【技术实现步骤摘要】
本专利技术属于激光雷达信号处理技术，具体为一种基于时空相关性的单光子激光雷达数据处理方法。
技术介绍
1、激光雷达将激光融入了传统雷达中，采取主动成像，通过激光器发出激光照射探测物体表面，激光照射被探测物体后返回，通过预先知道的激光波长以及在介质中传播的速度，结合反射激光的时间信息即可知道激光雷达与被探测物体之间的距离信息。如果对探测物体进行三维扫描，即可得到三维距离信息，即深度信息。进一步信号处理，就能得到探测物体的形貌信息。与传统的激光雷达不同，单光子激光雷达依赖于检测单个光子的返回信号，所以具有高分辨率和能够测量低反射率目标的优势，如非常遥远的目标或低反光的材料，同时也可以提供高分辨率的三维地图和测量。所以其高精度、高分辨率和对低反射率目标的敏感性，能够对远距离复杂场景的三维形貌测量提供更准确、可靠的结果。
2、在已有的点云数据去噪算法中，统计滤波方法基于每个点的邻域统计信息来去除噪声点。其中一种常见的方法是统计局部邻域内的点的平均值或中值，然后将点替换为这个平均值，如高斯滤波、均值滤波和中值滤波；基于距离的滤波使用每个点到其邻域内其他点的距离信息来判断噪声点。如果点与其邻域内的点距离明显不同，它可能是噪声点。一种常见的方法是距离阈值滤波，其中点被标记为噪声点，如果它与邻域内的点之间的距离超过某个阈值。上述点云去噪算法在较为简单的点云模型中能发挥较好的效果，但对于远程单光子激光雷达点云，场景较为复杂且噪声特性也明显不同的情况下去噪性能受到了很大的影响。rapp等人进行逐像素时间域开窗去噪，但没有利用其空间相关性
技术实现思路
1、本专利技术的目的在于提供一种单光子激光雷达点云数据处理方法，旨在针对远程复杂场景受噪声影响严重、信噪比导致信号光子丢失问题，基于时间相关性、空间相关性对激光雷达三维点云数据进行去噪，并且进行信号光子的填充，抑制背景噪声的同时增强信噪比。
2、实现本专利技术目的的技术方案为：一种基于时空相关性的单光子激光雷达数据处理方法，具体步骤为：
3、步骤1：利用单光子激光雷达点云数据信号光子在时间上的聚集特性在时域上开窗选取深度层，根据回波信号波形建立高斯混合模型设置自适应门控进行噪声抑制，完成粗去噪，获得粗去噪信号集合；
4、步骤2：通过粗去噪后激光雷达点云数据，构建体素栅格，将点云数据信息转换成体素栅格表示；
5、步骤3：根据空间相关性采用改进的k-means聚类算法优化粗去噪信号集合；
6、步骤4：基于空间相关性进行相似深度栅格的填充。
7、优选地，利用单光子激光雷达点云数据信号光子在时间上的聚集特性在时域上开窗选取深度层，根据回波信号波形建立高斯混合模型设置自适应门控进行噪声抑制的具体方法为：
8、步骤1.1：将各像素单光子激光雷达点云数据si，j，t在时间轴上进行累加，形成光子计数直方图，得到直方图时间仓总长度t，其中i，j表示像素位置；
9、步骤1.2：预设目标最大表面数为k，设定窗口大小为tw，识别全局直方图峰值点并且对峰值点进行降序排序，将最大峰值点记为l1，按顺序将后续峰值点中第一个与峰值点l1，...，lk-1时间仓距离都大于tw的峰值点记为lk，总共确定k个峰值点，同时记录各峰值点值λk及对应权重πk，k＝1，2，...，k；
10、步骤1.3：分别以k个峰值点为中心，前后tw/2范围作为深度层范围得到k个深度层数据si，j，tk，将深度层外的数据集合记为计算平均噪声水平；
11、步骤1.4：将单光子激光雷达回波信号波形建模为高斯混合模型，单光子激光雷达点云数据在光子计数直方图上与回波信号波形具有相同分布特性；
12、结合高斯混合模型对k个深度层依次设定门控阈值；
13、步骤1.5：将各深度层阈值θk代入光子计数直方图中，获取直方图中对应第k个深度层光子计数值等于阈值时的两交点ak，bk，其对应直方图横坐标的栅格计数值为tak，tbk，且tak＜tbk，更新各深度层窗口ζk＝[tak，tbk]，保留窗口内的数据，去除各深度层窗口外数据。
14、优选地，三维激光雷达体素栅格构建方法为：
15、步骤2.1：将单光子激光雷达点云数据三维空间划分为n×c×t个矩形体素栅格，其中每个矩形体素栅格大小为δx×δy×δz，其中δx和δy分别为单像素的大小尺寸，为单时间仓深度值，其中c为光速，δt为时间仓最小分辨单元；
16、步骤2.2：将点云数据划分到最近的体素栅格中，每个体素栅格内存储一定数量的三维激光点云，存储空间位置和反射率信息，其中空间位置即为该体素栅格质心位置，反射率信息为该体素栅格中点云数量。
17、优选地，基于空间相关性的改进的k-means聚类算法具体方法为：
