【技术实现步骤摘要】
本专利技术涉及激光雷达目标识别领域，特别涉及一种融合多尺度特征算子的激光雷达目标识别方法及系统。
技术介绍
1、激光雷达对飞机、坦克等典型金属目标的识别是其军事应用中基础且关键的问题。当前激光雷达目标识别技术主要基于生成点云数据处理的方法，即利用阵列或扫描式激光雷达获取目标的距离、强度等信息，从而实现目标的三维重建。即通过目标轮廓才能进行目标识别，其过程繁琐，算法复杂，无法满足激光近炸引信的实时性和高效性。
2、需要说明的是，激光雷达主动发射一束调制脉冲或连续波激光信号，激光遇到目标物体后会发生反射，激光雷达接收端的传感器接收到目标物体的反射光后，将光信号变成电信号，该过程所获得的电信号称为回波信号或回波信息。激光近炸引信是一种使用激光雷达技术的引信，在距离为10m内用于触发爆炸装置或者导弹。其通常包括一个激光发射器和一个接收器，用来检测激光光束的中断，当目标被激光光束中断时，接收器会发送信号触发爆炸装置。因此，如何准确快速识别飞机、坦克等典型金属目标尤为重要。
3、鉴于目前本领域技术人员在激光雷达目标识别等领域的难点，因此如何克服激光雷达目标识别需要繁琐的点云三维重建，满足激光雷达近炸引信的实时性和高效性，是目前亟待解决的技术难度。
技术实现思路
1、针对现有技术中的上述不足，本专利技术提供的融合多尺度特征算子的激光雷达目标识别方法及系统解决了现有金属目标识别时需要依赖点云三维重建，而存在识别复杂的问题。
2、为了达到上述专利技术目的，本专利技
3、第一方面，提供一种融合多尺度特征算子的激光雷达目标识别方法，其包括步骤：
4、s1、获取待识别金属目标的一维时间序列回波信号；
5、s2、对一维时间序列回波信号进行多尺度回波特征算子提取，并将多尺度回波特征算子排列成一维数组；
6、s3、将一维数组输入已训练的残差卷积网络进行识别，得到待识别金属目标的类型。
7、进一步地，多尺度回波特征算子包括峰值、峰值时刻、幅值平均值、有效回波能量、重心位置、上升沿一阶梯度值、上升沿二阶梯度值、下降沿一阶梯度值、下降沿二阶梯度值；
8、所述有效回波能量的获取方法包括：
9、获取经验阈值，并根据经验阈值去除一维时间序列回波信号中的环境噪声和拖尾部分，得到有效回波波段；
10、根据有效回波波段的起始时间，计算一维时间序列回波信号的有效回波能量：
11、
12、其中，eeffect为有效回波能量；t0、tn分别为有效回波波段对应的起始时间和终止时间；pt为有效回波波段中t时刻的幅值；
13、所述重心位置为有效回波能量eeffect一半对应的时间位置；
14、计算上升沿一阶梯度值、上升沿二阶梯度值、下降沿一阶梯度值、下降沿二阶梯度值的表达式为：
15、
16、其中，j为上升沿或下降沿；g′j和g″j分别为j的一阶梯度值和二阶梯度值；pjt为j在t时刻的幅值。
17、进一步地，步骤s3进一步包括：
18、s31、对一维数组进行特征拆分、特征向量提取及特征向量连接，得到多尺度联合特征；
19、s32、对多尺度联合特征进行展平得到回波特征联合描述子，并将其学习到的分布式特征表示映射到最终的样本标记空间中作为输出；
20、s33、将回波特征联合描述子的输出中的每个元素转化为每个金属目标的概率分布，得到金属目标的识别结果。
21、进一步地，步骤s31进一步包括：
22、采用多个一维卷积核与输入的一维数组进行卷积，以完成特征拆分，多个一维卷积核的尺度不完全相同，一维卷积的表达式为：
23、
24、其中，k为一维卷积核尺度，包括两种卷积核尺度k1，k2；s为一维卷积核的跨度，包括两种卷积核跨度s1、s2；x(i-1).s+k为输入的多尺度回波特征算子通过卷积核k，跨度s的第i个元素，k为k1或k2，s为s1或s2；δ为激活函数；为卷积核尺度为k和跨度为s的第i个输出元素；wk和bi分别为通过对应卷积核的权重和偏置；conv(·)为卷积操作；
25、将每个一维卷积核进行特征拆分后的特征输入其对应通道的两层残差单元，得到特征向量：
26、r＝y+ω2(re(ω1y+b1))+b2
27、
28、其中，y为一维卷积核进行特征拆分后的特征；分别为卷积核尺度为k和跨度为s的第1,2，3，n个输出元素；n、r分别为输出元素的个数和通过两层残差单元所得的特征向量；bn为规范化操作；re(·)为relu激活函数，ω1、ω2分别为残差模块中第一、二层卷积的权重，b1、b2分别为残差模块中第一、二层卷积的偏置；
29、对特征向量进行特征联合，得到联合特征：
30、
31、f1d(1)≠f1d(2)≠f1d(3)≠f1d(4)
