CN110837130A - 一种基于毫米波/太赫兹波辐射的目标自动检测算法 - Google Patents

Abstract

本发明公开了一种基于毫米波/太赫兹波辐射的目标自动检测算法，包括如下过程：利用毫米波/太赫兹波辐射计阵列进行目标辐射信号的数据采集；对目标所处环境进行背景估计，并进行背景抑制；对经过背景抑制的数据进行信号增强，得到信号矩阵；对增强后的信号矩阵的每一列信号进行翘度与标准差特性分析，以此为基础构建目标辐射信号的混合特征谱，即基于标准差的翘度谱，并对其进行时频分析，得到目标辐射信号的混合时频特征谱；利用五层卷积神经网络对混合时频特征谱进行优化和提取，并利用Softmax算法实现目标自动检测，本发明所公开的算法可显著改善信号信噪比，实现目标的精确识别。

Description

一种基于毫米波/太赫兹波辐射的目标自动检测算法

技术领域

本发明涉及目标自动检测领域，特别涉及一种基于毫米波/太赫兹波辐射的目标自动检测算法。

背景技术

毫米波/太赫兹波具有很强的穿透雾、雨、烟尘的能力，通常其在恶劣气候环境下仍旧能够全天候正常工作。鉴于毫米波/太赫兹波的独特优势，已被广泛应用于安检、通信、遥感、军事等领域。在毫米波/太赫兹波的诸多应用中，毫米波/太赫兹波成像被认为是最具有应用前景的应用技术，在安检、飞机降落和防撞系统等方面也正渐起着越来越重要的作用。

目标检测方式通常包括主动与被动两种典型手段。主动式是指利用特定的信号源对目标进行辐射，通过检测信号的反射或透射的信号实现目标检测及像。主动式系统中，系统通常比较复杂，很难实现快速、简洁成像。

根据黑体辐射理论，自然界中绝对零度以上的所有物体均在向外辐射电磁能量，能量频谱覆盖整个电磁频谱范围。在众多的辐射系统中，毫米波/太赫兹波辐射探测被认为是一种崭新的能够被动识别应用场景中潜在目标自然辐射的无源探测技术。毫米波/太赫兹波是一种介于微波和红外光之间的电磁波，通常所研究的毫米波/太赫兹波电磁辐射属于远红外和亚毫米波范畴。通常，毫米波/太赫兹波辐射探测具有更大优势，主要表现在：与微波相比，在同等辐射成像分辨率的情况下，毫米波/太赫兹波辐射系统天线尺寸更小，且其具有更大的带宽及更强的抗干扰能力，且极易实现微小目标的探测与识别；与红外、可见光相比，不同物体在毫米波/太赫兹波频段的辐射能力差异比红外频段更明显，毫米波/太赫兹波辐射能够不分昼夜的工作，具有突破雾、沙尘等恶劣天气对常见可见光和红外等“可视”器件的性能限制的能力，如小于300GHz频段的太赫兹波在恶劣天气条件下的传输衰减仅仅是可见光和红外辐射的百万分之一，使得真正全天候、全天时的探测成为可能。

此外，毫米波/太赫兹波辐射的被动工作机理，使其隐蔽性极好，特别适合战场、反恐等应用场景。相比于主动式系统，辐射系统简单、能够快速检测及成像。然而，由于受系统的探测器天线孔径的限制，辐射系统分辨率较低，极易丢失信号中高频分量，且效果受噪声影响严重。为了改善被动检测系统性能，本发明提供了一种基于毫米波/太赫兹波辐射的目标自动检测算法。

发明内容

为解决上述技术问题，本发明提供了一种基于毫米波/太赫兹波辐射的目标自动检测算法，以达到可显著改善信号信噪比，可实现目标的精确识别的目的。

为达到上述目的，本发明的技术方案如下：

一种基于毫米波/太赫兹波辐射的目标自动检测算法，包括如下过程：

(1)利用毫米波/太赫兹波辐射计阵列进行目标辐射信号的数据采集；

(2)利用背景滤波算法对目标所处环境进行背景估计，并对采集到的数据进行背景抑制；

(3)利用局部优化算法对经过背景抑制的数据进行信号增强，得到信号矩阵；

(4)对信号增强后的信号矩阵的每一列信号进行翘度与标准差特性分析，以此为基础构建目标辐射信号的混合特征谱，即基于标准差的翘度谱，并进行时频分析，求得目标辐射信号的混合时频特征谱，

