基于压缩采样匹配追踪的激光传感器深度数据重构方法

摘要

本发明公开了一种基于压缩采样匹配追踪的激光传感器深度数据重构方法，由于激光传感器采集的得到的数据量大，基于压缩感知中测量矩阵对海量冗余数据的筛选，可以实现采集数据的压缩，最终通过解压缩数据重构得到植株的图像。本发明利用的是压缩采样匹配追踪算法：每次迭代的原子会在下一次迭代过程中可能会有所丢弃，残差也会的到相应的更新，增加了重构的精度。本发明主要从传感器采集的数据入手，大大降低了传感器数据的存储和传输压力，其次，对于已经压缩的深度数据，对农作物的阶段成长分析以及以后的数据查询都有着重要的意义。

主权项

一种基于压缩采样匹配追踪的激光传感器深度数据重构方法，其特征在于，包括以下几个步骤：步骤1、对激光传感器采集到植株形态的深度数据进行预处理，使得每一帧数据对应记为f_n(i)，并且每一帧对应的位置产生高斯随机矩阵序列Φ_n(m)，m∈{1,2，...，M}，将帧数据f_n(i)与高斯随机矩阵Φ_n(m)相乘，结果作为测量值y_n(m)，f_n(i)表示帧数f_n的第i个数据，其中n∈{1，2，...，N}，i∈{1，2，...，I}，(M<<N)，其中M，N均为正整数；步骤2、对于每一帧数据在高斯随机矩阵下的测量，于是得到M个测量值：$y_n\left(m\right)=\underset{i=I}{\overset{I}{\Sigma }}{f}_n\left(i\right){\Phi }_n\left(m\right)$其中，m＝1，2，...，M，在第M次测量之后的得到的第i个测量值向量为：[y_n(1)，y_n(2)，...，y_n(M)]^T＝Φ[f₁(i)，f₂(i)，...，f_n(i)]^T其中测量矩阵Φ为：$\Phi ={\left[\begin{array}{ccccc}{\Phi }_1\left(1\right)& {\Phi }_2\left(1\right)& ...& {\Phi }_{N-1}\left(1\right)& {\Phi }_N\left(1\right)\\ {\Phi }_1\left(2\right)& {\Phi }_2\left(2\right)& ...& {\Phi }_{N-1}\left(2\right)& {\Phi }_N\left(2\right)\\ \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}\\ \mathrm{...}\\ \end{array}& \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}.\\ .\\ .\end{array}\\ {\Phi }_1\left(M\right)& {\Phi }_2\left(M\right)& ...& {\Phi }_{N-1}\left(M\right)& {\Phi }_N\left(M\right)\end{array}\right]}_{M\times N}$步骤3、利用小波变换使帧矩阵具有稀疏特性，信号f的稀疏表示为：f＝Ψθ，Ψ是稀疏矩阵，θ是K稀疏的稀疏向量；步骤4、将测量矩阵Φ与稀疏矩阵Ψ相乘得到传感矩阵A＝ΦΨ，从而得到信号f的线性测量值y：y＝Aθ，Φ∈R^M×N；步骤5、基于压缩采样匹配追踪的激光传感器深度数据的重构；步骤6、输出稀疏估计信号步骤7、恢复信号，将输出的稀疏信号利用逆变换得到原始信号f。