固态激光雷达直方图的优化方法及系统

本发明涉及计算机视觉，尤其涉及一种固态激光雷达直方图的优化方法及系统。

背景技术：

1、随着自动驾驶技术的快速发展，固态激光雷达(lidar)作为其核心感知组件之一，凭借无机械移动部件、响应速度快、体积小和成本低等优点，越来越多地被应用于商用汽车和高级驾驶辅助系统(adas)中。固态激光雷达通过发射激光脉冲并接收反射回来的光脉冲来检测和测量周围环境中对象的距离和形状，生成的直方图数据对于随后的物体检测、分类和追踪至关重要。

2、直方图数据优化与峰值提取是固态激光雷达数据处理的关键技术，直接关系到雷达的测量精度和可靠性。直方图数据中的峰值反映了接收到反射信号的强度，峰值的位置通常代表物体的实际距离。因此，精确的峰值提取不仅能够提高测距的准确性，也有助于改善后续的物体识别和定位过程。

3、然而固态激光雷达直方图数据面临着多种挑战，首先是噪声和多路径效应的干扰。在复杂的交通环境中，由于反射、折射和散射等多路径效应，激光雷达接收的信号可能会产生多个峰值，导致真实反射信号的识别变得困难。此外，环境噪声和设备自身的电子噪声也会影响信号的质量，使得峰值提取过程中容易出错，从而影响整个系统的性能。

4、如今，针对直方图数据的降噪方法主要采用数字滤波技术和波形分析技术。这些方法通过平滑处理数据来减少随机噪声，但往往会模糊数据中的尖锐特征，如边缘和角点，从而影响峰值的准确检测。同时，其对参数选择也较为敏感，不易于实现实时处理。而在峰值提取方法上主要采用传统的阈值搜索技术和基于统计的方法。这两种方法在处理多峰值或是峰值间距较近且噪声较大的环境下的效率和准确性不高。

技术实现思路

1、本发明提供固态激光雷达直方图的优化方法及系统，解决的技术问题在于：如何有效降低固态激光雷达直方图数据中的噪声干扰，优化直方图数据特征提高固态激光雷达成像质量和定位精度。

2、为解决以上技术问题，本发明提供固态激光雷达直方图的数据降噪与特征增强方法，包括步骤：

3、s1、测量固态激光雷达的噪声数据并基于所述噪声数据建立噪声估计概率模型；

4、s2、使用所述噪声估计概率模型逐像素点对所述固态激光雷达的各帧原始直方图进行初步降噪得到多帧初步降噪后二维直方图；

5、s3、将多帧所述初步降噪后二维直方图映射到三维空间，得到多帧初步降噪后三维直方图；

6、s4、对多帧所述初步降噪后三维直方图进行跨帧特征聚合和降噪优化，得到多帧二次降噪与特征增强三维直方图；

7、针对每一帧的初步降噪后三维直方图，所述s4具体包括步骤：

8、s41、提取以一帧的初步降噪后三维直方图为中心、2m+1帧长度的初步降噪后三维直方图序列的2m+1层初始特征，m为不小于1的自然数；

9、s42、对除该帧的初步降噪后三维直方图所对应初始特征之外的其他2m层初始特征进行时空特征增强，得到2m层时空增强特征；

10、s43、将2m层时空增强特征分别与该帧的初步降噪后三维直方图的初始特征进行聚合，得到对应的2m层聚合特征；

11、s44、将所述2m层聚合特征与该帧的初步降噪后三维直方图的初始特征进行结合，得到该帧的二次降噪与特征增强三维直方图。

12、进一步地，所述步骤s41具体包括步骤：

13、s411、获取当前帧及当前帧的前m帧和后m帧的初步降噪后三维直方图，构成当前帧的初步降噪后三维直方图序列；

14、s412、将当前帧的初步降噪后三维直方图序列的第一帧初步降噪后三维直方图和初始隐藏状态输入第一残差密集通道注意力模块进行特征提取和隐藏状态生成，得到对应的第一层隐藏状态和第一层初始特征；

15、s413、将初步降噪后三维直方图序列的第二帧初步降噪后三维直方图和第一层隐藏状态输入第二残差密集通道注意力模块通过进行特征提取和隐藏状态生成，得到对应的第二层初始特征和第二层隐藏状态；以此循环，直至将初步降噪后三维直方图序列的第2m+1帧初步降噪后三维直方图和第2m层隐藏状态输入第2m+1残差密集通道注意力模块进行特征提取，得到对应的第2m+1层初始特征。

