CN102830404B - 基于距离像的激光成像雷达地面目标识别方法 - Google Patents

Abstract

本发明提供一种基于距离像的激光成像雷达地面目标识别方法。技术方案包括下述步骤：第一步、噪声抑制，对激光成像雷达距离像进行滤波；第二步、距离像分割，通过计算不同分割方法的性能指标权重及综合评价，选择分割方法，根据分割边缘从激光成像雷达距离像中提取激光成像雷达地面目标距离像；第三步、特征提取与分类识别，对激光成像雷达地面目标距离像进行二维小波变换：提取奇异值作为特征，计算每个目标类别的D－S证据融合结果，判决待识别的激光成像雷达地面目标类别。本发明能够提高激光成像雷达地面目标识别的可靠性、稳健性和目标识别率。

Description

基于距离像的激光成像雷达地面目标识别方法

技术领域

本发明属于雷达信号处理领域，涉及激光成像雷达体制下的距离像噪声抑制、距离像分割、特征提取和分类识别方法。

背景技术

激光成像雷达可以同时获得目标的强度像和距离像，通过对目标进行四维成像大大提高了目标的信息量。激光成像雷达距离像是一种深度图像，与目标表面的几何结构特性密切相关，反映了目标的本质特征，可以用来对目标进行分类识别。激光成像雷达能够全天候、全天时工作，不受气候、光照和环境等因素的影响；具有很高的角度分辨率和距离分辨率，而且激光波束窄、频率高、方向性强、相干性好，具有很强的抗干扰能力。激光成像雷达在遥感、航海、飞行器导航、直升机防撞、地理信息系统和机器人视觉等方面都有广阔的应用前景，激光成像雷达地面目标识别方法是激光成像雷达系统的核心关键技术。目前激光成像雷达地面目标识别方法已成为国内外研究的热点问题，但在距离像噪声抑制、距离像分割、特征提取和分类识别等方面的研究还不完善。

激光成像雷达地面目标距离像主要受到距离反常噪声的影响，目前通常采用空域、频域或小波域进行距离反常噪声抑制，虽然这些方法可以有效地抑制距离反常噪声，但是比较复杂，计算量很大，不能满足实时性需求；在进行噪声抑制时，不可避免地导致距离像中信息的损失，不利于目标的特征提取和分类识别。

目前针对激光成像雷达地面目标距离像分割的方法可以分为两大类：基于边缘的方法和基于区域的方法。基于边缘的方法实时性较好，但是对噪声非常敏感，边缘定位精度较差,提取的边缘通常不能形成闭合且连通的边界。基于区域的方法主要包括区域生长方法、基于聚类的方法和基于阀值的方法。区域生长方法依赖于种子点的选择，容易受到噪声的影响，计算量较大。基于聚类的方法针对整个图像数据进行聚类，受噪声的影响较小，需要通过枚举法确定聚类簇的数目，计算量较大。基于阀值的方法利用阀值规则进行图像分割，能够形成闭合且连通的边界，计算量较小，需要合理地选取阈值。

目前从激光成像雷达地面目标距离像中提取的特征包括：①目标的长度、宽度、高度、周长和面积等几何特征；②矩形度、圆形度、形状描述子（微分链码、傅里叶描述子）等形状特征；③中心矩、Hu不变矩、线矩、Zernike矩、谱矩等矩特征。由于通常激光成像雷达地面目标距离像噪声抑制方法不能完全去除噪声，轻微噪声的存在影响这些特征的稳定性。目前激光成像雷达地面目标分类识别方法主要包括：模式匹配分类、基于统计的模式分类、基于神经网络的模式分类、基于支持向量机的模式分类、基于模型的模式分类等。采用某一种激光成像雷达地面目标分类方法进行目标识别具有局限性，不能实现高可靠性的目标识别。

发明内容

本发明的目的在于针对激光成像雷达体制尚不完善的距离像噪声抑制、距离像分割、特征提取和分类识别等问题，提供一种基于距离像的激光成像雷达地面目标识别方法，提高激光成像雷达地面目标识别的可靠性、稳健性和目标识别率。

