一种机载激光测深海底弱回波增强识别方法及系统

摘要

本发明属于海洋测绘技术领域，公开了一种机载激光测深海底弱回波增强识别方法及系统。该方法基于预处理数据将海域激光脉冲分为海面‑海底脉冲或仅海面脉冲；利用两次极大值法确定回波波形的潜在海底回波位置并预生成海底点；定义与密度相关的椭球邻域，提取预生成点云的空间特征；构建BP神经网络，识别预生成点云中的海底点，并基于激光脉冲回波顺序和点云密度优化海底点识别结果。本发明利用兼顾计算效率和海底点保留度的两次极大值法确定潜在海底回波位置。本发明基于海底点云特性计算椭球邻域点空间特征，较好表达了海底点和噪声点的分布差异。本发明结合几何邻域等信息有效提高机载激光测深的可用最大测深能力和点云数量。

权利要求

1.一种机载激光测深海底弱回波增强识别方法，其特征在于，该方法包括以下步骤：S1，基于预处理数据将海域激光脉冲分为海面‑海底脉冲或仅海面脉冲；

S2，利用两次极大值法确定回波波形的潜在海底回波位置并预生成海底点；

S3，利用椭球邻域，提取预生成点云的空间特征；

S4，构建BP神经网络，识别预生成点云中的海底点，并基于激光脉冲回波顺序和点云密度优化海底点识别结果。

2.根据权利要求1所述的机载激光测深海底弱回波增强识别方法，其特征在于，在步骤S2中，利用两次极大值法确定回波波形的潜在海底回波位置并预生成海底点，具体包括以下步骤：步骤S2.1：通过强度和噪声关系确定海面回波峰；

步骤S2.2：潜在海底回波位置确定：ALB系统的最大测深性能为Dmax，截取海面回波峰后的2Dmax对应的波形长度作为有效波形；计算海面回波后有效波形中的所有极大值点，得到一次极大值序列LMPF；再计算LMPF的极大值，得到二次极大值序列LMPS；

步骤S2.3：预生成海底点：根据提取的二次极大值序列LMPS与海面回波位置的时间差，在距离、角度以及共面条件方程的基础上，构建海底点坐标解算模型，通过列文伯格‑马夸尔特法求解方程组的最优解；对所有波形的二次极大值序列LMPS解算所有点云位置，得到潜在海底点云；对于海面‑海底脉冲，标记坐标解算后的海底点。

3.根据权利要求2所述的机载激光测深海底弱回波增强识别方法，其特征在于，在步骤S2.1中，通过强度和噪声关系确定海面回波峰包括：计算回波波形最后50个采样点的均值Nb和标准差Nσ，并利用公式(1)计算回波波形的极大值LMP，选择LMP中第一个强度大于Nb+3Nσ的极大值点作为海面回波峰；

式中，WF代表回波波形，find代表查找满足条件的波形位置，diff代表差分函数，sigh代表正负号函数；

在步骤S2.2中，一次极大值序列LMPF的表达式为：

LMPF＝WFAS(find(diff(sign(diff(WFAS)))＜0)+1) (2)式中，WFAS为海面回波后有效波形；

二次极大值序列LMPS的表达式为：

LMPS＝LMPF(find(diff(sign(diff(LMPF)))＜0)+1) (3)在步骤S2.3中，海底点坐标解算模型包括：

f3(x,y,z)＝v1n2(z‑zs)+v2n3(x‑xs)+v3n1(y‑ys)‑v3n2(x‑xs)‑v2n1(z‑zs)‑v1n3(y‑ys) (6)式中，f1(x,y,z),f2(x,y,z),f3(x,y,z)为海底点坐标解算的三个方程，(x,y,z)为潜在海底点坐标，(xs,ys,zs)为海面点坐标，c为光在空气中速度，Δt为海面到二次极大值的时间差，nw为海水折射率，取值为1.333，(n1,n2,n3)代表海面法向量，通过(xs,ys,zs)附近海面点拟合高斯二次曲面得到，(v1,v2,v3)＝(xs‑xp,ys‑yp,zs‑zp)为激光脉冲发射向量，(xp,yp,zp)为脉冲发射时刻激光器位置，θr为折射角，由式(7)计算得到：

4.根据权利要求1所述的机载激光测深海底弱回波增强识别方法，其特征在于，在步骤S3中，利用椭球邻域，提取预生成点云的空间特征，包括以下步骤：步骤S3.1：椭球邻域参数确定；

步骤S3.2：椭球邻域点查找；

步骤S3.3：点云空间特征提取。

5.根据权利要求4所述的机载激光测深海底弱回波增强识别方法，其特征在于，在步骤S3.1中，椭球邻域参数确定包括：将海底点构建格网，若格网内存在点，则格网区域为被扫描，通过下式计算平均点密度ρ：式中，Np为ALB系统生成的海底点数量，Ng为存在海底点的格网数量，w为格网宽度；