16、进一步地，所述第一残差密集通道注意力模块至所述第2m残差密集通道注意力模块均采用残差密集通道注意力模块的结构；

17、所述残差密集通道注意力模块执行的操作为：

18、先对输入的初步降噪后三维直方图进行下采样操作，然后将下采样的结果与输入的隐藏状态进行通道连接，再将通道连接的结果进行n≥2次的残差密集操作和通道注意力操作得到n个中间特征，再将n个中间特征进行通道连接后进行1×1卷积得到该初步降噪后三维直方图的初始特征，再将所述初始特征通过隐藏状态生成函数获取对应的隐藏状态；

19、所述第2m残差密集通道注意力模块采用的结构相比所述残差密集通道注意力模块，缺少所述隐藏状态生成函数。

20、进一步地，每一次的残差密集操作和通道注意力操作包括执行一次残差密集操作后执行一次通道注意力操作；

21、所述残差密集操作为：

22、对第一输入执行3×3卷积和relu函数激活得到第一输出；

23、对第一输入和第一输出作为第二输入执行3×3卷积和relu函数激活得到第二输出；

24、对第二输出与第一输入、第二输入作为第三输入执行3×3卷积和relu函数激活得到第三输出；

25、对第三输出与第一输入、第二输入、第三输入进行1×1卷积后与第一输入进行元素相加，得到残差密集输出；

26、所述通道注意力操作为：

27、对所述残差密集输出进行全局平均化池化、全连接层、relu函数激活、全连接层、sigmoid函数激活后与所述残差密集输出进行元素相乘，得到通道注意力输出；

28、所述隐藏状态生成函数顺序执行一次3×3卷积、残差密集操作和一次3×3卷积。

29、进一步地，在所述步骤s42中，针对2m层初始特征中的每一层初始特征进行时空特征增强具体包括：对输入的初始特征进行时空上下文增强，得到时空上下文增强特征；对时空上下文增强特征进行时空特征提取，得到该初始特征对应的时空增强特征；

30、进行时空上下文增强具体为：

31、对输入的初始特征进行3×3卷积后偏移θ，将偏移后的特征与初始特征进行可变形卷积后进行3×3卷积，得到时空上下文增强特征；

32、进行时空特征提取具体为：

33、对输入的时空上下文增强特征进行7×7卷积和sigmoid函数激活后与所述时空上下文增强特征进行元素相乘，得到时空增强特征。

34、进一步地，在所述步骤s43中，将2m层时空增强特征中的任一层时空增强特征与该帧的初步降噪后三维直方图的初始特征进行聚合，具体为：

35、将该层时空增强特征与其初始特征进行特征连接，得到连接特征；

36、将所述连接特征进行全局平均池化融合，得到融合特征；对所述连接特征进行通道注意力提取，得到注意力特征；

37、将所述融合特征和所述注意力特征进行逐元素相乘，得到该层初始特征所对应的聚合特征；

38、全局平均池化融合具体为：对连接特征进行全局平均化池化、全连接层、relu函数激活、全连接层、sigmoid函数激活得到第一中间特征，对连接特征进行1×1卷积、1×1卷积后得到第二中间特征，将所述第一中间特征与所述第二中间特征进行元素相乘后再进行1×1卷积得到融合特征。

39、进一步地，所述步骤s44具体为：对所述2m层聚合特征与该帧的初步降噪后三维直方图的初始特征进行特征连接后再进行1×1卷积，得到该帧的二次降噪与特征增强三维直方图。

40、进一步地，所述步骤s1具体包括步骤：

41、s11、测量暗计数率噪声记作dcr噪声总数nn(dcr)，根据时间仓数量ntb计算每个时间仓内暗计数率噪声的平均值

42、s12、测量背景光噪声记作背景光噪声总数nn(bg)，根据时间仓数量ntb计算每个时间仓内背景光噪声的平均值

43、s13、计算nn(dcr)和nn(bg)之和记作噪声诱导事件总数nn，计算μn(dcr)和μn(bg)之和记作每个时间仓的平均噪声μn；

44、s14、测量固态激光雷达全宽半最大值fwhm，通过fwhm计算噪声事件的正态分布标准差

45、s15、计算固态激光雷达各像素点(x,y)光子诱导事件数量记作事件总数ntot(,x,y)，通过事件总数ntot(,x,y)和噪声诱导事件总数nn计算各像素点光子诱导事件的总数nph,(x,y)＝ntot(,x,y)-nn；并根据时间仓数量ntb计算每个时间仓内平均光子事件数

46、s16、对噪声输出的实际分布建立噪声估计概率模型pi,(x,y)：

47、

48、其中，pi,(x,y)表示在时间仓i中发生任何事件的概率，i＝1,2,…,ntb，k为调节因子；在计算pi,x,y时应遵循：

49、

50、进一步地，在所述步骤s2中，利用蒙特卡洛方法和步骤s16中得到的噪声估计概率模型对所述固态激光雷达的各帧原始直方图进行初步降噪得到多帧初步降噪后二维直方图；

