【技術實現步驟摘要】
本專利技術涉及動態特征選擇領域，尤其涉及一種陣列gm-apd激光雷達像素變化空間中動態目標特征選擇方法。
技術介紹
1、激光雷達在目標搜索、追蹤以及運動避障等有重要的應用價值。特別是在動態目標檢測和動態環境測距中，其卓越的性能受到廣泛關注。陣列gm-apd激光雷達可以使用低功率激光在弱回波信號條件下來檢測目標。當陣列gm-apd激光雷達探測運動目標時，由于目標狀態的動態變化，相應的特征提取也隨之變得更為復雜和多變，從而增加了對目標高精度分類識別的難度。
2、目標運動會導致其與激光雷達的相對位置不斷變化。不同位置提取的目標的形狀、尺寸、回波波形的強度等特征都將發生變化。盡管一些特征融合方法增強了對目標的描述性，但在動態目標探測中可能會引入冗余或錯誤信息。同時現有的研究在選擇運動目標特征時采用固定模式，忽視了目標特征值和分類能力隨運動動態變化的事實。不同運動時刻所需的最優特征子集可能并不相同，導致基于整體特征數據的選擇結果無法滿足特定時刻的分類需求。此外，多數方法固定選取特征數量，未能充分考慮目標運動至不同位置的分類需求。
技術實現思路
1、本專利技術針對現有特征融合方法增強了對目標的描述性，但在動態目標探測中可能會引入冗余或錯誤信息以及現有的研究在選擇運動目標特征時采用固定模式，忽視了目標特征值和分類能力隨運動動態變化的問題，提出一種陣列gm-apd激光雷達像素變化空間中動態目標特征選擇方法，所述方法包括：
2、s1：采用區域生長算法對強度圖像進行分割，獲取目
3、s2：根據強度圖像和目標區域提取每個目標的25維特征，包括4個圖像特征、6個點云特征和15個回波波形特征；
4、s3：根據強度圖像分割后的目標平均像素變化量量化目標的運動狀態，將特征序列映射到平均像素變化量空間；
5、s4：根據特征數量和各特征間的相關系數建立的損失函數，并采用粒子群算法進行優化求解，獲取每個窗口的最優特征子集。
6、進一步的，還提出一種優選方式，所述步驟s1包括：
7、通過凹凸搜索算法處理激光雷達采集的信號，獲取強度圖像；
8、采用區域生長算法對強度圖像進行分割，獲取二值化圖像，對所述二值化圖像進行閉運算；
9、采用連通域檢測并根據八連通域識別每一個獨立的目標區域；
10、對于每個獨立的目標區域，計算質心位置，利用每幀圖像中標記的目標質心位置，為每幀的目標做標記。
11、進一步的，還提出一種優選方式，所述步驟s2包括：
12、根據強度圖像和目標區域取目標的周長per、面積a、輪廓致密度d和輪廓矩形度r四個特征：
13、d＝per2/a
14、r＝a/srec
15、提取強度圖像中3d點云數據的6個特征，包括目標點云沿x、y和z三個方向的尺寸dx、dy和dz，并計算3d點云的面狀指數iplanarity、法向量分布熵ennv和法向量變異系數vanv：
16、iplanarity＝(λ2-λ3)/λ1
17、
18、vanv＝std(angle)/mean(angle)
19、其中，λ表示由鄰域點構成的協方差矩陣的特征值，λ1>λ2>λ3；pnv(i)表示法向量在各方向區間分布的概率；angle表示各法向量與代表法向量方向的夾角，mean(angle)為其均值；
20、將目標區域的所有像素的回波波形累積疊加，視為目標的整體回波波形p；從目標的整體回波波形p中提取目標回波波形特征，包括：峰值振幅am、半峰全寬fwhm、波形面積ar、峰度ku、偏度sk、均方根、crest?factor和form?factor。
21、進一步的，還提出一種優選方式，所述步驟s2還包括：對目標的整體回波波形進行歸一化處理后采用經驗模態分解emd分解該歸一化波形，得到多個固有模態函數imf；提取imfs的特征，包括：峰值數量npk、峰值比率均值prm、峰值間距均值pim、標準差均值stdm、能量均值em、熵均值enm，最大峰值與平均峰值差的均值pmm。
22、進一步的，還提出一種優選方式，所述步驟s3包括：
23、平均像素變化數量根據運動中強度圖像分割后的目標平均像素數與運動初始時的目標像素平均數進行計算；
24、將提取的特征目標的平均像素變化量進行關聯，組成特征序列；
25、對每個窗口的特征數據采用隨機森林模型進行訓練，獲得每個窗口內每個特征的重要性評分，根據重要性評分計算各特征間的相關系數，根據相關系數將特征序列映射到平均像素變化量空間中。
26、進一步的，還提出一種優選方式，所述平均像素變化數量為：
27、npixelchange＝abs(n-npixelinitial)
28、其中，npixelchange為定義的平均像素變化數量，n為強度圖像分割后的目標平均像素數，npixelinitial為運動初始時的目標像素平均數。
29、進一步的，還提出一種優選方式，所述步驟s4建立的損失函數包括：
30、
