CN109541616A - Bp神经网络雨、雪、雾天气脉冲激光测距方法 - Google Patents

Abstract

本发明涉及脉冲激光测距，为实现在雨、雪、雾天气下的脉冲激光测距，能良好的抗干扰，在衰减严重和噪声明显的激光回波中提取波形的特征，检测出具体回波时刻，为此，本发明BP神经网络雨、雪、雾天气脉冲激光测距方法，包括两部分：(1)、BP神经网络模型的训练；(2)、基于BP神经网络模型的实际脉冲激光测距；具体过程如下：(1)、BP神经网络模型的训练：步骤1：将已有的回波图形作为训练集；步骤2将BP神经网络的权值、阈值置成接近于0的随机值；步骤3：对波形图片进行归一化预处理；步骤4：判别；步骤5：反向传播；步骤6：判断是否继续训练；步骤7：结果稳定存储；步骤8：验证。本发明主要应用于脉冲激光测距场合。

Description

BP神经网络雨、雪、雾天气脉冲激光测距方法

技术领域

本发明涉及脉冲激光测距，具体讲,涉及BP神经网络雨、雪、雾天气脉冲激光测距方法。

背景技术

随着技术的快速进步，脉冲激光测距技术广泛的应用于现代科技的各个领域，特别是在无人驾驶，智能机器人、激光雷达测绘、军事应用等领域。伴随使用场景的复杂度逐步提升，脉冲激光测距技术的瓶颈也越来越明显。在利用脉冲激光测量距离时，激光信号在往返测距系统和目标物体的过程中会有所衰减。特别是在雨、雪、雾天气条件下，由于水的吸收和反射作用，激光信号遇见水会发生严重的衰减，出现接收端的信号功率减小、光斑扩展及波形发生畸变等问题，从而降低了脉冲激光测距系统的性能，严重时甚至造成失效，因此如何在复杂天气环境实现准确测距是当下的技术难点。

BP(back propagation)神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念，是一种按照误差逆向传播算法训练的多层前馈神经网络。基本BP算法包括信号的前向传播和误差的反向传播两个过程。正向传播时，输入信号通过隐含层作用于输出节点，经过非线性变换，产生输出信号，若实际输出与期望输出不相符，则转入误差的反向传播过程。误差反传是将输出误差通过隐含层向输入层逐层反传，并将误差分摊给各层所有单元，以从各层获得的误差信号作为调整各单元权值的依据。通过调整输入节点与隐层节点的联接强度和隐层节点与输出节点的联接强度以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数(权值和阈值)，训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线形转换的信息。与传统的统计方法相比，BP神经网络不需要精确的数学模型，没有任何对变量的假设(如正态性、独立性等)要求，这样大大弥补了传统统计方法的不足，解决一些传统统计方法不能解决的问题。

参考文献

[1]何璠.基于BP人工神经网络的环境质量评价模型研究[D].四川大学,2006.

[2]郭婧.近场定距脉冲激光在降雨中的大气传输特性研究[D].南京理工大学,2012.

[3]邓伟.BP神经网络构建与优化的研究及其在医学统计中的应用[D].复旦大学,2002.

[4]潘秀娟.复杂环境下的激光成像及传输技术研究[D].北京交通大学,2017.

发明内容

为克服现有技术的不足，本发明旨在针对在雨、雪、雾复杂天气条件下的脉冲激光测距存在较大误差的问题，提出一种基于BP神经网络在雨、雪、雾天气下的脉冲激光测距方法。该方法具有良好的抗干扰能力，可以在衰减严重和噪声明显的激光回波中提取波形的特征，检测出具体回波时刻，从而实现在雨、雪、雾复杂天气条件下的精准测距。该方法可以应用于无人驾驶，激光雷达测绘等领域，打破天气因素的限制，具有极大的实用意义和极高的商业价值。为此，本发明采取的技术方案是，BP神经网络雨、雪、雾天气脉冲激光测距方法，包括两部分：(1)、BP神经网络模型的训练；(2)、基于BP神经网络模型的实际脉冲激光测距；具体过程如下：

