CN109696711B - 一种基于极化散射特性的卷积神经网络目标检测识别方法 - Google Patents

一种基于极化散射特性的卷积神经网络目标检测识别方法 Download PDF

Info

Publication number
CN109696711B
CN109696711B CN201710982697.0A CN201710982697A CN109696711B CN 109696711 B CN109696711 B CN 109696711B CN 201710982697 A CN201710982697 A CN 201710982697A CN 109696711 B CN109696711 B CN 109696711B
Authority
CN
China
Prior art keywords
polarization
target
neural network
detection
echo data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710982697.0A
Other languages
English (en)
Other versions
CN109696711A (zh
Inventor
崔振茂
安健飞
成彬彬
陆彬
岑冀娜
刘杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Electronic Engineering of CAEP
Original Assignee
Institute of Electronic Engineering of CAEP
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Institute of Electronic Engineering of CAEP filed Critical Institute of Electronic Engineering of CAEP
Priority to CN201710982697.0A priority Critical patent/CN109696711B/zh
Publication of CN109696711A publication Critical patent/CN109696711A/zh
Application granted granted Critical
Publication of CN109696711B publication Critical patent/CN109696711B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V8/00—Prospecting or detecting by optical means
    • G01V8/10—Detecting, e.g. by using light barriers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V8/00—Prospecting or detecting by optical means
    • G01V8/005—Prospecting or detecting by optical means operating with millimetre waves, e.g. measuring the black losey radiation

Landscapes

  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Geophysics (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于极化散射特性的卷积神经网络目标检测识别方法，其检测步骤主要是：对目标进行照射极化信号，然后从目标身上反馈的回波采用去斜的方式接收目标极化回波；然后对目标极化回波进行采样，采样的每一帧雷达回波数据均包括VV极化通道、VH极化通道、HH极化通道、HV极化通道四路回波数据，对四路回波数据采用卷积神经网络输入，实现通过对目标极化特性对目标身上的危险物品进行检测识别。本发明无需经过成像处理，检测处理过程简单，检测速度快，检测帧率可达10Hz；采用卷积神经网络识别方法可找到四路不同极化特性回波数据的融合方式，大大提高物品识别率，可对人体背景下的危险物品起到一定的检测与识别作用。