设定椭球的三个半轴分别为：

在步骤S3.2中，椭球邻域点查找包括：将预生成潜在海底点云作为点集，构建KD树缩短邻域检索时间；对于点云中某点p(px,py,pz)，查找与点p欧式距离小于椭球长半轴lx的邻域点，这些邻域点中满足下式的点，则为椭球内邻域点；

式中，EPS为点p(px,py,pz)的椭球邻域点集，(xn,yn,zn)为点p椭球内邻域点坐标，lx,ly,lz为椭球的三个半轴长。

6.根据权利要求5所述的机载激光测深海底弱回波增强识别方法，其特征在于，在步骤S3.3中，点云空间特征提取包括：计算椭球邻域点的协方差矩阵和三个特征值，并由大到小排序得到λ1,λ2,λ3，根据得到标准化后的特征值e1,e2,e3；将特征值e1、e2、e3、椭球邻域内点数量n、线度Le、面度Pe、离散度Se、各向异度Ae、全向方差Oe、特征值熵Ee作为点云空间特征，计算如下所示：式中，ln(ei)为特征值e1,e2,e3的自然对数；最终构建的点云空间特征为：{e1,e2,e3,n,Le,Pe,Se,Ae,Oe,Ee}。

7.根据权利要求6所述的机载激光测深海底弱回波增强识别方法，其特征在于，在步骤S4中，构建BP神经网络，识别预生成点云中的海底点，并基于激光脉冲回波顺序和点云密度优化海底点识别结果，具体包括以下步骤：步骤S4.1：BP神经网络构建与海底点识别；

步骤S4.2：海底点识别结果优化。

8.根据权利要求7所述的机载激光测深海底弱回波增强识别方法，其特征在于，步骤S4.1中，BP神经网络构建与海底点识别包括：将海面‑海底脉冲生成的海底点云作为BP神经网络的训练、验证、测试数据，比例为7：

1.5：1.5，将海底点类别标记1，其余点类别标记为0；构建包括输入层、隐藏层、输出层的3层BP神经网络；输入为利用椭球邻域提取的10维空间特征，隐藏层节点数设置为100，输出为海底点或其余点；网络训练前，对训练样本、验证样本、测试样本采用同种方式归一化至[0,

1]区间；

将仅海面脉冲产生的点云作为待识别数据，用同种方式归一化至[0,1]区间；利用构建的BP神经网络识别仅海面脉冲产生的点云，最终识别结果标记为1的点即为增强识别的粗糙海底点云。

9.根据权利要求8所述的机载激光测深海底弱回波增强识别方法，其特征在于，所述步骤S4.2中，海底点识别结果优化，包括：保留BP神经网络结果中每个激光脉冲的第一个海底点，利用基于密度的聚类算法从噪声点云中提取高密度的目标点簇，考虑折射及无海底回波因素，密度的聚类算法的搜索半径 最小点数量MinN设置为20，删除点数量不足100或与系统生成点云不连通的点簇；最终保留的点为增强识别的海底点云。

10.一种机载激光测深海底弱回波增强识别系统，其特征在于，实施权利要求1‑9任意一项所述的机载激光测深海底弱回波增强识别方法，该系统包括：海域激光脉冲划分模块(1)，用于基于预处理数据将海域激光脉冲分为海面‑海底脉冲或仅海面脉冲；

预生成海底点模块(2)，用于利用两次极大值法确定回波波形的潜在海底回波位置并预生成海底点；

预生成点云的空间特征提取模块(3)，用于定义与密度相关的椭球邻域，提取预生成点云的空间特征；

海底点识别模块(4)，用于构建BP神经网络，识别预生成点云中的海底点，并基于激光脉冲回波顺序和点云密度优化海底点识别结果。

说明书

一种机载激光测深海底弱回波增强识别方法及系统

技术领域

[0001] 本发明属于海洋测绘技术领域，尤其涉及一种机载激光测深海底弱回波增强识别方法及系统。

背景技术

[0002] 水下三维地形是描述海底起伏和水深变化的基础测绘要素，对海洋工程开发、船舶航行、渔业、生态保护等具有至关重要的作用。随着气候变化导致海平面上升以及人类活动范围扩张，水下地形变化更为频繁，浅水区域的高效率、高精度水下三维地形测量和监测变得尤为关键。全波形机载激光测深（Airborne LiDAR Bathymetry，ALB）是一种主动的光学水深测量手段，激光器随平台运动的同时，发射纯度高、波束窄的激光脉冲，接收器接收目标的后向散射回波波形。辅以定位定姿传感器数据，可实现条带式快速测量，具有测深精度高、效率高等优点，非常适合水质清澈区域的浅海水深测量，具有广阔的应用和发展前景。

