基於信息融合的超寬帶探地雷達自動目標識別方法
2023-05-18 05:11:56 2
專利名稱：基於信息融合的超寬帶探地雷達自動目標識別方法
技術領域：
本發明涉及一種基於信息融合的超寬帶探地雷達自動目標識別方法----基於寬相關處理、韋爾奇(Welch)功率譜分析、徑向基函數(RBF)神經網絡以及形狀特徵數據對目標進行全面自動識別，可廣泛應用於地下金屬/非金屬管道探測、考古遺址定位、地質剖面勘探、高速公路質量檢查以及安全檢查等國家安全和經濟領域中。
背景技術：
探地雷達作為非破壞性探測手段正被廣泛應用於地下目標(如空洞、管道、地雷等)的探測，如何對雷達回波信號進行處理以識別地下埋設的目標始終是困擾探地雷達應用的難題。目前主要的處理手段包括成像識別和特徵變量識別。
成像處理通過對探地雷達回波信號的處理，獲取了埋藏物體幾何特徵，從而可以根據幾何特徵(主要是外形)對目標加以判別，主要以合成孔徑雷達(SAR)成像為主。實現的方法包括三維距(Stanislav Vitebskiy，Lawrence Carin and MarcA.Ressler，Ultra-wideband，short-pulse Ground-penetrating radarsimulation andmeasurement.IEEE Trans.On geoscience and remote sensing.35(3)，1997，762-772)和相位處理(Sai，B.；Ligthart，L.P.；GPR Phase-Based Techniques forProfiling Rough Surfaces and Detecting Small，Low-Contrast Landmines Under FlatGround Geoscience and Remote Sensing，IEEE Transactions on，Volume42，Issue2，Feb.2004 Pages318-326)。由於大地的衰減和色散特性，使得探地雷達回波相互間具有不一致性，獲取清晰的圖像相對比較困難，從而造成很高的虛警率。同時成像識別忽略了信號中原有的其它特徵信息，尤其是比較難於區分形狀相似的目標。同時成像處理對實驗設備要求高、計算複雜，不易實時處理。處理結果一般由人工加以解釋，含有較多的主觀因素。
基於特徵變量識別主要是利用探地雷達的回波信號進行特徵變量的提取，藉助神經網絡完成自動目標識別。已有的相關探地雷達特徵提取方法包括連續子波變換(T.Le-Tien，H.Talhami and D.T.Nguyen，「Target SignatureExtraction Based on the Continuous Wavelet Transform in Ultra-WidebandRadar，」IEE Electronics Letters，Vol.33，Issue 1，January 1997)，和時頻分析(Guillermo C.Gaunaurd，Hans C.Strifors，Applications of(Wigner-Type)Time-Frequency Distributions to Sonar and Radar SignalAnalysis，7th.International Wigner Symposium held in College park，MD USA，2001)等。已有的方法主要是依據兩維功率譜進行識別，特徵量複雜不便於識別的工程識別，同時由於特徵變量識別主要強調回波信號的特性，對於不同形狀目標的識別卻無能為力。
發明內容
本發明的目的在於針對現有技術存在的不足，提供一種新的基於信息融合的超寬帶探地雷達自動目標識別方法，即克服成像技術的設備要求高，不能區分形狀相似目標的缺點，也克服了現有特徵變量識別技術的複雜不易實現和對於不同形狀目標的識別無能為力的不足，可以對不同形狀、不同材質的地下目標進行有效的自動識別，達到工程化的實用效果。
