基于小波变换的高光谱激光雷达回波微弱信号处理技术

针对高光谱激光雷达回波信号能量弱导致的波形信息常常淹没在噪声中而难以提取的问题,基于高光谱激光雷达原理验证样机系统采集到的高光谱激光雷达回波信号数据,通过分析小波变换参数选取对信号处理的影响,寻找到一种基于小波变换的高光谱激光雷达回波微弱信号的处理方法,即在sym6小波3层分解下,运用软阈值函数和启发式阈值处理可有效处理高光谱激光雷达回波微弱信号,运用该方法在仅有少量回波样本信号数量情况下,达到高斯拟合在数倍回波样本信号数量情况下的处理效果,降低了提取出波形信息所需要的高光谱激光雷达回波信号探测时间。     

复杂场景下单光子激光雷达深度估计方法

单光子激光雷达广泛应用于三维场景的深度和强度信息获取。在复杂场景中存在多个具有不同深度不同反射率的目标，在少返回光子和高背景噪声的情况下，传统方法对这些目标无法做出针对性处理。因此，提出一种复杂场景下单光子激光雷达深度估计方法。该方法充分利用回波信号的时域相关性，对激光雷达三维点云数据进行时域上的全局多深度开窗，并利用空间相关性进行空像素的加权填补。在优化框架下，基于预处理后的激光雷达三维点云数据建立泊松分布模型。最终采用交替方向乘子法求解成本函数的最小值，以得到准确的深度估计。实验结果表明，相较于常规方法，在远距离复杂场景下，所提方法估计深度图像的重建信噪比提高了至少15%，有效改善了深度图像的质量，提升了对低光子水平的鲁棒性。     

基于深度学习算法的三维激光雷达主动成像目标检测

为了提升目标检测效果，设计基于深度学习算法的三维激光雷达主动成像目标检测方法。利用深度学习算法的生成对抗网络，剔除三维激光雷达主动成像过程中的杂波干扰，得到无杂波干扰的目标三维图像；设计生成模型与对抗模型的损失函数，利用端到端深度神经网络的点云编码层，在无杂波干扰的目标三维图像内，提取目标三维图像特征，并输入目标检测层内；通过目标检测层输出目标检测候选框，利用非极大值结合混合置信度，确定最终目标检测框，完成三维激光雷达主动成像目标检测。实验结果表明：该方法可有效剔除杂波干扰，得到无杂波干扰的目标三维图像；该方法可有效完成三维激光雷达主动成像目标检测，且在不同目标运动模糊长度像素时，该方法目标检测的交并比均高于阈值，说明该方法的目标检测精度较高。     

基于高光谱激光雷达信号强度免校准的煤岩分类

安全性对于深井开采至关重要。基于激光雷达的扫描探测技术可以有效监测巷道和深部煤矿现场的围岩安全状况。新兴的高光谱激光雷达不仅可以提供空间几何信息还可以提供丰富的光谱数据，在深井煤矿安全检测和精细结构分析方面具有良好的应用前景，而精确的煤岩分类是监测分析的基础。在实际应用中，雷达强度信号易受仪器属性和环境因素的影响，需校准才能使用。由于深井煤矿粉尘污染严重，常规校准方法难以达到理想效果。针对这个问题，提出一种信号强度免校准的方法，从激光雷达回波信号中提取新特征实现煤岩精确分类。首先，使用高光谱激光雷达获得煤/岩石样本的回波强度信息，并计算出波形熵（WE）和联合偏斜度-峰度系数（JSKF）作为新分类特征参数。其次，采用随机森林(RF)与支持向量机(SVM)分类器实现煤/岩石分类。最后，笔者进行了光谱分段测试，对特征分类性能进行优化。结果表明，所提的免校准方法，提高高光谱激光雷达直接应用能力的同时能够保持良好的分类性能。     

高光谱遥感图像分类算法的研究

现如今高光谱图像分类广泛应用于遥感图像的分析。高光谱图像像素级分类是利用高光谱图像的主要特点——丰富的光谱信息,对地面物体进行逐像素的高精度类别划分。通过对高光谱遥感图像独特的高光谱信息分析,从算法研究方面,对目前高光谱图像的像素级分类的研究进展和对今后的研究方主要从辅助方法、机器学习方法、深度学习方法三个方面总结高光谱图像分类领域的研究现状。未来高光谱分类算法的发展方向将更好的结合高光谱图像的特性,形成完整的深度学习系统。     

基于大数据驱动的高光谱信号异常检测研究

研究基于大数据驱动的高光谱信号异常检测方法，提高异常检测准确度。采用K-means算法聚类处理高光谱信号，引入聚类有效性指标优化处理，利用基于哈尔小波的离散小波变换多分辨率模型分解高光谱信号，通过低频信号获取高光谱信号光谱波形特征，通过局部过零点确定吸收峰，完成光谱特征的提取，将各光谱特征输入到卷积神经网络，实现高光谱信号的异常检测。实验结果表明：该方法可分解高光谱信号，当分解层数为3时，光谱特征提取效果最佳，高光谱信号异常检测准确度为90%左右，检测时间为0.2 s,可准确检测异常高光谱信号。     