[0003] ALB发射的激光脉冲与海气界面、水体、海底等介质发生多重光学效应，其信号强度在水下衰减较快；同时，受海面波浪、水体物质等因素影响，波形背景噪声较大，导致了海底回波信噪比较低不易识别。机载激光雷达系统多采用恒定系数鉴别器（Constant fraction discriminator，CFD）识别目标回波，这种方法可信度高但遗漏了部分海底弱回波。峰值探测、数学拟合、去卷积等波形处理方法对具有明显双峰的ALB波形具有较好的适用性，可提取更多有效信息。但海底弱回波的回波峰与噪声峰相似，如何从复杂的低信噪比波形中识别真实的海底位置仍需进一步研究。

[0004] 当前针对浅水区域的海底点弱回波增强识别已取得一定进展，Mader等（2019）提出一种邻域波形叠加技术；Kogut等（2019）采用双回波海底位置确定临近的单回波海底位置范围，结合高斯函数确定海底点位置；Yang等（2022）提出了一种基于信号分辨率增强和分数阶微分的分解方法，提高了极浅水区域（<2m）的海底点识别率。相比浅水区，深水区（本发明的深水是相对ALB测深能力）的波束传播时间更长，受折射效应、散射效应影响更为明显，故邻近波形的海底回波位置在波形上存在较大差异。面向ALB数据处理的专利方案主要集中在波形去噪（中国专利：CN110133670A，公开日2019年08月16日）、信号提取（中国专利CN110134976B，公开日2019年08月16日）、波形分析（中国专利CN110135299A，公开日2019年08月16日）、数据配准（中国专利CN113837326A，公开日2021年12月24日）、水陆波形分类（CN115422981B，公开日2022年12月02日）等。综上，当前仍然缺少面向较深水域低信噪比的海底弱回波有效识别方法。

[0005] 通过上述分析，现有技术存在的问题及缺陷为：ALB发射的激光脉冲与海气界面、水体、海底等介质发生多重光学效应，其信号强度在水下衰减较快；同时，受海面波浪、水体物质等因素影响，波形背景噪声较大，这导致了海底回波信噪比较低不易识别。

[0006] 激光脉冲在较深水域（相对ALB）的传播时间更长，受折射效应、散射效应影响更为明显，故邻近波形的海底回波位置在波形上存在较大差异。此外，海水深度和底质类型差异进一步增加了海底弱回波识别的难度。

发明内容

[0007] 为克服相关技术中存在的问题，本发明公开实施例提供了一种机载激光测深海底弱回波增强识别方法及系统。

[0008] 所述技术方案如下：机载激光测深海底弱回波增强识别方法，包括以下步骤：

[0009] S1，基于预处理数据将海域激光脉冲分为海面‑海底脉冲或仅海面脉冲；

[0010] S2，利用两次极大值法确定回波波形的潜在海底回波位置并预生成海底点；

[0011] S3，利用椭球邻域，提取预生成点云的空间特征；

[0012] S4，构建BP神经网络，识别预生成点云中的海底点，并基于激光脉冲回波顺序和点云密度优化海底点识别结果。

[0013] 在步骤S2中，利用两次极大值法确定回波波形的潜在海底回波位置并预生成海底点，具体包括以下步骤：

[0014] 步骤S2.1：通过强度和噪声关系确定海面回波峰；

[0015] 步骤S2.2：潜在海底回波位置确定：ALB系统的最大测深性能为 ，截取海面回波峰后的 对应的波形长度作为有效波形；计算海面回波后有效波形中的所有极大值点，得到一次极大值序列LMPF；再计算LMPF的极大值，得到二次极大值序列LMPS；

[0016] 步骤S2.3：预生成海底点：根据提取的二次极大值序列LMPS与海面回波位置的时间差，在距离、角度以及共面条件方程的基础上，构建海底点坐标解算模型，通过列文伯格‑马夸尔特法求解方程组的最优解；对所有波形的二次极大值序列LMPS解算所有点云位置，得到潜在海底点云；对于海面‑海底脉冲，标记坐标解算后的海底点；

[0017] 在步骤S2.1中，通过强度和噪声关系确定海面回波峰包括：

[0018] 计算回波波形最后50个采样点的均值 和标准差 ，并利用公式（1）计算回波波形的极大值LMP，选择LMP中第一个强度大于 的极大值点作为海面回波峰；

[0019] （1）

[0020] 式中， 代表回波波形， 代表查找满足条件的波形位置， 代表差分函数， 代表正负号函数；

[0021] 在步骤S2.2中，一次极大值序列LMPF的表达式为：

[0022] （2）

[0023] 式中， 为海面回波后有效波形；

[0024] 二次极大值序列LMPS的表达式为：

[0025] （3）

[0026] 在步骤S2.3中，海底点坐标解算模型包括：

[0027] （4）

[0028]（5）

[0029] ；

[0030] 式中， 为海底点坐标解算的三个方程，为潜在海底点坐标， 为海面点坐标，为光在空气中速度， 为海面到二次极大值的时间差， 为海水折射率，取值为1.333， 代表海面法向量，通过
附近海面点拟合高斯二次曲面得到， 为激光脉
冲发射向量， 为脉冲发射时刻激光器位置， 为折射角，由式（7）计算得到：