(5)利用五层卷积神经网络对混合时频特征谱进行优化和提取，并利用Softmax算法实现目标的检测。

上述方案中，所述步骤(1)中，利用辐射计组成的辐射计阵列进行目标辐射信号的数据采集，辐射计阵列共有9个辐射模块，单个辐射模块具有4个辐射通道，共有36个辐射通道。

上述方案中，所述步骤(1)中，采用过采样方法进行数据采集，并对采集到的数字信号进行降采样处理，即从采样过程中得到的第一个数字化信号开始，每P个数值为一组，取P个数值的中值作为有效信号进行保存，记为A_M×N，其中，M表示行数，N表示列数；

且采样过程中，采样率及辐射阵列控制器脉冲周期满足：

f_s＞＞γ_num×f_m (1)

其中，f_s表示采样率，γ_num表示中值点数，f_m表示辐射阵列控制器的脉冲周期。

进一步的技术方案中，所述步骤(2)中，背景估计值表示如下：

其中，m代表矩阵A_M×N中第m行，n代表矩阵A_M×N中第n列；

为了抑制背景对目标辐射信号的造成的干扰，将矩阵A_M×N中的每一个数值分别减去式(2)中得到的背景估计值，得到背景抑制后的数值：

为进一步地抑制信号中的静态干扰，作如下处理：

U[m,n]＝δA[m,n-1]+(1-δ)A[m,n] (4)

其中，δ表示加权因子，取值范围为0-1，本发明中取δ＝0.7。

进一步的技术方案中，所述步骤(3)具体方法如下：

利用局部优化算法对矩阵的每一行信号进行增强，增强后的信号表示为：

其中，U[τ_max(0),n]表示U[i,n],i＝1,...,M第一个局部最优值，τ_max(0)表示局部最优值的矩阵索引值；

如果τ_max(0)＜M，则有：

其中，U[τ_max(1),n]表示U[i,n]，i＝1,...,M次局部最优值，i＝τ_max(0)+1,...,M；

上述循环直到τ_max(k)＝M为止；

同理，利用局部优化算法对矩阵的每一列信号进行增强，增强后的信号可表示为：

其中，B[m,υ_max(0)]表示B[m,j],j＝1,....,N第一个局部最优值，υ_max(0)表示局部最优值的矩阵索引值；

如果υ_max(0)＜N，则有：

其中，B[m,υ_max(1)]表示B[m,j],j＝1,....,N次局部最优值，j＝υ_max(0)+1,...,N。

上述循环直到υ_max(k)＝N为止，最终得到信号矩阵R。

进一步的技术方案中，所述步骤(4)具体方法如下：

目标辐射信号的翘度表示为：

其中，σ表示信号方差，γ表示信号均值，R_m[n]代表信号矩阵R的第m行；

目标辐射信号的标准差表示为：

根据式(9)及式(10)构建目标辐射信号的基于标准差的一维翘度谱，即可求得目标辐射信号的混合特征谱，记为KSD，表示为：

时频分析：对KSD其进行短时傅里叶变换，得到目标辐射信号的混合时频特征谱，表示为：

其中，p＝(0,1,...,P-1)表示第p个离散频率分量，λ表示Hamming窗函数，表示为：

本发明中取α＝0.42，β＝0.58，O表示Hamming窗宽度。

进一步的技术方案中，所述步骤(5)中的卷积神经网络包括5层，每层依次包括卷积、批归一化、池化及映射运算，经过五次循环实现目标特征谱的优化及提取。

进一步的技术方案中，所述步骤(5)的具体方法如下：

假设

为卷积神经网络输入值，其中，C＝1，H与W分别表示图像横向与纵向的维数，第l∈{1,...,L}层拥有K_l个滤波器；

以第1层为例，对于第k个滤波器，将以r⁽¹⁾的卷积步长作用于K可得到如下特征图：

y^(k,1)＝f(K*W^(k,1)+b^(k,1)) (14)

其中，*表示卷积运算，b^(k,1)表示第k个特征图偏差，f(.)为激活函数；

距离单元(i',j')处，对应的优化结果为：

其中，h＝1,...,H，w＝1,...,W，⊙表示Hadamard积，ReLU表示激活函数，表示为：

ReLU(η)＝max(0,η) (16)