Description

一种基于极化散射特性的卷积神经网络目标检测识别方法
技术领域
本发明涉及人体安检的技术领域，尤其是一种在人体背景下基于目标极化散射特性的非成像危险品检测与识别方法。
背景技术
人体危险品的远程安检和预警是当今世界的反恐难题。毫米波或太赫兹由于其特殊的频段，从而具有穿透衣物等特殊性质，因此在安检领域具有广阔的应用前景。
当前站开式人体安检主要采用主动式成像方法来实现危险品检测，其基本原理是依靠机械扫描结构对目标进行二维扫描从而获得目标图像信息。机械扫描方式大大降低了其安检速度，使得其在远距离非合作式的安检中难以应用，总体来说，站开式成像安检仪信号处理过程较为复杂，系统成本较高，探测距离有限，量产难度较大，难以实现商业应用。
发明内容
本发明提供了一种基于极化散射特性的卷积神经网络目标检测识别方法，不仅可以克服现有站开式安检系统信号处理过程较为复杂的技术缺陷，而且可以有效解决检测速度慢的问题，该方法可以对人体背景下的危险物品起到一定的检测与识别的作用，速度较快，系统结构需求简单。
本发明解决其技术问题所采用的技术方案是：
一种基于极化散射特性的卷积神经网络目标检测识别方法，其特征在于：
（1）发射一定脉冲宽度的宽带线性调频连续波信号对目标进行照射，两发射通道分别呈水平极化与垂直极化；
（2）采用Dechirp（即去斜）的接收方式对从目标身上反馈的回波进行接收，两接收通道分别呈水平极化与垂直极化，接收到的回波为目标极化回波；
（3）对目标极化回波进行采样，采样得到的每一帧目标回波数据均包括有VV极化通道、VH极化通道、HH极化通道、HV极化通道四路回波数据；
（4）将所述四路回波数据通过卷积神经网络的输入，采用卷积神经网络算法通过对目标极化特性对目标身上的危险物品进行检测识别。
所述宽带线性调频连续波信号经去斜接收以后，对于固定距离的目标回波数据为点频信号，对在一定距离范围内的目标回波数据则为一窄带信号；因此，对固定距离的目标进行探测时，在频域对目标回波数据进行距离维截取，从而达到降低输入数据数量。
本发明通过测量目标回波的极化散射特性，采用卷积神经网络算法实现隐藏危险品的检测识别。测量体制为全极化体制，采用两发两收分立天线实现极化信号的收发，其中接收通道与发射通道分别成水平极化与垂直极化。
本发明的有益效果如下：
1、本发明相比于成像的安检手段，无需经过成像处理过程，其检测处理过程简单，检测速度较快，检测帧率可达10Hz；
2、本发明相比于传统的检测算法，采用了卷积神经网络识别方法，该方法更能够刻画物体的极化特性，一方面找到了四路不同极化特性回波数据的融合方式，另一方面不仅仅依靠峰值做简单的判定，大大提升了检测的效果，提高物品识别率，甚至有可能起到识别的作用；
3、本发明对应的系统需求结构简单，成本低廉，易于实现，适合大规模的商业应用。
附图说明
图1是本发明的测试原理示意图。
图2是本发明采用的目标检测算法的算法原理图。
具体实施方式
如图1所示，其中：SHM为谐波混频器，LAN为低噪放。
通过线性调频源及收发倍频链路产生宽带线性调频连续波，再通过同极化发射天线与交叉极化发射天线分别对目标进行照射，发射时间互不重叠，接收天线采用分时复用的方式，分别对不同极化方式回波进行接收，从而产生四路回波数据，分别为VV极化通道，VH极化通道，HH极化通道，HV极化通道等四路回波数据。系统采用去斜的方式对回波进行接收，数字接收机对目标极化回波进行采样，线性调频信号经去斜接收以后，对于固定距离的目标回波数据为点频信号，对在一定距离范围内的回波数据则为一窄带信号，因此，可在频域对回波信号进行距离维截取。
然后如图2所示，首先对各通道的目标回波进行FFT变换，得到频域的目标回波信号，在频域对目标特征进行识别，按回波的距离维分辨率与分布决定其卷积核参数设计，如图2 B所示，再根据目标范围进行信号截取，可大大减少数据点数，如图2 C所示。方法采用卷积神经网络作为各通道的极化特性融合方法，将截取后的四路回波数据分别采用不同的卷积层对其特征进行提取，最终再采用全连接层对其进行数据融合，达到通过利用不同极化特性对目标进行识别的目的。
卷积神经网络结构如图2 D所示，主要由四组独立的卷积层（convolutionlayer）、子抽样层（subsample layer）分别对各通道的极化特性进行提取，图中每通道仅采用一层卷积网络进行识别，同样可采用多层卷积网络首尾相连，改善识别的效果。四路极化数据经过卷积层与子抽样层进行特征提取以后，再由全连接层进行数据融合，最终得到结果输出。卷积网络的卷积核参数按回波的距离维分辨率进行设计。

Claims (2)

1.一种基于极化散射特性的卷积神经网络目标检测识别方法，其特征在于其检测步骤如下：
（1）发射宽带线性调频连续波信号对目标进行照射，两发射通道分别呈水平极化与垂直极化；
（2）采用Dechirp的接收方式对从目标身上反馈的回波进行接收，两接收通道分别呈水平极化与垂直极化，接收到的回波为目标极化回波；所述宽带线性调频连续波信号经去斜接收以后，对固定距离的目标进行探测时，在频域对目标回波数据进行距离维截取，从而降低输入数据数量，确定目标距离；
（3）对目标极化回波进行采样，采样得到的每一帧目标回波数据均包括有VV极化通道、VH极化通道、HH极化通道、HV极化通道四路回波数据；
（4）将所述四路回波数据通过卷积神经网络的输入，采用卷积神经网络算法通过对目标极化特性对目标身上的危险物品进行检测识别。
2.根据权利要求1所述的基于极化散射特性的卷积神经网络目标检测识别方法，其特征在于：对目标进行照射时，发射两路极化信号，从目标身上反馈的回波分成两路极化信号进行。
CN201710982697.0A 2017-10-20 2017-10-20 一种基于极化散射特性的卷积神经网络目标检测识别方法 Active CN109696711B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710982697.0A CN109696711B (zh) 2017-10-20 2017-10-20 一种基于极化散射特性的卷积神经网络目标检测识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710982697.0A CN109696711B (zh) 2017-10-20 2017-10-20 一种基于极化散射特性的卷积神经网络目标检测识别方法

Publications (2)

Publication Number Publication Date
CN109696711A CN109696711A (zh) 2019-04-30
CN109696711B true CN109696711B (zh) 2020-12-25

Family

ID=66225231

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710982697.0A Active CN109696711B (zh) 2017-10-20 2017-10-20 一种基于极化散射特性的卷积神经网络目标检测识别方法

