CN110717478B - 一种基于微波的物体检测系统及方法 - Google Patents

一种基于微波的物体检测系统及方法 Download PDF

Info

Publication number
CN110717478B
CN110717478B CN201911007396.1A CN201911007396A CN110717478B CN 110717478 B CN110717478 B CN 110717478B CN 201911007396 A CN201911007396 A CN 201911007396A CN 110717478 B CN110717478 B CN 110717478B
Authority
CN
China
Prior art keywords
signal
data
microwave
scattering
microwave signal
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
CN201911007396.1A
Other languages
English (en)
Other versions
CN110717478A (zh
Inventor
葛建军
刘光宏
冷英
李晓林
杨绍岩
韩阔业
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.)
CETC Information Science Research Institute
Original Assignee
CETC Information Science Research Institute
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 CETC Information Science Research Institute filed Critical CETC Information Science Research Institute
Priority to CN201911007396.1A priority Critical patent/CN110717478B/zh
Publication of CN110717478A publication Critical patent/CN110717478A/zh
Application granted granted Critical
Publication of CN110717478B publication Critical patent/CN110717478B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Signal Processing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于微波的物体检测系统及方法，该系统包括：微波信号产生装置、信号发射装置、信号采集装置和微波信号分析装置；微波信号产生装置用于产生微波信号；信号发射装置用于将微波信号向被检测物体发射；信号采集装置用于采集回波信号，将其发送至微波信号分析装置；微波信号分析装置用于将回波信号的散射信号数据与模板信号数据进行对比。本发明提供的系统，设计科学合理，操作简单，便于使用，无辐射伤害，安全程度高，设备造价低廉，且微波穿透性好，辐射功率小，定位精度高，能够快速判断被检测物体中是否存在异常数据。

