CN110502978A - 一种基于bp神经网络模型的激光雷达波形信号分类方法 - Google Patents
一种基于bp神经网络模型的激光雷达波形信号分类方法 Download PDFInfo
- Publication number
- CN110502978A CN110502978A CN201910622635.8A CN201910622635A CN110502978A CN 110502978 A CN110502978 A CN 110502978A CN 201910622635 A CN201910622635 A CN 201910622635A CN 110502978 A CN110502978 A CN 110502978A
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- layer
- value
- diagram data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000003062 neural network model Methods 0.000 title claims abstract description 39
- 239000010410 layer Substances 0.000 claims abstract description 59
- 238000010586 diagram Methods 0.000 claims abstract description 31
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 239000002356 single layer Substances 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 22
- 230000004913 activation Effects 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 description 16
- 238000001514 detection method Methods 0.000 description 12
- 210000002569 neuron Anatomy 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000004044 response Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000007630 basic procedure Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种基于BP神经网络模型的激光雷达波形信号分类方法,包括:获取条纹图数据,基于所述条纹图数据提取特征值;将地形地物类别分别编码为1、2、3、4四个类别,分别表示平原、丘陵、建筑物和树木;基于所述特征值计算所述条纹图数据的拘束条件;构建BP神经网络模型,其中,所述BP神经网络模型包括输入层、单层或多层的隐含层以及输出层,所述拘束条件作为所述输入层节点输入所述BP神经网络模型;通过所述BP神经网络模型对所述条纹图数据进行编码分析,识别出所述条纹图数据中的所述地形地物类别。本公开基于BP神经网络模型的激光雷达波形信号分类方法,无需对条纹图像进行点云数据的转化,能够准确的识别出树木或建筑。
Description
技术领域
本公开涉及图像处理技术领域,具体而言,涉及一种基于BP神经网络模型的激光雷达波形信号分类方法。
背景技术
与传统的微波雷达相比,激光雷达具有高精度、高分辨率、高探测灵敏度、高保密性、体积小,重量轻便于机载、舰载的特点。此外,由于工作机制的不同,激光雷达所发出激光脉冲相比于传统的微波雷达信号具有更强的抗干扰能力、获取的数据信息更加丰富,这导致其具有更高的探测和识别能力。尤其是新型全波形采样激光雷达的发展,使得复杂目标的探测及识别成为可能。然而,激光雷达海量回波信号的处理已经成为限制新型激光雷达技术发展的主要技术瓶颈。
在某些实际应用中,我们只对部分目标感兴趣并不需要对测量范围内的全部点云数据进行处理。以林业部门为例,其只关心测量区域的植被信息,而建筑物、公路等信息属于干扰信息,在处理数据时就可以只筛选有用信息处理,减少冗余计算,加快数据处理速度。在对数据进行筛选时,就需要对数据进行分类。
人工神经网络是利用数学模型来近似模拟人类大脑处理信息的一种技术手段。它通过自己调整网络权值以及偏置值来实现自我学习,目前,已有数十种不同的神经网络模型被广泛应用于图像识别、智能控制、模式识别、计算机视觉、自适应滤波、信号处理等领域。
