国内机场目标识别研究现状与展望

陈 仁，赵广州

（北京控制与电子技术研究所，北京 100038）

在现代战争中，机场作为一种重要的交通设施和军用设施，对它的自动检测识别在飞机导航、军事侦察和精确打击等领域都有重要的实用价值[1]。在国民经济中，机场也具有极为重要的作用，机场识别在飞机自动驾驶、机场定位导航等领域也具有重要作用，所以机场目标识别一直是目标识别领域的研究热点。

我国对机场识别的研究虽然相对国外要晚一些，但是在众多学者的不懈努力下，也提出了很多的检测方法，到目前为止，机场跑道自动识别的研究已经很广泛，并且取得了许多的成果，其中具有代表性的研究有：叶斌等人针对军用机场的几何结构提出了机场检测方法[2]；陈映鹰等人提出了一种利用图像分割和目标标记方法进行初始检测，通过机场结构信息和支持向量机进行后续筛选的自动检测方法[3]；张立平等人通过自适应阈值分割提取机场感兴趣区域 （ROI），然后提取ROI的尺寸、形状、拓扑特征等送入二叉树进行辨识，在大场景高分辨率图像的机场识别中取得了较好的效果[4]。除了以上几种具有代表性的研究方法外，还有基于句法的机场检测方法[5]，将遥感图像的融合应用在机场识别中的方法[6]以及基于小波变换的机场识别方法[7]等。

1 机场特征识别的一般方法

1.1 机场的基本特征

图像特征对目标能否正确识别有着重要的影响，对机场而言，目前对它提取的一些主要的特征集中在以下这些方面：

（1）平行线特征：机场跑道的两条较长的边缘是相互平行的，而且长度基本一致，一般而言，主辅跑道也是相互平行的，中间通过连接道进行连接。

（2）灰度跃变特征：跑道区域内的灰度大致相同，而与跑道两侧区域的草坪有较大差异，在图像上反映为灰度的跃变，因此灰度跃变是机场跑道的另一重要特征。

（3）宽度特征：在机场图像中，跑道最宽，长度也是一定的，其构成的连通域的面积在机场图像中一般是最大的，这是区别于公路等目标的重要特征。

（4）纹理特征：图像在较大的区域内灰度分布上呈现宏观的周期性或结构性的规律叫图像纹理[8]。其对应周期函数的周期或纹理基元大小和重复构成的方向是图像纹理的两个最基本的特征。机场跑道和其周围的纹理是不相同的，因此，纹理特征也可以作为分析机场目标的特征之一[9]。

（5）拓扑特征：不会突然中断，跑道和连接道之间有交叉，并连成网络。

根据上述对机场目标特征的分析，可以对机场目标做出如下的假设：跑道一般很长，跑道两条长边缘之间的距离在一定范围内；跑道的方向不发生显著变化；跑道区域内的灰度较均匀，且变换较为平缓，跑道区域与背景区域灰度差别较大；跑道的宽度基本一致且变化较慢。

在机场识别中，可借助机场跑道的基本特征进行识别验证。

1.2 机场识别一般方法

图像识别的方法很多，目前应用得较为广泛的技术可概括为五种：统计（或决策理论）方法、结构（或句法）方法、神经网络法、模糊集识别法和人工智能方法[10]。而目前在实际应用中机场识别的方法主要有三种：

（1）基于跑道检测的机场识别

首先对输入图像进行预处理，以减少相关噪声的干扰，然后利用相关边缘算子对图像进行处理得到边缘图，对获取的边缘图像进行有方向约束的边缘跟踪，找出所有可能的直线段，然后对这些直线段进行连接性测试，将满足一定条件的直线段合并成为一条连接链，作为最终的直线提取结果，然后提取出其所对应的平行直线对（一般为最长的平行直线对），最后根据机场的相关先验知识，通过设置置信参数，然后再进行验证进而判断是否为机场目标，具体的流程如图1所示。