本发明的技术方案是：基于距离像的激光成像雷达地面目标识别方法，包括下述步骤：

第一步、噪声抑制：

对激光成像雷达距离像的每个像素进行如下处理：

步骤一：设定3×3像素的小窗口W_s和5×5像素的大窗口W_b，令i,j分别表示激光成像雷达距离像的行和列，x_ij为当前像素，计算在大窗口W_b内像素中值y_b，将当前滤波窗口设置为小窗口W_s；

步骤二：设定门限T₂；

步骤三：在当前滤波窗口内计算满足|x_ij-y_b|＜T₂的像素数目N_normal和满足|x_ij-y_b|≥T₂的像素数目N_anomalous；

步骤四：如果在当前滤波窗口内N_normal<N_anomalous，则当前滤波窗口设置为大窗口W_b；

步骤五：计算当前滤波窗口内像素中值y_m；

步骤六：设定门限T₁和指数α，计算加权系数β：

$\mathrm{\&beta;}=\left\{\begin{array}{cc}0& |x_{\mathrm{ij}}-y_m|\&le;T_1\\ {\left[\frac{|x_{\mathrm{ij}}-y_m|-T_1}{T_2-T_1}\right]}^{\mathrm{\&alpha;}}& T_1<|x_{\mathrm{ij}}-y_m|\&le;T_2\\ 1& |x_{\mathrm{ij}}-y_m|>T_2\end{array}\right.$

步骤七：计算当前像素的滤波结果y_ij＝(1-β)·x_ij+β·y_m。

上述步骤中，门限T₂、门限T₁和指数α的选取根据经验确定，

第二步、距离像分割：

步骤一：定义性能指标：

①时间复杂度：从激光成像雷达距离像中分割地面目标所需的运算时间。

②错分像素数目：将不属于地面目标的像素分割为属于地面目标的像素的数目。

③漏分像素数目：将属于地面目标的像素分割为不属于地面目标的像素的数目。

④目标周长：从激光成像雷达距离像中分割的地面目标轮廓的像素数目。

⑤空间复杂度：从激光成像雷达距离像中分割地面目标所需的存储空间。

步骤二：分别基于Sobel算子、Canny算子、Roberts算子、Prewitt算子、Kirsch算子和拉普拉斯算子从激光成像雷达距离像中分割地面目标，令j表示分割方法序号，i表示性能指标序号，计算性能指标x_ij。

步骤三：计算性能指标权重及综合评价

步骤①：设上述分割方法的数目为n个，每个分割方法的性能指标为m个，构造性能指标矩阵：

其中，i＝1,2,…,m，j＝1,2,…,n。

步骤②：令bench为地面目标轮廓周长的标准值，对X_ij进行如下处理：

得到归一化矩阵X′_ij。

步骤③：计算第i个性能指标下第j个分割方法的性能指标比重：

$p_{\mathrm{ij}}=\frac{x_{\mathrm{ij}}^{\&prime;}}{\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{x}_{\mathrm{ij}}^{\&prime;}}$

步骤④：计算第i个性能指标的熵:

$e_i=-\frac{\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{p}_{\mathrm{ij}}{\ln p}_{\mathrm{ij}}}{\mathrm{mn}}$

步骤⑤：计算第i个性能指标的权重:

$w_i=\frac{{1-e}_i}{\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}\left({1-e}_j\right)}$

步骤⑥：计算性能指标的综合评价：

$R_j=\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{w}_i{x}_{\mathrm{ij}}^{\&prime;}$

步骤四：从基于Sobel算子、Canny算子、Roberts算子、Prewitt算子、Kirsch算子和拉普拉斯算子的六种分割方法中选择综合评价值R_j最大对应的分割方法，对激光成像雷达距离像进行地面目标分割，提取第一次分割目标边缘点。

步骤五：分别基于区域生长方法、基于聚类的分割方法和基于阀值的分割方法从激光成像雷达距离像中分割地面目标，令j表示分割方法序号，i表示性能指标序号，计算性能指标x_ij。根据步骤三计算性能指标权重及综合评价。从三种分割方法中选择综合评价最高的分割方法，对激光成像雷达距离像进行地面目标分割，提取第二次分割目标边缘点。

