基于深度学习的单脉冲激光雷达回波特征提取方法

本发明涉及波形特征提取技术，具体涉及一种基于深度学习的单脉冲激光雷达回波特征提取方法。

背景技术：

激光雷达是雷达原理与激光技术相结合的产物，以激光为探测波束，具有测程远、灵敏度高、空间分辨率高、抗干扰能力强等一系列优点，在距离测量、目标跟踪、立体成像和环境感知等领域有着广阔的应用前景。

信号处理是激光雷达探测系统中最重要的部分，其目的是对回波信号进行准确分析、诊断、压缩和量化，并快速实现信号的传递和存储、精确重构。由于复杂多变的探测环境的影响，激光雷达回波信号不仅携带目标的信息成分，而且更多的是噪声信号，甚至表现为目标信号被淹没的情况，因此，噪声的存在严重影响了激光雷达的探测精度和探测距离，如何实现噪声的去除，有效提取目标对象信息成为探测系统的首要任务和难点。

低成本的脉冲激光测距仪单次测量精度一般可达到米级，这个精度在车载激光传感器的应用场合是不够的。造成精度较差的主要原因是由于接收机子系统的动态范围的限制，而为了保证高精度的距离测量，需要减小时刻鉴别的误差，因此为了避免探测到的回波脉冲信号饱和失真，同时为了较少漏检，测量范围内的回波信号强度也应该大于阈值电压，这也就是需要接收电路的动态范围较大。

目前来说，深度学习在雷达目标识别领域上的研究成果绝大多数都集中在运用深度学习技术对提取得到的图像数据进行加工处理，其本质还是停留在对图像数据进行处理的范畴上，并没有真正应用到对雷达目标序列信号的学习识别上。

探测器和硬件的固有特性意味着大功率雷达回波可能经常产生饱和信号。通常，这些饱和信号在数据处理过程中会被丢弃，因此，一些有用的信息会丢失。因此，将饱和信号恢复到正常状态是值得的。饱和信号波形与正常信号波形之间的映射构成一个回归问题。由于闪烁体和集合通常不构成一个线性系统，典型的回归方法如多参数拟合不能立即应用。神经网络的一个重要优点是能够处理非线性回归问题。

对于激光雷达回波的饱和问题，目前主动解决方式有两种，一种是基于硬件，在硬件环境的基础上避免回波信号的饱和，另一种采用拟合迭代，将饱和信号进行恢复。前一种方法目前解决办法是采用多层分级回波处理办法，即在当测量近距离目标的时候，采用符合短距离动态范围的硬件设备，但测量远距离目标时，采用符合远距离动态范围的硬件设备。这种方法能够有效的扩大激光雷达的动态范围，但是成本会是之前只有单一动态范围硬件设备的两倍。另一种采用迭代拟合的方法则需要花费大量的时间进行迭代计算。因此这两种方法都有一定的局限性。解决了饱和问题，对于之后的特征提取会有非常大的帮助，一般来说传统的激光雷达测距系统会将饱和信号进行舍弃，但是这会对雷达性能有一定的影响，因此需要尽可能的避免饱和现象的出现，或者减小饱和信号对激光雷达回波特征提取的影响。

技术实现要素：

本发明的目的在于提供一种基于深度学习的单脉冲激光雷达回波特征提取方法，该方法能在硬件条件有限的情况下，对由于动态范围不足导致的饱和雷达信号进行恢复，从而能够将其丢失的特征信息进行恢复，最后再将恢复后的波形进行特征提取，为后续工作提供保障。

实现本发明目的的技术方案为：一种基于深度学习的单脉冲激光雷达回波特征提取方法，包括以下步骤：

步骤s1：使用脉冲激光雷达进行样本收集，将一系列含有完整波形信息的激光雷达回波信号作为神经网络的训练数据集；

步骤s2：将整理好的训练数据集分别送入预先搭建好的循环神经网络和卷积神经网络中进行数据训练，通过反复训练迭代，不断更新参数信息，最终建立出合适的lstm网络和lstm-cnn网络；