小波变换与匹配滤波耦合的激光雷达弱信号处理

远距离激光雷达回波信号弱,干扰强,处理比较困难。距离越远,得到的有用信号就越弱。为了提高激光雷达检测距离,对弱信号进行数字信号处理就显得很重要。采用一般方法常将干扰信号判断成有用信号,从而影响了激光雷达的工作能力。夺文采用小波变换和匹配滤波耦合的方法对激光雷达弱信号进行处理,既能从强噪声中提取有用信号,又能有效的去掉强干扰信号。采用一台TEA—CO2激光器进行实验,当采样速率达到200MHz时,对于信噪比大于1．2的含噪信号能有效地去掉噪声和强干扰信号,在保持原信号特征的情况下,准确地提取出有效的弱信号。这就有效地提高了激光雷达的工作能力。     

分数阶傅里叶变换在雷达多目标检测和参数估计中的应用

介绍了分数阶傅里叶变换的基本原理和基本性质。结合时域和频域上扫频滤波器的原理推导出了分数域上的扫频滤波器的实现形式。利用分数阶傅里叶变换对线性调频信号有很好的聚焦性的性质,提出了基于分数阶傅里叶变换的雷达多目标检测和参数估计算法。解决了在强度相差较大的强分量信号中检测和估计弱分量LFM信号参数的问题。仿真结果表明了该算法的有效性。     

基于分数阶Fourier变换的多分量LFM信号检测

分数阶Fourier变换作为最新提出的一种分析工具,其变换域同时具有信号的时域信息和频域信息,其实质是Fourier变换的一种广义形式,较适合处理非平稳信号。文中提出一种基于分数阶Fourier变换的多分量LFM信号参数估计与分离方法。通过在分数阶Fourier域搜索峰值点来对多分量LFM信号进行检测和参数估计,同时结合逐次消去思想来分离多个未知参数的LFM信号,抑制了强信号分量对弱信号分量的遮蔽干扰。     

分数阶Fourier域强弱LFM信号检测与参数估计

分数阶Fourier变换（FRFT）由于其特有的性质,非常适合处理线性调频（LFM）信号,尤其是,作为一种线性变换,可以克服多分量LFM信号之间的交叉项干扰。但是采用逐次消去法检测多分量LFM信号时,每检测一个LFM信号,都要对信号分别求旋转角 的FRFT,再进行二维搜索,计算量较大。为了提高FRFT对多分量LFM信号的检测效率,本文给出一种在分数阶Fourier域检测强、弱LFM信号的新方法。首先,分析了逐次消去法和聚类分析法检测多分量LFM信号的原理,以及它们的优缺点。提出一种聚类分析和逐次消去相结合的信号检测方法,利用平面截取信号在平面(u,α)上的尖峰,并引入基于广度优先搜索邻居（BFSN）的聚类算法,对截取的信号尖峰进行聚类分析,获得每个LFM信号对应的信号尖峰,实现多个较强信号的检测与参数估计,再利用逐次消去法实现弱信号的检测。该方法可以同时检测多个能量相近的LFM信号,提高了检测效率,以及次强信号的参数估计精度,并有效地抑制了强信号对弱信号的遮蔽影响。通过对信号进行平面切割处理,减少了BFSN聚类算法中输入集样本数量,大大降低了算法的计算量。最后,仿真验证了该方法的有效性。      

基于分数阶域的多分量线性调频信号能量聚集性检测

线性调频信号(LFM)在雷达信号中已得到广泛使用。本文利用LFM信号在时频平面上某一角度的能量聚集特征和分数阶Fourier变换的性质,提出了基于分数阶域的能量聚集性检测算法,并定性地分析其检测性能以及提高FRFT的分辨率方法。     

基于空谱联合的高光谱图像分类方法现状与展望

高光谱成像技术在近十几年里实现了飞跃式的发展。高光谱图像分类的应用受到广泛关注，其分类精度的提升是当前研究的重点。高光谱图像分类是利用不同地物的诊断性吸收特征区分地物类别。传统的高光谱图像分类仅利用图像的光谱特征，分类效果不明显。近些年的研究表明，同时分析地物光谱特征和空间分布能有效提升分类精度。首先总结了众多空谱联合分类方法，依据空谱信息融合阶段的不同，将空谱联合分类分为预处理的分类、综合处理的分类和后处理的分类，简要介绍了深度学习在空谱联合分类中的实现方法，最后对空谱联合分类的研究前景进行了展望。     

高动态弱信号环境下基于INS的GNSS捕获方法分析

为保证 GNSS 在挑战环境下的捕获性能，分析了高动态弱信号捕获存在的问题，提出了一种新的 INS 辅助并行码相位捕获方法，在频域利用 INS 辅助信息卫星星历/历书数据估计多普勒，缩小频率搜索范围，在码域利用码相位估计及并行码相位搜索的方法，减少码相位搜索时间，最后结合差分相干累积提高捕获灵敏度，实现高动态弱信号的快速捕获。仿真结果表明， 该算法能显著提升高动态、弱信号环境下 GNSS 接收机的捕获性能。     