第1层在池化层的特征图为H，且

第k个滤波器特征图为

上述操作依次遍历所有层，可得到目标特征谱Z；

利用Softmax算法实现目标检测，表示为：

其中，Φ表示类别数目，

表示Z属于

类的概率，θ表示Softmax参数。

通过上述技术方案，本发明提供的一种基于毫米波/太赫兹波辐射的目标自动检测算法采用具有四通道的辐射计组成的辐射计阵列对信号进行采集，可同时接收更多数据，采集信号更全面；通过辐射背景抑制和弱辐射信号的有效增强，可以实现目标辐射信号的自动检测，检测结果准确。

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。

图1为本发明实施例所公开的一种基于毫米波/太赫兹波辐射的目标自动检测系统示意图；

图2为本发明实施例所公开的一种基于毫米波/太赫兹波辐射的目标自动检测算法流程示意图；

图3为辐射计阵列采集到的二维辐射图像；

图4为本发明实施例所公开的单行目标辐射太赫兹信号图；

图5为本发明实施例所公开的背景抑制后的结果图像；

图6为本发明实施例所公开的信号增强后的信号矩阵R；

图7为特征分析结果；

图8为单卷积示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。

本发明提供了一种基于毫米波/太赫兹波辐射的目标自动检测算法，具体实施例如下：

在利用毫米波/太赫兹辐射计进行目标检测时，系统示意图如图1所示，主要包括太赫兹辐射计阵列(天线集成在辐射计内部)、三维精密控制台、数据采集设备、信号处理设备及显示设备组成。

本发明采用的辐射计阵列为W波段辐射计，共有9个辐射模块，单个辐射模块具有4个辐射通道，共有36个辐射通道。辐射计工作于差分模式，可更好地显示目标与背景的对比度。数据采集卡采集频率为500KHz，每500个采样点为一组，取中值为有效点。

如图2所示，本发明的目标自动检测算法如下：

一、利用毫米波/太赫兹波辐射计阵列进行目标辐射信号的数据采集；

本发明采用过采样方法进行数据采集，采集得到的二维数据如图3所示，可以看出，辐射图像信噪比极低，很难实现圆孔检测。

在过采样的基础上，对采集到的数字信号进行降采样处理，即从采样过程中得到的第一个数字化信号开始，每P个数值为一组，取P个数值的中值或均值作为有效信号进行保存，记为A_M×N，其中，M表示行数，N表示列数；单行目标辐射太赫兹信号如图4所示。

且采样过程中，采样率及辐射阵列控制器脉冲周期满足：

f_s＞＞γ_num×f_m (1)

其中，f_s表示采样率，γ_num表示中值点数，f_m表示辐射阵列控制器的脉冲周期。

二、利用背景滤波算法对目标所处环境进行背景估计，并对采集到的数据进行背景抑制；

背景估计值表示如下：

其中，m代表矩阵A_M×N中第m行，n代表矩阵A_M×N中第n列；

为了抑制背景对目标辐射信号的造成的干扰，将矩阵A_M×N中的每一个数值分别减去式(2)中得到的背景估计值，得到背景抑制后的数值：

为进一步地抑制信号中的静态干扰，作如下处理：

U[m,n]＝δA[m,n-1]+(1-δ)A[m,n] (4)

其中，δ表示加权因子，取值范围为0-1，本发明中取δ＝0.7。背景抑制后的结果如图5所示。

三、利用局部优化算法对经过背景抑制的数据进行信号增强，得到信号矩阵；

利用局部优化算法对矩阵的每一行信号进行增强，增强后的信号表示为：

其中，U[τ_max(0),n]表示U[i,n],i＝1,...,M第一局部最优值，τ_max(0)表示局部最优值的矩阵索引值；

如果τ_max(0)＜M，则有：

其中，U[τ_max(1),n]表示U[i,n]，i＝1,...,M次局部最优值，i＝τ_max(0)+1,...,M；

上述循环直到τ_max(k)＝M为止；

同理，利用局部优化算法对矩阵的每一列信号进行增强，增强后的信号可表示为：

其中，B[m,υ_max(0)]表示B[m,j],j＝1,....,N第一局部最优值，υ_max(0)表示局部最优值的矩阵索引值；

如果υ_max(0)＜N，则有：

其中，B[m,υ_max(1)]表示B[m,j],j＝1,....,N次局部最优值,j＝υ_max(0)+1,...,N。

上述循环直到υ_max(k)＝N为止，最终得到信号矩阵R，如图6所示。

四、对信号增强后的信号矩阵的每一列信号进行翘度与标准差特性分析，以此为基础构建目标辐射信号的混合特征谱，即基于标准差的翘度谱，并对其进行时频分析，求得目标辐射信号的混合时频特征谱；

目标辐射信号的翘度表示为：

其中，σ表示信号方差，γ表示信号均值，R_m[n]代表信号矩阵R的第m行。

目标辐射信号的标准差表示为：

根据式(9)及式(10)构建目标辐射信号的基于标准差的一维翘度谱，即可求得目标辐射信号的混合特征谱，如图7所示，记为KSD，表示为：

时频分析：对KSD其进行短时傅里叶变换，得到目标辐射信号的混合时频特征谱，表示为：

其中，p＝(0,1,...,P-1)表示第p个离散频率分量，λ表示Hamming窗函数，表示为：

本发明中取α＝0.42，β＝0.58，O表示Hamming窗宽度。

五、利用五层卷积神经网络对混合时频特征谱进行优化和提取，并利用Softmax算法实现目标的检测。

卷积神经网络包括5层，每层依次包括卷积、批归一化、池化及映射运算，经过五次循环实现目标特征谱的优化及提取。单卷积示意图如图8所示。

具体方法如下：

假设

为卷积神经网络输入值，其中，C＝1，H与W分别表示图像横向与纵向的维数，第l∈{1,...,L}层拥有K_l个滤波器；

以第1层为例，对于第k个滤波器，将

以r⁽¹⁾的卷积步长作用于K可得到如下特征图：

y^(k,1)＝f(K*W^(k,1)+b^(k,1)) (14)

其中，*表示卷积运算，b^(k,1)表示第k个特征图偏差，f(.)为激活函数；

距离单元(i',j')处，对应的优化结果为：

其中，h＝1,...,H，w＝1,...,W，⊙表示Hadamard积，ReLU表示激活函数，表示为：

ReLU(η)＝max(0,η) (16)

第1层在池化层的特征图为H，且

第k个滤波器特征图为

上述操作依次遍历所有层，可得到目标特征谱Z；

利用Softmax算法实现目标检测，表示为：

其中，Φ表示类别数目，

表示Z属于

类的概率，θ表示Softmax参数。

为了衡量本发明的算法的性能，特定义信噪比的概念如下：

其中，I，J分别表示目前所在区域的尺寸。

具体检测结果见表1。

表1本发明算法与恒虚警概率算法的对比

算法	恒虚警概率	广义似然比检验	本发明算法
				信噪比(dB)	-37.62	-34.45	-25.72
识别率(％)	70	50	70

与恒虚警概率与广义似然比检验算法相比，本发明中涉及的目标检测算法可显著改善信号信噪比，如表1所示。通过对处于不同环境下的同一目标进行10次识别实验，本发明设计的基于卷积网络的目标识别，识别概率达到70％，显著高于其它恒虚警概率算法。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种基于毫米波/太赫兹波辐射的目标自动检测算法，其特征在于，包括如下过程：

(1)利用毫米波/太赫兹波辐射计阵列进行目标辐射信号的数据采集；

(2)利用背景滤波算法对目标所处环境进行背景估计，并对采集到的数据进行背景抑制；

(3)利用局部优化算法对经过背景抑制的数据进行信号增强，得到信号矩阵；

(4)对信号增强后的信号矩阵的每一列信号进行翘度与标准差特性分析，以此为基础构建目标辐射信号的混合特征谱，即基于标准差的翘度谱，并对其进行时频分析，求得目标辐射信号的混合时频特征谱；

(5)利用五层卷积神经网络对混合时频特征谱进行优化和提取，并利用Softmax算法实现目标的检测。

2.根据权利要求1所述的一种基于毫米波/太赫兹波辐射的目标自动检测算法，其特征在于，所述步骤(1)中，利用辐射计组成的辐射计阵列进行目标辐射信号的数据采集，辐射计阵列共有9个辐射模块，单个辐射模块具有4个辐射通道，共有36个辐射通道。

3.根据权利要求1所述的一种基于毫米波/太赫兹波辐射的目标自动检测算法，其特征在于，所述步骤(1)中，采用过采样方法进行数据采集，并对采集到的数字信号进行降采样处理，即从采样过程中得到的第一个数字化信号开始，每P个数值为一组，取P个数值的中值作为有效信号进行保存，记为矩阵A_M×N，其中，M表示行数，N表示列数；

