CN111289991B - 一种基于多场景的激光测距方法及装置 - Google Patents

一种基于多场景的激光测距方法及装置 Download PDF

Info

Publication number
CN111289991B
CN111289991B CN202010160884.2A CN202010160884A CN111289991B CN 111289991 B CN111289991 B CN 111289991B CN 202010160884 A CN202010160884 A CN 202010160884A CN 111289991 B CN111289991 B CN 111289991B
Authority
CN
China
Prior art keywords
data
support vector
vector machine
machine model
environmental 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.)
Active
Application number
CN202010160884.2A
Other languages
English (en)
Other versions
CN111289991A (zh
Inventor
吴松
张永奈
王军燕
姚兰波
曹世雄
朱红芳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Anhui Electric Power Co Ltd
Original Assignee
State Grid Anhui Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Anhui Electric Power Co Ltd filed Critical State Grid Anhui Electric Power Co Ltd
Priority to CN202010160884.2A priority Critical patent/CN111289991B/zh
Publication of CN111289991A publication Critical patent/CN111289991A/zh
Application granted granted Critical
Publication of CN111289991B publication Critical patent/CN111289991B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
    • G01S17/06—Systems determining position data of a target
    • G01S17/08—Systems determining position data of a target for measuring distance only
    • 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
    • G01S7/4808—Evaluating distance, position or velocity data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/521—Depth or shape recovery from laser ranging, e.g. using interferometry; from the projection of structured light
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Remote Sensing (AREA)
  • Software Systems (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Electromagnetism (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Optics & Photonics (AREA)
  • Computing Systems (AREA)
  • Geometry (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Optical Radar Systems And Details Thereof (AREA)

Abstract

本发明公开了一种基于多场景的激光测距方法及装置，方法包括：对环境数据进行采集，将环境数据分为三等份，采用三折交叉验证的方式随机选取其中两份作为训练集，另外一份作为测试集；构建支持向量机模型并将归一化后的训练集输入到支持向量机模型中进行训练；采集实时的环境数据归一化后输入到训练好的支持向量机模型中，根据训练好的支持向量机模型预测的分类标签选取红光、绿光，根据选取的红光、绿光确定光的速率；根据相位法的原理确定激光测距的时间参数；根据光的速率和时间参数获取距离。本发明的优点在于：能够根据不同的环境参数确定适应不同场景的光源，适用于多场景下进行激光测距。