32、其中，h为变量，1≤h≤4，为特征拆分过程中一维卷积核的总数量；f1d(h)为第h个一维卷积核的联合特征；分别为残差模块中卷积层的6个卷积核通过残差模块后的描述子；
33、对联合特征进行特征向量归一化，将所有一维卷积核对应的联合特征进行连接，得到多尺度联合特征：
34、fjoint＝{norm(fid(1))，norm(fid(2)),....norm(fid(h)),....norm(fid(n))}
35、其中，fjoint为多尺度联合特征；norm(·)为归一化操作。
36、进一步地，所述残差单元包括依次连接的规范化层、卷积层、激活层和卷积层，卷积层的卷积核大小为1×1、3×1、5×1，步长为1，卷积核数量为6；采用全连接层执行步骤s32；采用softmax层执行步骤s33。
37、进一步地，对残差卷积网络进行训练的训练集的获取方法包括：
38、分别获取若干金属目标在激光近炸范围内的不同距离、不同位姿下的一维时间序列回波信号；
39、对一维时间序列回波信号进行多尺度回波特征算子提取，并将多尺度回波特征算子排列成一维数组；
40、采用所有一维数组构成对残差卷积网络进行训练的训练集。
41、第二方面，提供一种融合多尺度特征算子的激光雷达目标识别系统，其包括：
42、回波信号获取模块，用于获取待识别金属目标的一维时间序列回波信号；
43、一维数组提取模块，用于对一维时间序列回波信号进行多尺度回波特征算子提取，并将多尺度回波特征算子排列成一维数组；
44、识别模块，用于将一维数组输入已训练的残差卷积网络进行识别，得到待识别金属目标的类型。
45、进一步地，回波信号获取模块包括激光雷达探测装置和示波器；激光雷达探测装置的发射介质发射波长为905nm的调制光脉冲信号，光脉冲信号到达金属目标表面发生反射本文档来自技高网...
【技术保护点】
1.一种融合多尺度特征算子的激光雷达目标识别方法，其特征在于，包括步骤：
2.根据权利要求1所述的融合多尺度特征算子的激光雷达目标识别方法，其特征在于，所述多尺度回波特征算子包括峰值、峰值时刻、幅值平均值、有效回波能量、重心位置、上升沿一阶梯度值、上升沿二阶梯度值、下降沿一阶梯度值、下降沿二阶梯度值；
3.根据权利要求1所述的融合多尺度特征算子的激光雷达目标识别方法，其特征在于，步骤S3进一步包括：
4.根据权利要求3所述的融合多尺度特征算子的激光雷达目标识别方法，其特征在于，步骤S31进一步包括：
5.根据权利要求3所述的融合多尺度特征算子的激光雷达目标识别方法，其特征在于，所述残差单元包括依次连接的规范化层、卷积层、激活层和卷积层，卷积层的卷积核大小为1×1、3×1、5×1，步长为1，卷积核数量为6；采用全连接层执行步骤S32；采用SoftMax层执行步骤S33。
6.根据权利要求1-5任一所述所述的融合多尺度特征算子的激光雷达目标识别方法，其特征在于，对残差卷积网络进行训练的训练集的获取方法包括：
7.
8.根据权利要求7所述所述的融合多尺度特征算子的激光雷达目标识别系统，其特征在于，回波信号获取模块包括激光雷达探测装置和示波器；激光雷达探测装置的发射介质发射波长为905nm的调制光脉冲信号，光脉冲信号到达金属目标表面发生反射，激光雷达探测装置的接收介质接收反射信号，并发送给示波器；示波器在高采样率500MSa/s的条件下得到一维时间序列回波信号；所述一维数组提取模块和识别模块布置于处理器上。
9.根据权利要求7所述所述的融合多尺度特征算子的激光雷达目标识别系统，其特征在于，所述残差卷积网络包括：
...【技术特征摘要】
1.一种融合多尺度特征算子的激光雷达目标识别方法，其特征在于，包括步骤：
2.根据权利要求1所述的融合多尺度特征算子的激光雷达目标识别方法，其特征在于，所述多尺度回波特征算子包括峰值、峰值时刻、幅值平均值、有效回波能量、重心位置、上升沿一阶梯度值、上升沿二阶梯度值、下降沿一阶梯度值、下降沿二阶梯度值；
3.根据权利要求1所述的融合多尺度特征算子的激光雷达目标识别方法，其特征在于，步骤s3进一步包括：
4.根据权利要求3所述的融合多尺度特征算子的激光雷达目标识别方法，其特征在于，步骤s31进一步包括：
5.根据权利要求3所述的融合多尺度特征算子的激光雷达目标识别方法，其特征在于，所述残差单元包括依次连接的规范化层、卷积层、激活层和卷积层，卷积层的卷积核大小为1×1、3×1、5×1，步长为1，卷积核数量为6；采用全连接层执行步骤s32；采用...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。