[发明专利]一种快速准确的探地雷达目标检测方法

说明书

本发明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。

技术领域

本发明涉及探地雷达目标检测技术领域，特别是涉及一种快速准确的探地雷达目标检测方法。

背景技术

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。

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。

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。

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。

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。

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：

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；

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。

发明内容

有鉴于此，本发明的目的在于提供一种快速准确的探地雷达目标检测方法，用以解决背景技术中提及的技术问题；针对该技术问题，本发明提出使用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。

为了实现上述目的，本发明采用如下技术方案：

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：

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；