Description

一种基于多场景的激光测距方法及装置
技术领域
本发明涉及测距领域，更具体涉及一种基于多场景的激光测距方法及装置。
背景技术
激光测距(laser distance measuring)是以激光器作为光源进行测距。根据激光工作的方式分为连续激光器和脉冲激光器。氦氖、氩离子、氪镉等气体激光器工作于连续输出状态，用于相位式激光测距；双异质砷化镓半导体激光器，用于红外测距；红宝石、钕玻璃等固体激光器，用于脉冲式激光测距。激光测距仪由于激光的单色性好、方向性强等特点，加上电子线路半导体化集成化，与光电测距仪相比，不仅可以日夜作业、而且能提高测距精度。
随着激光技术的应用，目前逐步替代了传统的目测、绳测、经纬仪等工具，但由于电网基建工程场景具有多样性、复杂性，如可能需要在大雾天气、高空低压处进行测量，市面上的激光测距仪器并不能全部满足工程施工测量的要求，针对此情况，本发明给出一种适用于多场景的激光测距方法与系统，通过相关算法和优化激光设备，从而实现在多种使用场景下依旧维持高精度的测量，使得基建施工更加规范化，标准化。
中国专利公开号CN109541616A，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，该发明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。该发明主要应用于脉冲激光测距场合，但是该发明不能根据不同的环境参数确定适应不同场景的光源，从而不能确认光的速率，不能在多场景下进行激光测距。
发明内容
本发明所要解决的技术问题在于现有技术的激光测距方法和装置不能在多场景下进行激光测距的问题。
本发明通过以下技术手段实现解决上述技术问题的：一种基于多场景的激光测距方法，所述方法包括：
步骤一：对多种天气情况下环境数据进行采集，其中，环境数据包括大气压、温度、湿度以及尘埃的浓度；
步骤二：将环境数据分为三等份，采用三折交叉验证的方式随机选取其中两份作为训练集，另外一份作为测试集，将训练集和测试集分别进行归一化处理；
步骤三：构建支持向量机模型并将归一化后的训练集输入到支持向量机模型中进行训练，利用归一化后的测试集对训练好的支持向量机模型进行测试，重复三次，保存准确率最高的支持向量机模型作为训练好的支持向量机模型；
步骤四：采集实时的环境数据归一化后输入到训练好的支持向量机模型中，根据训练好的支持向量机模型预测的分类标签选取红光、绿光，根据选取的红光、绿光确定光的速率；
步骤五：根据相位法的原理确定激光测距的时间参数；
步骤六：根据光的速率和时间参数获取距离。
本发明通过构建支持向量机模型，并训练该模型，利用训练好的模型对环境数据预测分类标签，从而获取分类标签下光的种类，根据光的种类确定光的速率，再根据相位法的原理确定激光测距的时间参数，根据时间参数与光的速率获取距离，能够根据不同的环境参数确定适应不同场景的光源，从而确认该光源下光的速率，适用于多场景下进行激光测距。
优选的，所述步骤一包括：对多种天气情况下采集环境内的大气压、温度、湿度、尘埃的浓度，根据当天的空气污染指数来选择光的种类，当空气污染指数大于200时选取绿光并将分类标签设置为0，否则选取红光并将分类标签设置为1。
优选的，所述步骤一还包括：环境数据为k表示第k条环境数据，ak表示第k条环境数据中的大气压，bk表示第k条环境数据中的温度，ck表示第k条环境数据中的湿度，dk表示第k条环境数据中的尘埃的浓度，根据采集到的环境数据给每条环境数据打上分类标签，标签的格式为label＝{01…1}，其中1代表红光，0代表绿光。
优选的，所述步骤二包括：将打上分类标签的环境数据打乱后分成三份随机选择两份作为训练集data_train1和训练集data_train2；将剩下的数据每行选取相同条数的数据打乱后构建成测试集data_test；
训练集data_train1为：
data_train1＝{a1b1c1d1；
a2b2c2d2；
…
aibicidi}；
训练集data_train2为：
data_train2＝{a1b1c1d1；
a2b2c2d2；
…
apbpcpdp}
测试集data_test为：
data_test＝{a1b1c1d1；
a2b2c2d2；
…
ajbjcjdj}；
优选的，所述步骤二还包括：通过公式将训练集data_train1中每条环境数据归一化，
其中，xI为训练集data_train1中每条环境数据的每类数据的数值，xImax为训练集data_train1中每类数据的最大数值，xImin为训练集data_train1中每类数据的最小数值；
通过公式将训练集data_train2中每条环境数据归一化，其中，xP为训练集data_train2中每条环境数据的每类数据的数值，xPmax为训练集data_train2中每类数据的最大数值，xPmin为训练集data_train2中每类数据的最小数值；
通过公式将测试集data_test中每条环境数据归一化，其中，xJ为测试集data_test中每条环境数据的每类数据的数值，xJmax为测试集data_test中每类数据的最大数值，xJmin为测试集data_test中每类数据的最小数值。
优选的，所述步骤三包括：
步骤301：构建决策函数其中，yi为第i个分类标签，αi为第i个拉格朗日乘子且0≤αi≤C，C为惩罚因子，K(xi,x)为核函数，b为阈值；
步骤302：采用高斯核函数作为核函数，故支持向量机模型为其中，g为核函数参数，xi为第i个支持向量，x为待预测样本，n表示待预测样本总数；