Description

一种基于微波的物体检测系统及方法
技术领域
本发明涉及电磁波技术领域，具体涉及一种基于微波的物体检测系统及方法。
背景技术
人头部模型是医学教学、研究和中经常用到的一种模型产品，一般包括颅骨、脑模型、外部皮肤模型等部分。在现有技术中，颅骨模型一般采用3D打印制造或者铸造方式制造，脑模型一般为用水凝胶等制造而成的脑组织模拟物，外部皮肤模型一般通过树脂材料制造。然而，现有技术的人头部模型往往只是从结构方面模仿真实的人头部来制造，在例如介电常数等性质方面却与真实的人头部相差甚远，这远远不能达到医学教学、研究及实验的要求。而如果要达到在介电常数等参数尽可能逼近真实的人头部，需要通过检测系统进行检测。
现有技术的检测系统一般采用X射线检测，但是X射线辐射剂量大，容易对人体造成伤害，检测准确度也不够高。微波检测是用于替代X射线检测的一个很好的选择。微波是指频率为300MHz-300GHz的电磁波，是无线电波中一个有限频带的简称，即波长在1毫米-1米之间的电磁波，是分米波、厘米波、毫米波的统称。微波频率比一般的无线电波频率高，通常也称为“超高频电磁波”。微波的基本性质通常呈现为穿透、反射、吸收三个特性。
微波检测具有灵敏度高、操作方便等特点。与X射线等技术相比，在物体检测及成像方面，微波穿透能力强，能够穿透物体内部从而检测物体内部结构，而且与X射线相比，微波技术为非电离辐射，且功率低，辐射剂量小，不对人体造成伤害。然而，现有技术中缺乏一种利用微波信号检测物体(例如人头部模型)的技术方案。
发明内容
本发明的一个目的是提供一种基于微波的物体检测的新的技术方案。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
根据本发明实施例的一个方面，提供一种基于微波的物体检测系统，包括：微波信号产生装置、信号发射装置、信号采集装置和微波信号分析装置；
所述微波信号产生装置用于产生微波信号；
所述信号发射装置用于接收所述微波信号产生装置产生的微波信号，将所述微波信号向被检测物体发射；
所述信号采集装置用于采集由所述信号发射装置向被检测物体发射微波信号所产生的回波信号，将采集到的所述回波信号发送至所述微波信号分析装置；
所述微波信号分析装置用于将所述回波信号的散射信号数据与模板信号数据进行对比，得到检测结果。
进一步地，所述系统还包括信号测量装置；所述将采集到的所述回波信号发送至所述微波信号分析装置，包括：将采集到的所述回波信号发送至所述信号测量装置，所述信号测量装置用于测量所述回波信号的散射信号数据，并将所述散射信号数据发送至所述微波信号分析装置。
进一步地，所述微波信号分析装置还用于当所述检测结果显示存在异常数据时，利用所述散射信号数据生成物体透视三维模型图像以显示所述异常数据所对应的位置。
进一步地，所述信号发射装置包括发射天线阵列，所述发射天线阵列与所述微波信号产生装置电连接，所述发射天线阵列用于将所述微波信号产生装置产生的微波信号向被检测物体发射。
进一步地，所述发射天线阵列包括若干天线单元，所述若干天线单元均通过多路选择装置与所述微波信号产生装置电连接。
进一步地，所述信号采集装置包括接收天线阵列；所述接收天线阵列与所述信号测量装置电连接，所述接收天线阵列用于采集由所述信号发射装置向被检测物体发射微波信号所产生的回波信号，将采集到的所述回波信号发送至所述信号测量装置。
进一步地，所述接收天线阵列包括若干天线单元，所述若干天线单元均通过多路选择装置与所述信号测量装置电连接。
进一步地，所述物体检测系统还包括信号预处理装置；所述信号预处理装置分别与信号采集装置和所述信号测量装置电连接；所述信号预处理装置用于对所述微波信号进行预处理然后将预处理后的微波信号发送至所述信号测量装置。
进一步地，所述信号预处理装置包括第一滤波器以及依次电连接的第一检波器、混频器、第二滤波器和第二检波器，所述第一滤波器分别与所述混频器和所述信号采集装置电连接；
所述第一滤波器用于接收来自所述信号采集装置的微波信号并对其进行滤波，将滤波后的微波信号输入所述混频器；
所述检波器与所述接收天线阵列电连接；所述检波器用于对来自接收天线阵列的微波信号进行检波处理并将检波处理后的微波信号输入所述混频器；
所述混频器用于对所述滤波后的微波信号和所述检波处理后的微波信号进行混频处理，将混频处理后的微波信号输入所述第二滤波器；
所述第二滤波器用于对所述混频处理后的微波信号进行滤波处理，并将滤波处理后的微波信号输入所述第二检波器；
所述第二检波器用于对所述滤波处理后的微波信号进行检波后将其输入所述信号测量装置。
进一步地，所述微波信号分析装置包括对比模块和成像模块；
所述对比模块用于将所述散射信号数据与模板信号数据进行对比，以判断是否存在异常数据，得到检测结果；
所述成像模块用于当判定存在异常数据时，则利用所述散射信号数据生成物体透视三维图像以显示所述异常数据所对应的位置。
根据本发明实施例的另一个方面，提供一种基于微波的物体检测方法，包括：
微波信号产生装置产生微波信号；
信号发射装置接收所述微波信号产生装置产生的微波信号，将所述微波信号向被检测物体发射；
信号采集装置采集由所述信号发射装置向被检测物体发射微波信号所产生的回波信号，将采集到的微波信号发送至微波信号分析装置；
所述微波信号分析装置将所述回波信号的散射信号数据与模板信号数据进行对比，以判断是否存在异常数据，得到检测结果。
进一步地，所述将采集到的所述回波信号发送至所述微波信号分析装置，包括：将采集到的所述回波信号发送至所述信号测量装置，所述信号测量装置测量所述回波信号的散射信号数据，并将所述散射信号数据发送至所述微波信号分析装置。
进一步地，所述方法还包括：当确认存在异常数据时，利用所述散射信号数据生成物体透视三维模型图像以显示所述异常数据所对应的位置。
进一步地，所述微波信号分析装置将所述散射信号数据与模板信号数据进行对比，包括：
计算所述散射信号数据与模板信号数据的相似度；所述模板信号数据是从标准模板信号库中提取的；
若相似度大于预设阈值，则确认存在异常数据。
进一步地，所述微波信号分析装置将所述散射信号数据与模板信号数据进行对比，还包括：
若确认存在异常数据，则依次计算所述散射信号数据与异常纪录模板库中异常纪录信号的相似度；若计算到所述散射信号数据与某一异常纪录信号的相似度大于预设相似度阈值，则确认该异常纪录信号的数据与所述散射信号数据相同；否则，将所述散射信号数据生成异常纪录信号存入异常纪录模板库。
进一步地，所述利用所述散射信号数据生成物体透视三维模型图像包括：
利用所述散射信号数据构建信号测量向量；
对所述信号测量向量进行最小化降维处理以及散射信号最优估计，完成三维高度向重建模型，通过比较三维高度向重建模型中所有散射点的散射参数，形成一组三维图像数据，从而实现被检测物体三维图像成像。
进一步地，所述散射信号最优估计包括利用AIC准则双向回归进行散射信号最优估计。
进一步地，所述信号测量向量表示为g＝Rγ+ε
其中，g是长度为N的信号测量向量，R是N×L匹配矩阵，γ代表所有二维共焦图像中包括的散射点的散射信号参数构成的矩阵，ε代表误差。
进一步地，所述对所述信号测量向量进行最小化降维处理，包括：
通过组稀疏实现复数据重构，将所述信号测量向量的复数形式的方程被转换为实数形式的方程；
通过Group-BP算法实现混合L1范数最小化降维，得到信号测量向量中的散射点位置的初步估计。
进一步地，所述将所述散射信号数据与模板信号数据进行对比，以判断是否存在异常数据，包括：
从标准模板信号库和异常纪录模板库中分别抽取部分数据构成一个集合，然后将该集合随机分为训练样本集和测试集；
构建用于训练的支持向量机；
用所述训练样本集训练构建好的支持向量机；
用所述测试集测试训练好的支持向量机的分类准确率，看分类准确率是否达到预设精度阈值；若达到，则进行下一步；否则转向上一步；
用训练好的支持向量机对所述散射信号数据进行分类，得到分类结果。
进一步地，所述构建用于训练的支持向量机包括：
通过传统支持向量机的线性分类器，基于训练样本集D在二维空间中用一个超平面来分开二类样本；
计算得到空间中任意样本点x到超平面的距离为
Figure GDA0002308959050000041
最终确定的参数w和b,使得r最大；
得到
Figure GDA0002308959050000042
得到用于训练的支持向量机。
进一步地，所述超平面满足：
Figure GDA0002308959050000043
其中w为法向量，决定所述超平面的方向；b为位移量，决定所述超平面与原点的距离。
进一步地，所述构建用于训练的支持向量机包括：
将传统支持向量机的1-范数修改为2-范数，在目标函数中加入b2，得到
Figure GDA0002308959050000044
Figure GDA0002308959050000051
其中w为法向量，决定所述超平面的方向；b为位移量，决定所述超平面与原点的距离；
即得到用于训练的支持向量机。
进一步地，所述向被检测物体发射微波信号包括：通过微波信号产生装置产生微波信号，然后通过发射天线阵列将所述微波信号向被检测物体发射。
本发明实施例提供的技术方案可以包括以下有益效果：
本发明实施例提供的基于微波的物体检测系统，设计科学合理，操作简单，便于使用，无辐射伤害，安全程度高，设备造价低廉，且微波穿透性好，辐射功率小，能够快速判断被检测物体中是否存在异常数据，得到检测结果。
