[发明专利]一种激光雷达数据的消抖与雨雾处理方法

权利要求书

1.一种激光雷达数据的消抖与雨雾处理方法，其特征在于，包括以下步骤：

1)输入激光雷达的点云图像数据；

2)对所述点云图像数据进行矫正处理；

3)对所述点云图像数据进行预处理，得到点云数据集；

4)将所述点云数据集输入至深度学习卷积神经网络进行模型训练；

5)优化损失函数；

6)验证目标识别的准确率M是否＞95％，若是，则雨雾处理结束，若否，则返回步骤5)，直至准确率M＞95％。

2.如权利要求1所述的激光雷达数据的消抖与雨雾处理方法，其特征在于：所述点云图像数据包括所述激光雷达获得的三维点云的雨图和雾图。

3.如权利要求1所述的激光雷达数据的消抖与雨雾处理方法，其特征在于：所述步骤3)中，所述预处理包括点云图像的去燥、点云图像的简化、点云图像的配准和点云图像的补洞。

4.如权利要求2所述的激光雷达数据的消抖与雨雾处理方法，其特征在于：所述步骤4)中，所述点云数据集分为训练集和测试集；

所述训练集输入至所述深度学习卷积神经网络进行模型训练，用以调节所述深度学习卷积神经网络中模型训练的参数；

所述测试集用以观察所述深度学习卷积神经网络中模型训练，根据在所述雨图和所述雾图上目标物识别的正确率，判断是否需调节所述深度学习卷积神经网络中模型训练的参数和初始化值。

5.如权利要求4所述的激光雷达数据的消抖与雨雾处理方法，其特征在于：所述步骤4)中，所述深度学习卷积神经网络中模型训练包括前向学习阶段和反向传播阶段。

6.如权利要求5所述的激光雷达数据的消抖与雨雾处理方法，其特征在于：所述前向学习阶段为输入的数据通过每层从前向后传递，即所述点云数据集输入至所述深度学习卷积神经网络中，在所述深度学习卷积神经网络中上一层的输出值是当前层的输入值，经过每一层的处理传输到下一层，最终得到输出的结果，当前层的输入值x^l-1与上一层的输出值x^l之间关系如下式所示：

x^l＝f(w^lx^l-1+b^l)

式中，l为层数，w为权值，b代表一个偏置，f为激活函数。

7.如权利要求6所述的激光雷达数据的消抖与雨雾处理方法，其特征在于：所述反向传播阶段为在每次所述前向学习阶段完成后，利用一个误差函数来计算期望值和实际值之间的误差，然后所述深度学习卷积神经网络将该误差逐层传递给上一层，上一层中的神经单元根据该误差来对自己的权值进行更新。

8.如权利要求7所述的激光雷达数据的消抖与雨雾处理方法，其特征在于：所述反向传播阶段包括如下两个步骤：

1)求出所述深度学习卷积神经网络经过所述前向学习阶段得到输出值和目标值之间的差，并利用误差函数求出损失值；

2)使用梯度下降算法来对所述深度学习卷积神经网络进行反向传播，更新所述深度学习卷积神经网络中神经元参数的权值。

9.如权利要求5-8任一项所述的激光雷达数据的消抖与雨雾处理方法，其特征在于：所述步骤4)中，经过所述深度学习卷积神经网络中模型训练的前向学习阶段和反向传播阶段，计算出模型训练的损失值，对于一个数据集D，损失函数如下式所示：

式中，X(l)为第l层卷积，f为激活函数，r(w)为则化项。

10.如权利要求9所述的激光雷达数据的消抖与雨雾处理方法，其特征在于：所述步骤5)中，所述优化损失函数为调整所述深度学习卷积神经网络中模型训练的参数，直至所述损失函数的值为相对最小值或者达到预设阀值为止。