[0031] （7）。

[0032] 在步骤S3中，利用椭球邻域，提取预生成点云的空间特征，包括以下步骤：

[0033] 步骤S3.1：椭球邻域参数确定；

[0034] 步骤S3.2：椭球邻域点查找；

[0035] 步骤S3.3：点云空间特征提取；

[0036] 在步骤S3.1中，椭球邻域参数确定包括：将海底点构建格网，若格网内存在点，则格网为被扫描，通过下式计算平均点密度 ：

[0037] （8）

[0038] 式中， 为ALB系统生成的海底点数量， 为存在海底点的格网数量，为格网宽度；

[0039] 设定椭球的三个半轴分别为： ， ；

[0040] 在步骤S3.2中，椭球邻域点查找包括：将预生成潜在海底点云作为点集，构建KD树缩短邻域检索时间；对于点云中某点 ，查找与点 欧式距离小于椭球长半轴的邻域点，这些邻域点中满足下式的点，则为椭球内邻域点；

[0041] （9）

[0042] 式中，EPS为点 的椭球邻域点集， 为点 椭球内邻域点坐标， 为椭球的三个半轴长；

[0043] 在步骤S3.3中，点云空间特征提取包括：

[0044] 计算椭球邻域点的协方差矩阵和三个特征值，并由大到小排序得到 ，根据 得到标准化后的特征值 ；将特征值 、椭球邻域内点数量、线度 、面度 、离散度 、各向异度 、全向方差 、特征值熵 作为点云空间特征，计算如下所示：

[0045] （10）

[0046] （11）

[0047] （12）

[0048] （13）

[0049] （14）

[0050] （15）

[0051] 式中， 为特征值 的自然对数；最终构建的点云空间特征为：。

[0052] 在步骤S4中，构建BP神经网络，识别预生成点云中的海底点，并基于激光脉冲回波顺序和点云密度优化海底点识别结果，具体包括以下步骤：

[0053] 步骤S4.1：BP神经网络构建与海底点识别；

[0054] 步骤S4.2：海底点识别结果优化；

[0055] 步骤S4.1中，BP神经网络构建与海底点识别包括：

[0056] 将海面‑海底脉冲生成的海底点云作为BP神经网络的训练、验证、测试数据，比例为7：1.5：1.5，将海底点类别标记1，其余点类别标记为0；构建包括输入层、隐藏层、输出层的3层BP神经网络；输入为利用椭球邻域提取的10维空间特征，隐藏层节点数设置为100，输出为海底点或其余点；网络训练前，对训练样本、验证样本、测试样本采用同种方式归一化至[0,1]区间；

[0057] 将仅海面脉冲产生的点云作为待识别数据，用同种方式归一化至[0,1]区间；利用构建的BP神经网络识别仅海面脉冲产生的点云，最终识别结果标记为1的点即为增强识别的粗糙海底点云；

[0058] 所述步骤S4.2中，海底点识别结果优化，包括：

[0059] 保留BP神经网络结果中每个激光脉冲的第一个海底点，利用基于密度的聚类算法从噪声点云中提取高密度的目标点簇，考虑折射及无海底回波因素，密度的聚类算法的搜索半径 ，最小点数量MinN设置为20，删除点数量不足100或与系统生成点云不连通的点簇；最终保留的点为增强识别的海底点云。

[0060] 本发明的另一目的在于提供一种机载激光测深海底弱回波增强识别系统，实施所述的机载激光测深海底弱回波增强识别方法，该系统包括：

[0061] 海域激光脉冲划分模块，用于基于预处理数据将海域激光脉冲分为海面‑海底脉冲或仅海面脉冲；

[0062] 预生成海底点模块，用于利用两次极大值法确定回波波形的潜在海底回波位置并预生成海底点；

[0063] 预生成点云的空间特征提取模块，用于定义与密度相关的椭球邻域，提取预生成点云的空间特征；

[0064] 海底点识别模块，用于构建BP神经网络，识别预生成点云中的海底点，并基于激光脉冲回波顺序和点云密度优化海底点识别结果。

[0065] 结合上述的所有技术方案，本发明所具备的优点及积极效果为：针对全波形ALB的回波波形受海气界面、水体、海底等多目标影响，导致部分激光脉冲回波信噪比较低不易识别，现有技术方案无法解决海底弱回波的回波峰与噪声峰相似时信号提取的问题，本发明提出了一种基于预生成‑识别的机载激光测深海底弱回波增强识别方法，在无需其他信息辅助的情况下，提高ALB技术在水域的测深能力，增加点云覆盖面积和密度，使单次测量数据得以充分利用。