另外，本发明实施例提供的基于微波的物体检测方法，检测准确率高，检测快速，能够快速判断被检测物体中是否存在异常数据，得到检测结果，能够形成物体透视三维模型图像，定位精度高，便于确定异常数据位置。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者，部分特征和优点可以从说明书中推知或毫无疑义地确定，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请一实施例的系统结构框图；
图2为本申请另一实施例的系统结构框图；
图3为本申请另一实施例的系统结构框图；
图4为本申请一实施例的信号预处理装置的结构示意图；
图5为本申请一实施例的天线阵列的结构示意图；
图6为本申请一实施例的天线阵列的各天线单元在被检测物体周围的放置位置示意图；
图7为本申请一实施例的微波信号分析装置将散射信号数据与模板信号数据进行对比，以判断被检测物体是否存在异常数据的步骤流程图；
图8为人头部模型的层状结构示意图；
图9为微波成像几何原理示意图；
图10为本申请一实施例的基于微波信号的成像方法流程图；
图11为本申请一实施例的用于物体检测的微波信号分类方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，下面结合附图和具体实施例对本发明做进一步说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
如图1所示，本发明的一个实施例提供了一种基于微波的物体检测系统，包括：微波信号产生装置100、信号发射装置200、信号采集装置300和微波信号分析装置500；
所述微波信号产生装置100用于产生微波信号；
所述信号发射装置200用于接收所述微波信号产生装置100产生的微波信号，将所述微波信号向被检测物体发射；所述信号发射装置200向被检测物体发射微波信号会产生回波信号；
所述信号采集装置300用于采集由所述信号发射装置200向被检测物体发射微波信号所产生的回波信号，将采集到的所述回波信号发送至所述微波信号分析装置500；
所述微波信号分析装置500用于将所述回波信号的散射信号数据与模板信号数据进行对比，以判断是否存在异常数据，得到检测结果。
本实施例还提供一种基于微波的物体检测方法，包括：
微波信号产生装置产生微波信号；
信号发射装置接收所述微波信号产生装置产生的微波信号，将所述微波信号向被检测物体发射；
信号采集装置采集由所述信号发射装置向被检测物体发射微波信号所产生的回波信号，将采集到的微波信号发送至微波信号分析装置；
所述微波信号分析装置将所述回波信号的散射信号数据与模板信号数据进行对比，以判断是否存在异常数据，得到检测结果。
如图2所示，本发明的一个实施例提供了一种基于微波的物体检测系统，包括：微波信号产生装置100、信号发射装置200、信号采集装置300、信号测量装置400和微波信号分析装置500；
所述微波信号产生装置100用于产生微波信号；
所述信号发射装置200用于接收所述微波信号产生装置100产生的微波信号，将所述微波信号向被检测物体发射；所述信号发射装置200向被检测物体发射微波信号会产生回波信号；
所述信号采集装置300用于采集由所述信号发射装置200向被检测物体发射微波信号所产生的回波信号，将采集到的所述回波信号发送至所述信号测量装置400；
所述信号测量装置400用于测量所述回波信号的散射信号数据，并将所述散射信号数据发送至所述微波信号分析装置500；
所述微波信号分析装置500用于将所述散射信号数据与模板信号数据进行对比，以判断是否存在异常数据，得到检测结果。
所述异常数据即与所述模板信号数据不同的散射信号数据。
在一些实施例中，所述散射信号数据可以包括介电常数等数据。
例如，本实施例中的物体可以为人头部模型，在制造人头部模型时，若采用铸造方法制造颅骨模型，则颅骨模型内部很容易出现砂眼等缺陷，这些缺陷一方面导致颅骨模型容易破损，缩短使用寿命，另一方面则导致颅骨模型及整个人头部模型在介电常数等参数数据方面达不到精确度要求，因此，利用本系统来检测人头部模型，可以快速判断人头部模型是否符合制造要求。所述模板信号数据可以是预先设定的标准参数值。
另外，本系统也可以应用于其他领域的铸件检测，例如电工陶瓷铸件的检测，在利用本系统对批量制造出的电工陶瓷铸件进行检测时，所述模板信号数据可以通过利用本系统对一个符合要求的标准电工陶瓷铸件进行检测得到，该符合要求的标准电工陶瓷铸件可以称之为标准件。
所述微波信号分析装置500可以为计算机，也可以为连接有显示装置的处理器芯片。
进一步地，所述微波信号分析装置500还用于当确认存在异常数据时，则利用所述散射信号数据生成物体透视三维模型图像以显示所述异常数据所对应的位置。例如在铸件检测时则可以显示砂眼所在的位置。所述模板信号数据可以为经过标准件的微波信号的相应参数，也可以是预先设定的标准参数值。所述标准件是指各项数据与模板信号数据相一致的物体。
在一些实施例中，所述信号发射装置200包括发射天线阵列，所述发射天线阵列与所述微波信号产生装置100电连接，所述发射天线阵列用于将所述微波信号产生装置100产生的微波信号向被检测物体发射。
在一些实施例中，所述发射天线阵列包括若干天线单元，所述若干天线单元均通过多路选择装置与所述微波信号产生装置100电连接。可选地，所述多路选择装置为多路选择开关。
在一些实施例中，所述信号采集装置300包括接收天线阵列；所述接收天线阵列与所述信号测量装置400电连接，所述接收天线阵列用于采集由所述信号发射装置200向被检测物体发射微波信号所产生的回波信号，将采集到的所述回波信号发送至所述信号测量装置400。
在一些实施例中，所述接收天线阵列包括若干天线单元，所述若干天线单元均通过多路选择装置与所述信号测量装置400电连接。可选地，所述多路选择装置为多路选择开关。
如图3和图4所示，在一些实施例中，所述物体检测系统还包括信号预处理装置600；所述信号预处理装置600分别与信号采集装置300和所述信号测量装置400电连接；所述信号预处理装置用于对所述微波信号进行预处理然后将预处理后的微波信号发送至所述信号测量装置400。
在一些实施例中，如图4所示，所述信号预处理装置600包括第一滤波器20以及依次电连接的第一检波器16、混频器17、第二滤波器18和第二检波器19，所述第一滤波器20分别与所述混频器17和所述信号采集装置300电连接；
所述第一滤波器用于接收来自所述信号采集装置300的微波信号并对其进行滤波，将滤波后的微波信号输入所述混频器；
所述检波器与所述接收天线阵列电连接；所述检波器用于对来自接收天线阵列的微波信号进行检波处理并将检波处理后的微波信号输入所述混频器；
所述混频器用于对所述滤波后的微波信号和所述检波处理后的微波信号进行混频处理，将混频处理后的微波信号输入所述第二滤波器；
所述第二滤波器用于对所述混频处理后的微波信号进行滤波处理，并将滤波处理后的微波信号输入所述第二检波器；
所述第二检波器用于对所述滤波处理后的微波信号进行检波后将其输入所述信号测量装置400。
在一些实施例中，所述微波信号分析装置500包括对比模块和成像模块；
在一些实施例中，所述对比模块用于将所述散射信号数据与模板信号数据进行对比，以判断是否存在异常数据，得到检测结果；
所述成像模块用于当确认存在异常数据时，利用所述散射信号数据生成物体透视三维图像以显示所述异常数据所对应的位置。
可选地，信号测量装置400可以为矢量网络分析仪。
可选地，微波信号分析装置500包括计算机。
可选地，如图5和图6所示，所述天线阵列是由若干个天线单元组成的，所述天线阵列中的每个天线单元分别与多路复用开关13电连接，该多路复用开关13分别与所述微波信号发生模块和微波信号接收模块电连接。附图标记1至12分别代表一个天线单元，附图标记13代表被检测物体。根据需要调整多路复用开关13来将天线阵列分为发射天线阵列和接收天线阵列，微波信号发生模块通过多路复用开关13与发射天线阵列的各天线单元电连接。
在一些实施例中，如图6所示，发射天线阵列和接收天线阵列的摆放位置可以分为被检测物体的前后左右和顶部，具体摆放位置根据实际情况可以进行调整，二者的位置关系主要有相对放置和邻近放置两种。考虑发射天线阵列和接收天线阵列之间的极化关系对散射参数的幅度和相位变化的影响，可以通过研究二者之间的极化角度在相对放置和邻近放置时对散射参数的幅度和相位变化的影响，最终选择最佳的收发天线位置和极化关系。
发射天线阵列包括多个分别与微波信号发生模块电连接的天线单元。
接收天线阵列包括多个分别与微波信号预处理模块电连接的天线单元。
在一些实施例中，所述系统还包括固定装置，所述天线阵列的所有天线单元均设置在该固定装置上。在使用时，将该固定装置装配在被检测物体上。
天线阵列的一个实施例如图5和图6所示，该天线阵列包括12个天线单元；12个天线单元之间的位置可以调整。
采用测试仪器测试每个天线的反射系数，以及任意两个天线之间的传输系数，由得到的测试数据通过反演算法得到测试物体的电磁参数。
