CN113567975B - 基于涡旋电磁波模态扫描的人体快速安检方法 - Google Patents
基于涡旋电磁波模态扫描的人体快速安检方法 Download PDFInfo
- Publication number
- CN113567975B CN113567975B CN202110727910.XA CN202110727910A CN113567975B CN 113567975 B CN113567975 B CN 113567975B CN 202110727910 A CN202110727910 A CN 202110727910A CN 113567975 B CN113567975 B CN 113567975B
- Authority
- CN
- China
- Prior art keywords
- human body
- contraband
- vortex electromagnetic
- echo data
- electromagnetic wave
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000007689 inspection Methods 0.000 title claims abstract description 19
- 238000001514 detection method Methods 0.000 claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 23
- 230000035485 pulse pressure Effects 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 12
- 230000006835 compression Effects 0.000 claims abstract description 10
- 238000007906 compression Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims abstract description 5
- 230000004913 activation Effects 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 239000000758 substrate Substances 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 abstract description 6
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 230000001678 irradiating effect Effects 0.000 abstract description 2
- 238000002592 echocardiography Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000004088 simulation Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000005672 electromagnetic field Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000005520 electrodynamics Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000008570 general process Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- 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
- G01S13/887—Radar or analogous systems specially adapted for specific applications for detection of concealed objects, e.g. contraband or weapons
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Geophysics And Detection Of Objects (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于雷达技术领域,具体公开了一种基于涡旋电磁波模态扫描的人体快速安检方法,包括建立基于涡旋电磁波人体检测模型,该模型发射不同模态的涡旋电磁波分别照射携带违禁品人员和未携带违禁品人员,据此获取训练样本集;建立卷积神经网络并训练,得到违禁品识别模型;采用不同模态的涡旋电磁波照射待检测人员并接收回波数据、脉冲压缩处理,将脉压后的回波数据输入所述违禁品识别模型,输出识别结果。本发明利用多模态涡旋波增加回波信息量,分析不同模态回波差异获得被探测物体的额外属性,通过神经网络直接对人体是否携带违禁品进行识别,避免了传统的成像处理过程,大大提高了安检效率和准确性。
Description
技术领域
本发明属于雷达探测技术领域,具体涉及一种基于涡旋电磁波模态扫描的人体快速安检方法。
背景技术
根据经典电动力学,电磁波的远场辐射不仅是能量传输,还携带了角动量特征。角动量又可以分为自旋角动量和轨道角动量。自旋角动量与电磁场的极化相对应,轨道角动量与相位波前的变化相联系。轨道角动量描述了电磁场绕着传播轴旋转的轨道特征,在平面波的基础上叠加了旋转相位因子其中α为模态数,表征轨道角动量的大小,φ为围绕传播轴的方位角。很明显α为整数的模态组合在φ∈[0,2π]内具有正交性。因此,轨道角动量可以作为一个独立的信号测量维度。
与传统的平面波相比,携带有轨道角动量的涡旋电磁波具有螺旋的相位波前,可在其上调制所需的信息,提高电磁波的信息传递和信息获取能力。比如对人体探测过程中就可以判断人体是否携带违禁品,进一步分析还可以判断人体携带物品的类别、形状以及位于人体的位置。
机器学习是让计算机能够自动地从某些数据中总结规律,并得到某种预测模型,利用该模型对未知数据进行预测的方法。现在很多科研领域都涉及到机器学习,这样可以使科研的道路变得更加宽广。用机器学习解决问题的一般流程可以分为收集数据、数据预处理、特征工程、训练与模型测试以及模型评估。
在安检中对于人体检测,一般会使用X光机还有一些热成像技术,然而这些技术都进行了成像处理才能得到相应的结果。众所周知,目标成像会涉及到很多问题,大都会降低检测的速度和效率。
发明内容
针对现有技术中存在的问题,本发明的目的在于提供一种基于涡旋电磁波模态扫描的人体快速安检方法,当进行目标探测时,利用多模态涡旋波增加回波的信息量,通过分析不同模态回波差异获得被探测物体的额外属性,通过神经网络直接对人体是否携带违禁品进行识别,避免了传统的成像处理过程,大大提高了安检效率和准确性。
为了达到上述目的,本发明采用以下技术方案予以实现。
一种基于涡旋电磁波模态扫描的人体快速安检方法,包括以下步骤:
步骤1,建立基于涡旋电磁波人体检测模型,该模型发射不同模态的涡旋电磁波分别照射携带违禁品人员和未携带违禁品人员,据此获取训练样本集;
步骤2,建立卷积神经网络,采用训练样本集对卷积神经网络进行训练,得到训练后的卷积神经网络,即违禁品识别模型;
步骤3,采用不同模态的涡旋电磁波照射待检测人员并接收回波数据,对回波数据进行脉冲压缩处理,得到脉压后的回波数据;将脉压后的回波数据输入所述违禁品识别模型,输出识别结果。
进一步地,所述涡旋电磁波的产生方式包含天线阵列、新型轨道角动量天线和超材料天线;所述天线阵列包含圆形天线阵列和密度加权天线阵列;所述新型轨道角动量天线包含螺旋相位板和抛物面赋型天线;所述超材料天线包含投射型超材料天线和反射型超材料天线。
更进一步地,基于圆形天线阵列的人体检测模型包含设置于基板上的圆形天线阵列,圆形天线阵列发射线性调频信号产生涡旋电磁波,圆形天线阵列的圆心处设置接收天线,圆形天线阵列正对检测对象设置。
更进一步地,以所述圆形天线阵列的圆心为坐标系原点,以圆周的法线方向作为Z轴方向建立直角坐标系,人体正对着圆形阵列,则人体上每个散射点的坐标表示为(xm,ym,zm),将其转换为极坐标形式表示为(rm,θm,φm),每个天线阵元的方位角表示为:
其中,N为阵元数量,n表示阵元序号;
圆形阵列发射线性调频信号产生涡旋电磁波,则发射信号表示为:
那么,任意一个检测点P(r,θ,φ)处的发射信号表示为:
其中r为P点的极径,θ为P点的俯仰角,φ为P点的方位角,c为光速,t为时间,rect表示窗函数,T为脉冲持续周期,μ是线性调频信号的调频率,fc为信号载频,k为波数,α为模态数,a为阵列半径,i表示复数单位,Jα为贝塞尔函数;
更进一步地,人体的总的回波数据表示为:
式中,M为散射点的数目,每个散射点坐标信息为(rm,θm,φm),μ为调频率,k为波数,σm是每个散射点的散射系数。
进一步地,所述获取训练样本集具体为:
首先,在距人体检测装置一定距离处划分检测区域;
其次,将检测对象置于所述检测区域,分别改变检测对象在检测区域内的位置、违禁品在检测对象身体上的位置以及违禁品的方向,采用不同模态的涡旋电磁波照射不同状态下的检测对象,产生多组回波数据;每个确定的检测对象位置、违禁品在检测对象身体上的位置和违禁品方向对应产生一组回波数据;每组回波数据为多模态下的回波数据
其中,所述检测对象为携带违禁品人员和未携带违禁品人员;
最后,对多组回波数据分别进行脉冲压缩处理,得到多组脉压后的回波数据,对每组脉压后的回波数据添加标签形成训练样本集;
其中,每个训练样本为一组脉压后的回波数据。
进一步地,所述卷积神经网络包含依次级联的多个卷积模块、全连接层和Sigmoid激活函数层,每个卷积模块包含卷积层和最大池化层,且每个卷积层的激活函数为ReLu。
进一步地,所述采用训练样本集对卷积神经网络进行训练,具体为:对网络参数进行随机初始化;按批次将训练样本集输入初始化后的网络,采用对数损失函数计算当前训练误差,采用ADAM优化器更新网络参数,直到网络收敛,结束训练,得到训练后的卷积神经网络。
与现有技术相比,本发明的有益效果为:
本发明基于涡旋电磁波可以携带额外的信息的特征,结合机器学习分析多模态回波的差异性来判断人体中物品的相关信息。本发明可以不依赖成像的方式,只通过一维的脉冲压缩技术来实现对人体的检测。本发明摆脱了对人体的成像,降低了人体检测的复杂度,同时提高了检测的速度,为基于轨道角动量的雷达目标探测提供了参考意义。
附图说明
下面结合附图和具体实施例对本发明做进一步详细说明。
图1为本发明的实现流程图;
图2为本发明的基于圆形阵列的人体检测模型示意图;
图3为本发明的卷积神经网络结构示意图;
图4为不同违禁品位置情况下的人体模型示意图;
图5为不同人员情况下各模态脉压后的回波数据示意图,其中,(a)对应含有违禁品人员,(b)对应无违禁品人员;
图6为本发明的模型训练结果图;其中,(a)训练集的训练结果,(b)为验证集的结果。
具体实施方式
下面将结合实施例对本发明的实施方案进行详细描述,但是本领域的技术人员将会理解,下列实施例仅用于说明本发明,而不应视为限制本发明的范围。
参考图1,本发明提供的一种基于涡旋电磁波模态扫描的人体快速安检方法,包括以下步骤:
步骤1,建立基于涡旋电磁波人体检测模型,该模型发射不同模态的涡旋电磁波分别照射携带违禁品人员和未携带违禁品人员,据此获取训练样本集;
1.1,建立基于圆形阵列的人体检测模型如图2所示。基于圆形阵列的人体检测模型中发射天线为16个等间距排列的相同阵元组成的圆形阵列,以圆心为坐标系原点O,以圆周的法线方向作为Z轴方向建立直角坐标系。此时让人体正对着圆形阵列,人体每个散射点的坐标表示为(xm,ym,zm),这里可以用极坐标形式表示(rm,θm,φm)。每一个天线阵元的方位角可以表示为:
其中N为阵元数量,n表示阵元序号;N=16。
采用线性调频信号产生涡旋电磁波,那么发射信号可以表示为:
那么,任意一个检测点P(r,θ,φ)处的发射信号可以表示为:
其中T为脉冲持续周期,μ是线性调频信号的调频率,fc为信号载频,k为波数,α为模态数,a为阵列半径。
1.2,接收被检测人体的回波信号。用多个模态的涡旋波分别去照射未携带违禁品的人体和携带违禁品的人体分别可以到两类不同的回波信息。由于人体是由多个散射点组成则最后总的回波可以表示为:
式中M为散射点的数目,每个散射点坐标信息为(rm,θm,φm),μ为调频率,k为波数,σm是每个散射点的散射系数。
此时改变人体位置信息和违禁品在人身体上的位置以及违禁品的方向分别产生多组回波数据,在这种情况下保证了数据的随机性。关于人体位置的改变,当人体进行安检的时候,相关单位会设置人体进行安检的区域,因此人体可以站在所规定的的区域内不同的位置。此时对应到模型中就是人体以及违禁品的位置坐标(rm,θm,φm)发生了改变。由于模型中人体是由大量的散射点组成,因此改变违禁品在人身体上的位置以及在人体上的方向就相当于把组成危险品的散射点的坐标改变了。每个人体位置、违禁品在人身体上的位置及违禁品的方向下不同模态的回波数据为一组回波数据,不断的改变以上三个位置参数会产生多组回波数据;
1.3,对每一组多个模态下的回波数据进行脉冲压缩处理。脉冲压缩之后的表达式为:
So=Sr(t,α)*h(t,α)
其中,h(t,α)=S*(-t,α)为匹配滤波器的时域脉冲响应。
此时得到不同模态下的脉压后的回波数据,分析各模态回波数据之间的差异来获取被探测人体的相关信息。
1.4,将多组脉压后的回波数据添加标签生成训练数据集。另一种方式可以根据脉压后的回波数据生成一维距离像得到大量的图片数据集作为训练样本集。
步骤2,建立卷积神经网络,采用训练样本集对卷积神经网络进行训练,得到训练后的卷积神经网络,即违禁品识别模型;
卷积神经网络是专门用来处理网格结构数据的前馈神经网络。本发明搭建了一个基本的卷积神经网络,其包含三个卷积模块、一个全连接层和最后的Sigmoid激活函数层;每个卷积模块包含卷积层和最大池化层,卷积层用于提取数据特征,而最大池化层用于进行特征选择,减少特征数量,进而减少网络参数的数量。本实施例中,卷积层的卷积核大小均为3×3,第一个卷积层中卷积核数量为128,后面两个卷积层的卷积核数量为64,三个卷积层的激活函数均为ReLu;全连接层用于对提取的特征进行组合;输入数据经过三个卷积层、池化层后经全连接层、最后由Sigmoid层给出分类结果。图3中给出了本实施例的卷积神经网络结构示意图。
采用训练样本集对卷积神经网络进行训练,具体为:对网络参数进行随机初始化;按批次将训练样本集输入初始化后的网络,采用对数损失函数计算当前训练误差,采用ADAM优化器更新网络参数,直到网络收敛,结束训练,得到训练后的卷积神经网络。从而建立了不同模态下回波数据的差异性特征与是否携带违禁品之间的映射关系,使训练后的网络能够进行人体违禁品检测。