步骤303：将归一化后的训练集输入到支持向量机模型中进行训练，利用归一化后的测试集对训练好的支持向量机模型进行测试，重复三次，保存准确率最高的支持向量机模型作为训练好的支持向量机模型。
优选的，所述步骤五包括：
步骤501：以采样频率fs分别对发出的参考信号和接收到的测量信号/>采样，获得采样后的数据/>其中，A1为参考信号幅值，A2为测量信号幅值，/>为参考信号相位，/>为测量信号相位，f为信号频率；N表示采样次数；
采样后对应的离散序列分别为
其中，n取0到N-1中的整数，表示第n次采样；
步骤502：将离散时域信号变换到离散频域信号，首先将x1(n)欧拉公式展开，展开后结果为
将x2(n)欧拉公式展开，展开后结果为
其中，ej()表示正频率复信号，e-j()表示负频率复信号；
步骤503：通过公式计算频率分辨率，由频率分辨率计算整数作傅里叶变换求得x1(n)的正频率复信号和负频率复信号在k处的傅里叶变秧结果x11(k)和x12(k)，求得x2(n)的正频率复信号和负频率复信号在k处的傅里叶变换结果x21(k)和x22(k)；
步骤504：将x11(k)、x12(k)进行矢量相加得到x1(k)，即为x1(n)在K处的傅里叶变换结果，将x21(k)、x22(k)进行矢量相加得到x2(k)，即为x2(n)在k处傅里叶变换结果x2(k)；
步骤505：由傅里叶变换结果，将x1(k)的相位和x2(k)的相位作差，得发射和接收激光之间的相位差
步骤506：通过公式计算时间参数，其中，Δt为时间参数。
优选的，所述步骤六包括：
步骤601：采集M次参考信号和测量信号，对每一次的采集信号利用公式计算出时间数据，获取M组时间数据{Δt1，Δt2，…，ΔtM}；其中，/>是第i次计算出来的相位差；
步骤602：根据公式计算出M组距离数据{L1，L2，…，LM}，其中，Δti是第i次计算出来的时间数据，Li是第i次计算出来的距离数据，通过公式/>获取最终距离数据，完成激光测距。
本发明还提供一种基于多场景的激光测距装置，所述装置包括：
数据采集模块，用于对环境数据进行采集，其中，环境数据包括大气压、温度、湿度以及尘埃的浓度；
数据处理模块，用于将环境数据分为三等份，采用三折交叉验证的方式随机选取其中两份作为训练集，另外一份作为测试集，将训练集和测试集分别进行归一化处理；
模型构建及训练模块，用于构建支持向量机模型并将归一化后的训练集输入到支持向量机模型中进行训练，利用归一化后的测试集对训练好的支持向量机模型进行测试，重复三次，保存准确率最高的支持向量机模型作为训练好的支持向量机模型；
速率获取模块，用于采集实时的环境数据归一化后输入到训练好的支持向量机模型中，根据训练好的支持向量机模型预测的分类标签选取红光、绿光，根据选取的红光、绿光确定光的速率；
时间参数获取模块，用于根据相位法的原理确定激光测距的时间参数；
距离获取模块，用于根据光的速率和时间参数获取距离。
优选的，所述数据采集模块还用于：实时地采集环境内的大气压、温度、湿度、尘埃的浓度，根据当天的空气污染指数来选择光的种类，当空气污染指数大于200时选取绿光并将分类标签设置为0，否则选取红光并将分类标签设置为1。
优选的，所述数据采集模块还用于：环境数据为k表示第k条环境数据，ak表示第k条环境数据中的大气压，bk表示第k条环境数据中的温度，ck表示第k条环境数据中的湿度，dk表示第k条环境数据中的尘埃的浓度，根据采集到的环境数据给每条环境数据打上分类标签，标签的格式为label＝{01…1}，其中1代表红光，0代表绿光。
优选的，所述数据处理模块还用于：将打上分类标签的环境数据打乱后分成三份随机选择两份作为训练集data_train1和训练集data_train2；将剩下的数据每行选取相同条数的数据打乱后构建成测试集data_test；
训练集data_train1为：
data_train1＝{a1b1c1d1；
a2b2c2d2；
…
aibicidi}；
训练集data_train2为：
data_train2＝{a1b1c1d1；
a2b2c2d2；
…
apbpcpdp}
测试集data_test为：
data_test＝{a1b1c1d1；
a2b2c2d2；
…
ajbjcjdj}；
优选的，所述数据处理模块还用于：通过公式将训练集data_train1中每条环境数据归一化，
其中，xI为训练集data_train1中每条环境数据的每类数据的数值，xImax为训练集data_train1中每类数据的最大数值，xImin为训练集data_train1中每类数据的最小数值；
通过公式将训练集data_train2中每条环境数据归一化，其中，xP为训练集data_train2中每条环境数据的每类数据的数值，xPmax为训练集data_train2中每类数据的最大数值，xPmin为训练集data_train2中每类数据的最小数值；
通过公式将测试集data_test中每条环境数据归一化，其中，xJ为测试集data_test中每条环境数据的每类数据的数值，xJmax为测试集data_test中每类数据的最大数值，xJmin为测试集data_test中每类数据的最小数值。
优选的，所述模型构建及训练模块还用于：
步骤301：构建决策函数其中，yi为第i个分类标签，αi为第i个拉格朗日乘子且0≤αi≤C，C为惩罚因子，K(xi,x)为核函数，b为阈值；
步骤302：采用高斯核函数作为核函数，故支持向量机模型为其中，g为核函数参数，xi为第i个支持向量，x为待预测样本，n表示待预测样本总数；
步骤303：将归一化后的训练集输入到支持向量机模型中进行训练，利用归一化后的测试集对训练好的支持向量机模型进行测试，重复三次，保存准确率最高的支持向量机模型作为训练好的支持向量机模型。
