第1章 绪论
探地雷达（Ground Penetrating Radar，GPR）是一种探测介质内部特性和分布规律的无损探测设备[1,2]。与传统机械式挖掘和钻孔采样方法相比，探地雷达技术是对探测对象无损害的探测技术，具有系统操作简单方便、目标探测分辨率高、介质穿透力强、经济实用等优点[3]，已被广泛应用于地下管线的探测工作[4]。
在真实环境中，探地雷达接收到的信号十分复杂，诸多因素会影响浅层目标检测结果。首先，许多干扰源会导致探地雷达数据中包含许多不同类型的杂波，常见的如接收脉冲余振、系统内部干扰、地表不光滑或地下介质不均匀等引起的电磁波散射会产生与目标信号相位变化不同但振幅相似的杂波[5]。其次，接收电台、无线电广播等信号源发射的无线信号会使探地雷达数据中包含许多频率较高但振幅、相位变化相似的杂波，杂波的增加会增大浅层目标检测的虚警率。此外，不同结构的地下介质会使探地雷达信号产生许多振幅和频率较高的噪声，如椒盐噪声、高斯噪声等[6]。噪声过多可能影响目标信号的波形，从而降低浅层目标检测的准确率，因此杂波和噪声过多都会导致检测过程中误识或丢失目标。由于双曲波提取结果对工程的顺利实施具有较大影响，所以开展探地雷达双曲波提取的研究有着重要的研究价值与现实意义。探地雷达双曲波提取方法可以分为四个方面：基于时域信号分析方法、基于图像处理方法、基于双曲波形态分析方法和基于深度学习方法。
1．基于时域信号分析方法
探地雷达数据根据扫描方式的不同，会呈现出三类不同形态：A-scan、B-scan和C-scan，可以通过从时域信号A-scan角度对地下反射的信号进行分析，判定地下是否含有要探测的目标。文献[7]在传统的目标特征提取方法的基础上引入基于核的非线性变换，实现探地雷达数据从低维到高维的映射。在高维空间中利用无监督学习的主成分分析（Principal Component Analysis，PCA）对核矩阵进行降维重建，再采用传统的线性判别分析法（Linear Discriminant Analysis，LDA）提取探地雷达目标特征。文献[8]利用时频分析和图像纹理分析相结合的方法进行探地雷达多目标识别。在时频分析阶段，采用不含时间窗的维格纳-威利（WVD）分布对时域信号分析，可得到二维时域-频域联合分布图像。在此基础上，采用能量指数或均匀度（EN）、四阶簇变形指数（CP）、二阶差分矩（SODM）、相关性指数（CO）、第一奇异向量指数（FSVel）和第一奇异值指数（FSVal）六个纹理描述算子对二维时域-频域联合分布图像进行描述，能够直接反映时域信号的变化特征。
2．基于图像处理方法
探地雷达B-scan剖面图中双曲波的目标检测与计算机视觉中人或物体的目标检测有着相同的任务，都是提取图像中主要特征，通过对特征的筛选从而确定图像的目标。因此，可以基于图像层面对探地雷达数据进行处理。Chen等[9]基于能量检测的方法提取出感兴趣区域（Region of Interest，ROI），再通过霍夫（Hough）变换准确检测出双曲波。Maas等[10]将人脸检测框架里的Viola-Jones应用到探地雷达双曲波的形态定位，接着利用霍夫变换对双曲波进行拟合。Hough变换是一种特征检测（feature extraction）方法，在参数空间中执行投票来决定物体的形状，取得了较好的拟合精度，但时间复杂度高。Torrione等[11]利用方向梯度直方图（Histogram of Oriented Gradient，HOG）从down-track和cross-track两个剖面进行双曲波特征提取。Liu等[12]利用Sobel算子对二值图进行边缘处理，细化边缘用于定位目标位置的双曲波轨迹，但该方法对于噪声比较强的图像处理效果较差。Frigui等[13]使用边缘直方图描述符（Edge Histogram Descriptors，EHD）对双曲波进行特征提取，并使用K-Nearest Neighbors（K-NN）作置信度分配。文献[14]提出一种基于图像熵变化和窗口能量检测的自动目标检测和定位方法。在此基础上，文献[15]结合用于合成孔径雷达（Synthetic Aperture Radar，SAR）数据分类的9分区H-α分类图提出4分区H-α分类图并用于探地雷达浅层目标检测，提高了检测过程的准确率。凝聚层次聚类（Agglomerative Hierarchical Clustering，AHC）是目前常见的无监督聚类算法之一，由于该方法无须预先指定类别数目，并且能够发现类间的层次关系，因此常被用于数据挖掘和数据分析。文献[16]使用AHC将探地雷达数据分为多个簇，并结合隐马尔可夫模型来构建级联分类器，从而提高检测过程中算法的稳定性。文献[17]使用探地雷达数据训练离散隐马尔可夫模型（Discrete hidden markov model，DHMM），并用于浅层目标检测。