[0066] 相比于现有技术，本发明的优点进一步包括：本发明创新的提出了兼顾计算效率和海底点保留度的两次极大值法确定潜在海底回波位置。本发明基于海底点云特性计算椭球邻域点空间特征，较好表达了海底点和噪声点的分布差异。本发明利用系统生成的高可信度海底点作为样本自动构建神经网络，结合几何邻域等信息有效提高ALB的可用最大测深能力和点云数量。在无需其他数据辅助的情况下，提出方案在某岛两个条带的砂质和砾石底质区应用，增强识别相比系统生成的点数量增加了201.3%，可用最大测深深度增加了55%，增强识别结果明显优于三参数乘积法（PPIA）和理查德森‑露西去卷积法（RLD）；对比系统生成的点云和多波束点云，提出方案增加的点可信度高。因此，在砂质、砾石等海底底质类型下，提出方法均有较好的结果，是一种有效且可靠的ALB海底弱回波增强识别方法。

[0067] 作为本发明的积极效果，还体现在以下几个重要方面：（1）机载激光测深在海岸带、岛礁等浅水水深测量中具有明显的优势，本发明从数据后处理进一步提升了ALB的测深能力和数据质量。未来，ALB系统厂商和科研人员可利用CFD方法和本发明方法获得更大点密度、更广测量范围以及更深测量区域的海底点云，使ALB数据充分利用，预期收益和商业价值可观；（2）当前国内外机载激光测深波形数据处理技术仅适用于明显双峰的波形，海底弱回波识别方法集中在浅水区域且研究尚不成熟，本发明提出的技术方案在浅水和深水（相对ALB测深能力）区均适用，填补了海底弱回波增强识别的技术空白；（3）海底弱回波与噪声峰相似的弱回波波形识别一直是ALB数据处理的技术难题，本发明综合了回波波形特征和预生成点云的空间特征，海底点识别度高且可信度高；（4）本发明一定程度上提高了ALB的可用最大测深深度和海底点密度，利于ALB技术的推广应用。

附图说明

[0068] 此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理；

[0069] 图1是本发明实施例提供的机载激光测深海底弱回波增强识别方法流程图；

[0070] 图2是本发明实施例提供的机载激光测深海底弱回波增强识别方法原理图；

[0071] 图3是本发明实施例提供的两次极大值法用于双波峰波形图；

[0072] 图4是本发明实施例提供的两次极大值法用于单波峰波形图；

[0073] 图5是本发明实施例提供的椭球邻域示意图；

[0074] 图6是本发明实施例提供的查找到的邻域点结果图；

[0075] 图7是本发明实施例提供的某岛条带1海底点增强识别结果对比图；

[0076] 图8是本发明实施例提供的某岛条带2海底点增强识别结果对比图；

[0077] 图9是本发明实施例提供的机载激光测深海底弱回波增强识别系统示意图；

[0078] 图中：1、海域激光脉冲划分模块；2、预生成海底点模块；3、预生成点云的空间特征提取模块；4、海底点识别模块。

具体实施方式

[0079] 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其他方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。

[0080] 本发明实施例提出了一种预生成‑识别法实现海底弱回波增强识别的方法。该方法设计合理，解决了回波强度弱、与噪声混淆导致海底弱回波波形识别困难的问题，在砂质、礁石、珊瑚礁等多种海底底质类型条件下，提出方法均有较好的结果，是一种有效且可靠的ALB海底弱回波增强识别方法。

[0081] 实施例1，如图1所示，本发明实施例提供的机载激光测深海底弱回波增强识别方法，包括以下步骤：

[0082] S1，基于预处理数据将海域激光脉冲分为海面‑海底脉冲或仅海面脉冲；

[0083] S2，利用两次极大值法确定回波波形的潜在海底回波位置并预生成海底点；

[0084] S3，利用椭球邻域，提取预生成点云的空间特征；

[0085] S4，构建BP神经网络，识别预生成点云中的海底点，基于激光脉冲回波顺序和点云密度优化海底点识别结果。

[0086] 在本发明实施例步骤S1中，基于预处理数据将海域激光脉冲分为海面‑海底脉冲或仅海面脉冲，其步骤如下：

[0087] 根据GNSS测量时间将ALB系统生成的激光点云和波形进行匹配，通过水陆分类获得水域点云和波形数据，同时获得海面高程区间。统计每束激光脉冲匹配到的点数，一束激光脉冲对应两个点则为海面‑海底脉冲；一束激光脉冲对应一个点且点高程在海面高程区间范围内，定义为仅海面脉冲。

[0088] 在本发明实施例步骤S2中，利用两次极大值法确定回波波形的潜在海底回波位置并预生成海底点，其步骤如下：

[0089] 步骤S2.1：海面回波峰确定；

[0090] 在水域波形中，海面回波峰是回波波形中第一个明显的峰，可通过强度和噪声的关系确定。计算回波波形最后50个采样点的均值 和标准差 ，并利用公式（1）计算回波波形的极大值LMP，选择LMP中第一个强度大于 的极大值点作为海面回波峰；

[0091] （1）

[0092] 式中， 代表回波波形， 代表查找满足条件的波形位置， 代表差分函数， 代表正负号函数；

[0093] 步骤S2.2：潜在海底回波位置确定；

[0094] 设ALB系统的最大测深性能为 ，截取海面回波峰后的 对应的波形长度作为有效波形。海底回波仅可能出现在海面回波后，计算海面回波后有效波形中的所有极大值点，得到一次极大值序列LMPF，公式（2）；然后再计算LMPF的极大值即为潜在海底回波位置，得到二次极大值序列LMPS，公式（3）；