图1 基于跑道的机场识别流程

（2）基于结构特征的机场识别

一般而言，军用机场的主要结构由一个主跑道和一个辅跑道组成，而且它们之间相互平行，在主、辅跑道两端由数条滑行道将它们连接起来，它们整体呈现出一个封闭的矩形结构。军用机场一般具有“日”、“目”等几个形状，另外在辅跑道一侧一般有数个环状的混凝土防弹机库掩体群以及与外界相连的公路，这构成了军用机场的整体几何结构。基于结构特征的机场识别方法将机场组成部分之间的依赖关系应用于识别技术中，具体流程图如图2所示。

图2 基于结构特征的机场识别

（3）基于模板匹配的机场识别

目前在不同应用领域有多种匹配算法，其中基于统计学理论的图像匹配技术较为完善、有效[11-12]。这类的匹配方法主要可以分为两大类：基于图像灰度的相关匹配和基于图像特征的匹配[13]。基于灰度相关的图像匹配方法，是采用某种相似度量方法，对模板与待匹配子图的对应像素的灰度值进行比较，一般存在计算量大、难以实现等缺点，有时候难以得到良好的匹配效果。基于特征的匹配方法利用空间位置相对不变的景物特征进行匹配，在一定程度上可以克服实时图和模板图的误差。匹配具体流程如图3所示。

图3 基于模板匹配的机场识别

2 国内机场目标识别研究现状

国内对机场的研究已经比较广泛了，其中包括红外影像、SAR影像的机场检测等。其中具有代表性的有以下几类。

2.1 基于跑道检测的机场识别

王永刚等用改进的Hough变换方法对机场图像的边缘检测结果进行计算，提取出机场跑道对应的平行直线对，然后计算跑道中心线所对应的像素点，作为种子点进行区域生长，进而识别主要的机场结构[14]。其识别主要步骤为：首先进行边缘检测，根据边缘图像提取直线，确定符合要求的平行线对，得到机场的一条跑道，然后，根据平行线对计算跑道中心线，以中心线上的点作为种子点进行区域的生长，生长成机场的整个跑道结构。其中在直线提取步骤中，针对传统Hough变换运算量大的特点，对Hough变换做出了相应的改进。传统Hough变换的基本思想是利用点线的对偶性，它把直线上点的坐标变换到过点的直线的系数域，巧妙地利用了共线和直线相交的关系，使直线的提取问题转化为计数问题。改进的Hough变换不但利用梯度的幅度信息，而且利用其相位信息（传统的 Hough变化角是 0°～180°，并且经过边缘提取后的所有边缘点都要参与运算）。而实际上仅仅是直线所对应的相位角对检测直线有共线，如果事先利用直线的相位信息，把θ的取值范围压缩到直线相位邻域内一个较小的区间，将能有效地降低计算量。另外很多边缘点并不能形成直线，比如许多孤立的点，借鉴相位编组法提取直线的思想，根据梯度相位信息把检测出的边缘点划分到不同的编组区，对每个编组区分别进行分析，找出最有可能出现直线的直线支持区，仅对直线支持区里的边缘点按照它们所对应的相位区间进行计算，这样将大大降低计算量。

除上述的研究方法外，相似的研究还有很多。李小毛、唐延东等人针对机场跑道成像的线状结构和高灰度值的特征，提出了一种基于多尺度线状目标强化、并抑制其他的非现状目标的机场识别算法[15]；何勇等着重研究了机载SAR图像中机场跑道的检测方法，并针对机载SAR图像中机场跑道灰度特征和直线特征很明显的特点，进行跑道边缘直线的提取。为了抑制SAR图像中噪声的影响，文中提出了一种基于A/G（算数均值与几何均值比）系数边缘检测的机场跑道检测方法，采用非线性边缘检测技术和数学形态学来检测边缘，最后利用Hough变换检测平行直线确定跑道，并结合灰度特征和边缘特征，通过区域生长生成机场跑道的结构[16]。罗军在其论文里研究了从红外机场图像中自动提取、识别跑道的算法，其中着重研究了通过直线检测确定机场跑道的算法，最后根据机场跑道的固有特征，从而判定跑道区域，确定跑道攻击点[17]。

