一种基于全波形激光雷达数据的隐蔽目标提取方法技术

一种基于全波形激光雷达数据的隐蔽目标提取方法，包括：对全波形激光雷达的回波波形进行顾及遗失组分的波形分解，获得组分参数；根据所述波形分解得到的各组分参数分别提取波形特征；基于深度学习的方式对提取的波形特征进行选择；根据选择的波形特征，采用空间统计分析对隐蔽目标区域进行探测和分割，得到疑似隐蔽目标；以及对所述疑似隐蔽目标进行识别。

A method of covert target extraction based on full waveform lidar data

A method of extracting the full waveform lidar data based on hidden targets include: echo waveform of full waveform lidar are considering lost component waveform decomposition components, obtained parameters were extracted; according to the waveform characteristics of the waveform parameters were obtained; the deep learning mode based on the waveform of the extracted features are according to the waveform selection; feature selection, using spatial statistical analysis for detection and segmentation of the hidden target area, and to get the suspected targets hidden; the suspected hidden target recognition.

【技术实现步骤摘要】

本专利技术涉及激光雷达探测
，具体涉及一种基于全波形激光雷达数据的隐蔽目标提取方法。
技术介绍
对隐蔽目标的信息提取长久以来一直是目标探测和识别领域中重点关注的方向，无论是在民用还是军用上都具有广阔的应用前景，尤以植被覆盖条件下的隐蔽目标提取是亟待解决的研究课题。探测并提取隐蔽在植被下的汽车类目标、道路、管道等人工地物，能为应急减灾、环境监测、城市安全管理等社会生活领域提供及时可靠的决策支持。传统基于二维成像探测手段在一定条件下可实现对部分隐蔽目标的提取，但仍存在许多不足，比如受到其探测机理的局限性，传统光学成像不易获取遮蔽条件下的目标，而超宽带合成孔径雷达(SAR，SyntheticApertureRadar)受杂波干扰大带来数据处理难度大等。激光雷达(LiDAR，LightDetectionAndRanging)技术是近年来飞速发展的一项快速获取地表三维空间信息的遥感技术，能够穿透树林植被、伪装网等遮蔽物，进一步获取隐蔽目标的回波信息，对隐蔽目标的信息提取有其独特的优势。目前基于激光雷达进行隐蔽目标提取主要是使用了多回波激光雷达和偏振激光雷达等。多回波激光雷达采用单视角或多角度激光雷达数据融合来实现隐蔽目标提取，多回波激光雷达的不足之处在于仅顾及了点云的距离信息，采用多角度观测融合数据虽然可以有效避免单视角观测条件下的数据缺失问题，但需对目标进行多次观测、耗时较长，通过数据配准、检测算法才能识别出遮蔽目标。偏振激光雷达将对比度较高偏振度图像与强度图像、距离图像等融合来提取隐蔽目标，但需对激光雷达系统进行特殊设计，并测量一定数量目标的偏振度作为先验知识。
技术实现思路
鉴于上述技术问题，为了克服上述现有技术的不足，本专利技术提出了一种基于全波形激光雷达数据的隐蔽目标提取方法。根据本专利技术的一个方面，提供了一种基于全波形激光雷达数据的隐蔽目标提取方法，包括：对全波形激光雷达的回波波形进行顾及遗失组分的波形分解，获得组分参数；根据所述波形分解得到的各组分参数分别提取波形特征；基于深度学习的方式对提取的波形特征进行选择；根据选择的波形特征，采用空间统计分析对隐蔽目标区域进行探测和分割，得到疑似隐蔽目标；以及对所述疑似隐蔽目标进行识别。从上述技术方案可以看出，本专利技术具有以下有益效果：(1)采用全波形激光雷达回波数据进行波形分解，提取波形特征，再基于深度学习进行波形特征选择，结合空间统计分析等算法实现植被覆盖条件下的隐蔽目标探测与信息提取；(2)采用改进的λ/μ滤波算法对回波波形进行去噪，滤波效果好；(3)采用构建具有多个隐层学习的机器学习模型进行深度学习来进行波形特征选择，可以从海量的数据中学习有用的特征，提升分类或识别的精确度。