推荐综述丨面向探地雷达 B-scan图像的目标检测算法综述
网络图片
利用无损探测技术来获取地下目标的信息是当前研究的热点，探地雷达(GPR)作为一种重要的无损工具，具有定位准确、 速度快、使用灵活、探测精度高等特点已被广泛用于检测，定位和特征化地下目标。然而，从GPR成像中探测掩埋物体并评估其位置既费时又费力。因此，实现地下目标的自动化探测对实际应用是必要的。
探地雷达利用地下材料的不同电磁特性，通过向地面发射高频电磁波并接收返回信号来探测地下区域。此外，GPR B-scan图中的地下目标呈现出 一对双曲线形状特征。这样，地下目标的检测可以转化为图像中双曲线的提取。在实际应用中，由于硬件模块噪声，地下介质的不均匀性以及回声波的 相互作用，GPR图像通常是有噪声的，因此，自动处理GPR图像并从中提取双曲线是具有挑战性的。在这一领域研究者们已经进行了大量的研究， 并采用了许多不同的策略来解决这个问题。
中南大学计算机学院施荣华团队发表于《电子与信息学报》2020年42卷第1期的综述：面向探地雷达 B-scan图像的目标检测算法综述
该文在综合分析地下目标回波特征的基础上，讨论了使用GPR评估目标位置的可行性，并回顾了国内外学者在GPR成像中对双曲线特征自动化检测的研究进展。该文还在国内外典型实例剖析的基础上，总结并比较了目标检测的处理方法。最后指出，未来的研究应集中于开发新的深度学习检测框架，用以自动检测和估计真实场景中的地下特征。
作者团队
施荣华，中南大学二级教授，博导，计算机学院通信系统与信息安全科研团队负责人。湖南省物联网学会理事长，湖南省教育网络协会理事长，湖南省高教学会计算机专业委员会副理事长，铁道部特色专业委员会常务理事，湖南省通信学会常务理事，中国密码学学会高级会员，享受国务院特殊津贴。
侯斐斐：女，1993年生，博士生，研究方向为探地雷达，深度学习，图像处理.
施荣华：男，1963年生，教授，博士生导师，研究方向为射频系统 集成和量子技术.
雷文太：男，1979年生，副教授，博士生导师，研究方向为探地雷 达系统集成和信号处理.
为了便于读者较快掌握当前的GPR研究现状，作者将这些工作的总结展示在表1中，针对不同的方法阐述了其来源、时间，地下目标类型以及优缺点。
| 序号 | 参考文献 | 时间 | GPR目标 | 客观评价 |
| 1 | Borgioli 等人 | 2008 | 地埋管道 | 在Hough变换中引入加权因子，解决了管道靠近时双曲线重叠的问题；但是需要预备模型，计算成本相对较高。 |
| 2 | Maas 等人 | 2013 | 双曲线反射 | 使用Viola-Jones算法标记目标候选区域，它避免了模板匹配并缩小了后续搜索区域；然而，应用特征需手动识别，分类结果取决于特征的质量，难度随着数据量的增加。 |
| 3 | Besaw 等人 | 2016 | 地埋爆炸物 | 应用CNN从GPR B-scan中提取有意义的特征并对目标进行分类。交叉验证，网络权重正则化和“dropout”用于防止过度训练。 |
| 4 | Besaw | 2016 | 地埋爆炸物 | 在CNN基础上增加了额外的Data Augmentation技术，用于增加可用训练数据的数量和可变性。 |
| 5 | 文献[4,5] | 2017 | 地埋爆炸物 | 研究了预训练CNN的初始化步骤，以解决GPR数据标记样本不足的问题；但是输入网络中真实图像的大小和数量通常是有限的，仅实现分类步骤。 |
| 6 | Pham 等人 | 2018 | 双曲线反射 | 首次采用Faster RCNN来检测GPR B-scan中的反射双曲线。该技术在真实测试集上的性能要超过使用HOG或Haar-like特征的检测器，但缺少定量的评估。 |