优选的，所述时间参数获取模块还用于：
步骤501：以采样频率fs分别对发出的参考信号和接收到的测量信号/>采样，获得采样后的数据其中，A1为参考信号幅值，A2为测量信号幅值，/>为参考信号相位，/>为测量信号相位，f为信号频率；N表示采样次数；
采样后对应的离散序列分别为
其中，n取0到N-1中的整数，表示第n次采样；
步骤502：将离散时域信号变换到离散频域信号，首先将x1(n)欧拉公式展开，展开后结果为
将x2(n)欧拉公式展开，展开后结果为
其中，ej()表示正频率复信号，e-j()表示负频率复信号；
步骤503：通过公式计算频率分辨率，由频率分辨率计算整数/>作傅里叶变换求得x1(n)的正频率复信号和负频率复信号在k处的傅里叶变换结果x11(k)和x12(k)，求得x2(n)的正频率复信号和负频率复信号在k处的傅里叶变换结果x21(k)和x22(k)；
步骤504：将x11(k)、x12(k)进行矢量相加得到x1(k)，即为x1(n)在K处的傅里叶变换结果，将x21(k)、x22(k)进行矢量相加得到x2(k)，即为x2(n)在k处傅里叶变换结果x2(k)；
步骤505：由傅里叶变换结果，将x1(k)的相位和x2(k)的相位作差，得发射和接收激光之间的相位差
步骤506：通过公式计算时间参数，其中，Δt为时间参数。
优选的，所述距离获取模块还用于：
步骤601：采集M次参考信号和测量信号，对每一次的采集信号利用公式计算出时间数据，获取M组时间数据{Δt1，Δt2，…，ΔtM}；其中，/>是第i次计算出来的相位差；
步骤602：根据公式计算出M组距离数据{L1，L2，…，LM}，其中，Δti是第i次计算出来的时间数据，Li是第i次计算出来的距离数据，通过公式/>获取最终距离数据，完成激光测距。
本发明的优点在于：
(1)本发明通过构建支持向量机模型，并训练该模型，利用训练好的模型对环境数据预测分类标签，根据分类标签来判定光的种类，根据光的种类确定光的速率，再根据相位法的原理确定激光测距的时间参数，根据时间参数与光的速率获取距离，能够根据不同的环境参数确定适应不同场景的光源，从而确认该光源下光的速率，适用于多场景下进行激光测距。
(2)本发明通过使用多个激光源，多个激光源包括红光和绿光，实现了多场景的应用模式，降低了不同光环境对激光测距的影响。
(3)本发明结合支持向量机和相位法两种算法，减少环境因素对测量精度的影响，提高数据精确度。
附图说明
图1为本发明实施例所公开的一种基于多场景的激光测距方法的流程图；
图2为本发明实施例所公开的一种基于多场景的激光测距方法的算法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
如图1和图2所示，一种基于多场景的激光测距方法，所述方法包括：
步骤S1：对多种天气情况下环境数据进行采集，其中，环境数据包括大气压、温度、湿度以及尘埃的浓度；具体过程为：多种天气情况下采集环境内的大气压a、温度b、湿度c、尘埃的浓度d，根据当天的空气污染指数来选择光的种类，当空气污染指数大于200时选取绿光并将分类标签设置为0，否则选取红光并将分类标签设置为1。多种天气情况包括风雨雷电以及下雪等不同的天气状况。
环境数据为k表示第k条环境数据，ak表示第k条环境数据中的大气压，bk表示第k条环境数据中的温度，ck表示第k条环境数据中的湿度，dk表示第k条环境数据中的尘埃的浓度，根据采集到的环境数据给每条环境数据打上分类标签，标签的格式为label＝{01…1}，其中1代表红光，0代表绿光。
步骤S2：将环境数据分为三等份，采用三折交叉验证的方式随机选取其中两份作为训练集，另外一份作为测试集，将训练集和测试集分别进行归一化处理；具体过程为：将步骤S1中打上分类标签的环境数据打乱后分成三份随机选择两份作为训练集data_train1和训练集data_train2；将剩下的数据每行选取相同条数的数据打乱后构建成测试集data_test；
训练集data_train1为：
其中，ai表示第i条环境数据中的大气压，bi表示第i条环境数据中的温度，ci表示第i条环境数据中的湿度，di表示第i条环境数据中的尘埃的浓度，以下训练集data_train2以及测试集data_test中各参数只是下标不同，含义相同，在此不做赘述。
训练集data_train2为：
data_train2＝{a1b1c1d1；
a2b2c2d2；
…
apbpcpdp}
测试集data_test为：
data_test＝{a1b1c1d1；
a2b2c2d2；
…
ajbjcjdj}；
通过公式将训练集data_train1中每条环境数据归一化，
其中，xI为训练集data_train1中每条环境数据的每类数据的数值，xImax为训练集data_train1中每类数据的最大数值，xImin为训练集data_train1中每类数据的最小数值；
通过公式将训练集data_train2中每条环境数据归一化，其中，xP为训练集data_train2中每条环境数据的每类数据的数值，xPmax为训练集data_train2中每类数据的最大数值，xPmin为训练集data_train2中每类数据的最小数值；
通过公式将测试集data_test中每条环境数据归一化，其中，xJ为测试集data_test中每条环境数据的每类数据的数值，xJmax为测试集data_test中每类数据的最大数值，xJmin为测试集data_test中每类数据的最小数值。
