基于CNN-SVM的地下目標形狀識別

張天助，周輝林，楊 仙

(1.景德鎮陶瓷大學機械電子工程學院；2.南昌大學信息工程學院，江西 南昌 330031)

探地雷達(ground penetrating radar，GPR)是一種利用地下介質的不連續性對地下目標探測的有效工具[1]。由于GPR具有探測速度快、探測過程連續、操作靈活方便、分辨率高、不破壞被探測目標等特點，廣泛應用于軍事和民用領域。探地雷達主要應用于以下四個方向：(1)地下目標定位；(2)地下目標的尺寸估計；(3)地下目標參數估計；(4)地下目標識別。本文就地下目標形狀識別進行研究。

一般來說，地下目標的電性能參數、位置以及形狀的估計涉及的算法目前可分為兩大類：基于物理模型方法和基于傳統人工設計特征提取的方法。基于物理模型方法中，采用線性逆散射方法設計測量參數成像來估計目標位置[2-3]，同時需要其他算法輔助完成；對地下目標的形狀、電性能參數、大小的估計，通常使用合成孔徑雷達成像方法、時域反射以及非線性逆散射方法[4-7]，不足之處為涉及的算法復雜度高、計算代價較大。在傳統目標分類方法中，一般將人工設計的特征提取算法和分類器結合，從而實現對地下目標的檢測和分類。傳統的人工設計的特征提取方法需要相關研究領域的知識為前提，并且耗時長、提取的特征不具有很好的描述性[8]。目前，隨著人工智能的迅速發展，深度學習算法中的卷積神經網絡成為計算機視覺中最常用的自動特征提取算法[9]。CNN直接輸入圖像數據，在特征提取中不需要過多的人工干預，避免了復雜的人工設計的特征提取過程，同時CNN也廣泛應用于醫學圖像識別[10]、人臉識別[11]等領域。但CNN中的Softmax分類器不能很好的處理非線性輸出問題。鑒于此，本文提出了基于CNN-SVM的地下目標形狀識別算法。

本文的主要工作是將CNN-SVM算法應用于地下目標識別領域，減少復雜的人工特征提取操作，為了提高CNN提取的特征可分性，本文使用支持向量機代替CNN中的Softmax分類器，在地表面光滑和粗糙兩種情況下對地下目標形狀識別，實驗結果表明，相比于原始CNN分類算法和傳統人工設計的特征提取分類算法，CNN-SVM方法具有更好地下目標形狀識別效果。

1 數據預處理

由于GPR圖像雙曲線受發射波形、極化方式、背景介質、埋藏深度、目標的形狀和電性能參數的影響，對于探地雷達圖像的特征提取較為復雜，為了更好的評估CNN-SVM對地下目標形狀分類性能，通過預處理提取地下圓形和矩形目標的GPR圖像的感興趣區域(Region of interest,ROI)，首先通過方差變化和能量分布確定地下圓形和矩形目標位置，然后再去除地下背景數據留下地下目標信息，最后再計算處理后的數據矩陣行和列的能量，進而確定目標的大致區域。能量掃描按式(1)計算：

(1)

式中：xn(i)是第道n數據，M是總的數據道數，En是第n道數據的能量。

然后去除背景數據，并計算目標的行列方向的能量分布。通過選取能量閾值來確定目標位置，將大于閾值的位置保留，反之去除。閾值選取標準按式(2)選取

(2)

2 GPR模型及CNN-SVM框架

2.1 GPR模型

探地雷達由雷達主機、發射天線和接收天線組成。通過移動探地雷達天線獲取地下目標的GPR圖像數據，其中探地雷達的工作原理如圖1。

圖1 探地雷達工作原理圖

2.2 卷積神經網絡

卷積神經網絡主要由輸入層、卷積層、非線性激活函數層、池化層和softmax分類輸出層組成。卷積神經網絡的輸入層一般為二維的圖像數據，使用已經設定好的卷積核對輸入圖像通過卷積學習特征，池化層利用圖像局部相關性對圖像進行下采樣，這樣既可以大幅度減少網絡的數據處理量，同時又保留了特征的有用信息。Softmax將學習到的特征映射到所屬的類。

為了更清楚的理解卷積層和池化層的操作，假設輸入數據集圖像像素大小為m×n，卷積核大小為m×n，步長設為1，外加入偏置項，則經過卷積層輸出的特征圖大小為(m-p+1)×(n-q+1)，卷積層的輸出一般為非線性激活函數輸入，非線性激活函數的輸出為池化層的輸入，池化層輸出特征圖數和卷積層相同，池化操作就是提取特征圖局部的均值或最大值。則第l個卷積層的第j個特征圖上的神經元經過激活函數的輸出為：

(3)

K(x)=max(0,x)

(4)

