CN109073777A - 一种隐身物体探测系统和方法 - Google Patents

Abstract

本申请提供了一种隐身物体探测系统和方法，所属系统包括：分束聚焦阵列，图像传感阵列，和数据处理模块；分束聚焦阵列，用于对待测入射光进行分束，并将分束光分别聚焦到图像传感阵列对应的图像传感单元上；图像传感阵列的图像传感单元将接收到的光束信息转换成对应的电信息；数据处理模块，用于根据电信息对待测入射光的波前进行重构，得到重构波前信息，并通过重构波前信息和人工神经网络算法识别出所述待测入射光是否含有隐身物体的散射光。实施本申请实施例可以探测到采用负折射率超材料进行隐身的物体的存在。

Description

一种隐身物体探测系统和方法

技术领域

本申请属于探测识别领域，具体涉及一种隐身物体探测系统和方法。

背景技术

人能够看到物体，是因为物体的散射光进入了人眼。环境光照射到物体表面上就会发生散射，散射光进入人眼，人就能看到那个物体。

根据上述光学原理，科学家们设计了一种具有负折射率的超材料，在此超材料的基础上又设计变换光学结构，使环境光线绕过被隐身物体，这种超材料可以对反射光线进行控制，使其尽量与背景光线一致，从而实现对物体隐身。

目前上述操控电磁波传播方向的隐身技术，还没有找到合适有效的方法进行反隐身探测。

发明内容

本申请的目的是提供一种隐身物体探测系统，可以探测到采用负折射率超材料进行隐身的物体的存在。

为实现上述申请目的，本申请所采用的技术方案是，一种隐身物体探测系统，包括：分束聚焦阵列，图像传感阵列，和数据处理模块；

所述分束聚焦阵列，用于对待测物体的入射光进行分束，并将分束光分别聚焦到所述图像传感阵列对应的图像传感单元上；

所述图像传感阵列，包括至少两个图像传感单元，所述图像传感单元将接收到的光束信息转换成对应的电信息；

所述数据处理模块，包括，重构单元和识别单元，所述重构单元用于根据所述电信息对所述待测物体的入射光的波前进行重构，得到重构波前信息，所述识别单元用于通过所述重构波前信息和人工神经网络模型识别出所述待测物体是否含有隐身物体。

可选地，所述人工神经网络模型为预先录入的第一波前识别模型；所述第一波前识别模型通过对隐身物体入射光的重构波前信息和不含有隐身物体的入射光的重构波前信息进行人工神经网络学习和训练构建。

可选地，所述识别单元还用于通过所述重构波前信息和预先录入的第二波前识别模型识别出所述隐身物体的类型；所述第二波前识别模型通过对不同类型的隐身物体入射光的重构波前信息进行人工神经网络学习和训练构建。

可选地，所述重构波前信息，包括相位信息，振幅信息，波前像差中的至少一种。

可选地，所述分束聚焦阵列包括，微透镜阵列或角锥传感器或剪切干涉仪或曲率传感器。

可选地，所述图像传感阵列包括，CCD探测器或CMOS探测器。

可选地，所述隐身物体，包括采用负折射率超材料进行隐身处理后的物体。

另一方面，本申请还提供了一种隐身物体探测方法，所述方法用于上述的隐身物体探测系统，包括：

分束聚焦阵列对待测物体的入射光进行分束，并将分束光分别聚焦到图像传感阵列对应的图像传感单元上；

图像传感阵列的图像传感单元将接收到的光束信息转换成对应的电信息；

数据处理模块根据所述电信息对所述待测物体的入射光的波前进行重构，得到重构波前信息，通过所述重构波前信息和人工神经网络模型识别出所述待测物体是否含有隐身物体。

可选地，数据处理模块通过所述重构波前信息和人工神经网络模型算法识别出所述待测物体入射光是否含有隐身物体，包括：数据处理模块将所述重构波前信息与第一波前识别模型进行匹配，通过匹配结果识别出所述待测物体是否含有隐身物体；所述第一波前识别模型为预先录入的所述人工神经网络模型，通过对隐身物体入射光的重构波前信息和不含有隐身物体的入射光的重构波前信息进行人工神经网络学习和训练构建。

可选地，数据处理模块将所述重构波前信息与第二波前识别模型进行匹配，通过匹配结果识别出所述隐身物体的类型；所述第二波前识别模型为预先录入的所述人工神经网络模型，通过对不同类型的隐身物体入射光的重构波前信息进行人工神经网络学习和训练构建。

可选地，所述重构波前信息，包括相位信息，振幅信息，波前像差中的至少一种。

本申请具有以下有益效果：本申请通过分束聚焦阵列和图像传感阵列可以获得重构的波前分布图像，再通过数据处理模块的人工神经网络模型便可以识别出待测入射光是否含有隐身物体的散射光，即判断出分束聚焦阵列和图像传感阵列是否拍摄到了隐身物体。

