专利名称：一种基于遗传算法的全波形激光雷达回波数据的高斯分解法的制作方法
技术领域：
本发明公开了一种基于遗传算法的全波形激光雷达回波数据的高斯分解法，该方法主要由五个步骤构成:回波去噪，初始波峰提取，初始参数估计，波形拟合以及精度判断。
背景技术：
传统的脉冲式测距激光雷达系统采用记录一次发射脉冲与一次回波脉冲的时间点的方式来计算目标点距离，如果激光脉冲的传播路径中只有一个真实目标，那么一次散射回波足够完成精确测量，但是现实情况中，激光的传播路径可能存在多个不同高程的目标，这时只记录一次回波就不能满足测量的要求。于是就出现了能够记录多次回波的激光雷达系统，典型的多次回波的激光雷达系统是记录第一回波脉冲和最后一次回波脉冲(因为最后一次回波在处理时往往被认为是地面点)，还有一些多次回波的激光雷达系统则能记录多达六次回波。然而，不论是记录单次回波还是多次回波的系统，它们所记录的回波都只是大于系统所设定强度阈值的峰值信号，将波峰信号转换为脉冲信号来计算被测目标的高程，记录脉冲个数和时间主要取决于探测方法和阈值的选取。因此，能记录多个回波的系统仍然不能满足高精度的高程测量要求。但是如果能够对波形进行有效的分析，就能提高波形探测的可靠性，测量精度和分辨率。而这种分析是必须建立在能够记录完整回波的基础上的，而全波形激光雷达就可以满足这种需求。这种能够完整的记录回波的激光雷达系统就是全波形激光雷达系统(Full-Waveform LIDAR System),其记录的完整的复合波形就称为全波形信号。相对于传统离散激光雷达而言，全波形回波数据蕴含的信息量丰富，数据处理和信息提取难度大，如何能有效的从回波中反演得到更多的信息，是全波形激光雷达领域研究的重点。目前全波形激光雷达回波数据的处理方法主要有高斯分解法和傅里叶反卷积算法。傅里叶反卷积算法是一种可以直接去掉系统响应来获得真实地面方程的方法，但是反卷积算法对噪声非常敏感，而实际测量中系统接收并采集到的数据，是带有噪声的，所以导致反卷积算法鲁棒性较差，只能在处理信噪比较高的信号时取得较好的效果，但是对于高衰减，低信噪比，多峰的回波，则不能获得较好的结果。高斯分解法是将全波形回波分解成若干个高斯脉冲分量，每一个高斯脉冲分量对应一个高程点，然后通过求取每一个分量的参数来获得高程值。现有的高斯分解法可以分为两类，一类为基于非线性最小二乘法的高斯分解法，应用最广泛的是Levenberg-Marquardt (LM)算法；另一类为基于最大似然估计(Estimation Maximization)的高斯分解法。基于LM算法的高斯分解法是目前被广泛采用的一种回波分解方法，该方法共包括回波去噪，初始参数估计，Levenberg-Marquardt (LM)拟合三个步骤。基于最大似然估计(Estimation Maximization,简称EM)的高斯分解法的去噪方法与LM方法不同,通过计算回波的评价绝对偏差(median absolute deviation)来计算回波噪声的能量，初始参数选取时，通过寻找局部极大值来确定初始分量个数，然后通过赤池信息准则进一步计算分量的个数。但是LM高斯分解法和EM高斯分解法都存在各自的缺点。作为一种点对点的优化算法，LM算法对初始参数的准确性要求非常高，不准确的初始参数很容易将整个运算带入到局部最优中，在回波分量确定时，没有考虑到弱小的潜在分量存在的情况。EM高斯分解法中，高斯脉冲分量的数量是通过代数计算获得的，使得本身计算量和计算时间就较大的EM算法更加复杂，而且EM高斯分解法容易陷入局部最优，新增加的回波分量可能会导致拟合的失败，同时EM算法也同样存在无法寻找潜在回波分量的问题，这也会导致计算精度的不足，或计算结果真实性不足。本发明专利目的在于解决上述高斯分解算法在初始参数提取要求严，难度大，不能寻找潜在的回波分量和算法鲁棒性低等问题，采用的方法是基于遗传算法的高斯分解法。通过高斯滤波法对全波形激光雷达回波数据进行回波去噪，通过初始峰值提取来确定全波形激光雷达回波数据所包含的高斯分量个数，并对这些高斯分量进行初始参数估计，包括幅值、位置和标准差，利用遗传算法对波形数据进行拟合以及精度判断，当初次拟合的精度满足要求时则不进行第二次拟合，而当精度不满足要求时，则进行迭代拟合，并且在每一次迭代中都通过增加一个高斯分量的方法来提高拟合精度，直到达到停止条件为止；基于遗传算法的高斯分解法极大的增强了优化过程的鲁棒性，并且对初始参数选取的要求不高，能够提取出潜在的回波分量。

