一种基于特征融合的地下目标探测识别系统及方法
【技术领域】
[0001] 本发明涉及地球探测与现代信息处理技术领域，尤其涉及一种基于特征融合的地 下目标探测识别系统及方法。
【背景技术】
[0002] 探地雷达（Ground Penetrating Radar，GPR)是20世纪80年代新兴起的一种利 用电磁波反射原理，来探测地下目标物以及地质结构与分布的浅地层无损探测技术。它根 据电磁波在介质中传播时，其传播路径、强度、波形随介质的电磁性质和几何结构而发生变 化的性质，推断介质的结构和目标的位置、形状等。作为一种新兴的地球物理探测手段，具 有探测效率高、探测精度高、宽频带、抗干扰、无损伤探测、结果直观等诸多优点，已经成为 浅层地下探测的有效手段，应用范围已遍及经济建设和国防建设各个领域。
[0003] 相对于探空雷达，目前GPR技术主要受以下几个因素的制约：
[0004] (1)地下介质的非均匀性。由于地下物质成分的多样和复杂，其作为电磁场的传播 介质是极不均匀的。介质的这种不均匀性导致电磁波传播性能差异很大。实际工作中常常 无法定量地对探测环境进行标定，因而GPR性能的预测通常是经验性的，远非精确的。
[0005] ⑵介质损耗及色散性。电磁波在有耗介质中传播将遇到较大衰减。对于同一介 质，频率越高，则衰减越大，穿透深度相应降低；对不同介质，在同一频率下，其穿透深度也 有很大差别。此外，电磁波在介质中传播，各个频率分量的电磁波以不同的相速度传播，经 过一段距离后，它们相互之间的相位关系发生改变，从而导致信号失真，即具有色散性。电 磁波传播过程中的介质损耗及色散性对GPR探测精度具有很大影响。
[0006] (3)地层电磁特性的随机性。由于组成大地物质的物理成分、密度、湿度等因素因 地而异变化很大，从而导致表征大地电磁特性的几个参数（介电常数，导磁率，导电率）也 随之变化。地下介质电磁特性的变化直接影响地下电磁波的传播速度、振幅衰减，严重限制 着GPR系统最大探测深度和目标定位精度。
[0007] (4)强杂波背景。地下埋藏的目标包括各种各样的人为以及天然的杂质，地面上的 外部环境、设施的杂乱回波，都将对GPR探测回波产生复杂的干扰，形成噪声，从而影响GPR 成像质量。
[0008] (5)界面反射。从空间到地下的探测，由于地面的存在而导致很强的地跳干扰及天 线特性的加载失配。
[0009] 以上几个方面的因素造成GPR系统数据处理与分析实现上的困难。尤其是使地下 目标特征不变量的确定及目标的检测和识别非常困难。如何从的海量数据中，选择和提取 目标区数据，并对提取的目标数据进行准确判别，是GPR数据处理与应用中面临的一个难 点问题。
【发明内容】
[0010] 本发明所要解决的技术问题是针对现有技术的不足，提供一种基于时域特征、功 率谱、小波包能谱及高阶谱多参数特征融合，进行地下目标探测识别系统及方法。
[0011] 本发明解决上述技术问题的技术方案如下：
[0012] 一种基于特征融合的地下目标探测识别系统，包括：探地雷达回波检测模块，用于 检测与采集探地雷达的回波信号；预处理模块，用于对采集的回波信号进行预处理；信号 增强模块，用于采用小波域多尺度分析方法对经预处理的回波信号进行增强处理；多特征 提取模块，用于提取经增强处理的回波信号的时域特征和小波包能谱特征，并对增强经处 理的回波信号进行Welch功率谱估计及高阶谱分析，分别得到Welch功率谱和高阶谱；特征 融合模块，用于对回波信号的时域特征、小波包能谱特征、Welch功率谱和高阶谱进行融合； 目标识别模块，用于对融合的四类信号特征通过小波神经网络进行目标识别；结果输出模 块，用于输出目标识别后的结果。
[0013] 本发明的有益效果是：本发明基于时域特征、小波包能谱特征、Welch功率谱及高 阶谱的多特征信息融合，基于融合特征进行地下目标的综合探测识别，与单一参数特征识 别方法相比，该方法可有效地实现对不同形状和材质的地下目标体（如地下的管状体、球 状体、以及金属、塑料、水泥等材料构成的地质体）进行识别，识别准确度高。
[0014] 在上述技术方案的基础上，本发明还可以做如下改进。
