[发明专利]一种基于遗传算法的全波形激光雷达回波数据的高斯分解法

权利要求书

1.本发明公开了一种基于遗传算法的全波形激光雷达回波数据的高斯分解法，该方法主要由五个步骤构成：回波去噪，初始波峰提取，初始参数估计，波形拟合以及精度判断；当初次拟合的精度满足要求时则不进行第二次拟合，而当精度不满足要求时，则进行迭代拟合，并且在每一次迭代中都通过增加一个高斯分量的方法来提高拟合精度，直到达到停止条件为止；其中使用高斯函数拟合全波形激光雷达的回波数据；采用高斯滤波法滤除全波形激光雷达回波数据的噪声，通过提取峰值点确定初始高斯分量的数量，进行初始参数范围估计，通过遗传算法对全波形激光回波数据进行拟合和精度判断，并且制作了基于遗传算法的回波高斯分解软件系统，简化了回波分解的操作。

2.按照权利要求1所述的一种基于遗传算法的全波形激光雷达回波数据的高斯分解法，其特征在于研究对象是具有宽脉冲、多峰值的复杂全波形激光回波；基于激光脉冲的时空分布理论和全波形激光雷达方程，全波形激光雷达的回波信号由激光发射脉冲传播途径中几个不同高程的目标散射的回波叠加而成，可以将回波看成是一系列高斯分量的叠加，高斯分解的目的是将回波中的高斯分量都提取出来，并获得每一个高斯分量的具体参数值，用于后续的更丰富的信息提取。

3.按照权利要求1或2所述的一种基于遗传算法的全波形激光雷达回波数据的高斯分解法，其特征在于全波形激光雷达的回波通常含有一定的噪声分量，在高斯拟合之前需要进行回波去噪；本发明专利采用高斯滤波法(Gaussian filtering)，其主要去噪过程是通过原始回波和高斯型的滤波器进行卷积完成的；高斯滤波器的参数是根据每一次的回波和对应的发射脉冲的特性和参数来确定的，其去噪效果较好。

4.按照权利要求1所述的一种基于遗传算法的全波形激光雷达回波数据的高斯分解法，其特征在于在拟合之前，确定全波形激光雷达回波数据所包含的高斯分量个数；其具体实现方法是采用一个具有5bins宽度的搜索窗对回波进行从开始到结束的搜索，如果窗口中间的点的幅值高于其他10个点的幅值，则这个点被选取为一个峰值点，同时为了避免提取由噪声造成的峰值点，只有幅值大于一定阈值的点才进入峰值选取的范围。

5.按照权利要求1所述的一种基于遗传算法的全波形激光雷达回波数据的高斯分解法，其特征在于针对每个高斯分量，估计其初始参数范围；每个高斯分量有三个参数即幅值、位置、标准差；由于遗传算法（Genetic Algorithm，简称GA）的初始参数在一定范围内都能得到较好的结果，所以根据回波波形，被估计的高斯分量参数只需给定估计范围，假设幅值为A，位置为t，标准差为σ；其初始参数估计如下所示：

（1）位置t的估计

以提取的峰值点的位置作为高斯分量位置初始范围的中心，以10个bin作为范围的宽度，即[t_peak-5,t_peak+5]，其中t_peak是峰值点的位置；

（2）幅值A的估计

所有高斯分量的初始幅值的下限都取0，上限取其对应的峰值点的幅值。由于遗传算法优化后的结果肯定落在参数选择的区间内，所以这样的幅值范围选择也避免了拟合后的单个高斯分量幅值高于原回波的错误；

（3）标准差σ的估计

由高斯分布的特性可知，高斯函数的两个拐点位置分别为：p_{inf_1}=t_peak-σ和p_{inf_2}=t_peak+σ，所以：σ=(p_{inf_2}-p_{inf_1})/2；同时由高斯分布的3σ性质可知，3σ的位置涵盖了高斯分布中99.7%的能量，所以在一个回波分量中，选取3σ的值作为σ估计的上限，其可靠性是最大的，即真实的σ值一定在这个范围内；但在实际回波中，并不是每个分量的拐点都是可以被提取出的，所以还需要分类讨论，其具体估计方法如下：

对于两个拐点可以被提取出的高斯分量，两个拐点的位置分别为p_{inf_1}和p_{inf_2}其标准差估计的上限为：

σ_max=3×(p_{inf_2}-p_{inf_1})/2

对于只有一个拐点可以被提取出的高斯分量，拐点位置为p_inf，峰值点位置为t_peak，则其标准差估计的上限为：

σ_max=3×|p_inf-t_peak|

对于两个拐点都不能提取出的高斯分量，本发明专利采用了三角形估计的方法来估计其标准差的上限值。