步骤六：应用基于边缘和区域相结合的分割方法从激光成像雷达距离像中分割地面目标

步骤①：设置3×3像素的窗口，如果第一次分割目标边缘点只在窗口内当前位置有边缘像素，第二次分割目标边缘点在窗口内没有边缘像素，则第一次分割目标边缘点当前位置的边缘像素是孤立存在的，不作为最后分割的目标边缘点。如果在当前像素的窗口内两次分割的目标边缘点重合，则将该重合的目标边缘点作为最后分割的目标边缘点。

步骤②：利用第二次分割目标边缘点对第一次分割的目标边缘点的断点进行补充，如果在当前像素的窗口内两次分割的目标边缘点不重合，第一次分割目标边缘点在窗口内没有边缘像素，第二次分割目标边缘点在窗口内有多个边缘像素，且当前位置是边缘像素，说明第一次分割的目标边缘点有断点，则将第二次分割的目标边缘点作为最后分割的目标边缘点。

步骤③：如果在当前像素的窗口内两次分割的目标边缘点不重合，第一次分割目标边缘点在窗口内没有边缘像素，第二次分割目标边缘点在窗口内的多个边缘像素分布于当前位置两边，且当前位置不是边缘像素，则表明第二次分割的目标边缘点在当前位置有断点，将当前位置的像素作为最后分割的目标边缘点。

步骤④：如果第一次分割目标边缘点在窗口内当前位置为边缘像素，且在窗口内有多个边缘像素，第二次分割目标边缘点在窗口内没有边缘像素，则表明第二次分割的目标边缘点在当前位置有断点，将第一次分割的目标边缘点作为最后分割的目标边缘点。

步骤⑤：如果第一次分割目标边缘点在窗口内的多个边缘像素分布于当前位置两边，且当前位置不是边缘像素，第二次分割目标边缘点在窗口内没有边缘像素，则表明第一次分割的目标边缘点在当前位置有断点，将当前位置的像素作为最后分割的目标边缘点。

步骤⑥：如果两次分割目标边缘点在窗口内都具有多个边缘像素，且当前位置的像素不都为边缘像素，则在窗口内从两次分割目标边缘点的并集中提取目标边缘点。

步骤⑦：清除由于轻微噪声存在引起的边缘上毛刺。

步骤七：根据分割边缘从激光成像雷达距离像中提取激光成像雷达地面目标距离像。

第三步、特征提取与分类识别

步骤一：提取多尺度小波变换奇异值特征

令激光成像雷达地面目标距离像为C₀(m,n)，j表示尺度，C_j(m,n)和

分别表示尺度j下的低频部分和高频部分，r＝1,2,3，h(k),g(k)为与小波函数相对应的低通滤波器和高通滤波器系数，采用DB6紧支双正交小波基，对激光成像雷达地面目标距离像进行二维小波变换：

$C_{j+1}(m,n)=\underset{k=-\&infin;}{\overset{\&infin;}{\mathrm{\&Sigma;}}}\underset{l=-\&infin;}{\overset{\&infin;}{\mathrm{\&Sigma;}}}h(k-2m)h(l-2n)C_j(k,l)$

$D_{j+1}^1(m,n)=\underset{k=-\&infin;}{\overset{\&infin;}{\mathrm{\&Sigma;}}}\underset{l=-\&infin;}{\overset{\&infin;}{\mathrm{\&Sigma;}}}h(k-2m)g(l-2n)C_j(k,l)$

$D_{j+1}^2(m,n)=\underset{k=-\&infin;}{\overset{\&infin;}{\mathrm{\&Sigma;}}}\underset{l=-\&infin;}{\overset{\&infin;}{\mathrm{\&Sigma;}}}g(k-2m)h(l-2n)C_j(k,l)$

$D_{j+1}^3(m,n)=\underset{k=-\&infin;}{\overset{\&infin;}{\mathrm{\&Sigma;}}}\underset{l=-\&infin;}{\overset{\&infin;}{\mathrm{\&Sigma;}}}g(k-2m)g(l-2n)C_j(k,l)$

