CN112230200A - 一种基于激光雷达回波信号的改进型组合降噪方法 - Google Patents

Abstract

本发明公开了一种基于激光雷达回波信号的改进型组合降噪方法，包括以下步骤：S1、经过激光雷达探测器得到回波信号，采用高斯滤波方法降噪；S2、对滤波后的信号进行时域分析，进一步得到一维空间矩阵；S3、利用一维空间矩阵，对其进行奇异值分解；S4、根据获取信号特征，选取有用信号的重构子空间；S5、对重构子空间作奇异值分解逆变换，得到降噪信号。本发明解决了传统上单一化降噪方法中高斯滤波因选取模板和函数宽度的困扰而造成滤波后信号失真不准确等问题，同时解决了奇异值分解方法降噪的时间周期长问题，二者相互结合匹配大大降低了噪声对信号的干扰，并能有效保留有用信号，并且在后期处理信号数据分析时具有一定的可靠性。

Description

一种基于激光雷达回波信号的改进型组合降噪方法

技术领域

本发明属于激光雷达技术领域，具体为一种基于激光雷达回波信号的改进型组合降噪方法。

背景技术

随着激光技术和电子学技术的快速发展，激光雷达技术得到迅猛发展，近年来，因其具有抗干扰能力强，测程远，效率高，体积小，质量轻，可以全天时、全天候工作等多方面独特的优点，在无人机平台、机器人导航、交通安全等很多场合，展现出广阔的应用前景。通常情况下，激光雷达系统主要由发射系统、信号接收系统、信号采集、处理及控制系统组成。我们得到的数据是通过信号接收系统获取，然后经过信号处理，最后得到有用信息。目前，在信号控制处理模块中，因得到的数据受到不同类型及不同程度噪声的污染，会对后续数据分析产生不良影响，需进一步寻找方法进行降噪处理，目前已经成为研究者研究的热点。

一般情况下，激光雷达这种新型光电传感探测方式属于强噪声背景下微弱信号提取的范畴。本文主要基于激光雷达测距的应用，采集到回波信号的含有大量噪声，主要包括背景噪声，散粒噪声，APD探测器噪声，高斯白噪声，热噪声等。经查文献知，在海底测距得到的回波信号，噪声近似为高斯白噪声。然而在信号处理中，不同滤波方法在处理效果上各有优劣，因此选取最佳的滤波方法是一个关键问题。在激光雷达领域中，研究者的注意力主要集中在信号处理模块上。传统上处理办法有中值滤波、数字滤波器等方法，也有研究者采用多次测量取均值法。近些年来，有研究人员应用小波变换，经验模态分解(EMD)法，奇异值分解(SVD)方法较多。首先小波变换是一种有效分析信号特性的工具，有良好的时频局部性,可以对信号的不同频率成分进行分解,其缺点是很难选取合适的小波基和阈值大小，若选择不当，将会造成信号失真。EMD去噪方法与小波变换相类似，其最大优点是可以从数据中自适应地得到基函数，克服了小波变换中要选取合适小波基的困难，是一种特殊的具有小波变换优点的自适应去噪方法，但是在处理过程中很难避免模态混淆现象及端点效应。并且二者算法复杂，计算繁琐。其次奇异值分解方法是通过矩阵的变换实现降噪的目的，原理简单、算法简便、消噪效果良好等优点，但是运算时间太长等。最后高斯滤波是一种较为简单处理线性平滑滤波的方法，具体指它的每一个像素点都由其本身和邻域内的其他像素值进经过加权平均后得到，针对高斯噪声效果较为明显，其难点是选择合适的高斯滤波函数宽度和高斯滤波模板长度，且不能很好保留信号细节问题。这些问题都给研究者带来很大困扰。因此，基于以上背景，我们能看出任何一种方法都有它的局限性。通常下，高斯噪声是一种常见噪声类型，为进一步有效处理信号，本专利以高斯噪声为研究对象，恰巧与高斯滤波和奇异值分解方法相对应。

