CN116125466B - 船舶人员隐藏威胁性物品携带检测方法、装置及电子设备 - Google Patents

船舶人员隐藏威胁性物品携带检测方法、装置及电子设备 Download PDF

Info

Publication number
CN116125466B
CN116125466B CN202310188426.3A CN202310188426A CN116125466B CN 116125466 B CN116125466 B CN 116125466B CN 202310188426 A CN202310188426 A CN 202310188426A CN 116125466 B CN116125466 B CN 116125466B
Authority
CN
China
Prior art keywords
target
personnel
radar
data
feature
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
CN202310188426.3A
Other languages
English (en)
Other versions
CN116125466A (zh
Inventor
刘克中
龚大内
杨瑞楷
曾旭明
陈默子
张胜凯
郑凯
舒斯坦
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202310188426.3A priority Critical patent/CN116125466B/zh
Publication of CN116125466A publication Critical patent/CN116125466A/zh
Application granted granted Critical
Publication of CN116125466B publication Critical patent/CN116125466B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/414—Discriminating targets with respect to background clutter
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供一种船舶人员隐藏威胁性物品携带检测方法、装置及电子设备，该方法包括：获取多个视角的毫米波雷达返回的雷达数据；滤除静态物体信息得到第一数据，基于第一数据对毫米波雷达的距离、方位角和多普勒特征进行联合估计得到距离角度多普勒图；对特征图进行目标检测，对雷达射频特征进行多径虚影消除，基于人员的目标位置进行特征裁剪得到目标特征矩形特征；滤除雷达数据中的船舶震动噪声得到第二数据，提取目标人员运动过程中的微多普勒特征；对目标特征矩形特征和微多普勒特征进行识别，得到人员隐藏威胁性物品携带的检测结果。本发明能够识别人员身上的携带的管制金属和金属爆炸物等危险物品，适用于船舶舱室和限制区域的广泛部署。

Description

船舶人员隐藏威胁性物品携带检测方法、装置及电子设备
技术领域
本发明涉及安全检测技术领域，具体涉及一种船舶人员隐藏威胁性物品携带检测方法、装置及电子设备。
背景技术
近年来，随着船舶吨位及体积大型化发展，船舶人员及舱室管理面临着巨大挑战，特别是载客量庞大的豪华客轮，为了满足日常功能需求，通常拥有复杂的内部结构。船舶中的限制区域，譬如船舶驾驶舱室等一些负责控制船舶航行的功能性舱室，以及如船舶空仓、锚链舱和压载水舱等一些密闭舱室，对于船舶安全和船舶人员财产安全保障更为重要，通常需要对这些区域进行全天候监控，防止威胁性人员进入重要舱室。