神经网络是一种可以让计算机自己学习出模式特征的技术手段,并能够将特征学习融入到建立的模型之中,减少了人为设计特征的不完备性。当前,基于神经网络的一些应用已经超越了现有算法的识别和分类性能。利用神经网络对激光雷达的回波信号进行分类,可显著提高信号分类的召回率和精确率。
当前,关于激光雷达的数据分类技术绝大部分是以激光雷达点云数据为基础,在此之上利用算法进行地形地物分类。点云数据是指激光雷达获取的激光脚点数据,其中包含了目标点的空间位置信息(X,Y,Z)、物体反射的强度信息、回波次数信息等。
由于激光原始信号到点云数据生成过程较为复杂,点云数据生成需要大量时间及运算资源,且分类效果严重依赖于点云数据质量。因此,现有的基于激光点云数据的分类方案存在数据处理过程繁琐,分类时间长,计算量大,难以满足实际需要等问题。
公开内容
本公开的目的在于提供一种基于BP神经网络模型的激光雷达波形信号分类方法,能够解决上述提到的至少一个技术问题。具体方案如下:
根据本公开的具体实施方式,本公开提供一种基于BP神经网络模型的激光雷达波形信号分类方法,包括:
获取条纹图数据,基于所述条纹图数据提取特征值;
将地形地物类别分别编码为1、2、3、4四个类别,分别表示平原、丘陵、建筑物和树木;
基于所述特征值计算所述条纹图数据的拘束条件,其中所述拘束条件包括连通域数量、霍夫直线峰值、峰值所占比例、峰值的θ、峰值的ρ、矩形度、圆形度、长宽比、高程差值、强度均值和面积;
构建BP神经网络模型,其中,所述BP神经网络模型包括输入层、单层或多层的隐含层以及输出层,所述拘束条件作为所述输入层节点输入所述BP神经网络模型;
通过所述BP神经网络模型对所述条纹图数据进行编码分析,识别出所述条纹图数据中的所述地形地物类别。
可选的,所述BP神经网络模型中,输入层节点数为11,隐含层节点数为10,输出层节点数为4。
可选的,所述输出层包括激活函数,所述激活函数为:
其中,logsig的函数值为0到1。
可选的,所述BP神经网络模型包括:
对输入数据初始化;
采用BP算法计算输入层、隐含层以及输出层的误差,并统计迭代次数;
当所述误差或所述迭代次数达到预设值时,训练结束。
可选的,所述误差为0.01,所述迭代次数为5000。
可选的,所述强度均值表达式如下:
其中中,i表示灰度级,i=0,1,2……l-1;l表示灰度级的种类数目,回波信号的灰度级数目为256;ni表示具有灰度级i的总的像素个数;N表示图像中总的像素数目。
可选的,所述圆形度表达式如下:
其中,S表示目标区域的面积,L表示目标区域的周长,圆形度C越大,目标的圆形度越好。
可选的,所述矩形度的计算公式为:
其中,S表示目标区域的面积;SMER表示最小外接矩形的面积,矩形度R越大,目标越接近矩形,最大值为1。
可选的,所述长宽比的计算公式为:
其中,W为短轴长度,L为长轴的长度,长宽比K值越大表明物体越细长。
本公开实施例的上述方案与现有技术相比,至少具有以下有益效果:本公开基于BP神经网络模型的激光雷达波形信号分类方法,无需对条纹图像进行点云数据的转化,可以直接进行图像识别,通过分类后得到的建筑类、坡地类以及平地类目标绝大部分被正确分类标记出来,分类效果良好。而植被等其它类目标主要是针对那些回波信号缺失比较多的原始条纹回波信号进行识别,也能够准确的识别出树木或建筑,整个图像识别方法简单、高效。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1示出了根据本公开实施例的基于BP神经网络模型的激光雷达波形信号分类方法总体流程图;
图2示出了根据本公开实施例的基于BP神经网络模型的激光雷达波形信号分类方法流程图;
图3示出了根据本公开实施例的传统机载激光雷达探测系统工作原理图;
图4示出了根据本公开实施例的新体制激光雷达中条纹管成像机制原理图;
图5示出了根据本公开实施例的周长示意图;
图6示出了根据本公开实施例的高程差示意图;
图7示出了根据本公开实施例的神经网络结构示意图;
图8示出了根据本公开实施例的BP神经网络模型训练流程图;
图9示出了根据本公开实施例的各训练算法学习曲线图;
图10示出了根据本公开实施例的隐含层神经元数不同时BP神经网络的分类准确度和训练时间示意图;
图11示出了根据本公开实施例的logsig和tansig函数曲线图;
图12示出了根据本公开实施例的使用不同激活函数训练的性能曲线图;
图13示出了根据本公开的实施例的电子设备连接结构示意图。
具体实施方式
为了使本公开的目的、技术方案和优点更加清楚,下面将结合附图对本公开作进一步地详细描述,显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本公开保护的范围。
在本公开实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本公开。在本公开实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义,“多种”一般包含至少两种。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