步骤3,采用不同模态的涡旋电磁波照射待检测人员并接收回波数据,对回波数据进行脉冲压缩处理,得到脉压后的回波数据;将脉压后的回波数据输入所述违禁品识别模型,输出识别结果。
本发明根据涡旋电磁波不同模态下回波的差异性特征来进行人体检测。当人体不携带违禁物品时,雷达发射不同模态的涡旋电磁波,那么接收回来的各个模态的回波会具有一定的差异性。当人体携带违禁物品时,雷达发射不同模态的涡旋电磁波,同样接收回来的各个模态的回波之间也会具有一定的差异性。有违禁物品和无违禁品各个模态之间的差异是不相同的,因此把不同模态下的回波差异当做数据特征,通过卷积神经网络来提取特征的不同进行分类从而实现对人体的检测。
仿真实验
下面通过仿真数据处理结果进一步说明本发明的正确性和有效性。
本发明是基于Matlab和Anaconda软件完成。首先设置相关参数如下面表1所示:
表1仿真参数
为了保证产生的数据具有随机性,需要改变人体的位置、违禁物品在人体上的位置以及违禁物品在人体的方向。仿真中在距离阵列1米远处设置一个区域作为检测区域,人体可以在区域内随机变动,此时人体各个散射点的坐标会发生变化。违禁物品在人身体上的位置也是通过一个随机函数产生,关于违禁品的方向通过旋转反向产生8个不同的方向。如图4所示这是通过仿真产生的违禁物品在人体上的状态。本实施例共产生10000组回波数据,其中含有违禁物品和不含有违禁物品的回波各占一半。
接收到含有违禁物品和不含有违禁物品的回波,将所有的回波信号进行距离维脉冲压缩得到各个模态的脉压后的数据,图5是两种情况下脉压之后的各个模态的一维距离像,5(a)为含有违禁物品的人体,5(b)是不含有违禁物品的人体。图中不同灰度的曲线表示不同的模态,从图中看出两幅图各模态之间的差异是不相同的。
将数据集进行划分分成训练集和验证集。具体为将数据集中的数据进行随机排序,取前80%当作训练集,后20%当作验证集。仿真实验中训练批次数为200轮,图6是训练集和验证集的损失率和正确率曲线,从图中看出训练集的正确率为98%,验证集的正确率达到92%,因此通过本次仿真验证了本发明的正确性和有效性。
虽然,本说明书中已经用一般性说明及具体实施方案对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (7)
1.基于涡旋电磁波模态扫描的人体快速安检方法,其特征在于,包括以下步骤:
步骤1,建立基于涡旋电磁波人体检测模型,该模型发射不同模态的涡旋电磁波分别照射携带违禁品人员和未携带违禁品人员,据此获取训练样本集;
步骤2,建立卷积神经网络,采用训练样本集对卷积神经网络进行训练,得到训练后的卷积神经网络,即违禁品识别模型;
步骤3,采用不同模态的涡旋电磁波照射待检测人员并接收回波数据,对回波数据进行脉冲压缩处理,得到脉压后的回波数据;将脉压后的回波数据输入所述违禁品识别模型,输出识别结果;
步骤1中,所述获取训练样本集具体为:
首先,在距人体检测装置一定距离处划分检测区域;
其次,将检测对象置于所述检测区域,分别改变检测对象在检测区域内的位置、违禁品在检测对象身体上的位置以及违禁品的方向,采用不同模态的涡旋电磁波照射不同状态下的检测对象,产生多组回波数据;每个确定的检测对象位置、违禁品在检测对象身体上的位置和违禁品方向对应产生一组回波数据;每组回波数据为多模态下的回波数据
其中,所述检测对象为携带违禁品人员和未携带违禁品人员;
最后,对多组回波数据分别进行脉冲压缩处理,得到多组脉压后的回波数据,对每组脉压后的回波数据添加标签形成训练样本集;
其中,每个训练样本为一组脉压后的回波数据。
2.根据权利要求1所述的基于涡旋电磁波模态扫描的人体快速安检方法,其特征在于,所述涡旋电磁波的产生方式包含天线阵列、新型轨道角动量天线和超材料天线;所述天线阵列包含圆形天线阵列和密度加权天线阵列;所述新型轨道角动量天线包含螺旋相位板和抛物面赋型天线;所述超材料天线包含投射型超材料天线和反射型超材料天线。
3.根据权利要求2所述的基于涡旋电磁波模态扫描的人体快速安检方法,其特征在于,基于圆形天线阵列的人体检测模型包含设置于基板上的圆形天线阵列,圆形天线阵列发射线性调频信号产生涡旋电磁波,圆形天线阵列的圆心处设置接收天线,圆形天线阵列正对检测对象设置。
4.根据权利要求3所述的基于涡旋电磁波模态扫描的人体快速安检方法,其特征在于,以所述圆形天线阵列的圆心为坐标系原点,以圆周的法线方向作为Z轴方向建立直角坐标系,人体正对着圆形阵列,则人体上每个散射点的坐标表示为(xm,ym,zm),将其转换为极坐标形式表示为(rm,θm,φm),每个天线阵元的方位角表示为:
其中,N为阵元数量,n表示阵元序号;
圆形阵列发射线性调频信号产生涡旋电磁波,则发射信号表示为:
那么,任意一个检测点P(r,θ,φ)处的发射信号表示为:
其中r为P点的极径,θ为P点的俯仰角,φ为P点的方位角,c为光速,t为时间,rect表示窗函数,T为脉冲持续周期,μ是线性调频信号的调频率,fc为信号载频,k为波数,α为模态数,a为阵列半径,i表示复数单位,Jα为贝塞尔函数。