Country Status (1)

Country Link
CN (1) CN109696711B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3779492A1 (en) * 2019-08-14 2021-02-17 Koninklijke Philips N.V. Optical detection of foreign metal objects on subjects before undergoing magnetic resonance imaging
CN112206063A (zh) * 2020-09-01 2021-01-12 广东工业大学 一种多模态多角度牙科种植体配准方法
CN112859066A (zh) * 2021-02-23 2021-05-28 中国工程物理研究院电子工程研究所 一种基于视频成像模块的远距离人体隐藏危险品检测仪
CN113267773B (zh) * 2021-04-14 2023-02-21 北京航空航天大学 一种基于毫米波雷达的室内人员准确检测和精确定位方法
CN114065927B (zh) * 2021-11-22 2023-05-05 中国工程物理研究院电子工程研究所 一种硬件加速器的激励数据分块处理方法及硬件加速器

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101498789A (zh) * 2009-02-25 2009-08-05 中国测绘科学研究院 一种基于全极化合成孔径雷达的地物目标分类方法和装置
CN105866850A (zh) * 2016-06-03 2016-08-17 中国工程物理研究院电子工程研究所 一种基于雷达目标极化特性的远距离人体隐藏危险品检测仪
CN106597381A (zh) * 2016-12-02 2017-04-26 西安电子科技大学 全相参全极化mimo雷达四通道融合目标检测方法
CN107256414A (zh) * 2017-06-27 2017-10-17 哈尔滨工业大学 基于空域特征图谱的极化sar图像卷积神经网络分类方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6967612B1 (en) * 2004-10-22 2005-11-22 Gorman John D System and method for standoff detection of human carried explosives

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101498789A (zh) * 2009-02-25 2009-08-05 中国测绘科学研究院 一种基于全极化合成孔径雷达的地物目标分类方法和装置
CN105866850A (zh) * 2016-06-03 2016-08-17 中国工程物理研究院电子工程研究所 一种基于雷达目标极化特性的远距离人体隐藏危险品检测仪
CN106597381A (zh) * 2016-12-02 2017-04-26 西安电子科技大学 全相参全极化mimo雷达四通道融合目标检测方法
CN107256414A (zh) * 2017-06-27 2017-10-17 哈尔滨工业大学 基于空域特征图谱的极化sar图像卷积神经网络分类方法

Also Published As

Publication number Publication date
CN109696711A (zh) 2019-04-30

Similar Documents

Publication Publication Date Title
CN109696711B (zh) 一种基于极化散射特性的卷积神经网络目标检测识别方法
US11209538B2 (en) Millimeter-wave three-dimensional holographic imaging method and system
WO2017107283A1 (zh) 基于线性调频的多人人体安检设备及方法
CN106019275A (zh) 毫米波成像系统及安检系统
Nicolaescu Improvement of stepped-frequency continuous wave ground-penetrating radar cross-range resolution
Zhang et al. Data analysis technique to leverage ground penetrating radar ballast inspection performance
Yurduseven et al. Point-spread-function (PSF) characterization of a 340-GHz imaging radar using acoustic levitation
CN108181624B (zh) 一种差分计算成像装置及方法
CN105510910A (zh) 一种超宽带雷达成像式安检方法
US10725164B1 (en) System and method for detecting vehicles and structures including stealth aircraft
CN102565796A (zh) 一种圆柱阵面三维成像系统的成像方法
Wu et al. A simple strategy for moving target imaging via an experimental UWB through-wall radar
CN106405551B (zh) 一种v-fm信号体制isar二维成像方法
CN105068126A (zh) 一种带有幅度修正的毫米波全息成像方法
Sakamoto et al. Fast range point migration method for weapon detection using ultra-wideband radar
Luo et al. Influences of channel errors and interference on the OFDM-MIMO SAR
CN103064082B (zh) 基于方位维随机功率调制的微波成像方法
Solimene et al. 3D sliced tomographic inverse scattering experimental results
CN106019246B (zh) 一种基于内部目标的主动太赫兹快速安检仪实时校正方法
RU2522853C1 (ru) Способ и устройство обнаружения и идентификации предметов, спрятанных под одеждой на теле человека
Zhao et al. 0.14 THz imaging system for security and surveillance
Caliskan et al. 24 GHz short range radar system measurements for synthetic aperture radar imaging
Tirado et al. Towards three-dimensional millimeter-wave radar imaging of on-the-move targets
Duan et al. Interference countermeasure system based on time–frequency domain characteristics
CN105629230B (zh) 战地车无损检测系统和方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant