CN114355462A - 一种基于微多普勒特征的人体隐藏危险物检测方法及介质 - Google Patents
一种基于微多普勒特征的人体隐藏危险物检测方法及介质 Download PDFInfo
- Publication number
- CN114355462A CN114355462A CN202111626421.1A CN202111626421A CN114355462A CN 114355462 A CN114355462 A CN 114355462A CN 202111626421 A CN202111626421 A CN 202111626421A CN 114355462 A CN114355462 A CN 114355462A
- Authority
- CN
- China
- Prior art keywords
- data
- doppler
- radar
- micro
- human body
- 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.)
- Pending
Links
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明请求保护一种基于微多普勒特征的人体隐藏危险物检测方法,方法包括:采用毫米波雷达观测行人步行运动,得到雷达回波信号;对雷达回波信号进行采样获取原始ADC数据;对获取的ADC数据进行多普勒谱与傅里叶变换时频谱分析获取目标微多普勒特征;可建立对人体衣物内携带手机、金属刀具、陶瓷刀、液体、粉末的人体步行数据集,对分类器进行训练;通过将人体实时运动获取的微多普勒特征输入训练好的分类器进行识别,确定人体衣物内是否含有隐藏物品并且推测隐藏物是否为所训练几类危险物品,评估被测行人目标的危险性,以验证方法的有效可行性。本发明可准确识别行人衣服内是否携带隐藏物品,并且可进一步对隐藏物品进行危险性推测,为安检提供补充手段,提升安检效率。
Description
技术领域
本发明属于毫米波安检领域,涉及一种基于微多普勒特征的人体隐藏危险物检测方法及介质。
背景技术
随着世界日益严峻的反恐局势,一些恐怖主义和极端主义分子严重威胁着人民群众的生命财产安全,人体携带危险物品的安全检查已成为公共安全的重要组成部分。在人口稠密城市中客流量较大的场所,例如地铁站、火车站、飞机场等,它们都极可能成为恐怖袭击的发生地点。因此用于检测携带或隐藏在衣服里各种危险物品的安全检查的需求量巨增。
现有的安检设备种类繁多,但随着人们对安全问题的关注日益增强,对安检设备的智能化、高效性和可靠性也提出了越来越高的要求。目前,传统的金属探测器难以应对液体危险品、陶瓷刀具等非金属类违禁物品的威胁,且只能对待测人员贴身搜查检测,效率太低,已无法满足对人员安检高效率、智能化的要求。生物安检技术(警犬、人)仅适用于特殊场合,并且服役期短,技能训练和维护费用较高,不具备可持续性。X射线用于人体检查时尽管采用超低剂量,但由于其电离作用和较强的穿透性,对人员存在潜在辐射伤害。红外成像技术通过探测目标表面的温度差异实现二维成像,当人体外衣物较厚时,成像效果会变差。毫米波检测技术对人体无害,且对衣物穿透力强、检测速度与精度高,现已成为安检设备的主流研究方向。
传统的安检仪器如红外成像仪使用范围很小,主要以X射线安检仪为主。因人们对辐射的恐惧,X射线人体安检仪很少被使用在普通场所,如车站,机场这些场所中,X射线安检仪一般被用来检测行李,再配合金属探测门,金属探测仪这些设备,组成了常见的安检流程。然而随着时代的进步,传统的安检手段无法完全满足现代社会公共安全的需求,迫切需要更为便捷,快速的安检手段。为改善传统安检手段的不足,本发明特色在于,相比于金属探测器、红外成像仪、X射线安检仪等传统的安检手段,毫米波检测技术具有快速、安全、可靠等优势,且可以远距离操作,防止危险品爆炸对安检人员造成伤害;而结合行人运动时微多普勒特征可快速、准确检测是否人体衣物内携带隐藏物及推断危险物,可作为毫米波安检手段的补充。
经过检索,申请公开号CN106023166B,一种微波图像中人体隐藏危险物体的检测方法和装置。所述方法包括步骤:获取相邻的至少两帧包含人体探测结果的微波灰度图像;从各帧微波灰度图像中获取各帧人体区域图像;识别各帧人体区域图像中各个危险物体区域并进行边缘提取,获得各帧的第一边缘图像;对各帧人体区域图像直接进行边缘检测,获得各帧的第二边缘图像;将各帧的第一边缘图像和第二边缘图像进行第一次边缘拟合,获得各帧的危险物体边缘;将各帧的危险物体边缘进行配准和第二次边缘拟合,获得粗略危险物体边缘;对粗略危险物体边缘进行区域二值化,获得第一危险物体区域;对第一危险物体区域进行过滤,获得第二危险物体区域。本发明具有很高的检测准确率和计算效率。
申请公开号CN109447071A,一种基于FPGA和深度学习的毫米波成像危险物品检测方法,获取毫米波成像图片,标识出图片中的危险物品;构建检测危险物品的深度学习网络模型,利用标注好的毫米波成像图片进行模型训练,得到训练好的检测模型;将训练好的检测模型加载到FPGA平台的检测系统中;使用FPGA检测待测的毫米波图像;利用训练好的检测模型对采集的待测的毫米波图像进行检测;如果待测的图像中含有危险物品,则标记危险物品类别,进行报警,同时标记危险物品的不规则轮廓位置坐标。基于FPGA平台利用MaskR-CNN物体检测框架训练出来的深度神经网络模型进行实时异物检测;相对于专用集成电路芯片有更好的功能可定制性优势。