应当理解,尽管在本公开实施例中可能采用术语第一、第二、第三等来描述……,但这些……不应限于这些术语。这些术语仅用来将……区分开。例如,在不脱离本公开实施例范围的情况下,第一……也可以被称为第二……,类似地,第二……也可以被称为第一……。
取决于语境,如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的商品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种商品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的商品或者装置中还存在另外的相同要素。
基于条纹管的机载激光雷达采用波形采样技术,可以根据其原始回波信号条纹图形态学特征直接分类,减少了将从所有原始回波信号转化为点云数据图这一繁琐过程。此外,基于条纹管的机载激光雷达每个回波信号的数据量可以达到单点探测的1000倍,获取的信息更加丰富。通过分析各类地形地物的属性特征,构建BP神经网络模型,可以提高分类的速度和准确度。所以,本公开旨在提出一种基于激光条纹原始回波信号的能够快速准确分类的点云数据分类技术。
本公开用基于条纹管的新体制激光雷达的原始数据分类,总体流程如图1所示。
下面结合附图详细说明本公开的可选实施例。
实施例1
如图2所示,根据本公开的具体实施方式,本公开提供一种基于BP神经网络模型的激光雷达波形信号分类方法,具体包括如下方法步骤:
步骤S102:获取条纹图数据,基于所述条纹图数据提取特征值。
如图3所示,图示为传统机载激光雷达探测系统工作原理,传统的机载单点扫描激光雷达测量系统主要包括以下几个组成部分:(1)激光测距单元(Running Unit),光学机械扫描单元(Opto-mechanical Scanner),控制记录单元(Control-Monitoring andRecording Units),差分全球定位系统DGPS(Differential Globe Positioning System)和惯性测量单元IMU(Inertial Measurement Unit)等。当前大部分激光雷达使用脉冲激光器向目标发射光脉冲,到达目标后会有部分激光脉冲被反射回激光器,通过计算从发射到返回的时间差t即可测出激光器到目标的距离D,如公式(式中c表示光速):
为了得到关于目标地形地物的更多特征细节,实现更加准确的分类。本公开采用基于条纹管的新体制激光雷达,条纹管的工作机理如图4所示。
激光脉冲发射到物体表面之后,返回部分光信号。这部分光信号经过狭缝整形为线形光束,再由后面的光学聚焦系统聚焦于条纹管的光电阴极上。光电阴极发生光电效应将光子转变为光电子,其瞬时发射密度与该时刻的脉冲强度成正比,所以光电阴极发射的电子与入射光信号在时空结构上等效。之后,光电子脉冲进入偏转系统,偏转系统会对不同时刻的电子进行线性地偏转,使不同时刻的电子在荧光屏上按照时间顺序展开。
步骤S104:将地形地物类别分别编码为1、2、3、4四个类别,分别表示平原、丘陵、建筑物和树木。
步骤S106:基于所述特征值计算所述条纹图数据的拘束条件,其中所述拘束条件包括连通域数量、霍夫直线峰值、峰值所占比例、峰值的θ、峰值的ρ、矩形度、圆形度、长宽比、高程差值、强度均值和面积。
BP神经网络模型是一个分类预测模型,为了构建BP神经网络模型,需要对待分类的信号进行特征分析,确定各约束条件的阈值。
在本发明中,我们选取条纹图像的连通域数量、霍夫直线峰值、峰值所占比例、峰值的θ、峰值的ρ、矩形度、圆形度、长宽比、高程差值、强度均值、面积作为地形地物的分类特征。
1、霍夫直线峰值
霍夫变换(Hough)直线检测是一种图像识别和特征提取技术,它通过一种投票算法检测具有直线形状的物体。该变换通过累加器统计复合直线形状的集合,一般地,有几条直线就会出现几个峰值,峰值的大小也代表了该部分直线的形态大小。
2、周长
周长是目标区域的边界长度,如图5所示。
3、面积
计算面积常用的方法是统计目标区域内及边界像素的个数,由于二值的图像中目标值均为1,背景值均为0,所以通过对图像强度值进行累加即可求得,计算公式为:
4、强度均值表达式如下:
其中中,i表示灰度级,i=0,1,2……l-1;l表示灰度级的种类数目,回波信号的灰度级数目为256;ni表示具有灰度级i的总的像素个数;N表示图像中总的像素数目。
5、圆形度表达式如下:
其中,S表示目标区域的面积,L表示目标区域的周长,圆形度C越大,目标的圆形度越好。
6、矩形度的计算公式为:
其中,S表示目标区域的面积;SMER表示最小外接矩形的面积,矩形度R越大,目标越接近矩形,最大值为1。
7、长宽比的计算公式为:
其中,W为短轴长度,L为长轴的长度,长宽比K值越大表明物体越细长。
8、高程差值:
如图6所示,连通域1和连通域2之间的差值即为两个连通域之间的高程差值信息。