(1)、BP神经网络模型的训练：

步骤1：将已有的回波图形作为训练集，其中波形的具体回波时刻是已知的；

步骤2将BP神经网络的权值、阈值置成接近于0的随机值，并初始化精度控制参数和学习速率；

步骤3：对波形图片进行归一化预处理，作为输入层；利用不同卷积层的激活函数提取回波波形的轮廓低阶特征和更抽象高阶的特征；利用下采样层对特征降维，减小计算量；将最后获得1*1的特征图feature map乘以相应的权值再加上阈值，再通过激活函数对每一神经元进行运算，得到最终每个神经元的输出，形成输出层全连接层；

步骤4：回波图形经过步骤1和2的处理会输出一组回波时刻的概率，当某一回波时刻概率大于0.7时，判定该时刻就是神经网络判断的回波时刻，由于实际的回波时刻与神经网络判断的回波时刻会有误差，所以需要更新神经网络的权值和阈值，如果实际的回波时刻与神经网络判断的回波时刻之间的误差在±0.2ns之内，证明神经网络的判断是正确的；

步骤5：反向传播：对比实际的回波时刻与神经网络判断的回波时刻，计算出输出误差，通过反向传播的方法可以依次计算出每一层的神经元误差、权值误差和阈值误差，根据这些误差对神经网络的权值和阈值进行更新，使误差沿梯度方向下降；

步骤6：前向传播和反向传播合称为一代迭代周期epoch，当神经网络经过训练后，整体输出的回波时刻与实际的回波时刻错误率小于2％时，代表训练完成，执行步骤7，否则重复步骤3到6，继续训练，调整权值和阈值；

步骤7：当神经网络训练结果达到目标时，证明各个权值已经稳定，回波时刻判断模型完成，保存各层的权值和阈值；

步骤8：将另外一组数据和标签作为测试集输入到BP神经网络模型中，对比输出结果与实际结果ground truth是否一致，验证模型的正确性，当测试的正确率达到80％以上时，证明模型是正确的，否则重新训练模型；

(2)、将BP神经网络应用于实际脉冲激光测距系统：

当BP神经网络模型训练好后，将其加入到脉冲激光测距系统中，用来检测回波时刻，测量距离，具体步骤如下：

步骤1：脉冲激光器产生一束脉冲激光，打向目标物体；

步骤2：脉冲激光透过雨滴，到达目标物体并返回；

步骤3：雪崩光电二极管APD接收脉冲回波，经模数转化器ADC采样和后续电路波形复原，然后将回波波形输入到已经训练好的BP神经网络模型中，检测回波时刻；

步骤4：利用步骤3得到的回波时刻，计算出脉冲激光从发射到接收的之间的时间差，然后利用时间换算距离TOF原理，计算出目标物体的距离；

步骤5：重复上述步骤1至4即可实现连续完整的脉冲激光测距。

步骤4中，时间换算距离的公式如下：

其中，L为脉冲激光测距系统到目标物体的距离，c为光速，△t为脉冲激光从发射到接收之间的时间。

本发明的特点及有益效果是：

本发明将BP神经网络与脉冲激光测距系统结合，利用神经网络的无需精确模型的优点，针对激光回波在雨、雪、雾天气条件下的高衰减、高噪声的问题进行BP神经网络训练，保证了脉冲激光测距系统即使在脉冲回波严重失真的情况下，依然可以准确地检测到回波时刻并正常工作，打破脉冲激光测距方法使用环境的局限性。

附图说明：

图1雨、雪、雾天气条件下脉冲回波的BP神经网络模型训练的流程图。

图2以雨天为例，基于BP神经网络模型的激光测距系统的工作流程。

具体实施方式

本发明提出了一种基于BP神经网络在雨、雪、雾天气下的脉冲激光测距方法，将BP神经网络模型引入到激光测距技术中。先使用在雨、雪、雾天气下获得的带准确距离信息的回波信号作为人工神经网络的训练样本，提取激光回波波形特征，进行模型训练，当训练误差小于2％误差并且测试正确率大于80％时，表示建模工作完成。然后将建立好的模型加到激光测距系统的算法中，应用于实际测量，实现在恶劣环境下的精准测距。本发明方法可极大限度地打破脉冲激光测距技术在恶劣天气时的局限性，具有很高的实用价值。

本发明完整的技术方案包括两部分：(1)、BP神经网络模型的训练；(2)、基于BP神经网络模型的实际脉冲激光测距系统。具体过程如下：

(1)、BP神经网络模型的训练：

图1为本文提出的雨、雪、雾天气条件下脉冲回波的BP神经网络模型训练的流程图，该方法主要包括以下步骤：

步骤1：将已有的回波图形作为训练集，其中波形的具体回波时刻是已知的。

步骤2将BP神经网络的权值、阈值置成接近于0的随机值，并初始化精度控制参数和学习速率；

步骤3：对波形图片进行归一化预处理，作为输入层；利用不同卷积层的激活函数提取回波波形的轮廓(低阶)特征和更抽象(高阶)的特征；利用下采样层对特征降维，减小计算量；将最后获得1*1的feature map乘以相应的权值再加上阈值，再通过激活函数对每一神经元进行运算，得到最终每个神经元的输出，形成输出层(全连接层)。

步骤4：回波图形经过步骤1和2的处理会输出一组回波时刻的概率，当某一回波时刻概率大于0.7时，判定该时刻就是神经网络判断的回波时刻。由于实际的回波时刻与神经网络判断的回波时刻会有误差，所以需要更新神经网络的权值和阈值。如果实际的回波时刻与神经网络判断的回波时刻之间的误差在±0.2ns之内，证明神经网络的判断是正确的。

步骤5：反向传播：对比实际的回波时刻与神经网络判断的回波时刻，计算出输出误差，通过反向传播的方法可以依次计算出每一层的神经元误差、权值误差和阈值误差。根据这些误差对神经网络的权值和阈值进行更新，使误差沿梯度方向下降。

步骤6：前向传播和反向传播合称为一代epoch，当神经网络经过多代epoch训练，整体输出的回波时刻与实际的回波时刻错误率小于2％时，代表训练完成。执行步骤7，否则重复步骤3到6，继续训练，调整权值和阈值。

步骤7：当神经网络训练结果达到目标时，证明各个权值已经稳定，回波时刻判断模型完成，保存各层的权值和阈值。

步骤8：将另外一组数据和标签作为测试集(不能与训练集重复)输入到BP神经网络模型中，对比输出结果与ground truth是否一致，验证模型的正确性。当测试的正确率达到80％以上时，证明模型是正确的，否则重新训练模型。

(2)、将BP神经网络应用于实际脉冲激光测距系统：

当BP神经网络模型训练好后，将其加入到脉冲激光测距系统中，用来检测回波时刻，测量距离。图2为以雨天为例，基于BP神经网络模型的激光测距系统的工作流程，具体步骤如下：

步骤1：脉冲激光器产生一束脉冲激光，打向目标物体。

步骤2：脉冲激光透过雨滴，到达目标物体并返回，如图2所示。由于雨滴的吸收和反射作用，脉冲激光发生衰减并夹杂着噪声，回波信号不再是一个完整的波形。

步骤3：APD接收脉冲回波，经ADC采样和后续电路波形复原，然后将回波波形输入到已经训练好的BP神经网络模型中，检测回波时刻。

步骤4：利用步骤3得到的回波时刻，计算出脉冲激光从发射到接收的之间的时间差，然后利用TOF(时间换算距离)原理，即可计算出目标物体的距离。时间换算距离的公式如下：