毫米波成像检测技术作为一种新型安检手段有其巨大优势:可以在不接触人体的情况下,检测出藏匿于人体各部位的金属及非金属各类物品,并检测出物体的形状、大小,转化为图像,供安检人员辨识;对于辐射强度,毫米波的辐射属于电磁辐射,和手机,电脑辐射强度相当。毫米波成像安检弥补了传统安检手段的不足之处,但也引入了一些新的问题。一方面,由于安检系统需要对被检测人员进行一个耗时较长的成像操作,因此当机场和车站等公共场所客流量增加时,成像系统对时间的消耗也大大增加,这使得安检任务压力更大,安检效果远低预期水平。另一方面,毫米波成像安检系统对硬件要求较高,一般都会采用图形处理单元进行加速,进一步增加了硬件资金花销。因此,利用毫米波技术实现精确成像的安检系统会增加人员通过安检的时间,存在缺乏快速性、效率低、耗时长以及硬件资金花销大等问题。
本方法通过信号处理的步骤来分析目标微多普勒特征从而区分目标是否携带危险隐藏物,不需要对人体成像实现快速筛查危险目标。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种基于微多普勒特征的人体隐藏危险物检测方法及介质。本发明的技术方案如下:
一种基于微多普勒特征的人体隐藏危险物检测方法,其包括以下步骤:
采用毫米波雷达观测行人步行运动,得到雷达回波信号;对雷达回波信号进行采样获取原始模数转换后的数据;
对获取的ADC数据进行多普勒谱与傅里叶变换时频谱分析获取目标微多普勒特征;
建立对人体衣物内携带手机、金属刀具、陶瓷刀、液体、粉末的人体步行数据集,采用分类器对人体携带隐藏物品的步行数据集进行训练;
将人体实时运动获取的微多普勒特征输入训练好的分类器进行识别,确定人体衣物内是否含有隐藏物品并且推测隐藏物是否为所训练几类危险物品,评估被测行人目标的危险性。
进一步的,所述采用毫米波雷达观测行人步行运动,得到雷达回波信号,对雷达回波信号进行采样获取原始模数转换后的数据,具体包括:
毫米波雷达对人体采集原始回波信号,通过FPGA雷达数据采集板对雷达原始回波信号进行采样获取ADC数据;将获取的ADC数据通过以太网传输给PC,PC机将数据储存并进行噪声滤除等在内的一系列预处理操作以备于下一步数据处理的原始数据。
进一步的,所述对获取的ADC数据进行多普勒谱与傅里叶变换时频谱分析获取目标微多普勒特征,具体包括:
使用离散傅里叶变换的算法中快速傅里叶变换FFT来对回波数据进行处理分析频谱特征,获取目标的距离信息与多普勒信息,制作微多普勒图像;
雷达传感器发射频率调制连续波(FMCW)信号,信号是由在一个周期内频率随时间变化的Chirp信号组成,雷达的一帧信号是由若干个线性调频信号Chirp组成。经过对Chirp序列进行采样后,可以将雷达的一帧信号在PC上储存为离散的数据,随后对数据矩阵的Chirp维进行FFT即可对目标的距离信息进行获取。矩阵中的每一列表示雷达传感器和被检测对象之间不同距离处的反射振幅,距离分辨率为随后对该矩阵再次进行FFT可以得到目标的多普勒信息与速度在每个距离处的幅度分布,速度分辨率为随后将特定距离的列逐雷达帧信号合并即可得到微多普勒图。
进一步的,所述将人体实时运动获取的微多普勒特征输入训练好的分类器进行识别,具体包括以下步骤:
对实时人体目标进行采集回波信号进行采样后的数据进行处理,获取微多普勒图像提取微多普勒特征,将微多普勒特征提取出来归一化以后,输入已经训练好的分类器来评估目标识别危险与安全的结果。
一种基于任一项所述方法的设备,其包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,所述输入设备执行如权利要求1-4任一项所述的方法。
一种计算机可读存储介质,其所述计算机存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行如任一项所述的方法。
本发明的优点及有益效果如下:
(1)充分利用毫米波检测技术在安检领域较传统安检手段有着快捷、安全、保护隐私等优势,可以通过对运动目标提取其微多普勒特征来区别危险目标,避开使用复杂的成像算法以及专业成像设备从而实现快速筛查危险目标。
(2)利用分类器模型,使用训练集对分类器进行训练。最后检测目标时结果不再由人为进行判断,通过分类器给出目标安全与危险的分类,更加具有效率性与科学性。
附图说明
图1是本发明提供优选实施例是雷达数据采集与捕获结构示意图。
图2是雷达数据处理结构示意图。
图3是整体工作流程结构示意图。
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、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是:
如图1,首先是对雷达目标的信息获取。毫米波雷达对人体采集原始回波信号,通过FPGA雷达数据采集板对雷达原始回波信号进行采样获取ADC数据。
FPGA雷达数据采集板主要使用两通道或四通道低压差分信号(LVDS)流量提供毫米波雷达实时数据捕获和流传输,数据可以通过1Gbps以太网实时流式传输到PC进行储存,随后可以根据自己需要进行数据处理或算法开发。
将获取的ADC数据通过以太网传输给PC,PC机将数据储存并进行噪声滤除等一系列预处理操作以备于下一步数据处理的原始数据。
如图2,在上一步获取采样数据并且滤除噪声后,正式对雷达原始回波ADC的数据进行处理。使用离散傅里叶变换的算法中快速傅里叶变换(FFT)来对回波数据进行处理分析频谱特征,获取目标的距离信息与多普勒信息,制作微多普勒图像。
