脉冲激光测距回波时刻解算方法、系统及终端与流程

本发明涉及脉冲激光测距技术领域，特别是一种基于深度学习的脉冲激光测距回波时刻解算方法、系统及终端。

背景技术：

脉冲激光测距方法，即飞行时间测量法，测量发射的激光脉冲和从目标返回的回波脉冲之间的飞行时间差，从而可以换算目标距离，因此，影响激光雷达的测距精度的因素主要是时间测量精度和回波信号的时刻鉴别精度。时间测量精度主要由固定的测时电子学精度影响，而时刻鉴别精度受信号回波幅度、动态范围、回波形状等影响较多，特别是远距离激光测距或者复杂环境应用中，由于目标的距离变化范围很大，目标类型种类多，反射率变化范围大，造成信号的动态范围变化很大，例如在激光测深应用中，信号动态范围可以达到5-6个数量级。由于数字化能力所限，目前普遍的数字化的时间分辨率是1ns，如果要获得精确的回波时刻，必须用各种方法进行解算。

对于回波信号的时刻解算方法，常用的有上升沿判别，恒比阈值判别，信号自相关高斯拟合法，高斯拟合法，高斯回波信号分解法等方法。这些方法都取得了比较好的结果，但是都有一定的应用条件要求，比如信号自相关高斯拟合法、高斯拟合和高斯回波信号分解法都要求回波信号是高斯形状，例如在机载激光雷达测绘应用中，地形和反射率变化对激光脉冲信号前后沿影响不同导致回波波形出现严重的不对称性。此外，大多数方法都是提取固定的一些特征，比如，宽度，上升斜率等等，利用这些特征作为判别的依据，在复杂的应用环境下，一旦出现不符合特征的回波数据，就需要重新改进研究新算法，不利于复杂场景的地形测绘。

综上，从现有的时刻解算方法来看，需要一种适用范围广，成本低廉，易于实现的回波时刻解算方法。

目前没有发现同本发明类似技术的说明或报道，也尚未收集到国内外类似的资料。

技术实现要素：

为了克服上述现有技术的缺陷，解决脉冲激光测距回波时刻解算普适性的问题，本发明的目的是提供一种基于深度学习的脉冲激光测距回波时刻解算方法、系统及终端，通过该方法、系统及终端，可以低成本、易实现、普适性的完成回波时刻解算。

本发明是通过以下技术方案实现的。

根据本发明的第一个方面，提供了一种脉冲激光测距回波时刻解算方法，基于深度学习，包括以下步骤：

s1，根据激光雷达理论，仿真计算产生脉冲激光测距全波形数据；

s2，从步骤s1产生的全波形数据中截取指定宽度的回波信号波形数据作为训练和测试样本数据，并以相对截取起点时刻的时间差值按所需时刻解算分辨率转换为训练和测试样本数据的分类标签值；

s3，随机选择部分训练和测试样本数据作为训练数据集，其它剩余训练和测试样本数据作为测试数据集，利用训练数据集和测试数据集用深度学习法训练神经网络模型；

s4，在实测的脉冲激光测距的全波形数据中，截取和步骤s2同样宽度的回波信号波形数据做解算对象；

s5，用步骤s3得到神经网络模型对解算对象进行分类，获得解算对象的分类标签；

s6，步骤s5所获得的分类标签即解算对象的回波时刻相对截取起点时刻的时间差值，该差值加上截取起点时刻，即为回波时刻；脉冲激光测距的主波一般很稳定，时刻一般为固定值或者易于解算，该回波时刻减去主波时刻即为飞行时间，从飞行时间就可以计算获得测距值。

所述s2中，回波波形数据为s1中按脉冲激光测距方法仿真计算产生的全波形数据的一部分，波形的物理意义为随时间变化的回波信号强度。

所述s4中，回波波形数据为脉冲激光测距方法采集到的激光回波数据的数字化波形数据，波形的物理意义为随时间变化的回波信号强度。

所述s2和s4中所述的指定宽度，需要覆盖所用测距激光雷达回波信号的最大可能宽度，即要保证完整截取回波信号。

所述s2中，时刻解算分辨率根据应用需求来选择，分辨率越高，所需训练测试时间和资源越大。

所述s2、s5和s6中，将回波时刻解算问题转换为波形分类问题，不直接求解时刻。

根据本发明的第二个方面，提供了一种脉冲激光测距回波时刻解算系统，包括以下模块：

训练和测试样本生成模块，仿真计算产生组合各种参数的脉冲激光测距全波形数据样本以及对应的分类标签；

深度学习模块，利用分类后数据样本中的训练数据集和测试数据集进行深度学习神经网络模型训练及测试，生成持久化神经网络模型；

回波截取模块，对实测的脉冲激光测距全波形数据的回波进行截取作为解算对象。

回波时刻解算模块，利用持久化模型对解算对象进行分类，从而获取回波相对截取起点时刻的时间差值，根据时间差值计算获得回波时刻，根据回波时刻和主波时刻计算获得飞行时间，从而计算获得测距值。

优选地，所述训练和测试样本生成模块中，采用理论仿真计算的方法产生训练和测试样本数据，并以相对截取起点时刻的时间差值按所需时刻解算分辨率转换为训练和测试样本数据的分类标签值。

优选地，所述回波解算模块，不直接解算回波时刻，而是将解算对象进行分类，再反算回波时刻。

根据本发明的第三个方面，提供了一种终端，包括存储器、运算功能器件(可以采用处理器或者fpga等具备运算能力的器件)及存储在存储器上并能够在运算功能器件上运行的程序，所述运算功能器件执行所述程序时能够用于执行上述任一项所述的方法。

与现有技术相比，本发明具有如下有益效果：

1、本发明无需提取回波波形的特征，通过深度学习可以自动识别特征，并组成复杂的特征，利用这些特征完成回波时刻计算。

2、本发明简单易用，无需用实测全波形数据作为训练和测试数据集，训练和测试数据集采用仿真计算产生，时刻标签标注简单，相比实际测量标注，工作量非常小。

3、本发明成本低，无需增加额外的硬件设备。

4、本发明适应性好，可以适应各种测试区域。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1是本发明提供的脉冲激光测距回波时刻解算方法流程图。

图2是本发明一实施例所提供的深度学习流程图。

图3是本发明一实施例所提供的脉冲激光测距工作原理图。

图4是本发明一实施例所提供的回波数据截取示意图。

具体实施方式

下面对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

实施例

本实施例提供了一种脉冲激光测距回波时刻解算方法，该方法基于深度学习，包括以下步骤：

1)根据激光雷达理论，仿真计算产生脉冲激光测距全波形数据

根据测距场景的目标特性、激光测距机的参数、目标距离、测距角度、数字化精度和噪声水平等各种参数，根据激光雷达理论，在各种参数的有效范围内，随机组合各种可能参数，批量仿真计算产生理论脉冲激光测距全波形数据；无需采集各种实测的全波形数据，也无需实际测量距离进行回波时刻标注，极大的减少了工作量。

2)截取仿真计算的全波形数据产生训练和测试样本数据

从全波形数据中截取指定宽度的回波信号波形数据作为训练和测试样本数据，并以理论计算所用的回波时刻减去本回波截取起点时刻的时间差值按所需时刻解算分辨率转换为训练和测试样本数据的分类标签值。截取方法可以采用以回波波形峰值为中心，以理论上可能达到的最宽的宽度从理论全波形数据中截取回波信号波形数据作为训练和测试样本数据，例如机载陆地测量应用中宽度可以选择为40ns，并以相对截取起点时刻的时间差值按所需时刻解算分辨率转换为训练和测试样本数据的分类标签值，例如以0.1ns(空气中对应约15mm分辨率)为解算分辨率，时间差值为16ns的情况下，分类号为160。

3)用深度学习方法训练神经网络模型

随机选择部分样本数据作为训练数据集，其它剩余样本数据做测试数据集，利用训练数据集和测试数据集进行深度学习生成持久化神经网络模型；利用训练数据集和测试数据集，进行深度学习模型训练及测试；将达到分类精度要求的深度学习模型进行持久化，存储经过深度学习后生成的神经网络模型和参数，得到持久化模型。可以利用已有的深度学习软件框架(不限于tensorflow、keras、mxnet等)或者自己实现的深度学习网络进行训练和学习。可以简单的修改每次训练样本数、训练次数等参数来完成学习，直至达到预期效果。学习训练的流程如图4所示。此步骤还可以通过gpu、tpu、fpga和云服务等进行加速。将达到分类精度要求的深度学习模型进行持久化，存储经过深度学习后生成的神经网络模型和参数。每一批次的飞行测试，一般只需要进行一次学习和持久化，通用性非常高。

4)截取脉冲激光测距的实测全波形数据产生解算对象

在实测的脉冲激光测距的全波形数据中，以回波波形峰值为中心，从实测脉冲激光测距回波数据中截取和理论数据同样宽度(例如陆地测量应用中宽度选择为40ns)的回波信号波形数据做解算对象；截取的波形数据为全波形数据的一部分，可以大幅降低运算所需要的资源。