2.2 基于结构特征的机场识别

徐刚峰、王平等人基于跑道的骨架特征，对原始图像进行处理得到骨架图，并检测骨架分支基元，计算分支基元的显著性度量，进而建立分支基元的显著性度量并建立分支基元之间的邻接关系，再结合机场跑道所具有的几何特征，采用脊柱基元表示条状区域，将脊柱基元的宽度、长度和方向信息作为脊柱基元的显著性度量，然后借助先验知识来检测主跑道的脊柱基元，从而对跑道进行识别，将机场跑道区域的结构骨架进行多尺度表示，从而获取更加有效完备的特征[18]。

其他有代表性的研究还有很多。张天序等人提出了一种基于仿射不变矩的红外序列图像机场目标识别方法。该方法对图像进行多次双阈值分割，再搜索潜在目标区域轮廓，计算其仿射不变矩和目标背景梯度特征，并利用相关的先验知识对各候选目标区域进行识别，最终获得机场目标[19]。张绍明等人提出了一种解决低信噪比、大尺寸的 SAR图像机场兴趣区（ROI）自动检测的方法，对图像进行基于马尔科夫场的分割，由目标标记方法确定ROI区域，用Hough变换检测跑道平行线，滤除部分ROI，然后计算ROI候选区的跑道方法投影直方图及目标的宽、高、宽高比、目标背景面积比和目标背景灰度比5个参数，用支持向量机对样本参数进行学习，完成ROI的最终判断[20]。陈韶斌等人提出一种新的基于知识的机场目标的识别方法，通过建立机场目标识别库，然后提取相关的特征后，运用知识推理，通过相关知识确定机场各组成部分，最后验证各部分组成机场的可能性，判定是否存在机场目标[21]。

2.3 基于模板匹配的机场识别

叶勤等人采用基于内容的图像检索方法，对雷达景象匹配数据库中的图像进行兴趣目标的查询检索与识别。运用迭代阈值和区域生长的方法，进行感兴趣目标的分离，为了在检索过程中确定检索目标在图像中的位置，预处理时，采用对同一幅图像多幅子图进行特征提取的方法，通过子图范围来确定目标在大幅图像上的位置[22]。 基于内容检索时根据图像的内容（纹理、形状、颜色、语义等特征），在图像数据库中找到需要的图像，目的是从图像数据库中提取与查询内容相关的图像或图像序列。检索的过程为：处理图像、提取图像内容、建立索引、将图像数据库中的图像特征与例子匹配，确定相似的输出结果。

杨卫东等人提出了一种雷达景象匹配定位方法，针对恶劣成像条件下的机场目标实孔径雷达图像匹配问题，提出一种基于目标检测识别的定位方法，通过线特征滤波预处理和投影变换检测机场跑道，再用模板匹配识别跑道端点以进行定位，其中参考图制备的准确度和相似性程序尤为重要，对识别的准确率有着很大的影响[23]。杨浩等人提出了基于模板搜索的高分辨率SAR图像机场提取方法，设计出以尺度变换、边缘检测、短线提取、短线连接、平行线提取和验证识别等流程的机场提取方案。其中短线连接提出了一种基于模板搜索的直线连接方法，将短直线连接问题转化为模板参数空间里搜索峰值的问题[24]。

2.4 结合新方法理论的机场识别

除了上面几类较为典型的方法之外，在现代的一些图像研究方法中，也引入了其他学科的许多概念方法，有的学者依据机场的纹理特征对机场目标进行识别，其中谢峰等人通过定义几种小波纹理，提出了一种基于小波纹理与改进FCM（模糊C均值聚类）对SAR图像进行机场类目标识别的方法。首先利用小波算法对图像进行分解，从而得到不同方向上的小波频带，然后提取小波纹理进行分析[25]。

另外还有陈楸、王晓璨等人将引力场模型引入图像匹配中，并设计了相应的算法，基于引力场的模型可以直接建立图像失配代价函数的梯度场，按照最优估计理论，只要在正确匹配位置的收敛域内，就可以沿最速下降路径找到正确的匹配位置。借助惯性导航系统提供的机场预测位置可以减少Hough变换所需要的时间，保证实时性的要求[26]。马洪超等人将两种改进的BP神经网络作为算法工具，从TM机场影像中提取出相关特征，把相关的机场特征作为BP网络的输入，并对BP网络进行训练、测试和识别，然后在特征级信息融合技术框架下进行机场识别研究，进而识别出机场目标[27]。王昭莲等人提出一种基于数学形态学的航拍机场跑道快速算法，首先采用二维熵阈值方法分割出目标区域，利用Kirsch算子提取主要轮廓，再用数学形态学操作对目标区域进行相关处理，最后通过提取平行直线对提出跑道候选区域，然后用跑道区域的灰度特征对候选区域进行验证，进而识别出跑道[28]。