5.根据权利要求4所述的基于涡旋电磁波模态扫描的人体快速安检方法,其特征在于,人体的总的回波数据表示为:
式中,M为散射点的数目,每个散射点坐标信息为(rm,θm,φm),μ为调频率,k为波数,σm是每个散射点的散射系数。
6.根据权利要求1所述的基于涡旋电磁波模态扫描的人体快速安检方法,其特征在于,所述卷积神经网络包含依次级联的多个卷积模块、全连接层和Sigmoid激活函数层,每个卷积模块包含卷积层和最大池化层,且每个卷积层的激活函数为ReLu。
7.根据权利要求6所述的基于涡旋电磁波模态扫描的人体快速安检方法,其特征在于,所述采用训练样本集对卷积神经网络进行训练,具体为:对网络参数进行随机初始化;按批次将训练样本集输入初始化后的网络,采用对数损失函数计算当前训练误差,采用ADAM优化器更新网络参数,直到网络收敛,结束训练,得到训练后的卷积神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110727910.XA CN113567975B (zh) | 2021-06-29 | 2021-06-29 | 基于涡旋电磁波模态扫描的人体快速安检方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110727910.XA CN113567975B (zh) | 2021-06-29 | 2021-06-29 | 基于涡旋电磁波模态扫描的人体快速安检方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113567975A CN113567975A (zh) | 2021-10-29 |
CN113567975B true CN113567975B (zh) | 2024-02-02 |
Family
ID=78163017
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110727910.XA Active CN113567975B (zh) | 2021-06-29 | 2021-06-29 | 基于涡旋电磁波模态扫描的人体快速安检方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113567975B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115015912B (zh) * | 2022-02-24 | 2024-07-19 | 西安电子科技大学 | 一种基于涡旋电磁波的旋转目标空间角估计方法 |
CN114662550A (zh) * | 2022-05-24 | 2022-06-24 | 安徽启新明智科技有限公司 | 基于金属探测门的神经网络训练数据获取方法及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110501707A (zh) * | 2019-08-27 | 2019-11-26 | 中国人民解放军国防科技大学 | 基于轨道角动量双模态复用的电磁涡旋成像方法 |
CN112818876A (zh) * | 2021-02-04 | 2021-05-18 | 成都理工大学 | 一种基于深度卷积神经网络的电磁信号提取与处理方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2895795C (en) * | 2014-06-26 | 2019-03-05 | Mcmaster University | On-body concealed weapon detection system |
-
2021
- 2021-06-29 CN CN202110727910.XA patent/CN113567975B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110501707A (zh) * | 2019-08-27 | 2019-11-26 | 中国人民解放军国防科技大学 | 基于轨道角动量双模态复用的电磁涡旋成像方法 |
CN112818876A (zh) * | 2021-02-04 | 2021-05-18 | 成都理工大学 | 一种基于深度卷积神经网络的电磁信号提取与处理方法 |
Non-Patent Citations (1)
Title |
---|
利用深度学习进行毫米波图像违禁物体识别;张健;王卫民;唐洋;;计算机与数字工程(第07期);219-224 * |
Also Published As
Publication number | Publication date |
---|---|
