申请/专利权人：哈尔滨工业大学;北京机电工程总体设计部

申请日：2021-08-17

公开（公告）日：2024-04-02

公开（公告）号：CN113780362B

主分类号：G06V10/764

分类号：G06V10/764;G06V10/774;G06V10/762;G06V10/44;G06V10/50

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2021.12.28#实质审查的生效;2021.12.10#公开

摘要：本发明提出一种基于隐马尔可夫模型的探地雷达地下空洞目标自动识别方法，所述方法共6个步骤：对已获取的地下空洞目标的探地雷达回波图像进行预处理得到处理后的横向波纹得到抑制的图像；对生成的图像进行预筛选标注明确空洞目标像素位置；利用已标注的数据进行图像增广处理得到处理后的具有相似分布的图像；利用增广图像数据集，使用三种方法进行特征提取得到特征向量数据集；将获得的特征向量分为训练集和验证集，对隐马尔可夫模型进行训练得到权重模型；将获得的验证集输入得到的权重模型，对地下空洞目标探地雷达回波图像进行目标识别分类。本发明解决现有方法难以检测识别地下空洞目标的问题。

主权项：1.一种基于隐马尔可夫模型的探地雷达地下空洞目标自动识别方法，其特征在于，所述自动识别方法包括以下步骤：步骤1：对已获取的地下空洞目标的探地雷达回波图像进行预处理，得到横向波纹被抑制的探地雷达回波图像；步骤2：对步骤1得到的探地雷达回波图像进行预筛选，标记明确空洞目标像素位置；步骤3：利用步骤2中已标记的数据进行图像增广处理，得到处理后的具有相似分布的探地雷达回波图像；步骤4：利用步骤3的增广图像数据，使用边缘直方图描述符、方向梯度直方图和Log-Gabor滤波器方法进行特征提取，得到特征向量数据集；步骤5：将步骤4获得的数据集分为训练集和验证集，对隐马尔可夫模型进行训练，得到权重模型；所述步骤5对隐马尔可夫模型进行训练，得到权重模型具体为：所述的隐马尔可夫模型包含5个隐状态，使用混合高斯模型对观测值概率进行建模；训练参数为混合高斯模型迭代次数为100次，训练参数为隐马尔可夫模型迭代次数，共计两次迭代，次数分别为10次和100次；先对混合高斯模型进行训练：首先构建一组高斯混合模型，使用K-means方法进行初始化，然后使用EM算法对模型参数进行估计，并使用训练集进行训练，对参数进行迭代与更新；混合高斯模型的训练完成后，需要进行隐马尔可夫模型λ＝N,M,π,A,B的训练，使用Baum-Welch算法求解模型参数，其中N为隐藏状态的数量，M为可以观测的序列的状态数量，π为观测矩阵B初始状态概率向量，A为转移矩阵，B为观测矩阵；定义观测序列为V，对参数π、A、B进行估计：πi为参数π中元素，表示初始时刻隐藏状态为Si的概率，i为正整数；bjk为参数B中元素，表示t时刻隐藏状态为Sj的条件下观测状态为Vk的概率，k＝1,2,3，……M；j为正整数；aij为参数A中元素，表示t时刻隐藏状态为Si下一时刻隐藏状态为Sj的概率；将训练混合高斯模型的训练集进行整合，对混合高斯模型-隐马尔可夫模型进行训练，从而得到权重模型；步骤6：将步骤5获得的验证集输入得到的权重模型，对地下空洞目标探地雷达回波图像进行目标识别分类。

全文数据：

权利要求：

百度查询： 哈尔滨工业大学;北京机电工程总体设计部 一种基于隐马尔可夫模型的探地雷达地下空洞目标自动识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD