CN111208486B - 全波形激光雷达波形分解方法 - Google Patents
全波形激光雷达波形分解方法 Download PDFInfo
- Publication number
- CN111208486B CN111208486B CN202010123720.2A CN202010123720A CN111208486B CN 111208486 B CN111208486 B CN 111208486B CN 202010123720 A CN202010123720 A CN 202010123720A CN 111208486 B CN111208486 B CN 111208486B
- Authority
- CN
- China
- Prior art keywords
- waveform
- template
- full
- vector
- echo
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 21
- 239000002245 particle Substances 0.000 claims abstract description 31
- 239000013598 vector Substances 0.000 claims description 38
- 238000005070 sampling Methods 0.000 claims description 16
- 230000009467 reduction Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims description 2
- 238000012935 Averaging Methods 0.000 claims 1
- 238000005457 optimization Methods 0.000 abstract description 5
- 230000011218 segmentation Effects 0.000 abstract description 3
- 230000009466 transformation Effects 0.000 abstract description 2
- 238000013178 mathematical model Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 2
- 238000002592 echocardiography Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000219312 Chenopodium Species 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明公开了一种全波形激光雷达波形分解方法,该方法将回波波形数据进行分段处理,根据每段波形中的峰值点个数,确定隐函数个数并在模板波形库中寻找到与之对应的模板波形,使用粒子群优化算法获得函数变换的最优因子,从而得到精确的回波峰值强度、半高宽和峰值时刻。该方法可实现无限次回波波形分解,且具有鲁棒性高和便于快速并行计算的优点。
Description
技术领域
本发明涉及一种全波形激光雷达波形分解方法。
背景技术
全波形激光雷达(Waveform-Digitizing LiDAR)将发射脉冲信号和回波脉冲信号均以很小的采样间隔进行采样并记录,用户根据实际应用需求,对记录的波形数据进行处理和分析,相比传统激光雷达,可以得到更丰富的激光回波次数和目标特征信息。
波形数据处理和分析的关键内容是如何进行准确稳定的波形分解。模型拟合法是最常用的波形分解方法,其假设激光雷达的脉冲波形符合某个数学模型,且记录的波形信号看作是若干个数学模型的集合,然后使用非线性最小二乘法计算出数学模型的具体参数。其中,最常用的数学模型是高斯函数或广义高斯函数,然而受脉冲激光器和光电探测器输出特性影响,激光脉冲信号符合类高斯函数,因此使用高斯函数或广义高斯函数作为数学模型,并不严谨。
专利号ZL201510594680.9,专利名称为“脉冲波形的拟合方法”,发明人陈瑞强提出使用隐函数模型以及与其相关联的模板波形,通过非线性最小二乘法实现了单回波脉冲的精确拟合。但还存在两个方面的问题,一是如何实现多回波尤其是重叠回波的分解与拟合,实现无限次回波波形分解,二是如何降低非线性最小二乘法对迭代初始值敏感,提高优化算法的鲁棒性。
发明内容
发明目的:本发明的目的是提供一种全波形激光雷达波形分解方法,该方法将回波波形数据进行分段处理,根据每段波形中的峰值点个数,确定隐函数个数并在模板波形库中寻找到与之对应的模板波形,使用粒子群优化算法获得函数变换的最优因子,从而得到精确的回波峰值强度、半高宽和峰值时刻。
技术方案:本发明所述的全波形激光雷达波形分解方法,包括以下步骤:
步骤4,刷新粒子j的速度向量:Vj=ωVj+u1R1(Pj-Xj)+u2R2(G-Xj),其中R1和R2分别表示分布在0到1区间的随机小数值;u1和u2分别为系数因子;ω是惯性因子,使用公式(3)将更新后的速度值限定在设定范围内,
步骤6,当满足以下两个条件之一,停止迭代:
1)SSE小于设定的预期误差值;
2)迭代次数大于设定的最大迭代次数;
步骤7,通过公式(7)优化得到的最优回波参数为:
进一步的,在步骤2中,激光雷达光束垂直入射到平板表面,通过调整平板和激光雷达的距离,全波形激光雷达获取多个回波信号模板波形构成模板波形库。
进一步的,在步骤2中,使用局部最大值搜索方法,寻找模板波形的峰值点,峰值点沿时间轴整体移动模板波形,使得模板峰值点的时刻为假设激光雷达光电探测器量程为0到ymax,第i个模板波形的峰值强度满足公式(7)要求:
其中,I表示模板波形库中模板波形的个数。
进一步的,在步骤1中,回波波形分割后进行分段处理,其中时间总长度小于激光雷达激光脉冲半高宽的波形段不会被进一步分解处理。
其中,max()表示在局部窗口内的最大值;hw为窗口的半高宽,其值设定为激光脉冲半高宽的一半。
有益效果:该方法可实现无限次回波波形分解,且具有鲁棒性高和便于快速并行计算的优点。
附图说明
图1是回波波形分解方法示意图;
图2是拟合函数估计值计算流程图。
具体实施方式
一种全波形激光雷达波形数据分解方法,如图1所示,主要包括建立模板波形库和分解回波波形两部分:
1.建立模板波形库
(1)激光雷达光束垂直入射到平板表面,通过调整平板和激光雷达的距离,获取多个模板波形构成模板波形库。假设模板波形库中有I个模板波形,第i个模板波形定义为其中K表示总采样点个数,和分别表示第k个采样点的时刻和强度。
模板波形库的建立原则为:
1)在平板静止不动情况下,激光雷达按一定频率发射激光脉冲,通过多次平均降噪的方式获得第i个模板波形。