基于深度学习网络的三维激光雷达弱小目标分割研究

为了提升三维激光雷达弱小目标分割的抗干扰性与实时性，有效提取三维激光雷达图像有用信息，设计了基于深度学习网络的三维激光雷达弱小目标分割方法。采集目标三维激光雷达图像，应用小波方法去除三维激光雷达图像噪声；从去噪后的图像中提取三维激光雷达图像多尺度特征，并将特征输入到深度学习网络中训练，建立三维激光雷达弱小目标分割模型，实现弱小目标分割。测试结果表明：该方法能够高精度分割三维激光雷达目标，且分割速度较快，具有较高的实际应用价值。     

基于深度学习的通用目标检测研究综述

目标检测是计算机视觉领域中最基础且最重要的任务之一,是行为识别与人机交互等高层视觉任务的基础.随着深度学习技术的发展,目标检测模型的准确率和效率得到了大幅提升.与传统的目标检测算法相比,深度学习利用强大的分层特征提取和学习能力使得目标检测算法性能取得了突破性进展.与此同时,大规模数据集的出现及显卡计算能力的极大提高也促成了这一领域的蓬勃发展.本文对基于深度学习的目标检测现有研究成果进行了详细综述.首先回顾传统目标检测算法及其存在的问题,其次总结深度学习下区域提案和单阶段基准检测模型.之后从特征图、上下文模型、边框优化、区域提案、类别不平衡处理、训练策略、弱监督学习和无监督学习这八个角度分类总结当前主流的目标检测模型,最后对目标检测算法中待解决的问题和未来研究方向做出展望.     

激光偏振技术压缩激光雷达信号动态范围

为了解决激光雷达信号的大动态范围引起远距离弱信号的失真问题,采用通过压缩信号的动态范围的方法,设计了一个利用电压调制系统透过率进而压缩激光雷达信号动态范围的方案。计算表明,系统最小透过率为4.05×10-5,可以压缩信号的动态范围达到4个数量级。利用激光雷达后向散射信号的两个方向偏振光,避免了时控光衰减器只透过一个方向偏振光的弊端。研究结果为压缩激光雷达信号动态范围提供了有价值的新方法。     

激光偏振技术压缩激光雷达信号动态范围

为了解决激光雷达信号的大动态范围引起远距离弱信号的失真问题,采用通过压缩信号的动态范围的方法,设计了一个利用电压调制系统透过率进而压缩激光雷达信号动态范围的方案.计算表明,系统最小透过率为4.05×10-5,可以压缩信号的动态范围达到4个数量级.利用激光雷达后向散射信号的两个方向偏振光,避免了时控光衰减器只透过一个方向偏振光的弊端.研究结果为压缩激光雷达信号动态范围提供了有价值的新方法.     

基于积分二次相位函数和分数阶Fourier变换的多分量LFM信号参数估计

针对高斯白噪声中多分量线性调频信号参数估计问题,提出了一种基于积分二次相位函数（IQPF）和分数阶Fourier变换的新方法。分析了IQPF估计线性调频信号调频率的原理,指出IQPF有压制弱信号的缺点。为解决强度相差较大的多分量线性调频信号中弱分量信号的参数估计问题,提出利用分数阶Fourier变换域的信号分离技术,逐次估计强信号分量的参数并将其消去,来提高多分量信号参数估计的可靠性。最后通过计算机仿真,验证了该方法的有效性。这种方法与Radon-Winger变换法、Radon-Ambiguity变换法和单纯的分数阶Fourier变换法相比,极大的简化了计算。因此,该方法非常适合于多分量LFM信号的快速参数估计。      

激光雷达的双门限检测技术研究

文章提出了一种既适用于微弱目标检测,又能快速检测出强目标的双门限检测方法。 该方法对于强信号捕获时间较短,提高了激光雷达快速捕获目标的能力;对于弱目标,通过大量的相关处理,可实时地检测到,提高了激光雷达对微弱目标的检测能力。外场实验结果表明:该方法可有效地提高激光雷达的测距能力,迎头截获距离可提高约2～3倍。     

基于分数阶傅里叶变换的Chirp浅剖精细探测方法

实现弱回波信号检测和高信噪比(SNR)浅剖图像获取是浅剖精细探测的首要任务。该文在分析分数阶傅里叶变换(FrFT)解卷积原理,推导时间量纲化变换公式的基础上,提出一种基于FrFT的浅剖精细探测新方法。该方法通过FrFT解卷积实现分数阶傅里叶域(u域)沉积层冲激响应求解,采用u域加窗滤波技术对带内噪声进行有效抑制,经时间量纲化变换实现高信噪比u域沉积层冲激响应包络信号至时域浅剖包迹的直接变换,得到高质量的浅剖图像。仿真实验和实测数据处理验证了算法的精细探测能力,算法性能优于脉冲压缩和自回归(AR)预测滤波方法。