步骤S3：构建支持向量机模型并将归一化后的训练集输入到支持向量机模型中进行训练，利用归一化后的测试集对训练好的支持向量机模型进行测试，重复三次，保存准确率最高的支持向量机模型作为训练好的支持向量机模型；准确率最高指的是，三次测试过程中，支持向量机模型输出的分类类别的准确性最高。具体过程为：
步骤301：构建决策函数其中，yi为第i个分类标签(取值为0或者1)，αi为第i个拉格朗日乘子且0≤αi≤C，C为惩罚因子，K(xi,x)为核函数，b为阈值；
步骤302：采用高斯核函数作为核函数，故支持向量机模型为其中，g为核函数参数，xi为第i个支持向量，x为待预测样本，n表示待预测样本总数，||||2为距离符号，exp为以e为底的指数函数；
步骤303：将归一化后的训练集输入到支持向量机模型中进行训练，利用归一化后的测试集对训练好的支持向量机模型进行测试，重复三次，保存准确率最高的支持向量机模型作为训练好的支持向量机模型。模型的训练过程属于现有技术，在此不做赘述。
步骤S4：采集实时的环境数据归一化后输入到训练好的支持向量机模型中，根据训练好的支持向量机模型预测的分类标签选取红光、绿光，根据选取的红光、绿光确定光的速率；需要说明的是，本发明根据红光、绿光两种不同色光在空气中的折射率不同确定光的速率。
步骤S5：根据相位法的原理确定激光测距的时间参数；具体过程为：
步骤501：以采样频率fs分别对发出的参考信号和接收到的测量信号/>采样，获得采样后的数据/>其中，A1为参考信号幅值，A2为测量信号幅值，/>为参考信号相位，/>为测量信号相位，f为信号频率；N表示采样次数；
采样后对应的离散序列分别为
其中，n取0到N-1中的整数，表示第n次采样；
步骤502：将离散时域信号变换到离散频域信号，首先将x1(n)欧拉公式展开，展开后结果为
将x2(n)欧拉公式展开，展开后结果为
其中，ej()表示正频率复信号，e-j()表示负频率复信号；
步骤503：通过公式计算频率分辨率，由频率分辨率计算整数/>作傅里叶变换求得x1(n)的正频率复信号和负频率复信号在k处的傅里叶变换结果x11(k)和x12(k)，求得x2(n)的正频率复信号和负频率复信号在k处的傅里叶变换结果x21(k)和x22(k)；
步骤504：将x11(k)、x12(k)进行矢量相加得到x1(k)，即为x1(n)在K处的傅里叶变换结果，将x21(k)、x22(k)进行矢量相加得到x2(k)，即为x2(n)在k处傅里叶变换结果x2(k)；
步骤505：由傅里叶变换结果，将x1(k)的相位和x2(k)的相位作差，得发射和接收激光之间的相位差
步骤506：通过公式计算时间参数，其中，Δt为时间参数。
步骤S6：根据光的速率和时间参数获取距离，具体过程为：
步骤601：采集M次参考信号和测量信号，对每一次的采集信号利用公式计算出时间数据，获取M组时间数据{Δt1，Δt2，…，ΔtM}；其中，/>是第i次计算出来的相位差；
步骤602：根据公式计算出M组距离数据{L1，L2，…，LM}，其中，Δti是第i次计算出来的时间数据，Li是第i次计算出来的距离数据，通过公式/>获取最终距离数据，完成激光测距。
通过以上技术方案，本发明公开的一种基于多场景的激光测距装置，通过构建支持向量机模型，并训练该模型，利用训练好的模型对环境数据预测分类标签，从而获取分类标签下光的种类，根据光的种类确定光的速率，再根据相位法的原理确定激光测距的时间参数，根据时间参数与光的速率获取距离，能够根据不同的环境参数确定适应不同场景的光源，从而确认该光源下光的速率，适用于多场景下进行激光测距。
实施例2
与本发明实施例1相对应的，本发明实施例2还提供一种基于多场景的激光测距装置，所述装置包括：
数据采集模块，用于对环境数据进行采集，其中，环境数据包括大气压、温度、湿度以及尘埃的浓度；
数据处理模块，用于将环境数据分为三等份，采用三折交叉验证的方式随机选取其中两份作为训练集，另外一份作为测试集，将训练集和测试集分别进行归一化处理；
模型构建及训练模块，用于构建支持向量机模型并将归一化后的训练集输入到支持向量机模型中进行训练，利用归一化后的测试集对训练好的支持向量机模型进行测试，重复三次，保存准确率最高的支持向量机模型作为训练好的支持向量机模型；
速率获取模块，用于采集实时的环境数据归一化后输入到训练好的支持向量机模型中，根据训练好的支持向量机模型预测的分类标签选取红光、绿光，根据选取的红光、绿光确定光的速率；
时间参数获取模块，用于根据相位法的原理确定激光测距的时间参数；
距离获取模块，用于根据光的速率和时间参数获取距离。
具体的，所述数据采集模块还用于：实时地采集环境内的大气压、温度、湿度、尘埃的浓度，根据当天的空气污染指数来选择光的种类，当空气污染指数大于200时选取绿光并将分类标签设置为0，否则选取红光并将分类标签设置为1。
具体的，所述数据采集模块还用于：环境数据为k表示第k条环境数据，ak表示第k条环境数据中的大气压，bk表示第k条环境数据中的温度，ck表示第k条环境数据中的湿度，dk表示第k条环境数据中的尘埃的浓度，根据采集到的环境数据给每条环境数据打上分类标签，标签的格式为label＝{01…1}，其中1代表红光，0代表绿光。
具体的，所述数据处理模块还用于：将打上分类标签的环境数据打乱后分成三份随机选择两份作为训练集data_train1和训练集data_train2；将剩下的数据每行选取相同条数的数据打乱后构建成测试集data_test；
训练集data_train1为：
data_train1＝{a1b1c1d1；
a2b2c2d2；
…
aibicidi}；
训练集data_train2为：
data_train2＝{a1b1c1d1；