[0095] （2）

[0096] （3）

[0097] 式中，WFAS为海面回波后有效波形。

[0098] 步骤S2.3：预生成海底点；

[0099] 激光脉冲在空气中和海水中的传播特性具有明显差异，激光脉冲在穿过海气界面时遵循斯涅尔折射定律。根据提取的二次极大值与海面回波位置的时间差，在距离、角度以及共面条件方程的基础上，本发明构建了公式（4）‑公式（6）的海底点坐标解算模型，通过列文伯格‑马夸尔特法（Levenburg‑ Marquardt，LM）求解方程组的最优解；

[0100] （4）

[0101] （5）

[0102] ；

[0103] 式中， 为海底点坐标解算的三个方程，为潜在海底点坐标， 为海面点坐标，为光在空气中速度， 为海面到二次极大值的时间差， 为海水折射率，取值为1.333， 代表海面法向量，通过
附近海面点拟合高斯二次曲面得到， 为激光脉
冲发射向量， 为脉冲发射时刻激光器位置， 为折射角，由式（7）计算得到：

[0104] （7）

[0105] 对所有波形的二次极大值解算其点云位置，得到潜在海底点云。对于海面‑海底脉冲，还应标记其坐标解算后的海底点。

[0106] 在本发明实施例步骤S3中，定义与密度相关的椭球邻域，提取预生成点云的空间特征，其步骤如下：

[0107] 步骤S3.1：椭球邻域参数确定；

[0108] 考虑椭球大小决定了邻域点的数量，其轴长应与点密度相关。将海底点构建格网，格网内有点则认为该格网为被扫描，通过公式（8）计算平均点密度 ；

[0109] （8）

[0110] 式中， 为ALB系统生成的海底点数量， 为存在海底点的格网数量，为格网宽度。为保证椭球邻域内有满足特征值计算数量的点，且海底点在水平方向不具一般差异性，设椭球的三个半轴分别为： ， ；

[0111] 步骤S3.2：椭球邻域点查找；

[0112] 将预生成潜在海底点云作为点集，构建KD树缩短邻域检索时间；对于点云中某点，查找与点 欧式距离小于椭球长半轴 的邻域点，这些邻域点中满足公式（9）的点，则为椭球内邻域点；

[0113] （9）

[0114] 式中，EPS为点 的椭球邻域点集， 为点 椭球内邻域点坐标， 为椭球的三个半轴长；

[0115] 步骤S3.3：点云空间特征提取；

[0116] 计算椭球邻域点的协方差矩阵和三个特征值，并由大到小排序得到 ，根据 得到标准化后的特征值 ；将特征值 、椭球邻域内点数量、线度 、面度 、离散度 、各向异度 、全向方差 、特征值熵 作为点云空间特征，计算方法见公式（10）‑公式（15）：

[0117] （10）

[0118] （11）

[0119] （12）

[0120] （13）

[0121] （14）

[0122] （15）

[0123] 式中， 为特征值 的自然对数；最终构建的点云空间特征为：。

[0124] 在本发明实施例步骤S4中，构建BP神经网络，识别预生成点云中的海底点，并基于激光脉冲回波顺序和点云密度优化海底点识别结果。步骤如下：

[0125] 步骤S4.1：BP神经网络构建与海底点识别；

[0126] 将海面‑海底脉冲生成的海底点云作为BP神经网络的训练、验证、测试数据，其比例为7:1.5:1.5，将海底点类别标记1，其余点类别标记为0。构建包括输入层、隐藏层、输出层的3层BP神经网络（BP neural network，BPNN）。输入为利用椭球邻域提取的10维空间特征，隐藏层节点数设置为100，输出为海底点或其余点。网络训练前，对训练样本、验证样本、测试样本采用同种方式归一化至[0,1]区间。

[0127] 将仅海面脉冲产生的点云作为待识别数据，用同种方式归一化至[0,1]区间。利用构建的BPNN识别仅海面脉冲产生的点云，最终识别结果标记为1的点即为增强识别的粗糙海底点云。

[0128] 步骤S4.2：海底点识别结果优化。

[0129] 单个水域激光脉冲原则上只对应一个海底点，因此，本发明仅保留BPNN结果中每个激光脉冲的第一个海底点。基于密度的聚类算法（Density‑based spatial clustering of applications with noise，DBSCAN）能够从噪声点云中提取高密度的目标点簇，考虑折射及无海底回波因素，DBSCAN的搜索半径为 ，最小点数量MinN设置为20。此外，为避免局部小点簇对识别结果的影响，删除点数量不足100或与系统生成点云不连通的点簇。最终保留的点即为增强识别的海底点云。