2.3 CNN-SVM框架

在CNN中使用Softmax作為網絡的分類器。該分類器以全連接為橋梁將CNN提取的特征映射為所屬類別輸出。Softmax分類器在網絡訓練時可以與網絡的后向傳播有效的結合，便于CNN模型中的權值更新，但當分類問題偏非線性時，Softmax不能夠很好的分類。

SVM利用自身的核函數將原始的特征空間中非線性分類界面映射到高維度的特征變換空間中，接著會產生線性分類界面，最后得到良好的分類效果。為了解決Softmax不能夠很好處理非線性問題，鑒于SVM對非線性分類問題表現良好。本文使用SVM代替Softmax作為CNN的模型分類器，并且對CNN提取的地下圓形和矩形目標特征進行分類。

本文在地表面光滑和粗糙兩種場景下，使用CNN-SVM算法對地下圓形和矩形目標識別，具體步驟為：(1)預處理，提取GPR圖像的感興趣區域，主要提取圖像的雙曲線部分；(2)利用CNN學習特征；(3)將CNN學習的特征作為SVM分類器輸入進行訓練；(4)使用未訓練的GPR圖片輸入訓練好的CNN-SVM模型進行分類測試。本文的數據預處理和CNN-SVM算法整體流程如圖2。

圖2 本文CNN-SVM整體流程圖

圖3 本文的CNN-SVM框架

在本文中使用CNN提取特征時，輸入的數據集是經過ROI預處理GPR圖像，使得所有探地雷達圖像輸入大小均為64*64，此外，本文使用dropout斷開網絡中5%的網絡結點以防止網絡過擬合，同時在每個卷積層后面加入Batch-Normalization(BN)技術加快網絡的訓練速度，使用2*2的最大池化(Max-pooling)。本文CNN-SVM整體的結構為輸入層Input-卷積層C1-池化層S1-卷積層C2-池化層S2-卷積層C3-池化層S3-全連接層full connected-分類層SVM，實驗中SVM分類器使用線性核函數，本文使用的CNN-SVM算法的整體實現過程如下：

(1)將經過ROI預處理的探地雷達圖像數據集整體處理成64*64大小作為網絡的輸入。

(2)第一層卷積層的卷積核維度設定為7*7，使用20個卷積核，輸出20個58*58的特征圖。同時在該卷積后插入BN加快網絡訓練速率，將第一層所有的特征圖經過2*2的Max-pooling，即取局部特征圖中4個像素中的最大值，輸出為29*29的特征圖。

(3)將S1的輸出作為后面卷積層的輸入，第二層卷積核大小為10*10，經過卷積后輸出60個20*20的特征圖，將C2的特征圖同上述中操作，得S2層的特征圖為10*10。

(4)將S2的特征圖作為第三層卷積層的輸入，第三層卷積核大小為5*5，輸出100個特征圖，C3特征圖為6*6。最大池化后的特征圖為3*3。

(5)最后將全連接的500張1*1的特征圖與SVM相連，全連接的輸出為1*1*500。

若訓練集數為{1,2,3……m}，測試集數為{1,2,3……n}，則此時SVM特征的的訓練集輸入維度為500×m，測試集m輸入維度為500×n，最后得目標識別結果。

本文的CNN-SVM框架結果如圖3，實現細節如表1。

3 數據集仿真

本文使用電磁仿真軟件gprMax分別仿真地表面在光滑和粗糙情況下，地下圓形和矩形目標在不同介電常數、不同深度、不同大小情況下的探地雷達圖像，并使用仿真得到的探地雷達圖像進行實驗。

表1 CNN-SVM實現細節

在地表面光滑GPR數據仿真中，發射波形與天線參數設置如下：(1)天線發射信號波形為中心頻率為900 MHz的ricker波；(2)發射天線和接收天線的距離d為0.15λ(λ為電磁波波長)；(3)探地雷達距地面的高度0.06λ；(4)兩個相鄰收發一體的天線的距離為0.05 m；(5)時窗為25 ns。

地下圓形和矩形目標特性設置為：(1)背景的介電常數為設為5，電導率為0.005 S·m-1；(2)地下場景的維度固定為4.2×4.2 m；(3)圓形目標(埋藏深度[1.7 2.4]m)，半徑范圍[0.1 0.28]m，介電常數εr∈[14.0 28.0]，電導率為0.005 S·m-1)；(4)矩形目標(埋藏深度[1.7 2.4]m)，大小范圍：長[0.1 1.0]m,寬[0.1 1.0]m，介電常數設置為εr[14.0 28.0]，電導率為0.005 S·m-1)。

在地表面粗糙情況下，地表面粗糙度系數設置為0.4～0.6，發射天線、接受天線的參數設置以及地下目標參數的設置和光滑地面所設置的相同。

地表光滑情況下，仿真得到500組探地雷達圖像，圓形和矩形目標各250組。在地表粗糙情況下，仿真得到400組粗糙面探地雷達圖像，圓形和矩形目標各200組。部分仿真的GPR圖像如圖4所示。

