[发明专利]一种基于BP神经网络的探地雷达地下空洞目标识别方法

说明书

本发明提供了一种基于BP神经网络的探地雷达地下空洞目标识别方法，包括：利用鲁棒主成分分析法对探地雷达B‑Scan图像进行杂波抑制；提取A‑Scan信号的时域﹑频域和小波域特征；利用BP神经网络对A‑Scan信号进行整体识别，得到目标水平方向区域；对目标水平方向区域内的A‑Scan信号进行分段，提取每段信号的时域﹑频域和小波域的特征；采用BP神经网络对每段信号进行识别，得到每个A‑Scan信号内目标垂直方向区域；根据目标水平方向和垂直方向区域，确定目标位置。本发明的有益效果是：在保证目标识别准确率的同时，可提高杂波抑制效果和有效提高目标识别效率，适用于道路地下空洞目标的检测与定位。

技术领域

本发明涉及雷达信号处理与目标识别领域，尤其涉及一种基于BP神经网络的探地雷达地下空洞目标识别方法。

背景技术

随着我国经济的不断发展，城市化水平逐渐提高，城市交通压力也越来越大，探测和修复道路地下病害是道路养护的关键问题。地下空洞是最常见的一种道路病害，容易导致地面塌陷，不仅对城市交通造成严重的影响，而且会对人民的生命财产安全造成危害。因此，地下空洞的探测与识别对于保障城市道路安全具有重要意义。

探地雷达具有探测速度快、探测过程连续、分辨率高、操作方便、探测成本低、探测范围广及剖面图直观等优点，在道路地下空洞探测中得到越来越多的应用。传统的探地雷达剖面解释工作主要依赖于工作人员的经验，在判读过程中容易出错，且效率低，为了提高探测准确率和效率，需要研究目标的自动识别技术。

目前探地雷达目标识别方法主要包括机器学习方法(支持向量机和神经网络)和深度学习方法(卷积神经网络)。机器学习方法需要先提取特征后再进行识别，网络结构简单，运行速度较快；深度学习方法直接利用深度网络提取特征，网络结构复杂，且需要大量标记样本训练，识别速度较慢。因此，从识别效率来看，机器学习方法更具优势。在机器学习方法中，从特征提取的角度看，主要可分为基于A-Scan信号(单道信号)和B-Scan图像的两类。基于A-Scan信号的特征提取方法是从探地雷达的一维数据中提取特征，计算相对简单；基于B-Scan图像的特征提取方法主要是从二维图像中提取特征，计算相对复杂。因此，基于A-Scan信号的特征提取方法具有更小的计算量。

在探地雷达空洞目标识别中，基于A-Scan信号特征提取的识别方法可分为两类：一类是提取一道A-Scan信号的整体特征，利用分类器识别该道信号是否含有空洞目标，该方法识别效率高，但是只能识别出目标的水平方向位置，用于对空洞的初步判断；一类是提取A-Scan分段信号特征，利用分类器识别该段信号是否为空洞目标回波，该方法可识别出目标位置，有利用对空洞的判断，但是对于整个B-Scan图像，分段信号数量较大，特征提取计算量也较大，影响了识别效率。在实际道路地下空洞探测中，包含空洞目标的A-Scan信号数量较少，对所有A-Scan分段信号识别并无必要，因此，如何减少无效分段信号的识别，提高识别效率，对于提高探地雷达空洞探测性能具有重要意义。

发明内容

为了解决上述问题，本发明提供了一种基于BP神经网络的探地雷达地下空洞目标识别方法，该探地雷达地下空洞目标识别方法采用鲁棒主成分分析方法对探地雷达B-Scan图像进行分解，以更好地区分杂波和目标成分，可提高杂波抑制效果；提取时域、频域和小波域上的多维组合特征，可更好反映目标信号和非目标信号的差异；利用BP神经网络对A-Scan信号进行先整体识别、后分段识别可降低计算量，通过整体识别和分段识别相结合，在保证目标识别准确率的同时，可有效提高识别效率，适用于道路地下空洞目标的检测与定位。所述探地雷达地下空洞目标识别方法主要包括以下步骤：

S1：获取探地雷达B-Scan图像，利用鲁棒主成分分析法对对探地雷达B-Scan图像进行处理，以抑制杂波信号；

S2：对处理后的B-Scan图像中的每一道A-Scan信号进行特征提取，分别得到时域、频域和小波域特征；

S3：利用BP神经网络对抑制杂波后的B-Scan图像中的每一道A-Scan信号进行整体识别，得到目标水平方向区域；