3 机场目标识别的分析总结

3.1 机场识别方法的分析比较

上述的几类方法中可以看出，基于跑道检测的方法原理上较为简洁，但是其成立的条件一个是机场跑道具有典型的直线特征，然而在实际情况中机场具有多样性，更加的复杂，机场的直线特征可能并不明显，而且在机场周围也很有可能出现具有直线特征的目标物，所以对设置的置信参数要求较高，这会使该识别算法的抗噪性下降；另一个条件是要求整个机场都出现在待识别的图像中，如果图像中没有完整地机场跑道结构，这种方法就无法做出正确的判断，将会出现漏判的情况。可见基于跑道检测的机场识别方法具有一定的局限性，一方面对图像提出较高的要求，而且置信参数的设置对经验的依赖较大；另一方面要求整个机场跑道的结构出现在待识别图像中，而且具有典型的直线特征，面对单跑道或者更加复杂的机场时适用性不强。这些问题造成了该方法在实际的应用中具有很大的局限性，只能在针对特定的机场目标，如航拍图像、红外图像以及一些质量很好的遥感图像才能取得较好的效果。

基于结构特征的机场识别，利用机场的整体结构特征，确定机场各组成部分的位置，使得机场识别更加可靠，而且该方法具有较大的灵活性，通过更新知识库和采取合适的图像特征，修改判别推理准则，可以实现对不同机场的识别。该方法要求获取机场各部分的特征，这对图像质量也有较高的要求，而且同样要求整个机场结构均出现在待检测的图像中，否则不能准确地检测到机场的各个部件。当出现多个疑似机场目标时，通过置信度进行选择判断，这也对置信度的设置提出了较高的要求。整体而言，基于结构特征的机场识别，通过将机场各部分之间的依赖关系应用于机场识别技术中，具有相对较高的的识别准确率，而且通过知识库的更新和图像特征的选择，具有较高的灵活性，但需要建立机场目标相关的知识库，对目标机场的先验知识有一定的要求。

基于模板匹配的机场识别方法，通过建立模板库，然后将其与待测的图像进行匹配，利用求得的最大相关系数进行判断识别。该方法的算法实现主要分为两种，基于图像像素相关信息的匹配和基于图像特征的匹配。前者由于存在待测图的相关信息容易受到客观因素如天气、光照以及获取待测图像时的角度位置等的影响，同时也较为容易受到噪声的干扰，计算量也相对较大，难以保证实时性，而且其对模板库中的模板图要求较高，这些因素使得其有时候难以得到良好的匹配效果。而基于特征的匹配方法利用空间位置相对不变的景物特征进行匹配，在一定程度上可以克服因待测图和模板图引起的误差。但是其对模板库同样有较高的要求。在实际应用中，需要根据实际情况选择合适的机场特征建立模板。总的来说，基于模板匹配的机场识别方法需要建立相关模板库，对先验知识的要求很高，基于像素的模板匹配计算量大，而且噪声的干扰和图像结构的千变万化，使得模板匹配在复杂的情况下应用有一定的困难，但在图像质量较好的特定机场目标识别上具有一定的价值。

结合新方法理论的机场识别，将当前的一些新的方法理论应用于机场识别中，比如利用小波变换的多尺度特性去获取待测图像更为细致精确的纹理信息；利用神经网络作为目标分类判别的工具，在特征级信息融合技术框架下进行机场识别研究。像这样把新的方法理论应用于机场识别的具体方法还有很多，其在识别效果上相对而言都有一定的改进，但有些方法也是在一定的范围情况下适用，有些方法的复杂度相对较高，性能并不一定很好，这些都需要根据具体的情况进行选择和判断，整体上来说，新的方法理论结合在机场目标识别还是具有较大的价值，值得深入研究探讨。