下面是一种典型的仿真激光雷达回波信号，其真实回波信号是信号与噪声的叠加，仿真建模：

x(t)＝s(t)+h(t)

其中s(t)为有用信号，h(t)为含噪信号，x(t)为回波信号。该波形近似为一个高斯脉冲，如图1。这些强噪声可以近似为高斯白噪声，如图2。传统上，利用高斯滤波方法，因其针对高斯型信号处理效果较为明显，如图3。高斯滤波算法主要原理为：设原始点集合为{x_i}(i＝1,2,…..,n),对于其中的某个点x_i，搜索到其邻域点集表示为{x_j}，j∈I；再根据这些邻近点计算当前点的估计值x_i ^*,比较x_i和x_i ^*的差距，将x_i向x_i ^*位置做一定移动；然后重复上述操作。其中计算当前点的重心：

但在高斯模板和宽度选取过程中，若σ取值越小，均方根误差越小，即滤波后的回波波形与原始回波波形越逼近，混合在信号中的噪声则被误认为是有效信号，因而滤波处理后仍有大量的噪声存在；若σ取值越大，均方根误差越大，信噪比越低，有效信号则被误认为是噪声而去除掉，使得原始回波信号被过度平滑，造成信号中有用信息的缺失。因此，单一选择这种方法会产生很极大可能使信号丢失。

发明内容

为解决现有技术面对单一滤波方法中去噪问题，本发明提供一种基于激光雷达回波信号的改进型组合降噪方法，即高斯滤波与奇异值分解相结合的方法，它能有效解决传统降噪方法的缺点，既能平滑噪声又能较完整地保留有用信息，达到不失真状态。

为了解决上述技术问题，本发明提供了如下的技术方案：

本发明提供一种基于激光雷达回波信号的改进型组合降噪方法，包括以下步骤：

S1、经过激光雷达探测器得到回波信号，采用高斯滤波方法降噪；

S2、对滤波后的信号进行时域分析，把每一个数据看做信号采样点，进一步得到一维空间矩阵；

S3、利用一维空间矩阵，对其进行奇异值分解；

S4、根据获取信号特征，针对分解后的离散信号，选取有用信号的重构子空间；

S5、对重构子空间作奇异值分解逆变换，得到降噪信号。

作为本发明的一种优选技术方案，本发明提供一种基于激光雷达回波信号的改进型组合降噪方法，具体包括以下步骤：

S1、经过激光雷达探测器得到回波信号，将回波信号经高斯滤波得到时域信息，但还包含着一定的噪声；

S2、对滤波后的信号数据作为N个采样点，进而构造一维离散信号X＝{x₁,x₂，…，x_n},构造m×n维的Hankel矩阵,其中，m≤n；

m为嵌入维数，并且满足m+n-1＝N；

S3、对H_m×n进行奇异值分解，得：

H_m×n＝USV^T

其中，U为m×m阶酉矩阵，V为n×n阶酉矩阵；

B＝diag(λ₁ λ₂ ... λ_n)，λ₁≥λ₂≥...λ_k...≥λ_r＞0，r为Hankel矩阵的秩，即：

S4、通过保留对角矩阵B的前k个有效奇异值，其中，k<r；将其余奇异值置零；

S5、利用奇异值分解的逆过程得到重构矩阵，再经过反演得到降噪后的信号。

优选的，步骤S1中经过激光雷达探测器得到回波信号，将回波信号经高斯滤波得到时域信息，具体包括以下步骤：

在初步进行高斯滤波时，利用matlab软件的高斯核函数与原始信号进行卷积得到滤波输出后的信号(gausFilter＝fspecial('gaussian',[55],sigma),denoise＝imfilter(noise,gausFilter,'replicate'))，其中，高斯滤波的平滑程度通过改变高斯标准方差值来调整，与原始信号的拟合程度通过改变模板函数的大小进行调整。

