10.12677/CSA.2018.83030

Target Detection Based on Automatic Threshold Edge Detection and Template Matching Algorithm in GPR

Wentai Lei ¹ , Min Man ¹ , Ronghua Shi ²

● Abstract ● Full-Text PDF ● Full-Text HTML ● Linked References ● How to Cite this Article

¹ School of Information Science and Engineering, Central South University, Changsha Hunan

² Information and Network Center, Central South University, Changsha Hunan

Received: Mar. 2 ^nd , 2018; accepted: Mar. 14 ^th , 2018; published: Mar. 21 ^st , 2018

(1)

传统的Canny检测算法，是通过手动方式调节边缘检测的阈值，需要通过多次的阈值调整，才可以最大限度的提取原图中的边缘二值图像。

本文提出自动调整阈值的Canny边缘检测方法，通过Canny边缘检测和顶点数目取值范围来自动寻找最佳的阈值。 图1 给出了自动阈值匹配边缘检测的处理流程。首先，对原始的GPR图像进行预处理，

设定初始阈值和结束阈值的大小，选取特定的步长进行阈值遍历，再对预处理后的探地雷达记录剖面进行边缘检测，得到一幅二值图像，然后根据二值图像估计可能存在的目标顶点数量，再根据可能存在的目标顶点数量和顶点数目取值范围来确定最佳阈值。

2.1. 根据能量曲线获得顶点预估范围

对原始GPR记录剖面数据去噪、去直达波，消除地表直达信号的干扰，公式如下：

$$ 大小的模板。模板的大小随着信噪比的大小而改变。当信噪比较大时，只需要较少的边缘点匹配就可以得到一个比较精确的结果，此时对应的模板就比较小的；反之则越大。

图3 给出了模板窗口和标准的匹配双曲线示意图。模板的窗口大小是随着目标的掩埋深度的不同而变化的。双曲线的开口宽度与介质的相对介电常数和埋深有关，掩埋深度越深，双曲线的开口宽度越大，对应的匹配模板宽度随之增大，高度随之变小 [13] [14] 。

模板匹配约束参数

现有的模板匹配算法是对模板多个参数的联合匹配估计，需要对多个参数进行判断和匹配估计 [6] 。本文设计了匹配相似度因子，对多个约束参数进行加权拟合，确定了一个匹配相似度因子。通过对该因子的判断，确定模板匹配结果，避免了原有算法中对每个参数进行循环判断。

图4 给出了设置匹配参数的模型。记 。本方法避免了原有算法中对每个参数进行循环判断，降低了单个参数对判断结果的影响。耗时较少，提高检测精度。

4. 聚类分析

通过模板匹配得出的顶点集中，包含有一些虚假的顶点，其中最主要的是同一个目标可能会检测出多个目标顶点。为了提高顶点检测的准确性，本方法中采用聚类分析的方法，对匹配后的目标顶点进行空间聚类，以合并GPR散射曲线顶点附近的多个目标点，去除虚假顶点 [15] [16] 。聚类处理过程中，将

图5 . 聚类分析流程图

不同的目标进行分类，提取该簇中能量值最大的顶点，确定最小时间点为所找的顶点。

图5 给出了聚类分析的流程图。对匹配之后的目标顶点进行过滤：对 ，也就是顶点检测结果。

5. 应用实例

运用本文所提出的算法分别对仿真和实测数据进行处理。下面给出原始GPR数据和处理结果。

5.1. 仿真数据的处理

GPR正演模拟采用GPRMax2.0仿真软件生成原始图像，进行加噪处理模拟产生含噪的实测GPR图像 [17] 。 图6 给出了正演模拟模型和模拟数据的B-Scan结果。正演模型中共设置三层，从上往下依次为0.05 m厚的空气层。第二层是厚度为0.2 m，介电常数为6，电导率为0.01 S/m的混凝土层。最后一层是厚度为0. 25 m， 介电常数为12，电导率为0.1 S/m的湿地层。在介质层中设置了6个目标，它们分别位于(0.4 m，0.12 m)、(0.8 m，0.22 m)、(1.2 m，0.12 m)、(1.6 m，0.32 m)、(2.0 m，0.22 m)、(0.23 m，0.12 m)处。发射源为900 MHz 的雷克子波，时间窗口8 ns，采样点数为1357，发射天线和接受天线沿着混凝土层与空气层交界处向正向移动，相邻两孔径点的采样间隔为0.25 mm，共采集了920道。