附图说明图1为本专利技术实施例中基于全波形激光雷达数据的隐蔽目标提取方法流程图；图2为图1中步骤B的具体流程图；图3为图1中步骤E的具体流程图。具体实施方式相比于上述多回波激光雷达和偏振激光雷达，全波形激光雷达回波数据是将后向散射回波强度值按一定量化级别数字化后并以较小采样时间间隔记录的一维时序信号，本质上是激光束传播方向上地物的各次回波信息的叠加，包含的信息量丰富，尤其是在植被覆盖条件下的隐蔽目标提取等方面的优势明显。通过对全波形激光雷达回波波形进行处理，能获得不同目标反射的回波组分，一方面在一定程度上增加了原始点云数量，另一方面可进一步获得目标回波强度、波宽、后向散射截面等组分的波形特征，用于实现对不同目标的探测和信息提取。全波形激光雷达是一种有望解决植被覆盖条件下的隐蔽目标提取难题的更为有利的技术手段。基于上述，本专利技术提供了一种基于全波形激光雷达数据的隐蔽目标提取方法。本专利技术某些实施例于后方将参照所附附图做更全面性地描述，其中一些但并非全部的实施例将被示出。实际上，本专利技术的各种实施例可以许多不同形式实现，而不应被解释为限于此处所阐述的实施例；相对地，提供这些实施例使得本专利技术满足适用的法律要求。为使本专利技术的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本专利技术进一步详细说明。本专利技术基于全波形激光雷达数据，提供一种多波形特征融合的隐蔽目标提取方法，解决现有技术中植被覆盖条件下的弱信息量隐蔽目标难以提取的瓶颈问题。该方法有望在城市安全管理、应急减灾、环境监测、森林垂直结构探测等领域得到广泛的发展与应用。本专利技术实施例是基于全波形激光雷达回波数据进行波形分解，提取波形特征，再基于深度学习挖掘利于典型隐蔽目标提取的波形特征，进一步结合空间统计分析、空间索引、机器学习等算法实现植被覆盖条件下的隐蔽目标探测与信息提取。如图1所示，包括以下步骤：步骤A：对全波形激光雷达的回波波形进行去噪；全波形激光雷达回波数据包含有随机噪声，在波形分解前需要对每个回波波形进行噪声的估计和滤除。本专利技术采用改进的λ/μ滤波算法对回波波形进行去噪，考虑不同地物目标对激光雷达发射脉冲反射的回波波形信号各有特点，结合全波形激光雷达发射脉冲的波形宽度、幅值等，并针对改进的λ/μ滤波算法优化设计合理的滤波模型，以此取得较好的滤波效果，具体地：当迭代次数是奇数时，当迭代次数是偶数时，式中，xi表示滤波前的波形数据，x′i表示滤波后的波形数据，i*表示点i的邻域，与发射脉冲的宽度有关，j是i邻域内的点，λ和μ表示比例因子，0＜λ＜1，μ＜0，μ＜-λ；wij表示xj对xi的影响系数，可以直接取邻域内点数的倒数。当奇数次迭代时用式(1)，当偶数次迭代时用式(2)，当达到设定的迭代次数时，停止迭代，通过这种收缩扩展的方式，在滤除噪声点的同时有效保持了原始数据的特征信息。步骤B：对去噪后的回波波形进行顾及遗失组分的分解，得到组分参数；如图2所示，将去噪后的全波形回波建模为广义高斯函数，并对波形进行分解，具体地，包括以下步骤：子步骤B1：获取广义高斯函数的初始参数值。在波形分解过程中，需要用初始参数值对波形分解算法进行驱动。初始参数值的获取主要包括回波波形中的组分数估计和组分探测。组分数估计完成回波中的组分个数的确定，组分探测则完成各个组分的模型参数的初始确定。将高斯拐点匹配法与一阶导数零交叉法结合，在确定高斯分量的拐点和零点后，可以反推出高斯分量的位置参数、尺度参数以及幅值，从而确定高斯分量的初始参数值，具体地：由高斯函数性质可知，一个高斯函数由两个拐点唯一确定，基于此，通过判断回波波形中拐点个数，可以确定回波波形中所含的高斯分量的个数，当波形数据上的点满足F(xk)＝(xk-2+xk-2xk-1)(xk-1+xk+1-2xk)＜0时，该点就是拐点。其中，F(xk)为判别函数，xk为波形数据上点的值，k＝1，2，3......n，n为波形总点数。计算检测出的拐点及其右边第一个点的直线的斜率，如果直线斜率大于零，则该拐点为左拐点，如果直线斜率小于零，则该拐点为右拐点。由于噪声和波形叠加的影响，所以实测波形数据并不是标准高斯函数，其左右拐点也就不可能对称，因此本专利技术结合一阶倒数零交叉法来求取高斯分量的初始值。高斯分量的峰值处倒数为0，求取回波的一阶倒数，倒数为0的点的位置即为高斯分量峰值处的位置，再结合峰值位置处最近的左右拐点，可以估计初始参数值。将峰值作为高斯分量的峰值A。峰值点位置作为高斯分量的位置信息本文档来自技高网...