步骤s3：将产生畸变的脉冲激光雷达信号，尤其是饱和的脉冲激光雷达信号先送入已经过训练迭代的搭建好的lstm神经网络中进行波形恢复，使得由于波形畸变而丢失的波形信息得以恢复；

步骤s4：由步骤s3恢复后的脉冲激光雷达回波再送入步骤s2训练好的lstm-cnn神经网络中进行特征提取。

与现有技术相比，本发明的显著优点为：

(1)针对激光雷达动态范围不足的问题，提出了一种基于lstm模型的激光雷达饱和回波恢复算法，能够不依赖于硬件条件，快速实时地将由于动态范围不足而导致的激光雷达饱和回波信号进行恢复；在硬件方便不需要增加额外的硬件设施，节省成本；在算法方面，节省大量的时间，能够快速准确的对饱和信号进行恢复；

(2)由于激光雷达主要是用来测距，因此本发明的特征提取主要是对激光雷达信号的距离特征进行提取；本发明能够快速准确的对精度为0.15m距离特征进行很好的识别，具有一定的实时性。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1是本方法完整流程图。

图2是基于lstm-rnn模型的波形恢复流程图。

图3是本方法使用的lstm-rnn模型的单元结构图。

图4是基于lstm模型对饱和激光雷达回波信号恢复部分的实验结果图。

具体实施方式

下面将对本法发明的具体实施方式进行详尽描述，但应当理解本发明的保护范围并不受具体实施方式的限制。

参照图1，图2和图3，一种基于深度学习的单脉冲激光雷达回波特征提取方法，包括以下步骤：

步骤s1：使用脉冲激光雷达进行样本收集工作，将一系列含有完整波形信息的激光雷达回波信号作为神经网络的训练数据集。

步骤s2：将整理好的训练数据集分别送入预先搭建好的循环神经网络和卷积神经网络中进行数据训练，通过反复训练迭代，不断更新参数信息，最终建立出合适的lstm网络和lstm-cnn网络。

步骤s3：将产生畸变的脉冲激光雷达信号，尤其是饱和的脉冲激光雷达信号先送入已经过训练迭代的搭建好的lstm神经网络中进行波形恢复，使得由于波形畸变而丢失的波形信息得以恢复。

步骤s31：获取从单脉冲激光雷达产生的一系列完整的非饱和的回波脉冲序列作为神经网络的训练数据集。

步骤s311：由实验室激光雷达采集到的包含完整信息的雷达回波由n个采样点构成，即单个样本(一个完整波形)由n个时间序列组成，采集到的一系列包含完整信息的非饱和回波脉冲序列共有m个，即样本总量为m。将采集到的m个样本进行时间序列方向上的拼接，得到总数共计为m*n个时间序列做为训练样本的输入，如下：

dataset＝(x11,x12,…,x1n,x21,…,x2n,…,xm1,…,xmn)

步骤s312：为了使得后续的梯度计算速度更快，使更新参数的方向更加贴合整个训练，将拼接好的序列样本数据通过minmaxscaler函数，将样本数据缩放到0～1范围内，即对训练数据集进行归一化处理，公式如下：

其中max为序列样本中的最大值，min为序列样本中的最小值。

步骤s313：对归一化后的训练样本进行输入与输出，训练集与测试集的划分。设计一个宽度为s(s＞10)的滑窗，每次在时间方向上移动，滑窗内包含s个序列样本，其中前s/2个数据设置为输入，后面剩下的所有数据设置为输出，即在整个宽度为s的滑窗内，通过前s/2个序列样本来预测后面剩下的序列。滑窗每次向前移动一个序列长度。

步骤s32：将所整理好的训练数据集输入到预先搭建好并进行了参数初始化的lstm-rnn神经网络中进行训练，通过对大量包含完整信息的回波序列进行迭代训练，不断更新初始化参数，最终得到基于lstm-rnn模型的雷达饱和回波信号的波形恢复方法的模型。

