一种烟尘环境下目标识别方法

1.本发明属于目标探测识别技术领域，涉及一种烟尘环境下目标识别方法，具体涉及一种基于全波形分解以及目标偏振信息的烟尘环境下目标识别方法。


背景技术：

2.脉冲激光作为一种拥有良好属性的探测手段，拥有着发射波束窄、峰值功率大、方向性好等优点，目前正广泛应用于目标探测识别领域。但是在真实环境中，由于天气的复杂多变，大气中的云雾、降雨、烟尘等微粒会对激光传输产生影响，尤其是烟尘环境下，大量的烟尘粒子会对光子产生吸收和散射作用，造成激光在传输过程中的能量衰减与回波干扰现象严重，进而使得激光在对目标进行探测时，接收器会接收到烟尘干扰信号的回波波形，且常常与探测目标的回波波形处于叠加状态，进而无法对烟尘与探测目标进行识别。
3.偏振是激光的一个固有属性。由于目标的偏振散射特性，与传统的激光探测相比，偏振激光探测可以同时获得目标的辐射和偏振信息，因此，采用偏振激光探测可以有效区分各种地物和环境的特征。然而，在实际探测中，由于探测目标与周围环境、不同探测目标之间的波形常常处于叠加状态，无法得到单个探测目标精确的回波波形，进而在获取探测目标的偏振信息时，无法得到准确的波形参数，导致偏振激光探测的识别精度无法提高。


技术实现要素：

4.为了解决现有技术中的不足，本发明提供了一种基于全波形分解以及目标偏振信息的烟尘环境下目标识别方法，能够将多波形叠加的回波信号进行分解，并从中提取目标偏振信息进行精准识别烟尘环境下目标的方法。
5.为实现上述目的，本发明提供如下技术方案：
6.本发明的目标识别方法基于偏振激光探测系统，偏振激光探测系统包括激光发生模块和波形采集模块，激光发生模块用于发射激光至烟尘环境中，波形采集模块用于采集自烟尘环境中散射的波形信号；激光发生模块包括激光器和第一偏振片，第一偏振片用于激光的起偏，进而产生偏振光并发射到烟尘环境中，激光器的中心与第一偏振片的中心两者位于一条直线上；波形采集模块包括第二偏振片、滤光片、镜头以及接收装置，第二偏振片用于产生偏振光的相位差，再经过滤光片滤除大气背景信号后，通过镜头聚焦后被接收装置接收，第二偏振片的中心、滤光片的中心和镜头的中心三者位于一条直线上。
7.进一步地，本发明偏振激光探测系统的探测目标所处方位包括烟尘管道内和激光发生模块与烟尘管道组成的空间分布中靠近烟尘管道一侧的外部范围，按照探测目标所处方位不同各采集100组波形数据。
8.进一步地，激光器为红外激光器；镜头为变焦镜头；接收装置为16线apd接收模块。
9.一种烟尘环境下目标识别方法，包括以下步骤：
10.采集探测目标在烟尘环境下叠加的多回波波形；所述多回波波形包括烟尘与探测目标叠加的回波波形；
11.对采集到的多回波波形进行全波形分解，解算出烟尘与探测目标各自的回波波形，并从中提取出波形的幅值参数；
12.根据提取出的波形的幅值参数提取烟尘与探测目标的偏振信息；
13.以所述偏振信息为特征进行机器学习，对探测目标与烟尘进行识别。
14.进一步地，所述采集探测目标在烟尘环境下叠加的多回波波形的步骤中，探测目标所处方位包括烟尘管道内和激光发生模块与烟尘管道组成的空间分布中靠近烟尘管道一侧的外部范围，按照探测目标所处方位的不同各采集100组波形数据。
15.进一步地，所述采集探测目标在烟尘环境下叠加的多回波波形的具体方法为：利用激光器在第一偏振片的作用下产生偏振，在经过烟尘环境下探测目标后，接收装置接收由烟尘与探测目标叠加的回波波形。
16.进一步地，基于小波去噪、初始值预估计以及智能优化算法对采集到的多回波波形进行全波形分解，分别获得烟尘与探测目标的回波波形以及对应的幅值参数，幅值参数包括振幅a(即回波波形峰值电压)、波形半波宽σ以及波峰位置u。
17.进一步地，采集到的多回波波形进行全波形分解的具体方法为：
18.所述全波形分解的公式为基于广义高斯函数模型的波形分解公式，见公式(1)：
[0019][0020]
其中，y表示一条接收波形；n为子波形的个数，i＝1,2,3
…
n；ε代表噪声；x、f(x)为广义高斯函数；a表示振幅、u表示波峰位置；σ表示半波宽；α表示形状参数，初始值为
[0021]
首先，利用滤波平滑去除噪声；然后，根据公式计算随机噪声误差σ
noise
；
[0022]
其中，m是采样点的个数，j＝1,2,3
…
m，δxj为滤波前后采样点dn值的变化；以采样点dn值的最小值作为背景噪声b的初值，将滤波后的回波最大值作为一个分量的振幅a，若a大于阈值(以3σ
