一种基于激光回波的振动信号超分辨算法
【专利摘要】本专利公开一种基于激光回波信号的超分辨率成像方法，主要解决了激光回波振动信号强度弱、信息少等问题。研究内容主要分成以下几个方面：1、图像化处理。利用激光测振仪对待测车辆进行二维网格化扫描，并对回波信号进行相应的灰度值量化处理，构建车辆二维振动信号图谱。2、特征提取。设计特征算子，对已知训练库的车辆进行特征提取，创建车辆振动特征数据库。3、超分辨。基于图像超分辨率算法及已经得到的车辆振动特征数据库对待测车辆的车辆振动图谱进行超分辨率放大，得到高分辨率的车辆振动图谱。本发明具有运算复杂度低、实用性强、适用范围广等优点，可用于物体探测、目标识别等领域。
【专利说明】一种基于激光回波的振动信号超分辨算法
【技术领域】
[0001]本发明涉及对激光回波振动信号的超分辨方法，属于图像超分辨【技术领域】。
【背景技术】
[0002]激光探测仪可以对车辆，军舰，大型掩体等待识别的物体进行探测工作。激光具有单色性、相干性，方向性等区别于其他光源的优越特性，这些特性为利用激光探测仪中的激光发生器对远距离物体进行探测提供了理论支持。由于车辆、轮船等机械物体都会有自身微振动，激光发生器发出的激光可以准确的击中物体上的一点，而后便可以通过激光接收器对反射回的激光回波信号进行接收，利用PC或其他数字处理芯片对采集到的信号进行处理分析，以得到被探测物体的相关信息。
[0003]而问题的关键在于激光回波信号的测量与采集相对比较复杂，对仪器和精度的要求非常高，又因空气尘埃，光污染，水雾等因素的干扰，导致每一束回波信号的准确度都会有一定程度的降低，我们必须要通过增加测量目标物体的次数以弥补每一次测量所带来的误差。而激光发生器一般只能发射1-2束激光，只能够得到待测物体一到两个点的振动信息，这就意味着从收集端所得到的信息非常有限，这就使整个步骤实施产生了矛盾。为了解决这个矛盾，工程上一般采用硬件或者软件的方法来处理，而提高硬件(激光发生器、激光接收器或者中间环节的光学仪器)的代价非常昂贵，提升的空间也不大。所以综上所述，用软件方法对回波信号进行信号处理就成为了最合理的方式，而超分辨率处理就是本发明所提出的一种比较优越的算法。
[0004]图像超分辨就是将由红外成像仪或可见光成像仪所得到的低分辨率图像(图像中的像素点很少，高频边缘部分模糊)通过一系列数字化的算法处理，使之能够得到更多的像素点，更高的像素密度，从而使图像更加清晰。图像超分辨已经被广泛的应用于多个领域，例如:军事红外探测，医学核磁共振，人脸识别等。在这个基础上，本发明中涉及的激光接收器所收集的车辆振动信号也可以通过相关处理转化成为图像信号，从而可以通过超分辨处理以得到更多相关的振动信息，为接下来的分析工作提供了便利。同时大大减小了硬件上激光探测器探测的次数，节约了成本。
【发明内容】
[0005]本发明为了减少激光测振仪器的测量次数与测量开销，提出了一种基于激光回波的车辆振动信号的超分辨率重建算法。首先通过激光发生器对待测车辆车身进行二维网格化扫描，得到车辆车身每一点的振动信息；而后通过激光接收器对激光回波信号进行采集并在信号处理端进行采样，量化等预处理工作，得到数字化的车辆振动信号点阵；然后将数字化的车辆振动信号点阵进行图像灰度值量化处理，得到待测车辆的振动信号图谱；而后将已测的其他车辆的振动信号点阵也经过类似的图像灰度值量化处理，得到训练车辆的二维振动信号图谱，并设计滤波算子对训练车辆的振动信号图谱进行特征提取，创建车辆振动特征数据库，作为超分辨的先验知识；最后通过之前获取的先验知识，利用正交匹配跟踪算法对待测车辆的振动信号图谱进行像素扩充，已达到超分辨的效果。与先前直接利用振动信号图谱进行分析相比，经过超分辨处理之后的振动信号图谱像素点更多，振动图像更加清晰，接下来的分析会更加精确。
[0006]目前的图像超分辨重建算法一般采用两种方法:基于多帧的超分辨重建与基于单帧的超分辨率重建。而多帧的超分辨率重建所需要的输入振动点阵图像过多，无法应用在激光回波信号处理中，而基于单帧超分辨率算法只需要一幅待测车辆的振动点阵图，更适合工程上的应用。因此本发明采用的是基于单帧的超分辨率重建。
[0007]本发明采用单帧图像的超分辨率重建，就需要有先验知识的支撑。而先验知识的获得需要与被测物体类型相关的多幅高分辨率振动点阵图作为训练样本进行训练。也就是说本发明能够实现的一个基础就是需要测量大量的相关车辆振动数据，以获得车辆数据振动信息，用来作为训练的样本进行训练，这里‘训练’的意思基本上可以看做是一个特征提取与整合的过程。本发明通过设计相关一维与二维滤波器组合，对训练样本进行模板滤波，提取车辆信号特征，将提取到的特征信号通过降维、整合等操作形成特征集合，这个特征集合我们称之为‘字典’。而后通过正交匹配跟踪算法，对通过激光接收器得到的待测车辆的振动信号图谱与训练得到车辆特征库(即字典)进行匹配，在字典中找到相对应的高频信息，将这些匹配得到的高频信息加入到原始车辆振动信号点阵中，便可以达到扩充振动信号点，使车辆振动图像更加清晰的目的。