| 7 | Lei 等人 | 2019 | 地埋钢筋 | 在文献[27]基础上，采用了DA手段增加真实GPR数据集和仿真数据集；提出DCSE算法以识别双曲线特征，完善了文献[30]中提出的OSCA算法；提出CTFP算法自动提取拟合点。所提出方案的有效性在仿真和真实数据集上得到了验证。 |
| 8 | Dou 等人 | 2016 | 双曲线反射 | 提出了C3算法分割交叉双曲线，并将其送入神经网络进行分类。C3算法水平扫描B-scan图像中的每个像素以进行聚类。然而，双曲线是垂直向下打开的，C3算法没有考虑这个重要特征。 |
| 9 | Zhou 等人 | 2018 | 金属管道 水泥管道 | 提出OSCA算法解决了文献[29]中的难题，可以识别具有向下开口特征的聚类。然而，在整个图像上进行OSCA算法是不合适的，因为难以处理包含太多非平稳噪声的大型现场数据集，导致后续处理复杂化。 |
GPR的发送和接收天线放置在同一设备中。假设有一个埋在地下的物体，探地雷达以水平方向沿地面移动，不断向地下发射脉冲，同时接收物体反射信号。回波构成2维GPR图像，即B-Scan图像。在均匀介质的情况下，点对象(目标具有相对小的横截面)的B-scan图像显示出明显的双曲线特征。形成原因有两个：首先，GPR反射是一个椭圆锥体，其顶点位于天线的中心，使探测器能够检测物体的倾斜方向。其次，双向时间(即，电磁(EM)波从发射天线传播到物体并返回到接收天线的时间段)由GPR记录并绘制在天线测量信号正下方的雷达扫描中。因此，当GPR天线向前移动然后远离埋藏的目标时，反射在雷达扫描中形成双曲线。
图 1 真实场景中GPR B-scan中的双曲线特征
2 以前基于传统方法的GPR目标检测(1) 采用Hough变换法
在过去的十年中，Hough变换技术成功地用于变形形状的拟合。通常，这些方法需要提前制定模型规格和大的计算成本，在实际情况中难以推广应用。
(2) 采用最小二乘法
与Hough变换不同，可以通过LS方法搜索和区分GPR图像中的2次曲线。由于实际情况中，完全去除噪声是不可能的，且一幅图像可能包含多个曲线，所以在缺少图像分割步骤的前提下，LS方法不适用于多曲线检测。
3 最近基于传统机器学习的GPR目标检测随着计算机变得更小，更快，更高效，基于机器学习方法去自动检测GPR图像中埋藏目标的可能性更大，这避免了模板匹配并缩小了包括双曲线在内的搜索区域,减轻了现场操作人员的负担。
(1) 采用VJ算法
利用Haar特征描述双曲线的共有属性；建立了一种称为积分图像的特征，并且基于积分图像，可以快速获取几种不同的矩形特征；利用Adaboost 算法进行训练；为GPR B-scan目标检测模型建立层级分类器。得到分类结果后，采用Canny法进行边缘检测，接着利用Hough变换检测间断点边界形状(即目标双曲线)。
(2) 采用SVM算法
提取方向梯度直方图(HOG)特征，作为SVM分类器的输入初步得到候选框定目标。对比其他基于梯度/强度的特征向量，提取HOG特征更适合桥梁内嵌钢筋的分类。在GPR桥梁领域采用机器学习手段的优势是，当来自同一个桥面的数据拿来训练框架时，这个训练好的模型可以被重复利用。
(3) 浅层神经网络
通过预处理，多层感知器(MLP)，边缘检测，双曲线聚类与拟合等方面的优化来增强图像识别定位的自动化效能。
4最新基于深度学习的GPR目标检测
上述工作大多数输入特征需要由专家识别，分类结果取决于特征的质量，随着数据量的增加，这项工作越来越难。机器学习的最新进展，特别是深度学习人工神经网络，已经导致模式识别任务中的性能显著提高。深度学习能直接从2维数据中学习埋藏物体的特征表示。
(1) 基于CNN
一些研究提出了基于CNN的检测算法，用于分析GPR数据，CNN可以提取有意义的特征并准确分类GPR图像中包含的复杂特征。虽然基于CNN的目标检测方法在过去两年中得到了迅速改进，但输入GPR现场图像的大小和数量通常是有限的，大多数方法仅实现分类步骤，缺乏目标提取和曲线拟合方法。
