一種基于特征融合的地下目標(biāo)探測識別系統(tǒng)及方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及地球探測與現(xiàn)代信息處理技術(shù)領(lǐng)域，尤其涉及一種基于特征融合的地 下目標(biāo)探測識別系統(tǒng)及方法。
【背景技術(shù)】
[0002] 探地雷達（Ground Penetrating Radar，GPR)是20世紀(jì)80年代新興起的一種利 用電磁波反射原理，來探測地下目標(biāo)物以及地質(zhì)結(jié)構(gòu)與分布的淺地層無損探測技術(shù)。它根 據(jù)電磁波在介質(zhì)中傳播時，其傳播路徑、強度、波形隨介質(zhì)的電磁性質(zhì)和幾何結(jié)構(gòu)而發(fā)生變 化的性質(zhì)，推斷介質(zhì)的結(jié)構(gòu)和目標(biāo)的位置、形狀等。作為一種新興的地球物理探測手段，具 有探測效率高、探測精度高、寬頻帶、抗干擾、無損傷探測、結(jié)果直觀等諸多優(yōu)點，已經(jīng)成為 淺層地下探測的有效手段，應(yīng)用范圍已遍及經(jīng)濟建設(shè)和國防建設(shè)各個領(lǐng)域。
[0003] 相對于探空雷達，目前GPR技術(shù)主要受以下幾個因素的制約：
[0004] (1)地下介質(zhì)的非均勻性。由于地下物質(zhì)成分的多樣和復(fù)雜，其作為電磁場的傳播 介質(zhì)是極不均勻的。介質(zhì)的這種不均勻性導(dǎo)致電磁波傳播性能差異很大。實際工作中常常 無法定量地對探測環(huán)境進行標(biāo)定，因而GPR性能的預(yù)測通常是經(jīng)驗性的，遠非精確的。
[0005] ⑵介質(zhì)損耗及色散性。電磁波在有耗介質(zhì)中傳播將遇到較大衰減。對于同一介 質(zhì)，頻率越高，則衰減越大，穿透深度相應(yīng)降低；對不同介質(zhì)，在同一頻率下，其穿透深度也 有很大差別。此外，電磁波在介質(zhì)中傳播，各個頻率分量的電磁波以不同的相速度傳播，經(jīng) 過一段距離后，它們相互之間的相位關(guān)系發(fā)生改變，從而導(dǎo)致信號失真，即具有色散性。電 磁波傳播過程中的介質(zhì)損耗及色散性對GPR探測精度具有很大影響。
[0006] (3)地層電磁特性的隨機性。由于組成大地物質(zhì)的物理成分、密度、濕度等因素因 地而異變化很大，從而導(dǎo)致表征大地電磁特性的幾個參數(shù)（介電常數(shù)，導(dǎo)磁率，導(dǎo)電率）也 隨之變化。地下介質(zhì)電磁特性的變化直接影響地下電磁波的傳播速度、振幅衰減，嚴(yán)重限制 著GPR系統(tǒng)最大探測深度和目標(biāo)定位精度。
[0007] (4)強雜波背景。地下埋藏的目標(biāo)包括各種各樣的人為以及天然的雜質(zhì)，地面上的 外部環(huán)境、設(shè)施的雜亂回波，都將對GPR探測回波產(chǎn)生復(fù)雜的干擾，形成噪聲，從而影響GPR 成像質(zhì)量。
[0008] (5)界面反射。從空間到地下的探測，由于地面的存在而導(dǎo)致很強的地跳干擾及天 線特性的加載失配。
[0009] 以上幾個方面的因素造成GPR系統(tǒng)數(shù)據(jù)處理與分析實現(xiàn)上的困難。尤其是使地下 目標(biāo)特征不變量的確定及目標(biāo)的檢測和識別非常困難。如何從的海量數(shù)據(jù)中，選擇和提取 目標(biāo)區(qū)數(shù)據(jù)，并對提取的目標(biāo)數(shù)據(jù)進行準(zhǔn)確判別，是GPR數(shù)據(jù)處理與應(yīng)用中面臨的一個難 點問題。

