【技術實現步驟摘要】
本專利技術涉及激光雷達目標識別領域，特別涉及一種融合多尺度特征算子的激光雷達目標識別方法及系統。
技術介紹
1、激光雷達對飛機、坦克等典型金屬目標的識別是其軍事應用中基礎且關鍵的問題。當前激光雷達目標識別技術主要基于生成點云數據處理的方法，即利用陣列或掃描式激光雷達獲取目標的距離、強度等信息，從而實現目標的三維重建。即通過目標輪廓才能進行目標識別，其過程繁瑣，算法復雜，無法滿足激光近炸引信的實時性和高效性。
2、需要說明的是，激光雷達主動發射一束調制脈沖或連續波激光信號，激光遇到目標物體后會發生反射，激光雷達接收端的傳感器接收到目標物體的反射光后，將光信號變成電信號，該過程所獲得的電信號稱為回波信號或回波信息。激光近炸引信是一種使用激光雷達技術的引信，在距離為10m內用于觸發爆炸裝置或者導彈。其通常包括一個激光發射器和一個接收器，用來檢測激光光束的中斷，當目標被激光光束中斷時，接收器會發送信號觸發爆炸裝置。因此，如何準確快速識別飛機、坦克等典型金屬目標尤為重要。
3、鑒于目前本領域技術人員在激光雷達目標識別等領域的難點，因此如何克服激光雷達目標識別需要繁瑣的點云三維重建，滿足激光雷達近炸引信的實時性和高效性，是目前亟待解決的技術難度。
技術實現思路
1、針對現有技術中的上述不足，本專利技術提供的融合多尺度特征算子的激光雷達目標識別方法及系統解決了現有金屬目標識別時需要依賴點云三維重建，而存在識別復雜的問題。
2、為了達到上述專利技術目的，本專利技
3、第一方面，提供一種融合多尺度特征算子的激光雷達目標識別方法，其包括步驟：
4、s1、獲取待識別金屬目標的一維時間序列回波信號；
5、s2、對一維時間序列回波信號進行多尺度回波特征算子提取，并將多尺度回波特征算子排列成一維數組；
6、s3、將一維數組輸入已訓練的殘差卷積網絡進行識別，得到待識別金屬目標的類型。
7、進一步地，多尺度回波特征算子包括峰值、峰值時刻、幅值平均值、有效回波能量、重心位置、上升沿一階梯度值、上升沿二階梯度值、下降沿一階梯度值、下降沿二階梯度值；
8、所述有效回波能量的獲取方法包括：
9、獲取經驗閾值，并根據經驗閾值去除一維時間序列回波信號中的環境噪聲和拖尾部分，得到有效回波波段；
10、根據有效回波波段的起始時間，計算一維時間序列回波信號的有效回波能量：
11、
12、其中，eeffect為有效回波能量；t0、tn分別為有效回波波段對應的起始時間和終止時間；pt為有效回波波段中t時刻的幅值；
13、所述重心位置為有效回波能量eeffect一半對應的時間位置；
14、計算上升沿一階梯度值、上升沿二階梯度值、下降沿一階梯度值、下降沿二階梯度值的表達式為：
15、
16、其中，j為上升沿或下降沿；g′j和g″j分別為j的一階梯度值和二階梯度值；pjt為j在t時刻的幅值。
17、進一步地，步驟s3進一步包括：
18、s31、對一維數組進行特征拆分、特征向量提取及特征向量連接，得到多尺度聯合特征；
19、s32、對多尺度聯合特征進行展平得到回波特征聯合描述子，并將其學習到的分布式特征表示映射到最終的樣本標記空間中作為輸出；
20、s33、將回波特征聯合描述子的輸出中的每個元素轉化為每個金屬目標的概率分布，得到金屬目標的識別結果。
21、進一步地，步驟s31進一步包括：
22、采用多個一維卷積核與輸入的一維數組進行卷積，以完成特征拆分，多個一維卷積核的尺度不完全相同，一維卷積的表達式為：
23、
24、其中，k為一維卷積核尺度，包括兩種卷積核尺度k1，k2；s為一維卷積核的跨度，包括兩種卷積核跨度s1、s2；x(i-1).s+k為輸入的多尺度回波特征算子通過卷積核k，跨度s的第i個元素，k為k1或k2，s為s1或s2；δ為激活函數；為卷積核尺度為k和跨度為s的第i個輸出元素；wk和bi分別為通過對應卷積核的權重和偏置；conv(·)為卷積操作；
25、將每個一維卷積核進行特征拆分后的特征輸入其對應通道的兩層殘差單元，得到特征向量：
26、r＝y+ω2(re(ω1y+b1))+b2
27、
28、其中，y為一維卷積核進行特征拆分后的特征；分別為卷積核尺度為k和跨度為s的第1,2，3，n個輸出元素；n、r分別為輸出元素的個數和通過兩層殘差單元所得的特征向量；bn為規范化操作；re(·)為relu激活函數，ω1、ω2分別為殘差模塊中第一、二層卷積的權重，b1、b2分別為殘差模塊中第一、二層卷積的偏置；
29、對特征向量進行特征聯合，得到聯合特征：
30、
31、f1d(1)≠f1d(2)≠f1d(3)≠f1d(4)