圖4 部分仿真GPR圖像數據

4 實驗結果與分析

4.1 實驗數據集

為了驗證本文CNN-SVM方法對地下圓形和矩形目標的識別的有效性，使用仿真的地下目標探地雷達圖像數據集進行實驗，本文在地表面光滑和粗糙兩種情況下對地下圓形和矩形目標識別實驗，首先在地表面光滑情況下，使用仿真的500組數據，80%作為訓練，20%作為測試。在地表面粗糙的場景下，同樣使用相同的訓練和測試策略。輸入均為64*64的RGB探地雷達圖像。

4.2 分類評價指標

在本實驗中，使用二分類問題常用的評價標準對分類模型進行評測，分別為準確率(accuracy)、精度(precision)和召回率(recall),計算公式為：

假設TP是目前類別為陽性且被預測為陽性的數量，FP是目前類別為陰性且被預測為陽性的數量，TN是目前類別為陰性且被預測為陰性的數量，FN是目前類別為陽性且被預測為陰性的數量，P為屬于該類別的總類別數。

4.2 光滑面地下目標形狀識

實驗中，為了將CNN-SVM地下目標形狀識別結果與傳統人工設計的特征的識別結果進行比較，由于HOG特征是目前最具描述力的特征之一，在光滑地表面情況下，提取地下目標探地雷達圖像的HOG特征，再使用SVM對地下目標形狀的HOG特征進行分類，實驗中使用400光滑地表面探地雷達圖像作為訓練，100組做測試。

在CNN-SVM實驗中，首先搭建CNN對探地雷達圖像訓練和特征學習，搭建好CNN模型之后，CNN的參數設置如下：學習率設為0.003,網絡訓練迭代次數為200,Batch Size為320。在訓練好CNN之后，使用SVM代替CNN中softmax分類層，將CNN中全連接的的特征輸入SVM進行特征訓練以及地下目標形狀識別。由于實驗中CNN全連接層輸出的特征維度為500個1*1的特征，因此，將實驗中400組訓練集探地雷達圖像經過CNN后轉化為400*500的特征用于SVM訓練，100組測試集轉化為100*500的特征用于SVM測試。

實驗中CNN訓練200次得200個網絡模型，將每個網絡訓練模型中的softmax分類層更換為SVM分類層，最后所得CNN-SVM的誤差曲線與原始CNN誤差曲線如圖6，同時比較實驗中CNN學習特征和傳統HOG特征的區別如圖5，可見，與提取的HOG特征相比，CNN學習的特征更具有更好的泛化力，分別計算CNN-SVM對測試集分類所得到的準確率(accuracy)、精度(precision)和召回率(recall)，并且與CNN、HOG-SVM算法對比，實驗結果如表2所示，得到ROC曲線如圖7。

圖5 CNN提取的特征與HOG特征

Epoch

False positive rate

表2 光滑地表面目標識別結果

表3 粗糙地表面目標識別結果

根據上述實驗結果，可以看出本文的CNN-SVM算法對于地下目標形狀識別結果明顯優于HOG-SVM和CNN算法，由圖3，CNN-SVM方法收斂更快，訓練誤差更小。

4.3 粗糙面地下目標形狀識別

在粗糙地表面情況下，對地下目標形狀分類實驗中，使用的CNN-SVM框架和光滑地表面的相同，粗糙地表面情況下，使用400組粗糙面地下目標探地雷達圖像進行實驗，其中320作為訓練，80組作為測試。CNN網絡參數將Batchsize改為300，最后所得分類結果如表3，ROC曲線如圖7。

由于仿真數據在地表面粗糙情況下和實際情況更接近，用于訓練和測試的探地雷達圖像中存在的干擾較多，但是根據表3，CNN-SVM算法仍有相對較高的地下圓形和矩形目標的分類結果。根據圖8 ROC曲線可以看出，CNN-SVM方法分類性能優于CNN和HOG-SVM算法。

False positive rate

5 結語

對于傳統地下目標識別方法存在的問題，本文提出基于CNN-SVM地下目標形狀識別方法。通過該算法解決傳統特征提取和CNN分類器中存在的問題，使用支持向量機代替CNN中Softmax分類器。利用光滑和粗糙地表面的探地雷達圖像數據集對該方法進行驗證，實驗結果表明，在不需要人工提取特征的情況下，該方法對地表面光滑的地下目標形狀識別實驗中，達到了97%的平均識別率，在地表面粗糙情況下，對地下目標識別實驗中，該方法對地下目標的識別率仍高于傳統分類算法，因此，該方法在探地雷達目標識別領域具有一定的應用價值。