从第一级到第三级小波变换的每个低频部分和高频部分提取奇异值作为特征，形成特征向量，三级小波变换对应的特征数目比值为4:2:1。其中，第三级的特征数可为6。

步骤二：激光成像雷达地面目标决策级融合识别

令i表示RBF神经网络分类器、模糊分类器和支持向量机分类器三种分类器的序号。设已知有n-1种地面目标类型，A_j表示识别结果为各个地面目标，j＝1,2,...,n-1，A_n表示识别结果为不确定目标。应用提取的奇异值特征和第i个分类器对地面目标进行分类时，每个地面目标的基本概率密度和不确定度，表示为m_i(A_j)，j＝1,2,...,n，令φ表示空集，计算识别为每个目标类别的D－S证据融合结果：

$m\left(A_j\right)=\frac{\underset{\&cap;A_j\&NotEqual;\mathrm{\&phi;}}{\mathrm{\&Sigma;}}\underset{1\&le;i\&le;n}{\mathrm{\&Pi;}}{m}_i\left(A_j\right)}{1-\underset{\&cap;A_j=\mathrm{\&phi;}}{\mathrm{\&Sigma;}}\underset{1\&le;i\&le;n}{\mathrm{\&Pi;}}{m}_i\left(A_j\right)}$

设定阈值ε₁，ε₂，若某目标类别的融合结果与其它目标类别的融合结果的差值大于阈值ε₁，同时不确定目标的融合结果m(A_n)小于阈值ε₂，则判决待识别的激光成像雷达地面目标为该目标类别。阈值ε₁，ε₂的设定与具体应用环境有关，为本领域公知常识。

本发明的有益效果：本发明提出激光成像雷达距离像自适应距离反常噪声抑制方法，能够最大程度地保护激光成像雷达地面目标距离像的边缘细节信息，同时能够满足实时性需求。通过建立激光成像雷达地面目标距离像分割性能评估方法，提出基于边缘和区域相结合的激光成像雷达地面目标距离像分割方法，该方法实时性好、边缘定位精度高、抗噪声能力强。提取多尺度小波变换奇异值特征，采用基于D－S证据理论的决策级融合识别方法，提高激光成像雷达地面目标识别的可靠性、稳健性和目标识别率。

附图说明

图1是本发明所述的基于距离像的激光成像雷达地面目标识别方法流程图；

图2是激光成像雷达原始距离像；

图3是应用基于最优参数自适应中值滤波的距离反常噪声抑制方法处理后的距离像；

图4是激光成像雷达地面目标距离像分割结果；

图5是应用激光成像雷达地面目标特征提取与分类识别方法对三种地面目标进行识别时，在不同载噪比下的平均识别率。

具体实施方式

下面结合附图和实例对本发明所述的基于距离像的激光成像雷达地面目标识别方法进行进一步阐述。

图1给出了本发明的流程图，包括以下步骤：

第一步、噪声抑制。图2给出了人靠近墙壁的激光成像雷达原始距离像，激光成像雷达与墙壁的距离为8米，方位向和俯仰向的视场角分别为30°和15°，距离像尺寸为32×202像素，从图2中可以看出，原始距离像中存在较为严重的距离反常噪声。图3给出了应用基于最优参数自适应中值滤波的距离反常噪声抑制方法处理后的距离像，从图3中可以看出，基于最优参数自适应中值滤波的距离反常噪声抑制方法有效地抑制了距离反常，较好地保护了距离像中的边缘细节，取得了非常好的距离反常噪声抑制效果。

第二步、距离像分割。第1步：建立距离像分割的性能指标；第2步：确定性能指标权重及综合评价；第3步：根据综合评价选择性能最佳的基于边缘和基于区域的分割方法；第4步：基于边缘和区域相结合的距离像分割。图4给出了激光成像雷达地面目标距离像分割结果，从图4中可以看出，与以往的距离像分割方法相比，将性能最佳的基于边缘的分割方法和基于区域的分割方法结合起来，可以发挥二者的优势，弥补各自的缺点，可以实现实时性好、边缘定位精度高、抗噪声能力强的激光成像雷达地面目标距离像分割。