(2) 基于Faster RCNN
本文作者提出了一种自动化方案来定位GPR B-scan中的双曲线目标，可分为4个部分：(1) 将Faster RCNN应用于GPR B-scan中双曲线检测。Faster RCNN可以准确框定目标所在的区域，这缩小了处理区域更易于获得双曲线聚类。此外，还采用了DA技巧增加真实数据集和仿真数据集。(2) 然后，取出矩形区域并将其变换为二值图像，并通过形态学操作去除离散的噪声点。(3) 随后，提出DCSE算法分别两次扫描二进制图像以识别双曲线特征。(4) 最后，CTFP算法被提出，目的是从验证的聚类中自动提取拟合点，然后应用于双曲线拟合，进一步估计目标位置。所提出的方案能够自动且有效地从GPR B-scan中提取信息，分别在仿真和真实数据集的分析中得到了验证。
后处理方案综述
只利用上述对目标分类或目标区域初步检测的研究，还远不能得到最终想要的结果。另外，还需要两大后续处理步骤，分别是：聚类算法(用以分割双曲线)，双曲线拟合算法(用以定位顶点)。(1) 聚类算法的演变
当处理GPR图像时，利用聚类算法将点分类为不同的点聚类。先前的聚类算法要么基于点之间的距离，要么基于某个区域内的点密度。但它们不能分割连接区域或者交叉的双曲线。
图 2 在文献[28]中解决的一些复杂情况示例
图 3 DCSE和OSCA算法的对比结果展示
(2) 双曲线拟合算法的演变
为获得目标的准确评估，双曲线拟合算法也是GPR实现目标定位的一个重要组成成分。现有大量的拟合算法，被分为两大类：基于代数距离的拟合算法(Algebraic Distance-based Fitting, ADF)和基于正交距离的拟合算法(Orthogonal Distance-based Fitting, ODF)。
图 4 基于CTFP算法的双曲线拟合结果展示
在经过DCSE算法后验证得到目标聚类，采用CTFP算法自动提取每一列的中值点可以解决自动化需求。具体操作：遍历聚类的每一列，分别找到上边界点和下边界点，求其均值，初步得到候选样本点；随后采用了低通滤波器对拟合点进行平滑处理，最终得到样本点。在存在少数异常值的情况下，通过使用CTFP算法选择拟合点，双曲线拟合得到改善，并且正确找到了峰值。
GPR一直是土木工程领域的重要工具，对GPR图像的处理本质都是在B-scan中获取有用信息以解决各种实际问题。随着数字图像处理技术的飞速发展，本文系统分析了GPR图像中埋藏目标检测的研究进展。对于传统的GPR目标检测方法，存在目标特征提取不完全，误报和漏报等现象。与传统手段相比，结合深度学习的新方案在实时检测和目标定位方面更加准确和稳健。GPR未来的发展方向将专注于针对目标检测的最新深度学习框架，形成一整套自动化方案，在准确性和速度方面实现更大的改进，并深入到工程领域的各个方面，从而改变传统的交互方式。该领域的快速发展有利于提高我国在高新工程领域的国际地位，人们应对此发展保持积极态度，并且期望在未来几十年中更广泛地使用该技术。
网络图片
本文系《电子与信息学报》独家稿件，内容仅供学习交流，版权属于原作者。
欢迎评论、转载和分享本公众号原创内容，转载请与本号联系授权，标注原作者和信息来源《电子与信息学报》。
本号发布信息旨在传播交流。如涉及文字、图片、版权等问题，请在20日内与本号联系，我们将第一时间处理。《电子与信息学报》拥有最终解释权。
会议预告 | 一文了解2021年电子与信息领域的重要学术会议！
为促进学术交流，拉进编辑团队和作者，读者，专家之间的距离，电子与信息学报2021年正式开通4个微信学术讨论群啦，欢迎大同行小同行们加小编微信入群（点此了解）。向编辑说明您感兴趣的方向，进群后请更改“真实姓名+单位”。欢迎把我们推荐给您的同行朋友们，大家一起寻找志同道合的伙伴！
四大方向1电路与系统技术2通信与信号信息处理3自动化与模式识别4网络与信息安全