[0008]本发明是通过以下技术方案实现的:基于字典学习的图像超分辨率算法对激光回波信号进行超分辨重建，包括以下4个大的步骤:1)将经被测物体反射的激光回波信号进行预处理，预处理后的每一个振动点进行图像灰度值量化处理，形成振动信号图谱，作为实验中的待处理图谱；2)利用激光测振仪对不同型号、不同款式的车辆进行振动扫描，得到不同车辆的振动信号，并对振动信号做步骤I)中的图像灰度值量化处理，作为训练样本库。3)将训练样本库进行特征提取与整合，建立车辆特征数据库；4)以车辆特征数据库作为先验知识，以正交匹配跟踪算法作为基本方法对待处理振动图谱进行超分辨处理，以达到振动点阵扩充，振动图谱更加清晰的目的。
[0009]所属步骤I)中，首先将激光接收器接收到的被测车辆回波振动信号进行采样，量化等预处理，成为数字化振动点阵，进行O?255梯度的图像灰度值量化处理，形成振动信号图谱，作为实验中的待处理图谱。
[0010]所属步骤2)中，利用激光测振仪对训练库中的大量训练车辆进行振动扫描，可以得到不同车辆的振动信号点阵。对这些微振动信号点阵中的振动数据做步骤I中的图像灰度值量化处理，得到车辆振动信号训练样本库。
[0011 ] 所属步骤3)中，利用本发明中提出的多个一维或二维滤波器算子对步骤2中的车辆振动信号训练样本库进行特征提取，并进行降维、整合等处理，建立车辆特征数据库，成为超分辨的先验知识。
[0012]所属步骤4)中，以步骤3中得到的车辆特征数据库作为先验知识，运用正交匹配跟踪算法将步骤I中得到的待处理图谱与已获得的先验知识中的特征进行匹配，得到需要的车辆细节特征信息，将这些信息加入原始的待测车辆振动图谱，形成最终的超分辨率图像。
[0013]【专利附图】
【附图说明】
[0014]图1是本发明基于激光回波的车辆振动信号超分辨算法流程图。
[0015]
【具体实施方式】
[0016]下面结合车辆微动信号测量对本发明做进一步的详细说明:
I，车辆微振动信号点阵与振动信号图谱的转化
由于无论在车辆引擎的开关如何，车辆的自身都会有一定频率的振动，而车辆的车头、车门或者车尾不同地方的振动频率会有区别。每当激光发生器对车身的任何一个地方发出一道激光，通过激光的反射光就可以得到这个点车辆的振动信息。而当我们尽可能多的使用激光探测对车身进行二维网格化逐点扫描时，就可以得到一个车辆振动信息点阵(例如一个100*100的点阵)。当然，激光器的测量对硬件的要求和数据的整理是非常庞大的，激光器扫描不可能每次都达到相当高的精度，也就是说对待测车辆只能进行大致轮廓的探测。而通过扫描得到的这个振动信息通过数字化转换才能得到数字化的振动信息点阵，而后要对这个数字化的振动信息点阵进行量化处理，量化范围为0-255，形成二维振动信号图
【权利要求】
1.一种基于激光回波的振动信号超分辨算法，其特征是包括以下步骤: 1)利用激光测振仪对待测物体(车辆)进行二维网格化逐点扫描，将得到的激光回波模拟振动信号进行采样、量化等数字化预处理工作，得到数字化振动信号，并将所有网格处的振动信号看作二维图像的灰度值，构建待测物体(车辆)的振动信号图谱； 2)利用激光测振仪对大量训练库中的物体(车辆)进行扫描检测，对得到的振动信号点阵做同样的预处理及图像灰度值量化处理，得到包含大量训练物体(车辆)振动信号图谱的训练样本库； 3)设计合适的一维与二维滤波器算子，对训练样本库中的物体(车辆)振动信号图谱进行模板滤波，提取出需要的物体(车辆)特征，利用K-SVD算法将特征矩阵整合为物体(车辆)特征数据库，作为超分辨处理的先验知识； 4)结合物体(车辆)特征数据库(先验知识)，利用正交匹配跟踪算法将待测物体(车辆)的振动信号图谱进行超分辨，已达到扩充振动信号点阵，使振动信号图谱清晰化的目的。
2.根据权利要求1所述的一种基于激光回波的振动信号超分辨率重建方法，其特征是所述步骤I)对预处理后的数字振动信号进行图像灰度值量化处理:
3.根据权利要求1所述的一种基于激光回波的振动信号超分辨率重建方法，其特征是所述步骤2)，利用激光测振仪对训练库中的物体(车辆)进行振动信息扫描，并做相应的预处理及灰度值量化处理，得到包含大量物体(车辆)振动信号图谱的训练样本库
4.根据权利要求1所述的一种基于激光回波的振动信号超分辨率重建方法，其特征是所述步骤3)，设计滤波器对训练点阵图进行卷积滤波，特征提取，本发明所用的滤波器如下:
5.根据权利要求1所述的一种基于激光回波的振动信号超分辨率重建方法，其特征是所述步骤4)利用在步骤4)中训练出的低、高分辨率字典与￡)〃，找出步骤I中的待测物体(车辆)的振动信号图谱h缺乏的高频部分/?/sr并加入原始图谱:
【文档编号】G06K9/62GK103971125SQ201410185762
【公开日】2014年8月6日 申请日期:2014年5月5日 优先权日:2014年5月5日
【发明者】李智, 李健, 任和, 冯晓磊 申请人:四川大学