18、步骤3.1：分别将点云数据中k个深度层中最大反射率栅格点定为初始聚类中心，若有多个最大反射率栅格点则随机选取其中一点作为该深度层初始聚类中心c＝{c1，c2，...，ck}，计算点云数据与cj类的计算接近度量；
19、步骤3.2：根据接近度量计算点云到k个中心的接近度；
20、步骤3.3：将点云pi划分到接近度最小的类中，重新计算该类的中心为遍历所有数据，重复计算聚类中心直至聚类中心不再变化，其中：cj是第j类，|cj|表示第j类中点云数量，xi表示第j类中第i个点云对象，1≤i≤|cj|；
21、步骤3.4：根据各类实际目标物尺寸及空间位置设定异点判定阈值，将各类中与该类聚类中心接近度量大于异点判定阈值的点云去除。
22、优选地，基于空间相关性的体素栅格填充方法为：
23、步骤4.1：对聚类出的k个聚类中心，选取聚类中心前后深度δz范围处的栅格数据，对于其中反射率为0的数据进行标记；
24、步骤4.2：对标记栅格，计算其相邻非零反射率栅格数，若相邻非零反射率栅格数大于9则判断为待填补栅格；
25、步骤4.3：将待填补栅格反射率设置为其中di为第i个相邻栅格与标记栅格的欧式距离，d表示所有相邻非零栅格欧氏距离之和，ri为第i个相邻栅格的反射率。
26、本专利技术与现有技术相比，其显著优点：
27、(1)本专利技术首先基于单光子激光雷达数据的时间相关性，在时域上对激光雷达三维点云数据进行多深度层的选取，针对远程多深度复杂场景，利用自适应门控对各深度层自适应的调节窗口大小，相对于传统的开窗方法，能够更好的识别不同深度层的目标场景同时对不同深度场景目标能够更好的分离信号和噪声，提高三维点云数据信噪比。
28、(2)本专利技术利用空间相关性，对三维点云数据进行体素栅格网络划分后进行改进的k-means聚类算法，能够更好的简化点云数据，同时对多层场景进行空间聚类划分，将一系列数据根据空间相关性划分为不同子集合从而识别并滤除噪声光子。
29、(3)在远程多深度目标场景中，由于距本文档来自技高网...
【技术保护点】
1.一种基于时空相关性的单光子激光雷达数据处理方法，其特征在于，具体步骤为：
2.根据权利要求1所述的基于时空相关性的单光子激光雷达数据处理方法，其特征在于，利用单光子激光雷达点云数据信号光子在时间上的聚集特性在时域上开窗选取深度层，根据回波信号波形建立高斯混合模型设置自适应门控进行噪声抑制的具体方法为：
3.根据权利要求2所述的基于时空相关性的单光子激光雷达数据处理方法，其特征在于，平均噪声水平具体为
4.根据权利要求2所述的基于时空相关性的单光子激光雷达数据处理方法，其特征在于，门控阈值具体为：
5.根据权利要求1所述的基于时空相关性的单光子激光雷达数据处理方法，其特征在于，步骤1.2确定的各峰值点权重值为该点计数值在峰值点L1，...，Lk-1计数值之和的占比。
6.根据权利要求1所述的基于时空相关性的单光子激光雷达数据处理方法，其特征在于，三维激光雷达体素栅格构建方法为：
7.根据权利要求1所述的基于时空相关性的单光子激光雷达数据处理方法，其特征在于，基于空间相关性的改进的K-means聚类算法具体方
8.根据权利要求7所述的基于时空相关性的单光子激光雷达数据处理方法，其特征在于，接近度量的具体计算公式为：
9.根据权利要求7所述的基于时空相关性的单光子激光雷达数据处理方法，其特征在于，接近度具体为：
10.根据权利要求1所述的基于时空相关性的单光子激光雷达数据处理方法，其特征在于，基于空间相关性的体素栅格填充方法为：
...【技术特征摘要】
1.一种基于时空相关性的单光子激光雷达数据处理方法，其特征在于，具体步骤为：
2.根据权利要求1所述的基于时空相关性的单光子激光雷达数据处理方法，其特征在于，利用单光子激光雷达点云数据信号光子在时间上的聚集特性在时域上开窗选取深度层，根据回波信号波形建立高斯混合模型设置自适应门控进行噪声抑制的具体方法为：
3.根据权利要求2所述的基于时空相关性的单光子激光雷达数据处理方法，其特征在于，平均噪声水平具体为
4.根据权利要求2所述的基于时空相关性的单光子激光雷达数据处理方法，其特征在于，门控阈值具体为：
5.根据权利要求1所述的基于时空相关性的单光子激光雷达数据处理方法，其特征在于，步骤1.2确定的各峰值点权重值为该点计数值在峰...
【专利技术属性】
技术研发人员：何伟基，钟奕辰，陈钱，张闻文，翟雨生，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。