通过上面的分析可以发现，基于跑道检测的机场识别，其算法流程相对简洁，算法效率高，但是其抗噪性不强，很多参数需要根据经验进行设置，应用起来具有一定的局限性，在特定机场目标识别上还是具有一定的价值。基于结构特征的机场识别，其识别准确率以及灵活性相对基于跑道检测的机场识别方法具有较大的提高，但是需要建立知识库，对先验知识有一定要求，而且要求获取待测图像中机场的各个组成部件，对图像的质量要求较高。基于模板匹配的方法，需要建立模板库，对机场目标的先验知识要求更高，而且基于像素匹配的方法计算量较大，比较容易受到干扰，在实际应用中具有很大的局限性。最后，结合了新的方法理论的机场识别，在机场识别过程的某个步骤中使用了新的方法理论，对提高机场目标识别的准确率有一定的帮助，但有的方法过于复杂，有的方法也存在计算量大等问题，其适用性也需要进行进一步的研究实验。

3.2 分辨率和图像类型对机场识别的影响

在上述的研究中，有的是从灰度、纹理或者结构等特征入手，有的是先检测直线特征，然后在此基础上再参考灰度特性等深入分析，需要预先设置相关的阈值等参数；有的检测感兴趣区域，然后通过先验知识等滤除虚假的候选区；有的通过图像匹配，这就要求需要有模板图像；在选择一些较新的理论方法的识别算法中，与待测图像也有着紧密的联系。这些方法通常与待测图像的质量及图像中机场的表面特性有关，下面就根据待测图像的分辨率和图像类型进行相关的讨论研究。

3.2.1 分辨率对机场识别的影响

待测图像的分辨率对机场识别的算法有一定的影响，在高分辨率的图像中，机场可能只是图像中一个很小的部分，如果对整幅图像都进行处理的话，计算量相对偏大，而且可能出现误检测。一般而言，首先需要对图像进行预处理，在预处理之后分割提取出包含机场目标的感兴趣区域，然后在感兴趣区域上进行相关后续的处理，从而获得较快的处理速度，通常在分割提取感兴趣区域的时候结合图像的宏观和微观特征[29]进行多尺度分析。在高分辨率图像中，目标地物与背景的灰度反差大，区分度好，但是噪声也会相对多一些，这对机场目标的准确识别也存在一定的干扰。

在低分辨率图像中，图像的细节并不丰富，在提取图像的细节特征时，比如提取图像的边缘特征时，不能获得足够准确有效的信息。例如在跑道的灰度范围内灰度值过渡比较平缓，目标地物与背景地灰度差值也会相对小一些，这使得机场信息的提取难度加大，所以，提取代表机场跑道的直线特征，对直线及附近目标进行判断，进而识别机场的方法适用于小场景高分辨率图像；而提取感兴趣区域，进而对感兴趣区域进行分辨识别，其对图像细节要求相对较低，相对而言适合在大场景低分辨率的图像中的机场检测。

总体而言，在识别机场时，不同分辨率的图像识别效率是不一样的，分辨率过低会造成机场信息的提取困难，过高则会造成噪声过多。可以通过寻找一个相对较佳的分辨率，使得既可以清晰地分割出机场，又可以有效地抑制许多噪声。

3.2.2 图像类型对机场识别的影响

（1）红外图像中的机场识别

目前，由于红外成像条件和噪声的干扰，导致机场成为复杂背景下的弱目标，特别在远距离前视观察条件下，得到的红外图像细节比较多，目标和背景之间的界限相对模糊，而且由于成像器件固有的传感器效应和大气辐射的影响会使红外图像产生很多噪点，红外图像目标和背景的温度差异明显，在图像中目标和背景通常占据不同的灰度范围，因此基于图像边缘点的处理相对而言要困难一些，在进行处理之前，一般需要经过预处理，以去除噪声、对图像进行增强。而通过提取感兴趣区域的方法则成为一种相对有效的处理方法[30]。