常见的人员隐藏威胁检测是通过检控相机、金属探测器和电磁波（微波、太赫兹、毫米波）成像设备。基于摄像头的解决方案受到对象阻塞或遮挡问题和光线强度的影响，尤其是在环境复杂、遮挡物众多的船舶舱室检测准确率很难保证，同时需要与红外传感器结合实现穿透衣物的检测；随后出现的红外成像检测方法，利用物品和人体温差对人员隐藏物品进行成像检测，其检测方法仍然存在检测时间长、距离有限和穿透能力不够的问题。基于电磁波的成像和非成像的检测方法，需要特殊的设备扫描成像或大规模天线阵列，并不适用于船舱内大规模布设的需求，其传感器的位置相对固定，需要人员主动配合进行检测。同时硬件和部署成本高，对于注重经济效应的船舶并不适用。
目前常见的毫米波雷达进行人员隐藏威胁性物品携带威胁检测通常基于雷达成像或特征分析等方法，但是针对船舶内特殊的钢铁舱壁环境，其检测过程中很容易受到钢铁环境影响，信号存在多径效应和多阶反射，导致在雷达特征中出现虚影，进而影响从普通障碍物区分人员特征。同时，由于船舶在航行过程中始终存在由于轮机震动和海浪波动导致的不规则震动现象，在雷达时频特征中引入噪声干扰。
因此，需要提供一种方法，能够自动地识别来往人员身上的携带的管制金属和金属爆炸物等危险物品，适用于船舶舱室和限制区域的广泛部署。
发明内容
有鉴于此，有必要提供一种船舶人员隐藏威胁性物品携带检测方法、装置及电子设备，用以自动地识别来往人员身上的携带的管制金属和金属爆炸物等危险物品，适用于船舶舱室和限制区域的广泛部署。
为了实现上述目的，本发明提供了一种船舶人员隐藏威胁性物品携带检测方法，包括：
获取多个视角的毫米波雷达返回的雷达数据；
滤除所述雷达数据中的静态物体信息，得到第一数据，并基于所述第一数据对所述毫米波雷达的距离、方位角和多普勒特征进行联合估计，得到距离角度多普勒图；
对所述距离角度多普勒图进行目标检测，得到检测目标的雷达射频特征，对所述雷达射频特征进行多径虚影消除，基于人员的目标位置进行特征裁剪，得到目标特征矩形特征；
滤除所述雷达数据中的船舶震动噪声，得到第二数据，并基于所述第二数据提取目标人员运动过程中的微多普勒特征；
构建多视角环境对抗学习模型，基于所述多视角环境对抗学习模型对所述多个视角的目标特征矩形特征和微多普勒特征进行识别，得到人员隐藏威胁性物品携带的检测结果。
进一步地，所述多个视角的毫米波雷达之间的视角相对垂直，且所述毫米波雷达用于发射和接收线性调频连续波信号。
进一步地，所述对所述雷达射频特征进行多径虚影消除，基于人员的目标位置进行特征裁剪，得到目标特征矩形特征，包括：
对所述多个视角对应的雷达射频特征进行冗余点去除，并消除多径虚影，得到所述多个视角的目标检测点；
确定所述多个视角的目标检测点之间的关联度，基于所述关联度确定所述多个视角对应的人员目标坐标集；
基于所述多个视角对应的人员目标坐标集，对所述多个视角的目标检测点进行特征裁剪，得到所述目标特征矩形特征。
进一步地，所述基于所述多个视角对应的人员目标坐标集，对所述多个视角的目标检测点进行特征裁剪，得到所述目标特征矩形特征，包括：
以所述多个视角对应的人员目标坐标集中的目标方位为中心，并结合预设的裁剪范围，对所述多个视角的目标检测点进行特征裁剪，得到目标特征矩形特征。
进一步地，所述以所述多个视角对应的人员目标坐标集中的目标方位为中心，并结合预设的裁剪范围，对所述多个视角的目标检测点进行特征裁剪，得到目标特征矩形特征，包括：
以所述多个视角对应的人员目标坐标集中的目标方位为中心，并结合预设的裁剪范围，对所述多个视角的目标检测点进行特征裁剪，得到多帧原始目标特征矩形；
对所述多帧原始目标特征矩形进行距离因素消除，得到所述目标特征矩形特征。
进一步地，所述确定所述多个视角的目标检测点之间的关联度，基于所述关联度确定所述多个视角对应的人员目标坐标集，包括：
将所述多个视角的目标检测点转换到统一坐标系下；
对所述统一坐标系下的多个所述目标检测点之间的关联度；
将所述关联度与预设的关联阈值进行对比，确定人员在所述多个视角的毫米波雷达对应的映射坐标，基于所述映射坐标确定多个视角对应的人员目标坐标集。
进一步地，所述构建多视角环境对抗学习模型，基于所述多视角环境对抗学习模型对所述多个视角的目标特征矩形特征和微多普勒特征进行识别，得到人员隐藏威胁性物品携带的检测结果，包括：