优选的，步骤S5利用奇异值分解的逆过程得到重构矩阵，再经过反演得到降噪后的信号，具体包括以下步骤：

在时频矩阵H经奇异值分解后，得到奇异值对角矩阵B及对应的左右奇异值分量U和V,矩阵H由有用信号和噪声信号共同组成的矩阵，进而矩阵H的奇异值B可以反应信号和噪声的能量情况，同理，奇异向量也由有用信号和噪声信号组成，且时域信息通过V表达，频域信息通过U表达，因此针对奇异值分解的重构，首先选取左右奇异量信号有效时频成分来重构矩阵的阶次，其次选取相关性好的频率成分，然后根据奇异值分解方法进行逆推，最终得到重构信号。

本发明的有益效果是：本发明采用奇异值分解与高斯滤波相结合的方法，解决了传统上单一化降噪方法中高斯滤波因选取模板和函数宽度的困扰而造成滤波后信号失真不准确等问题，同时解决了奇异值分解方法降噪的时间周期长问题，二者相互结合匹配大大降低了噪声对信号的干扰，并能有效保留有用信号，去噪效果明显，并且在后期处理信号数据分析时具有一定的可靠性。

附图说明

图1是本发明中激光雷达探测器得到回波信号的示意图。

图2是本发明中高斯白噪声的示意图。

图3是本发明中经过高斯滤波后的示意图。

图4是本发明一种基于激光雷达回波信号的改进型组合降噪方法的工作流程图。

图5是本发明中经过奇异值分解降噪后的示意图。

图6是本发明中经过高斯滤波与奇异值分解组合降噪后的示意图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

为了达到本发明的目的，如图4-图6所示，在本发明的其中一种实施方式中提供一种基于激光雷达回波信号的改进型组合降噪方法，包括以下步骤：

S1、经过激光雷达探测器得到回波信号，采用高斯滤波方法降噪；

S2、对滤波后的信号进行时域分析，把每一个数据看做信号采样点，进一步得到一维空间矩阵；

S3、利用一维空间矩阵，对其进行奇异值分解；

S4、根据获取信号特征，针对分解后的离散信号，选取有用信号的重构子空间；

S5、对重构子空间作奇异值分解逆变换，得到降噪信号。

为了进一步地优化本发明的实施效果，在本发明的另一种实施方式中，在前述内容的基础上，本发明提供一种基于激光雷达回波信号的改进型组合降噪方法，具体包括以下步骤：

S1、经过激光雷达探测器得到回波信号，将回波信号经高斯滤波得到时域信息，但还包含着一定的噪声；

S2、对滤波后的信号数据作为N个采样点，进而构造一维离散信号X＝{x₁,x₂，…，x_n},构造m×n维的Hankel矩阵,其中，m≤n；

m为嵌入维数，并且满足m+n-1＝N；

S3、对H_m×n进行奇异值分解，得：

H_m×n＝USV^T

其中，U为m×m阶酉矩阵，V为n×n阶酉矩阵；

B＝diag(λ₁ λ₂ ... λ_n)，λ₁≥λ₂≥...λ_k...≥λ_r＞0，r为Hankel矩阵的秩，即：

S4、通过保留对角矩阵B的前k个有效奇异值，其中，k<r；将其余奇异值置零；

S5、利用奇异值分解的逆过程得到重构矩阵，再经过反演得到降噪后的信号。

具体的，步骤S1中经过激光雷达探测器得到回波信号，将回波信号经高斯滤波得到时域信息，具体包括以下步骤：

在初步进行高斯滤波时，利用matlab软件的高斯核函数与原始信号进行卷积得到滤波输出后的信号(gausFilter＝fspecial('gaussian',[55],sigma),denoise＝imfilter(noise,gausFilter,'replicate'))，其中，高斯滤波的平滑程度通过改变高斯标准方差值来调整，与原始信号的拟合程度通过改变模板函数的大小进行调整。因此在适合激光雷达回波信号特点上进行参数选择、模板选取以及性能调试。最终获取回波信号经高斯滤波得到相应的时域信号。

