本发明属于探地雷达扫描图像检测，特别涉及一种基于探地雷达的里程计估计方法。
背景技术：
1、在使用传感器测量车辆或机器人行进距离时，最常用的非车轮编码器莫属，但其有一个缺陷，即在车轮打滑或卡顿的情况下，车轮编码器的测量值将失效。
2、在具有挑战性的天气和环境场景中精确定位机器人和车辆对于自动驾驶至关重要。目前常用的定位方法依赖于机载传感器，如全球定位系统(gps)接收器、摄像机、激光雷达和惯性测量单元(imu)，主要包括以下几种方法：
3、①基于学习的gpr里程计模型：使用残差网络(resnet-18)，从两张拥有显著特征的b扫描图像中提取出特征图，然后采用滑动窗口比较两组特征图的相似性，得到一组最相似的窗口索引，之后将窗口索引放入全连接层进行回归，得到车辆或机器人行进距离的估计值。
4、②cnn-lstm模型：将连续多对相邻的b扫描图像放入卷积神经网络(cnn)中得到一组特征向量，将一组特征向量放入长短期记忆网络(lstm)中，得到车辆或机器人行进距离的估计值。
5、③多模态里程计模型：通过从b扫描图像中提取关键反射峰值点，构建出能表征地下特征空间分布的地下特征矩阵(sfm)，然后计算相邻时刻sfm之间的最佳水平匹配偏移量并将其转换为物理距离，得到车辆或机器人行进距离的估计值。
6、但是，这些方法在城市峡谷、隧道等环境中或在恶劣天气条件下受到严重阻碍，从而给自动驾驶带来了重大的安全挑战。另外，依赖人工特征设计，主观性强且计算复杂；在高度相似的相邻b扫描图像检测中失效。
7、探地雷达(gpr)是一种利用率较低的传感器，可以有效地探测地下地物，相对于车轮编码器，探地雷达(gpr)采集数据时不受车轮打滑的影响。相比之下，城市道路的地下结构和特征保持稳定，受这些不利条件的影响较小，从而为提高恶劣天气或环境条件下定位的可靠性和鲁棒性提供了新的机遇。但现有探地雷达里程计技术在处理相邻b扫描图像时，因相邻b扫描图像间的特征差异性微小，从而导致距离估计误差较大。
技术实现思路
1、为了解决上述问题，本发明的目的在于提供一种基于探地雷达的里程计估计方法。
2、为了达到上述目的，本发明提供的基于探地雷达的里程计估计方法包括按顺序进行的下列步骤：
3、1)采用公开的cmu-gpr数据集，对其中的gpr原始信号进行背景去除、去直流偏移、三角带通滤波、sec增益补偿、小波去噪和高斯平滑处理，获得多帧b扫描图像；
4、2)构建原始里程计估计模型，然后将步骤1)获得的任意相邻两帧b扫描图像输入原始里程计估计模型进行训练，获得训练后的里程计估计模型；
5、3)利用安装在行进车辆或机器人上的探地雷达采集一系列地下地物的gpr原始信号，然后按照步骤1)的方法进行处理而获得多帧b扫描图像，之后将相邻两帧b扫描图像输入上述训练后的里程计估计模型，输出车辆或机器人的行进距离。
6、在步骤1)中，所述对gpr原始信号进行背景去除、去直流偏移、三角带通滤波、sec增益补偿、小波去噪和高斯平滑处理，获得多帧b扫描图像的方法是：
7、1.1)背景去除处理
8、计算所有扫描信号在水平道上的平均值，并从gpr原始信号中减去该平均值，获得背景去除后分量，公式如下：
9、
10、其中，n为水平道数，t为时间采样点，x为水平道序号,s(t，x)为原始信号的第x行；
11、1.2)去直流偏移处理
12、对每个扫描道进行三次多项式曲线拟合，获得基线分量：
13、
14、然后从gpr原始信号s(t)中减去该基线分量，获得去除直流偏移后的分量，公式如下：
15、sdewow(t)＝s(t)-sbase(t)
16、其中，ck为多项式系数；
17、1.3)三角带通滤波处理
18、滤波器系数由下式确定：
19、
20、其中，fmin＝200mhz，fmax＝850mhz为通带边界，fs为采样频率，wtri为三角窗函数，n为整数变量，取值范围为-k≤n≤k，其中k＝(n-1)/2，n为滤波器长度或阶数；
21、基于滤波器系数和gpr原始信号s(t)，计算出滤波后的分量，公式如下：
22、sfiltered(t)＝s(t)*h[n]
23、1.4)sec增益补偿处理
24、首先定义时变增益函数：
25、g(t)＝tb·ea·t
26、其中，a为指数增益系数；b为幂律增益系数；然后利用上述时变增益函数对超过时间阈值tth的gpr原始信号s(t)进行增益饱和，获得限幅后的时变增益函数gclip(t)：
27、
28、基于限幅后的时变增益函数gclip(t)和gpr原始信号s(t)，计算得到增强后的分量：
29、ssec(t)＝s(t)·gclip(t)
30、1.5)小波去噪处理
31、基于daubechies小波基函数对gpr原始信号s(t)进行分解，公式如下：