假设激光雷达光电探测器量程为0到ymax,峰值强度使用公式(7)计算,
其中,P表示模板波形库中模板波形的个数。
2.回波波形分解
2.1回波参数预估
根据设定的阈值yth,回波波形分割后进行分段处理,其中时间总长度小于激光雷达激光脉冲半高宽的波形段不会被进一步分解处理。
其中,max()表示在局部窗口内的最大值;hw为窗口的半高宽,其值设定为激光脉冲半高宽的一半。
2.2回波参数优化
基于粒子群算法基本原理,回波参数优化具体过程为:
(1)初始化
根据表1中粒子位置和速度的上下限值(*表示a或b或c),以随机均匀分布方式初始化位置向量和速度向量。
表1粒子位置和速度上下限设置
(2)迭代
1)刷新粒子j的速度向量:Vj=ωVj+u1R1(Pj-Xj)+u2R2(G-Xj),其中R1和R2分别表示分布在0到1区间的随机小数值;u1和u2分别为系数因子;ω是惯性因子。使用公
3)使用SSE(sum of squares due to error)表示粒子群的适应值:其中dot()表示点积操作;Y是实际值向量,Ye是估计值向量,定义为利用模板波形最接近时刻的采样点计算Ye的向量值,具体见图2所示的计算流程。
(3)停止条件
当满足以下两个条件之一,停止迭代:
1)SSE小于设定的预期误差值。
2)迭代次数大于设定的最大迭代次数。
(4)输出
优化得到的最优回波参数为:
Claims (7)
1.一种全波形激光雷达波形分解方法,其特征在于包括以下步骤:
步骤4,刷新粒子j的速度向量:Vj=ωVj+u1R1(Pj-Xj)+u2R2(G-Xj),其中R1和R2分别表示分布在0到1区间的随机小数值;u1和u2分别为系数因子;ω是惯性因子,使用公式(3)将更新后的速度值限定在设定范围内,
然后刷新粒子j的位置向量:Xj=Xj+Vj,使用公式(4)将更新后的位置值限定在设定范围内,
步骤6,当满足以下两个条件之一,停止迭代:
1)SSE小于设定的预期误差值;
2)迭代次数大于设定的最大迭代次数;
步骤7,通过公式(7)优化得到的最优回波参数为:
2.根据权利要求1所述的全波形激光雷达波形分解方法,其特征在于在步骤1中,回波波形分割后进行分段处理,其中时间总长度小于激光雷达激光脉冲半高宽的波形段不会被进一步分解处理。
4.根据权利要求1所述的全波形激光雷达波形分解方法,其特征在于在步骤2中,激光雷达光束垂直入射到平板表面,通过调整平板和激光雷达的距离,全波形激光雷达获取多个回波信号模板波形构成模板波形库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010123720.2A CN111208486B (zh) | 2020-02-27 | 2020-02-27 | 全波形激光雷达波形分解方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010123720.2A CN111208486B (zh) | 2020-02-27 | 2020-02-27 | 全波形激光雷达波形分解方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111208486A CN111208486A (zh) | 2020-05-29 |
CN111208486B true CN111208486B (zh) | 2022-01-28 |
Family
ID=70785420
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010123720.2A Active CN111208486B (zh) | 2020-02-27 | 2020-02-27 | 全波形激光雷达波形分解方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111208486B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112596062B (zh) * | 2021-01-28 | 2021-07-13 | 锐驰智光(北京)科技有限公司 | 激光雷达的回波信号检测方法、装置及存储介质 |
CN113283413B (zh) * | 2021-07-26 | 2021-09-24 | 枫树谷(成都)科技有限责任公司 | 脉冲波形模板库的创建方法、系统、存储介质及设备 |
CN113376645B (zh) * | 2021-08-16 | 2021-11-30 | 深圳煜炜光学科技有限公司 | 一种提高激光测距精度的方法与装置 |
CN113376644B (zh) * | 2021-08-16 | 2021-11-30 | 深圳煜炜光学科技有限公司 | 一种提高激光测距精度的方法与装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104614718A (zh) * | 2015-01-08 | 2015-05-13 | 南京大学 | 基于粒子群算法的激光雷达波形数据分解的方法 |
CN105044702A (zh) * | 2015-09-18 | 2015-11-11 | 宁波华仪宁创智能科技有限公司 | 脉冲波形的拟合方法 |
CN105068063A (zh) * | 2015-07-16 | 2015-11-18 | 同济大学 | 一种基于回波全波形分解的地物特征获取方法 |
CN109946674A (zh) * | 2019-03-25 | 2019-06-28 | 淮阴工学院 | 全波形激光雷达装置 |
CN110031854A (zh) * | 2018-12-29 | 2019-07-19 | 西南技术物理研究所 | 一种实时的高精度激光多回波距离提取方法 |
CN110503132A (zh) * | 2019-07-25 | 2019-11-26 | 武汉大学 | 基于多小波支持向量机WSVM集成的全波形LiDAR点云分类方法 |
CN110673109A (zh) * | 2019-11-01 | 2020-01-10 | 自然资源部国土卫星遥感应用中心 | 一种星载大光斑激光雷达全波形数据分解方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11360223B2 (en) * | 2017-09-21 | 2022-06-14 | Chevron U.S.A. Inc. | System and method for improved full waveform inversion |
-
2020
- 2020-02-27 CN CN202010123720.2A patent/CN111208486B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104614718A (zh) * | 2015-01-08 | 2015-05-13 | 南京大学 | 基于粒子群算法的激光雷达波形数据分解的方法 |