a2b2c2d2；
…
apbpcpdp}
测试集data_test为：
data_test＝{a1b1c1d1；
a2b2c2d2；
…
ajbjcjdj}；
具体的，所述数据处理模块还用于：通过公式将训练集data_train1中每条环境数据归一化，
其中，xI为训练集data_train1中每条环境数据的每类数据的数值，xImax为训练集data_train1中每类数据的最大数值，xImin为训练集data_train1中每类数据的最小数值；
通过公式将训练集data_train2中每条环境数据归一化，其中，xP为训练集data_train2中每条环境数据的每类数据的数值，xPmax为训练集data_train2中每类数据的最大数值，xPmin为训练集data_train2中每类数据的最小数值；
通过公式将测试集data_test中每条环境数据归一化，其中，xJ为测试集data_test中每条环境数据的每类数据的数值，xJmax为测试集data_test中每类数据的最大数值，xJmin为测试集data_test中每类数据的最小数值。
具体的，所述模型构建及训练模块还用于：
步骤301：构建决策函数其中，yi为第i个分类标签，αi为第i个拉格朗日乘子且0≤αi≤C，C为惩罚因子，K(xi,x)为核函数，b为阈值；
步骤302：采用高斯核函数作为核函数，故支持向量机模型为其中，g为核函数参数，xi为第i个支持向量，x为待预测样本，n表示待预测样本总数；
步骤303：将归一化后的训练集输入到支持向量机模型中进行训练，利用归一化后的测试集对训练好的支持向量机模型进行测试，重复三次，保存准确率最高的支持向量机模型作为训练好的支持向量机模型。
具体的，所述时间参数获取模块还用于：
步骤501：以采样频率fs分别对发出的参考信号和接收到的测量信号/>采样，获得采样后的数据/>其中，A1为参考信号幅值，A2为测量信号幅值，/>为参考信号相位，/>为测量信号相位，f为信号频率；N表示采样次数；
采样后对应的离散序列分别为
其中，n取0到N-1中的整数，表示第n次采样；
步骤502：将离散时域信号变换到离散频域信号，首先将x1(n)欧拉公式展开，展开后结果为
将x2(n)欧拉公式展开，展开后结果为
其中，ej()表示正频率复信号，e-j()表示负频率复信号；
步骤503：通过公式计算频率分辨率，由频率分辨率计算整数/>作傅里叶变换求得x1(n)的正频率复信号和负频率复信号在k处的傅里叶变换结果x11(k)和x12(k)，求得x2(n)的正频率复信号和负频率复信号在k处的傅里叶变换结果x21(k)和x22(k)；
步骤504：将x11(k)、x12(k)进行矢量相加得到x1(k)，即为x1(n)在K处的傅里叶变换结果，将x21(k)、x22(k)进行矢量相加得到x2(k)，即为x2(n)在k处傅里叶变换结果x2(k)；
步骤505：由傅里叶变换结果，将x1(k)的相位和x2(k)的相位作差，得发射和接收激光之间的相位差
步骤506：通过公式计算时间参数，其中，Δt为时间参数。
具体的，所述距离获取模块还用于：
步骤601：采集M次参考信号和测量信号，对每一次的采集信号利用公式计算出时间数据，获取M组时间数据{Δt1，Δt2，…，ΔtM}；其中，/>是第i次计算出来的相位差；
步骤602：根据公式计算出M组距离数据{L1，L2，…，LM}，其中，Δti是第i次计算出来的时间数据，Li是第i次计算出来的距离数据，通过公式/>获取最终距离数据，完成激光测距。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于多场景的激光测距方法，其特征在于，所述方法包括：
步骤一：对多种天气情况下环境数据进行采集，其中，环境数据包括大气压、温度、湿度以及尘埃的浓度；
步骤二：将环境数据分为三等份，采用三折交叉验证的方式随机选取其中两份作为训练集，另外一份作为测试集，将训练集和测试集分别进行归一化处理；
步骤三：构建支持向量机模型并将归一化后的训练集输入到支持向量机模型中进行训练，利用归一化后的测试集对训练好的支持向量机模型进行测试，重复三次，保存准确率最高的支持向量机模型作为训练好的支持向量机模型；
步骤四：采集实时的环境数据归一化后输入到训练好的支持向量机模型中，根据训练好的支持向量机模型预测的分类标签选取红光、绿光，根据选取的红光、绿光确定光的速率；
步骤五：根据相位法的原理确定激光测距的时间参数；
步骤六：根据光的速率和时间参数获取距离。
2.根据权利要求1所述的一种基于多场景的激光测距方法，其特征在于，所述步骤一包括：多种天气情况下采集环境内的大气压、温度、湿度、尘埃的浓度，根据当天的空气污染指数来选择光的种类，当空气污染指数大于200时选取绿光并将分类标签设置为0，否则选取红光并将分类标签设置为1。
3.根据权利要求2所述的一种基于多场景的激光测距方法，其特征在于，所述步骤一还包括：环境数据为k表示第k条环境数据，ak表示第k条环境数据中的大气压，bk表示第k条环境数据中的温度，ck表示第k条环境数据中的湿度，dk表示第k条环境数据中的尘埃的浓度，根据采集到的环境数据给每条环境数据打上分类标签，标签的格式为label＝{01…1}，其中1代表红光，0代表绿光。
4.根据权利要求3所述的一种基于多场景的激光测距方法，其特征在于，所述步骤二包括：将打上分类标签的环境数据打乱后分成三份随机选择两份作为训练集data_train1和训练集data_train2；将剩下的数据每行选取相同条数的数据打乱后构建成测试集data_test；
训练集data_train1为：
训练集data_train2为：
测试集data_test为：
。
5.根据权利要求4所述的一种基于多场景的激光测距方法，其特征在于，所述步骤二还包括：通过公式将训练集data_train1中每条环境数据归一化，
其中，xI为训练集data_train1中每条环境数据的每类数据的数值，xImax为训练集data_train1中每类数据的最大数值，xImin为训练集data_train1中每类数据的最小数值；
通过公式将训练集data_train2中每条环境数据归一化，其中，xP为训练集data_train2中每条环境数据的每类数据的数值，xPmax为训练集data_train2中每类数据的最大数值，xPmin为训练集data_train2中每类数据的最小数值；
通过公式将测试集data_test中每条环境数据归一化，其中，xJ为测试集data_test中每条环境数据的每类数据的数值，xJmax为测试集data_test中每类数据的最大数值，xJmin为测试集data_test中每类数据的最小数值。
6.根据权利要求1所述的一种基于多场景的激光测距方法，其特征在于，所述步骤三包括：
步骤301：构建决策函数其中，yi为第i个分类标签，αi为第i个拉格朗日乘子且0≤αi≤C，C为惩罚因子，K(xi,x)为核函数，b为阈值；
步骤302：采用高斯核函数作为核函数，故支持向量机模型为其中，g为核函数参数，xi为第i个支持向量，x为待预测样本，n表示待预测样本总数；
步骤303：将归一化后的训练集输入到支持向量机模型中进行训练，利用归一化后的测试集对训练好的支持向量机模型进行测试，重复三次，保存准确率最高的支持向量机模型作为训练好的支持向量机模型。
7.根据权利要求1所述的一种基于多场景的激光测距方法，其特征在于，所述步骤五包括：
步骤501：以采样频率fs分别对发出的参考信号和接收到的测量信号/>采样，获得采样后的数据/>其中，A1为参考信号幅值，A2为测量信号幅值，/>为参考信号相位，/>为测量信号相位，f为信号频率；N表示采样次数；
采样后对应的离散序列分别为
其中，n取0到N-1中的整数，表示第n次采样；
步骤502：将离散时域信号变换到离散频域信号，首先将x1(n)欧拉公式展开，展开后结果为
将x2(n)欧拉公式展开，展开后结果为
其中，ej()表示正频率复信号，e-j()表示负频率复信号；
步骤503：通过公式计算频率分辨率，由频率分辨率计算整数/>作傅里叶变换求得x1(n)的正频率复信号和负频率复信号在k处的傅里叶变换结果x11(k)和x12(k)，求得x2(n)的正频率复信号和负频率复信号在k处的傅里叶变换结果x21(k)和x22(k)；
步骤504：将x11(k)、x12(k)进行矢量相加得到x1(k)，即为x1(k)在K处的傅里叶变换结果，将x21(k)、x22(k)进行矢量相加得到x2(k)，即为x2(n)在k处傅里叶变换结果x2(k)；
步骤505：由傅里叶变换结果，将x1(k)的相位和x2(k)的相位作差，得发射和接收激光之间的相位差
步骤506：通过公式计算时间参数，其中，Δt为时间参数。
8.根据权利要求1所述的一种基于多场景的激光测距方法，其特征在于，所述步骤六包括：
步骤601：采集M次参考信号和测量信号，对每一次的采集信号利用公式计算出时间数据，获取M组时间数据{Δt1，Δt2，…，ΔtM}；其中，/>是第i次计算出来的相位差；
步骤602：根据公式计算出M组距离数据{L1，L2，…，LM}，其中，Δti是第i次计算出来的时间数据，Li是第i次计算出来的距离数据，通过公式获取最终距离数据，完成激光测距。
9.一种基于多场景的激光测距装置，其特征在于，所述装置包括：
数据采集模块，用于对环境数据进行采集，其中，环境数据包括大气压、温度、湿度以及尘埃的浓度；
数据处理模块，用于将环境数据分为三等份，采用三折交叉验证的方式随机选取其中两份作为训练集，另外一份作为测试集，将训练集和测试集分别进行归一化处理；
模型构建及训练模块，用于构建支持向量机模型并将归一化后的训练集输入到支持向量机模型中进行训练，利用归一化后的测试集对训练好的支持向量机模型进行测试，重复三次，保存准确率最高的支持向量机模型作为训练好的支持向量机模型；
速率获取模块，用于采集实时的环境数据归一化后输入到训练好的支持向量机模型中，根据训练好的支持向量机模型预测的分类标签选取红光、绿光，根据选取的红光、绿光确定光的速率；
时间参数获取模块，用于根据相位法的原理确定激光测距的时间参数；
距离获取模块，用于根据光的速率和时间参数获取距离。
10.根据权利要求9所述的一种基于多场景的激光测距装置，其特征在于，所述数据采集模块还用于：实时地采集环境内的大气压、温度、湿度、尘埃的浓度，根据当天的空气污染指数来选择光的种类，当空气污染指数大于200时选取绿光并将分类标签设置为0，否则选取红光并将分类标签设置为1。
CN202010160884.2A 2020-03-10 2020-03-10 一种基于多场景的激光测距方法及装置 Active CN111289991B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010160884.2A CN111289991B (zh) 2020-03-10 2020-03-10 一种基于多场景的激光测距方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010160884.2A CN111289991B (zh) 2020-03-10 2020-03-10 一种基于多场景的激光测距方法及装置