分别选取平原、坡地、建筑物、树木四种地形地物进行上述特征的分析,结果如下表。从表中可以看出,这四个类型的地形地物可以通过这些特征区分开来。
峰值的θ、ρ为霍夫变换引入的变量。
步骤S108:构建BP神经网络模型,其中,所述BP神经网络模型包括输入层、单层或多层的隐含层以及输出层,所述拘束条件作为所述输入层节点输入所述BP神经网络模型。如图7所示。
BP神经网络的学习算法为BP算法,其基本流程如图8所示。BP神经网络模型的训练过程主要包含两方面:一是正向传播过程。输入数据在激活函数的作用下按照输入层到隐含层再到输出层的先后顺序通过各层神经元进行传递。二是反向传播过程。在输出层接收信号之后,计算真实输出数据与理想输出数据之间的误差,采用梯度下降法从输出层向前逐层改变神经元的权重,直到返回输入层。通过正向、反向学习这两个过程的反复迭代,误差不断减小,直到达到设定的精度。
基于6种算法对BP神经网络进行训练时的学习曲线如图9所示。可以看出,使用LM算法、比例共轭梯度算法和弹性BP算法训练时,达到了预期设定的目标。
其中:比例共轭梯度算法(trainscg),动量梯度下降法(traingdm),自适应学习率的BP算法(traingda),拟牛顿算法(trainbfg),LM算法(trainlm),弹性BP算法(trainrp)
设置隐含层神经元数量从1到20不断增加时,BP神经网络的训练误差和训练时间变化情况如图10所示。训练误差使用均方误差函数(mse)计算,设置的目标误差为0.01,设置的最大迭代次数为5000。从图中可以看出,随着隐含层神经元数量的增加,BP神经网络的训练误差不断减小。这是因为隐含层神经元的作用是从样本中提取信息、学习规则,其数量越多,那么网络所能获取的用以解决问题的信息越多,可以更好地展现和概括样本中蕴含的规律。所以开始随着神经元数量不断增加,获取的信息也越多,越能解决复杂的问题,神经网络的训练误差不断减小,精度不断提高。
从运行时间来看,开始时随着隐含层神经元数量不断增加,BP神经网络模型进行训练时的运行时间呈上升趋势。这是因为隐含层神经元数量越多,模型越复杂,运行时计算量就越大,所需时间就越长。判断训练结束的条件有两个,一个是精度到到要求,一个是迭代次数达到设置的最大值,只要有一个满足条件就停止训练。从图中可以看出当隐含层神经元个数设置为10时训练误差才达到要求。在这之前,BP神经网络训练时的实际迭代次数均为最大次数5000次。迭代次数对训练时间有一定影响,迭代次数越多,运行时计算量就越大,所需时间就越长。达到训练误差目标之后,实际迭代次数小于5000次,所以虽然隐含层神经元个数在增加,但训练时间开始减少。综合考虑训练精度和运行时间两方面,最后确定将隐含层神经元个数设为10。
BP神经网络的性能除了受到网络结构影响之外,也与激活函数有一定关系。激活函数的选择在一定程度上影响BP神经网络的收敛速度和精度。在BP神经网络中,logsig和tansig是比较常用的激活函数。
隐含层和输出层都含有激活函数。对于分类问题,输出值映射到(0,1)。logsig函数输出范围在(0,1),因此,输出层激活函数确定为logsig。下面对隐含层激活函数进行研究。
logsig的函数值为0到1,曲线如图11(a)所示,公式如下所示:
tansig的函数值为-1到1,曲线如图11(b)所示,公式如下所示:
分别使用两种激活函数进行训练,性能曲线如图12所示。从图中可以看出,使用tansig时,收敛速度快,且收敛精度更高,所以选用tansig函数作为激活函数。
步骤S110:通过所述BP神经网络模型对所述条纹图数据进行编码分析,识别出所述条纹图数据中的所述地形地物类别。
反向传播网络(Back Propagation Networks,BP)是目前应用最为广泛的神经网络模型之一,属于前馈神经网络,被广泛使用与分类应用中。其工作机制是设定一个标准输出和最小误差,把训练样本输入给网络,输入层神经元获得学习样本后加权并提供给隐含层神经元,依次传递到达输出层,当输出层神经元的得到输入响应后会将现在的输出值与期望值相对比,若二者不相同则进入反向传播,修正各连接点权值,减少目标输入与实际误差,回到输入层,如此循环往复,直到误差控制在可接受范围内。
本发明中,我们选取条纹图像的连通域数量、霍夫直线峰值、峰值所占比例、峰值的θ、峰值的ρ、矩形度、圆形度、长宽比、高程差值、强度均值、面积作为地形地物的分类特征。
本公开基于BP神经网络模型的激光雷达波形信号分类方法,无需对条纹图像进行点云数据的转化,可以直接进行图像识别,通过分类后得到的建筑类、坡地类以及平地类目标绝大部分被正确分类标记出来,分类效果良好。而植被等其它类目标主要是针对那些回波信号缺失比较多的原始条纹回波信号进行识别,也能够准确的识别出树木或建筑,整个图像识别方法简单、高效。
实施例2
如图13所示,本实施例提供一种电子设备,所述电子设备,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上实施例所述的方法步骤。