文献[18]考虑到不同干扰源对应的杂波类型，提出Multi-stream DHMM算法用于去除不同类型的杂波，降低了目标检测过程的虚警率。Manandhar等[19]将标准隐马尔可夫模型（Hidden Markov model，HMM）方法发展为一种多实例隐马尔可夫模型（Multiple-Instance Hidden Markov Model，MIHMM）的新方法，使用变分贝叶斯推断模型参数，使得模型易于处理双曲波。文献[20]将HMM的每个状态节点看作符合正态分布，提出使用连续隐马尔可夫模型（Continues Hidden Markov Model，CHMM）进行探地雷达浅层目标检测，有效提高了检测过程的准确率。这类方法具有较高的准确率，但需要预先设定隐含节点的数量，限制了该模型的泛化能力。
3．基于双曲波形态分析方法
Dou等[21]提出列连接聚类（Column Connection Clustering，C3）算法，对前期提取的感兴趣区域进行双曲波相邻列之间的聚类，以双曲波模板函数的相关系数为特征，判断坐标点集是否符合双曲波特性。Zhou等[22]提出开放式扫描聚类算法（Open Scan Clustering Algorithm，OSCA），对B-scan剖面图的每一行数据进行扫描，获得坐标点集信息，并根据双曲波开口方向和中心轴位置剔除不满足双曲线特征的点集，但是当图像中杂波较多或双曲波形态不完整时，导致算法的提取效果变差。Lei等[23]利用循环神经网络（Recurrent Neural Networks，RNN）获得置信度较高的双曲波区域，并在文献[22]提到的OSCA算法基础上，提出双聚类搜索估计（Double Cluster Seeking Estimate，DCSE）算法，对双曲波进行两次聚类操作，进一步消除向下开口的非目标点集。文献[24]从双曲线性质、时域信号分析、数字图像分析、机器学习、数学模型、综合性方法，以及深度学习方法七个方面，总结了近几年来面向双曲波形态的探地雷达双曲波识别方法。文献[25]中，加入形状约束改进Snake算法，提取管线目标的轮廓，其中步骤包括图像平滑及背景消除、利用高频分量去掉大部分不含目标区域、利用区域消除获得Snake算法的初始包络和利用能量函数局部最小化更新拟合曲线。
4．基于深度学习方法
为提高浅层目标检测过程的准确率和泛化能力，深度学习也被广泛用于双曲波提取[26,27]，其中卷积神经网络（Convolutional Neural Networks，CNN）是一种广泛应用于双曲波区域检测的方法，例如Sakaguchi等[28]和Besaw等[29]都直接运用CNN对二维图像进行处理，有效地从大量雷达图像的正负样本集中学习到相应特征，避免了复杂的双曲波特征提取过程。Pham等[30]首先在Cifar-10数据库上预训练CNN获得网络初始参数，接着在探地雷达数据集上训练和微调Fast-RCNN框架，用于检测图像中的双曲波。文献[31]使用探地雷达获取隧道数据，并提出使用CNN进行分类，达到91.83%的分类准确率。
部分深度学习方法在训练过程中无须标记样本，且对训练样本的数量要求相对较小，因此常被用于提取目标特征，并与传统的机器学习方法结合进行探地雷达浅层目标检测。比如，文献[32]基于稀疏表示理论训练多层深度字典，并将其作为SVM、KNN等分类器的特征用于目标检测，在保证分类准确率的基础上减小了训练样本的数量；文献[33]利用训练数据之间的关联性，基于在线词典学习方法构造了用于浅层目标检测的小型批量在线词典学习方法（Drop-off mini-batch online dictionary learning，DOMINODL），该方法具有更短的训练时间，提高了浅层目标检测的效率。
生成对抗网络（Generative Adversarial Networks，GAN）是图像生成领域的一个研究热点，王辉等[34]采用Cy-cleGAN算法对GPR图像数据进行增强处理，利用Faster R-CNN算子定位图像中双曲线所处区域，并采用最小二乘法拟合双曲波。Zhang等[35]提出一种基于Gans的深度学习框架，通过端到端的方式自动学习图像特征，主动检测出B-scan剖面图中的双曲波。基于掩模区域的卷积神经网络(Mask R-CNN)，通过添加一个用于预测对象蒙版的分支来扩展R-CNN使之更快，该分支与现有的用于边界框识别的分支并行。Hou等[36]基于Mask R-CNN架构，引入了一种新的距离引导交集（Distance Guided Intersection over Union，DGIoU）作为双曲波检测和分割的损失函数，有效提高Mask R-CNN的性能。Ozkaya等[37]提出卷积支持向量机（Convolutional Support Vector Machine，CSVM）来分析探地雷达图像，利用SVM分类器进行标签预测，从而更好地对双曲波进行分类。