一种快速准确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快速准确的探地雷达目标检测方法，包括：在模型训练阶段：获取探地雷达正负标签样本集，提取HOG特征，利用PCA对原始高维HOG特征进行降维，训练并保存分类器；在目标检测阶段：对原始探地雷达图像进行预处理，利用选择性搜索算法获取不同尺度及长宽比的目标候选框，提取候选框内图像的HOG特征，利用PCA对原始高维HOG特征进行降维，输入训练好的分类器获得目标检测结果。本发明专利技术通过PCA对原始HOG特征进行降维，解决传统探地雷达目标检测算法中高维HOG特征导致的分类器识别时间过长以及泛化能力差的问题；同时本发明专利技术使用选择性搜索算法来获取不同尺度及长宽比的目标候选框，大大提升了检测精度和效率。大大提升了检测精度和效率。大大提升了检测精度和效率。

【技术实现步骤摘要】
一种快速准确的探地雷达目标检测方法


[0001]本专利技术涉及探地雷达目标检测
，特别是涉及一种快速准确的探地雷达目标检测方法。

技术介绍

[0002]近年来，人们对浅层地下的调查越来越感兴趣。探地雷达是一种无损地下探测方法，它利用接收天线获取目标反射的电磁波来解释地下数据，目前已广泛应用于道路路面测量、管道检测、地表采矿和地雷探测。
[0003]目前已经有很多基于探地雷达图像的目标检测算法研究。利用曲线拟合结合边缘检测算法是一种复杂度低且易于实现的方法。但在复杂环境下，受杂波和图像噪声的影响，边缘检测算法的精度可能无法满足。而且，曲线拟合算法由于其时间复杂度过大，因此难以应用于大范围的探地雷达目标检测。近来，机器学习和深度学习引起了极大的关注，并在探地雷达图像目标检测方案方面显示出较好的性能。在大多数情况下，深度学习需要非常大量的训练数据才能获得较好的性能。然而，探地雷达实际数据获取较为困难。因此，机器学习方法更适用于当前的实际场景，并且目前已经有很多基于机器学习的探地雷达目标检测算法。
[0004]目前Haar、EHD、SIFT、SURF和HOG等特征都被用于基于机器学习的探地雷达目标检测中。在这些常用的特征中，HOG已经被证明是更适合用于探地雷达目标检测的特征描述子。HOG特征可以提取梯度的大小和方向的分布，并且对对比度和光照具有鲁棒性，在对视频监控中的行人和车辆的检测取得了巨大的成功。
[0005]现有的基于HOG特征的探地雷达目标检测算法通常在探地雷达图像中滑动一个固定窗口获取目标候选框，送入分类器进行目标检测。但是HOG特征不是尺度不变的，并且对探地雷达图像中目标的纵横比非常敏感，这导致传统固定大小的滑动窗法很难检测到所有尺度和纵横比的目标。而且不同探地雷达图像滑动窗的最优大小都需要人工确定，耗时费力。并且滑动窗法作为一种穷举搜索方法，具有很高的时间复杂度。
[0006]此外，原始HOG特征一般具有成百上千维度，削弱了分类器的泛化能力，同时还大大增加了分类器的识别时间。
[0007]综上，传统基于HOG特征的探地雷达目标检测算法具有两大缺陷：
[0008]1、HOG特征维度过高导致分类器泛化能力差以及识别时间过长；
[0009]2、传统滑动窗法时间复杂度过高，并且无法检测具有各种尺度及长宽比的目标。

