[发明专利]一种获取全波形激光雷达高分辨率数据的深度学习方法

说明书

本发明涉及一种获取全波形激光雷达高分辨率数据的深度学习方法。属于深度学习，雷达数据处理领域。通过搭建数据处理平台，构建深度学习网络构架模型，训练深度学习网络构架模型，根据损失函数Loss以及PSNR，调整深度学习网络构架模型中的参数，保存训练效果最好的深度学习网络构架模型，用此模型处理全波形激光雷达数据，使全波形雷达数据的时空分辨率得到多倍提升，解决在全波型激光雷达硬件扫描设备局限性的约束下，分辨率受限的问题，处理新的全波形激光雷达数据时，只需调用保存的深度学习网络构架模型，适应对于采集设备体积，便携性要求高的场合。

技术领域

本发明涉及一种获取全波形激光雷达高分辨率数据的深度学习方法。特别涉及一种基于深度学习策略，采用残差神经网络批量处理、训练全波形激光雷达数据，以获取更高分辨率数据的方法。属于深度学习，雷达数据处理领域。

背景技术

近年来，学术界、工业界对深度学习领域投入了大量关注。深度学习作为机器学习的一种方法，在过去几十年的发展中，吸收、借鉴了有关人脑神经、统计学、应用数学的知识，利用了近年来迅速提高的计算机算力、急剧增长的训练数据集以及更为完备精妙的深层神经网络训练技术，得以在诸多应用领域获得长足发展。

自20世纪80年代以来，深度学习持续成功地应用于越来越广泛的实际问题。最早期的深度学习模型用来识别经裁剪过的尺寸极小的图像中的单个对象，后续发展的深度卷积神经网络可以识别处理细节丰富的高分辨率图片，无需再进行裁剪，且从早期的识别二类对象到每年举行的ImageNet大型视觉识别挑战赛中至少识别1000不同类别的对象。此外，深度学习在行人检测、图像分割中也取得了令人瞩目的成功。在2012年，Ciresan等人发表的论文中就提及深度学习在交通标志分类上，已经取得了超越人类的表现。

伴随着深度学习网络的规模和精度日益提高，其可以胜任的任务也日益复杂，对其他科学研究的发展也做出了贡献。脑神经科学家们可以依赖于对象识别的深度卷积神经网络，建立用于研究的视觉处理模型；统计学、金融学研究者们可以利用深度学习这一工具，处理海量科学数据并在其专业领域做出有效的预测；另外，深度学习可在生物制药领域预测分子之间的相互作用，帮助制药公司设计新的药品；深度学习亦可用于自动解析、构建人脑三维图的显微镜图像。近年来深度学习在诸多研究领域的普及性、实用性都有了极大的发展。未来这些年，伴随着新时代下人工智能革命的浪潮席卷而来，深度学习这一强有力的工具，如何在更深层更广阔的领域上有所作为，更是充满了全新的机遇与挑战。

机载激光雷达是一种集激光扫描系统、全球定位系统、惯性导航系统为一体的用于快速获取地表三维信息的主动式探测装置。最早期的机载激光雷达仅仅可以记录一段时间内有限个的离散回波信号，根据接收回波信号与发射激光脉冲之间的时间间隔，来计算雷达与探测地物的空间距离。而二十世纪末期崭露头角的全波形激光雷达系统，相比于离散激光雷达，可以提供更丰富的目标信息，因为相比于传统的只记录点云数据的激光雷达，全波形激光雷达是以波形的形式记录探测目标各高程点的后向散射能量。每个回波波形在理论上都可视为若干个高斯函数叠加的结果。波形的宽度、峰值位置、峰峰间距、振幅都是对于探测目标进行分析的重要参数。近年来，全波形激光雷达完整后向散射回波波形所蕴含的丰富信息量引起了诸多领域研究者的兴趣，迎来了全波形激光雷达数据处理、应用研究的新时代。

由于全波形激光雷达的时空分辨率囿于发射激光脉宽，强度，探测器探测带宽等因素，提升其数据分辨力可以考虑更新硬件设备，采用强度更高，脉宽更窄的激光光源，使用带宽更宽的探测器，数模转换器等，然而，更换硬件设备首先需要面临的是巨额增加的成本，其次相应硬件的技术指标同样存在瓶颈，制约着全波形激光雷达数据分辨力的提升。软件方法方面，针对全波形激光雷达数据的方法，诸如波形分解方法，反卷积方法等，大多致力于提取原始波形中的探测目标，而对于原始数据分辨力的提升问题，并未加以考虑。2017年，研究者提出将压缩感知技术应用于全波形激光雷达数据采集过程中，以期用少量的测量观测信号恢复重建得到高分辨率的数据，亦有研究者从硬件系统设计层面，提出一种将多个探测器彼此错位、线性阵列排布以获取时域超分辨全波形激光雷达数据的方法。