基于CNN-SVM的地下目标形状识别

张天助，周辉林，杨 仙

(1.景德镇陶瓷大学机械电子工程学院；2.南昌大学信息工程学院，江西 南昌 330031)

探地雷达(ground penetrating radar，GPR)是一种利用地下介质的不连续性对地下目标探测的有效工具[1]。由于GPR具有探测速度快、探测过程连续、操作灵活方便、分辨率高、不破坏被探测目标等特点，广泛应用于军事和民用领域。探地雷达主要应用于以下四个方向：(1)地下目标定位；(2)地下目标的尺寸估计；(3)地下目标参数估计；(4)地下目标识别。本文就地下目标形状识别进行研究。

一般来说，地下目标的电性能参数、位置以及形状的估计涉及的算法目前可分为两大类：基于物理模型方法和基于传统人工设计特征提取的方法。基于物理模型方法中，采用线性逆散射方法设计测量参数成像来估计目标位置[2-3]，同时需要其他算法辅助完成；对地下目标的形状、电性能参数、大小的估计，通常使用合成孔径雷达成像方法、时域反射以及非线性逆散射方法[4-7]，不足之处为涉及的算法复杂度高、计算代价较大。在传统目标分类方法中，一般将人工设计的特征提取算法和分类器结合，从而实现对地下目标的检测和分类。传统的人工设计的特征提取方法需要相关研究领域的知识为前提，并且耗时长、提取的特征不具有很好的描述性[8]。目前，随着人工智能的迅速发展，深度学习算法中的卷积神经网络成为计算机视觉中最常用的自动特征提取算法[9]。CNN直接输入图像数据，在特征提取中不需要过多的人工干预，避免了复杂的人工设计的特征提取过程，同时CNN也广泛应用于医学图像识别[10]、人脸识别[11]等领域。……