发明内容
本发明是一种基于遗传算法的全波形激光雷达回波数据的高斯分解法，该方法主要由五个步骤构成:回波去噪，初始波峰提取，初始参数估计，波形拟合以及精度判断。采用以下技术方案:本发明公开了一种基于遗传算法的全波形激光雷达回波数据的高斯分解法，该方法主要由五个步骤构成:回波去噪，初始波峰提取，初始参数估计，波形拟合以及精度判断；当初次拟合的精度满足要求时则不进行第二次拟合，而当精度不满足要求时，则进行迭代拟合，并且在每一次迭代中都通过增加一个高斯分量的方法来提高拟合精度，直到达到停止条件为止；其中使用高斯函数拟合全波形激光雷达的回波数据；采用高斯滤波法滤除全波形激光雷达回波数据的噪声，通过提取峰值点确定初始高斯分量的数量，进行初始参数范围估计，通过遗传算法对全波形激光回波数据进行拟合和精度判断，并且制作了基于遗传算法的回波高斯分解软件系统，简化了回波分解的操作。其中，研究对象是具有宽脉冲、多峰值的复杂全波形激光回波；基于激光脉冲的时空分布理论和全波形激光雷达方程，全波形激光雷达的回波信号由激光发射脉冲传播途径中几个不同高程的目标散射的回波叠加而成，可以将回波看成是一系列高斯分量的叠加，高斯分解的目的是将回波中的高斯分量都提取出来，并获得每一个高斯分量的具体参数值，用于后续的更丰富的信息提取。其中，全波形激光雷达的回波通常含有一定的噪声分量，在高斯拟合之前需要进行回波去噪；本发明专利采用高斯滤波法(Gaussian filtering)，其主要去噪过程是通过原始回波和高斯型的滤波器进行卷积完成的；高斯滤波器的参数是根据每一次的回波和对应的发射脉冲的特性和参数来确定的，其去噪效果较好。其中，在拟合之前，确定全波形激光雷达回波数据所包含的高斯分量个数；其具体实现方法是采用一个具有5bins宽度的搜索窗对回波进行从开始到结束的搜索，如果窗口中间的点的幅值高于其他10个点的幅值，则这个点被选取为一个峰值点，同时为了避免提取由噪声造成的峰值点，只有幅值大于一定阈值的点才进入峰值选取的范围。其中，针对每个高斯分量,估计其初始参数范围；每个高斯分量有三个参数即幅值、位置、标准差；由于遗传算法(Genetic Algorithm，简称GA)的初始参数在一定范围内都能得到较好的结果，所以根据回波波形，被估计的高斯分量参数只需给定估计范围，假设幅值为A,位置为t,标准差为σ ;其初始参数估计如下所示:(I)位置t的估计以提取的峰值点的位置作为高斯分量位置初始范围的中心，以10个bin作为范围的宽度，即[tpeak_5，tpeak+5]，其中tpeak是峰值点的位置；(2)幅值A的估计所有高斯分量的初始幅值的下限都取0，上限取其对应的峰值点的幅值。由于遗传算法优化后的结果肯定落在参数选择的区间内，所以这样的幅值范围选择也避免了拟合后的单个高斯分量幅值高于原回波的错误；(3)标准差σ的估计由高斯分布的特性可知，高斯函数的两个拐点位置分别为σ和Pinf_2=tpeak+。，所以:O = (Pinf 2_Pinf」)/2 ;同时由高斯分布的3 性质可知，3 的位置涵盖了高斯分布中99.7%的能量，所以在一个回波分量中，选取3σ的值作为σ估计的上限，其可靠性是最大的，即真实的σ值一定在这个范围内；但在实际回波中，并不是每个分量的拐点都是可以被提取出的，所以还需要分类讨论，其具体估计方法如下:对于两个拐点可以被提取出的高斯分量，两个拐点的位置分别为Pinf」和Pinf 2其标准差估计的上限为:σ max=3 X (PinfJ-PinfJ)/2对于只有一个拐点可以被提取出的高斯分量，拐点位置为Pinf，峰值点位置为tpeak,则其标准差估计的上限为:0 max=3 X I Pinf-tpeak对于两个拐点都不能提取出的高斯分量，本发明专利采用了三角形估计的方法来估计其标准差的上限值。