noise
作为波峰的阈值条件)，则将其对应的位置视为波峰位置u，再对该波峰两侧一定范围内寻找左右两个拐点的位置p1和p2计算半波宽σ；然后，设定形状参数α的初始值为将提取出的分量作为一个子波形从原始波形中减去，并不断重复该过程，直到剩余数据中最大值不满足阈值条件为止；最后采用智能优化算法寻找最优波形分解参数，得到更高拟合精度的回波波形。
[0023]
进一步地，所述根据提取出的波形的幅值参数提取烟尘与探测目标的偏振信息的具体方法为：根据提取出的烟尘与探测目标的回波波形幅值，通过相应的理论公式，分别计算出烟尘与探测目标的偏振信息参数。
[0024]
所述偏振信息参数包括反射光的总强度i、偏振椭圆半长轴的大小q和方向u、物体表面的偏振反射辐射i
p
、线偏振度dolp以及偏振角α；所述偏振信息的计算方法为：
[0025]
i＝(l0°
l
45
°
l
90
°
l
135
°
)/2
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0026]
q＝l0°-l
90
°
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0027]
u＝l
45
°-l
135
°
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0028][0029][0030][0031]
其中，为了避免外部因素可能产生的误差影响，这里斯托克斯参数在其透射轴为水平、 45
°
、垂直、 135
°
上所需的强度分量l0°
、l
45
°
、l0°
、l
135
°
是通过平均两个平行方向(相隔180
°
)上的峰值强度来计算的，由以下公式求得：
[0032][0033][0034][0035][0036]
其中，i
x
表示起偏原件与检偏原件相位相差x度时的光强值，通过实验直接测量得到；式(8)至式(11)中，x分别选取了0
°
、45
°
、90
°
、135
°
、180
°
、225
°
、270
°
、315
°
。
[0037]
进一步地，所述对探测目标与烟尘进行识别的方法为：以探测目标与烟尘环境的偏振信息作为特征向量，将烟尘与探测目标的偏振信息作为原始数据样本划分为测试集与训练集，利用训练集进行机器学习，获得最优的分类结果，以测试集对分类结果进行测试，实现对探测目标和烟尘的识别，使得激光对烟尘环境下的目标识别有着较高的识别精度。
[0038]
进一步地，所述原始数据包括选取探测目标与烟尘环境的反射光的总强度i、偏振椭圆半长轴的大小q和方向u、物体表面的偏振反射辐射i
p
、线偏振度dolp以及偏振角α组成的6维向量。
[0039]
进一步地，选取200组6维向量作为烟尘环境下目标识别训练的特征向量的一部分。
[0040]
进一步地，所述原始数据划分时，分别在两种探测目标所处方位的多维向量中，随机选取若干组作为训练集，剩余组作为测试集。
[0041]
进一步地，随机选取90％的组作为训练集，余下10％的组作为测试集。
[0042]
进一步地，基于svm算法对训练集进行训练，寻找到一个最优超平面，使得训练集中的样本点到超平面的距离最短，进而得到一个最优的分类结果。
[0043]
与现有技术相比，本发明提供了一种烟尘环境下目标识别方法，属于复杂环境下目标探测识别领域，具备以下有益效果：
[0044]
本发明的烟尘环境下目标识别方法，通过偏振激光分别采集烟尘位于两种不同方位的回波波形，根据小波去噪、参数预估以及智能优化算法对获得的多波形叠加的回波波形进行全波形分解，获得烟尘与探测目标各自的回波波形以及对应的幅值参数，再根据幅值参数，代入相关理论公式，计算出烟尘与探测目标的偏振信息，最后以偏振信息作为特征
参数，采用基于svm算法的机器学习，得到一个最优的分类结果，相对于传统的识别方式具有更高的精度以及更高的识别精度。
附图说明
[0045]
为了更清楚的说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0046]
图1为本发明实施例中烟尘环境下目标识别方法的流程示意图；
[0047]
图2为本发明实施例中提供的偏振激光探测系统采集烟尘环境下的目标回波波形示意图。
[0048]
图中附图标记的含义为：1、激光发生模块，11、激光器，12、第一偏振片，2、波形采集模块，21、第二偏振片，22、滤光片，23、镜头，24、接收装置，3、烟尘环境，31、烟尘管道，32、探测目标。