技术实现思路

[0010]有鉴于此，本专利技术的目的在于提供一种快速准确的探地雷达目标检测方法，用以解决
技术介绍
中提及的技术问题；针对该技术问题，本专利技术提出使用PCA对原始高维HOG特征进行降维，提高分类器的泛化能力，并降低目标识别时间。同时，使用选择性搜索算法代替传统滑动窗法获取不同尺度及长宽比的目标候选框，大大提升目标检测精度和检测效
率。
[0011]为了实现上述目的，本专利技术采用如下技术方案：
[0012]一种快速准确的探地雷达目标检测方法，所述目标检测方法包括：
[0013]步骤S1、获取用于训练的探地雷达目标正负标签数据集；
[0014]步骤S2、提取步骤S1中获取的数据集中的HOG特征；
[0015]步骤S3、利用PCA法对步骤S2中获取的HOG特征进行降维处理；
[0016]步骤S4、将降维后的HOG特征输入至分类器网络中进行训练，得到训练好的检测模型；
[0017]步骤S5、对用于目标检测的原始探地雷达图像进行预处理；
[0018]步骤S6、针对经过预处理后的探地雷达图像，使用选择性搜索算法，获取不同尺度及长宽比的目标候选框；
[0019]步骤S7、提取候选框中图像的HOG特征；
[0020]步骤S8、利用PCA对HOG特征进行降维处理；
[0021]步骤S9、将降维后的HOG特征输入至步骤S4得到的检测模型中进行目标检测，获得目标检测结果。
[0022]进一步的，在所述步骤S1中，所述探地雷达目标正负标签数据集包括训练集和测试集，其中，所述训练集为探地雷达实际获取的图像，所述测试集为仿真数据。
[0023]进一步的，所述步骤S2具体包括：
[0024]步骤S201、计算出各像素点水平方向梯度P
h
(x,y)及垂直方向梯度P
v
(x,y)，表达式为：
[0025][0026][0027]公式(1)和公式(2)中，G(x,y)表示图像在(x,y)像素点处的灰度值；
[0028]步骤S202、根据步骤S201中获取的水平方向梯度以及垂直方向梯度，计算出各像素点的梯度幅度D(x,y)及方向θ(x,y)，表达式为：
[0029][0030][0031]步骤S203、将每个样本图像划分成多个细胞单元，并统计每个细胞单元的梯度直方图，其中，所述统计每个细胞单元的梯度直方图具体包括：首先将0
‑
360度的梯度方向均匀划分成9个通道，每个细胞单元内的像素根据其梯度方向选择对应的通道，然后基于像素点的梯度幅度对其对应的通道进行投票，最后统计出该细胞单元的9通道梯度直方图；
[0032]步骤S204、将多个细胞单元组成细胞块，统计每个细胞块的梯度直方图，所述将多
个细胞单元组成细胞块具体包括：将该多个细胞单元的梯度直方图进行串联并归一化；
[0033]步骤S205、将每个样本图像所有细胞块的梯度直方图全部串联即获得最终整幅图像的HOG特征x
i
；
[0034]步骤S206、将每个训练样本的HOG特征x
i
组成特征矩阵X＝[x1,x2,...,x
N
]。
[0035]进一步的，所述步骤S3具体包括：
[0036]步骤S301、将步骤S206中得到的特征矩阵进行中心化，其包括：设X＝[x1,x2,...,x
N
]是N个M维HOG特征组成的且用于训练的特征矩阵，则中心化以后的特征矩阵表示为：
[0037]步骤S302、针对步骤S301中得到的特征矩阵计算其协方差矩阵，表达式为：
[0038]步骤S303、将协方差矩阵C
X
进行特征分解，得到：C
X
ξ＝λξ，其中，λ＝diag{λ1,λ2,...,λ
M
}，λ
i
是降序排列的特征值，ξ＝[ξ1,ξ2,...,ξ
M
]是λ
i
对应的特征向量ξ
i
组成的矩阵；
[0039]步骤S304、特征降维，包括：将前k大特征值对应的特征向量构成一个投影矩阵P＝[ξ1,ξ2,...,ξ
k
]，则降成k维的HOG特征矩阵Y表示为
[0040]Y＝P
T
X
ꢀꢀꢀꢀꢀ
(5)
[0041]公式(5)中，X表示所有训练样本的HOG特征x
i
组成特征矩阵。
