小波分析在激光测距传感器中的应用
小波分析在激光测距传感器中的应用
作者:薛缠明;李丽宏
目前,国家对车辆超限的治理已有了严格的要求。此 前在车辆宽高超限检测中都是靠人工测量完成,不仅影响 车辆的行驶进度,而且测量效率较低。为了精确快速地检 测车辆的宽高和提高道路的畅通性,开发了单传感器激光 车辆宽高检测系统。在使用的过程,发现测量信号中掺杂 有高频车辆边缘光噪声,导致测量精度明显下降。甚至 会影响到车辆是“正常”还是“超宽超高”的判断和车辆的 正常通行。小波分析具有多分辨率分析的特点,并在时域 和频域都具有表征信号局部特性的能力。
针对上述出现的问题,本文提出以小波分析法为基础利用边缘光噪声的特性准确定位出光噪声的精确范围,进 一步有效地去除它对车辆准确性测量的影响。
1激光车辆宽高检测系统
激光车辆宽高检测系统激光传感器发射激光遇到被测物体后发生反射,传感器接收到反射光,经过 计算得出被测物体位置的极坐标[3]。该激光车辆宽高检 测系统是把激光传感器安装在龙门架中间,经过实验合理设置传感器扫描角度和分度。当有车辆进入检测区域时, 激光传感器以 50 Hz 的频率扫描,每个周期可以得出一组车辆的宽度和高度值,当汽车完全通过时,通过比较所有数值得出车辆的最宽值和最高值计入数据库。
2小波分析法
目前在系统信号检测中小波分析方法凭借它在时域和频域同时具有良好的空间局部化性质,已经成为信号检测的重要工具。在实际的信号中,噪声通常表现为高频信号, 而有用信号通常表现为低频或者平稳信。基于上述噪声信号的特性,可以利用小波变换通过伸缩平移运算对信号逐步进行多尺度细化,在高频处利用时间细分和可以 聚焦在任意高频细节的优点,对原始信号进行小波分析和 噪声信号的定位。在利用小波分析对原始信号去除噪声过 程中,最理想的结果是有效地保留有用信息,且去除掺杂的 干扰噪声,所以,在小波分析中小波函数和阈值的选择变成 了关键环节。为此,提出一种以小波分解为基础去除噪声 的方法,其可分为三个步骤:
1)对测量信号作小波分解
选择一个小波的基函数 ψ( t) 和小波分解中小波系的阶数 D,其中,ψ( t) 为平方可积,即 ψ( t) ∈L2 ( R) ,对原始信号进行 D 阶分解后,可以利用鼻尖细节部分准确定位出高频信号的范围。
2)光噪声定位
对原始信号进行 D 阶分解后,根据噪声信号的幅值和频率特性,对信号细节部分进行阈值判断,准确地判别出光 噪声在信号中的具体范围。
3)数据检测
对信号进行小波分解和高频光噪声准确定位后,对信号进行重构出完整的有用信息。通过 Matlab 仿真,便可直观地看到重构后信号。
2. 1小波函数选择与分解
在激光宽高检测系统中,车辆实际信号通常表现为低 频信号或是一些比较平稳的信号,而边缘光噪声则通常表 现为特定的高频信号。Daubechies 小波是由世界著名的小波分析学者 Inrid Daubechies[5] 构造的小波函数,应用它对原始信号进行分解时随着阶次增大,消失矩阶数越大,频带 划分效果越好,并且提供了比其它函数更有效的分析和综 合能力[6]。
设原始信号为 f(t),它的序列为{ f( t),n = 1,2,…,N}。若以{ f( n) ,n = 1,2,…,N} 表示信号 f( t) 在尺度 j = 0 时的近似值,A0 ( n) = f( n) ,则 f( t) 的小波变换由以下两个公式确定
Aj + 1 ( n) = ∑ h( k - 2n) Aj ( n) ,k∈ZDj + 1 ( n) = ∑ g( k - 2n) Aj ( n) ,k∈Z式中 h( n) 和 g( n) 为由小波函数 ψ( t) 确定的一对互补的共轭滤波器,其中,h( n) 为低通滤波器,g( n) 为高通滤波器。因而,Aj ,Dj 分别称为信号在尺度 j 上的逼近部分( 低频) 和细节部分( 高频)。离散信号 A0 经过尺度 1,…,j 的分解,最终分解为 D1 ,D2 ,…,Dj ,Cj 它们分别包含了信号从高频到低频的不同频带信号,即信号的小波的分解就是相当于信号不断经过两个低通和高通滤波器对其近似部分进 行滤波的结果。
对于三级分解,原始信号 f( t) 可分为f( t) = A1 + D1 = A2 + D2 + D1 = A3 + D3 + D2 + D1 . (3)结合激光宽高检测系统实际使用得出的噪声频率特性,选择利用 Daubechies 小波进行三级分解。
2. 2光噪声的定位
光噪声是指对于车辆实际值的随机偏离。利用小波分析法窗口面积固定,但形状可以改变,在低频部分具有较高 的频率分辨率和较低的时间分辨率,在高频部分具有较高 的时间分辨率和较低的频率分辨率的特点。对原始信号进 行小波分解后,在大尺度下,可以将信号的低频信息( 全局) 表现出来,在小尺度下,可以将信号的高频( 局部) 特征反映出来。
基于上述原理,通过跟踪小波变换在细尺度下的模极大曲线方法检测原始信号中高频信号的位置;再根据实际 实验中光噪声的幅值与车辆实际平稳信号幅值偏差阈值Δδ≤300 和车辆边缘的位置来准确判断光噪声的范围。
2. 3 数据检测
以山西某国道超限检测站车辆数据为例,取出车辆通过激光车辆宽高检测系统时采集的一个周期的数据,通过 小波分解和光噪声定位后,对处理后的信号进行重构,采用Matlb 中利用工具箱函数利用 wavedec() 函数进行小波分解仿真实验[7]。wavedec () 的调用格式为[C,L]= wavedec( X,N,wname) .(4)其中,[C,L]为小波分解输出值,X 为一维信号,N 为分解的层数,wname 为使用的小波函数。对原始信号小波三级分解后的第 1 ~ 3 层细节系数。
经过三级分解,发现在第 1 层细节系数 d1 中明显定位像视觉效果被提亮,对比度也增强了;本文算法处理后的图 像标准差最大说明对比度最强,但是也由于这个原因致使 均值降低。从表 4 数据可以看出:原始图像均值偏高,标准差较小,说明该图视觉效果偏亮且对比度不强,均值与标准 差的分析与表 3 类似,这里不再赘述。
4 结束语
1)借鉴生物免疫系统自适应识别功能,将免疫算子引入与遗传算子相结合,克服了种群优化过程中出现的退化 现象。
2)在种群进化过程中根据个体适应度动态调整交叉、变异算子的基因位数及各操作算子的概率,使种群个体多样性增强,克服了算法陷入局部最优解的现象,并且提高了算法的收敛速度。
将该算法应用到图像增强中,可实现图像增强效果的自适应调整,并能拓宽灰度动态范围,凸显暗处细节,提高 图像对比度,使图像增强效果更加明显。
本文章转自爱学术(aixueshu.com),如有侵权,请联系删除