一种稀疏自编码器的偏振激光和图像融合的材质识别方法

1.本发明涉及一种稀疏自编码器的偏振激光和图像融合的材质识别方法，属于材质识别技术领域。


背景技术：

2.脉冲激光探测具有光束窄、峰值功率高和方向性强等优点，已广泛应用于遥感、自主驾驶和军事等各个领域。激光雷达作为脉冲激光探测系统的典型代表，用于识别复杂地物。激光雷达可以扫描复杂地物的点云数量，使用卷积神经网络或其他机器学习算法来训练数据和识别目标。但是，树木、坦克、建筑物和其他目标的点云是混合在一起的，使用机器学习算法很难精确地分割目标点。因此，应提出包含多维信息的脉冲激光检测方法。
3.偏振是激光的一个重要的固有属性，由于目标的偏振散射特性，与传统的激光检测相比，偏振激光检测可以同时获得目标的辐射和偏振信息。因此，偏振激光探测可以有效区分各种地物和环境的特征，从而提取目标的距离、角度和偏振等信息。在实际探测中，偏振激光主动探测系统与目标的交角是可变的，目标结构的几何复杂。因此，脉冲激光束的回波信号、测距结果和偏振强度都会受到影响。此外，在不同的条件下，偏振程度也不同。
4.对于脉冲激光的偏振特性，学者们进行了相关的研究和实验。在宏观粗糙表面散射光的偏振特性方面。以往的一些研究人员根据双向反射分布函数（brdf）模型计算了几个典型样品的斯托克斯参数，并从多个角度获得了线偏振度（dolp）和偏振角。利用蒙特卡罗方法，部分研究者推导了粗糙表面米勒矩阵元的统计稳定性函数。统计结果表明，米勒矩阵的六个完全不同的矩阵元素决定了线偏振光的不同调制效应类型。除此之外，研究人员成功应用fri方法在实验室的全波形偏振激光雷达上采集和记录多个目标的回波脉冲，分析了同一波束中不同深度的多个目标的偏振特性和范围。虽然已有很多关于偏振测量的研究，但以往的研究大多集中在偏振光和物体的偏振特性来建立模型，没有充分利用偏振信息进行物体识别和特征提取方面。偏振检测和识别主要依靠偏振图像，对于无点云偏振激光雷达目标识别的研究相对较少。


