CN112230199A - 一种基于高维特征值分析的激光雷达回波盲去噪方法 - Google Patents

Abstract

本发明公开了一种基于高维特征值分析的激光雷达回波盲去噪方法，包括以下步骤：在得到一组回波数据后，将回波数据排列为矩阵，并求协方差矩阵；计算协方差矩阵的特征值并降序排列，根据阈值边界提取出噪声贡献的特征值数组；当数据点数量相对样本数量而言很大时，修正高维高估误差，由该特征值数组计算出噪声水平参数，得到与噪声水平相对应的高斯滤波方差；考虑自适应滤波方差参数、窗宽权重修正函数，得到自适应高斯滤波函数，对输入波形进行滤波处理，输出滤波后的波形。本发明能够根据连续含噪声波形对噪声水平进行估计，并自适应的给出最佳的高斯滤波器方差参量，能够较好地适应应用环境及其噪声的不断改变，实现了激光雷达回波的盲去噪。

Description

一种基于高维特征值分析的激光雷达回波盲去噪方法

技术领域

本发明属于激光雷达技术领域，具体涉及一种基于高维特征值分析的激光雷达回波盲去噪方法，是一种通过对含噪波形进行协方差估计获得噪声水平参数，实现对激光雷达波形数据动态降噪的方法。

背景技术

激光雷达LiDAR(Light Detection and Ranging)是一种通过激光脉冲对目标的距离和速度进行探测的主动式遥感技术，原理是向待测目标发射激光脉冲，脉冲在同目标相互作用后，通过探测器对回波信号进行接收采样，对得到的数据进行适当的处理以获得待测目标的相关信息，随着激光成像技术的发展，激光雷达开始具备对目标方向、速度、姿态、形状等信息探测的能力，并被广泛应用于探测领域。

在激光雷达***中，为了获得更加丰富的环境和目标信息，需要对回波波形分析提取如幅值、脉冲宽度、积分强度等信息。对于一些激光雷达的应用场景，如扫描特殊地形和植被覆盖的区域，回波会出现多回波叠加的情况，此时良好的滤波算法可以在去除噪声的同时保留更多有效的信息，是进行波形深入分析的基本保证。

激光雷达回波信号的噪声主要由三部分组成：探测器噪声、环境光噪声和读出电路噪声，其中散粒噪声和热噪声占主导地位，通常的表现形式为高斯白噪声。目前在图像领域应用最广泛的滤除高斯噪声的方法有高斯滤波算法、双边滤波算法和引导滤波算法，但是这些算法需要提前进行参数的设置。由于激光雷达的某些应用场景与周围环境会发生快速的变化，因此阴影噪声是不固定的，固定参数滤波算法无法多种环境下都实现很好的滤波效果。

激光器发射脉冲同目标发生相互作用，得到回波各个分量的脉宽与发射脉冲相比基本相同，仅有微小展宽，因此激光雷达回波信号是平滑预期的，适用于高斯滤波器。传统高斯滤波需要预先设定好滤波核的窗宽权重和方差，波峰处幅值滤波后偏低，不能跟随波形噪声水平变化微调与修正等缺点，不能适应复杂多变的环境和快速变化的噪声场景。

因此，亟需一种基于高维特征值分析的激光雷达回波盲去噪方法。

发明内容

为解决现有技术存在的缺陷，本发明提供一种基于高维特征值分析的激光雷达回波盲去噪方法。

为了解决上述技术问题，本发明提供了如下的技术方案：

本发明一种基于高维特征值分析的激光雷达回波盲去噪方法，包括以下步骤：

在得到一组回波数据后，将回波数据排列为矩阵，并求该矩阵的协方差矩阵；

计算协方差矩阵的特征值并降序排列，根据在Spiked模型中计算出的阈值边界提取出噪声贡献的特征值数组；

当数据点数量相对样本数量而言很大时，修正高维高估误差，由该特征值数组计算出噪声水平参数，得到与噪声水平相对应的高斯滤波方差；

考虑自适应滤波方差参数、窗宽权重修正函数，得到自适应高斯滤波函数，对输入波形进行滤波处理，输出滤波后的波形。

作为本发明的一种优选技术方案，本发明提供一种基于高维特征值分析的激光雷达回波盲去噪方法，包括以下步骤：

步骤一、将同一场景下前后m组波形数据的n个数据点组成矩阵S_m×n，其中，m≥10，第i行数据点表示为X_i，则S_m×n＝[X₁，X₂，X₃，...，X_m]^T，然后，求矩阵S的n×n阶协方差矩阵∑_S；