第三步、特征提取与分类识别，包括（1）提取多尺度小波变换奇异值特征，（2）激光成像雷达地面目标决策级融合识别。通过计算机仿真得到三种地面目标（坦克T80和C97、装甲车M3）的激光成像雷达距离像，俯仰角为30°，方位角为1°～180°，分辨率为128×128，每个距离像的方位角间隔为1°，每种目标的距离像为180个，将奇数序号的距离像作为训练样本，偶数序号的距离像作为测试样本。图5给出了应用激光成像雷达地面目标三尺度小波变换奇异值特征与决策级融合识别分类对三种地面目标进行识别时，在不同载噪比下的平均识别率。图5也给出了分别应用支持向量机分类器、RBF神经网络分类器和模糊分类器三种分类器及三尺度小波变换奇异值特征对三种地面目标进行识别时，在不同载噪比下的平均识别率。从图5中可以看出，在不同载噪比下应用激光成像雷达地面目标特征提取与分类识别方法所获得的平均识别率，明显高于应用支持向量机分类器、RBF神经网络分类器和模糊分类器进行识别所获得的平均识别率，特别是在低载噪比10dB下，平均识别率分别提高了3.6%、12.6%和17.5%，表明应用激光成像雷达地面目标特征提取与分类识别方法取得了很好的识别效果，提高了激光成像雷达地面目标识别的可靠性和稳健性。

Claims (1)

1.基于距离像的激光成像雷达地面目标识别方法，其特征在于，包括下述步骤： 

第一步、噪声抑制： 

对激光成像雷达距离像的每个像素进行如下处理： 

步骤一：设定3×3像素的小窗口W_s和5×5像素的大窗口W_b，令i′,j′分别表示激光成像雷达距离像的行和列，x_i′j′为当前像素，计算在大窗口W_b内像素中值y_b，将当前滤波窗口设置为小窗口W_s； 

步骤二：设定门限T₂； 

步骤三：在当前滤波窗口内计算满足|x_i′j′-y_b|＜T₂的像素数目N_normal和满足 

|x_i′j′-y_b|≥T₂的像素数目N_anomalous； 

步骤四：如果在当前滤波窗口内N_normal<N_anomalous，则当前滤波窗口设置为大窗口W_b； 

步骤五：计算当前滤波窗口内像素中值y_m； 

步骤六：设定门限T₁和指数α，计算加权系数β： 

步骤七：计算当前像素的滤波结果y_i′j′＝(1-β)·x_i′j′+β·y_m； 

第二步、距离像分割： 

步骤一：定义性能指标： 

①时间复杂度：从激光成像雷达距离像中分割地面目标所需的运算时间； 

②错分像素数目：将不属于地面目标的像素分割为属于地面目标的像素的数目； 

③漏分像素数目：将属于地面目标的像素分割为不属于地面目标的像素的 数目； 

④目标周长：从激光成像雷达距离像中分割的地面目标轮廓的像素数目； 

⑤空间复杂度：从激光成像雷达距离像中分割地面目标所需的存储空间； 

步骤二：分别基于Sobel算子、Canny算子、Roberts算子、Prewitt算子、Kirsch算子和拉普拉斯算子从激光成像雷达距离像中分割地面目标，令j表示分割方法序号，i表示性能指标序号，计算性能指标x_ij； 

步骤三：计算性能指标权重及综合评价： 

步骤①：设上述分割方法的数目为n个，每个分割方法的性能指标为m个，构造性能指标矩阵： 

其中，i＝1,2,…,m，j＝1,2,…,n； 

步骤②：令bench为地面目标轮廓周长的标准值，对X_ij进行如下处理： 

得到归一化矩阵X′_ij； 

步骤③：计算第i个性能指标下第j个分割方法的性能指标比重： 

步骤④：计算第i个性能指标的熵: 

步骤⑤：计算第i个性能指标的权重: 

步骤⑥：计算性能指标的综合评价： 

步骤四：从基于Sobel算子、Canny算子、Roberts算子、Prewitt算子、Kirsch算子和拉普拉斯算子的六种分割方法中选择综合评价值R_j最大对应的分割方法，对激光成像雷达距离像进行地面目标分割，提取第一次分割目标边缘点； 