[0130] 实施例2，作为本发明的另一种实施方式，以某岛为应用对象，本发明实施例提供的机载激光测深海底弱回波增强识别方法包括以下步骤：

[0131] 如图2所示，本发明实施例提供的机载激光测深海底弱回波增强识别方法包括以下步骤：

[0132] 步骤1：基于预处理数据将海域激光脉冲分为海面‑海底脉冲或仅海面脉冲；海底弱回波增强识别是面向ALB水域波形的处理方法。以Aquarius系统在某海岛获取的ALB数据为实施例，在该岛两个条带的砂质和砾石底质区应用，首先根据波形统计特征和点云邻域特征实现水陆分类。针对水域波形，根据ALB系统生成的点数，将海域激光脉冲分为海面‑海底脉冲（单次发射脉冲产生海面和海底两个点）或仅海面脉冲（单次发射脉冲仅产生海面点）。

[0133] 步骤2：利用两次极大值法确定回波波形的潜在海底回波位置并预生成海底点；

[0134] ALB回波波形中存在多个极大值点，脉宽、强度等参数无法有效区分海底弱回波和噪声。为了兼顾计算效率和保留度，本发明提出两次极大值法确定潜在海底回波位置。

[0135] 进一步的实施例中，步骤2具体包括如下步骤：

[0136] 步骤2.1：海面回波峰确定；

[0137] 在水域波形中，海面回波峰是回波波形中第一个明显的峰，可通过强度和噪声的关系确定。计算回波波形最后50个采样点的均值 和标准差 ，并利用公式（1）计算回波波形的极大值LMP，选择LMP中第一个强度大于 的极大值点作为海面回波峰；

[0138] （1）

[0139] 式中， 代表回波波形， 代表查找满足条件的波形位置， 代表差分函数， 代表正负号函数；

[0140] 步骤2.2：潜在海底回波位置确定；

[0141] Aquarius系统在某岛的最大测深 约为10m，截取海面回波峰后的（20m）对应的波形长度作为有效波形。海底回波仅可能出现在海面回波后，计算海面回波后有效波形中的所有极大值点，得到一次极大值序列LMPF，公式（2）；然后再计算LMPF的极大值即为潜在海底回波位置，得到二次极大值序列LMPS，公式（3）；

[0142] （2）

[0143] （3）

[0144] 式中，WFAS为海面回波后有效波形。

[0145] 如图3和图4分别为某岛有明显双峰的波形和仅有明显海面峰的波形提取结果，可以看出两次极大值法均保留了波形中强度较大的位置，且提取的潜在海底回波位置较为分散，有利于后续的点云空间特征提取；同时，相比一次极大值法，该方法有效减小了极大值数量，计算量降低。

[0146] 步骤2.3：预生成海底点；

[0147] 激光脉冲在空气中和海水中的传播特性具有明显差异，激光脉冲在穿过海气界面时遵循斯涅尔折射定律。根据提取的二次极大值与海面回波位置的时间差，在距离、角度以及共面条件方程的基础上，本发明构建了公式（4）‑公式（6）的海底点坐标解算模型，通过列文伯格‑马夸尔特法（Levenburg‑Marquardt，LM）求解方程组的最优解；

[0148] （4）

[0149] （5）

[0150] ；

[0151] 式中， 为海底点坐标解算的三个方程，为潜在海底点坐标， 为海面点坐标，为光在空气中速度， 为海面到二次极大值的时间差， 为海水折射率，取值为1.333， 代表海面法向量，通过
附近海面点拟合高斯二次曲面得到， 为激光脉
冲发射向量， 为脉冲发射时刻激光器位置， 为折射角，由式（7）计算得到：

[0152] （7）

[0153] 对所有波形的二次极大值解算其点云位置，得到潜在海底点云。对于海面‑海底脉冲，还应标记其坐标解算后的海底点。

[0154] 步骤3：定义与密度相关的椭球邻域，提取预生成点云的空间特征；

[0155] 预生成的潜在海底点云中存在大量噪声点，相比较来说，弱回波海底点的空间连续性区别于不规则分布噪声点。海底点的空间连续性表现为水平方向大、垂直方向小，水平和垂直方向应具有不同的邻域尺度。椭球邻域可根据不同参数调整形状，如图5是本发明实施例提供的椭球邻域示意图；图6是本发明实施例提供的查找到的邻域点结果图。

[0156] 进一步的实施例中，步骤3具体包括如下步骤：

[0157] 步骤3.1：椭球邻域参数确定；

[0158] 针对椭球大小决定了邻域点的数量，其轴长应与点密度相关。将海底点构建格网，若格网内存在点，则格网为被扫描，通过公式（8）计算平均点密度 ；

[0159] （8）

[0160] 式中， 为ALB系统生成的海底点数量， 为存在海底点的格网数量，为格网宽度，本实施例为2。设定椭球的三个半轴分别为： ， ；

[0161] 步骤3.2：椭球邻域点查找；

[0162] 将预生成潜在海底点云作为点集，构建KD树缩短邻域检索时间。对于点云中某点，查找与点 欧式距离小于 （椭球长半轴）的邻域点，这些邻域点中满足公式（9）的点即为椭球内邻域点；