具体实施方式
[0049]
为了使本技术领域的人员更好地理解本发明，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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做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。
[0050]
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“中”、“外”、“下”等指示方位或位置关系是基于附图2所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0051]
并且，上述部分术语除了可以用于表示方位或位置关系外，还可能用于表示其他含义，例如术语“下”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言，可以根据具体情况理解这些术语在本发明中的具体含义。
[0052]
实施例1
[0053]
如图2所示，本发明的目标识别方法基于偏振激光探测系统，偏振激光探测系统包括激光发生模块1和波形采集模块2，激光发生模块1用于发射激光至烟尘环境3中，波形采集模块2用于采集自烟尘环境3中散射的波形信号；激光发生模块1包括激光器11和第一偏振片12，第一偏振片12用于激光的起偏，进而产生偏振光并发射到烟尘环境3中，激光器11的中心与第一偏振片12的中心两者位于一条直线上；波形采集模块2包括第二偏振片21、滤光片22、镜头23以及接收装置24，第二偏振片21用于产生偏振光的相位差，再经过滤光片22滤除大气背景信号后，通过镜头23聚焦后被接收装置24接收，第二偏振片21的中心、滤光片22的中心和镜头23的中心三者位于一条直线上。
[0054]
在本实施例的一种具体实施方式中，本发明的烟尘环境包括烟尘管道31和激光发生模块1与烟尘管道31组成的空间分布中靠近烟尘管道31一侧的外部范围；进而，本发明偏振激光探测系统的探测目标所处方位包括烟尘管道31内和激光发生模块1与烟尘管道31组
成的空间分布中靠近烟尘管道31一侧的外部范围，按照探测目标所处方位不同各采集100组波形数据。
[0055]
在本实施例的一种具体实施方式中，激光器11为红外激光器；镜头23为变焦镜头；接收装置24为16线apd接收模块。
[0056]
在本实施例的一种具体实施方式中，本发明在实验中采用的烟尘管道31为亚克力材料制作的，透明、可拆装并且具有一定封闭性的空心圆柱体管道。
[0057]
如图1所示，本发明的目标识别方法，包括以下步骤：
[0058]
步骤一：采集探测目标32在烟尘环境3下叠加的多回波波形；多回波波形包括烟尘与探测目标32叠加的回波波形。
[0059]
在步骤一中，探测目标32所处方位包括烟尘管道31内和激光发生模块1与烟尘管道31组成的空间分布中靠近烟尘管道31一侧的外部范围，按照探测目标32所处方位的不同各采集100组波形数据。
[0060]
步骤一中，采集探测目标32在烟尘环境3下叠加的多回波波形的具体方法为：利用激光器11在第一偏振片12的作用下产生偏振，在经过烟尘环境3下探测目标32后，接收装置24接收由烟尘与探测目标32叠加的回波波形。
[0061]
步骤二：对步骤一中采集到的多回波波形进行全波形分解，解算出烟尘与探测目标32各自的回波波形，并从中提取出波形的幅值参数。
[0062]
步骤二中，多回波波形进行全波形分解的方法是基于小波去噪、初始值预估计以及智能优化算法对采集到的多回波波形进行全波形分解，分别获得烟尘与探测目标32的回波波形以及对应的幅值参数，幅值参数包括振幅a(即回波波形峰值电压)、波形半波宽σ以及波峰位置u。
[0063]
步骤二中，采集到的多回波波形进行全波形分解的具体方法为：
[0064]
全波形分解的公式为基于广义高斯函数模型的波形分解公式，见公式(12)：
[0065][0066]
其中，y表示一条接收波形；n为子波形的个数，i＝1,2,3
…
n；ε代表噪声；x、f(x)为广义高斯函数；a表示振幅、u表示波峰位置；σ表示半波宽；α表示形状参数，初始值为
[0067]
首先，利用滤波平滑去除噪声；然后，根据公式计算随机噪声误差σ