实施例3
本公开实施例提供了一种非易失性计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行如上实施例所述的方法步骤。
实施例4
下面参考图13,其示出了适于用来实现本公开实施例的电子设备的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图13示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图13所示,电子设备可以包括处理装置(例如中央处理器、图形处理器等)1301,其可以根据存储在只读存储器(ROM)1302中的程序或者从存储装置1308加载到随机访问存储器(RAM)1303中的程序而执行各种适当的动作和处理。在RAM 1303中,还存储有电子设备操作所需的各种程序和数据。处理装置1301、ROM 1302以及RAM 1303通过总线1305彼此相连。输入/输出(I/O)接口1305也连接至总线1305。
通常,以下装置可以连接至I/O接口1305:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置1306;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置1305;包括例如磁带、硬盘等的存储装置1308;以及通信装置1305。通信装置1305可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图13示出了具有各种装置的电子设备,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置1305从网络上被下载和安装,或者从存储装置1308被安装,或者从ROM 1302被安装。在该计算机程序被处理装置1301执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定。
Claims (10)
1.一种基于BP神经网络模型的激光雷达波形信号分类方法,其特征在于,包括:
获取条纹图数据,基于所述条纹图数据提取特征值;
将地形地物类别分别编码为1、2、3、4四个类别,分别表示平原、丘陵、建筑物和树木;
基于所述特征值计算所述条纹图数据的拘束条件,其中所述拘束条件包括连通域数量、霍夫直线峰值、峰值所占比例、峰值的θ、峰值的ρ、矩形度、圆形度、长宽比、高程差值、强度均值和面积;
构建BP神经网络模型,其中,所述BP神经网络模型包括输入层、单层或多层的隐含层以及输出层,所述拘束条件作为所述输入层节点输入所述BP神经网络模型;
通过所述BP神经网络模型对所述条纹图数据进行编码分析,识别出所述条纹图数据中的所述地形地物类别。
2.如权利要求1所述的方法,其特征在于,所述BP神经网络模型中,输入层节点数为11,隐含层节点数为10,输出层节点数为4。
3.如权利要求1所述的方法,其特征在于,所述输出层包括激活函数,所述激活函数为:
其中,logsig的函数值为0到1。
4.如权利要求1所述的方法,其特征在于,所述隐含层包括激活函数,所述激活函数为:
其中,tansig的函数值为-1到1。
5.如权利要求1所述的方法,其特征在于,所述BP神经网络模型包括:
对输入数据初始化;
采用BP算法计算输入层、隐含层以及输出层的误差,并统计迭代次数;
当所述误差或所述迭代次数达到预设值时,训练结束。
6.如权利要求5所述的方法,其特征在于,所述误差为0.01,所述迭代次数为5000。
7.如权利要求1所述的方法,其特征在于,所述强度均值表达式如下:
其中中,i表示灰度级,i=0,1,2……l-1;l表示灰度级的种类数目,回波信号的灰度级数目为256;ni表示具有灰度级i的总的像素个数;N表示图像中总的像素数目。
8.如权利要求1所述的方法,其特征在于,所述圆形度表达式如下:
其中,S表示目标区域的面积,L表示目标区域的周长,圆形度C越大,目标的圆形度越好。
9.如权利要求1所述的方法,其特征在于,所述矩形度的计算公式为:
其中,S表示目标区域的面积;SMER表示最小外接矩形的面积,矩形度R越大,目标越接近矩形,最大值为1。
10.如权利要求1所述的方法,其特征在于,所述长宽比的计算公式为:
其中,W为短轴长度,L为长轴的长度,长宽比K值越大表明物体越细长。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910622635.8A CN110502978A (zh) | 2019-07-11 | 2019-07-11 | 一种基于bp神经网络模型的激光雷达波形信号分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910622635.8A CN110502978A (zh) | 2019-07-11 | 2019-07-11 | 一种基于bp神经网络模型的激光雷达波形信号分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110502978A true CN110502978A (zh) | 2019-11-26 |