[0163] （9）

[0164] 式中，EPS为点 的椭球邻域点集， 为点 椭球内邻域点坐标， 为椭球的三个半轴长。

[0165] 步骤3.3：点云空间特征提取；

[0166] 计算椭球邻域点的协方差矩阵和三个特征值，并由大到小排序得到 ，根据 得到标准化后的特征值 ；将特征值 、椭球邻域内点数量、线度 、面度 、离散度 、各向异度 、全向方差 、特征值熵 作为点云空间特征，计算方法见公式（10）‑公式（15）：

[0167] （10）

[0168] （11）

[0169] （12）

[0170] （13）

[0171] （14）

[0172] （15）

[0173] 式中， 为特征值 的自然对数；最终构建的点云空间特征为：。

[0174] 步骤4：构建BP神经网络，识别预生成点云中的海底点，并基于激光脉冲回波顺序和点云密度优化海底点识别结果。

[0175] 进一步的实施例中，步骤4具体包括如下步骤：

[0176] 步骤4.1：BP神经网络构建与海底点识别；

[0177] 针对Aquarius系统利用CFD方法生成的海底点可信度较高，将海面‑海底脉冲生成的海底点云作为BP神经网络的训练、验证、测试数据，其比例为7:1.5:1.5，将海底点类别标记1，其余点类别标记为0。构建包括输入层、隐藏层、输出层的3层BP神经网络（BP neural network，BPNN）。输入为利用椭球邻域提取的10维空间特征，隐藏层节点数设置为100，输出为海底点或其余点。网络训练前，对训练样本、验证样本、测试样本采用线性归一化至[0,1]区间；

[0178] 将仅海面脉冲产生的点云作为待识别数据，用同种方式归一化至[0,1]区间。利用构建的BPNN识别仅海面脉冲产生的点云，最终识别结果标记为1的点即为增强识别的粗糙海底点云；

[0179] 步骤4.2：海底点识别结果优化；

[0180] 单个水域激光脉冲原则上只对应一个海底点，因此，本发明仅保留BPNN结果中每个激光脉冲的第一个海底点。基于密度的聚类算法（Density‑based spatial clustering of applications with noise，DBSCAN）能够从噪声点云中提取高密度的目标点簇，考虑折射及无海底回波因素，DBSCAN的搜索半径为 ，最小点数量MinN设置为20。此外，为避免局部小点簇对识别结果的影响，删除点数量不足100或与系统生成点云不连通的点簇，最终保留的点即为增强识别的海底点云。某岛的海底点增强识别结果如图7和图8所示，图7是本发明实施例提供的某岛条带1海底点增强识别结果的对比图；图8是本发明实施例提供的某岛条带2海底点增强识别结果的对比图。图8中展示了本发明提出的增强识别结果，CFD为系统生成点云，PPIA、RLD以及本发明的结果均为增强识别到的新增点云。实施例结果显示，本发明的增强识别点相比系统生成的点数量增加了201.3%，可用最大测深深度增加了55%，可以看出本发明的增强识别点数量和可用最大测深深度均明显增加，且效果优于PPIA和RLD两种对比方法。因此，在砂质、砾石等海底底质类型下，提出方法均有较好的结果，是一种有效且可靠的ALB海底弱回波增强识别方法。

[0181] 实施例3，如图9所示，本发明实施例提供的机载激光测深海底弱回波增强识别系统包括：

[0182] 海域激光脉冲划分模块1，用于基于预处理数据将海域激光脉冲分为海面‑海底脉冲或仅海面脉冲；

[0183] 预生成海底点模块2，用于利用两次极大值法确定回波波形的潜在海底回波位置并预生成海底点；

[0184] 预生成点云的空间特征提取模块3，用于定义与密度相关的椭球邻域，提取预生成点云的空间特征；

[0185] 海底点识别模块4，用于构建BP神经网络，识别预生成点云中的海底点，并基于激光脉冲回波顺序和点云密度优化海底点识别结果。

[0186] 在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

[0187] 上述装置/单元之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

[0188] 所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程。

[0189] 基于上述本发明实施例记载的技术方案，进一步的可提出以下应用例。

[0190] 根据本申请的实施例，本发明还提供了一种计算机设备，该计算机设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。

[0191] 本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现上述各个方法实施例中的步骤。

[0192] 本发明实施例还提供了一种信息数据处理终端，所述信息数据处理终端用于实现于电子装置上执行时，提供用户输入接口以实施如上述各方法实施例中的步骤，所述信息数据处理终端不限于手机、电脑、交换机。

[0193] 本发明实施例还提供了一种服务器，所述服务器用于实现于电子装置上执行时，提供用户输入接口以实施如上述各方法实施例中的步骤。

[0194] 本发明实施例还提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行时可实现上述各个方法实施例中的步骤。

[0195] 所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器（Read‑Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。

[0196] 以上所述，仅为本发明较优的具体的实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。