CN108665398A - 基于盲源分离的多物品安检算法 - Google Patents

Abstract

本发明涉及的是一种适用于公共安全危险品检测领域的S参数匹配方法，具体的来说是一种通过建立样本的S参数数据库，再将现场检测S参数进行去噪、数据预处理和FastlCA算法分离混合信号后与数据库进行匹配并识别出物品的方法。相比火车站和机场等重点安全区域，公交车这类公共场所具有人流量大，流动速度快的特点，X光检测仪并不适用，而本发明所提到的基于盲源分离的危险品检测分离算法具有收敛速度快，计算简单的特点，非常适合在公交车这类公共场所使用。通过实验数据证实将本发明运用到危险品检测中使检测效率和准确率有明显提高。若提高数据库的丰富程度，检测的漏报率和误报率也会同时提升。

Description

基于盲源分离的多物品安检算法

技术领域

本发明专利属于公共安全监测领域，具体涉及混合危险品的分离检测方法。

背景技术

近年来，虽然国家已经加强了对安全方面的把关，但是全国发生的危险品爆炸事件还是频频发生。例如2014年7月15日广州市珠海区广州大道南敦和路口南向方向一台公交车着火，车子发生爆炸，造成多人受伤和死亡；2015年天津港瑞海公司危险品仓库重大火灾爆炸事故的教训还历历在目。对于公交车这类分散的公共场所具有人员密度大、换乘频繁、开放性强，并且乘客携带物品复杂多样，极易引发安全事故。因此发明一种高效便捷、成本较低、误报率低的危险品分离检测方法具有一定的现实意义。

现如今在危险品领域检测的主要方法有X光检测和近红外光谱检测，虽然X光检测仪器具有检测速度快的特点，但是其误报率和漏报率也较高，所以其只适用于机场火车站等安全区域对危险品的初步筛选，不适用于公交车等较分散的公共场所。

发明内容

为了解决现有的危险品检测方法无法适应人流量大、地点分散的公共场所问题。因此本发明提出了一种成本低、应用方便、误报率和漏报率较低的危险品检测方法。

本发明采用的技术方案是：首先利用自由空间法建立起检测样本的S参数数据库，实际检测时的多物品测试信号混合在一起，按照负熵最大化搜寻原则和牛顿迭代法将混合信号解混，再将解混后的信号与样本数据库进行自适应匹配。实验表明，FastICA算法对危险品检测的多物品识别具有较高的可靠性。

S参数曲线，就是在不同频率下散射参数组成的曲线。其中散射参数包括S12：反向传输系数，S21：正向传输系数，S11：输入反射系数，S22：输出反射系数。每种参数由一个复数表示。由复数的实部和虚部可以算出参数的幅值和相位。其中幅值常用分贝值表示。

在实际检测过程中---这里以区分水和汽油为例，将检测到的水和汽油的混合信号记为X(t)，由于X(t)是由独立的两个信源所混合而成，所以可以将X(t)通过一个线性变换，使X(t)投影到一个子空间变成白色向量。

Z(t)＝W^TX(t) 公式1

其中W为白化矩阵，Z为白化向量。

首先，W^TX的负熵的最大近似值能通过对E{G(W^TX)}进行优化来获得。根据Kuhn-Tucker条件，在E{(W^TX)²}＝||W||²＝1的约束条件下，E{G(W^TX)}的最优值能在满足下面条件的点上获得：

E{Xg(W^TX)}+βW＝0 公式2

这里的β是一个恒定值，我们利用牛顿迭代法求解公式2中的方程后，可比较容易的对所得矩阵求其逆矩阵，所以可以得到下面的近似牛顿迭代公式3和公式4：

W^*＝E{Xg(W^TX)}-E{g(W^TX)}W 公式3

这里，W^*是W的新值，β＝E{W^TXg(W^TX)}，简化后就可以得到FastICA算法的迭代公式：

W^*＝E{Xg(W^TX)}-E{g(W^TX)}W 公式5

其中g为非线性函数，当迭代满足最大化负熵要求时即认为是所求解混后的信号Y(t)。

当求出解混后信号Y(t)之后，将Y(t)与数据库中的数据进行自适应匹配，在匹配过程中不同数据的对比会呈现不同的误差，若是在事先设定的误差阈值内则认为匹配成功。

本发明的有益效果：

(1)运算效率提高。本方法中利用了FastICA算法，减小了计算量，迭代过程中收敛速度快，明显提升了效率，在公交车这种人流量大、流动速度快的环境下比较适用。

(2)检测效果好。汽油这样的有机质液态危险品的S参数曲线波动性较大，能与水等物质有明显区别。

(3)系统的可靠性较高。对数据进行白化处理可去除数据之间的相关性减小不同物质在检测过程中的相互影响。在自适应匹配过程中设定误差阈值可以更能有效降低误判和漏判的几率。

附图说明

图1：FastICA算法在实验过程中的处理框图。

图2：样品的S参数曲线。上图为汽油的S参数曲线。下图为水的S参数曲线。其中，横轴为频率，纵轴为S参数，本图中为幅值，单位为分贝。

图3：样本数据白化处理后，将样本进行随机的线性组合所得，即为对现实情况的模拟。

图4：解混后信号。在匹配后可判断出上图为汽油，下图为水。

表1：多组实测S参数数据的样本均值(单位：db)。

具体实施方式

下面结合数据和附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。

1.首先将样本S参数添加进数据库，如表1所示为油和水在8-18GHz频段内提取的S参数，其中采样点数为201个。图2所示为水和汽油样本的S参数曲线。

2.在开始检测危险品之前，系统会自动测试一组当前环境的S参数，为白化过程做准备，提高检测的正确率。

3.如图3所示为实验过程中去噪、白化后得到的水和汽油的混合信号。

4.如图4所示为经过FastICA算法处理过后得到的解混后的信号，然后系统会将解混后的信号与数据库进行自适应误差检测，如果误差在预定阈值内，系统则会识别目标并发出预警。

以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (9)

1.基于盲源分离的多物品分离检测算法包括生成数据库、检测当前环境参数、数据预处理、自适应匹配这四个步骤。

2.根据权利要求1所述生成数据库的特征是：在一定频段内提取样本的S参数，再将所有样本参数整理生成数据库。

3.根据权利要求1所述检测当前环境参数的特征是：实际检测过程中该环境中的噪声的S参数曲线。

4.根据权利要求3所述噪声的S参数曲线的特征是：多次取环境参数求平均以减小误差。

5.根据权利要求1所述数据预处理的特征是：对检测中所提取的物品参数进行去噪处理。

6.根据权利要求1所述自适应匹配的特征是：在通过FastlCA算法将数据进行分离之后，各数据分别与数据库在误差阈值内进行自适应匹配以确认目标。

7.根据权利要求6所述FastlCA算法的特征是：在先验概率未知的条件下能够实现数据的分离。

8.根据权利要求6所述误差阈值的特征是：在匹配过程中将分离数据与数据库中样本数据求差取绝对值后求的误差累积在阈值范围内即认为匹配成功。

9.根据权利要求7所述数据分离的特征是：将多物品混合参数分别区别开来。