附图说明

图1为一种平行环境光的波前分布图；

图2为一种含有隐身物反射光的波前分布图；

图3为本申请公开的隐身物体探测系统的示意图；

图4为本申请公开的隐身物体探测方法的示意图。

具体实施方式

新的隐身技术是通过操控光的传播方向来实现的。人能够看到物体，是因为物体散射的光线进入了人眼。如图1所示，正常环境的平行光的波前分布是一个平面。当有物体存在时，照射到物体上的光线就会发生散射，散射光进入人眼，人就能看到那个物体。根据这个光学原理，科学家们设计了一种具有负折射率的超材料，在此超材料的基础上设计变换光学结构，使光线绕过被隐身物体，从而实现对物体隐身。如图2所示的隐身材料即是这种负折射率超材料，这种超材料对反射光线进行控制，使其尽量与背景光线一致。目前这种新型的操控电磁波传播方向的隐身技术，还没有找到合适有效的方法进行反隐身探测，特别是在复杂场合下，有背景干扰，加大了反隐身探测的难度。

如图3所示，图3为本申请公开的隐身物体探测系统100的示意图。该系统100包括：分束聚焦阵列101，图像传感阵列102，和数据处理模块103；

分束聚焦阵列101，用于对待测物体的入射光进行分束，并将分束光分别聚焦到图像传感阵列102对应的图像传感单元上；

图像传感阵列102，包括至少两个图像传感单元，图像传感单元将接收到的光束信息转换成对应的电信息；

数据处理模块103，包括，重构单元1031和识别单元1032；重构单元1031用于根据电信息对待测物体的入射光的波前进行重构，得到重构波前信息；识别单元1032用于通过重构波前信息和人工神经网络模型识别出待测物体是否含有隐身物体。

在本实施例中，待测入射光的波长不仅仅指人类的可见波长(380-760纳米)，这里待测入射光可以是无线电波、微波、太赫兹、红外线、可见光、紫外线。

在本实施例中，隐身物体包括采用负折射率超材料进行隐身处理后的物体，比如，包括家用物品，军用仪器，生命体(人或动物)等。

在本实施例中，分束聚焦阵列101可以是微透镜阵列或角锥传感器或剪切干涉仪或曲率传感器，其中微透镜的直径大小，个数和曲率半径可以根据使用环境进行优化，本实施例不做限制。分束聚焦阵列也可以是其他自由曲面阵列，复合结构阵列等。

在本实施例中，图像传感阵列102可以是CCD图像传感阵列，CMOS图像传感阵列等。通过特殊设计的微透镜阵列实现一次拍照得到多幅子图像，由于微透镜阵列的空间分布，物体的相位信息等波前信息能得到有效记录。

在本实施例中，入射波面通过微透镜阵列后进行光线分束，每个细分束经微透镜聚焦到各自的焦平面传感器上形成光斑阵列。入射光是平行光时，传感器得到的光斑阵列是同微透镜阵列完成对应的规则光斑阵列，隐身材料波前入射光不是平行光时，得到的光斑阵列就会偏离理想位置，形成不规则的光斑阵列，通过对光斑阵列进行重构可以得到重构波前信息。不同的入射光，其波前信息是不一样的，比如波前形状，相位信息，振幅信息，波前像差中的至少一种。

在本实施例中，识别单元1032通过对隐身物体入射光的重构波前信息和不含有隐身物体的入射光的重构波前信息进行人工神经网络(Artificial Neutral Network，ANN)的学习和训练，得到第一波前识别模型，所述识别单元根据待测物体入射光的重构波前信息与第一波前识别模型进行匹配，并根据匹配结果识别出所述待测物体是否含有隐身物体。

可以理解，正常物体经过负折射率超材料隐身后人为的改变了光的振幅和相位等光学性质，从而导致到达图像传感器的波前发生变化，这些波前的畸变，人眼是很难区分的。通过特殊设计的微透镜阵列实现一次拍照得到多幅子图像，由于微透镜阵列的空间分布，物体的相位等波前信息得到有效记录，通过对这些多幅子图像进行重构，可以得到被拍物体的波前分布，再利用人工神经网络ANN对大量含有隐身物体和没有隐身物体的波前图像进行深度神经网络学习，得到一个进行分类识别的模型，即第一波前识别模型，就能有效地对拍摄的场景识别出是否存在人为的隐身物体。

作为一种可选的实施方式，识别单元还用于通过重构波前信息和预先录入的第二波前识别模型识别出所述隐身物体的类型；该第二波前识别模型通过对不同类型的隐身物体入射光的重构波前信息进行人工神经网络学习和训练构建。

在本实施方式中，识别单元通过对不同类型物体经过负折射率超材料进行隐身处理后的波前信息和物体正常状态下的波前信息进行人工神经网络学习和训练，得到第二波前识别模型，并根据待测入射光的重构波前信息识别出隐身物体的类型或种类。

