基于制造技术

本发明专利技术公开了一种基于

【技术实现步骤摘要】
基于GABP神经网络的线扫描点云目标识别方法


[0001]本专利技术属于激光雷达目标识别技术，具体涉及一种基于
GABP
神经网络的线扫描稀疏点云目标快速识别方法
。

技术介绍

[0002]激光成像雷达获取的三维距离像，反映的是目标在现实世界中的三维尺度信息，与传统二维信息相比，包含了更多的信息量，能够更全面真实的对目标进行描述，且不受光照条件和目标背景反差特性的影响
。
采用三维点云信息，还可以充分利用现实世界中对目标已知的先验知识，可以可靠的实现对复杂地面环境下的目标识别
。
[0003]激光线推扫方式，是基于线阵探测器的一维扫描成像方式，使用阵列探测器接收回波信号，单次探测即可获得目标一行或一列信息，通过一维扫描即可获得目标三维信息
。
该方式能实现快速
、
高分辨率的三维成像，比较适合应用于运动平台和较大的视场探测
。
目前几乎所有主流的点云目标识别网络，如
PointPillars、VoxNet、PointNet++、FastPointR
‑
CNN
等，都是基于获取完整目标三维点云信息后，再进行数据处理和目标识别任务，同时网络参数量巨大，对搭载系统的计算能力，存储能力等要求很高
。
针对激光线扫描的相邻时间戳存在成像时间间隔，可以充分利用该时间差进行数据处理，完成一部分的神经网络特征提取
。
针对性设计神经网络计算模型，可以减小网络的参数量，同时大大提高点云目标的识别速度，缩短对目标的探测识别时间
。
[0004]目前针对点云的研究主要集中在交会速度小的领域，且高速飞行器获得的点云是典型的稀疏点云，所以必须对已有处理算法进行改进
。BP
神经网络的收敛速度较慢，很容易出现陷入局部最小值的情况，权值参数并不能使误差最小，不能保证收敛到全局最优点，所以引入遗传算法进行优化
。
遗传算法作为一种模拟生物进化的全局寻优算法，有着优秀的全局寻优能力，能够以一个种群为基础不断的迭代进化，最后获得问题的最优解或近似最优解
。GA
遗传算法结合
BP
反向传播算法可以提高了神经网络的稳定性，缩短了训练时间
。