[0042]进一步的，所述分类器网络为SVM，且本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种快速准确的探地雷达目标检测方法，其特征在于，所述目标检测方法包括：步骤S1、获取用于训练的探地雷达目标正负标签数据集；步骤S2、提取步骤S1中获取的数据集中的HOG特征；步骤S3、利用PCA法对步骤S2中获取的HOG特征进行降维处理；步骤S4、将降维后的HOG特征输入至分类器网络中进行训练，得到训练好的检测模型；步骤S5、对用于目标检测的原始探地雷达图像进行预处理；步骤S6、针对经过预处理后的探地雷达图像，使用选择性搜索算法，获取不同尺度及长宽比的目标候选框；步骤S7、提取候选框中图像的HOG特征；步骤S8、利用PCA对HOG特征进行降维处理；步骤S9、将降维后的HOG特征输入至步骤S4得到的检测模型中进行目标检测，获得目标检测结果。2.根据权利要求1所述的一种快速准确的探地雷达目标检测方法，其特征在于，在所述步骤S1中，所述探地雷达目标正负标签数据集包括训练集和测试集，其中，所述训练集为探地雷达实际获取的图像，所述测试集为仿真数据。3.根据权利要求1所述的一种快速准确的探地雷达目标检测方法，其特征在于，所述步骤S2具体包括：步骤S201、计算出各像素点水平方向梯度P
h
(x,y)及垂直方向梯度P
v
(x,y)，表达式为：(x,y)，表达式为：公式(1)和公式(2)中，G(x,y)表示图像在(x,y)像素点处的灰度值；步骤S202、根据步骤S201中获取的水平方向梯度以及垂直方向梯度，计算出各像素点的梯度幅度D(x,y)及方向θ(x,y)，表达式为：的梯度幅度D(x,y)及方向θ(x,y)，表达式为：步骤S203、将每个样本图像划分成多个细胞单元，并统计每个细胞单元的梯度直方图，其中，所述统计每个细胞单元的梯度直方图具体包括：首先将0
‑
360度的梯度方向均匀划分成9个通道，每个细胞单元内的像素根据其梯度方向选择对应的通道，然后基于像素点的梯度幅度对其对应的通道进行投票，最后统计出该细胞单元的9通道梯度直方图；步骤S204、将多个细胞单元组成细胞块，统计每个细胞块的梯度直方图，所述将多个细胞单元组成细胞块具体包括：将该多个细胞单元的梯度直方图进行串联并归一化；步骤S205、将每个样本图像所有细胞块的梯度直方图全部串联即获得最终整幅图像的
HOG特征x
i
；步骤S206、将每个训练样本的HOG特征x
i
组成特征矩阵X＝[x1,x2,...,x
N
]。4.根据权利要求3所述的一种快速准确的探地雷达目标检测方法，其特征在于，所述步骤S3具体包括：步骤S301、将步骤S206中得到的特征矩阵进行中心化，其包括：设X＝[x1,x2,...,x
N
]是N个M维HOG特征组成的且用于训练的特征矩阵，则中心化以后的特征矩阵X表示为：步骤S302、针对步骤S301中得到的特征矩阵计算其协方差矩阵，表达式为：步骤S303、将协方差矩阵C
X
进行特征分解，得到：C
X
ξ＝λξ，其中，λ＝diag{λ1,λ2,...,λ
M
}，λ
i
是降序排列的特征值，ξ＝[ξ1,ξ2,...,ξ
M
]是λ
i
对应的特征向量ξ
i
组成的矩阵；步骤S304、特征降维，包括：将前k大特征值对应的特征向量构成一个投影矩阵P＝[ξ1,ξ2,...,ξ
k
]，则降成k维的HOG特征矩阵Y表示为Y＝P
T
X
ꢀꢀꢀꢀꢀꢀꢀꢀ
(5)公式(5)中，X表示所有训练样本的HOG特征x
i
组成特征矩阵。5.根据权利要求4所述的一种快速准确的探地雷达目标检测方法，其特征在于，所述分类器网络为SVM，且该SVM选择高斯核函数。6.根据权利要求5所述的一种快速准确的探地雷达目标检测方法，其特征在于，所述步骤S5具体包括：步骤S501、对所述原始图像进行直流滤波处理，表达式为：公式(6)中，I
′
(x,y)表示为经过直流滤波处理的图像，I(x,y)表示为探地雷达的原始图像，2w1+1表示为滑动窗长，k表示待处理图像的第k列；步骤S502、对直流滤波后的图像I
′
(x,y)使用均值法进行杂波抑制，表达式为：公式(7)中，I
″
(x,y)表示为经过杂波抑制后的图像，2w2+1表示为滑动窗长，k表示待处理图像的第k列。7.根据权利要求6所述的一种快速准确的探地雷达目标检测方法，其特征在于，所述步骤S6具体包括：步...

【专利技术属性】
技术研发人员：王刚，张冀，常传文，朱伟，赵玉丽，王俊波，张华，
申请(专利权)人：东南大学，
类型：发明
国别省市：