例如，在人头部模型中，在脑组织模拟物中，各个位置的介电常数是恒定的。当脑组织模拟物中某个位置出现例如气泡等的异常时，由于会改变相应位置的介电常数等参数的值，当使用微波进行测量时，相当于改变微波所经过的介质的介电常数。根据微波经过脑组织模拟物后与模板信号数据的对比，可以判断是否存在异常数据。根据介电常数之间存在的函数关系，并由微波的某些物理特性如透射、反射、散射等，通过测量脑组织模拟物的介电常数值的大小，或者微波频率、相位或幅度等参数数据的变化，来判断脑组织模拟物中是否存在异常数据。
本实施例还提供了一种通过上述的系统实现的基于微波的物体检测方法，包括：
S1、所述微波信号产生装置100产生微波信号，将该微波信号发送至信号发射装置200；
S2、所述信号发射装置200接收所述微波信号产生装置100产生的微波信号，将所述微波信号向被检测物体发射；
S3、所述信号采集装置300采集由所述信号发射装置200向被检测物体发射微波信号所产生的回波信号，将采集到的所述回波信号发送至所述信号测量装置400；
S4、所述信号测量装置400测量所述回波信号的散射信号数据，并将所述散射信号数据发送至所述微波信号分析装置500；在一些实施例中，所述散射信号数据包括幅度和相位；
S5、所述微波信号分析装置500将所述散射信号数据与模板信号数据进行对比，以判断是否存在异常数据，得到检测结果。
在一些实施例中，基于微波的物体检测方法，还包括：
S6、当确认存在异常数据时，则利用所述散射信号数据生成物体透视三维模型图像以显示所述异常数据所对应的位置。所述模板信号数据可以为经过标准件的微波信号的相应参数，也可以是预先设定的标准参数值。
参考图7所示，所述微波信号分析装置500将所述散射信号数据与模板信号数据进行对比，以判断是否存在异常数据，得到检测结果，具体包括：
计算所述散射信号数据与模板信号数据的相似度；所述模板信号数据是从标准模板信号库中提取的；标准模板信号库内存储有模板信号数据；
若相似度小于预设阈值，则确认存在异常数据；否则，确认不存在异常数据，即无异常；例如，若预设阈值为0.80，若相似度小于0.80时，确认存在异常数据，否则无异常；
若确认存在异常数据，则依次计算所述散射信号数据与异常纪录模板库中异常纪录信号的相似度；
若计算到所述散射信号数据与某一异常纪录信号的相似度大于预设相似度阈值，则确认该异常纪录信号的数据与所述散射信号数据相同；否则，确认二者不同；例如，若预设相似度阈值为0.85，则当所述散射信号数据与某一异常纪录信号的相似度的值大于0.85时，即确认该异常纪录信号的数据与所述散射信号数据相同，否则，确认二者不同；
若所述散射信号数据与所述异常纪录模板库中的所有异常纪录信号的相似度均不大于预设相似度阈值，则将所述散射信号数据生成异常纪录信号存入异常纪录模板库。异常纪录模板库内存储有若干对异常物体进行微波信号检测得到的散射信号数据。异常纪录模板库内的数据用于进行数据对比。采用基于信号相似度的检索方式，即保证了信号搜索的速度，也保证了搜索结果的准确性。异常物体即被检测出存在异常数据的物体。
所述当确认存在异常数据时，则利用所述散射信号数据生成物体透视三维模型图像以显示所述异常数据所对应的位置，包括：在将所述散射信号数据生成异常纪录信号存入异常纪录模板库之后，通过成像模块利用所述散射信号数据生成物体透视三维模型图像以显示所述异常数据所对应的位置。
另外，在一些实施例中，步骤S5中，若确认存在异常数据，则直接通过成像模板利用所述散射信号数据生成物体透视三维模型图像以显示所述异常数据所对应的位置。
在一些实施例中，所述利用所述处理后的微波信号生成物体透视三维模型图像，包括：
根据所述散射信号数据中的散射电场分布信息实现待测物的二维图像重构；
基于重构的二维图像，通过接收天线阵列获取的待测物的介质在不同深度下的强度分布数据，得到物体透视三维模型图像。
在一些实施例中，所述利用所述处理后的微波信号生成物体透视三维模型图像，所采用的方法包括：通过利用已知测量介质的各个介电特性参数和激励，计算分析散射场，例如矩量法(Method of Moments，简称MOM)、有限元法(finite element method，简称FEM)以及时域有限差分(Finite-Difference Time-Domain，简称FDTD)算法等。
时域有限差分算法是把Maxwell方程式在时间和空间领域上进行差分化。利用蛙跳式(Leap frog algorithm)计算方法实现在空间领域内的电场和磁场进行交替计算，通过在时间领域上的更新，来模拟电磁场的变化，从而达到对模拟介质的数值计算目的。
在直角坐标系中，把Maxwell方程式在时间和空间领域上进行差分化，利用蛙跳式——空间领域内的电场和磁场进行交替计算，这就是Yee元胞。Yee元胞是计算中的最小单元，其单元网格与场方向如下图所示，相邻电、磁场分量空间间距为半个步长，并在时间上以半步为间隔交替取值。因此，时域有限差分法可以把电磁场在时域上的叠加，推演为各个时刻空间场强分布。具体实施步骤如下：
步骤1)针对物体模型进行网格空间设置及其初始化；
步骤2)设置迭代步长Nmax；
步骤3)所有空间点电磁分量初始化；
步骤4)计算所有空间点N+1步长上的电场分量，更新N＝N+1；
步骤5)计算所有空间点N+1步长上的磁场分量，更新N＝N+1；
步骤6)若N≤Nmax，继续步骤4)；
步骤7)若N>Nmax，结束计算。
目标散射场由散射体形状大小，电参数分布及入射波的频率特性决定。
微波成像是依赖微波与成像物体之间的相互作用，从接收到的散射回波信号中挖掘、提取成像物体的信息，进而重构成像物体特征。不同介质间存在较大的阻抗差异。如图8所示为人头部模型的层状结构示意图。
假定均匀平面波垂直入射，传播方向为+z方向，空气与皮肤界面处为零点，入射波电场为Ein，则透射波Et表示为：
Figure GDA0002308959050000101
其中，
Figure GDA0002308959050000111
为第i层与第i+1层分界面的透射系数，
Figure GDA0002308959050000112
为相位，
Figure GDA0002308959050000113
为第i层介质的本征阻抗，μ0为真空磁导率，εi为第i层介质的介电常数，σi为第i层介质的电导率，ω为角频率；
Figure GDA0002308959050000114
为第i层介质的散射系数，μi为第i层介质的磁导率；di为第i层介质中的传输路径。透射波相对于入射波的相位变化为：
Figure GDA0002308959050000115
由上式可知，透射波的相位与微波源工作频率、电磁波传播路径及被检测物体的介电常数相关。
因此，复杂介质在微波信号的作用下，介质内部的介电特性决定着微波信号的传播和反馈。鉴于上述差异性，可利用微波对被检测物体内部进行成像。
若在多个高度层次上布设多层天线单元，则可获得三维空间谱。依据三维空间谱结构，在时频域对二维阵列回波信号进行幅相处理，即可实现距离、方位二维分辨。若要进一步高度向分辨能力，则需结合经典谱估计或超分辨谱估计等方法实现高度向聚焦。
以动态合成孔径准瞬态高精度三维成像为例，介绍三维成像的信号模型。图9为成像几何示意图，假设在较小的运动范围下，腔体外围天线单元的曲线运动等效为沿x方向作匀速直线运动，um表示第m个脉冲时刻天线单元的方位向位置，vn表示第n个单元的跨航向(y轴/距离向)位置，Hn表示第n个单元的高度向位置。
依据几何关系，第n个单元第m个脉冲在快时间t时刻得到的物体Q的回波，表示成所有点目标回波信号的叠加：
Figure GDA0002308959050000116
其中，σi表示物体的散射系数，p(t)表示发射信号，τ为回波时延：
Figure GDA0002308959050000121
其中，c为光速。
首先，对回波信号关于t进行傅里叶变换，并将ft映射到波数域，即kt＝4πft/c，则：
Figure GDA0002308959050000122
其中，P(kt)为发射信号频谱，通常为线性调频信号。
其次，对式(5)关于方位向um进行傅里叶变换，得到：
Figure GDA0002308959050000123
然后，利用驻定相位原理对式(6)的距离波数域和方位波数域进行求解，得到：
Figure GDA0002308959050000124
将式(7)代入式(6)，得到：
Figure GDA0002308959050000125
最后，上式可近似为：
Figure GDA0002308959050000126
将式(9)代入式(8)并进行化简，可得：
Figure GDA0002308959050000131
其中，
Figure GDA0002308959050000132
因此，场景回波经过两维傅里叶变换其形式为P0(kz,ku,kv)与场景空间谱的乘积，而三维成像过程只需对P0(kz,ku,kv)函数进行匹配滤波，然后进行傅里叶逆变换即可得到场景后向散射系数分布。需要注意的是，以上空间谱采样是非均匀，在成像过程中需要进行插值处理，将空间谱采样到均匀样点上，然后利用IFFT进行成像，相应插值过程具有较大的计算量。为此，三维重建可以采用先二维成像再高程重建的过程，可以大大减小计算负担。
复杂介质对象内部的不同电磁散射特性是微波成像的基本原理和前提条件。这也就意味着电磁散射特性将直接对后续的微波成像性能造成很大的影响。电磁散射特性包括介质类型、频率、幅度、角度等；而成像性能包括分辨率、成像速度、重建误差、虚假目标等指标。成像性能与电磁散射特性存在某种特定的确定关系。本实施例通过计算机、半物理仿真平台等手段，分析多维散射特性与成像性能的关系，找到两者之间量化的关系。