32、其中，h為變量，1≤h≤4，為特征拆分過程中一維卷積核的總數量；f1d(h)為第h個一維卷積核的聯合特征；分別為殘差模塊中卷積層的6個卷積核通過殘差模塊后的描述子；
33、對聯合特征進行特征向量歸一化，將所有一維卷積核對應的聯合特征進行連接，得到多尺度聯合特征：
34、fjoint＝{norm(fid(1))，norm(fid(2)),....norm(fid(h)),....norm(fid(n))}
35、其中，fjoint為多尺度聯合特征；norm(·)為歸一化操作。
36、進一步地，所述殘差單元包括依次連接的規范化層、卷積層、激活層和卷積層，卷積層的卷積核大小為1×1、3×1、5×1，步長為1，卷積核數量為6；采用全連接層執行步驟s32；采用softmax層執行步驟s33。
37、進一步地，對殘差卷積網絡進行訓練的訓練集的獲取方法包括：
38、分別獲取若干金屬目標在激光近炸范圍內的不同距離、不同位姿下的一維時間序列回波信號；
39、對一維時間序列回波信號進行多尺度回波特征算子提取，并將多尺度回波特征算子排列成一維數組；
40、采用所有一維數組構成對殘差卷積網絡進行訓練的訓練集。
41、第二方面，提供一種融合多尺度特征算子的激光雷達目標識別系統，其包括：
42、回波信號獲取模塊，用于獲取待識別金屬目標的一維時間序列回波信號；
43、一維數組提取模塊，用于對一維時間序列回波信號進行多尺度回波特征算子提取，并將多尺度回波特征算子排列成一維數組；
44、識別模塊，用于將一維數組輸入已訓練的殘差卷積網絡進行識別，得到待識別金屬目標的類型。
45、進一步地，回波信號獲取模塊包括激光雷達探測裝置和示波器；激光雷達探測裝置的發射介質發射波長為905nm的調制光脈沖信號，光脈沖信號到達金屬目標表面發生反射本文檔來自技高網...
【技術保護點】
1.一種融合多尺度特征算子的激光雷達目標識別方法，其特征在于，包括步驟：
2.根據權利要求1所述的融合多尺度特征算子的激光雷達目標識別方法，其特征在于，所述多尺度回波特征算子包括峰值、峰值時刻、幅值平均值、有效回波能量、重心位置、上升沿一階梯度值、上升沿二階梯度值、下降沿一階梯度值、下降沿二階梯度值；
3.根據權利要求1所述的融合多尺度特征算子的激光雷達目標識別方法，其特征在于，步驟S3進一步包括：
4.根據權利要求3所述的融合多尺度特征算子的激光雷達目標識別方法，其特征在于，步驟S31進一步包括：
5.根據權利要求3所述的融合多尺度特征算子的激光雷達目標識別方法，其特征在于，所述殘差單元包括依次連接的規范化層、卷積層、激活層和卷積層，卷積層的卷積核大小為1×1、3×1、5×1，步長為1，卷積核數量為6；采用全連接層執行步驟S32；采用SoftMax層執行步驟S33。
6.根據權利要求1-5任一所述所述的融合多尺度特征算子的激光雷達目標識別方法，其特征在于，對殘差卷積網絡進行訓練的訓練集的獲取方法包括：
7.
8.根據權利要求7所述所述的融合多尺度特征算子的激光雷達目標識別系統，其特征在于，回波信號獲取模塊包括激光雷達探測裝置和示波器；激光雷達探測裝置的發射介質發射波長為905nm的調制光脈沖信號，光脈沖信號到達金屬目標表面發生反射，激光雷達探測裝置的接收介質接收反射信號，并發送給示波器；示波器在高采樣率500MSa/s的條件下得到一維時間序列回波信號；所述一維數組提取模塊和識別模塊布置于處理器上。
9.根據權利要求7所述所述的融合多尺度特征算子的激光雷達目標識別系統，其特征在于，所述殘差卷積網絡包括：
...【技術特征摘要】
1.一種融合多尺度特征算子的激光雷達目標識別方法，其特征在于，包括步驟：
2.根據權利要求1所述的融合多尺度特征算子的激光雷達目標識別方法，其特征在于，所述多尺度回波特征算子包括峰值、峰值時刻、幅值平均值、有效回波能量、重心位置、上升沿一階梯度值、上升沿二階梯度值、下降沿一階梯度值、下降沿二階梯度值；
3.根據權利要求1所述的融合多尺度特征算子的激光雷達目標識別方法，其特征在于，步驟s3進一步包括：
4.根據權利要求3所述的融合多尺度特征算子的激光雷達目標識別方法，其特征在于，步驟s31進一步包括：
5.根據權利要求3所述的融合多尺度特征算子的激光雷達目標識別方法，其特征在于，所述殘差單元包括依次連接的規范化層、卷積層、激活層和卷積層，卷積層的卷積核大小為1×1、3×1、5×1，步長為1，卷積核數量為6；采用全連接層執行步驟s32；采用...
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。