【發(fā)明內(nèi)容】

[0010] 本發(fā)明所要解決的技術(shù)問題是針對現(xiàn)有技術(shù)的不足，提供一種基于時域特征、功 率譜、小波包能譜及高階譜多參數(shù)特征融合，進行地下目標(biāo)探測識別系統(tǒng)及方法。
[0011] 本發(fā)明解決上述技術(shù)問題的技術(shù)方案如下：
[0012] 一種基于特征融合的地下目標(biāo)探測識別系統(tǒng)，包括：探地雷達回波檢測模塊，用于 檢測與采集探地雷達的回波信號；預(yù)處理模塊，用于對采集的回波信號進行預(yù)處理；信號 增強模塊，用于采用小波域多尺度分析方法對經(jīng)預(yù)處理的回波信號進行增強處理；多特征 提取模塊，用于提取經(jīng)增強處理的回波信號的時域特征和小波包能譜特征，并對增強經(jīng)處 理的回波信號進行Welch功率譜估計及高階譜分析，分別得到Welch功率譜和高階譜；特征 融合模塊，用于對回波信號的時域特征、小波包能譜特征、Welch功率譜和高階譜進行融合； 目標(biāo)識別模塊，用于對融合的四類信號特征通過小波神經(jīng)網(wǎng)絡(luò)進行目標(biāo)識別；結(jié)果輸出模 塊，用于輸出目標(biāo)識別后的結(jié)果。
[0013] 本發(fā)明的有益效果是：本發(fā)明基于時域特征、小波包能譜特征、Welch功率譜及高 階譜的多特征信息融合，基于融合特征進行地下目標(biāo)的綜合探測識別，與單一參數(shù)特征識 別方法相比，該方法可有效地實現(xiàn)對不同形狀和材質(zhì)的地下目標(biāo)體（如地下的管狀體、球 狀體、以及金屬、塑料、水泥等材料構(gòu)成的地質(zhì)體）進行識別，識別準(zhǔn)確度高。
[0014] 在上述技術(shù)方案的基礎(chǔ)上，本發(fā)明還可以做如下改進。
[0015] 進一步，所述預(yù)處理模塊包括抑制單元和濾除單元；所述抑制單元，用于采用均值 法抑制回波信號中的地雜波和直流信號；所述濾除單元，用于采用維納濾波器去除寬帶雜 波和周期雜波。
[0016] 采用上述進一步方案的有益效果是：探地雷達回波信號由收發(fā)天線間直接耦合 波、地面反射波、地下介質(zhì)不連續(xù)產(chǎn)生的后向散射波、隨機干擾等構(gòu)成。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(biāo)信號。因此，為了能夠從目標(biāo)信號中提取出有用信 號，必須對采集的回波信號進行一系列的預(yù)處理。包括濾波、延時校正等。
[0017] 進一步，所述多特征提取模塊包括時域特征提取單元、小波包能譜特征提取單元、 Welch功率譜估計單元和高階譜估計單元；
[0018] 所述時域特征提取單元，用于將回波信號進行平均分段，分別計算每一段的時域 特征，所述時域特征包括有效值、平均值、方差、偏度值和峰度值；
[0019] 所述小波包能譜特征提取單元，用于將回波信號進行小波包分解，在求解不同尺 度上的信號小波包譜的基礎(chǔ)上，構(gòu)造關(guān)于分解尺度的小波包能譜函數(shù)，形成小波包能譜特 征向量，建立樣本特征模型，進而分析目標(biāo)特征信息；
[0020] 所述Welch功率譜估計單元，用于將回波信號進行分段，各段數(shù)據(jù)存在部分重疊， 對每一段數(shù)據(jù)通過預(yù)定窗函數(shù)進行平滑處理，進而對各段譜求平均；