CN113567975A (zh) | 2021-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gupta et al. | Non-Gaussian information from weak lensing data via deep learning | |
CN113567975B (zh) | 基于涡旋电磁波模态扫描的人体快速安检方法 | |
Farhat | Microwave diversity imaging and automated target identification based on models of neural networks | |
CN107607942B (zh) | 基于深度学习模型的大尺度电磁散射与逆散射的预测方法 | |
US11009591B2 (en) | Deep learning for de-aliasing and configuring a radar system | |
Jiang et al. | Artificial neural networks and deep learning techniques applied to radar target detection: A review | |
Yang et al. | Radar target recognition based on few-shot learning | |
CN113486961A (zh) | 基于深度学习的低信噪比下雷达rd图像目标检测方法、系统及计算机设备 | |
Kılıç et al. | Through‐Wall Radar Classification of Human Posture Using Convolutional Neural Networks | |
Lv et al. | Deep neural network-based interrupted sampling deceptive jamming countermeasure method | |
CN115061113B (zh) | 用于雷达的目标检测模型训练方法、装置及存储介质 | |
CN112036239A (zh) | 一种基于深度学习网络的雷达信号工作模式识别方法及系统 | |
Nuhoglu et al. | Image segmentation for radar signal deinterleaving using deep learning | |
Jiang et al. | Radar target characterization and deep learning in radar automatic target recognition: A review | |
CN116797846A (zh) | 一种基于RoAtten-PN网络的小样本雷达辐射源识别方法及装置 | |
CN107942326B (zh) | 一种具有高通用性的二维主动毫米波成像方法 | |
Divakarla et al. | Memory effect or cosmic string? Classifying gravitational-wave bursts with Bayesian inference | |
Pho et al. | Radar-based face recognition: One-shot learning approach | |
Zou et al. | Light‐weight deep learning method for active jamming recognition based on improved MobileViT | |
CN113486917B (zh) | 一种基于度量学习的雷达hrrp小样本目标识别方法 | |
Alhassan et al. | Detection of Einstein telescope gravitational wave signals from binary black holes using deep learning | |
Wang et al. | SAR image synthesis based on conditional generative adversarial networks | |
Wang et al. | Through-wall human motion representation via autoencoder-self organized mapping network | |
CN115201821B (zh) | 基于强目标成像对消的小目标检测方法 | |
KR102482150B1 (ko) | Sar 영상에서 자동 관심 표적 식별을 위한 딥러닝 훈련 장치 및 방법, 그리고, sar 영상에서 자동 관심 표적 식별을 위한 장치 |
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 |