為實現這樣的目的，本發明的技術方案中，首先對超寬帶探地雷達回波信號進行直達波的剔除，利用寬相關處理進行信號濾波和典型數據提取。提取縱向和橫向典型數據用於目標形狀識別；提取典型回波道數據並進行韋爾奇(Welch)功率譜分析，並利用RBF神經網絡對目標材質進行分類，最後把目標形狀識別和材質識別的結果進行信息融合，從而實現目標的全面自動識別。
本發明的基於信息融合的超寬帶探地雷達自動目標識別方法包括如下具體步驟1.數據處理數據處理主要包括直達波剔除和信號濾波，用於提取典型縱向和橫向切面數據和典型道數據。將探地雷達的三維回波數據進行橫向和縱向方向的平均，獲取垂直方向的平均回波數據，從中選擇第二和第三個回波的連接點作為截斷點進行數據截斷，抑制直達波，剔除前面的回波數據部分，將餘下的回波數據作為含信號的數據進行後續處理，對截斷後的探地雷達回波數據進行寬相關處理，得到三個典型切面和三個回波信號的最大值點處的X、Y、Z值。
由於探地雷達回波信號由收發天線間直接耦合波、地面反射波、地下介質不連續產生的後向散射波、隨機幹擾等構成。由直接耦合波和地面反射波組成的直達波直接影響回波目標信號。由於直達波相對目標信號有一個較大的時間差，因此本發明通過數據時間軸截斷抑制直達波。
信號濾波採用寬相關處理方法實現。對截斷後的探地雷達回波數據進行寬相關處理，可以提高回波信號的信噪比。寬相關處理的主要思想就是通過引入伸縮因子，所得的回波信號與伸縮的母波具有匹配關係。經過寬相關處理後，可以得到三個典型切面和三個回波信號的最大值點(X，Y，Z)。
2.特徵提取特徵提取主要包括兩部分用於目標形狀識別的縱向和橫向典型數據的提取和用於目標材質識別的典型道數據的提取。根據寬相關處理後得到的回波信號最大值點處的X、Y值，得到對應的縱向切面和橫向切面數據，再取切面圖最大值附近的各道數據對應的最大值，得到兩個切面的輪廓點，得到用於形狀識別的特徵數據，確定不同的X、Y值，得到對應的縱向切面和橫向切面交點的典型道數據，然後經Welch功率譜處理後，可以得到用於材質識別的數據。
經過寬相關處理後，可以得到三個典型切面和三個回波信號最大值點處的X，Y，Z值。其中一個是水平切面，顯示目標反射面的形狀信息，一個縱向切面和一個橫向切面，縱向切面的典型數據和橫向切面的典型數據相結合用於目標形狀的識別；最大值X、Y對應的寬相關處理數據代表回波的典型數據，用於目標材質的識別。
根據寬相關處理後得到的回波信號最大值點處的X、Y值，得到對應的縱向切面和橫向切面數據，再取切面圖最大值附近的各道數據對應的最大值，得到兩個切面的輪廓點，得到用於形狀識別的特徵數據。根據兩道數據的相似性進行目標形狀的識別。
確定不同的X、Y值，得到對應的縱向切面和橫向切面交點的典型道數據，然後經Welch功率譜處理後，可以得到用於材質識別的數據。
基於寬相關處理所得到的最大值X、Y以及寬相關處理的三維結果，提取對應於(X，Y)的單道寬相關處理數據形成典型道回波數據。由於探地雷達回波信號的非平穩性，尤其是對於超寬帶瞬態電磁散射信號，傳統的基於傅立葉變換的譜估計方法都將不能使用。考慮部分掃描的Welch平均重疊周期譜可以較好的用於非平穩信號的處理和一維的數據量，可以較好的用於目標特徵的提取。將提取的典型道數據經Welch功率譜處理即可得到一維的功率譜，進而用於材質的識別。
3.分類識別將得到的形狀識別特徵數據進行曲線擬合，比較不同曲線對應的平方差，來確定擬合結果，利用不同形狀目標回波信號對應不同的擬合曲線，並結合切面圖顯示，實現目標形狀的識別；利用徑向基函數RBF神經網絡對目標材質進行分類，將與不同材質對應的典型道數據經Welch功率譜估計，得到用於材質識別的樣本數據，送入徑向基函數RBF神經網絡進行訓練建立特徵量與目標值的函數關係，將上一步特徵提取得到的用於材質識別的數據作為特徵量輸入神經網絡，實現目標材質的自動識別；最後把目標形狀識別和材質識別的結果進行信息融合，實現對不同材質，不同形狀目標的全面自動識別。