步骤s321：构建中间隐藏层向量均为n(n＞1)维的双层lstm循环神经网络模型。第一层lstm-rnn神经网络模型最终返回的是所有时间步的输出，第二层lstm-rnn神经网络最终返回的最后一个时间步的输出。损失函数采用的是均方差函数(meansquareerror，mse)，随机梯度下降算法采用adam优化算法对训练样本序列迭代更新循环神经网络的各个权重参数，最终得到最优参数。

步骤s322：设置该lstm神经网络的各类参数的初始值、dropout函数的值、各层神经元的个数，adam算法的decay值以及迭代次数。

步骤s323：将步骤s31所述处理好的样本序列输入到上述已设置好各类参数的神经网络中进行训练，最终得到训练完成的模型即所述单脉冲激光雷达饱和回波信号恢复方法的模型。将步骤s313中所设置的宽度为s的滑窗中的样本序列输入到训练模型中，例如在时间t时刻的滑窗内样本为p＝(xt，xt+1，…，xt+(s-2)，xt+(s-1))，将前s/2个时刻的序列值作为lstm输入层的输入向量，后面的作为网络预测值与真实的网络作比较，其中每个lstm的计算公式如下：

其中，xt表示第t个时间序列下的采样值，ht-1表示在t-1个时间序列时的隐向量，wf表示遗忘门ft的权重矩阵，bf表示遗忘门ft的偏置向量，wi表示输入门it的权重矩阵，bi表示输入门的偏置向量，wc表示lstm单元状态值的权重矩阵，bc表示lstm单元状态值的偏置向量，wo表示输出门的权重矩阵，bo表示输出门的编制向量。

步骤s33：利用所构建的模型对饱和和畸变信号序列所缺失的那部分信息序列进行预测，从而得到完整的预测波形序列。

步骤s34：通过对预测波形序列的修正，得到最终恢复好的完整的波形序列。由于单脉冲激光雷达的饱和回波信号脉冲的部分前沿和部分后沿都是存在，本方法是通过对饱和信号存在的真实的前沿信号序列来预测因饱和而缺失的之后的部分信号序列，为了使得预测的结果跟准确，本方法将训练样本的整个样本序列进行镜像翻转，得到镜像后的新的样本序列，再输入到lstm-rnn神经网络中进行训练，通过饱和信号的后沿信号序列来预测因饱和而缺失的之前的部分信号序列，最后将正向序列所预测到的结果与反向序列所预测到的结果进行加权计算，得到最终经过修正预测波形序列。

步骤s4：由步骤s3恢复后的脉冲激光雷达回波再送入步骤s2训练好的lstm-cnn神经网络中进行特征提取。

步骤s41：获取从单脉冲激光雷达产生的一系列完整的非饱和的回波脉冲序列作为卷积神经网络的训练数据集，并将数据集以0.15米的分辨率进行分类标定。

步骤s42：将所整理好的训练数据集输入到预先搭建好并进行了参数初始化的lstm-cnn神经网络中进行训练，通过对大量回波序列进行迭代训练，不断更新初始化参数，最终得到基于lstm-cnn模型的雷达回波特征提取方法的模型。

步骤s43：利用所构建的模型对任意雷达回波信号进行特征比对，将特征相同的雷达信号放入相对应的分类标签中，从而得出其距离特征信息。

图4为本算法基于lstm模型对饱和激光雷达回波信号恢复部分的实验结果，由此可见，该算法能够对脉冲激光雷达饱和回波信号进行恢复，且恢复效果比较理想，最终使用均方差进行评价的评价结果为：lstm恢复波形与原始波形的均方值误差为0.045，恢复后的回波的距离精度为0.15m。

最终实验结果表明，基于深度学习的脉冲激光雷达回波特征提取方法能够对距离特征进行提取，得到的基于lstm-cnn模型的激光雷达回波特征提取模型的识别精度在1ns的到达95.72％，余下的4.28％的识别精度在2ns，基本满足了激光雷达测距精度为1ns的要求。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。