步骤五：分别基于区域生长方法、基于聚类的分割方法和基于阀值的分割方法从激光成像雷达距离像中分割地面目标，令j表示分割方法序号，i表示性能指标序号，计算性能指标x_ij；根据第二步中步骤三计算性能指标权重及综合评价；从三种分割方法中选择综合评价最高的分割方法，对激光成像雷达距离像进行地面目标分割，提取第二次分割目标边缘点； 

步骤六：应用基于边缘和区域相结合的分割方法从激光成像雷达距离像中分割地面目标： 

步骤①：设置3×3像素的窗口，如果第一次分割目标边缘点只在窗口内当前位置有边缘像素，第二次分割目标边缘点在窗口内没有边缘像素，则第一次分割目标边缘点当前位置的边缘像素是孤立存在的，不作为最后分割的目标边缘点；如果在当前像素的窗口内两次分割的目标边缘点重合，则将该重合的目 标边缘点作为最后分割的目标边缘点； 

步骤②：利用第二次分割目标边缘点对第一次分割的目标边缘点的断点进行补充，如果在当前像素的窗口内两次分割的目标边缘点不重合，第一次分割目标边缘点在窗口内没有边缘像素，第二次分割目标边缘点在窗口内有多个边缘像素，且当前位置是边缘像素，说明第一次分割的目标边缘点有断点，则将第二次分割的目标边缘点作为最后分割的目标边缘点； 

步骤③：如果在当前像素的窗口内两次分割的目标边缘点不重合，第一次分割目标边缘点在窗口内没有边缘像素，第二次分割目标边缘点在窗口内的多个边缘像素分布于当前位置两边，且当前位置不是边缘像素，则表明第二次分割的目标边缘点在当前位置有断点，将当前位置的像素作为最后分割的目标边缘点； 

步骤④：如果第一次分割目标边缘点在窗口内当前位置为边缘像素，且在窗口内有多个边缘像素，第二次分割目标边缘点在窗口内没有边缘像素，则表明第二次分割的目标边缘点在当前位置有断点，将第一次分割的目标边缘点作为最后分割的目标边缘点； 

步骤⑤：如果第一次分割目标边缘点在窗口内的多个边缘像素分布于当前位置两边，且当前位置不是边缘像素，第二次分割目标边缘点在窗口内没有边缘像素，则表明第一次分割的目标边缘点在当前位置有断点，将当前位置的像素作为最后分割的目标边缘点； 

步骤⑥：如果两次分割目标边缘点在窗口内都具有多个边缘像素，且当前位置的像素不都为边缘像素，则在窗口内从两次分割目标边缘点的并集中提取目标边缘点； 

步骤⑦：清除边缘上毛刺； 

步骤七：根据分割边缘从激光成像雷达距离像中提取激光成像雷达地面目标距离像； 

第三步、特征提取与分类识别： 

步骤一：提取多尺度小波变换奇异值特征； 

令激光成像雷达地面目标距离像为C₀(m,n)，t表示尺度，C_t(m,n)和分别表示尺度t下的低频部分和高频部分，r＝1,2,3，h(k),g(k)为与小波函数相对应的低通滤波器和高通滤波器系数，采用DB6紧支双正交小波基，对激光成像雷达地面目标距离像进行二维小波变换： 

从第一级到第三级小波变换的每个低频部分和高频部分提取奇异值作为特征，形成特征向量，三级小波变换对应的特征数目比值为4:2:1； 

步骤二：激光成像雷达地面目标决策级融合识别： 

令p表示RBF神经网络分类器、模糊分类器和支持向量机分类器三种分类器的序号；设已知有n′-1种地面目标类型，A_q表示识别结果为各个地面目标，q＝1,2,...,n′，A_n′表示识别结果为不确定目标；应用提取的奇异值特征和第p个分类器对地面目标进行分类时，每个地面目标的基本概率密度和不确定度，表示为m_p(A_q)，q＝1,2,...,n′，令φ表示空集，计算识别为每个目标类别的D－S证据融合结果： 

设定阈值ε₁,ε₂，若某目标类别的融合结果与其它目标类别的融合结果的差值大于阈值ε₁，同时不确定目标的融合结果m(A_q)小于阈值ε₂，则判决待识别的激光成像雷达地面目标为该目标类别。 

Images