速變化引起了升力變化，升力變化又引起了飛行高度的變化。如果遇到的是空速突然減小，而飛行員又未能立即采取措施，飛機(jī)就要掉高度，以至發(fā)生事故。通過對嚴(yán)重事故的分析確認(rèn)后，低空風(fēng)切變是引起這些飛機(jī)失事的主要原因。

目前對于低空風(fēng)切變的識別這方面的課題研究還不是很成熟，如何有效地識別風(fēng)切變?nèi)找娉蔀楸Ｕ厦窈桨踩\(yùn)輸?shù)囊粋€重要課題，國內(nèi)外在此方面也取得了一定的進(jìn)展。Potts認(rèn)為下?lián)舯┝髯羁煽康奶卣魇堑孛孑椛?，在多普勒速度圖上表現(xiàn)為在雷達(dá)徑向上的“牛眼”回波［1］。1987年Merritt根據(jù)下?lián)舯┝鞯竭_(dá)地面后向四周輻散的特性，提出了基于切變段提取的下?lián)舯┝魈綔y算法［2］。Hermes在研究自動識別、追蹤陣風(fēng)鋒的方法中指出，當(dāng)陣風(fēng)鋒與雷達(dá)徑向不垂直時，輻合區(qū)在多普勒雷達(dá)上顯示為速度沿徑向減小的區(qū)域［3］。

近年來，由于激光雷達(dá)在探測低空風(fēng)切變中具有精度高、分辨率高等特點(diǎn)，基于二維圖像的方法對風(fēng)切變進(jìn)行識別成為研究的新思路，高志光采用了Hu矩和灰度共生矩陣的串聯(lián)組合特征對風(fēng)切變進(jìn)行了識別［4］。然而Hu矩和灰度共生矩陣都只能刻畫圖像的全局特征，在同類風(fēng)切變風(fēng)向變化較大，尤其是風(fēng)向與雷達(dá)徑向垂直時并不能得到理想的識別效果。

文中對激光雷達(dá)探測的二維風(fēng)切變圖像進(jìn)行了紋理分析，將風(fēng)切變的紋理特征分為局部特征和全局特征，局部的紋理特征可以提取到風(fēng)場局部風(fēng)速變化較為微弱的信息，全局的紋理特征代表風(fēng)場全局風(fēng)速的變化，而對局部風(fēng)速變化小的區(qū)域較為不敏感，二者都包含有代表風(fēng)場類別的信息，文中采用典型相關(guān)分析對二者進(jìn)行融合，最后通過最近鄰分類器進(jìn)行匹配識別。識別的流程如圖1所示。

圖1 風(fēng)切變識別的流程圖Fig.1 Flow chart of the proposed method

2 樣本的仿真

由于真實(shí)的風(fēng)切變數(shù)據(jù)難以獲取，本節(jié)首先基于大氣流場理論，運(yùn)用Fluent流場軟件對微下?lián)舯┝?、低空急流、海陸風(fēng)進(jìn)行了仿真模擬。進(jìn)而通過多普勒激光雷達(dá)速度方位(VAD)掃描方式得到三種風(fēng)切變的仿真激光雷達(dá)圖像。

2.1 風(fēng)切變風(fēng)場的建模

低空風(fēng)切變是指600 m以下空氣層中風(fēng)向和風(fēng)速突然改變的現(xiàn)象。三種低空風(fēng)切變的風(fēng)場特性可概括如下:

下?lián)舯┝魇抢妆┰浦械膹?qiáng)烈下沉氣流，在沖擊地面后向各個方向輻散。

低空急流是對流層下層的一個準(zhǔn)管狀的狹長強(qiáng)風(fēng)帶，在強(qiáng)風(fēng)帶中心風(fēng)速最大，上下和兩側(cè)逐漸減小。

海陸風(fēng)切變是指海風(fēng)從海面吹向大陸，與大陸上相反方向的背景風(fēng)匯聚而形成的風(fēng)切變，在海風(fēng)鋒兩側(cè)風(fēng)向相反。

根據(jù)以上三種低空風(fēng)切變的特性，分別選用“壁面射流”模型和“平面自由射流”模型對風(fēng)場進(jìn)行數(shù)學(xué)描述，選用相應(yīng)的湍流模型和邊界條件，具體參見文獻(xiàn)［5］，通過Fluent數(shù)值模擬仿真后便可得到三種低空風(fēng)切變的三維風(fēng)場，三種風(fēng)場的尺寸均為8000 m×8000 m×1000m，如圖2所示。