如图4所示，图4为本申请公开的隐身物体探测方法的示意图。该隐身物体探测方法，该方法应用于上述任一隐身物体探测系统，包括：

401、分束聚焦阵列对待测物体的入射光进行分束，并将分束光分别聚焦到图像传感阵列对应的图像传感单元上。

402、图像传感阵列的图像传感单元将接收到的光束信息转换成对应的电信息。

403、数据处理模块根据上述电信息对上述待测物体的入射光的波前进行重构，得到重构波前信息，通过该重构波前信息和人工神经网络模型识别出上述待测物体是否含有隐身物体。

作为一种可选的实施方式，数据处理模块通过重构波前信息和人工神经网络模型识别出待测物体是否含有隐身物体，包括：数据处理模块将上述重构波前信息与第一波前识别模型进行匹配，通过匹配结果识别出上述待测物体是否含有隐身物体；该第一波前识别模型为预先录入的人工神经网络模型，通过对隐身物体入射光的重构波前信息和不含有隐身物体的入射光的重构波前信息进行人工神经网络学习和训练构建。

作为一种可选的实施方式，上述方法还包括：

数据处理模块将上述重构波前信息与第二波前识别模型进行匹配，通过匹配结果识别出上述隐身物体的类型；该第二波前识别模型为预先录入的人工神经网络模型，通过对不同类型的隐身物体入射光的重构波前信息进行人工神经网络学习和训练构建。

作为一种可选的实施方式，上述重构波前信息，包括相位信息，振幅信息，波前像差中的至少一种。

该方法的实施方式与图1所示的隐身物体探测系统相对应，这里不再赘述。

以上是本发明实施例的实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明实施例原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种隐身物体探测系统，其特征在于，包括：分束聚焦阵列，图像传感阵列，和数据处理模块；

所述分束聚焦阵列，用于对待测物体的入射光进行分束，并将分束光分别聚焦到所述图像传感阵列对应的图像传感单元上；

所述图像传感阵列，包括至少两个图像传感单元，所述图像传感单元将接收到的光束信息转换成对应的电信息；

所述数据处理模块，包括，重构单元和识别单元，所述重构单元用于根据所述电信息对所述待测物体的入射光的波前进行重构，得到重构波前信息，所述识别单元用于通过所述重构波前信息和人工神经网络模型识别出所述待测物体是否含有隐身物体。

2.根据权利要求1所述的系统，其特征在于，所述人工神经网络模型为预先录入的第一波前识别模型；所述第一波前识别模型通过对隐身物体入射光的重构波前信息和不含有隐身物体的入射光的重构波前信息进行人工神经网络学习和训练构建。

3.根据权利要求2所述的系统，其特征在于，所述识别单元还用于通过所述重构波前信息和预先录入的第二波前识别模型识别出所述隐身物体的类型；所述第二波前识别模型通过对不同类型的隐身物体入射光的重构波前信息进行人工神经网络学习和训练构建。

4.根据权利要求1至3任一项所述的系统，其特征在于，所述重构波前信息，包括相位信息，振幅信息，波前像差中的至少一种。

5.根据权利要求1至3任一项所述的系统，其特征在于，所述分束聚焦阵列包括，微透镜阵列或角锥传感器或剪切干涉仪或曲率传感器。

6.根据权利要求1至3任一项所述的系统，其特征在于，所述图像传感阵列包括，CCD探测器或CMOS探测器。

7.根据权利要求1至3任一项所述的系统，其特征在于，所述隐身物体，包括采用负折射率超材料进行隐身处理后的物体。

8.一种隐身物体探测方法，所述方法用于如权利要求1所述的隐身物体探测系统，所述方法包括：

分束聚焦阵列对待测物体的入射光进行分束，并将分束光分别聚焦到图像传感阵列对应的图像传感单元上；

图像传感阵列的图像传感单元将接收到的光束信息转换成对应的电信息；

数据处理模块根据所述电信息对所述待测物体的入射光的波前进行重构，得到重构波前信息，通过所述重构波前信息和人工神经网络模型识别出所述待测物体是否含有隐身物体。

9.根据权利要求8所述的方法，其特征在于，数据处理模块通过所述重构波前信息和人工神经网络模型识别出所述待测物体是否含有隐身物体，包括：

数据处理模块将所述重构波前信息与第一波前识别模型进行匹配，通过匹配结果识别出所述待测物体是否含有隐身物体；所述第一波前识别模型为预先录入的所述人工神经网络模型，通过对隐身物体入射光的重构波前信息和不含有隐身物体的入射光的重构波前信息进行人工神经网络学习和训练构建。

10.根据权利要求9所述的方法，其特征在于，所述方法还包括：

数据处理模块将所述重构波前信息与第二波前识别模型进行匹配，通过匹配结果识别出所述隐身物体的类型；所述第二波前识别模型为预先录入的所述人工神经网络模型，通过对不同类型的隐身物体入射光的重构波前信息进行人工神经网络学习和训练构建。