由于微波成像需要具有良好的穿透性和较高的距离分辨率，因此一般要求具有超宽带特性的天线单元。这些单元需要在空间位置有限的范围内均匀设置，天线单元之间物理距离较短使得单元相互耦合度增大，且设置越密，耦合越强，相应技术成本也大。
一般而言，可通过两种方式来降低单元数目。首先是，研究介质内部多向散射、投射、反射特性与成像性能的关系，并依据该关系来优化单元的数目和位置。其次是通过熵值拓展来增加观测矩阵的信息量，即采用非均匀间隔的稀疏阵列，在保证孔径不变的前提下，将天线阵列稀疏布置，通过单元熵值扩展算法的研究，降低天线单元的实际数目。第一种路径主要在成像机理部分完成；第二种途径即为下面详述的基于熵值扩展的天线阵列稀疏优化算法。
如图10所示，本申请的另一个实施例提供了一种基于微波信号的物体检测方法，包括：
S10、微波信号产生装置产生微波信号，通过微波信号发射装置向被检测物体发射微波信号；
S20、在所述微波信号的作用下，被检测物体周围形成散射场，信号采集装置(例如接收天线阵列)对散射场的回波信号进行采集，并将接收到的回波信号传输至微波信号分析装置；
S30、微波信号分析装置获取所述回波信号，并对连续接收到的回波信号进行处理，生成被检测物体三维图像。
微波信号发射装置为由多个天线单元构成的发射天线阵列。微波信号采集装置为由多个天线单元构成的接收天线阵列。微波信号分析装置可以采用计算机。
所述多路选择装置优选为开关矩阵。
微波信号分析装置的处理分析模块获取所述散射场的状态信息包括：
(1)接收天线阵列采集初始回波信号；假设微波信号采集装置在t时刻采集到的被检测物体的回波信号e；
(2)对采集到的初始信号进行减法操作，消除噪声，得到只包含被检测物体信息的散射回波信号。
所述微波信号分析装置获取所述回波信号，并对连续接收到的回波信号进行处理，生成被检测物体三维图像，包括：
S301、微波信号分析装置对回波信号进行采样，形成回波矩阵；对回波矩阵进行扩展，对扩展后的回波矩阵依次进行信号筛选、时延补偿及叠加处理，根据叠加处理后的回波矩阵生成被检测物体的二维共焦图像；
具体地：
接收天线阵列包括多个接收天线单元。假设接收天线单元数目为N，对接收天线阵列采集到的散射回波信号进行时间采样，采样点数为M。
对N组回波信号分别进行采样，将回波信号数据组合为如下M×N矩阵(回波矩阵)：
Figure GDA0002308959050000151
其中，αi为各接收天线单元在同一采样点i时刻接收到回波信号的强度；
对回波信号做L次扩展处理，得到相当于接收天线单元数目L倍的虚拟天线单元，以提高成像精度。
在信号离散的情况下，有限维概率空间可表示如下：
Figure GDA0002308959050000152
其中，ai(i＝1,2,...,n)记为该信号输出的单个元素，其概率为P(ai)。X代表离散无记忆信号阵列。上式可表示为离散无记忆信号阵列的数学模型，其满足完备集条件：
Figure GDA0002308959050000153
利用信息熵表示信号的平均不确定度，将信息熵定义为：
Figure GDA0002308959050000154
对于离散无记忆信号阵列X的输出元素序列，可用多组长度为L的序列来表示，从而组成一个新信号；新信号的输出元素是长度为L的随机序列，且各元素之间统计独立。将其称为离散无记忆信号阵列X的L次扩展信号，用L重概率空间描述，记为XL
Figure GDA0002308959050000155
其中，bi为由离散无记忆信号X中元素组成的长度为L的随机序列，可记为
Figure GDA0002308959050000156
P(bi)为bi的概率，可表示如下：
Figure GDA0002308959050000157
离散无记忆信号X的L次扩展信号XL的概率空间同样满足完备集条件。
根据信息熵的定义，扩展信号XL的熵为：
Figure GDA0002308959050000161
其中，求和符号可等效为L组求和，且每组是对离散信号X中的n个输出元素进行求和。
(4)设置门限Z(i)，利用门限Z(i)对扩展后的回波矩阵进行筛选得到输出信号为：
eZ(i，j)＝Z(i)·e(i，j)， (20)
其中，
Figure GDA0002308959050000162
通过上述的成像构型自适应优化理论算法，可提高探测定位精度和成像质量，降低空间区域受限条件下的天线单元数目、降低天线单元之间的互耦，也为微波成像方法在实际应用中的研发降低硬件成本。
(5)利用所述输出信号进行二维共焦成像；
微波共焦成像主要采用了大量的接收天线单元放置在起聚焦作用的焦平面上，依靠大量的接收天线单元接收到的回波信号进行成像。这种基于凝视的焦平面技术可以做到实时成像。
二维共焦成像算法的流程，包括：
对于探测区域内的每一点，计算它到每个接收天线单元的时延，对每个接收天线单元接收的散射回波信号进行时延补偿及叠加处理，根据信号叠加后获得的能量分布信息，生成二维共焦图像。
S302、利用基于组稀疏的高度向成像方法对所有二维共焦图像进行高度向三维成像，生成被检测物体三维图像。
步骤S302包括：
S3021、构建信号测量向量：
g＝Rγ+ε (19)
其中，g是长度为N的信号测量向量，R是N×L匹配矩阵(部分傅立叶变换矩阵)，γ代表所有二维共焦图像中包括的散射点的散射信号参数构成的矩阵，ε代表误差。散射点的数量记为K。
S3022、对信号测量向量进行最小化降维处理以及散射信号最优估计，完成三维高度向重建模型，通过比较三维高度向重建模型中K个散射点的散射参数，形成一组三维图像数据，从而实现被检测物体三维图像成像；
具体地，对信号测量向量g进行最小化降维，进行混合L1范数的最小化降维处理，并利用AIC(An Information Criterion by Akaike)准则双向回归进行散射信号最优估计，完成三维高度向重建模型，通过比较三维高度向重建模型中K个散射点的散射参数，形成一组三维图像数据，从而实现被检测物体三维图像成像。
步骤S3022具体包括：
(1)通过组稀疏实现复数据重构，将所述信号测量向量的复数形式的方程被转换为实数形式的方程；
设
Figure GDA0002308959050000171
则式(21)转换为：
Figure GDA0002308959050000172
其中，Rr代表R的实部；Ri代表R的虚部；γr代表γ的实部；γi代表γ的虚部；εr代表ε的实部；εi代表ε的虚部；
所以，
Figure GDA0002308959050000173
其中，
Figure GDA0002308959050000174
这样，就获得了2N个样本点，上式依然是一个N<<L的欠定方程组。B的每一列都是从高程向的相同散射点的位置的回波叠加的结果。所以，按行来看，B的非零行的个数也是有限的，信号的这种特性称之为组稀疏。在这种模式下，将所述信号测量向量的复数形式的方程被转换为实数形式的方程。
利用信号的组稀疏特性进行混合L1范数的最小化求解。假设γ所包含的散射点个数为K(即稀疏度为K)，观测量长度为N。在变换后，稀疏度变为2K，信号测量向量长度变为2N。当将数据变换为组结构后，对于非零元素的估计变为了对于非零组向量的估计，γ中非零组向量的个数定义为组稀疏度K。由于实部信号与虚部信号的非零元素处于相同的高程向位置，则2K个非零元素被分到了K组中，高度相关的非零元素变量两两出现在了同一组中，组稀疏度K。对于信号测量向量维度增加为2N而组稀疏度没有增加的情况，该模型具备了组效应，对于非零元素变量估计的性能相比于常规稀疏模型将获得提升，可以提高高程向分辨能力。
(2)通过Group-BP算法实现混合L1范数最小化降维，得到信号测量向量中的散射点位置和数量的初步估计。
对于γ的求解，由于在高程向上是稀疏分布的，利用压缩感知的概念可以通过下式来求解γ，利用L1范数正则化来最小化残余量，无需得知散射点个数的先验信息，这种算法称之为基追踪算法。经过降维后，可得到对散射点的位置一个比较稳健可信的估计，当然其中也会存在一些由于噪声导致的估计位置的异常值。
为了求解，可利用group-BP算法来估计γ的估计值：
Figure GDA0002308959050000181
其中，||·||F是弗罗贝尼乌斯范数，λK是一个平衡模型误差和Γ的稀疏度的超参数，||·||2,1是定义为Γ的每一行的L2范数之和的混合范数L2,1，其中G为g构成的矩阵，Γ＝γ,负责提高组稀疏度的惩罚函数为：
Figure GDA0002308959050000182
通过选择Γ中对应的非零的行向量，测量矩阵R可得到明显的降维，从而使得原来等式的欠定方程转化为超定方程，为实现对散射点位置的精确估计提供了可操作性。
(3)筛选向量位置，清除散射点位置估计中的虚假的位置，得到最优的散射点数量和位置估计。
混合L1范数最小化显著的收缩了R的维数，得到了散射点位置的初步稀疏估计。然而，这个估计可能仍然存在关于位置的异常值，稀疏度K常常被高估了。清除散射点位置估计中的虚假的、不重要的向量位置，最终获得在一个方位距离单元里最可能的稀疏度K的估计和散射点位置的结果。
一个适应数据更好的模型需要更大的复杂度，而这需要更多的参数。因此，需要在模型复杂性和模型适应性之间做出权衡。为了取得平衡，定义AIC(An InformationCriterion by Akaike)统计：
Figure GDA0002308959050000191
其中constant代表一个常数；一个拥有最小AIC的模型是更倾向于选择的。在变量筛选的过程中，采取了双向回归。假设有一个备选变量集合，从包含较少变量的模型或者较多变量的模型开始，在每一步中，进行如下三个操作之一：
a.当备选变量集合中存在某个不在当前模型中的变量，将其加入当前模型会使得AIC减少，则加入其中使得AIC最小的那个变量。
b.若当前模型中存在某个变量，将其剔除当前模型会使得AIC减少，则剔除其中使得AIC最小的那个变量；否则停止。
通过这一系列的处理之后，得到最优的散射点数量和位置估计，将匹配矩阵R的维数降到了最少最优的一个组合矩阵，将该优化的组合矩阵表示为测量矩阵R’。
(4)参数估计，高度维聚焦。
建立得到测量矩阵R”，这是一个N×K的矩阵
Figure GDA0002308959050000192
最终对于K个散射点的散射信号参数矩阵γ的重建依托于求解下面这个超定方程组：
Figure GDA0002308959050000193
这里，引入LARS算法(Least Angle Regression)，这种算法线性回归的路径要更加友好、快捷和简洁，能够移除可能的异常值，优化了压缩感知的结果，并且提供了更加精确的幅度和相位的估计。
本申请另一个实施例提供一种用于物体检测的微波信号分类方法，用于将所述散射信号数据与模板信号数据进行对比，以判断是否存在异常数据。
如图11所示，所述用于物体检测的微波信号分类方法，包括：
S1000、从标准模板信号库和异常纪录模板库中分别抽取部分数据构成一个集合，然后将该集合随机分为训练样本集和测试集；
S2000、构建用于训练的支持向量机；
S3000、用所述训练样本集训练构建好的支持向量机；
S4000、用所述测试集测试训练好的支持向量机的分类准确率，看分类准确率是否达到预设精度阈值；若达到，则进行下一步(步骤S5000)；否则转向上一步(步骤S3000)；
S5000、用训练好的支持向量机对所述散射信号数据进行分类，得到分类结果；散射信号数据中存在的异常的数据会被分类为异常数据。
在一些实施例中，所述散射信号数据表示为不同频点的复数值所构成的数据空间；所述不同频点的复数值即接收天线阵列在不同频率下获取的回波信号的散射参数，可表示为(xi，yi)，其中xi表示第i个频点的频率值，yi表示第i个频点的散射参数复数值(也可以是幅度或相位)，i＝1，2，......m，m为正整数。
从标准模板信号库和异常纪录模板库中分别抽取部分数据构成一个集合，然后将该集合随机分为训练样本集和测试集；标准模板信号库是通过预先存储的正常物体内部微波检测数据构建的，异常纪录模板库是通过预先存储的异常物体微波检测数据构建的；标准模板信号库和异常纪录模板库用于作为构建训练样本集和测试集的数据储备库。
所述训练样本集表示为D＝((x1，y1)，(x2，y2)，…，(xm，ym))，yi∈{-1，1}。
在一些实施例中，所述构建用于训练的支持向量机包括：
S2001、通过传统支持向量机的线性分类器，基于训练样本集D在二维空间中用一个超平面来分开二类样本。超平面是n维欧氏空间中余维度等于一的线性子空间，也就是必须是(n-1)维度。
令所述超平面满足以下条件：
Figure GDA0002308959050000201
其中w为法向量，决定超平面的方向；b为位移量，决定超平面与原点的距离。
所述支持向量机的支持向量，就是使得wTxi+b＝+1或wTxi+b＝-1成立的向量，支持向量即最靠近两条虚边界线的向量。那么，当wTxi+b的值大于+1或小于-1的时候，线性分类器的分类能力更强。
S2002、计算得到空间中任意样本点x到超平面的距离为：
Figure GDA0002308959050000211
最终确定的参数w和b,使得r最大。即使得：
Figure GDA0002308959050000212
这等价于
Figure GDA0002308959050000213
即得到相似性度量函数，也就是用于训练的支持向量机。
在另一实施例中，所述构建用于训练的支持向量机包括：
对传统支持向量机算法进行改进，将传统支持向量机的1-范数修改为2-范数，在目标函数中加入b2，得到改进的支持向量机的模型如下
Figure GDA0002308959050000214
其中w为法向量，决定所述超平面的方向；b为位移量，决定所述超平面与原点的距离；
即得到相似性度量函数，也就是用于训练的支持向量机。
本申请实施例提供的用于物体检测的微波信号分类方法，通过从标准模板信号库和异常纪录模板库中分别抽取的数据来构建训练样本集和测试集，用训练样本集训练构建好的支持向量机，训练所需时间短，用测试集测试支持向量机的分类准确率，然后用训练好的支持向量机对散射信号数据进行分类，分类结果精确，分类效率高，所耗时间短，可以很好地满足实际应用的需要。
本申请的另一个实施例提供了一种用于物体检测的微波信号分类系统，包括获取模块、分配模块、构建模块、训练模块、测试模块和分类模块；其中：
获取模块用于：将所述散射信号数据表示为不同频点的复数值所构成的数据空间；所述不同频点的复数值即接收天线阵列在不同频率下获取的回波信号的散射参数，可表示为(xi，yi)，其中xi表示第i个频点的频率值，yi表示第i个频点的散射参数复数值(也可以是幅度或相位)，i＝1，2，......m，m为正整数；从标准模板信号库和异常纪录模板库中分别抽取部分数据构成一个集合，然后将该集合随机分为训练样本集和测试集；标准模板信号库是通过预先存储的正常物体内部微波检测数据构建的，异常纪录模板库是通过预先存储的异常物体内部微波检测数据构建的；标准模板信号库和异常纪录模板库用于作为构建训练样本集和测试集的数据储备库；
所述训练样本集表示为D＝((x1，y1)，(x2，y2)，…，(xm，ym))，yi∈{-1，1}。
分配模块，用于从标准模板信号库和异常纪录模板库中分别抽取部分数据构成一个集合，然后将该集合随机分为训练样本集和测试集；所述标准模板信号库内存储有若干正常物体内部微波检测数据；所述异常纪录模板库内存储有若干异常物体内部微波检测数据；
构建模块，用于构建用于训练的支持向量机；
构建模块具体用于：通过传统支持向量机的线性分类器，基于训练样本集D在二维空间中用一个超平面来分开二类样本；超平面是n维欧氏空间中余维度等于一的线性子空间，也就是必须是(n-1)维度；
令所述超平面满足以下条件：
Figure GDA0002308959050000221
其中w为法向量，决定超平面的方向；b为位移量，决定超平面与原点的距离；
所述支持向量机的支持向量，就是使得wTxi+b＝+1或wTxi+b＝-1成立的向量，支持向量即最靠近两条虚边界线的向量。那么，当wTxi+b的值大于+1或小于-1的时候，线性分类器的分类能力更强；
计算得到空间中任意样本点x到超平面的距离为：
Figure GDA0002308959050000231
最终确定的参数w和b,使得r最大。即使得：
Figure GDA0002308959050000232
这等价于
Figure GDA0002308959050000233
即得到相似性度量函数，也就是用于训练的支持向量机。
具体地，构建模块也可以用于：对传统支持向量机算法进行改进，将传统支持向量机的1-范数修改为2-范数，在目标函数中加入b2，得到改进的支持向量机的模型如下
Figure GDA0002308959050000234
其中w为法向量，决定所述超平面的方向；b为位移量，决定所述超平面与原点的距离；
即得到相似性度量函数，也就是用于训练的支持向量机。
训练模块，用于用所述训练样本集训练构建好的支持向量机；
测试模块，用于用所述测试集测试训练好的支持向量机的分类准确率，看分类准确率是否达到预设精度阈值；若达到，则进行下一步；否则转向上一步；
分类模块，用于用训练好的支持向量机对所述散射信号数据进行分类，得到分类结果。
本发明实施例提供的基于微波的物体检测系统，设计科学合理，操作简单，便于使用，无辐射伤害，安全程度高，设备造价低廉，且微波穿透性好，辐射功率小，定位精度高，能够快速判断被检测物体内部是否存在异常数据，得到检测结果。
另外，本发明实施例提供的基于微波的物体检测方法，检测准确率高，检测快速，能够快速判断被检测物体内部是否存在异常数据，得到检测结果，能够形成物体透视三维模型图像，定位精度高，便于确定异常数据所对应的位置。
需要说明的是：
术语“模块”并非意图受限于特定物理形式。取决于具体应用，模块可以实现为硬件、固件、软件和/或其组合。此外，不同的模块可以共享公共组件或甚至由相同组件实现。不同模块之间可以存在或不存在清楚的界限。
在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的虚拟机的创建装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述实施例仅表达了本发明的实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (13)

1.一种基于微波的物体检测系统，其特征在于，包括：微波信号产生装置、信号发射装置、信号采集装置和微波信号分析装置；
所述微波信号产生装置用于产生微波信号；
所述信号发射装置用于接收所述微波信号产生装置产生的微波信号，将所述微波信号向被检测物体发射；
所述信号采集装置用于采集由所述信号发射装置向被检测物体发射微波信号所产生的回波信号，将采集到的所述回波信号发送至所述微波信号分析装置；
所述微波信号分析装置用于将所述回波信号的散射信号数据与模板信号数据进行对比，得到检测结果，当所述检测结果显示存在异常数据时，利用所述回波信号的散射信号数据生成物体三维模型图像，以显示所述异常数据所对应的位置；
所述微波信号分析装置所执行的所述利用所述回波信号的散射信号数据生成物体三维模型图像，包括：
对所述回波信号的散射信号数据进行采样，形成回波矩阵；
对所述回波矩阵进行扩展，对扩展后的回波矩阵依次进行信号筛选、时延补偿及叠加处理；
根据叠加处理后的回波矩阵生成被检测物体的二维共焦图像；
利用基于组稀疏的高度向成像方法对所有所述二维共焦图像进行高度向三维成像，生成被检测物体的物体三维模型图像；
所述系统还包括信号测量装置；所述将采集到的所述回波信号发送至所述微波信号分析装置，包括：将采集到的所述回波信号发送至所述信号测量装置，所述信号测量装置用于测量所述回波信号的散射信号数据，并将所述散射信号数据发送至所述微波信号分析装置；
所述利用所述散射信号数据生成物体透视三维模型图像包括：
利用所述散射信号数据构建信号测量向量；
对所述信号测量向量进行最小化降维处理以及散射信号最优估计，完成三维高度向重建模型，通过比较三维高度向重建模型中所有散射点的散射参数，形成一组三维图像数据，从而实现被检测物体三维图像成像；
所述信号测量向量表示为
g＝Rγ+ε
其中，g是长度为N的信号测量向量，R是N×L匹配矩阵，γ代表所有二维共焦图像中包括的散射点的散射信号参数构成的矩阵，ε代表误差；
所述对所述信号测量向量进行最小化降维处理，包括：
通过组稀疏实现复数据重构，将所述信号测量向量的复数形式的方程被转换为实数形式的方程；
通过Group-BP算法实现混合L1范数最小化降维，得到信号测量向量中的散射点位置的初步估计；
所述γ的估计值是利用Group-BP算法估计得到的，γ的估计值
Figure FDA0004017284790000021
其中，||·||F是弗罗贝尼乌斯范数，λK是一个平衡模型误差和Γ的稀疏度的超参数，||·||2,1是定义为Γ的每一行的L2范数之和的混合范数L2,1，其中G为g构成的矩阵，Γ＝γ,用于提高组稀疏度的惩罚函数为
Figure FDA0004017284790000022
所述物体检测系统还包括信号预处理装置；所述信号预处理装置分别与信号采集装置和所述信号测量装置电连接；所述信号预处理装置用于对所述微波信号进行预处理然后将预处理后的微波信号发送至所述信号测量装置；
所述信号预处理装置包括第一滤波器以及依次电连接的第一检波器、混频器、第二滤波器和第二检波器，所述第一滤波器分别与所述混频器和所述信号采集装置电连接；
所述第一滤波器用于接收来自所述信号采集装置的微波信号并对其进行滤波，将滤波后的微波信号输入所述混频器；
所述检波器与接收天线阵列电连接；所述检波器用于对来自接收天线阵列的微波信号进行检波处理并将检波处理后的微波信号输入所述混频器；
所述混频器用于对所述滤波后的微波信号和所述检波处理后的微波信号进行混频处理，将混频处理后的微波信号输入所述第二滤波器；
所述第二滤波器用于对所述混频处理后的微波信号进行滤波处理，并将滤波处理后的微波信号输入所述第二检波器；
所述第二检波器用于对所述滤波处理后的微波信号进行检波后将其输入所述信号测量装置；
所述微波信号分析装置包括对比模块和成像模块；
所述对比模块用于将所述散射信号数据与模板信号数据进行对比，以判断是否存在异常数据，得到检测结果；
所述成像模块用于当判定存在异常数据时，则利用所述散射信号数据生成物体透视三维图像以显示所述异常数据所对应的位置；
所述将所述散射信号数据与模板信号数据进行对比，以判断是否存在异常数据，包括：
从标准模板信号库和异常纪录模板库中分别抽取部分数据构成一个集合，然后将该集合随机分为训练样本集和测试集；
构建用于训练的支持向量机；
用所述训练样本集训练构建好的支持向量机；
用所述测试集测试训练好的支持向量机的分类准确率，看分类准确率是否达到预设精度阈值；若达到，则进行下一步；否则转向上一步；
用训练好的支持向量机对所述散射信号数据进行分类，得到分类结果。
2.根据权利要求1所述的系统，其特征在于，所述信号发射装置包括发射天线阵列，所述发射天线阵列与所述微波信号产生装置电连接，所述发射天线阵列用于将所述微波信号产生装置产生的微波信号向被检测物体发射。
3.根据权利要求2所述的系统，其特征在于，所述发射天线阵列包括若干天线单元，所述若干天线单元均通过多路选择装置与所述微波信号产生装置电连接。
4.根据权利要求1所述的系统，其特征在于，所述信号采集装置包括接收天线阵列；所述接收天线阵列与所述信号测量装置电连接，所述接收天线阵列用于采集由所述信号发射装置向被检测物体发射微波信号所产生的回波信号，将采集到的所述回波信号发送至所述信号测量装置。
5.根据权利要求4所述的系统，其特征在于，所述接收天线阵列包括若干天线单元，所述若干天线单元均通过多路选择装置与所述信号测量装置电连接。
6.一种基于微波的物体检测方法，应用于权利要求1-5任一项所述的系统，其特征在于，所述方法包括：
微波信号产生装置产生微波信号；
信号发射装置接收所述微波信号产生装置产生的微波信号，将所述微波信号向被检测物体发射；
信号采集装置采集由所述信号发射装置向被检测物体发射微波信号所产生的回波信号，将采集到的微波信号发送至微波信号分析装置；
所述微波信号分析装置将所述回波信号的散射信号数据与模板信号数据进行对比，以判断是否存在异常数据，得到检测结果，当所述检测结果显示存在异常数据时，利用所述回波信号的散射信号数据生成物体三维模型图像，以显示所述异常数据所对应的位置；
所述利用所述回波信号的散射信号数据生成物体三维模型图像，包括：
对所述回波信号的散射信号数据进行采样，形成回波矩阵；
对所述回波矩阵进行扩展，对扩展后的回波矩阵依次进行信号筛选、时延补偿及叠加处理；
根据叠加处理后的回波矩阵生成被检测物体的二维共焦图像；
利用基于组稀疏的高度向成像方法对所有所述二维共焦图像进行高度向三维成像，生成被检测物体的物体三维模型图像；
所述将采集到的所述回波信号发送至所述微波信号分析装置，包括：将采集到的所述回波信号发送至所述信号测量装置，所述信号测量装置测量所述回波信号的散射信号数据，并将所述散射信号数据发送至所述微波信号分析装置；
所述利用所述散射信号数据生成物体透视三维模型图像包括：
利用所述散射信号数据构建信号测量向量；
对所述信号测量向量进行最小化降维处理以及散射信号最优估计，完成三维高度向重建模型，通过比较三维高度向重建模型中所有散射点的散射参数，形成一组三维图像数据，从而实现被检测物体三维图像成像；
所述信号测量向量表示为
g＝Rγ+ε
其中，g是长度为N的信号测量向量，R是N×L匹配矩阵，γ代表所有二维共焦图像中包括的散射点的散射信号参数构成的矩阵，ε代表误差；
所述对所述信号测量向量进行最小化降维处理，包括：
通过组稀疏实现复数据重构，将所述信号测量向量的复数形式的方程被转换为实数形式的方程；
通过Group-BP算法实现混合L1范数最小化降维，得到信号测量向量中的散射点位置的初步估计；
所述γ的估计值是利用Group-BP算法估计得到的，γ的估计值
Figure FDA0004017284790000051
其中，||·||F是弗罗贝尼乌斯范数，λK是一个平衡模型误差和Γ的稀疏度的超参数，||·||2,1是定义为Γ的每一行的L2范数之和的混合范数L2,1，其中G为g构成的矩阵，Γ＝γ,用于提高组稀疏度的惩罚函数为
Figure FDA0004017284790000052
所述将所述散射信号数据与模板信号数据进行对比，以判断是否存在异常数据，包括：
从标准模板信号库和异常纪录模板库中分别抽取部分数据构成一个集合，然后将该集合随机分为训练样本集和测试集；
构建用于训练的支持向量机；
用所述训练样本集训练构建好的支持向量机；
用所述测试集测试训练好的支持向量机的分类准确率，看分类准确率是否达到预设精度阈值；若达到，则进行下一步；否则转向上一步；
用训练好的支持向量机对所述散射信号数据进行分类，得到分类结果。
7.根据权利要求6所述的方法，其特征在于，所述微波信号分析装置将所述散射信号数据与模板信号数据进行对比，包括：
计算所述散射信号数据与模板信号数据的相似度；所述模板信号数据是从标准模板信号库中提取的；
若相似度大于预设阈值，则确认存在异常数据。
8.根据权利要求7所述的方法，其特征在于，所述微波信号分析装置将所述散射信号数据与模板信号数据进行对比，还包括：
若确认存在异常数据，则依次计算所述散射信号数据与异常纪录模板库中异常纪录信号的相似度；若计算到所述散射信号数据与某一异常纪录信号的相似度大于预设相似度阈值，则确认该异常纪录信号的数据与所述散射信号数据相同；否则，将所述散射信号数据生成异常纪录信号存入异常纪录模板库。
9.根据权利要求6所述的方法，其特征在于，所述散射信号最优估计包括利用AIC准则双向回归进行散射信号最优估计。
10.根据权利要求6所述的方法，其特征在于，所述构建用于训练的支持向量机包括：
通过传统支持向量机的线性分类器，基于训练样本集D在二维空间中用一个超平面来分开二类样本；
计算得到空间中任意样本点x到超平面的距离为
Figure FDA0004017284790000061
最终确定的参数w和b,使得r最大；
得到
Figure FDA0004017284790000062
s.t.yi(wTxi+b)≥1，i＝1，2，…，m
Figure FDA0004017284790000063
s.t.yi(wTxi+b)≥1，i＝1，2，…，m
得到用于训练的支持向量机。
11.根据权利要求10所述的方法，其特征在于，所述超平面满足：
Figure FDA0004017284790000071
其中w为法向量，决定所述超平面的方向；b为位移量，决定所述超平面与原点的距离。
12.根据权利要求11所述的方法，其特征在于，所述构建用于训练的支持向量机包括：
将传统支持向量机的1-范数修改为2-范数，在目标函数中加入b2，得到
Figure FDA0004017284790000072
s.t.yi[ωTxi+b]≥1，i＝1,2,……m；其中w为法向量，决定所述超平面的方向；b为位移量，决定所述超平面与原点的距离；
即得到用于训练的支持向量机。
13.根据权利要求6所述的方法，其特征在于，所述向被检测物体发射微波信号包括：通过微波信号产生装置产生微波信号，然后通过发射天线阵列将所述微波信号向被检测物体发射。
CN201911007396.1A 2019-10-22 2019-10-22 一种基于微波的物体检测系统及方法 Active CN110717478B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911007396.1A CN110717478B (zh) 2019-10-22 2019-10-22 一种基于微波的物体检测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911007396.1A CN110717478B (zh) 2019-10-22 2019-10-22 一种基于微波的物体检测系统及方法

Publications (2)

Publication Number Publication Date
CN110717478A CN110717478A (zh) 2020-01-21
CN110717478B true CN110717478B (zh) 2023-04-07

Family

ID=69214038

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911007396.1A Active CN110717478B (zh) 2019-10-22 2019-10-22 一种基于微波的物体检测系统及方法

Country Status (1)

Country Link
CN (1) CN110717478B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112545475B (zh) * 2020-11-05 2022-12-02 中国船舶重工集团公司第七0九研究所 基于fdtd的天线阵列共焦成像算法的肿瘤检测方法及装置
CN113720862B (zh) * 2021-08-17 2023-01-13 珠海格力电器股份有限公司 零件异常检测方法、装置、设备及存储介质
CN113899761B (zh) * 2021-09-14 2024-06-21 青岛市市立医院 一种基于微波扫描的智能医用检测装置及其控制方法
CN114841223B (zh) * 2022-07-04 2022-09-20 北京理工大学 一种基于深度学习的微波成像方法和系统
CN116203031A (zh) * 2023-03-24 2023-06-02 苏州电光波工业智能科技有限公司 基于微波与机器视觉技术的工业品缺陷智能检测系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ES2648902T3 (es) * 2009-07-23 2018-01-08 Medfield Diagnostics Ab Clasificación de datos de dispersión de microondas
CN103592622B (zh) * 2012-08-13 2016-09-14 贝思文 一种信号定位系统及其定位方法
CN104856678B (zh) * 2015-02-15 2018-02-16 东华大学 基于模板信号相似度的复杂体内部异物的微波检测系统
CN208060701U (zh) * 2018-03-15 2018-11-06 南京慧尔视防务科技有限公司 一种基于微波的多目标分类系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
利用共焦成像技术检测早期乳腺肿瘤;范尊;《中国优秀硕士学位论文全文数据库医药卫生科技辑》;20111215(第S2期);第四章 *
复杂背景超宽带穿墙雷达成像研究;蔡洪渊;《中国优秀硕士学位论文全文数据库信息科技辑》;20180315(第3期);全文 *

Also Published As

Publication number Publication date
CN110717478A (zh) 2020-01-21

Similar Documents

Publication Publication Date Title
CN110717478B (zh) 一种基于微波的物体检测系统及方法
AU2019333924B2 (en) Apparatus and process for medical imaging
US20090238426A1 (en) System and Methods for Identifying an Object within a Complex Environment
CN109188431B (zh) 一种基于压缩感知的全息微波快速成像方法
CN110554384A (zh) 一种基于微波信号的成像方法
Randazzo et al. A two-step inverse-scattering technique in variable-exponent Lebesgue spaces for through-the-wall microwave imaging: Experimental results
Soldovieri et al. Sparse tomographic inverse scattering approach for through-the-wall radar imaging
Solimene et al. A novel CS-TSVD strategy to perform data reduction in linear inverse scattering problems
Estatico et al. A phaseless microwave imaging approach based on a Lebesgue-space inversion algorithm
CN105866772A (zh) 一种基于微波相干成像的新型人体内金属物体定位方法
EP3293515A1 (en) A multi-view planar near-field scattering tomography system
Fedeli Microwave tomography with LSTM-based processing of the scattered field
Rocca et al. Iterative multi-resolution retrieval of non-measurable equivalent currents for the imaging of dielectric objects
Ullah et al. A machine learning-based classification method for monitoring Alzheimer’s disease using electromagnetic radar data
Anjit et al. Non-iterative microwave imaging solutions for inverse problems using deep learning
Malatesta et al. Double-stage DMAS with fresnel zone filtering in guided waves damage imaging
Li et al. 3D ground penetrating radar road underground target identification algorithm using time-frequency statistical features of data
Travassos et al. Characterization of inclusions in a nonhomogeneous GPR problem by artificial neural networks
Geffrin et al. 3-D imaging of a microwave absorber sample from microwave scattered field measurements
Wang et al. Investigation of antenna array configurations using far-field holographic microwave imaging technique
CN113324470A (zh) 基于有限口径下的微波多目标成像与分类方法
CN114173677A (zh) 混合医学成像探针、设备及过程
Sardar et al. An improved algorithm for uwb based imaging of breast tumors
Pastorino Hybrid reconstruction techniques for microwave imaging systems
Al-Zuhairi et al. A New Clutter Elimination and Downrange Correction Algorithm for Through Wall Radar Detection.

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