基于粒子群算法的激光雷达波形数据分解的方法
【技术领域】
[0001] 本发明属于激光数据处理技术领域，具体是指一种基于粒子群算法的激光雷达波 形数据分解的方法。
【背景技术】
[0002] 激光回波波形中蕴含着大量激光光斑内部地表信息，通过对回波波形的分析可以 对地表目标的细特征进行提取。因此，寻找一个有效并且准确的回波分解算法是一个值得 研究的课题。
[0003] 背景噪声会导致波形幅度的随机变化，过多的毛刺可能会导致检测到误点，因此 平滑滤波对于参数拟合有着较大的影响。然而，一些滤波算法会导致幅值上的失真以及过 度平滑使得细节丢失或是丢失峰值点等结果，因此需要比较并选择其中较好的算法。
[0004] 现有的算法中，LM算法的精度依赖于初值，若是初值偏差较大那么就很难得到精 确的拟合效果。以往的算法中，往往通过过零拐点的检测来确定脉宽参数，而实际激光模型 并非标准的高斯模型，并不对称，因此在波形叠加脉宽展宽的情况下以此方法获得的回波 参数作为初值并不精确。
[0005] 综上所述，目前的激光回波分解算法在参数较多以及叠加展宽的情况下效果并不 理想，因此效果较好的vondrak平滑算法对于回波分解更加适合，而通过改进粒子群算法 获取其参数值作为LM算法的初值是优化其结果的一种方法。
[0006] 粒子群算法，也称粒子群优化算法（ParticleSwarmOptimization)，缩写为 PS0,是近年来发展起来的一种新的进化算法（EvolutionaryAlgorithm-EA)。PS0算法属 于进化算法的一种，和模拟退火算法相似，它也是从随机解出发，通过迭代寻找最优解，它 也是通过适应度来评价解的品质，但它比遗传算法规则更为简单，它没有遗传算法的"交 叉"（Crossover)和"变异"（Mutation)操作，它通过追随当前搜索到的最优值来寻找全局 最优。这种算法以其实现容易、精度高、收敛快等优点引起了学术界的重视，并且在解决实 际问题中展示了其优越性。粒子群算法是一种并行算法。
[0007]PS0初始化为一群随机粒子（随机解）。然后通过迭代找到最优解。在每一次迭 代中，粒子通过跟踪两个"极值"来更新自己。第一个就是粒子本身所找到的最优解，这个 解叫做个体极值pBest。另一个极值是整个种群目前找到的最优解，这个极值是全局极值 gBest。另外也可以不用整个种群而只是用其中一部分作为粒子的邻居，那么在所有邻居中 的极值就是局部极值。
[0008] LM算法，全称为Levenberg-Marquard算法，它可用于解决非线性最小二乘问题， 多用于曲线拟合等场合。
【发明内容】
[0009] 本发明的目的是基于三维激光成像系统，开发一套完整的激光回波数据分解的方 法，在参数较多以及叠加展宽的情况下，采用效果较好的vondrak平滑算法，并通过改进粒 子群算法获取其参数值作为LM算法的初值优化其结果。
[0010] 本发明的技术方案是：基于粒子群算法的激光雷达波形数据分解的方法，具体步 骤如下：
[0011] (1)获取激光雷达全波形回波数据；
[0012] (2)对波形进行去噪处理；
[0013] (3)对波形进行平滑处理；
[0014] (4)通过峰值检测检测出回波的峰值点，根据背景噪声水平设定峰值点阈值，去除 因噪声产生的多余的峰值点，确定回波峰值点位置及个数；
[0015] (5)运用改进粒子群算法进行迭代，获取单个波形参数的大致值；
[0016] (6)将步骤（5)中获得的参数大致值作为LM迭代算法的初值，通过最小二乘法获 取最终的波形参数；拟合效果按照拟合度公式计算，所述拟合度公式如下：
【主权项】
