一种获取全波形激光雷达高分辨率数据的深度学习方法技术

本发明专利技术涉及一种获取全波形激光雷达高分辨率数据的深度学习方法。属于深度学习，雷达数据处理领域。通过搭建数据处理平台，构建深度学习网络构架模型，训练深度学习网络构架模型，根据损失函数Loss以及PSNR，调整深度学习网络构架模型中的参数，保存训练效果最好的深度学习网络构架模型，用此模型处理全波形激光雷达数据，使全波形雷达数据的时空分辨率得到多倍提升，解决在全波型激光雷达硬件扫描设备局限性的约束下，分辨率受限的问题，处理新的全波形激光雷达数据时，只需调用保存的深度学习网络构架模型，适应对于采集设备体积，便携性要求高的场合。

A deep learning method for obtaining high resolution data of full waveform lidar

【技术实现步骤摘要】
一种获取全波形激光雷达高分辨率数据的深度学习方法
本专利技术涉及一种获取全波形激光雷达高分辨率数据的深度学习方法。特别涉及一种基于深度学习策略，采用残差神经网络批量处理、训练全波形激光雷达数据，以获取更高分辨率数据的方法。属于深度学习，雷达数据处理领域。
技术介绍
近年来，学术界、工业界对深度学习领域投入了大量关注。深度学习作为机器学习的一种方法，在过去几十年的发展中，吸收、借鉴了有关人脑神经、统计学、应用数学的知识，利用了近年来迅速提高的计算机算力、急剧增长的训练数据集以及更为完备精妙的深层神经网络训练技术，得以在诸多应用领域获得长足发展。自20世纪80年代以来，深度学习持续成功地应用于越来越广泛的实际问题。最早期的深度学习模型用来识别经裁剪过的尺寸极小的图像中的单个对象，后续发展的深度卷积神经网络可以识别处理细节丰富的高分辨率图片，无需再进行裁剪，且从早期的识别二类对象到每年举行的ImageNet大型视觉识别挑战赛中至少识别1000不同类别的对象。此外，深度学习在行人检测、图像分割中也取得了令人瞩目的成功。在2012年，Ciresa本文档来自技高网...

【技术保护点】
1.一种获取全波形激光雷达高分辨率数据的深度学习方法，其特征在于：包括如下步骤：/n步骤一：基于深度学习中的残差方法构建网络架构模型；/n步骤二：网络架构模型读取.txt格式的全波形激光雷达数据；/n步骤三：对于步骤二读取的原始全波形激光雷达数据，进行原始全波形激光雷达数据预处理，数据预处理将原始全波形激光雷达数据序列每n个邻近点求和后取均值生成一个新数据点，得到一段长度为原始全波形激光雷达数据1/n的新全波形激光雷达数据序列；/n步骤四：构建网络架构模型的残差堆叠模块，采用残差加卷积的方法提取步骤三生成的新全波形激光雷达数据序列的波形特征；/n步骤五：基于残差神经网络跳跃连接方法，将残差堆叠...

【技术特征摘要】
1.一种获取全波形激光雷达高分辨率数据的深度学习方法，其特征在于：包括如下步骤：
步骤一：基于深度学习中的残差方法构建网络架构模型；
步骤二：网络架构模型读取.txt格式的全波形激光雷达数据；
步骤三：对于步骤二读取的原始全波形激光雷达数据，进行原始全波形激光雷达数据预处理，数据预处理将原始全波形激光雷达数据序列每n个邻近点求和后取均值生成一个新数据点，得到一段长度为原始全波形激光雷达数据1/n的新全波形激光雷达数据序列；
步骤四：构建网络架构模型的残差堆叠模块，采用残差加卷积的方法提取步骤三生成的新全波形激光雷达数据序列的波形特征；
步骤五：基于残差神经网络跳跃连接方法，将残差堆叠输入节点与输出节点连接；
步骤六：对于残差堆叠模块的最后一层卷积输出后的数据进行上采样处理；
基于像素重排映射方法，将最终经过多层残差块堆叠，卷积输出后的数据，采用类似图像处理中的像素重排映射方法进行上采样，若数据预处理将原始全波形激光雷达数据序列每n个邻近点求和后取均值生成一个新数据点，则时空分辨率的提升尺度为n，最后一层卷积核的数目也为n，使得经过卷积得到的数据点数与上采样输出期望的数据点数相匹配，最后一一映射至相应位置得到输出的数据序列；
步骤七：定义并计...

【专利技术属性】
技术研发人员：柯钧，刘钢萍，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京;11