雷达传感器发射频率调制连续波(FMCW)信号,信号是由在一个周期内频率随时间变化的Chirp信号组成,雷达的一帧信号是由若干个线性调频信号Chirp组成。经过对Chirp序列进行采样后,可以将雷达的一帧信号在PC上储存为离散的数据,随后对数据矩阵的Chirp维进行FFT即可对目标的距离信息进行获取。矩阵中的每一列表示雷达传感器和被检测对象之间不同距离处的反射振幅,距离分辨率为随后对该矩阵再次进行FFT可以得到目标的多普勒信息与速度在每个距离处的幅度分布,速度分辨率为随后将特定距离的列逐雷达帧信号合并即可得到微多普勒图。
如图3,在获得目标的微多普勒图像基础之上,通过特征提取的方法对图像提取以获得该目标的微多普勒特征。
重复前述步骤获取携带不同隐藏物人体目标的微多普勒特征作为训练集对分类器模型进行训练。对已经训练好的分类器进行人体目标微多普勒特征的输入,就可以评估该目标的危险性。
支持向量机(SVM)分类器模型是一种适用小样本学习方法,少数支持向量决定了最终结果,对异常值不敏感,具有较好的鲁棒性和泛化能力。选择采用SVM分类模型,对微多普勒图提取特征的步骤可分为对图像进行噪声过滤、对雷达信号进行帧过滤、以及归一化。归一化可以将将所有样本归一化为一个统一长度用于训练分类器,以便于让特征在数值上有一定比较性,可以提高分类器的准确性。随便再对人体目标进行处理获得微多普勒图,对图像提取微多普勒特征即可输入已经训练好的分类器获得危险与安全评估分类。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后,技术人员可以对本发明作各种改动或修改,这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (6)
1.一种基于微多普勒特征的人体隐藏危险物检测方法,其特征在于,包括以下步骤:
采用毫米波雷达观测行人步行运动,得到雷达回波信号;对雷达回波信号进行采样获取原始模数转换后的数据;
对获取的ADC数据进行多普勒谱与傅里叶变换时频谱分析获取目标微多普勒特征;
建立对人体衣物内携带手机、金属刀具、陶瓷刀、液体、粉末的人体步行数据集,采用分类器对人体携带隐藏物品的步行数据集进行训练;
将人体实时运动获取的微多普勒特征输入训练好的分类器进行识别,确定人体衣物内是否含有隐藏物品并且推测隐藏物是否为所训练几类危险物品,评估被测行人目标的危险性。
2.根据权利要求1所述的一种基于微多普勒特征的人体隐藏危险物检测方法,其特征在于,所述采用毫米波雷达观测行人步行运动,得到雷达回波信号,对雷达回波信号进行采样获取原始模数转换后的数据,具体包括:
毫米波雷达对人体采集原始回波信号,通过FPGA雷达数据采集板对雷达原始回波信号进行采样获取ADC数据;将获取的ADC数据通过以太网传输给PC,PC机将数据储存并进行噪声滤除等在内的一系列预处理操作以备于下一步数据处理的原始数据。
3.根据权利要求1所述的一种基于微多普勒特征的人体隐藏危险物检测方法,其特征在于,所述对获取的ADC数据进行多普勒谱与傅里叶变换时频谱分析获取目标微多普勒特征,具体包括:
使用离散傅里叶变换的算法中快速傅里叶变换FFT来对回波数据进行处理分析频谱特征,获取目标的距离信息与多普勒信息,制作微多普勒图像;
4.根据权利要求3所述的一种基于微多普勒特征的人体隐藏危险物检测方法,其特征在于,所述将人体实时运动获取的微多普勒特征输入训练好的分类器进行识别,具体包括以下步骤:
对实时人体目标进行采集回波信号进行采样后的数据进行处理,获取微多普勒图像提取微多普勒特征,将微多普勒特征提取出来归一化以后,输入已经训练好的分类器来评估目标识别危险与安全的结果。
5.一种基于权利要求1-4任一项所述方法的设备,其特征在于,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,所述输入设备执行如权利要求1-4任一项所述的方法。
6.一种计算机可读存储介质,其特征在于,所述计算机存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行如权利要求1-4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111626421.1A CN114355462A (zh) | 2021-12-28 | 2021-12-28 | 一种基于微多普勒特征的人体隐藏危险物检测方法及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111626421.1A CN114355462A (zh) | 2021-12-28 | 2021-12-28 | 一种基于微多普勒特征的人体隐藏危险物检测方法及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114355462A true CN114355462A (zh) | 2022-04-15 |
Family
ID=81103358
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111626421.1A Pending CN114355462A (zh) | 2021-12-28 | 2021-12-28 | 一种基于微多普勒特征的人体隐藏危险物检测方法及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114355462A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116125466A (zh) * | 2023-03-02 | 2023-05-16 | 武汉理工大学 | 船舶人员隐藏威胁性物品携带检测方法、装置及电子设备 |