其中，初始参数估计之后对回波数据进行拟合并且计算拟合精度；回波拟合采用的是遗传算法，其中“个体”是指提取出的高斯分量的参数；假设共有N个波峰被提取出，则表示回波中包含有N个高斯分量，每个高斯分量有3个参数，则在GA中的“个体”是由3XN个参数组成的，以A表示幅值，t表示位置，σ表示标准差，则“个体”P可以表示为:P- [A1, ο i, A2, t2> ο 2，...，An，tN, o N]选取好每一个参数的初始范围后，初始化一个由个体组成的种群并进行拟合计算；本发明专利采用的计算停止方法是达到最大代数1000，种群大小为60个“个体”，编码方式为二进制编码，“选择”方法为随机遍历抽样法，“交叉”概率为70%，“变异”概率为15% ；基于上述回波参数，每个拟合后的波形采用R-square值对拟合进行评价，其计算方法是:
权利要求
1.本发明公开了一种基于遗传算法的全波形激光雷达回波数据的高斯分解法，该方法主要由五个步骤构成:回波去噪，初始波峰提取，初始参数估计，波形拟合以及精度判断；当初次拟合的精度满足要求时则不进行第二次拟合，而当精度不满足要求时，则进行迭代拟合，并且在每一次迭代中都通过增加一个高斯分量的方法来提高拟合精度，直到达到停止条件为止；其中使用高斯函数拟合全波形激光雷达的回波数据；采用高斯滤波法滤除全波形激光雷达回波数据的噪声，通过提取峰值点确定初始高斯分量的数量，进行初始参数范围估计，通过遗传算法对全波形激光回波数据进行拟合和精度判断，并且制作了基于遗传算法的回波高斯分解软件系统，简化了回波分解的操作。
2.按照权利要求1所述的一种基于遗传算法的全波形激光雷达回波数据的高斯分解法，其特征在于研究对象是具有宽脉冲、多峰值的复杂全波形激光回波；基于激光脉冲的时空分布理论和全波形激光雷达方程，全波形激光雷达的回波信号由激光发射脉冲传播途径中几个不同高程的目标散射的回波叠加而成，可以将回波看成是一系列高斯分量的叠加，高斯分解的目的是将回波中的高斯分量都提取出来，并获得每一个高斯分量的具体参数值，用于后续的更丰富的信息提取。
3.按照权利要求1或2所述的一种基于遗传算法的全波形激光雷达回波数据的高斯分解法，其特征在于全波形激光雷达的回波通常含有一定的噪声分量，在高斯拟合之前需要进行回波去噪；本发明专利采用高斯滤波法(Gaussian filtering)，其主要去噪过程是通过原始回波和高斯型的滤波器进行卷积完成的；高斯滤波器的参数是根据每一次的回波和对应的发射脉冲的特性和参数来确定的，其去噪效果较好。
4.按照权利要求1所述的一种基于遗传算法的全波形激光雷达回波数据的高斯分解法，其特征在于在拟合之前，确定全波形激光雷达回波数据所包含的高斯分量个数；其具体实现方法是采用一个具有5bins宽度的搜索窗对回波进行从开始到结束的搜索，如果窗口中间的点的幅值高于其他10个点的幅值，则这个点被选取为一个峰值点，同时为了避免提取由噪声造成的峰值点，只有幅值大于一定阈值的点才进入峰值选取的范围。
5.按照权利要求1所述的一种基于遗传算法的全波形激光雷达回波数据的高斯分解法，其特征在于针对每个高 斯分量，估计其初始参数范围；每个高斯分量有三个参数即幅值、位置、标准差；由于遗传算法(Genetic Algorithm，简称GA)的初始参数在一定范围内都能得到较好的结果，所以根据回波波形，被估计的高斯分量参数只需给定估计范围，假设幅值为A,位置为t,标准差为σ ;其初始参数估计如下所示: (1)位置t的估计 以提取的峰值点的位置作为高斯分量位置初始范围的中心，以10个bin作为范围的宽度，即[tpeak_5，tpeak+5]，其中tpeak是峰值点的位置； (2)幅值A的估计 所有高斯分量的初始幅值的下限都取0，上限取其对应的峰值点的幅值。