将所述目标特征矩形特征输入至多视图特征提取器，得到所述多个视角对应的矢量表示；
以分层方式将所述多个视角对应的矢量表示集成到全局表征矢量；
将所述全局表征矢量输入至威胁性识别器和环境鉴别器，并通过梯度反转消除所述全局表征矢量中的环境特征，得到威胁性物品识别结果和环境识别结果对应的目标特征；
将所述目标特征输入至全连接前馈神经网络，得到隐藏威胁性携带识别的预测结果。
本发明还提供一种船舶人员隐藏威胁性物品携带检测装置，包括：
获取模块，用于获取多个视角的毫米波雷达返回的雷达数据；
第一处理模块，用于滤除所述雷达数据中的静态物体信息，得到第一数据，并基于所述第一数据对所述毫米波雷达的距离、方位角和多普勒特征进行联合估计，得到距离角度多普勒图；
第二处理模块，用于对所述距离角度多普勒图进行目标检测，得到检测目标的雷达射频特征，对所述雷达射频特征进行多径虚影消除，基于人员的目标位置进行特征裁剪，得到目标特征矩形特征；
第三处理模块，用于滤除所述雷达数据中的船舶震动噪声，得到第二数据，并基于所述第二数据提取目标人员运动过程中的微多普勒特征；
识别模块，用于构建多视角环境对抗学习模型，基于所述多视角环境对抗学习模型对所述多个视角的目标特征矩形特征和微多普勒特征进行识别，得到人员隐藏威胁性物品携带的检测结果。
本发明还提供一种电子设备，包括存储器和处理器，其中，
所述存储器，用于存储程序；
所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以实现如上述任意一项所述的船舶人员隐藏威胁性物品携带检测方法中的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述的船舶人员隐藏威胁性物品携带检测方法。
采用上述实现方式的有益效果是：本发明提供的船舶人员隐藏威胁性物品携带检测方法、装置及电子设备，通过获取多个视角的毫米波雷达返回的雷达数据，并滤除雷达数据中的静态物体信息，得到第一数据，并基于第一数据对毫米波雷达的距离、方位角和多普勒特征进行联合估计，得到距离角度多普勒图；从距离角度多普勒图中提取人员特征，得到雷达射频特征，对雷达射频特征进行虚影消除后并基于人员的目标位置进行特征裁剪，得到目标特征矩形特征；滤除雷达数据中的船舶震动噪声，得到第二数据，并基于第二数据提取目标人员运动过程中的微多普勒特征；对目标特征矩形特征和微多普勒特征进行识别，得到人员隐藏威胁性物品携带的检测结果，从而自动地识别来往人员身上的携带的管制金属和金属爆炸物等危险物品，适用于船舶舱室和限制区域的广泛部署。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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的一些实施例，对于本领域技术人员来讲，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为本发明提供的船舶人员隐藏威胁性物品携带检测方法的一实施例的流程示意图；
图2为本发明提供的船舶人员隐藏威胁性物品携带检测方法的另一实施例的流程示意图；
图3为本发明提供的船舶人员隐藏威胁性物品携带检测方法的又一实施例的流程示意图；
图4是本发明提供的双雷达的场景示意图；
图5为本发明提供的船舶人员隐藏威胁性物品携带检测装置的结构示意图；
图6为本发明提供的电子设备的一个实施例结构示意图。
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、完整地描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域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。
在本申请实施例的描述中，除非另有说明， “多个”的含义是两个或两个以上。
本发明实施例中术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。
在本发明实施例中出现的对步骤进行的命名或者编号，并不意味着必须按照命名或者编号所指示的时间/逻辑先后顺序执行方法流程中的步骤，已经命名或者编号的流程步骤可以根据要实现的技术目的变更执行次序，只要能达到相同或者相类似的技术效果即可。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明提供了一种船舶人员隐藏威胁性物品携带检测方法、装置及电子设备，以下分别进行说明。
如图1所示，本发明提供一种船舶人员隐藏威胁性物品携带检测方法，包括：
步骤110、获取多个视角的毫米波雷达返回的雷达数据。
可以理解的是，多个视角的毫米波雷达包括两台或以上毫米波雷达系统视角相对垂直放置于船舶限制区域及船舱内，包括发射天线和接收天线，用于发射和接收线性调频连续波信号，采集作用在障碍物上发生反射的雷达回波。
步骤120、滤除所述雷达数据中的静态物体信息，得到第一数据，并基于所述第一数据对所述毫米波雷达的距离、方位角和多普勒特征进行联合估计，得到距离角度多普勒图。
可以理解的是，通过雷达数据预处理子系统用于滤除雷达原始数据中的静态物体信息，并实现对于雷达的距离、方位角和多普勒特征的联合估计。
步骤130、对所述距离角度多普勒图进行目标检测，得到检测目标的雷达射频特征，对所述雷达射频特征进行多径虚影消除，基于人员的目标位置进行特征裁剪，得到目标特征矩形特征。
可以理解的是，为克服船舶内的金属舱壁、机械设备以及复杂结构对雷达特征引入的噪声和随机虚影干扰，通过目标人员雷达射频特征提取和虚影消除子系统从雷达特征图（即距离角度多普勒图）中提取出真实的人员特征，并基于人员的目标位置检测进行特征的裁剪,以增加特征鲁棒性并减少模型的输入和计算量。
步骤140、滤除所述雷达数据中的船舶震动噪声，得到第二数据，并基于所述第二数据提取目标人员运动过程中的微多普勒特征。
可以理解的是，通过微多普勒特征提取子系统滤除在雷达数据时频域因船舶震动产生的噪声，并提取出目标人员运动过程中的微多普勒(μ-D)特征。
通过短时分数阶傅里叶变换（STFrFT）提取来自人员运动的微多普勒特征。首先计算来自船舶震动部分信号，具体表述如下：
Figure SMS_1
其中，
Figure SMS_2
为短时分数阶傅里叶逆变换，/>
Figure SMS_3
是环境噪声中多普勒频移阶数，/>
Figure SMS_4
是由震动特征值确定阈值，/>
Figure SMS_5
是原始信号的短时分数阶傅里叶变换处理。
对于输出的
Figure SMS_6
进行短时傅里叶变换后得到时频域信号/>
Figure SMS_7
，代表船舶震动的时频特征，然后我们得到其平均时频特征:
Figure SMS_8
=/>
Figure SMS_9
其中，
Figure SMS_10
是短时傅里叶变换过程中的时刻数，/>
Figure SMS_11
表示/>
Figure SMS_12
的短时傅里叶变换。
针对在数据采集过程中船体震动带来的频移干扰，为消除频段中船舶震动导致的快变频移，对其进行分离，得到来自目标人员的运动特征信号
Figure SMS_13
。采用系列公式进行处理：
Figure SMS_14
其中，
Figure SMS_15
为短时傅里叶逆变换，/>
Figure SMS_16
为雷达慢时间维输入信号的短时傅里叶变换，/>
Figure SMS_17
为衰减因子,/>
Figure SMS_18
为船舶震动时频信号的增益。通过减去衰减因子与船舶震动的快变频率信号估计的乘积，有效滤除了船舶震动带来的频移干扰。
步骤150、构建多视角环境对抗学习模型，基于所述多视角环境对抗学习模型对所述多个视角的目标特征矩形特征和微多普勒特征进行识别，得到人员隐藏威胁性物品携带的检测结果。
可以理解的是，隐藏性物品威胁携带检测子系统包含多视角深度学习网络模型，以经过特征裁剪和距离-速度因素消除处理的目标雷达射频特征矩形块和人员微多普勒特征作为输入，最终完成对于人员隐藏威胁性物品携带检测和判别。