其中，L为脉冲激光测距系统到目标物体的距离，c为光速，△t为脉冲激光从发射到接收之间的时间。

步骤5：重复上述步骤1至4即可实现连续完整的脉冲激光测距。

综上所述，脉冲激光测距关键技术在于△t，如何快速、准确计算出△t是现在技术的追求目标。但通常情况下，脉冲回波存在衰减和噪声，特别是在雨、雪、雾天气下，由于水的吸收和反射作用，衰减情况会很明显，导致回波时刻很难检测。本文提出的方法可以在脉冲回波波形出现严重衰减和高噪声的情况下，准确的检测出回波时刻，减小天气因素对波形的影响，从而实现系统的正常工作。

Claims (2)

1.一种BP神经网络雨、雪、雾天气脉冲激光测距方法，其特征是，包括两部分：(1)、BP神经网络模型的训练；(2)、基于BP神经网络模型的实际脉冲激光测距；具体过程如下：

(1)、BP神经网络模型的训练：

步骤1：将已有的回波图形作为训练集，其中波形的具体回波时刻是已知的；

步骤2将BP神经网络的权值、阈值置成接近于0的随机值，并初始化精度控制参数和学习速率；

步骤3：对波形图片进行归一化预处理，作为输入层；利用不同卷积层的激活函数提取回波波形的轮廓低阶特征和更抽象高阶的特征；利用下采样层对特征降维，减小计算量；将最后获得1*1的特征图feature map乘以相应的权值再加上阈值，再通过激活函数对每一神经元进行运算，得到最终每个神经元的输出，形成输出层全连接层；

步骤4：回波图形经过步骤1和2的处理会输出一组回波时刻的概率，当某一回波时刻概率大于0.7时，判定该时刻就是神经网络判断的回波时刻，由于实际的回波时刻与神经网络判断的回波时刻会有误差，所以需要更新神经网络的权值和阈值，如果实际的回波时刻与神经网络判断的回波时刻之间的误差在±0.2ns之内，证明神经网络的判断是正确的；

步骤5：反向传播：对比实际的回波时刻与神经网络判断的回波时刻，计算出输出误差，通过反向传播的方法可以依次计算出每一层的神经元误差、权值误差和阈值误差，根据这些误差对神经网络的权值和阈值进行更新，使误差沿梯度方向下降；

步骤6：前向传播和反向传播合称为一代迭代周期epoch，当神经网络经过训练后，整体输出的回波时刻与实际的回波时刻错误率小于2％时，代表训练完成，执行步骤7，否则重复步骤3到6，继续训练，调整权值和阈值；

步骤7：当神经网络训练结果达到目标时，证明各个权值已经稳定，回波时刻判断模型完成，保存各层的权值和阈值；

步骤8：将另外一组数据和标签作为测试集输入到BP神经网络模型中，对比输出结果与实际结果ground truth是否一致，验证模型的正确性，当测试的正确率达到80％以上时，证明模型是正确的，否则重新训练模型；

(2)、将BP神经网络应用于实际脉冲激光测距系统：

当BP神经网络模型训练好后，将其加入到脉冲激光测距系统中，用来检测回波时刻，测量距离，具体步骤如下：

步骤1：脉冲激光器产生一束脉冲激光，打向目标物体；

步骤2：脉冲激光透过雨滴，到达目标物体并返回；

步骤3：雪崩光电二极管APD接收脉冲回波，经模数转化器ADC采样和后续电路波形复原，然后将回波波形输入到已经训练好的BP神经网络模型中，检测回波时刻；

步骤4：利用步骤3得到的回波时刻，计算出脉冲激光从发射到接收的之间的时间差，然后利用时间换算距离TOF原理，计算出目标物体的距离；

步骤5：重复上述步骤1至4即可实现连续完整的脉冲激光测距。

2.如权利要求1所述的BP神经网络雨、雪、雾天气脉冲激光测距方法，其特征是，(2)部分步骤4中，时间换算距离的公式如下：

其中，L为脉冲激光测距系统到目标物体的距离，c为光速，△t为脉冲激光从发射到接收之间的时间。