步骤二、根据对称性，将协方差矩阵分解为正交矩阵、对角矩阵和转置矩阵，从而求出协方差矩阵的特征值；

U^T∑_SU＝diag(λ₁，...，λ_s，λ_s+1，...，；λ_n)

并将特征值按降序排列，即λ₁≥λ₂≥...≥λ_n；

步骤三、计算常数μ、ξ；

步骤四、通过在Spiked模型(Spiked Population Model)计算出阈值边界T₁；

其中，α₁是给定的可能性水平；根据判定条件：

λ_s+1≤T₁·λ_n；

将整体特征值分为两组，前s个特征值组成数组

剩余特征值组成数组

波形自身幅值的贡献主要体现在数组P₁元素中，波形中噪声的贡献主要体现在数组P₂元素中，通过数组P₂进行噪声水平参数估计；

步骤五、当数据点数量n相对样本数量m存在

的关系时，样本协方差矩阵显示出与基础协方差矩阵有显著偏差，导致对真实噪声水平的高估,修正高维时出现的噪声水平高估情况,修正ξ；

通过Spiked模型计算出阈值边界T₂；

得到真实噪声水平的最大似然估计；

步骤六、更新噪声水平参数

为：

最佳高斯滤波器方差参量大小

同噪声水平参数

和波形最大幅值H有如下关系；

步骤七、考虑根据噪声水平和波形幅值确定的方差参量

得到自适应高斯滤波函数；

通过逐个像素点进行加权平均，最终获得滤波后的波形数据。

本发明的有益效果是：本发明通过高维特征值分析估算噪声水平，进而确定高斯滤波器的最佳滤波参数，动态改变滤波器窗宽权重，实现激光雷达回波动态去噪。高斯滤波是最简单有效的平滑滤波手段之一，适用于消除高斯噪声，广泛用于灰度和信号等噪声消除。

本发明能够根据连续含噪声波形对噪声水平进行估计，并自适应的给出最佳的高斯滤波器方差参量，能够较好地适应应用环境及其噪声的不断改变，实现了激光雷达回波的盲去噪。

附图说明

图1是本发明一种基于高维特征值分析的激光雷达回波盲去噪方法中总体盲去噪方法流程图。

图2是本发明一种基于高维特征值分析的激光雷达回波盲去噪方法中不同信噪比下噪声估计结果。

图3是本发明一种基于高维特征值分析的激光雷达回波盲去噪方法中盲去噪方法与目前主流滤波算法的效果对比图。

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1所示，在本发明的其中一种实施方式中提供一种基于高维特征值分析的激光雷达回波盲去噪方法，包括以下步骤：在得到一组回波数据后，将回波数据排列为矩阵，并求该矩阵的协方差矩阵；计算协方差矩阵的特征值并降序排列，根据在Spiked模型中计算出的阈值边界提取出噪声贡献的特征值数组；当数据点数量相对样本数量而言很大时，修正高维高估误差，由该特征值数组计算出噪声水平参数，得到与噪声水平相对应的高斯滤波方差；考虑自适应滤波方差参数、窗宽权重修正函数，得到自适应高斯滤波函数，对输入波形进行滤波处理，输出滤波后的波形。

其中，具体步骤如下：

初始为波形数据读取，然后进入步骤一，求数据点协方差矩阵；

步骤一、将同一场景下SNR＝30前后20组波形数据的562个数据点组成矩阵S，其中第i行数据点表示为X_i，则S＝[X₁，X₂，X₃，...，X₂₀]^T，然后，求矩阵S的562阶协方差矩阵∑_S；

步骤二、根据对称性，将协方差矩阵分解为正交矩阵、对角矩阵和转置矩阵，从而求出协方差矩阵的特征值；

U^T∑_SU＝diag(λ₁，...，λ_s，λ_s+1，...，λ_n)；

并将特征值按降序排列，即λ₁≥λ₂≥...≥λ_n；

步骤三、计算常数μ、ξ；

步骤四、通过在Spiked模型(Spiked Population Model)计算出阈值边界T₁；

其中，α₁是给定的可能性水平；根据判定条件：

λ_s+1≤T₁·λ_n；

将整体特征值分为两组，前s个特征值组成数组

剩余特征值组成数组

波形自身幅值的贡献主要体现在数组P₁元素中，波形中噪声的贡献主要体现在数组P₂元素中，通过数组P₂进行噪声水平参数估计；

步骤五、当数据点数量n相对样本数量m存在

的关系时，样本协方差矩阵显示出与基础协方差矩阵有显著偏差，导致对真实噪声水平的高估,修正高维时出现的噪声水平高估情况，样本协方差矩阵显示出与基础协方差矩阵有显著偏差，导致对真实噪声水平的高估；修正高维时出现的噪声水平高估情况，修正ξ；