【技术保护点】
一种基于全波形激光雷达数据的隐蔽目标提取方法，其特征在于，包括：对全波形激光雷达的回波波形进行顾及遗失组分的波形分解，获得组分参数；根据所述波形分解得到的各组分参数分别提取波形特征；基于深度学习的方式对提取的波形特征进行选择；根据选择的波形特征，采用空间统计分析对隐蔽目标区域进行探测和分割，得到疑似隐蔽目标；以及对所述疑似隐蔽目标进行识别。

【技术特征摘要】
1.一种基于全波形激光雷达数据的隐蔽目标提取方法，其特征在于，包括：对全波形激光雷达的回波波形进行顾及遗失组分的波形分解，获得组分参数；根据所述波形分解得到的各组分参数分别提取波形特征；基于深度学习的方式对提取的波形特征进行选择；根据选择的波形特征，采用空间统计分析对隐蔽目标区域进行探测和分割，得到疑似隐蔽目标；以及对所述疑似隐蔽目标进行识别。2.根据权利要求1所述的隐蔽目标提取方法，其特征在于，所述对全波形激光雷达的回波波形进行顾及遗失组分的波形分解，获得组分参数的步骤包括：将回波波形建模为广义高斯函数，获取广义高斯函数的初始参数值；基于所述初始参数值对回波波形进行广义高斯分解；以及基于广义高斯分解的结果判断是否存在遗失组分，如果有遗失组分，估计新的组分数，重新执行获取广义高斯函数的初始参数值及广义高斯分解步骤，否则波形分解完成，得到组分参数。3.根据权利要求2所述的隐蔽目标提取方法，其特征在于，利用期望最大化算法及广义高斯有限混合模型对回波波形进行广义高斯分解。4.根据权利要求1所述的隐蔽目标提取方法，其特征在于，所述根据选择的波形特征，采用空间统计分析对隐蔽目标区域进行探测和分割，得到疑似隐蔽目标的步骤包括：根据所述选择的波形特征，利用空间统计分析，基于自相关G系数及回波率探测隐蔽目标区域；以及采用对点云数据进行聚类的方式对隐蔽目标区域进行分割，得到疑似隐蔽目标。5.根据权利要求4所述的隐蔽目标提取方法，第i个点的自相关G系数为：Gi(d)=Σj=1nWij(d)xj/Σj=1nxj,j≠i]]>其中，xj表示第j个点的组分数索引，d为距离，Wij(d)是i，j点之间的距离权值。6.根据权利要求1所述隐蔽目标提取方...

【专利技术属性】
技术研发人员：李传荣，周梅，马莲，朱晓玲，关宏灿，黎荆梅，陈玖英，
申请(专利权)人：中国科学院光电研究院，
类型：发明
国别省市：北京;11