圖2 三種風(fēng)切變的三維流場仿真圖Fig.2 The three － dimensional field simulation figure

2.2 仿真激光雷達(dá)圖像的生成

多普勒激光雷達(dá)速度方位掃描(VAD)方式［6］如圖3所示。

圖3 雷達(dá)圓錐掃描示意圖Fig.3 The scanning way of lidar

雷達(dá)波束在一個固定仰角α上，沿方向角θ進(jìn)行掃描。設(shè)去向的徑向速度為正，來向的徑向速度為負(fù)，雷達(dá)位于坐標(biāo)原點(diǎn)。其中，Vk為水平風(fēng)，Vf為垂直風(fēng)，θ0為水平風(fēng)和X軸的夾角。

由圖4可知，徑向速度v:

式(1)描述了雷達(dá)徑向風(fēng)速與三維實(shí)際風(fēng)場各個方向上風(fēng)速分量的關(guān)系。這樣就可以由仿真得到的三維風(fēng)場數(shù)據(jù)得到基于激光雷達(dá)的變化風(fēng)場探測數(shù)據(jù)。待測風(fēng)場的激光雷達(dá)PPI圖像如圖4所示，周圍的藍(lán)色區(qū)域代表無有效地風(fēng)場數(shù)據(jù)，圖像的高度代表雷達(dá)徑向距離庫，水平寬度代表方位角，單位庫長為100 m，方位角分辨率為1°。

圖4 三種風(fēng)切變的激光雷達(dá)PPI圖像Fig.4 The lidar PPI image of three kinds of wind shear

3 組合紋理特征提取

3.1 局部紋理特征

局部二進(jìn)制模式(Local Binary Pattern，LBP)［7］是一種基于灰度描述圖像紋理特征的不相關(guān)算子，它通過對圖像任意一點(diǎn)與其周圍點(diǎn)的灰度值大小關(guān)系來表征圖像的局部紋理特征，具有對灰度值的線性變化不敏感的特性。

LBP算子通常由參數(shù)(P，R)來表示，其中P表示鄰域內(nèi)包含的像素個數(shù)，R表示鄰域半徑，對于不同的(P，R)值，LBP算子也不相同，圖5為兩種不同LBP算子。

圖5 兩種不同的LBP算子Fig.5 Two different LBP operator

對于任意的LBP算子，它的編碼公式為:

式(2)中，gc為中心像素;gi(i=0，…，P －1)為以中心像素為圓心;R為半徑的圓周上的P個像素值。LBP算子的計(jì)算過程如圖6所示。

圖6 LBP算子的計(jì)算過程Fig.6 The calculation process of LBP operator

為了得到旋轉(zhuǎn)不變的LBP算子，文獻(xiàn)［8］對原始的LBP算子做了改進(jìn)，即不斷旋轉(zhuǎn)圓形鄰域得到一系列的LBP值，取其最小值作為該鄰域的LBP值，計(jì)算公式如下:

式(3)中，LBPriP，R表示旋轉(zhuǎn)不變得 LBP 算子，ROR(x，i)為旋轉(zhuǎn)函數(shù)，表示將x循環(huán)右移i位。風(fēng)切變圖像經(jīng)過LBP算子運(yùn)算后，可得到對應(yīng)的LBP編碼圖像，如圖7所示。對得到的LBP編碼做直方圖統(tǒng)計(jì)，將歸一化后統(tǒng)計(jì)直方圖做為最終的局部特征向量。

圖7 三種風(fēng)切變的LBP編碼圖像Fig.7 The LBP coded image of three kinds of wind shear

3.2 全局紋理特征

灰度－梯度共生矩陣(Gray－Gradinent Co－occurrence Matrix，GGCM)是利用整幅圖像的灰度和梯度綜合信息來提取紋理特征?；叶龋荻裙采仃嚨脑豀(i，j)定義為在歸一化的灰度圖像F(m，n)和歸一化的梯度圖像G(m，n)中共同具有灰度為i和梯度為j的總像素點(diǎn)數(shù)。以圖像的總像素點(diǎn)數(shù)歸一化后得到概率為p(i，j)。從灰度－梯度共生矩陣中，可以提取15個二次特征參量［9］。

