[发明专利]一种基于全波形激光雷达数据的隐蔽目标提取方法

权利要求书

1.一种基于全波形激光雷达数据的隐蔽目标提取方法，其特征在于，包括：

对全波形激光雷达的回波波形进行顾及遗失组分的波形分解，获得组分参数；

根据所述波形分解得到的各组分参数分别提取波形特征；

基于深度学习的方式对提取的波形特征进行选择；

根据选择的波形特征，采用空间统计分析对隐蔽目标区域进行探测和分割，得到疑似隐蔽目标；以及

对所述疑似隐蔽目标进行识别，

其中，所述提取的波形特征为距离、强度、波形宽度、后向散射截面、波形起点位置和波形终点位置、波形长度、波形质心位置、波形能量高度的四分量。

2.根据权利要求1所述的隐蔽目标提取方法，其特征在于，所述对全波形激光雷达的回波波形进行顾及遗失组分的波形分解，获得组分参数的步骤包括：

将回波波形建模为广义高斯函数，获取广义高斯函数的初始参数值；

基于所述初始参数值对回波波形进行广义高斯分解；以及

基于广义高斯分解的结果判断是否存在遗失组分，如果有遗失组分，估计新的组分数，重新执行获取广义高斯函数的初始参数值及广义高斯分解步骤，否则波形分解完成，得到组分参数。

3.根据权利要求2所述的隐蔽目标提取方法，其特征在于，利用期望最大化算法及广义高斯有限混合模型对回波波形进行广义高斯分解。

4.根据权利要求1所述的隐蔽目标提取方法，其特征在于，所述根据选择的波形特征，采用空间统计分析对隐蔽目标区域进行探测和分割，得到疑似隐蔽目标的步骤包括：

根据所述选择的波形特征，利用空间统计分析，基于自相关G系数及回波率探测隐蔽目标区域；以及

采用对点云数据进行聚类的方式对隐蔽目标区域进行分割，得到疑似隐蔽目标。

5.根据权利要求4所述的隐蔽目标提取方法，第i个点的自相关G系数为：

其中，x_j表示第j个点的组分数索引，d为距离，W_ij(d)是i,j点之间的距离权值。

6.根据权利要求1所述隐蔽目标提取方法，其特征在于，对全波形激光雷达的回波波形进行顾及遗失组分的波形分解之前还包括：

对全波形激光雷达的回波波形进行去噪。

7.根据权利要求1至6中任一所述的隐蔽目标提取方法，其特征在于，对所述疑似隐蔽目标进行识别包括：

识别过程的训练阶段，用于实现对疑似隐蔽目标的训练；

识别过程的识别阶段，用于对疑似隐蔽目标进行识别。

8.根据权利要求7所述的隐蔽目标提取方法，其特征在于，所述识别过程的训练阶段包括：

收集各类已知隐蔽目标的全波形点云数据，统计其波形特征的均值、方差和最大最小值，计算VFH描述子，作为样本；

保存各样本的全波形点云数据为点云特征文件，并建立样本库；

遍历样本库中样本的点云特征文件，建立KD-tree并将其保存，实现对所述疑似隐蔽目标的训练，完成训练过程。

9.根据权利要求8所述的隐蔽目标提取方法，其特征在于，所述识别过程的识别阶段包括：

加载所述样本库，读取KD-tree并重建索引；

基于隐蔽目标区域的分割结果，将每个分割得到的点云数据子集作为待识别目标，统计相应波形特征的均值、方差和最大最小值，计算VFH描述子；

利用待识别目标的波形特征和VFH描述子在所述KD-tree进行近邻搜索，计算样本与待识别目标之间的距离；

判断样本与待识别目标之间距离的最小值是否小于给定的距离阈值，如果小于阈值，则识别其为所要提取的隐蔽目标；否则，识别其非隐蔽目标，输出识别结果。

10.根据权利要求6所述的隐蔽目标提取方法，其特征在于，采用λμ滤波算法对全波形激光雷达的回波波形进行去噪。