（2）雷达图像中的机场识别

雷达图像由于具有不受自然光照和气候条件影响的全天时、全天候成像的特点而被广泛采用，但其具有受斑点噪声影响明显的特点，信噪比相对较低，所以在低对比度和低分辨率的雷达图像中，经典的边缘检测方法难以适应，要完整地提取机场结构特征比较困难。而采用基于灰度的模板匹配也存在一定的局限性，尤其是对成像质量较差、信噪比较低的实孔径雷达，容易产生误匹配，所以一般还是要进行图像的预处理，滤除噪声干扰，或将原始图像进行变换，将其转换到其他的图像参数空间进行处理，或者在提取相关图像特征之后，利用图像的特征进行匹配进而识别判断出机场目标[31]。

（3）可见光图像中的机场识别

可见光图像包括全色、多光谱、专题扫描仪以及高分辨率成像仪所成的红绿蓝单色图像。该波段图像真实、细节相对丰富、直观易判读，有利于对机场的整体结构认识，但受自然条件、时间、人为伪装等因素影响很大，在恶劣天气和夜晚会失去效能。可见光传感器能较好地获取目标外形尺寸，但不具备全天候和发现遮蔽目标的能力，且可见光图像易受光照强度变化、成像角度、目标阴影、成像噪声等诸多因素的干扰，故该类传感器使用范围还是受到一定的限制[32]。

3.3 机场识别的关键技术和难点

机场识别是一个复杂的系统，其中比较关键的技术和难点主要有以下几个方面：

（1）原始图像的质量

原始图像的质量对机场是否能正确识别有着很大的关系，对后续处理有重要的影响。对图像进行预处理能在使原始图像的相关信息得到一定程度的增强，但并不能完全弥补原始图像本身质量不好的缺点。

（2）准确获取机场相关特征

机场相关特征是进行机场识别判断的基础，准确地提取机场的特征作为后续阶段处理的依据，如何根据处理图像的具体情况选择图像特征并进行正确提取，在整个机场识别的过程中尤为关键。

（3）准确进行分类的判断

在获取图像的相关特征之后，采用何种判断识别的方法，对准确识别机场目标，提高判断的准确率、减少虚警率也有着重要的意义。

（4）先验知识

在上述的机场识别方法中，很多方法对先验知识具有一定的依赖性，先验知识越丰富，对机场的正确识别、减少误判越有利。

4 对机场目标识别的思考与展望

在机场识别中，一般的研究流程为先设计算法再进行实验，但由于现实中机场的数量众多，而且结构复杂多样，很难找到一种通用统一的算法，能对各种各样的机场进行判断识别。而且在设计识别算法时，测试数据非常有限，具有很大的局限性。在机场识别中，可以考虑先确定识别具体的机场目标，然后再根据该机场的具体相关情况进行机场识别的系统设计，这样在设计机场识别算法时具有较强的针对性，而且算法中能拥有更丰富的先验知识。即便不能针对每个机场进行具体的识别算法设计，也应该按照机场的相关情况，进行分类。对每一类机场有针对性地设计相关的识别算法，这对机场识别的实用性具有一定的帮助。

在机场识别今后的发展中，一方面可以考虑充分利用不同类型图像的特点，进行不同类型图像之间的信息融合[33]，可以提高从影像提取机场信息的可靠性和效率；另一方面也可以将多种方法结合，多学科知识结合，借助最新研究的方法工具和思路，比如基于分形理论、小波变换、引力场模型、神经网络、图像融合等进行机场目标识别。

尽管我国机场识别研究已经取得了不少的研究成果，但总体而言，离实际应用还有一定的距离，在提取方法的自动化程度、准确性、高效性、抗干扰性等方面还有很多的路要走。相信随着计算机技术的飞速发展，机场提取算法会不断改进，机场的识别能力也会越来越强，在不久的将来将会从研究走向实际应用，体现出巨大的实用价值。

[1]张冬青，张纯学，文苏丽.自动目标识别技术在导弹上的应用研究[J].战术导弹技术，2010（5）：1-6.

[2]叶斌，彭嘉雄.基于结构特征的军用机场识别与理解[J].华中科技大学学报，2001，39（3）：39-42.

[3]张绍明，陈映鹰，林怡，等.星载 SAR图像机场感兴趣区域检测算法[J].计算机工程，2008，34（15）：19-21.

[4]张立平，张红，王超，等.大场景高分辨率 SAR图像中机场快速检测方法[J].中国图象图形学报，2010，15（7）：1112-1120.