CN105068063A (zh) * | 2015-07-16 | 2015-11-18 | 同济大学 | 一种基于回波全波形分解的地物特征获取方法 |
CN105044702A (zh) * | 2015-09-18 | 2015-11-11 | 宁波华仪宁创智能科技有限公司 | 脉冲波形的拟合方法 |
CN110031854A (zh) * | 2018-12-29 | 2019-07-19 | 西南技术物理研究所 | 一种实时的高精度激光多回波距离提取方法 |
CN109946674A (zh) * | 2019-03-25 | 2019-06-28 | 淮阴工学院 | 全波形激光雷达装置 |
CN110503132A (zh) * | 2019-07-25 | 2019-11-26 | 武汉大学 | 基于多小波支持向量机WSVM集成的全波形LiDAR点云分类方法 |
CN110673109A (zh) * | 2019-11-01 | 2020-01-10 | 自然资源部国土卫星遥感应用中心 | 一种星载大光斑激光雷达全波形数据分解方法 |
Non-Patent Citations (2)
Title |
---|
Decomposition Algorithm of Laser Reflecting Waveform Based on Particle Swarm Optimization;Can Dai et al.;《International Conference on Automation, Mechanical Control and Computational Engineering (AMCCE 2015)》;20150101;全文 * |
全波形激光雷达回波分解方法;李洪鹏 等;《遥感学报》;20191231(第1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111208486A (zh) | 2020-05-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111208486B (zh) | 全波形激光雷达波形分解方法 | |
WO2021134449A1 (zh) | 一种强杂波下fmcw阵列雷达运动多目标弱信号检测方法、装置、计算机设备及存储介质 | |
Tashlinskii | Computational expenditure reduction in pseudo-gradient image parameter estimation | |
US5373456A (en) | Expert system for assessing accuracy of models of physical phenomena and for selecting alternate models in the presence of noise | |
CN113534120B (zh) | 一种基于深度神经网络的多目标恒虚警率检测方法 | |
CN111427047A (zh) | 一种大场景下自主移动机器人slam方法 | |
CN112036239B (zh) | 一种基于深度学习网络的雷达信号工作模式识别方法及系统 | |
CN115657080B (zh) | 激光雷达测风距离门自适应调节方法 | |
Davey et al. | Histogram-PMHT unfettered | |
US6369749B1 (en) | Adaptive control of the detection threshold of a binary integrator | |
CN113917527A (zh) | 基于多重量子神经网络进行含气性检测的方法 | |
CN108196238B (zh) | 高斯背景下基于自适应匹配滤波的杂波图检测方法 | |
CN114355298A (zh) | 一种雷达复合调制脉冲信号识别方法 | |
CN111650574B (zh) | 基于稀疏恢复的水下空时自适应处理方法及系统 | |
Zhang et al. | Online community detection by spectral cusum | |
CN115980689A (zh) | 基于点云检测的辐射源信号分选方法、装置、设备及介质 | |
CN111308431B (zh) | 基于估计误差的两维两脉冲对消方法 | |
CN109298384B (zh) | 一种基于变分贝叶斯推断的非均匀直线阵波达方向角估计方法 | |
Behar et al. | Hough detector with adaptive non-coherent integration for target detection in pulse jamming | |
CN111462479A (zh) | 一种基于傅里叶-递归神经网络的交通流预测方法 | |
CN112014789B (zh) | 基于量子斑点狗机制的复合加权时频测向方法 | |
Yang et al. | Obstacle Recognition with Ultra-Wideband Based on Integrated Learning | |
US11290212B2 (en) | Methods, apparatuses and systems for time delay estimation | |
CN117574048A (zh) | 一种基于短时傅里叶变换的加权相关性分析方法 | |
Chandraiah et al. | Adaptive PCA-Based Spectral Estimation Method for MST Radar Signal Processing |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231103 Address after: Room 406, Building 2, No. 37 Jiuhuan Road, Shangcheng District, Hangzhou City, Zhejiang Province, 310000 Patentee after: HANGZHOU OLE-SYSTEMS Co.,Ltd. Address before: 223400 8th floor, Anton building, 10 Haian Road, Lianshui, Huaian, Jiangsu Patentee before: HUAIYIN INSTITUTE OF TECHNOLOGY |