利用特徵提取得到的輪廓點的數據進行一次曲線和二次曲線擬合，比較兩次擬合曲線的平方差，來確定擬合結果是直線還是二次曲線。並結合三維顯示中的縱向和橫向典型切面結果，不同形狀物體的兩個典型切面的典型道數據的分布形狀的不同。如果兩個切面數據擬合都是二次的，顯示為兩個高峰，對應為球；如果一個為一次的，一個為二次的，顯示一個為高峰分布，一個為不連續極值分布，則對應為管。這樣可以實現目標形狀識別。
利用徑向基函數RBF神經網絡對目標材質進行分類，首先將與不同材質對應的典型道數據經Welch功率譜估計，得到用於材質識別的樣本數據，送入徑向基函數RBF神經網絡進行訓練建立特徵量與目標值的函數關係，將上一步特徵提取得到的用於材質識別的數據作為特徵量輸入神經網絡，實現目標材質的自動識別。
針對得到的典型道特徵數據，利用徑向基函數RBF神經網絡對目標材質進行分類。首先分別從測量數據選取典型的土壤、鐵和PVC數據，分別通過直達波剔除、Welch功率譜估計得到典型特徵用於神經網絡訓練的輸入，同時將對應的目標信息——土壤、鐵和PVC分別用不同的值表示形成訓練的期望輸出。當網絡訓練收斂以後的網絡權值即代表了特徵量與目標信息的映射關係。針對特徵提取的典型道數據的功率譜，通過訓練收斂的神經網絡即可進行目標材質的自動分類識別。
最後把目標形狀識別和材質識別的結果進行信息融合，可以實現對不同材質，不同形狀目標的全面自動識別。
本發明的方法中，利用了探地雷達回波信號中的直達波相對目標信號有一個較大的時間差，進行直達波的剔除，並利用寬相關處理進行信號濾波和典型數據提取，提高了信號的信噪比。方法中提取縱向和橫向典型數據用於目標形狀識別，提取典型回波道數據並進行Welch功率譜分析，並利用RBF神經網絡對目標材質進行分類，最後把目標形狀識別和材質識別的結果進行信息融合，實現對不同材質，不同形狀目標的自動識別。本發明的方法易於實現，即克服現有成像技術的設備要求高，不能區分形狀相似目標的缺點，也克服特徵變量識別技術的對於不同形狀目標的識別無能為力的不足，為探地雷達的工程化提供了一個有效的技術實現方法。本發明對於實際的應用系統，特別是手持機具有重要意義和實用價值。
圖1為本發明基於信息融合的超寬帶探地雷達自動目標識別的原理框圖。
圖2為不同形狀物體的識別效果對照圖。
其中，圖2(a)，(b)，(c)為針對兩根鐵管的處理與顯示對照圖，圖2(a)為原始數據顯示，圖2(b)為寬相關處理結果顯示，圖2(c)為三維顯示；圖2(d)，(e)，(f)為鋁立方體的處理與顯示對照圖，圖2(d)為原始數據顯示，圖2(e)為寬相關處理結果顯示，圖2(f)為三維顯示。
圖3為不同材質的典型道數據的Welch功率譜對照圖。
其中，圖3(a)為典型道數據的Welch功率譜，圖3(b)為PVC的典型道數據的Welch功率譜，圖3(c)為土壤的典型道數據的Welch功率譜。
具體實施例方式
為了更好地理解本發明的技術方案，以下結合附圖對本發明的實施方式作進一步描述。
本發明基於信息融合的超寬帶探地雷達自動目標識別的原理框圖如圖1所示，總共包括三個主要部分，即數據處理、特徵提取和分類識別。其中數據處理部分主要包括直達波剔除和採用寬相關處理方法實現信號濾波，用於提取典型橫向和縱向切面數據和典型道數據。特徵提取部分包括用於目標形狀識別的橫向和縱向典型數據的提取和用於目標材質識別的典型道數據的提取及提取後的功率譜估計。分類識別部分利用橫向和縱向兩個典型數據完成目標形狀的識別和分類，對得到的目標材質識別特徵數據利用RBF神經網絡對目標材質進行識別和分類。最後把目標形狀識別和材質識別的結果進行信息融合從而獲得目標識別結果。