noise
；
[0068]
其中，m是采样点的个数，j＝1,2,3
…
m，δxj为滤波前后采样点dn值的变化；以采样点dn值的最小值作为背景噪声b的初值，将滤波后的回波最大值作为一个分量的振幅a，若a大于阈值(以3σ
noise
作为波峰的阈值条件)，则将其对应的位置视为波峰位置u，再对该波峰两侧一定范围内寻找左右两个拐点的位置p1和p2计算半波宽σ；然后，设定形状参数α的初始值为将提取出的分量作为一个子波形从原始波形中减去，并不断重复该过程，直到剩余数据中最大值不满足阈值条件为止；最后采用智能优化算法寻找最优波形分解参数，得到更高拟合精度的回波波形。
[0069]
步骤三：根据步骤二中提取出的波形的幅值参数提取烟尘与探测目标32的偏振信息。
[0070]
步骤三中，根据提取出的波形的幅值参数提取烟尘与探测目标的偏振信息的具体方法为：根据提取出的烟尘与探测目标的回波波形幅值，通过相应的理论公式，分别计算出烟尘与探测目标的偏振信息参数。
[0071]
偏振信息参数包括反射光的总强度i、偏振椭圆半长轴的大小q和方向u、物体表面的偏振反射辐射i
p
、线偏振度dolp以及偏振角α；偏振信息的计算方法为：
[0072]
i＝(l0°
l
45
°
l
90
°
l
135
°
)/2
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)
[0073]
q＝l0°-l
90
°
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(14)
[0074]
u＝l
45
°-l
135
°
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(15)
[0075][0076][0077][0078]
其中，为了避免外部因素可能产生的误差影响，这里斯托克斯参数在其透射轴为水平、 45
°
、垂直、 135
°
上所需的强度分量l0°
、l
45
°
、l0°
、l
135
°
是通过平均两个平行方向(相隔180
°
)上的峰值强度来计算的，由以下公式求得：
[0079][0080][0081][0082][0083]
其中，i
x
表示起偏原件与检偏原件相位相差x度时的光强值，通过实验直接测量得到；式(19)至式(22)中，x分别选取了0
°
、45
°
、90
°
、135
°
、180
°
、225
°
、270
°
、315
°
。
[0084]
步骤四：以步骤三中的偏振信息为特征进行机器学习，对探测目标32与烟尘进行识别。
[0085]
步骤四中，对探测目标与烟尘进行识别的方法为：以探测目标与烟尘环境的偏振信息作为特征向量，将烟尘与探测目标的偏振信息作为原始数据样本划分为测试集与训练集，利用训练集进行机器学习，获得最优的分类结果，以测试集对分类结果进行测试，实现对探测目标和烟尘的识别，使得激光对烟尘环境下的目标识别有着较高的识别精度。
[0086]
步骤四中，原始数据包括选取探测目标与烟尘环境的反射光的总强度i、偏振椭圆半长轴的大小q和方向u、物体表面的偏振反射辐射i
p
、线偏振度dolp以及偏振角α等参数组成的多维向量。
[0087]
步骤四中，选取200组多维向量作为烟尘环境下目标识别训练的特征向量的一部
分。
[0088]
步骤四中，原始数据划分时，分别在两种探测目标所处方位的多维向量中，随机选取90％的组作为训练集，余下10％的组作为测试集，比如选取90组作为训练集，余下10组作为测试集。
[0089]
步骤四中，基于svm算法对训练集进行训练，寻找到一个最优超平面，使得训练集中的样本点到超平面的距离最短，进而得到一个最优的分类结果。
[0090]
实施例2
[0091]
实施例2与实施例1的区别在于：进一步约束了原始数据的选取维数。
[0092]
本发明中的原始数据选取探测目标与烟尘环境的反射光的总强度i、偏振椭圆半长轴的大小q和方向u、物体表面的偏振反射辐射i
p
、线偏振度dolp以及偏振角α组成的6维向量；然后选取200组6维向量作为烟尘环境下目标识别训练的特征向量的一部分。
[0093]
原始数据划分时，分别在两种探测目标所处方位的6维向量中，选取90组作为训练集，余下10组作为测试集。
[0094]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。