技术实现思路

[0005]本专利技术的目的在于提供一种基于
GABP
神经网络的线扫描点云目标识别方法，能够快速有效的完成既定目标的识别与检测
。
[0006]实现本专利技术的技术解决方案为：一种基于
GABP
神经网络的线扫描点云目标识别方法，步骤如下：
[0007]步骤
1、
在飞行器头部的底面搭载线阵激光雷达，线阵激光雷达的探测器和飞行器之间存在前倾角，结合飞行器的运动轨迹，利用线阵激光雷达平扫探测区域，依次获取探测区域内各目标切面的实测稀疏点云像，以此获取实测数据，转入步骤
2。
[0008]步骤
2、
使用
Blender
三维建模软件模拟雷达探测过程，输出仿真数据；联合实测数据和仿真数据构建全备目标点云特征多维先验知识库，转入步骤
3。
[0009]步骤
3、
设计
MLP
多层感知机，同时确定网络拓扑结构和特征分量参数，完成
GABP
神
经网络的结构和最终损失函数设计：
[0010]其中，网络拓扑结构和特征分量参数包括特征提取层
、
各层神经元个数
、
学习速率
、
激活函数
。
[0011]转入步骤
4。
[0012]步骤
4、
使用
GA
遗传算法优化
GABP
神经网络，得到
GABP
神经网络最优初始参数，转入步骤
5。
[0013]步骤
5、
以
GABP
神经网络的最优初始参数作为初始训练参数，利用全备目标点云特征多维先验知识库和
BP
反向传播算法循环训练
GABP
神经网络，获取
GABP
神经网络的最优参数，转入步骤
6。
[0014]步骤
6、
将获取的最优神经网络参数部署到上述
GABP
神经网络中，得到神经网络分类器模型，再将神经网络分类器模型装载在飞行器的
MCU
中，实现对战场目标的识别与分类
。
[0015]本专利技术与现有技术相比其显著效果是：
[0016]1)
针对线阵激光雷达的成像特点，针对性设计特征提取层，以充分利用雷达在相邻时间戳的探测时间差，缩短了特征提取时间，提高了识别速度
。
[0017]2)
线扫描稀疏点云的数据量小，对单个时间戳的点云进行特征提取，然后拼接的方式可以大大降低了神经网路的参数，减少了计算量
。
[0018]3)
使用
GABP
算法优化神经网络，
GA
算法寻找出神经网络的最优初始权重，偏置和阈值，避免
BP
反向传播算法求解神经网络时陷入局部最优解，提高了该神经网络的稳定性，缩短训练时间，进一步提高识别的准确度
。
附图说明
[0019]图1为线阵激光雷达扫描示意图
。
[0020]图2为
GABP
算法优化流程图
。
[0021]图3为神经网络结构示意图
。
具体实施方式
[0022]下面结合附图对本专利技术进一步说明
。
[0023]结合图
1、
图2和图3，本专利技术的一种基于
GABP
神经网络的线扫描点云目标识别方法，针对线阵激光雷达成像方式，构建多维先验知识库，将先验知识库的数据作划分训练集，测试集和验证集，并完成数据归一化，获取同一尺度的点云数据
。
结合线扫描点云的数据特征，将激光雷达沿一维方向推扫的成像序列划分为一个个时间戳，同时对每个时间戳设计快速有效的特征提取层
(Feature extraction layers)
，完成点云特征提取，经过特征融合和全局特征提取后进入后端的分类识别网路，完成神经网络的线扫描点云的快速分类识别模型的搭建
。
在训练过程中采用学习率衰减的方式促进网络收敛，加快训练速度，设计对应损失函数衡量训练误差，同时为了防止过拟合现象出现采用权重衰减的方式更新权重的梯度，结合改进的
GA
遗传算法采用选择运算，交叉运算和变异运算不断迭代产生新的个体和种群，获取适应度最高的个体作为神经网络初始权重参数，避免神经网络优化过程陷入局部最小值
。
使用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
GABP
神经网络的线扫描点云目标识别方法，其特征在于，步骤如下：步骤
1、
在飞行器头部的底面搭载线阵激光雷达，线阵激光雷达的探测器和飞行器之间存在前倾角，结合飞行器的运动轨迹，利用线阵激光雷达平扫探测区域，依次获取探测区域内各目标切面的实测稀疏点云像，以此获取实测数据，转入步骤2；步骤
2、
使用
Blender
三维建模软件模拟雷达探测过程，输出仿真数据；联合实测数据和仿真数据构建全备目标点云特征多维先验知识库，转入步骤3；步骤
3、
设计
MLP
多层感知机，同时确定网络拓扑结构和特征分量参数，完成
GABP
神经网络的结构和最终损失函数设计：其中，网络拓扑结构和特征分量参数包括特征提取层
、
各层神经元个数
、
学习速率
、
激活函数；转入步骤4；步骤
4、
使用
GA
遗传算法优化
GABP