在雷達(dá)風(fēng)切變圖像中，灰度代表徑向風(fēng)速值，梯度代表徑向風(fēng)速的切變值，為了克服傳統(tǒng)的梯度算子對噪聲敏感的不足，文中采用最小二乘擬合法分別計(jì)算雷達(dá)的徑向速度的徑向切變和徑向速度的切向切變(除以r是為了要?dú)w一化)，并將徑向方位組合切變G做為最終的梯度值，計(jì)算公式如下:

式(4)中，vi為第i個點(diǎn)的徑向速度;ri為相應(yīng)點(diǎn)距雷達(dá)的距離;n為參與計(jì)算的同一徑向上的像素點(diǎn)數(shù)。

式(5)中，vj為第j個點(diǎn)的徑向速度;θj為相應(yīng)地方位角;r為距離雷達(dá)的距離;m為參與計(jì)算的相同徑向距離上像素點(diǎn)數(shù)。

由最小二乘求得的三種風(fēng)切變圖像的切變值圖像如圖8所示。

圖8 三種風(fēng)切變的切變值圖像Fig.8 The shear value images obtained by LS

3.3 特征融合

典型相關(guān)分析(Canonical Correlation Analysis，CCA)是一種提取兩個特征集間線性相關(guān)的強(qiáng)有力的工具。通過局部特征和全局特征的提取，我們得到兩組特征集:X=［x1，…，xn］，Y=［y1，…，yn］，其中 xi∈Rp，yi∈Rq，i=1，2，…，n。n 為樣本的個數(shù)。CCA的目標(biāo)可看為分別對特征集X和特征集Y尋找兩組基向量wx∈Rp和wy∈Rq。使得隨機(jī)變量u=wTxx和v=wTyy之間的相關(guān)性達(dá)到最大，即相關(guān)系數(shù)ρ(u，v)最大。CCA可以通過下面的式子描述:

式(7)是一種最優(yōu)化問題，可以通過Lagrange乘子法求得最優(yōu)解(wxi，wyi)，i=1，…，d(d≤min(p，q))，具體的求解方法參見文獻(xiàn)［10］，這樣便求出了兩組投影矩陣 Wx=［wx1，…，wxd］，Wy=［wy1，…，wyd］，融合后的特征可以定義為:

其中，ti即為全局紋理特征和局部紋理特征融合后的組合紋理特征(Global－Local Texture Features，GLTF)。

4 應(yīng)用最近鄰分類器進(jìn)行分類識別

從激光雷達(dá)風(fēng)切變圖像中提取到LBP特征，灰度－梯度共生矩陣特征并構(gòu)成融合特征后，可以通過最近鄰分類器進(jìn)行分類識別。

最近鄰分類器是按距離來分類的，這種分類器較簡單且花費(fèi)時間很小，其分類的思想為:如果未知樣本f的特征和已知類別樣本fk的特征之間的歐氏距離最小，則判斷f與fk同類，假設(shè)有c個類別w1，w2，…，wc，每類有表明類別的樣本 Ni個，則可以規(guī)定wi類的判別函數(shù)為:

決策規(guī)則為:若gj(f)=(f)，i=1，2，…，c，則 f∈wj。

5 結(jié)果分析

文中采用自建立的雷達(dá)掃描圖像樣本庫對常見的三種低空風(fēng)切變進(jìn)行分類識別，每種激光雷達(dá)風(fēng)切變圖像80幅，分別為待測風(fēng)場位于激光雷達(dá)不同方位下的掃描圖像，總計(jì)240張圖像，每幅圖像的尺寸分別代表徑向距離和方位角。識別過程采用交叉驗(yàn)證的策略，以避免人為選擇樣本所導(dǎo)致的識別結(jié)果的偶然性，即隨機(jī)選取20幅作為訓(xùn)練樣本，剩下的作為測試樣本，重復(fù)進(jìn)行50次。

為了突出文中算法的優(yōu)勢，將其與文獻(xiàn)［4］中采用的Hu+GLCM特征、LBP特征、GGCM特征所得的識別率進(jìn)行對比。Hu+GLCM包括Hu矩的7個形狀特征和GLCM的4個紋理特征;LBP算法采用p=8，R=1的旋轉(zhuǎn)不變LBP算子，包含36個特征;GGCM包括小梯度優(yōu)勢、大梯度優(yōu)勢、灰度分布的不均勻性、梯度平均、灰度熵、混合熵、慣性、逆差矩等15個全局統(tǒng)計(jì)特征;GLTF由 LBP特征和GGCM特征經(jīng)CCA融合而成，特征維數(shù)為15。實(shí)驗(yàn)結(jié)果如圖9和表1所示。