通过Spiked模型计算出阈值边界T₂；

得到真实噪声水平的最大似然估计；

步骤六、更新噪声水平参数

为：

最佳高斯滤波器方差参量大小

同噪声水平参数

和波形最大幅值H有如下关系；

步骤七、考虑根据噪声水平和波形幅值确定的方差参量

得到自适应高斯滤波函数；

通过逐个像素点进行加权平均，最终获得滤波后的波形数据。

如图2所示，其为本发明一种基于高维特征值分析的激光雷达回波盲去噪方法中不同信噪比下噪声估计结果。实验表明，随着输入波形信噪比的提高，波形中噪声分量逐渐减小，随机噪声扰动对噪声估计算法的影响更加严重。尤其当信噪比大于30时，噪声达到极低水平，微小噪声难以准确估计，此时噪声估计算法的误差随信噪比增加呈现出增大趋势，说明算法对低信噪比波形数据有较强的适应性。

如图3所示，其为本发明一种基于高维特征值分析的激光雷达回波盲去噪方法中盲去噪方法与目前主流滤波算法的效果对比图。其中传统高斯算法由于采用固定滤波窗宽，不能根据噪声变化自适应改变，滤波结果波形的幅值偏低；小波滤波在噪声水平较高时会将部分噪声误认为是信号分量并加以保留，出现滤波结果不平滑的情况；引导滤波加入了幅值权重，适用于保留突变的波形边缘，同时无法动态改变窗宽，在无突变的激光雷达回波波形结果中幅值偏低；自适应高斯滤波由噪声估计算法得到最佳高斯滤波器方差参量，从而随应用场景噪声大小动态调整滤波器窗宽，能够在平滑波形的基础上尽可能的去除噪声干扰。

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 (3)

1.一种基于高维特征值分析的激光雷达回波盲去噪方法，其特征在于，包括以下步骤：

在得到一组回波数据后，将回波数据排列为矩阵，并求该矩阵的协方差矩阵；

计算协方差矩阵的特征值并降序排列，根据在Spiked模型中计算出的阈值边界提取出噪声贡献的特征值数组；

当数据点数量相对样本数量而言很大时，修正高维高估误差，由该特征值数组计算出噪声水平参数，得到与噪声水平相对应的高斯滤波方差；

考虑自适应滤波方差参数、窗宽权重修正函数，得到自适应高斯滤波函数，对输入波形进行滤波处理，输出滤波后的波形。

2.根据权利要求1所述的基于高维特征值分析的激光雷达回波盲去噪方法，其特征在于，包括以下步骤：

步骤一、将同一场景下前后m组波形数据的n个数据点组成矩阵S_m×n，其中，m≥10，第i行数据点表示为X_i，则S_m×n＝[X₁，X₂，X₃，...，X_m]^T，然后，求矩阵S的n×n阶协方差矩阵∑_S；

步骤二、根据对称性，将协方差矩阵分解为正交矩阵、对角矩阵和转置矩阵，从而求出协方差矩阵的特征值；

U^T∑_SU＝diag(λ₁，...，λ_s，λ_s+1，...，λ_n)；

并将特征值按降序排列，即λ₁≥λ₂≥...≥λ_n；

步骤三、计算常数μ、ξ；

步骤四、通过在Spiked模型计算出阈值边界T₁；

其中，α₁是给定的可能性水平；根据判定条件：

λ_s+1≤T₁·λ_n；

将整体特征值分为两组，前s个特征值组成数组

剩余特征值组成数组

波形自身幅值的贡献主要体现在数组P₁元素中，波形中噪声的贡献主要体现在数组P₂元素中，通过数组P₂进行噪声水平参数估计；

步骤五、修正高维时出现的噪声水平高估情况，修正ξ；

通过Spiked模型计算出阈值边界T₂；

得到真实噪声水平的最大似然估计；

步骤六、更新噪声水平参数

为：

最佳高斯滤波器方差参量大小

同噪声水平参数

和波形最大幅值H有如下关系；

步骤七、考虑根据噪声水平和波形幅值确定的方差参量

得到自适应高斯滤波函数；

通过逐个像素点进行加权平均，最终获得滤波后的波形数据。

3.根据权利要求1所述的基于高维特征值分析的激光雷达回波盲去噪方法，其特征在于，步骤五中当数据点数量n相对样本数量m存在

的关系时，样本协方差矩阵显示出与基础协方差矩阵有显著偏差，导致对真实噪声水平的高估，修正高维时出现的噪声水平高估情况。

Images