5)解算获得时刻差值

用获得的持久化神经网络模型对解算对象进行分类，获得该回波波形的分类号；所获得的分类号根据解算分辨率，反算出回波时刻相对截取起点的时间差值。由于生成模型后一般都是线性结构的多，没有复杂的运算，运算速度非常快，还可以通过gpu、tpu、fpga和云服务等进行加速。

6)计算测距值

解算出的时间差值加上截取起点时刻获得回波时刻，回波时刻减去主波时刻即获得了真正的飞行时间从而获得测距值，测距的主波一般很稳定，时刻一般为固定值或者易于解算。

进一步地，所述的回波波形数据是指测量获取的激光回波数据的数字化后的数据，每个激光脉冲的回波都会数字化出一组数据，这组数据按时间顺序排列就是回报的波形。

进一步地，所述的分类标签为对应激光回波数据增加的数据，这些数据代表不同的回波时刻相对截取起点时刻的时刻差值，该时刻差值和每个测点的激光回波是一一对应的。

进一步地，所述的测试数据集用来验证学习后的深度学习模型的正确率和泛化能力，用来判断学习后的模型是否具有通用性和正确率，能否满足分类要求。

进一步地，所述的深度学习是机器学习的一个分支，它除了可以学习特征和任务之间的关联，还能自动从简单特征中提取更加复杂的特征；通常情况深度学习是指深层神经网络的代名词。通过深度学习的方法，只需要建立好样本库，即可以自动学习这些波形的特征，然后从这些样本库泛化到所有的波形数据，完成波形分类工作，学习过程如图2所示。

下面结合附图对本发明上述实施例进一步详细描述。

如图3所示，为脉冲激光测距的工作原理图：

以一定的频率进行触发后，激光器出光，出现激光主波脉冲；激光脉冲经过介质(空气、水等)传播后，碰到目标后形成回波信号，回波信号再经过介质后返回到光信号接收系统，再经过探测器转换为电信号，然后被数字化仪转换为数字化信号波形；主波和回波信号如图2所示，测量主波和回波之间的飞行时间，根据光在不同介质中的传输速度，就可以计算出测距距离。

如图4所示，为本发明上述实施例所提供的回波数据截取示意图，进一步描述本发明上述实施例的具体实施方式：

1)从仿真计算的全波形数据中截取回波并进行分类标记

仿真计算时已知回波时刻t_e，如果截取宽度t_w(例如为40ns)，则回波截取起点t_s＝t_e-t_w/2(例如t_s＝t_e-20)，则从t_s开始，截取t_w长度的数据作为训练和测试数据，分类标签值为t_e/0.1(0.1ns解算分辨率)。

2)用深度学习方法训练神经网络模型

利用训练和测试集数据训练分类神经网络模型。

3)截取实测全波形数据产生解算对象

在实测的脉冲激光测距的全波形数据中，一般数字化时间分辨率是1ns，在0.1ns时间分辨率要求的情况下，回波的峰值时刻和回波时刻往往是不重合有差别的，0.1ns的差别在空气中影响测距值约15mm。

首先查找到回波波形峰值时刻，设为t_p(为整数数字化时间分辨率，例如500ns)，从t_p-t_w/2开始截取t_w宽度的波形作为解算对象。

4)解算测距值

用分类神经网络模型对解算对象进行分类，获得分类标签x，则回波的时刻为t_p+x*0.1(0.1ns解算分辨率下)。主波时刻一般容易获取为t_m，则飞行时间为t_p+x*0.1-t_m(0.1ns解算分辨率下)，即可根据介质中的光速换算为最终需要的测距值。

基于上述实施例方法还实现了一种脉冲激光测距回波时刻解算软件系统，包括以下模块：

训练和测试样本生成模块，仿真计算产生组合各种参数的脉冲激光测距全波形数据样本以及对应的分类标签；

深度学习模块，利用分类后数据样本中的训练数据集和测试数据集进行深度学习神经网络模型训练及测试，生成持久化神经网络模型；

回波截取模块，对实测的脉冲激光测距全波形数据的回波进行截取作为解算对象。

回波时刻解算模块，利用持久化模型对解算对象进行分类，从而获取回波相对截取起点时刻的时间差值，根据时间差值计算获得回波时刻，根据回波时刻和主波时刻计算获得飞行时间，从而计算获得测距值。

上述软件系统可以自动对脉冲激光测距的全波形数据进行回波时刻解算生成测距值。

基于上述的脉冲激光测距回波时刻解算方法、系统，本发明实施例中还提供了一种终端，包括存储器、运算功能器件及存储在存储器上并能够在运算功能器件上运行的程序，所述运算功能器件执行所述程序时能够用于执行上述任一项所述的方法。所述运算功能器件可以采用处理器或fpga等具备运算能力的器件。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。