一种基于全卷积网络的探地雷达目标检测方法技术

本发明专利技术公开了一种基于全卷积网络的探地雷达目标检测方法，搭建一个三层的全卷积网络对探地雷达数据集进行训练，对图像进行缩放得到不同尺度，然后输入网络进行卷积运算，输出热度特征图，对该热度图进行映射计算后，定位目标的位置完成目标检测。本发明专利技术网络在训练时不需要使用有位置框标注的数据集，可以接受任意尺寸的输入图片，检测尺寸不一的目标，并且速度较快，在探地雷达数据量较少的情况下，通过数据扩充，实现了基于全卷积网络的探地雷达目标检测，该算法具有速度快、检测准确率高等优点。

【技术实现步骤摘要】
一种基于全卷积网络的探地雷达目标检测方法
本专利技术属于图像目标检测
，具体涉及一种基于全卷积网络的探地雷达目标检测方法。
技术介绍
探地雷达探地雷达(GroundPenetratingRadar，简称GPR)是利用电磁波探测地下目标，通过分析电磁信号与地下目标的相互作用，提取目标的性质、形状等信息。随着人类对自然界的逐渐了解和探索，人们对地表下世界的探知变得越来越迫切。探地雷达是近几年来应用于地表浅层地质构造、岩性检测的一项新技术，其特点是快速、无损、连续检测，并以实时成象方式显示地下结构剖面，使探测结果一目了然，分析、判读直观方便。因探测精度高、样点密、工作效率高而倍受一些行业的关注。随着该项技术的不断完善和发展，其应用领域不断扩展。比如城市道路病害检测，利用探地雷达检测生命体的准确位置给震后的救援工作提供极大便利等。对于探地雷达目标检测任务来说，在实际的应用中处理技术仍然比较落后，最直观的表现就是自动化程度较低，仍然依赖操作人员的工程经验，而且对数据的解释能力较差，常常导致虚警。主要是因为地表的直达波有着很强的干扰性，使得感兴趣的目标被强杂波严重干扰；不同的天气和湿度下，相同的介质得到的雷达数据也会有很大的不同；目标环境的复杂性，使得先验知识很难得到，限制了很多需要先验的检测算法。因此检测准确率是探地雷达目标检的关键性问题。传统的探地雷达目标检测，国内外学者也做了大量研究。传统的探地雷达目标检测算法大致可以分为以下两个研究方面。(1)一种是通过对探地雷达图像的处理，利用目标体在探地雷达图像中的几何特征进行目标检测。一般利用Hough变换法提取目标反射双曲线特征，或者利用模式识别方式进行目标提取。SimiA等利用改进Hough变换和层析技术实现地下管线目标的自动检测，大大提高地下目标检测效率。MaasC等利用Hough变换提取双曲线特征，并用模式识别方法进行自动定位。(2)一种是基于统计学原理对探地雷达信号进行建模，并进行假设检验，并计算检量，与固定或自适应门限进行比较，以判断目标有无。一种高阶方差分析结合序贯概率比检测的方法，以加窗的A-scan能量作为检验统计量进行地雷探测。一种是利用历史数据道的线性加权对当前道进行预测，并在频域利用子频带处理实现，成功地将目标从杂波背景中分离出来。在此基础上，通过实时更新参考信号，提出自适应单边线性预测算法，成功地解决检测器对地距离的变化所产生的影响；在单边预测的基础上，利用最大似然估计，完成了对不同环境中的地雷目标检测，但该算法需要大量无目标和杂波的参考信号，而参考信号常常混有杂波。应用恒虚警检测法(恒虚警率)进行地下异常检测，假设背景信号服从高斯分布，通过估计待测采样点附近背景信号的均值和标准差对信号进行归一化，然后沿深度方向计算置信度，与固定门限比较来确定目标有无。以上传统的探地雷达目标检测方法中，第一类是基于图像级的目标检测，该方法将很大程度上和探地雷达图像的质量有很大的关系；第二类是利用对信号模型的假设检验来实现目标检测，这类方法将需要一定的先验知识，而且模型的正确与否会严重影响检测的正确率。现在基于卷积网络的目标检测技术发展速度很快，而且速度和准确率都很高。所以一些研究学者开始致力于基于卷积网络的目标检测。
技术实现思路
本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于全卷积网络的探地雷达目标检测方法，速度快、检测准确率高。本专利技术采用以下技术方案：一种基于全卷积网络的探地雷达目标检测方法，搭建一个三层的全卷积网络对探地雷达数据集进行训练，对图像进行缩放得到不同尺度，然后输入网络进行卷积运算，输出热度特征图，对该热度图进行映射计算后，定位目标的位置完成目标检测。具体的，包括以下步骤：S1、准备探地雷达数据集，准备相关正样本和负样本；S2、设计全卷积网络，在样本上进行训练，得到一组对目标有极大响应的卷积核；S3、利用准备好的数据集在该全卷积网络上进行训练；S4、使用探地雷达图片进行图像缩放，形成图片金字塔输入全卷积网络进行检测，根据获得的热度图计算对应的目标框；S5、目标框是密集响应，对同概率目标框进行位置平均，实现第一次筛选；S6、采用非极大值抑制算法对目标框进行第二次筛选，得到最终检测结果。进一步的，步骤S1中，正样本的选择与预处理如下：在收集到的探地雷达频域图片中，在处理过杂波干扰后，保留能够看到目标的图片作为制作正样本的材料，使用重复多次截取正样本的策略，保证多次截取到的包含同一个目标的正样本之间具有差异性，做到对数据集正样本的扩充；负样本的选取及预处理如下：输入图片时，将图片上下四个边缘存在的坐标和柱体裁掉，只输入有目标的中间区域作为负样本，裁剪好的图片首先删掉包含了目标的图片，之后删除掉没有纹理的图片。进一步的，步骤S2中，全卷积网络分为3层，第一层卷积层使用32个5×5的卷积核对60×60的图像进行卷积；第二层卷积层使用64个5×5的卷积核对上层的特征图进行卷积；前两个卷积层之后均接pooling层和ReLU层；第三层卷积层使用64个3×3的卷积核进行卷积，然后再接64个10×10的卷积核，对上一层的特征图进行卷积，得到一个1×1×2的输出向量，输出向量代表输入的60×60图像的分类结果。进一步的，步骤S3中，在Windows下的caffe框架中对该网络进行训练，定义参数如下：base_lr为基础学习率，lr_policy为学习率改变方式，stepsize为学习率采用stepsize改变方式时改变的间隔，gamma为学习率变化比例，max_iter为训练过程总迭代次数，batch_size为训练时一次迭代输入图像数量，test_interval为测试验证集的迭代次数间隔，Test_batch_size为测试验证集时一次迭代输入图像数量，test_iter为测试验证集时需要迭代的次数；使用step学习策略结合stepsize和gamma参数，得到学习率的变化公式，再引入epoch概念，一个epoch指训练过程中将全部训练图像训练了一遍的迭代次数，当训练经过一个epoch后进行验证集上的测试，batch_size越大，单次迭代输入的图像越多，训练的效果就越能拟合整个训练集上的数据分布。进一步的，在训练时利用画出训练loss和accuracy的结果图判断网络是否训练到位和如何调整训练参数，从0.1开始，从大到小每次变化为之前的0.5倍，依次实验学习率变化后loss的变化情况，若loss很快向上升直到NAN，则学习太大；若loss下降剧烈后保持不变，说明学习率仍然有些高；接着再将学习率调小，若loss如直线一般下降，则说明学习率过小；通过观察训练loss下降的幅度找到合适的学习率，将网络训练完全。更进一步的，学习率的变化公式为：其中，base_lr为训练时的基础学习率，iter为当前迭代次数，stepsize为学习率改变间隔，为对进行向下取整。进一步的，步骤S4中，根据热度图计算目标框的具体如下：假设原图大小为m×n，整合后的热度图尺寸为M×N，热度图中的点(xi,yi)0＜xi≤M,0＜yi≤N，其对于目标类的概率值为pi，0≤pi≤1，所在的尺度为a，所在尺度的热度图原大小为Ma×Na；若该点的pi大于阈值γ，本文档来自技高网...