在一些实施例中，多个视角的毫米波雷达包括A、B两台雷达，对应的船舶人员隐藏威胁性物品携带检测方法流程如图2所示。
在一些实施例中，所述对所述雷达射频特征进行多径虚影消除，基于人员的目标位置进行特征裁剪，得到目标特征矩形特征，包括：
对所述多个视角对应的雷达射频特征进行冗余点去除，并消除多径虚影，得到所述多个视角的目标检测点；
确定所述多个视角的目标检测点之间的关联度，基于所述关联度确定所述多个视角对应的人员目标坐标集；
基于所述多个视角对应的人员目标坐标集，对所述多个视角的目标检测点进行特征裁剪，得到所述目标特征矩形特征。
可以理解的是，将个各视角雷达目标检测的结果（即：雷达射频特征）进行冗余点去除和初步的目标方位获取,基于定义的点相似度指标目标集合相似度实现检测点关联度计算，目标相似关联度指标定义如下：
Figure SMS_19
其中
Figure SMS_20
为单个视角雷达每帧检测点集中两点间的空间距离，/>
Figure SMS_21
和/>
Figure SMS_22
分别为两点的检测坐标，/>
Figure SMS_23
为由点集大小所确定的控制参数。通过判断TSC值与设定阈值实现冗余点去除，若大于设定阈值则判定为非同一目标的检测点。
在一些实施例中，所述基于所述多个视角对应的人员目标坐标集，对所述多个视角的目标检测点进行特征裁剪，得到所述目标特征矩形特征，包括：
以所述多个视角对应的人员目标坐标集中的目标方位为中心，并结合预设的裁剪范围，对所述多个视角的目标检测点进行特征裁剪，得到目标特征矩形特征。
可以理解的是，得到各视角人员目标坐标集
Figure SMS_25
和/>
Figure SMS_26
后，以坐标集/>
Figure SMS_27
和/>
Figure SMS_29
中的目标方位/>
Figure SMS_30
和/>
Figure SMS_31
为中心，并针对不同视角设定其裁剪范围/>
Figure SMS_32
和
Figure SMS_24
，裁剪出人员目标特征矩形/>
Figure SMS_28
。
以A视角为例，具体公式如下：
Figure SMS_33
其中，
Figure SMS_34
、/>
Figure SMS_35
分别为双雷达坐标系距离/>
Figure SMS_36
维度和角度/>
Figure SMS_37
维度的裁剪尺度参数，视角A雷达的裁剪尺度参数为/>
Figure SMS_38
，/>
Figure SMS_39
为第j帧的距离-角度估计图。
在一些实施例中，所述以所述多个视角对应的人员目标坐标集中的目标方位为中心，并结合预设的裁剪范围，对所述多个视角的目标检测点进行特征裁剪，得到目标特征矩形特征，包括：
以所述多个视角对应的人员目标坐标集中的目标方位为中心，并结合预设的裁剪范围，对所述多个视角的目标检测点进行特征裁剪，得到多帧原始目标特征矩形；
对所述多帧原始目标特征矩形进行距离因素消除，得到所述目标特征矩形特征。
可以理解的是，对所述多帧原始目标特征矩形进行距离因素消除，也即是对裁剪后的N帧目标特征矩形进行距离因素消除后处理，具体公式如下：
Figure SMS_40
Figure SMS_41
为基于目标检测结果裁剪后的目标特征块，/>
Figure SMS_42
为获取的毫米波雷达与目标人员之间的距离，/>
Figure SMS_43
为距离尺度同步参数。
基于时间维度利用平均帧叠加的方式获取稳定的目标特征矩形特征TFB，以减少运动带来的特征形变，增加其鲁棒性，其中
Figure SMS_44
为距离相关参数。
Figure SMS_45
Figure SMS_46
为由雷达检测的目标径向速度/>
Figure SMS_47
确定的叠加帧数,/>
Figure SMS_48
为速度尺度因子，具体地:
Figure SMS_49
在一些实施例中，所述确定所述多个视角的目标检测点之间的关联度，基于所述关联度确定所述多个视角对应的人员目标坐标集，包括：
将所述多个视角的目标检测点转换到统一坐标系下；