且采样过程中，采样率及辐射阵列控制器脉冲周期满足：

f_s＞＞γ_num×f_m (1)

其中，f_s表示采样率，γ_num表示中值点数，f_m表示辐射阵列控制器的脉冲周期。

4.根据权利要求3所述的一种基于毫米波/太赫兹波辐射的目标自动检测算法，其特征在于，所述步骤(2)中，背景估计值表示如下：

其中，m代表矩阵A_M×N中第m行，n代表矩阵A_M×N中第n列；

为了抑制背景对目标辐射信号造成的干扰，将矩阵A_M×N中的每一个数值分别减去式(2)中得到的背景估计值，得到背景抑制后的数值：

为进一步地抑制信号中的静态干扰，作如下处理：

U[m,n]＝δA[m,n-1]+(1-δ)A[m,n] (4)

其中，δ表示加权因子，取值范围为0-1，本发明中取δ＝0.7。

5.根据权利要求4所述的一种基于毫米波/太赫兹波辐射的目标自动检测算法，其特征在于，所述步骤(3)具体方法如下：

利用局部优化算法对矩阵的每一行信号进行增强，增强后的信号表示为：

其中，U[τ_max(0),n]表示U[i,n],i＝1,…,M第一个局部最优值，τ_max(0)表示局部最优值的矩阵索引值；

如果τ_max(0)＜M，则有：

其中，U[τ_max(1),n]表示U[i,n]，i＝1,…,M次局部最优值，i＝τ_max(0)+1,…,M；

上述循环直到τ_max(k)＝M为止；

同理，利用局部优化算法对矩阵的每一列信号进行增强，增强后的信号可表示为：

其中，B[m,υ_max(0)]表示B[m,j],j＝1,....,N第一个局部最优值，υ_max(0)表示局部最优值的矩阵索引值；

如果υ_max(0)＜N，则有：

其中，B[m,υ_max(1)]表示B[m,j],j＝1,…,N次局部最优值，j＝υ_max(0)+1,…,N；

上述循环直到υ_max(k)＝N为止，最终得到信号矩阵R。

6.根据权利要求5所述的一种基于毫米波/太赫兹波辐射的目标自动检测算法，其特征在于，所述步骤(4)具体方法如下：

目标辐射信号的翘度表示为：

其中，σ表示信号方差，γ表示信号均值，R_m[n]代表信号矩阵R的第m行；

目标辐射信号的标准差表示为：

根据式(9)及式(10)构建目标辐射信号的基于标准差的一维翘度谱，即可求得目标辐射信号的混合特征谱，记为KSD，表示为：

时频分析：对KSD进行短时傅里叶变换，得到目标辐射信号的混合时频特征谱，表示为：

其中，p＝(0,1,...,P-1)表示第p个离散频率分量，λ表示Hamming窗函数，表示为：

本发明中取α＝0.42，β＝0.58，O表示Hamming窗宽度。

7.根据权利要求6所述的一种基于毫米波/太赫兹波辐射的目标自动检测算法，其特征在于，所述步骤(5)中的卷积神经网络包括5层，每层依次包括卷积、批归一化、池化及映射运算，经过五次循环实现目标特征谱的优化及提取。

8.根据权利要求7所述的一种基于毫米波/太赫兹波辐射的目标自动检测算法，其特征在于，所述步骤(5)的具体方法如下：

假设

为卷积神经网络输入值，其中，C＝1，H与W分别表示图像横向与纵向的维数，第l∈{1,…,L}层拥有K_l个滤波器；

以第1层为例，对于第k个滤波器，将以r⁽¹⁾的卷积步长作用于K可得到如下特征图：

y^(k,1)＝f(K*W^(k,1)+b^(k,1)) (14)

其中，*表示卷积运算，b^(k,1)表示第k个特征图偏差，f(.)为激活函数；

距离单元(i',j')处，对应的优化结果为：

其中，h＝1,…,H，w＝1,…,W，⊙表示Hadamard积，ReLU表示激活函数，表示为：

ReLU(η)＝max(0,η) (16)

第1层在池化层的特征图为H，且

第k个滤波器特征图为

上述操作依次遍历所有层，可得到目标特征谱Z；

利用Softmax算法实现目标检测，表示为：

其中，Φ表示类别数目，

表示Z属于类的概率，θ表示Softmax参数。

Images