各部分具體實施細節如下1.數據處理針對每一道測試數據，可建立超寬帶探地雷達回波模型如下探地雷達超寬帶天線發射的探測脈衝為r1(t)＝x(t)，則回波信號為S(t)=S0(t)+j=1m+1Ki,jx(si,j(t-i,j))+j=1m+1Ki,js(si,j(t-i,j))]]>+n(t)]]>其中S0(t)為直達波，i表示第i次反射波，j表示第j層反射波。m表示地面距埋藏目標可分的層數。φ＝{i|τi，j∈目標回波信號寬度內}，φ為φ補集。n(t)為高斯噪聲。Ki，j為衰減常數(對應反射係數)，sl，m+1和τl，m+1是待估計的未知參數，代表目標的時延、頻譜展寬。
經過直達波剔除後的回波信號可描述為S(t)+j=1m+1Ki,jx(si,j(t-i,j))+j=1m+1Ki,jx(si,j(t-i,j))+n(t)]]>在均勻介質條件下，忽略介質和多次反射波的影響，則用於目標檢測和參數估計的有效回波信號可近似描述為r2(t)=iKi,Tx(si,T(t-i,T))+n(t)]]>寬帶相關處理器的輸出為WC(s,)=sr*1(s(t-))r2(t)dt]]>在非均勻介質情況下，通過多道數據縱向或橫向平均，以縱向或橫向解析度的降低為代價換取正確的匹配和參數得穩健估計。
經過寬相關處理後，可以得到三個典型切面和三個回波信號的最大值點(X，Y，Z)。一個是水平切面，顯示目標反射面的形狀信息，一個縱向切面和一個橫向切面，縱向切面的典型數據和橫向切面的典型數據相結合用於目標形狀的識別。兩個切面交點的道數據代表回波的典型數據，用於目標材質的識別。
2.特徵提取特徵提取主要包括兩部分用於目標形狀識別的縱向和橫向典型數據的提取和用於目標材質識別的典型道數據的提取。
經過寬相關處理後，可以得到回波信號最大值點處的X、Y、Z值，分別取X、Y值，可以得到對應的縱向切面和橫向切面數據，再取切面圖最大值附近的各道數據對應的最大值，得到兩個切面的輪廓點，這樣就得到了用於形狀識別的典型道數據。
部分掃描Welch功率譜被證明可以用於目標材質的有效識別，Welch法譜估計採取數據分段加窗處理再求平均的辦法，先分別求出每段的譜估計，然後進行總平均。根據概率統計理論證明，若將原長度為N的數據分成K段，每段長度取M＝N/K，如各段數據互為獨立，則估計的方差將只有原來不分段的1/K，達到一致估計的目的。但若K增加、M減小，則解析度下降。相反，若K減小、M增加，雖偏差減小，但估計方差增大。所以在實際中必須兼顧解析度與方差的要求適當選取K與M的值。
Welch功率譜估計的計算過程如下設信號s(n)的長度為512，將其分成K＝7段，每段長度為N＝128，重疊50％。並對每個子集加上一個hanmin窗w(n)(n＝128)。
Welch功率譜估計按下式計算Pw=1UKi=1kSi(w)Si*(w)]]>Si(w)=Si(n)w(n)e-2mwn]]>U=1mn=0m-1w2(n)]]>圖3為不同材質的典型道數據的Welch功率譜對照圖，對比可以看到三者之間存在著較大的差別，因此可以用來作為目標的材質識別和目標的檢測。確定不同的X，Y值，得到對應的縱向切面和橫向切面交點的典型道數據，然後經Welch功率譜處理後，可以得到用於材質識別的數據。
3.分類識別本發明目標形狀識別的試驗採用的數據分別為針對球和管的測量數據。實驗的方法是首先針對測量的數據進行寬相關信號處理，獲得水平切面圖、橫向切面圖和縱向切面圖。結合縱向和橫向切面中的典型數據進行目標形狀識別。
經過寬相關處理，回波信號的信噪比得到了增強。利用特徵提取得到的輪廓點的數據進行一次曲線和二次曲線擬合，比較兩次擬合曲線的平方差，來確定擬合結果是直線還是二次曲線。並結合三維顯示中的縱向和橫向典型切面結果，不同形狀物體的兩個典型切面的典型道數據的分布形狀的不同。如圖2所示，如果兩個切面數據擬合都是二次的，顯示為兩個高峰，對應為球；如果一個為一次的，一個為二次的，顯示一個為高峰分布，一個為不連續極值分布，則對應為管。這樣可以實現目標形狀識別。
