[發(fā)明專利]基于特征融合網絡的地下圓柱體目標半徑估算方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202010219817.3
• 申請日: 2020-03-25
• 公開（公告）號: CN111445515B
• 公開（公告）日: 2021-06-08
• 發(fā)明（設計）人: 雷文太;羅佳斌;徐龍;王睿卿;黎方正
• 申請（專利權）人: 中南大學
• 主分類號: G06T7/62
• 分類號: G06T7/62;G06T7/13;G06K9/62;G06T5/00;G06T5/30;G06N3/04;G06N3/08
• 代理公司: 北京風雅頌專利代理有限公司 11403
• 代理人: 曾志鵬

1.一種基于特征融合網絡的地下圓柱體目標半徑估算方法，其特征在于，包括以下步驟：

獲取探地雷達對不同埋深、不同半徑的地下圓柱體探測得到的訓練回波數(shù)據(jù)；

對所述訓練回波數(shù)據(jù)進行預處理，獲取預處理后所述訓練回波數(shù)據(jù)中的雙曲線目標區(qū)域并且估算出所述地下圓柱體的埋深，獲取預處理后所述訓練回波數(shù)據(jù)中的雙曲線目標區(qū)域的方式為通過AN-TDRC算法來檢測，具體包括以下步驟：

自適應歸一化：根據(jù)所述訓練回波數(shù)據(jù)的特征，設計自適應比例系數(shù)k，將所述訓練回波數(shù)據(jù)歸一化；

二值化：設計閥值為0.8，大于閥值置1，小于閥值置0，將歸一化后的所述訓練回波數(shù)據(jù)二值化得到矩陣C，具體方法如下：

其中，B_mn表示所述訓練回波數(shù)據(jù)矩陣歸一化后第m行第n列的值，C_mn表示所述訓練回波數(shù)據(jù)矩陣二值化后第m行第n列的值；

膨脹化：用結構元素D膨脹所述矩陣C，將結構元素D的原點平移到矩陣C的(m，n)位置：如果D在矩陣C的(m，n)處與矩陣C的交集不為空，則輸出矩陣對應的(m，n)位置賦值為1，否則賦值為0，膨脹操作的表達式如下：

尋找目標輪廓：在膨脹后的所述訓練回波數(shù)據(jù)中尋找目標信號輪廓，采用OpenCV中的findCounters方法，每次進行行掃描，當遇到f(i，j-1)＝0，f(i，j)＝1或者f(i，j)＝1，f(i，j+1)＝0的情況確定(i，j)位置為輪廓位置,并記錄；然后進行列掃描，當遇到f(i-1，j)＝0，f(i，j)＝1或者f(i，j)＝1，f(i+1，j)＝0的情況確定(i，j)位置為輪廓位置，并記錄；

生成矩形框：采用OpenCV中boundingRect方法，計算目標輪廓最小矩形區(qū)域，確定矩形坐標，框出檢測出的雙曲線目標區(qū)域；

建立特征融合網絡，以所述雙曲線目標區(qū)域作為所述特征融合網絡的輸入對所述特征融合網絡進行訓練得到以所述雙曲線目標區(qū)域為輸入、以所述地下圓柱體目標半徑為輸出的按照埋深范圍分類的若干訓練后的特征融合網絡，其中，建立的特征融合網絡包括二層長短時記憶網絡結構、由五層卷積層和五層池化層構成的卷積神經網絡結構和兩層全連接神經網絡結構；卷積神經網絡結構的五層卷積層的卷積核大小都為3×3，步長為1，每層的卷積核個數(shù)分別為4，4，8，16，32，卷積時采用全零填充操作；池化層核大小為2×2，步長為2；長短時記憶網絡結構每層包含80個長短時記憶網絡單元；全連接神經網絡結構中，隱藏層節(jié)點數(shù)為100，輸出層節(jié)點數(shù)為X，X表示半徑類別數(shù)目；

獲取探地雷達對待測地下圓柱體探測得到的實時回波數(shù)據(jù)，對所述實時回波數(shù)據(jù)進行預處理，獲取預處理后所述實時回波數(shù)據(jù)中的雙曲線目標區(qū)域并且估算出所述待測地下圓柱體的埋深；

根據(jù)所述待測地下圓柱體的埋深選擇對應的所述按照埋深范圍分類的特征融合網絡從而得到所述地下圓柱體的半徑。

2.根據(jù)權利要求1所述的一種基于特征融合網絡的地下圓柱體目標半徑估算方法，其特征在于，所述自適應歸一化具體包括：

根據(jù)所述訓練回波數(shù)據(jù)的幅值特征，通過tanh函數(shù)以及設計一個自適應比例系數(shù)k，能夠將背景數(shù)據(jù)的幅值大小限定在0附近，突出目標的數(shù)據(jù)特征，再取絕對值，將數(shù)據(jù)的幅值范圍變換至[0，1]，記每幅所述訓練回波數(shù)據(jù)矩陣為A，自適應歸一化方法如下：

其中，A_(i)表示A中的第i個最大值，I＝10，A_mn表示原始GPR數(shù)據(jù)矩陣上第m行n列的值。

3.根據(jù)權利要求1所述的一種基于特征融合網絡的地下圓柱體目標半徑估算方法，其特征在于，所述特征融合網絡包括長短時記憶網絡、卷積神經網絡和全連接神經網絡。

4.根據(jù)權利要求3所述的一種基于特征融合網絡的地下圓柱體目標半徑估算方法，其特征在于，所述特征融合網絡中包括由五層卷積層和五層池化層構成的卷積神經網絡結構；二層長短時記憶網絡以及兩層全連接神經網絡結構。