51、所述步骤s3具体为：

52、固态激光雷达信号接收端有x×y个像素点的spad阵列，每个像素点对应的二维直方图数据有z个时间仓，每个时间仓的长度为tb；创建一个维度为x、y、z的三维数组h′(x,y,z)，将原始直方图h′的x×y个像素点图映射到三维数组h′(x,y,z)中，其中第一维x和第二维y表示像素点的坐标，第三维z表示每个像素点直方图数据对应时间仓所接收到的光子数量。

53、本发明还提供固态激光雷达直方图的降噪系统，其关键在于：该降噪系统包括特征提取模块、时空特征增强模块、特征聚合模块和序列帧重构模块，所述特征提取模块、所述时空特征增强模块、所述特征聚合模块和所述序列帧重构模块分别用于执行上述方法中所述的步骤s1、s2、s3和s4。

54、本发明提供的固态激光雷达直方图的优化方法及系统，首先针对固态激光雷达遭受到的不同类型噪声进行噪声估计概率模型建立，对固态激光雷达收集到的每个像素点的二维直方图数据进行初步降噪处理，以抑制背景噪声和硬件偶发噪声的影响。随后，将处理后的二维直方图数据映射为三维直方图，利用一种跨帧特征聚合循环神经网络对映射后的三维直方图进行特征增强和二次降噪优化，进一步提高数据的信噪比，增强了固态激光雷达对细微结构的捕捉能力，显著提升了测距和成像的准确性和效率。与现有技术相比，本发明能够有效降低噪声干扰，提高成像质量和定位精度，具有较强的实用性和广泛的应用前景。

技术特征：

1.固态激光雷达直方图的数据降噪与特征增强方法，其特征在于，包括步骤：

2.根据权利要求1所述的固态激光雷达直方图的数据降噪与特征增强方法，其特征在于，所述步骤s41具体包括步骤：

3.根据权利要求2所述的固态激光雷达直方图的数据降噪与特征增强方法，其特征在于，所述第一残差密集通道注意力模块至所述第2m残差密集通道注意力模块均采用残差密集通道注意力模块的结构；

4.根据权利要求2所述的固态激光雷达直方图的数据降噪与特征增强方法，其特征在于：每一次的残差密集操作和通道注意力操作包括执行一次残差密集操作后执行一次通道注意力操作；

5.根据权利要求1所述的固态激光雷达直方图的数据降噪与特征增强方法，其特征在于，在所述步骤s42中，针对2m层初始特征中的每一层初始特征进行时空特征增强具体包括：对输入的初始特征进行时空上下文增强，得到时空上下文增强特征；对时空上下文增强特征进行时空特征提取，得到该初始特征对应的时空增强特征；

6.根据权利要求1所述的固态激光雷达直方图的数据降噪与特征增强方法，其特征在于，在所述步骤s43中，将2m层时空增强特征中的任一层时空增强特征与该帧的初步降噪后三维直方图的初始特征进行聚合，具体为：

7.根据权利要求6所述的固态激光雷达直方图的数据降噪与特征增强方法，其特征在于，所述步骤s44具体为：对所述2m层聚合特征与该帧的初步降噪后三维直方图的初始特征进行特征连接后再进行1×1卷积，得到该帧的二次降噪与特征增强三维直方图。

8.根据权利要求1所述的固态激光雷达直方图的数据降噪与特征增强方法，其特征在于，所述步骤s1具体包括步骤：

9.根据权利要求8所述的固态激光雷达直方图的数据降噪与特征增强方法，其特征在于：

10.固态激光雷达直方图的降噪系统，其特征在于：该降噪系统包括特征提取模块、时空特征增强模块、特征聚合模块和序列帧重构模块，所述特征提取模块、所述时空特征增强模块、所述特征聚合模块和所述序列帧重构模块分别用于执行权利要求1～9任一项所述的步骤s1、s2、s3和s4。

技术总结
本发明涉及计算机视觉技术领域，具体公开了固态激光雷达直方图的优化方法及系统，首先针对固态激光雷达遭受到的不同类型噪声进行噪声估计概率模型建立，对固态激光雷达收集到的每个像素点的二维直方图数据进行初步降噪处理，以抑制背景噪声和硬件偶发噪声的影响。随后，将处理后的二维直方图数据映射为三维直方图，利用一种跨帧特征聚合循环神经网络对映射后的三维直方图进行特征增强和二次降噪优化，进一步提高数据的信噪比，增强了固态激光雷达对细微结构的捕捉能力，显著提升了测距和成像的准确性和效率。与现有技术相比，本发明能够有效降低噪声干扰，提高成像质量和定位精度，具有较强的实用性和广泛的应用前景。

技术研发人员：利节,张瀚文,蔡枫林,马可,汪楠,张倩
受保护的技术使用者：重庆科技大学
技术研发日：
技术公布日：2024/9/23