32、cj,k＝<s,ψj,k>
33、采用贝叶斯自适应阈值算法确定最优阈值：
34、
35、其中，为噪声方差估计；
36、基于daubechies小波基函数和最优阈值，获得小波去噪后分量：
37、
38、1.6)高斯平滑处理
39、采用标准差为σ的高斯核函数对gpr原始信号s(t)进行空间平滑处理，公式如下：
40、
41、通过卷积运算实现时域平滑，获得平滑处理后分量：
42、
43、在步骤2)中，所述构建原始里程计估计模型，然后将步骤1)获得的任意相邻两帧b扫描图像输入原始里程计估计模型进行训练，获得训练后的里程计估计模型的方法是：
44、2.1)构建原始里程计估计模型；所述原始里程计估计模型由特征提取模块、并行设置的差异性检测模块、相似性检测模块以及全连接回归模块级联而构成；其中，特征提取模块由骨干网络和自适应平均池化层级联而构成；骨干网络采用resnet-18网络中从初始卷积层至第4个残差块的前六层；差异性检测模块由张量减相层、3×3卷积层、批量归一化层、激活函数和丢弃单元级联而构成；相似性检测模块由展平层和余弦相似度计算单元级联而构成；全连接回归模块由两个并行设置的全连接层构成；
45、2.2)将步骤1)获得的任意相邻两帧b扫描图像输入上述原始里程计估计模型中的特征提取模块进行特征提取，获得全局特征；
46、首先利用特征提取模块中的骨干网络，通过卷积、批量归一化和relu激活的堆叠操作，提取出t-1时刻和t时刻的b扫描图像bt-1和bt中的空间特征，由此将1通道的224×224的灰度b扫描图像转换为512通道的7×7空间特征图，公式如下：
47、fs＝relu(bn(conv3×3(i)))+identity(i)
48、其中，i∈rb×1×224×224为b扫描图像的批次，relu为relu激活函数，identity(i)为残差连接，conv为卷积操作，bn为批量归一化操作；
49、然后利用自适应平均池化层对上述空间特征图进行全局压缩，公式如下：
50、
51、其中，h为空间特征图的高度，w为空间特征图的宽度，c为通道索引；
52、获得全局特征fg∈rb×512×1×1；
53、2.3)利用差异性检测模块对上述步骤2.2)获得的全局特征进行差异性检测，获得差异性特征；
54、利用差异性检测模块中的张量减相层通过计算两个全局特征fg,t-1和fg,t之间的绝对差，得到表示特征差异性的差向量，公式如下：
55、δf＝|fg,t-fg,t-1|
56、基于上述差向量δf，采用3×3卷积层提取出两个全局特征的局部差异性特征，公式如下：
57、
58、其中，w∈r512×512×3×3为可学习卷积核，表示卷积操作，bc为偏置项；随后基于上述局部差异性特征，通过批量归一化层稳定训练过程，获得归一化特征，公式如下：
59、
60、其中，μb，σb为批次统计量，ε为一个极小常数，以防止除以零，β是一个可学习的偏移参数；
61、最后基于上述归一化特征，利用激活函数和丢弃单元引入非线性激活与正则化，获得差异性特征，公式如下：
62、dact＝max(0.2×dnorm，dnorm)
63、dt-1,t＝dropout0.2(dact)
64、其中，20％的丢弃率dropout通过随机失活来提升模型的泛化性；
65、2.4)利用相似性检测模块对上述步骤2.2)获得的空间特征图进行相似性检测，获得相似性特征；
66、利用相似性检测模块中的展平层将步骤2.2)获得的空间特征图fs展平，公式如下：
67、φ:rb×512×7×7→rb×512×49
68、然后利用余弦相似度计算单元，逐通道计算空间特征图fs的余弦相似度，继续获得相似性特征，公式如下：
69、
70、2.5)利用全连接回归模块对上述步骤2.3)获得的差异性特征和步骤2.4)获得的相似性特征进行进行回归及融合，获得训练后的里程计估计模型；
71、首先对上述差异性特征dt-1，t和相似性特征st-1，t独立进行回归，公式如下：
72、
73、其中，wd,ws∈r512为可学习权重，bd，bs为可学习的偏置值；为用于量化特征变化的绝对强度，为用于衡量特征方向的一致性程度；最终通过自适应权重α对上述绝对强度和一致性程度进行动态融合，获得车辆或机器人的行进距离ot-1，t，公式如下：
74、
75、最终完成训练而获得训练后的里程计估计模型。
76、本发明提供的基于探地雷达的里程计估计方法具有如下有益效果：
77、所采用的里程计估计模型可通过联合提取b扫描图像的差异性特征和相似性特征，来显著提升相邻两帧b扫描图像间欧氏距离的估计精度，尤其适用于恶劣天气或地下结构稳定的场景，如隧道、停车场等。