[5]周延延，吴晓燕.基于神经网络的目标识别模型验证方法研究[J].计算机工程与应用，2010，46（7）：145-147.

[6]因倩，张占睽，曲筱筱，等.遥感图像融合方法在机场识别应用中的研究[J].海洋测绘，2010，30（2）：38-41.

[7]谢锋，林怡，陈映鹰.基于小波纹理与改进 FCM的 SAR机场类目标提取 [J].同济大学学报 （自然科学版），2009，37（1）：115-120.

[8]马莉，范影乐.纹理图像分析[M].北京：科学出版社，2009.

[9]孙栋.基于纹理分析的目标图像识别技术研究 [D].南京：南京理工大学，2005.

[10]孙即祥.现代模式识别[M].长沙：国防科技大学出版社，2002.

[11]陈鹰.遥感影像的数字摄影测量[M].上海：同济大学出版社，2003.

[12]马时平，毕笃彦，陈岚岚.基于图像匹配技术的飞机识别[J].计算机工程，2004，30（5）：159-160.

[13]陈雷.基于轮廓模板匹配的物体检测算法[J].基础科学，2010.11（上）：158.

[14]王永刚，姜挺，龚辉.一种基于跑道检测的机场识别方法[J].测绘工程，2009，18（5）：69-72.

[15]李小毛，唐延东，肖颖杰.多尺度线状目标的机场跑道识别[J].红外激光工程，2005，34（6）：733-736.

[16]何勇，徐新，孙洪，等.机载 SAR图像中机场跑道的检测[J].武汉大学学报（理学版），2004，50（3）：393-396.

[17]罗军.红外图像中机场跑道的自动目标识别[D].长沙：国防科学技术大学，2002.

[18]徐刚峰，王平，沈振康.基于骨架特征的机场识别[J].红外与激光工程，2006，35（6）：717-721.

[19]张天序，曹杨，刘进，等.基于不变矩的红外图像机场目标识别[J].华中科技大学学报：自然科学版，2007，35（1）：17-19.

[20]张绍明，陈映鹰，林怡，等.星载 SAR图像机场兴趣区检测算法[J].计算机工程，2005，34（15）：19-21.

[21]陈韶斌，蔡超，丁明跃，等.基于知识推理的机场目标识别[J].红外与激光工程，2011，40（3）：548-552.

[22]叶勤，李华光，张庆，等.机场目标检索在雷达景象匹配数据库中的应用[J].同济大学学报（自然科学版），2007，35（4）：547-550.

[23]杨卫东，作峥嵘，张天序.基于检测识别的实孔径雷达景象匹配定位方法[J].华中科技大学学报（自然科学版），2005，33（2）：25-27.

[24]杨浩，张红，王超，等.基于模板搜索的高分辨率 SAR图像机场提取方法[J].遥感信息，2010：30-35.

[25]谢峰，林怡，陈映鹰.基于小波纹理与改进FCM的 SAR机场类目标提取 [J].同济大学学报 （自然科学版），2009，37（1）：115-119.

[26]陈楸，王晓璨，马松辉.基于引力场模型的图像匹配方法[J].计算机仿真，2011，28（1）：88-91.

[27]马洪超，郭艳丽.人工神经网络信息融合及其在机场识别中的应用研究 [J].武汉大学学报 （信息科学版），2005，30（8）：682-684.

[28]王昭莲，吴乐华.基于数学形态学的机场跑道快速识别方法[J].计算机技术与发展，2008，18（7）：193-196.

[29]明冬萍，骆剑承，沈占峰，等.高分辨率遥感影像信息提取与目标识别技术研究[J].测试科学，2005，30（3）：18-20.

[30]王阿妮，马彩文，刘爽，等.基于角点的红外与可见光图像自动配准[J].光子学报，2009，38（12）：3328-3331.

[31]陈东，李飚，沈振康，等.SAR与可见光图像匹配方法研究[J].中国图像图形学报，2001，63（A）：223-227.

[32]陈新，彭科举，周东祥，等.一种利用 SAR和可见光图像融合检测目标的方法 [J].信号处理，2010，26（9）：1408-1413.

[33]杨靖宇.战场数据融合技术[M].北京：兵器工业出版社，1993.