Family
ID=68585954
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910622635.8A Pending CN110502978A (zh) | 2019-07-11 | 2019-07-11 | 一种基于bp神经网络模型的激光雷达波形信号分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110502978A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111562597A (zh) * | 2020-06-02 | 2020-08-21 | 南京敏智达科技有限公司 | 一种基于bp神经网络的北斗卫星导航干扰源识别方法 |
CN113589257A (zh) * | 2021-07-28 | 2021-11-02 | 哈尔滨工业大学 | 一种基于全局特征的全波形激光回波信号的分类方法 |
CN113777648A (zh) * | 2021-09-09 | 2021-12-10 | 南京航空航天大学 | 一种基于随机编码与神经网络探测器成像的方法及伽马相机 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6836285B1 (en) * | 1999-09-03 | 2004-12-28 | Arete Associates | Lidar with streak-tube imaging,including hazard detection in marine applications; related optics |
US20070024840A1 (en) * | 2005-07-14 | 2007-02-01 | Fetzer Gregory J | Ultraviolet, infrared, and near-infrared lidar system and method |
CN107607927A (zh) * | 2017-08-07 | 2018-01-19 | 哈尔滨工业大学 | 一种条纹激光回波信息提取方法 |
CN107636727A (zh) * | 2016-12-30 | 2018-01-26 | 深圳前海达闼云端智能科技有限公司 | 一种目标检测的方法及装置 |
CN108846341A (zh) * | 2018-06-05 | 2018-11-20 | 河海大学 | 一种基于神经网络的遥感图像湖冰分类识别方法 |
CN109376728A (zh) * | 2018-12-28 | 2019-02-22 | 华南农业大学 | 一种基于多特征融合和bp神经网络的稻田杂草识别方法及其应用 |
-
2019
- 2019-07-11 CN CN201910622635.8A patent/CN110502978A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6836285B1 (en) * | 1999-09-03 | 2004-12-28 | Arete Associates | Lidar with streak-tube imaging,including hazard detection in marine applications; related optics |
US20070024840A1 (en) * | 2005-07-14 | 2007-02-01 | Fetzer Gregory J | Ultraviolet, infrared, and near-infrared lidar system and method |
CN107636727A (zh) * | 2016-12-30 | 2018-01-26 | 深圳前海达闼云端智能科技有限公司 | 一种目标检测的方法及装置 |
CN107607927A (zh) * | 2017-08-07 | 2018-01-19 | 哈尔滨工业大学 | 一种条纹激光回波信息提取方法 |
CN108846341A (zh) * | 2018-06-05 | 2018-11-20 | 河海大学 | 一种基于神经网络的遥感图像湖冰分类识别方法 |
CN109376728A (zh) * | 2018-12-28 | 2019-02-22 | 华南农业大学 | 一种基于多特征融合和bp神经网络的稻田杂草识别方法及其应用 |
Non-Patent Citations (2)