31、其中，t為損失函數，ω1，ω2和ω3是預先設定的權重系數，ip為前一個窗口計算的特征重要性矩陣，ic為當前窗口計算的特征重要性矩陣，c為特征間的相關系數均值矩陣，ns是所選擇特征的數量。
32、基于同一專利技術構思，本專利技術還提出一種陣列gm-apd激光雷達像素變化空間中動態目標特征選擇系統，所述系統包括：
33、分割單元，用于采用區域生長算法對強度圖像進行分割，獲取目標區域并標記目標信息；
34、特征提取單元，用于根據強度圖像和目標區域提取每個目標的25維特征，包括4個圖像特征、6個點云特征和15個回波波形特征；
35、特征映射單元，用于根據強度圖像分割后的目標平均像素變化量量化目標的運動狀態，將特征序列映射到平均像素變化量空間；
36、優化單元，用于根據特征數量和各特征間的相關系數建立的損失函數，并采用粒子群算法進行優化求解，獲取每個窗口的最優特征子集。
37、基于同一專利技術構思，本專利技術還提出一種計算機設備，包括存儲器和處理器，所述存儲器中存儲有計算機程序，當所述處理器運行所述存儲器存儲的計算機程序時，所述處理器執行根據上述任一項中所述的一種陣列gm-apd激光雷達像素變化空間中動態目標特征選擇方法。
38、基于同一專利技術構思，本專利技術還提出一種計算機可讀存儲介質，所述計算機可讀存儲介質用于儲存計算機程序，所述計算機程序執行上述任一項所述的一種陣列gm-apd激光雷達像素變化空間中動態目標特征選擇方法。
39、本專利技術的有益之處在于：
40、在動態目標探測中，傳統方法往往采用固定模式選擇特征，忽視了目標在運動過程中特征值和分類能力的變化。本專利技術提出的一種陣列gm-a本文檔來自技高網...
【技術保護點】
1.一種陣列GM-APD激光雷達像素變化空間中動態目標特征選擇方法，其特征在于，所述方法包括：
2.根據權利要求1所述的一種陣列GM-APD激光雷達像素變化空間中動態目標特征選擇方法，其特征在于，所述步驟S1包括：
3.根據權利要求1所述的一種陣列GM-APD激光雷達像素變化空間中動態目標特征選擇方法，其特征在于，所述步驟S2包括：
4.根據權利要求3所述的一種陣列GM-APD激光雷達像素變化空間中動態目標特征選擇方法，其特征在于，所述步驟S2還包括：對目標的整體回波波形進行歸一化處理后采用經驗模態分解EMD分解該歸一化波形，得到多個固有模態函數IMF；提取IMFs的特征，包括：峰值數量Npk、峰值比率均值PRm、峰值間距均值PIm、標準差均值Stdm、能量均值Em、熵均值Enm，最大峰值與平均峰值差的均值PMm。
5.根據權利要求1所述的一種陣列GM-APD激光雷達像素變化空間中動態目標特征選擇方法，其特征在于，所述步驟S3包括：
6.根據權利要求5所述的一種陣列GM-APD激光雷達像素變化空間中動態目標特征選擇方法，
7.根據權利要求1所述的一種陣列GM-APD激光雷達像素變化空間中動態目標特征選擇方法，其特征在于，所述步驟S4建立的損失函數包括：
8.一種陣列GM-APD激光雷達像素變化空間中動態目標特征選擇系統，其特征在于，所述系統包括：
9.一種計算機設備，其特征在于：包括存儲器和處理器，所述存儲器中存儲有計算機程序，當所述處理器運行所述存儲器存儲的計算機程序時，所述處理器執行根據權利要求1-7任一項中所述的一種陣列GM-APD激光雷達像素變化空間中動態目標特征選擇方法。
10.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質用于儲存計算機程序，所述計算機程序執行權利要求1-7任一項所述的一種陣列GM-APD激光雷達像素變化空間中動態目標特征選擇方法。
...【技術特征摘要】
1.一種陣列gm-apd激光雷達像素變化空間中動態目標特征選擇方法，其特征在于，所述方法包括：
2.根據權利要求1所述的一種陣列gm-apd激光雷達像素變化空間中動態目標特征選擇方法，其特征在于，所述步驟s1包括：
3.根據權利要求1所述的一種陣列gm-apd激光雷達像素變化空間中動態目標特征選擇方法，其特征在于，所述步驟s2包括：
4.根據權利要求3所述的一種陣列gm-apd激光雷達像素變化空間中動態目標特征選擇方法，其特征在于，所述步驟s2還包括：對目標的整體回波波形進行歸一化處理后采用經驗模態分解emd分解該歸一化波形，得到多個固有模態函數imf；提取imfs的特征，包括：峰值數量npk、峰值比率均值prm、峰值間距均值pim、標準差均值stdm、能量均值em、熵均值enm，最大峰值與平均峰值差的均值pmm。
5.根據權利要求1所述的一種陣列gm-apd激光雷達像素變化空間中動態目標特征選擇方法，其特征在于...
【專利技術屬性】
技術研發人員：孫劍峰，張欣，周鑫，陸威，趙宏，
申請(專利權)人：哈爾濱工業大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。