CN116990883A (zh) * | 2023-09-27 | 2023-11-03 | 北京中科太赫兹科技有限公司 | 基于多频谱传感融合技术的远距离人携危险物探测系统 |
-
2021
- 2021-12-28 CN CN202111626421.1A patent/CN114355462A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116125466A (zh) * | 2023-03-02 | 2023-05-16 | 武汉理工大学 | 船舶人员隐藏威胁性物品携带检测方法、装置及电子设备 |
CN116990883A (zh) * | 2023-09-27 | 2023-11-03 | 北京中科太赫兹科技有限公司 | 基于多频谱传感融合技术的远距离人携危险物探测系统 |
CN116990883B (zh) * | 2023-09-27 | 2023-12-15 | 北京中科太赫兹科技有限公司 | 基于多频谱传感融合技术的远距离人携危险物探测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114355462A (zh) | 一种基于微多普勒特征的人体隐藏危险物检测方法及介质 | |
EP3067823A1 (en) | Detection method and device | |
JP2019534491A (ja) | 安全検査システムおよび安全検査装置を配置する方法 | |
CN108680796A (zh) | 用于计算机显示器的电磁信息泄漏检测系统及方法 | |
CN111160696A (zh) | 一种基于大数据的被检人员分级方法 | |
CN103020592A (zh) | 一种基于局部上下文的遥感图像舰船检测虚警剔除方法 | |
Dimililer et al. | Automated classification of fruits: pawpaw fruit as a case study | |
Yang et al. | Evaluation and mitigation of rain effect on wave direction and period estimation from X-band marine radar images | |
CN103886332A (zh) | 一种检测与识别金属网栅缺陷的方法 | |
Wang et al. | A PolSAR ship detector based on a multi-polarimetric-feature combination using visual attention | |
Al-Lashi et al. | Automated processing of oceanic bubble images for measuring bubble size distributions underneath breaking waves | |
CN107300562A (zh) | 一种测量继电器成品触点间距的x射线无损检测方法 | |
CN104198998B (zh) | 非均匀背景下基于聚类处理的恒虚警检测方法 | |
Feng et al. | Joint detection and classification of rockfalls in a microseismic monitoring network | |
Mansour et al. | Disaster Monitoring of Satellite Image Processing Using Progressive Image Classification. | |
Cromwell et al. | Lidar cloud detection with fully convolutional networks | |
Biswas et al. | New methods to assess and improve LIGO detector duty cycle | |
CN116990883B (zh) | 基于多频谱传感融合技术的远距离人携危险物探测系统 | |
CN112528690B (zh) | 非接触式物品材质和形状识别方法、存储介质及计算设备 | |
JP7388532B2 (ja) | 処理システム、処理方法及びプログラム | |
Liu et al. | Using wavelet analysis to detect tornadoes from Doppler radar radial-velocity observations | |
Jagirdar et al. | Development and Evaluation of Traffic Count Sensor with Low-Cost Light-Detection and Ranging and Continuous Wavelet Transform: Initial Results | |
Wang et al. | A novel filter-based anomaly detection framework for hyperspectral imagery | |
James et al. | Classification of lidar sensor contaminations with deep neural networks | |
CN111814764B (zh) | 一种遗撒物确定系统 |
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 |