Title |
---|
张伟斌: "激光雷达回波数据快速处理技术研究", 《中国优秀硕士学位论文全文数据库》 * |
武装: "《京津冀地区PM2.5及其他空气污染物的时空分布特征研究》", 30 September 2018 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111562597A (zh) * | 2020-06-02 | 2020-08-21 | 南京敏智达科技有限公司 | 一种基于bp神经网络的北斗卫星导航干扰源识别方法 |
CN113589257A (zh) * | 2021-07-28 | 2021-11-02 | 哈尔滨工业大学 | 一种基于全局特征的全波形激光回波信号的分类方法 |
CN113777648A (zh) * | 2021-09-09 | 2021-12-10 | 南京航空航天大学 | 一种基于随机编码与神经网络探测器成像的方法及伽马相机 |
CN113777648B (zh) * | 2021-09-09 | 2024-04-12 | 南京航空航天大学 | 一种基于随机编码与神经网络探测器成像的方法及伽马相机 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021000903A1 (zh) | 一种端到端的sar图像识别方法、装置及存储介质 | |
CN111091105B (zh) | 基于新的边框回归损失函数的遥感图像目标检测方法 | |
CN106355151B (zh) | 一种基于深度置信网络的三维sar图像目标识别方法 | |
Wheeler et al. | Deep stochastic radar models | |
CN106094569B (zh) | 多传感器融合无人机感知与规避仿真系统及其仿真方法 | |
CN110502978A (zh) | 一种基于bp神经网络模型的激光雷达波形信号分类方法 | |
CN113902897B (zh) | 目标检测模型的训练、目标检测方法、装置、设备和介质 | |
Foody | Fully fuzzy supervised classification of land cover from remotely sensed imagery with an artificial neural network | |
CN108320329A (zh) | 一种基于3d激光的3d地图创建方法 | |
CN110531313A (zh) | 一种基于深度神经网络回归模型的近场信号源定位方法 | |
CN107451619A (zh) | 一种基于感知生成对抗网络的小目标检测方法 | |
US10275707B2 (en) | Systems and methods for training multipath filtering systems | |
JP7438655B2 (ja) | 気象解析装置、気象解析方法、およびプログラム | |
EP3794376B1 (en) | Apparatus and method to classify full waveform data from retro-flected signals | |
Zhang et al. | A GANs-based deep learning framework for automatic subsurface object recognition from ground penetrating radar data | |
CN109283562A (zh) | 一种车联网中车辆三维定位方法及装置 | |
CN113505686B (zh) | 一种无人机目标威胁评估方法及装置 | |
CN110427878A (zh) | 一种快速射电暴信号识别方法与系统 | |
CN107705359A (zh) | 获取无线信道模型的方法和装置 | |
CN112468230A (zh) | 一种基于深度学习的无线紫外光散射信道估计方法 | |
CN114139566A (zh) | 基于机器学习加权平均融合特征提取提高测高精度的方法 | |
CN108154511A (zh) | 基于子模字典学习的sar图像分割方法 | |
CN110532975A (zh) | 基于全波形机载激光雷达数据的tin滤波修正方法 | |
CN108039980B (zh) | Geo星-机多基sar拓扑结构设计方法 | |
Sen et al. | Unsupervised extraction of urban features from airborne lidar data by using self-organizing maps |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191126 |