[发明专利]一种基于深度学习的激光测距方法

说明书

本发明公开了一种基于深度学习的激光测距方法，所述FPGA中预存储有预先训练的一维卷积神经网络模型及其卷积核参数、全连接参数和偏置值，以及一维卷积神经网络模型输出的波形类别与激光回波时刻数据之间的映射关系；所述卷积核参数、全连接参数和偏置值以有符号定点小数的形式存储于FPGA中；获取用于测距的激光回波波形数据；将所述激光回波波形数据，作为所述一维卷积神经网络模型的输入量，得到经一维卷积神经网络模型计算输出的波形类别数据，确定所述波形类别数据对应的回波时刻；根据所述回波时刻计算待测目标距离。本发明提出的办法可以在有限资源下完成测距神经网络的FPGA硬件实现，并且得到的距离精度较高。

技术领域

本发明涉及一种基于深度学习的激光测距方法，属于FPGA激光测距技术领域。

背景技术

传统激光测距系统中，回波时刻提取主要以峰值检测、恒定比值检测和阈值检测等模拟电路为主，无法解决回波波形畸变和不同物体表面回波特性不同而产生的距离误差问题。若是将深度学习引入激光测距，将回波时刻提取转化为回波波形的分类问题，利用计算机自动学习相同距离下的不同回波特征，有利于提高不同场景下激光测距通用性。

FPGA英文全称为Field Programmable Gate Array，FPGA芯片是在ASIC的基础上发展起来的，作为专用集成电路(ASIC)领域中一种半定制电路芯片，不仅改善了专用集成电路不够灵活的问题，还解决了其逻辑单元相对较少的问题。FPGA硬件平台以其低功耗、低成本、高效率、并行化和可反复擦写等特点，成为了卷积神经网络硬件实现的设计方向。

发明内容

本发明所要解决的技术问题是克服现有技术的缺陷，提供一种基于深度学习的激光测距方法。

为达到上述目的，本发明提供一种基于深度学习的激光测距方法，执行主体为FPGA，所述FPGA中预存储有预先训练的一维卷积神经网络模型及其卷积核参数、全连接参数和偏置值，以及一维卷积神经网络模型输出的波形类别与激光回波时刻数据之间的映射关系；所述卷积核参数、全连接参数和偏置值以有符号定点小数的形式存储于FPGA中；

方法包括：

获取用于测距的激光回波波形数据；

将所述激光回波波形数据，作为所述一维卷积神经网络模型的输入量，得到经一维卷积神经网络模型计算输出的波形类别数据；

根据所述一维卷积神经网络模型输出的波形类别与激光回波时刻数据之间的映射关系，确定所述波形类别数据对应的回波时刻；

根据所述回波时刻计算待测目标距离。

优先地，卷积核参数尺寸为1×3×D_i，其中D_i为第i层卷积层的通道数，每一个卷积核用3个ROM存储，ROM的深度与卷积核通道数相同。

优先地，一维卷积神经网络模型的训练，包括卷积层、池化层、全连接层、Softmax和激活函数；

其中，卷积层数学表达式如式(1)：

式中：C_i为第i通道的卷积结果，σ为ReLU激活函数；m为卷积核的通道数，为第i个卷积核中第k通道的卷积核参数；x_i为第i通道激光回波波形数据；b_i为第i通道输出偏置，T为转置；

池化层数学表达式如式(2)所示：

式中：r为池化尺寸；p_i为第i通道的池化结果；

全连接层数学表达式如式(3)所示：