具体的，步骤S5利用奇异值分解的逆过程得到重构矩阵，再经过反演得到降噪后的信号，具体包括以下步骤：

在时频矩阵H经奇异值分解后，得到奇异值对角矩阵B及对应的左右奇异值分量U和V,矩阵H由有用信号和噪声信号共同组成的矩阵，进而矩阵H的奇异值B可以反应信号和噪声的能量情况，同理，奇异向量也由有用信号和噪声信号组成，且时域信息通过V表达，频域信息通过U表达，因此针对奇异值分解的重构，首先选取左右奇异量信号有效时频成分来重构矩阵的阶次，其次选取相关性好的频率成分，然后根据奇异值分解方法进行逆推，最终得到重构信号。

通常认为，相关系数大于0.6时，对应的时频子空间与原始信号相关性好，可以保留，选取这些相关性好的时频子空间对信号进行重构，从而达到降噪的目的；其中计算相关系数的公式：

式中，R_X为原始信号的相关函数；R_sj为时频子空间的各个自相关函数x(i)为信号某一时刻的状态；N为信号的采样点个数。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于激光雷达回波信号的改进型组合降噪方法，其特征在于，包括以下步骤：

S1、经过激光雷达探测器得到回波信号，采用高斯滤波方法降噪；

S2、对滤波后的信号进行时域分析，把每一个数据看做信号采样点，进一步得到一维空间矩阵；

S3、利用一维空间矩阵，对其进行奇异值分解；

S4、根据获取信号特征，针对分解后的离散信号，选取有用信号的重构子空间；

S5、对重构子空间作奇异值分解逆变换，得到降噪信号。

2.根据权利要求1所述的基于激光雷达回波信号的改进型组合降噪方法，其特征在于，具体包括以下步骤：

S1、经过激光雷达探测器得到回波信号，将回波信号经高斯滤波得到时域信息，但还包含着一定的噪声；

S2、对滤波后的信号数据作为N个采样点，进而构造一维离散信号X＝{x₁,x₂，…，x_n},构造m×n维的Hankel矩阵,其中，m≤n；

m为嵌入维数，并且满足m+n-1＝N；

S3、对H_m×n进行奇异值分解，得：

H_m×n＝USV^T

其中，U为m×m阶酉矩阵，V为n×n阶酉矩阵；

B＝diag(λ₁ λ₂ ... λ_n)，λ₁≥λ₂≥...λ_k...≥λ_r＞0，r为Hankel矩阵的秩，即：

S4、通过保留对角矩阵B的前k个有效奇异值，其中，k<r；将其余奇异值置零；

S5、利用奇异值分解的逆过程得到重构矩阵，再经过反演得到降噪后的信号。

3.根据权利要求2所述的基于激光雷达回波信号的改进型组合降噪方法，其特征在于，步骤S1中经过激光雷达探测器得到回波信号，将回波信号经高斯滤波得到时域信息，具体包括以下步骤：

在初步进行高斯滤波时，利用matlab软件的高斯核函数与原始信号进行卷积得到滤波输出后的信号，其中，高斯滤波的平滑程度通过改变高斯标准方差值来调整，与原始信号的拟合程度通过改变模板函数的大小进行调整。

4.根据权利要求3所述的基于激光雷达回波信号的改进型组合降噪方法，其特征在于，步骤S5利用奇异值分解的逆过程得到重构矩阵，再经过反演得到降噪后的信号，具体包括以下步骤：

在时频矩阵H经奇异值分解后，得到奇异值对角矩阵B及对应的左右奇异值分量U和V,矩阵H由有用信号和噪声信号共同组成的矩阵，进而矩阵H的奇异值B可以反应信号和噪声的能量情况，同理，奇异向量也由有用信号和噪声信号组成，且时域信息通过V表达，频域信息通过U表达，因此针对奇异值分解的重构，首先选取左右奇异量信号有效时频成分来重构矩阵的阶次，其次选取相关性好的频率成分，然后根据奇异值分解方法进行逆推，最终得到重构信号。

Images