【技术保护点】
1.一种基于全卷积网络的探地雷达目标检测方法，其特征在于，搭建一个三层的全卷积网络对探地雷达数据集进行训练，对图像进行缩放得到不同尺度，然后输入网络进行卷积运算，输出热度特征图，对该热度图进行映射计算后，定位目标的位置完成目标检测。

【技术特征摘要】
1.一种基于全卷积网络的探地雷达目标检测方法，其特征在于，搭建一个三层的全卷积网络对探地雷达数据集进行训练，对图像进行缩放得到不同尺度，然后输入网络进行卷积运算，输出热度特征图，对该热度图进行映射计算后，定位目标的位置完成目标检测。2.根据权利要求1所述的一种基于全卷积网络的探地雷达目标检测方法，其特征在于，包括以下步骤：S1、准备探地雷达数据集，准备相关正样本和负样本；S2、设计全卷积网络，在样本上进行训练，得到一组对目标有极大响应的卷积核；S3、利用准备好的数据集在该全卷积网络上进行训练；S4、使用探地雷达图片进行图像缩放，形成图片金字塔输入全卷积网络进行检测，根据获得的热度图计算对应的目标框；S5、目标框是密集响应，对同概率目标框进行位置平均，实现第一次筛选；S6、采用非极大值抑制算法对目标框进行第二次筛选，得到最终检测结果。3.根据权利要求2所述的一种基于全卷积网络的探地雷达目标检测方法，其特征在于，步骤S1中，正样本的选择与预处理如下：在收集到的探地雷达频域图片中，在处理过杂波干扰后，保留能够看到目标的图片作为制作正样本的材料，使用重复多次截取正样本的策略，保证多次截取到的包含同一个目标的正样本之间具有差异性，做到对数据集正样本的扩充；负样本的选取及预处理如下：输入图片时，将图片上下四个边缘存在的坐标和柱体裁掉，只输入有目标的中间区域作为负样本，裁剪好的图片首先删掉包含了目标的图片，之后删除掉没有纹理的图片。4.根据权利要求2所述的一种基于全卷积网络的探地雷达目标检测方法，其特征在于，步骤S2中，全卷积网络分为3层，第一层卷积层使用32个5×5的卷积核对60×60的图像进行卷积；第二层卷积层使用64个5×5的卷积核对上层的特征图进行卷积；前两个卷积层之后均接pooling层和ReLU层；第三层卷积层使用64个3×3的卷积核进行卷积，然后再接64个10×10的卷积核，对上一层的特征图进行卷积，得到一个1×1×2的输出向量，输出向量代表输入的60×60图像的分类结果。5.根据权利要求2所述的一种基于全卷积网络的探地雷达目标检测方法，其特征在于，步骤S3中，在Windows下的caffe框架中对该网络进行训练，定义参数如下：base_lr为基础学习率，lr_policy为学习率改变方式，stepsize为学习率采用stepsize改变方式时改变的间隔，gamma为学习率变化比例，max_iter为训练过程总迭代次数，batch_size为训练时一次迭代输入图像数量，test_interval为测试验证集的迭代次数间隔，Test_...

【专利技术属性】
技术研发人员：侯兴松，郭晋燕，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西,61