[0015] 进一步，所述预处理模块包括抑制单元和滤除单元；所述抑制单元，用于采用均值 法抑制回波信号中的地杂波和直流信号；所述滤除单元，用于采用维纳滤波器去除宽带杂 波和周期杂波。
[0016] 采用上述进一步方案的有益效果是：探地雷达回波信号由收发天线间直接耦合 波、地面反射波、地下介质不连续产生的后向散射波、随机干扰等构成。直接耦合波和地面 反射波组成的直达波直接影响回波目标信号。因此，为了能够从目标信号中提取出有用信 号，必须对采集的回波信号进行一系列的预处理。包括滤波、延时校正等。
[0017] 进一步，所述多特征提取模块包括时域特征提取单元、小波包能谱特征提取单元、 Welch功率谱估计单元和高阶谱估计单元；
[0018] 所述时域特征提取单元，用于将回波信号进行平均分段，分别计算每一段的时域 特征，所述时域特征包括有效值、平均值、方差、偏度值和峰度值；
[0019] 所述小波包能谱特征提取单元，用于将回波信号进行小波包分解，在求解不同尺 度上的信号小波包谱的基础上，构造关于分解尺度的小波包能谱函数，形成小波包能谱特 征向量，建立样本特征模型，进而分析目标特征信息；
[0020] 所述Welch功率谱估计单元，用于将回波信号进行分段，各段数据存在部分重叠， 对每一段数据通过预定窗函数进行平滑处理，进而对各段谱求平均；
[0021] 所述高阶谱估计单元，用于将回波信号进行分段，对每段数据进行去均值操作，计 算每段数据的三阶累积量，将各段的三阶累积量进行统计平均，得到各段的总累积量，利用 各段的总累积量进行三阶谱估计。
[0022] 进一步，所述小波包能谱特征提取单元还对小波包能谱特征向量进行归一化处 理。
[0023] 采用上述进一步方案的有益效果是：为突出样本模型的信号结构特征以及进行数 据分析的方便，对小波包能谱特征向量进行归一化处理，以消除相同目标埋深不同引起的 能量差异。
[0024] 进一步，所述目标识别模块采用小波神经网络分类器，运用小波神经网络对输入 的融合特征反复训练，通过输出误差的反馈，自动调整分类器参数，进而进行识别输出分类 结果。
[0025] 采用上述进一步方案的有益效果是：小波神经网络是由大量非线性处理单元广泛 互连而成的网络，具有大规模并行处理、分布式信息存储、非线性动力学和网络全局作用等 特性。小波神经网络分类器的样本参数隐含于网络的连接权中。它无需被事先知道，在反 复训练中通过网络输出误差的反馈、自动调整以达到期望目标。
[0026] -种基于特征融合的地下目标探测识别方法，包括如下步骤：
[0027] S1，检测与采集探地雷达的回波信号；
[0028] S2,对采集的回波信号进行预处理；
[0029] S3,采用小波域多尺度分析方法对经预处理的回波信号进行增强处理；
[0030] S4,提取经增强处理的回波信号的时域特征和小波包能谱特征，并对增强经处理 的回波信号进行Welch功率谱估计及高阶谱分析，分别得到Welch功率谱和高阶谱；
[0031] S5,对回波信号的时域特征、小波包能谱特征、Welch功率谱和高阶谱进行融合；
[0032] S6,对融合的四类信号特征通过小波神经网络进行目标识别；
[0033] S7，输出目标识别后的结果。
[0034] 在上述技术方案的基础上，本发明还可以做如下改进。
[0035] 进一步，步骤S2的具体实现为：采用均值法抑制回波信号中的地杂波和直流信 号；采用维纳滤波器去除宽带杂波和周期杂波。
[0036] 进一步，所述步骤S4中，
[0037] 计算时域特征参数的实现为：将回波信号进行平均分段，分别计算每一段的时域 特征，所述时域特征包括有效值、平均值、方差、偏度值和峰度值；
[0038] 计算小波包能谱特征的实现为：将回波信号进行小波包分解，在求解不同尺度上 的信号小波包谱的基础上，构造关于分解尺度的小波包能谱函数，形成小波包能谱特征向 量，建立样本特征模型，进而分析目标特征信息；
[0039] 计算Welch功率谱的实现为：将回波信号进行分段，各段数据存在部分重叠，对每 一段数据通过预定窗函数进行平滑处理，进而对各段谱求平均；