一种基于隐马尔可夫模型的探地雷达地下空洞目标自动识别方法技术

本发明专利技术提出一种基于隐马尔可夫模型的探地雷达地下空洞目标自动识别方法，所述方法共6个步骤：对已获取的地下空洞目标的探地雷达回波图像进行预处理得到处理后的横向波纹得到抑制的图像；对生成的图像进行预筛选标注明确空洞目标像素位置；利用已标注的数据进行图像增广处理得到处理后的具有相似分布的图像；利用增广图像数据集，使用三种方法进行特征提取得到特征向量数据集；将获得的特征向量分为训练集和验证集，对隐马尔可夫模型进行训练得到权重模型；将获得的验证集输入得到的权重模型，对地下空洞目标探地雷达回波图像进行目标识别分类。本发明专利技术解决现有方法难以检测识别地下空洞目标的问题。下空洞目标的问题。下空洞目标的问题。

【技术实现步骤摘要】
一种基于隐马尔可夫模型的探地雷达地下空洞目标自动识别方法


[0001]本专利技术属于探地雷达回波图像后处理的目标检测
，特别是涉及一种基于隐马尔可夫模型的探地雷达地下空洞目标自动识别方法。

技术介绍

[0002]探地雷达是一种用于探测浅层地下环境的非损伤性探测仪器。探地雷达利用地下介质的电磁介电常数的不同，这些参数的不同在雷达回波数据中有所体现，通过对回波数据的处理即可迅速探测并直观地理解地下环境的分布。为了直观呈现回波数据以便进行人工分析，横向列出多通道回波数据是常用的方法，在探地雷达分析中常用的B
‑
Scan图像由此得来。
[0003]探地雷达作为一种快速、高分辨率、无损探测的重要地球物理方法，在地下塌陷空洞探测研究与工程实践中具有重要的意义与价值。探地雷达技术不会对路面产生结构性破坏，并适用于各种路况，其检测结果具有实时性和高精度性，满足公路病害检测对于高效无损、准确以及应用范围广的要求，适用于道路地下空洞的探测。探地雷达系统可由一对或多对发射和接收天线组成，每对发射机、接收机可以通过扫描感兴趣区域来采集单个B
‑
Scan图像，通过对B
‑
Scan图像的分析与验证即可获知地下环境分布情况。目前实际工程中采集到的B
‑
Scan图像需要进行人工判读和解译，这种方法效率低下且常常导致漏检或虚检的问题。利用现在主流的一些深度学习方法进行地下空洞目标的检测与识别也存在问题，经过确认、验证、定位并获得相关模式信息的地下空洞获取困难，且地下空洞在B
‑
Scan图像中没有固定的模式与形状，获取大量地下空洞样本也是很难实现的工程任务。