1. 基于粒子群算法的激光雷达波形数据分解的方法，其特征在于：具体步骤如下： (1) 获取激光雷达全波形回波数据； (2) 对波形进行去噪处理； (3) 对波形进行平滑处理； (4) 通过峰值检测检测出回波的峰值点，根据背景噪声水平设定峰值点阈值，去除因噪 声产生的多余的峰值点，确定回波峰值点位置及个数； (5) 运用改进粒子群算法进行迭代，获取单个波形参数的大致值； (6) 将步骤（5)中获得的参数大致值作为LM迭代算法的初值，通过最小二乘法获取最 终的波形参数；拟合效果按照拟合度公式计算，所述拟合度公式如下：
其中：〇bSi为待拟合的目标波形，即经过（1)-(3)步处理后的实际波形数据， yi为拟合 结果，N为实际回波采样点数，当R值越接近于1时拟合度越高。
2. 根据权利要求1所述的基于粒子群算法的激光雷达波形数据分解的方法，其特征在 于：步骤（2)中采用小波算法对波形进行去噪处理。
3. 根据权利要求1所述的基于粒子群算法的激光雷达波形数据分解的方法，其特征在 于：步骤（5)运用改进粒子群算法进行迭代，获取单个波形参数的大致值；具体流程如下： a、 确定参数、随机初始化粒子群体的位置和速度，记录个体极值以及群体极值； b、 计算每个粒子的适应值； c、 比较每个粒子适应值与个体极值，如果较优，则更新该粒子个体极值； d、 比较每个粒子适应值与群体极值，如果较优，则更新该粒子群群体极值； e、 更新每个粒子的位置和飞行速度； f、 设定迭代次数，达到则停止计算； 所述参数为单个波形的延时、强度以及脉宽参数，所述适应值由函数 ?计算，其中〇bSi为待拟合的目标波形，即经过（1)_(3)步处理 <=1
<= 1 后的实际波形数据，yi为当前参数粒子所重构成的波形，N为实际回波采样点数，当R值越 接近于1时效果越好； 对于参数粒子的更新为：
所述个体极值指粒子本身找到的最优解，即式中的<，所述群体极值是指全局找到的 最优解，即式中的％,，4?为参数粒子，U为飞行速度，《为惯性因子，（^与(32为加速常 数。
4. 根据权利要求1所述的基于粒子群算法的激光雷达波形数据分解的方法，其特征在 于：步骤（3)中采用vondrak算法对波形进行平滑处理，具体流程如下： 对于测量的波形数据序列（Xi，yi)，Xi为采样时间，71是数据采样值，A是平滑后的值， 3，表示A的三阶导数，？1是测量值得权，F为逼近度，S为平滑度，1/A2成为平滑系数； vondrak平滑方法所用的平滑函数是以多项式形式来表示的，具体做法是对相邻的四组数 据(xf，y;)，&+2)，（Xh3，：r,+3)用一个三次的拉格朗日多项式来表不，每四个 平滑值就构成一个拉格朗日多项式，用该式表示中间的两个平滑值，vondrak平滑方法的基 本方程组为：
共有n个方程，其中： 一ai-3di-3;A_2i-ai-2ci-2+bi-sdi-3；A_n -ai_1bi_1+bi_2ci_2+ci_3di_3； --ci~ b~. d ~ ^ sP.\ j4.. .= (2.b. b. .c. .+ 0 A2i=aA+bHU3i=aA;e= 1/ 入2;Bi=ePi;Ai=0(j+i彡 0 或j+i彡n+1) 其中：
解算该线性方程组即能获得平滑后数据。
5.根据权利要求1所述的基于粒子群算法的激光雷达波形数据分解的方法，其特征在 于：步骤（4)中通过获得一段背景噪声的均值及方差，去除峰值检测带来的噪点。
【专利摘要】本发明提供了一种基于粒子群算法与Levenberg-Marquardt Algorithm(LM算法)相结合的三维激光回波分解算法，包括平滑去噪、峰值检测、波形分解与拟合。利用设定阈值以及峰值检测确定平滑去噪后信噪比良好的波形个数，通过粒子群算法获取单个波形的强度参数大概值和宽度参数大概值，将其作为LM算法的初值以提高分解精度，减少初值带来的误差影响。
【IPC分类】G01S7-48
【公开号】CN104614718
【申请号】CN201510010012
【发明人】王元庆, 戴璨, 徐帆
【申请人】南京大学
【公开日】2015年5月13日
【申请日】2015年1月8日