[0021] 所述高階譜估計單元，用于將回波信號進行分段，對每段數(shù)據(jù)進行去均值操作，計 算每段數(shù)據(jù)的三階累積量，將各段的三階累積量進行統(tǒng)計平均，得到各段的總累積量，利用 各段的總累積量進行三階譜估計。
[0022] 進一步，所述小波包能譜特征提取單元還對小波包能譜特征向量進行歸一化處 理。
[0023] 采用上述進一步方案的有益效果是：為突出樣本模型的信號結(jié)構(gòu)特征以及進行數(shù) 據(jù)分析的方便，對小波包能譜特征向量進行歸一化處理，以消除相同目標(biāo)埋深不同引起的 能量差異。
[0024] 進一步，所述目標(biāo)識別模塊采用小波神經(jīng)網(wǎng)絡(luò)分類器，運用小波神經(jīng)網(wǎng)絡(luò)對輸入 的融合特征反復(fù)訓(xùn)練，通過輸出誤差的反饋，自動調(diào)整分類器參數(shù)，進而進行識別輸出分類 結(jié)果。
[0025] 采用上述進一步方案的有益效果是：小波神經(jīng)網(wǎng)絡(luò)是由大量非線性處理單元廣泛 互連而成的網(wǎng)絡(luò)，具有大規(guī)模并行處理、分布式信息存儲、非線性動力學(xué)和網(wǎng)絡(luò)全局作用等 特性。小波神經(jīng)網(wǎng)絡(luò)分類器的樣本參數(shù)隱含于網(wǎng)絡(luò)的連接權(quán)中。它無需被事先知道，在反 復(fù)訓(xùn)練中通過網(wǎng)絡(luò)輸出誤差的反饋、自動調(diào)整以達到期望目標(biāo)。
[0026] -種基于特征融合的地下目標(biāo)探測識別方法，包括如下步驟：
[0027] S1，檢測與采集探地雷達的回波信號；
[0028] S2,對采集的回波信號進行預(yù)處理；
[0029] S3,采用小波域多尺度分析方法對經(jīng)預(yù)處理的回波信號進行增強處理；
[0030] S4,提取經(jīng)增強處理的回波信號的時域特征和小波包能譜特征，并對增強經(jīng)處理 的回波信號進行Welch功率譜估計及高階譜分析，分別得到Welch功率譜和高階譜；
[0031] S5,對回波信號的時域特征、小波包能譜特征、Welch功率譜和高階譜進行融合；
[0032] S6,對融合的四類信號特征通過小波神經(jīng)網(wǎng)絡(luò)進行目標(biāo)識別；
[0033] S7，輸出目標(biāo)識別后的結(jié)果。
[0034] 在上述技術(shù)方案的基礎(chǔ)上，本發(fā)明還可以做如下改進。
[0035] 進一步，步驟S2的具體實現(xiàn)為：采用均值法抑制回波信號中的地雜波和直流信 號；采用維納濾波器去除寬帶雜波和周期雜波。
[0036] 進一步，所述步驟S4中，
[0037] 計算時域特征參數(shù)的實現(xiàn)為：將回波信號進行平均分段，分別計算每一段的時域 特征，所述時域特征包括有效值、平均值、方差、偏度值和峰度值；
[0038] 計算小波包能譜特征的實現(xiàn)為：將回波信號進行小波包分解，在求解不同尺度上 的信號小波包譜的基礎(chǔ)上，構(gòu)造關(guān)于分解尺度的小波包能譜函數(shù)，形成小波包能譜特征向 量，建立樣本特征模型，進而分析目標(biāo)特征信息；
[0039] 計算Welch功率譜的實現(xiàn)為：將回波信號進行分段，各段數(shù)據(jù)存在部分重疊，對每 一段數(shù)據(jù)通過預(yù)定窗函數(shù)進行平滑處理，進而對各段譜求平均；