技术实现思路

[0004]本专利技术是为了解决现有方法难以检测识别地下空洞目标的问题，从而提供了一种基于隐马尔可夫模型的探地雷达地下空洞目标自动识别方法。
[0005]本专利技术是通过以下技术方案实现的，本专利技术提出一种基于隐马尔可夫模型的探地雷达地下空洞目标自动识别方法，所述自动识别方法包括以下步骤：
[0006]步骤1：对已获取的地下空洞目标的探地雷达回波图像进行预处理，得到横向波纹被抑制的探地雷达回波图像；
[0007]步骤2：对步骤1得到的探地雷达回波图像进行预筛选，标记明确空洞目标像素位置；
[0008]步骤3：利用步骤2中已标记的数据进行图像增广处理，得到处理后的具有相似分布的探地雷达回波图像；
[0009]步骤4：利用步骤3的增广图像数据，使用边缘直方图描述符、方向梯度直方图和Log
‑
Gabor滤波器方法进行特征提取，得到特征向量数据集；
[0010]步骤5：将步骤4获得的数据集分为训练集和验证集，对隐马尔可夫模型进行训练，
得到权重模型；
[0011]步骤6：将步骤5获得的验证集输入得到的权重模型，对地下空洞目标探地雷达回波图像进行目标识别分类。
[0012]进一步地，所述步骤1对已获取的地下空洞目标的探地雷达回波图像进行预处理具体为：对已获取的地下空洞目标的探地雷达回波图像进行地表反射波的去除和图像的滤波，其中通过直接截取的方式进行地表反射波的去除，滤波采用横向均值滤波方法，得到横向波纹受到抑制的探地雷达回波图像。
[0013]进一步地，所述步骤2对预处理后的图像进行预筛选，并标记明确空洞目标像素位置具体为：对CFAR进行简化和修改，不再设置参考窗，而是在整个图片上对地下空洞图像进行能量检测处理，从而利用简化和修改后的CFAR对地下空洞图像进行能量检测，并滤除孤立的异常能量区域，将得到的图像进行模糊化处理，最后对空洞的相关像素进行位置标记，明确每个子像素是否属于空洞。
[0014]进一步地，所述滤除孤立的异常能量区域具体为：首先，在图像上移动窗口，对每一个窗口内的像素点求均值，若均值小于某一阈值，则将该窗口内的所有像素值设定为0；其次，对每个分离的能量异常区域进行判断，若其占据的像素点数量小于阈值，将该区域内所有像素值设为0。
[0015]进一步地，所述步骤3标记的数据进行图像增广处理，得到处理后的具有相似分布的探地雷达回波图像具体为：对预处理和预筛选后的空洞图像进行翻转与加噪处理，增广得到水平镜像变换图像、高斯加噪图像和水平镜像变换并进行高斯加噪的图像。
[0016]进一步地，所述步骤4对增广图像数据，使用边缘直方图描述符、方向梯度直方图和Log
‑
Gabor滤波器方法进行特征提取，得到特征向量数据集具体为：所述边缘直方图描述符利用5种不同角度的滤波器对图像中的图像块的方向进行确定；所述方向梯度直方图将图像分为一定大小的单元，在单元上对梯度值进行分类；所述Log
‑
Gabor滤波器使用2种不同的中心频率和5个角度方向对图像的角度特征进行提取。
[0017]进一步地，所述步骤5对隐马尔可夫模型进行训练，得到权重模型具体为：所述的隐马尔可夫模型包含5个隐状态，使用混合高斯模型对观测值概率进行建模；训练参数为混合高斯模型迭代次数为100次，训练参数为隐马尔可夫模型迭代次数，共计两次迭代，次数分别为10次和100次；
[0018]先对混合高斯模型进行训练：首先构建一组高斯混合模型，使用K
‑
means方法进行初始化，然后使用EM算法对模型参数进行估计，并使用训练集进行训练，对参数进行迭代与更新；
[0019]混合高斯模型的训练完成后，需要进行隐马尔可夫模型λ＝(N,M,π,A,B)的训练，使用Baum
‑
Welch算法求解模型参数，其中N为隐藏状态的数量，M为可以观测的序列的状态数量，π为观测矩阵B初始状态概率向量，A为转移矩阵，B为观测矩阵；定义观测序列为V，对参数π、A、B进行估计：π
i
为参数π中元素，表示初始时刻隐藏状态为S
i
的概率，i为正整数；b
j
(k)为参数B中元素，表示t时刻隐藏状态为S
j
的条件下观测状态为V
k
的概率，k＝1,2,3，
……
M；j为正整数；a
ij
为参数A中元素，表示t时刻隐藏状态为S
i
下一时刻隐藏状态为S
j
的概率；
[0020]将训练混合高斯模型的训练集进行整合，对混合高斯模型
‑
隐马尔可夫模型进行训练，从而得到权重模型。
[0021]进一步地，所述步骤6对地下空洞目标探地雷达回波图像进行目标识别分类具体为：将未使用过的地下空洞目标探地雷达回波图像进行特征提取并输入训练过的权重模型中，自动对地下空洞目标探地雷达回波图像进行目标识别。
[0022]本专利技术有益效果为：
[0023]本专利技术对已有的地下空洞目标探地雷达回波图像进行预处理和预筛选，将得到的图像进行加噪与翻转进行探地雷达回波图像增广工作，再根据输出结果使用三种不同的特征提取方式进行特征提取，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于隐马尔可夫模型的探地雷达地下空洞目标自动识别方法，其特征在于，所述自动识别方法包括以下步骤：步骤1：对已获取的地下空洞目标的探地雷达回波图像进行预处理，得到横向波纹被抑制的探地雷达回波图像；步骤2：对步骤1得到的探地雷达回波图像进行预筛选，标记明确空洞目标像素位置；步骤3：利用步骤2中已标记的数据进行图像增广处理，得到处理后的具有相似分布的探地雷达回波图像；步骤4：利用步骤3的增广图像数据，使用边缘直方图描述符、方向梯度直方图和Log
‑
Gabor滤波器方法进行特征提取，得到特征向量数据集；步骤5：将步骤4获得的数据集分为训练集和验证集，对隐马尔可夫模型进行训练，得到权重模型；步骤6：将步骤5获得的验证集输入得到的权重模型，对地下空洞目标探地雷达回波图像进行目标识别分类。2.根据权利要求1所述的自动识别方法，其特征在于，所述步骤1对已获取的地下空洞目标的探地雷达回波图像进行预处理具体为：对已获取的地下空洞目标的探地雷达回波图像进行地表反射波的去除和图像的滤波，其中通过直接截取的方式进行地表反射波的去除，滤波采用横向均值滤波方法，得到横向波纹受到抑制的探地雷达回波图像。3.根据权利要求1所述的自动识别方法，其特征在于，所述步骤2对预处理后的图像进行预筛选，并标记明确空洞目标像素位置具体为：对CFAR进行简化和修改，不再设置参考窗，而是在整个图片上对地下空洞图像进行能量检测处理，从而利用简化和修改后的CFAR对地下空洞图像进行能量检测，并滤除孤立的异常能量区域，将得到的图像进行模糊化处理，最后对空洞的相关像素进行位置标记，明确每个子像素是否属于空洞。4.根据权利要求3所述的自动识别方法，其特征在于，所述滤除孤立的异常能量区域具体为：首先，在图像上移动窗口，对每一个窗口内的像素点求均值，若均值小于某一阈值，则将该窗口内的所有像素值设定为0；其次，对每个分离的能量异常区域进行判断，若其占据的像素点数量小于阈值，将该区域内所有像素值设为0。5.根据权利要求1所述的自动识别方法，其特征在于，所述步骤3标记的数据进行图像增广处理，得到处理后的具有相似分布的探地雷达回波图像具体为：对预处理和预筛选后的空洞图像进行翻转与加噪处理，增广得到水平镜像变换图像、高斯加噪图像和水平镜像变换并进行高斯加噪的图像。6.根据权利要求1所述的自动识别方法，其特征在于，所述步骤4对增广图像数据，使用边缘直方图描述符、方向梯度直方...

【专利技术属性】
技术研发人员：白旭，张洋，李壮，郭士増，罗雪溶，冯鹏飞，刘金龙，温志涛，田昊翔，
申请(专利权)人：北京机电工程总体设计部，
类型：发明
国别省市：