本發明採用RBF徑向基函數神經網絡進行目標識別。RBF選取具有單隱層的三層前饋網絡，包括輸入層、中間層和輸出層。輸入層個數的選取依據選取的特徵向量的採樣點數。考慮回波信號中有用信息的長度，本採樣點數取為128。中間層個數的選取原則為2倍的輸入層個數減去輸出層個數。輸出層個數為1，根據不同的應用分別用0，1，2代表待識別物體的種類---土壤、鐵和PVC。
針對實際數據的寬相關處理結果，分別取土壤和目標上不同的X，Y值，將對應的不同的典型道數據經Welch功率譜估計，得到用於材質識別的樣本數據，對比可以看到三者之間存在著較大的差別，因此可以用來作為目標的材質識別和目標的檢測。將功率譜特徵量送入徑向基函數RBF神經網絡進行訓練。同時針對待識別的測量數據通過寬相關處理得到的回波信號最大值。對應(X，Y)的典型道信號經過Welch功率譜估計，進而通過神經網絡進行分類識別。根據網絡的輸出值的範圍進行目標材質的自動識別。當輸出值∈(-0.5，0.5)，判定為土壤；當輸出值∈(0.5，1.5)，判定為鐵；當輸出值∈(1.5，2.5)，判定為PVC；其它輸出值，判定其它。
如圖3所示。對於偽鐵管和PVC管的神經網絡的訓練與識別，輸出結果為表1，反映Welch功率譜可以有效的藉助神經網絡完成對地下目標材質的識別。
表1
對比現有成像識別技術和特徵變量識別，本發明可以有效地對不同形狀，不同材質的地下目標進行有效的自動識別，能夠達到工程化的實用效果。同時從整個實現步驟可知，本發明的方法易於實現，從而為探地雷達的工程化提供了一個技術實現方法。
權利要求
1.一種基於信息融合的超寬帶探地雷達自動目標識別方法，其特徵在於包括如下具體步驟1)數據處理包括直達波剔除和信號濾波，將探地雷達的三維回波數據進行橫向和縱向方向的平均，獲取垂直方向的平均回波數據，從中選擇第二和第三個回波的連接點作為截斷點進行數據截斷，抑制直達波，剔除前面的回波數據部分，將餘下的回波數據作為含信號的數據進行後續處理，對截斷後的探地雷達回波數據進行寬相關處理，得到三個典型切面和三個回波信號的最大值點處的X、Y、Z值；2)特徵提取包括用於目標形狀識別的縱向和橫向典型數據的提取和用於目標材質識別的典型道數據的提取，根據寬相關處理後得到的回波信號最大值點處的X、Y值，得到對應的縱向切面和橫向切面數據，再取切面圖最大值附近的各道數據對應的最大值，得到兩個切面的輪廓點，得到用於形狀識別的特徵數據，確定不同的X、Y值，得到對應的縱向切面和橫向切面交點的典型道數據，然後經Welch功率譜處理後，可以得到用於材質識別的數據；3)分類識別將得到的形狀識別特徵數據進行曲線擬合，比較不同曲線對應的平方差，來確定擬合結果，利用不同形狀目標回波信號對應不同的擬合曲線，並結合切面圖顯示，實現目標形狀的識別；利用徑向基函數RBF神經網絡對目標材質進行分類，將與不同材質對應的典型道數據經Welch功率譜估計，得到用於材質識別的樣本數據，送入徑向基函數RBF神經網絡進行訓練建立特徵量與目標值的函數關係，將上一步特徵提取得到的用於材質識別的數據作為特徵量輸入神經網絡，實現目標材質的自動識別；最後把目標形狀識別和材質識別的結果進行信息融合，實現對不同材質，不同形狀目標的全面自動識別。
全文摘要
一種基於信息融合的超寬帶探地雷達自動目標識別方法，首先利用探地雷達回波信號中的直達波相對目標信號有一個較大的時間差，進行直達波的剔除，利用寬相關處理進行濾波和典型數據提取，提高信號的信噪比，提取縱向和橫向典型數據用於目標形狀識別，提取典型回波道數據進行Welch功率譜估計，並利用RBF網絡進行目標材質分類，最後把目標形狀識別和材質識別的結果進行信息融合，達到對不同形狀，不同材質的地下目標的全面有效的自動識別。本發明實現了超寬帶探地雷達目標的全面自動識別，對於實際的應用系統，特別是手持機具有重要意義和實用價值。
文檔編號G01S7/02GK1595195SQ20041002521
公開日2005年3月16日 申請日期2004年6月17日 優先權日2004年6月17日
發明者李建勳, 鄭軍庭 申請人:上海交通大學