由于遗传算法优化后的结果肯定落在参数选择的区间内，所以这样的幅值范围选择也避免了拟合后的单个高斯分量幅值高于原回波的错误； (3)标准差σ的估计 由高斯分布的特性可知，高斯函数的两个拐点位置分别为:Pinf—^tpeak-O和Pinf_2=tpeak+。，所以:O = (Pinf 2_Pinf」)/2 ;同时由高斯分布的3 性质可知，3 的位置涵盖了高斯分布中99.7%的能量，所以在一个回波分量中，选取3 σ的值作为σ估计的上限，其可靠性是最大的，即真实的σ值一定在这个范围内；但在实际回波中，并不是每个分量的拐点都是可以被提取出的，所以还需要分类讨论，其具体估计方法如下: 对于两个拐点可以被提取出的高斯分量，两个拐点的位置分别为Pil^1和Pinf—2其标准差估计的上限为: δmax_3 X (Pinf—2_Pinf—I) /2 对于只有一个拐点可以被提取出的高斯分量，拐点位置为Pinf，峰值点位置为tpeak，则其标准差估计的上限为: δmax_3 X I Pinf_tpeak 对于两个拐点都不能提取出的高斯分量，本发明专利采用了三角形估计的方法来估计其标准差的上限值。
6.按照权利要求1所述的一种基于遗传算法的全波形激光雷达回波数据的高斯分解法，其特征在于初始参数估计之后对回波数据进行拟合并且计算拟合精度；回波拟合采用的是遗传算法，其中“个体”是指提取出的高斯分量的参数；假设共有N个波峰被提取出，则表示回波中包含有N个高斯分量，每个高斯分量有3个参数，则在GA中的“个体”是由3XN个参数组成的，以A表示幅值，t表示位置，σ表示标准差，则“个体”P可以表示为: P-[A1, t1； ο ” A2, t2> ο 2，...，An，tN, o J 选取好每一个参数的初始范围后，初始化一个由个体组成的种群并进行拟合计算；本发明专利采用的计算停止方法是达到最大代数1000，种群大小为60个“个体”，编码方式为二进制编码，“选择”方法为随机遍历抽样法，“交叉”概率为70%，“变异”概率为15% ;基于上述回波参数，每个拟合后的波形采用R-square值对拟合进行评价，其计算方法是:
7.按照权利要求1或6所述的一种基于遗传算法的全波形激光雷达回波数据的高斯分解法，其特征在于当第一次拟合精度(R-square值)不满足精度要求时，进行第二次拟合，并且增加一个潜在的高斯分量；新增加的高斯分量的初始参数可以在非常广的范围内进行选取，采取的方法如下: (O幅值A的选取为O到回波中的最大幅值； (2)初始位置t的选取方法为:以误差最大点为中点，宽度为20的范围； (3)初始标准差σ的选取范围与初次拟合中最大的标准差范围相同； (4)重复权利要求6的精度计算过程；如果二次拟合后的精度仍不能达到精度要求，则继续进行第三次迭代。
8.按照权利要求1所述的一种基于遗传算法的全波形激光雷达回波数据的高斯分解法，其特征在于在提出算法的基础上，制作了基于遗传算法的回波高斯分解软件系统，简化了回波分解的操作；通过所制作的软件系统，可以选择要处理的回波数据文件，清晰直观地显 示回波分解的全过程。
全文摘要
本发明公开了一种基于遗传算法的全波形激光雷达回波数据的高斯分解法，该方法主要由五个步骤构成回波去噪，初始波峰提取，初始参数估计，波形拟合以及精度判断；当初次拟合的精度满足要求时则不进行第二次拟合，而当精度不满足要求时，则进行迭代拟合，并且在每一次迭代中都通过增加一个高斯分量的方法来提高拟合精度，直到达到停止条件为止；其中使用高斯函数拟合全波形激光雷达的回波数据；采用高斯滤波法滤除全波形激光雷达回波数据的噪声，通过提取峰值点确定初始高斯分量的数量，进行初始参数范围估计，通过遗传算法对全波形激光回波数据进行拟合和精度判断，并且制作了基于遗传算法的回波高斯分解软件系统，简化了回波分解的操作。
文档编号G01S7/487GK103217679SQ20131009347
公开日2013年7月24日 申请日期2013年3月22日 优先权日2013年3月22日
发明者李小路, 徐立军, 马莲 申请人:北京航空航天大学