技术实现要素：

5.本发明所要解决的技术问题是克服现有技术的缺陷，提供一种稀疏自编码器的偏振激光和图像融合的材质识别方法。
6.为达到上述目的，本发明提供一种稀疏自编码器的偏振激光和图像融合的材质识别方法，包括：将待识别的物体样本输入构建的预测分类模型，获得物体样本的材质类别。
7.优先地，构建预测分类模型，包括：基于稀疏自编码器和softmax分类器组成的框架，构建预测分类初始模型；利用获取的训练集训练预测分类初始模型，获得预测分类模型；利用获取的测试集对预测分类模型进行测试，若满足测试条件则表示预测分类模
型合格。
8.优先地，稀疏自编码器在传统的自编码器上增加了稀疏性的约束用来惩罚的隐藏层；隐藏层大小为30，设置最大训练次数为10000次，选择l2正则化，其对网络的权重设置为0.006；稀疏惩罚项的影响系数设置为5；设置神经元对训练集作出反应的期望比例为0.1。
9.优先地，利用获取的训练集训练预测分类初始模型，获得预测分类模型，包括：将训练集输入稀疏自编码器，通过前向传播获得隐藏层的输出；将隐藏层的输出通过直接替换或级联的方式代替当前的训练集的特征，生成新的训练集；利用新的训练集训练softmax分类器，当softmax分类器自带的交叉熵函数收敛或训练次数达到10000次后停止训练，获得预测分类模型。
10.优先地，利用获取的测试集对预测分类模型进行测试，若满足测试条件则表示预测分类模型合格，包括：将测试集输入预测分类模型中，预测分类模型输出预测结果；将所有的预测结果和测试集对应的实际所属材质类别进行比较，若所有的预测结果正确率在设定的阈值以上，则表示预测分类模型合格，否则不合格。
11.优先地，获取训练集和测试集，包括：偏振脉冲激光探测系统获取实验样品的相关偏振信息参数；偏振相机采集实验样品的偏振图像，从偏振图像中提取实验样品的偏振信息；将相关偏振信息参数和偏振信息进行数据融合，获得具有多组多维向量的原始数据集；将原始数据集划分为训练集和测试集。
12.优先地，实验样品的相关偏振信息参数包括反射光的总强度i、偏振椭圆半长轴的大小q、偏振椭圆半长轴的方向u、实验样品表面的偏振反射辐射ip、线偏振度dolp和偏振角。
13.优先地，实验样品的偏振信息包括不同角度的灰度值i0°
、灰度值i
45
°
、灰度值i
90
°
、灰度值i
135
°
、偏振度dop和偏振角aop。
14.本发明所达到的有益效果：本发明提供的一种基于稀疏自编码器的偏振激光和偏振图像融合的材质识别方法，通过偏振脉冲激光探测系统和偏振相机进行偏振信息采集，将两种方式提取到的数据进行融合生成特征向量集。利用该特征向量集对稀疏自编码器和softmax分类器的框架进行训练，最后利用训练后的框架进行材质识别，相对于传统使用强度进行材质识别或某单一使用激光探测或相机探测的方法，本发明具有更高的识别精度以及更均衡的各类别识别精度。
附图说明
15.图1为本发明的流程图；图2是本发明中偏振脉冲激光探测系统和偏振相机采集的示意图；
图3是本发明中稀疏自编码器与softmax分类器框架训练原理图；图4是本发明中预测分类模型进行100次测试的结果准确率的示意图。
具体实施方式
16.以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
17.如图1所示，本实施例中采用偏振脉冲激光探测系统采集实验样品的相关偏振信息参数，单点偏振脉冲光激光探测系统包括半导体激光器、偏振片1、实验样品、偏振片2、滤光片、调焦镜头和apd装置，半导体激光器发射光源为1064nm的红外激光，经过偏振片1调节起偏成线偏振光后射向所述实验样品，进行单点探测，实验样品的反射光线经过偏振片2、滤光片和调焦镜头后背apd装置采集获取。
18.偏振相机采集自然光罩设在实验样品上的发射光线，待识别的物体样本为需要测试识别的物体。
19.根据理论公式计算获得反射光的总强度i,偏振椭圆半长轴的大小q和方向u,物体表面的偏振反射辐射ip、线偏振度dolp以及偏振角这6个相关偏振信息参数，并利用这6个相关偏振信息参数组成共375组多维向量，作为材质识别训练的原始数据集的一部分。
20.利用偏振相机对所述5个实验样品进行偏振图像采集，分别从五个实验样品的偏振图像中提取每个像素点0
°
、45
°
、90
°
和135
°
四个角度的灰度值i0°
、灰度值i
45
°
、灰度值i
90
°
、灰度值i
135
°
、偏振度dop和偏振角aop这六个参数，利用这六个参数组成375组多维向量，作为材质识别训练的原始数据集的一部分。
21.将上述两组原始数据集的一部分进行融合，得到375组12维的向量作为原始数据集。
22.从铜制的实验样品的原始数据集中随机选取45组多维向量作为训练集，原始数据集中剩下5组多维向量作为测试集；其余4种实验样品，每种均随机选取对应的70组多维向量作为训练集，剩下10组多维向量作为测试集，测试集包括12个特征，分别为反射光的总强度i、偏振椭圆半长轴的大小q、偏振椭圆半长轴的u、物体表面的偏振反射辐射ip、线偏振度dolp、偏振角、灰度值i0°
、灰度值i
45
°
、灰度值i
90
°
、灰度值i
135
°
、偏振度dop和偏振角aop。
23.首先随机选取训练集的样本训练稀疏自编码器，通过前向传播，获得隐藏层的输出，即隐藏层的激活度，接着将隐藏层的输出作为新的特征通过直接替换或级联的方式代替原始的特征生成新的训练数据，利用训练数据训练softmax分类器，当softmax分类器自带的交叉熵函数收敛或训练次数为10000次后停止训练，获得预测分类模型。
24.所述预测分类初始模型是在pycharm软件平台上搭建并训练的，该框架包含了一个自编码器的模型，该自编码器模型中包含了一个大小为30的隐藏层，设置的最大训练次数为10000次。在进行正则化时，考虑到l2正则化得到的解比较平滑，同时也能够保证解中接近于0的维度比较多，降低模型的复杂度。因此选择l2正则化，其对网络的权重设置为0.006。但是l2正则化无法获得sparse模型，因次还需要引入稀疏惩罚项，其影响系数设置为5。最后，设置神经元对训练样本作出反应的期望比例为0.1。
25.设置好上述参数后将训练集导入预测分类初始模型进行训练，将测试集导入预测分类模型进行测试；最后利用训练好的预测分类模型进行预测分类，当分类准确度达到90%
以上则认为测试合格。
26.偏振脉冲激光探测系统和偏振相机上述部件在现有技术中可采用的型号很多，本领域技术人员可根据实际需求选用合适的型号，本实施例不再一一举例。
27.稀疏自编码器包括输入层、隐藏层和激活值，所述稀疏自编码器是在普通的自编码器基础上增加了稀疏性的约束用来惩罚隐藏层，从而使得神经网络在隐藏层神经元较多的情况下依然能很好的提取样本的特征和结构；其基本模型是一个三层的神经网络。
28.本技术是参照根据本技术实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
29.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
30.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
31.以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。