该模拟数据B-Scan是不含噪声的理想数据，通过加入随机噪声来模拟真实的GPR探测场景，在原始的剖面图像中添加10 dB随机噪声。对GPR原始图像进行预处理，利用公式(2)将图像中的直达波去除，然后利用公式(3)绘制出原始图像的一维能量曲线。 图7 给出了预处理后的剖面图像和一维能量曲线。

根据能量曲线 的局部极大值，得到潜在的顶点个数 ，目标个数范围 ， 图8 标出自动阈值边缘检测之后的顶点集。进行后续的阈值匹配过程。

如 图9 所示。通过计算模板匹配相似度，过滤掉匹配相似度低的顶点，得到模板匹配的顶点序列。

图10 在图像中标出模板匹配的顶点检测结果，图中红圈标注的地方只存在一个目标点，通过模板匹配检测出了冗余的顶点，接下来对目标顶点进行聚类分析，去除冗余的顶点。

图11 给出了在剖面图像中添加10 dB随机噪声后顶点检测结果。

图中标出8个顶点检测结果，其中水平方向0.4 m、0.8 m、1.2 m、1.6 m、1.9 m、2.3 m处为真实的目标位置，而水平方向1.0 m、1.7 m处检测出的顶点是误检的顶点，它可能是随机噪声、目标点之间的

图7 . 预处理图像和能量曲线

图8 . 自动阈值边缘检测的顶点集

干扰造成的。针对不同的噪声情况做了相应的仿真验证。

图12 给出了在不同噪声干扰的情况下顶点检测结果。从图中可以看出随着噪声的减小，检测出的顶个数成增加趋势；受到噪声的干扰，误检和漏检的情况在噪声较低的情况不叫明显；信噪比在10 dB以下时，通过本方法检测结果中误检和漏检的情况比较显著，信噪比在10 dB以上时，检测结果比较好，有较高的精确率；通过该图可以看出本顶点检测方法具有较好的抗噪能力，在信噪比较低的情况下也可以保证较高的检测精度。

5.2. 实测GPR数据的顶点提取

采用中心频率为1 GHz的GPR对湖南省的邵怀高速进行沿线扫描探测，截取了其中一段数据，横向扫描长度为10 m，采样点数为512，纵向时窗为40 ns，采样点数为512。原始GPR B-Scan如 图13 所示。

图9 . 根据顶点集建立的匹配模板

图10 . 模板匹配后结果

图11 . 顶点检测结果

图12 . 针对不同噪声情况的顶点检测结果

图13 是使用GPR扫描邵怀公路超车道所得出的实测数据记录剖面图像。横向扫描距离为10 m。

图14 给出了实测数据检测结果。在图中白色点为检测出的顶点位置，总共检测出6个顶点，其中0.4 m、0.8 m、4.4 m、5.0 m、9.9 m处是位于浅层介质中，而2.0 m处位于较深层介质中。它们都位于图中双曲线的顶点位置，本次检测出的顶点位置比较精确。本法针对实测数据的检测也是具有很强的适应性和精确性。

图15 给出了使用传统方法处理后的检测结果。从检测结果可以看出在0.48 m、0.6 m、1.4 m、4.6 m、4.8 m处出现了误检结果，主要是由地下介质的复杂性以及目标之间回波信号的干扰导致双曲线畸变造成的。本方法通过对畸变的双曲线与标准的模拟双曲线进行匹配，进行相似度识别，有效的抑制由双曲线

图13 . GPR实测数据

图14 . GPR实测数据顶点检测结果

畸变造成影响。

6. 结论

GPR记录剖面中的顶点提取是GPR探测领域的关键问题。本文提出了一种基于自动阈值边缘检测和模板匹配的GPR记录剖面中的顶点提取算法。其中基于Canny算子的自动阈值边缘检测算法，提高了边缘检测的效率。在模板匹配过程中，设计了匹配相似度因子，将多个约束参数的联合优化问题转化为一个因子的优化问题，降低了单个约束参数对匹配结果的影响，同时耗时更少。采用聚类分析的方法对顶点提取结果进行筛选和过滤，降低虚假顶点的干扰。

仿真和实测数据的处理结果，显示该算法可以有效提高GPR记录剖面的顶点提取精度。后续研究工

图15 . 传统方法的检测结果

作将集中在复杂探测场景下的非规则散射曲线拟合和顶点估计上，进一步提高顶点估计算法的适应性。

文章引用

雷文太,满 敏,施荣华. 基于自动边缘检测和模板匹配的探地雷达目标检测方法
Target Detection Based on Automatic Threshold Edge Detection and Template Matching Algorithm in GPR[J]. 计算机科学与应用, 2018, 08(03): 252-265. https://doi.org/10.12677/CSA.2018.83030

参考文献