神经网络，得到
GABP
神经网络最优初始参数，转入步骤5；步骤
5、
以
GABP
神经网络的最优初始参数作为初始训练参数，利用全备目标点云特征多维先验知识库和
BP
反向传播算法循环训练
GABP
神经网络，获取
GABP
神经网络的最优参数，转入步骤6；步骤
6、
将获取的最优神经网络参数部署到上述
GABP
神经网络中，得到神经网络分类器模型，再将神经网络分类器模型装载在飞行器的
MCU
中，实现对战场目标的识别与分类
。2.
根据权利要求1所述的基于
GABP
神经网络的线扫描点云目标识别方法，其特征在于：步骤1中，利用线阵激光雷达平扫探测区域，具体指利用线阵激光雷达对飞行器的探测区域进行平行阵推扫，单次扫描获得由
λ
个点组成的线阵点云数据
。3.
根据权利要求2所述的基于
GABP
神经网络的线扫描点云目标识别方法，其特征在于：步骤2中，全备目标点云特征多维先验知识库包含以下信息：不同类别的目标点云数据
、0
‑
30
％缺失程度的目标点云数据和0‑
360
°
交会角度下的目标点云数据；将全备目标点云特征多维先验知识库，按照
80
％
、10
％
、10
％的比例划分为训练集
、
验证集和测试集，为保证全备目标点云特征多维先验知识库数据具有相同尺度，采用点云归一化方法对全备目标点云特征多维先验知识库进行归一化：其中，
X
i
、Y
i
、Z
i
为由
λ
个点组成的线阵点云数据中一个点的三轴坐标分量，为线阵点云数据中一个点的三轴坐标分量的均值，
max
为求最大值函数，
X
i
′
、Y
i
′
、Z
i
′
为归一化后的一个点的三轴坐标分量；得到归一化后的训练集
、
归一化后的验证集和归一化后的测试集
。
4.
根据权利要求3所述的基于
GABP
神经网络的线扫描点云目标识别方法，其特征在于：步骤3中，设计
MLP
多层感知机，同时确定网络拓扑结构和特征分量参数，完成
GABP
神经网络的结构和最终损失函数设计，具体方法如下：参考
PointNet
点云目标特征提取网络，设计针对线扫描点云的
GABP
神经网络，线阵激光雷达每扫描一次获得一行切面点云数据，包含
λ
个点，表示为
λ
×3，使其依次经过5层
MLP
多层感知机，即依次经过包含
64、64、128、256、1024
个神经元的共享权重的卷积层，使数据依次特征升维为
λ
×
64、
λ
×
64、
λ
×
128、
λ
×
256、
λ
×
1024
；假设要获取目标区域的全部点云数据需要扫描
t
次，每次扫描生成一个时间戳，按照扫描时间排列组成包含
t
个时间戳的时间序列，将该时间序列依次经过
MLP
多层感知机生成
λ1×
1024
，
λ2×
1024
…
λ
t
×
1024
共
t
组特征数据，
λ1、
λ2、
…
、
λ
t
分别表示不同时间戳对应的切面点云数，沿着数据的第一维拼接为
num
×
1024
，拼接特征
num
＝
λ1+
λ2+
…
+
λ
t
，经过全局最大值池化层
maxpolling layer
得到1×
1024
维数据，在上述每层神经元计算后采用激活函数
f(h)
：其中，
ε
为超参数控制负数区域的斜率，
h
为神经元的值；设置初始学习率参数为
0.01
，当最终损失函数的值连续十次不下降时，自动设置学习率衰减为原来的十分之一；最后经过两层全连接层
fully connected layers
最终输出各分类的概率值1×
k
，
k
为识别目标的类别数，完成
GABP
神经网络的结构设计；根据最终输出各分类的概率值，采用适用于多分类任务的交叉熵损失函数
L
cls
：其中，
k
为识别目标的类别数，
pre[j]
是第
j
个分类预测概率值，
pre[m]
是第
m
个分类预测概率值，
y[m]
是对应
pre[m]
分类预测真实值；
w
p
为第
p
层神经元的权重，依据链式求导法则求得交叉熵损失函数
L
cls
相对于每一层神经元权重的梯度
grad
p
(L
cls
,w
p
)
：
GABP
神经网络的结构共有8层神经元，定义
L
cls
相对于每一层神经元权重的梯度采用
L2
正则化后为梯度正则化损失函数
L
2reg1
：定义每一层神经元权重参数采用
L2
正则化后为权重正则化损失函数
L
2reg2
：最终损失函数包含交叉熵损失函数
、
梯度正则化损失函数和权重正则化损失函数，综
合后得到总损失函数如下：
r1、r2分别为梯度正则化损失函数和权重正则化损失...

【专利技术属性】
技术研发人员：查冰婷，刘浩东，郑震，王成君，张合，钟琪，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：