Publications (2)

Publication Number Publication Date
CN111289991A CN111289991A (zh) 2020-06-16
CN111289991B true CN111289991B (zh) 2023-09-12

Family

ID=71030228

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010160884.2A Active CN111289991B (zh) 2020-03-10 2020-03-10 一种基于多场景的激光测距方法及装置

Country Status (1)

Country Link
CN (1) CN111289991B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112613431B (zh) * 2020-12-28 2021-06-29 中北大学 一种泄漏气体自动识别方法、系统及装置
CN115327562A (zh) * 2022-10-16 2022-11-11 常州海图信息科技股份有限公司 一种手持可视激光测距仪器

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016091017A1 (zh) * 2014-12-09 2016-06-16 山东大学 一种高光谱图像分类中光谱向量互相关特征的抽取方法
CN106768483A (zh) * 2017-01-22 2017-05-31 佳木斯大学 一种粮堆内温、湿、水分一体化测量装置及其控制方法
CN109034261A (zh) * 2018-08-10 2018-12-18 武汉工程大学 一种基于支持向量机的近红外光谱数据分析方法
CN109063739A (zh) * 2018-07-04 2018-12-21 合肥中科自动控制系统有限公司 一种基于svm与强化学习的室内场景识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016091017A1 (zh) * 2014-12-09 2016-06-16 山东大学 一种高光谱图像分类中光谱向量互相关特征的抽取方法
CN106768483A (zh) * 2017-01-22 2017-05-31 佳木斯大学 一种粮堆内温、湿、水分一体化测量装置及其控制方法
CN109063739A (zh) * 2018-07-04 2018-12-21 合肥中科自动控制系统有限公司 一种基于svm与强化学习的室内场景识别方法
CN109034261A (zh) * 2018-08-10 2018-12-18 武汉工程大学 一种基于支持向量机的近红外光谱数据分析方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
金桃 ; 岳敏 ; 穆进超 ; 宋伟国 ; 何艳珊 ; 陈毅 ; .基于SVM的多变量股市时间序列预测研究.计算机应用与软件.2010,(06),全文. *

Also Published As

Publication number Publication date
CN111289991A (zh) 2020-06-16

Similar Documents

Publication Publication Date Title
CN111814111B (zh) 一种工业园区大气污染物溯源方法
CN106793082B (zh) 一种在wlan/蓝牙异构网络环境中的移动设备定位方法
CN111289991B (zh) 一种基于多场景的激光测距方法及装置
CN109640269B (zh) 基于csi与时域融合算法的指纹定位方法
CN108920818B (zh) 危险化学品气体泄漏等浓度线质心轨迹溯源方法
RU2771515C1 (ru) Способ и система для определения местоположения высокоскоростного поезда в навигационной слепой зоне на основе метеорологических параметров
CN111428942B (zh) 基于变网格技术提取微地形因子的线路覆冰厚度预测方法
CN111737913B (zh) 一种基于云水含量反演的mwhts晴空观测亮温选择方法
CN113189014B (zh) 一种融合卫星遥感和地面监测数据的臭氧浓度估算方法
CN110346518B (zh) 一种交通排放污染可视化预警方法及其系统
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
CN113569465B (zh) 一种基于深度学习的航迹矢量和目标类型联合估计系统及估计方法
CN113610243A (zh) 基于耦合机器学习和相关性分析的大气污染物溯源方法
CN114359695A (zh) 基于不确定性估计的绝缘子破损识别方法
CN112884014A (zh) 一种基于路段拓扑结构分类的交通速度短时预测方法
CN115690632A (zh) 一种内陆河流水体的水环境监测方法
CN107656905B (zh) 一种利用误差传递的空气质量数据实时校准方法
CN113935228A (zh) 一种基于机器学习的l波段粗糙海面辐射亮温模拟方法
CN114332722A (zh) 基于视频数据的混合冰雪路面附着系数实时估计方法
CN112526548B (zh) 一种基于测风激光雷达的降雨识别方法及装置
CN112329535B (zh) 基于cnn的电力系统低频振荡模态特征的快速辨识方法
CN114777030A (zh) 一种基于nb-iot技术的危化气体监测方法
CN113189571B (zh) 一种基于音色特征提取和深度学习的声源被动测距方法
CN113807454A (zh) 能见度确定方法、装置、计算机设备及可读存储介质
RU2324202C2 (ru) Устройство радиолокационного распознавания воздушных объектов

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