圖9 四種算法的識別率曲線Fig.9 The recognition rate curve of four algorithms

表1 四種算法識別率的對比Tab.1 Recognition rate comparison of the four algorithms %

圖9給出了50次分別應(yīng)用Hu+GLCM特征，LBP特征，GGCM特征和GLTF特征進(jìn)行風(fēng)切變識別時的識別曲線，表1給給出了50次識別的平均識別率，S1、S2、S3分別代表微下?lián)舯┝?、低空急流、海陸風(fēng)三種風(fēng)切變，“±”后面的數(shù)字是識別率的標(biāo)準(zhǔn)差。

從表1中可以看出，對三種低空風(fēng)切變的識別中，Hu+GLCM算法、LBP算法和GGCM算法的平均識別率只有83.31%，93.52%和 92.53%，運(yùn)用文中所述的組合紋理特征進(jìn)行識別，平均識別率達(dá)到99.02%，識別效果得到了很大改善。

6 結(jié)論

本文提出了基于組合紋理的低空風(fēng)切變算法，從激光雷達(dá)探測到的低空風(fēng)切變圖像中提取LBP特征和GGCM特征，通過CCA融合得到組合紋理特征，LBP特征反應(yīng)圖像局部的紋理，可以提取到風(fēng)場局部變化較為微弱的信息，GGCM特征反應(yīng)圖像的全局紋理，代表風(fēng)場全局風(fēng)速的變化。通過對三種低空風(fēng)切變的識別，該算法取得了較高的識別率，而且特征維數(shù)較少，達(dá)到了較好的分類識別效果。

［1］ Potts R.Microburst precursors observed with Doppler radar［C］//Conference on Radar Meteorology，24th，Tallahassee，F(xiàn)L，1989:158 －162.

［2］ Merritt M W.Automated detection of microburst windshear for terminal doppler weather radar［C］//1987 Cambridge Symposium.International Society for Optics and Photonics，1988:61 －69.

［3］ Hermes L G，Witt A，Smith SD，et al.The gust－ front detection and wind－shift algorithms for the terminal doppler weather radar system［J］.Journal of Atmospheric and O-ceanic Technology，1993，10(5):693 －709.

［4］ Jiang Lihui，Gao Zhiguang，Xiong Xinglong，et al.The study on type recognition of low altitude wind shear based on lidar image processing.［J］.Infrared and Laser Engineering，2012，41(12):3410 －3415.(in Chinese)蔣立輝，高志光，熊興隆.基于激光雷達(dá)圖像處理的低空風(fēng)切變類型識別研究［J］.紅外與激光工程，2012，41(12):3410－3415.

［5］ Liu Shuo.The research on numerical simulation of high rise building outdoor flow field［D］.Harbin:Harbin Institute of Technology，2007.(in Chinese)劉朔.高層建筑室外氣流場的數(shù)值模擬研究［D］.哈爾濱:哈爾濱工業(yè)大學(xué)，2007.

［6］ Wang Bangxin，Shen Fahua，Sun Dongsong，et al.Beam scanning and wind field measurement of direct－detection doppler lidar［J］.Infrared and Laser Engineering，2007，36(1):69 －72.(in Chinese)王邦新，沈法華，孫東松，等.直接探測多普勒激光雷達(dá)的光束掃描和風(fēng)場測量［J］.紅外與激光工程，2007，36(1):69 －72.

［7］ Ojala T Pietikainen M，Harwood D.A comparative study of texture measures with classification based on feature distribution［J］.Pattern Recognition，1996，29(1):51－59.

［8］ Ojala T Pietikainen M，Maenpaa T.Multiresolution gray scale and rotation invariant texture analysis with local binary patterns［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2002，24(7):971 －987.

［9］ Xia Deshen，Jin Sheng，Wang Jian.Fractal dimension and GGCM meteorology cloud pictures recognition［J］.Journal of Nanjing University of Science and Technology，1999，23(4):289 －292.(in Chinese)夏德深，金盛，王建.基于分?jǐn)?shù)維與灰度梯度共生矩陣的氣象云圖識別［J］.南京理工大學(xué)學(xué)報(bào)，1999，23(4):289－292.

［10］ DR Hardoon，SSzedmak，JShawe － Taylor.Canonical correlation analysis:an overview with application to learning methods［J］.Neural Computation，2004，16(12):2639－2664.