对所述统一坐标系下的多个所述目标检测点之间的关联度；
将所述关联度与预设的关联阈值进行对比，确定人员在所述多个视角的毫米波雷达对应的映射坐标，基于所述映射坐标确定多个视角对应的人员目标坐标集。
可以理解的是，将各视角的检测点基于雷达摆放的空间坐标，转换到统一坐标系，并对其作关联度计算，通过与设定关联阈值对比，得到运动人员在两个雷达坐标系中的映射坐标，各视角出现的随机虚影在同一坐标系中不具有相似的关联度则舍弃。坐标系之间的转换公式为：
Figure SMS_50
其中
Figure SMS_51
为A视角毫米波雷达坐标系中的目标空间坐标，/>
Figure SMS_52
为其转换到B视角毫米波雷达坐标系的坐标表示，/>
Figure SMS_53
为两台毫米波雷达之间的直线距离。/>
Figure SMS_54
为两台毫米波之间连线与舱壁间的夹角。
然后将转换后的A视角雷达坐标系中坐标与B视角雷达坐标系中的坐标分别作关联系数的计算，通过关联系数的值对目标人员的坐标进行判断。具体的关联系数
Figure SMS_55
可由下列公式得出：
Figure SMS_56
其中
Figure SMS_57
为分辨系数，/>
Figure SMS_58
越小，对于坐标之间关联度得分辨越高。/>
Figure SMS_59
和/>
Figure SMS_60
为转换后的B视角毫米波雷达坐标系中横纵坐标组成的数列。
在一些实施例中，所述构建多视角环境对抗学习模型，基于所述多视角环境对抗学习模型对所述多个视角的目标特征矩形特征和微多普勒特征进行识别，得到人员隐藏威胁性物品携带的检测结果，包括：
将所述目标特征矩形特征输入至多视图特征提取器，得到所述多个视角对应的矢量表示；
以分层方式将所述多个视角对应的矢量表示集成到全局表征矢量；
将所述全局表征矢量输入至威胁性识别器和环境鉴别器，并通过梯度反转消除所述全局表征矢量中的环境特征，得到威胁性物品识别结果和环境识别结果对应的目标特征；
将所述目标特征输入至全连接前馈神经网络，得到隐藏威胁性携带识别的预测结果。
可以理解的是，构建多视角特征学习模型，获取目标多方位特征，提高模型的检测精度。为了获得有区别的特征，首先利用多视图特征提取器得到各通道的矢量表示，其中隐藏层的表示
Figure SMS_61
由以下公式进行计算：
Figure SMS_62
其中
Figure SMS_64
表示视图数量，分别表示输入的A视角雷达的/>
Figure SMS_65
特征、B视角雷达的/>
Figure SMS_67
特征以及径向的人员微多普勒特征/>
Figure SMS_70
，三个视角的输入；/>
Figure SMS_71
表示每个视角的通道数量，/>
Figure SMS_72
表示输入视角数据第/>
Figure SMS_73
个视图的第/>
Figure SMS_63
个通道，/>
Figure SMS_66
表示应用于第/>
Figure SMS_68
个视图的多层CNN（即：卷积神经网络）块，/>
Figure SMS_69
为每个CNN块对应的参数。
以分层方式将不同视角特征表示集成到全局表征矢量中。同时，集成的特征向量由威胁性识别器和环境鉴别器使用，将特定于环境的特征进行删除，保留了与环境无关的特征。最后使用完全连接的前馈神经网络将全局表示向量映射到目标携带的隐藏威胁性物品的潜在空间，包含Softmax层的全连接前馈神经网络表示如下：
Figure SMS_74
其中
Figure SMS_75
是神经网络中参数集，/>
Figure SMS_76
是对应样本的预测概率分布，/>
Figure SMS_77
是被映射的全局表示向量,/>
Figure SMS_78
表示映射函数。然后通过最小化标记数据的预测与其真实值之间的交叉熵损失来最大化活动预测的准确性，损失函数表示如下：
Figure SMS_79
其中
Figure SMS_80
是带标签的数据样本数，/>
Figure SMS_81
为输入的样本数量，/>
Figure SMS_82
为标记数据的预测与其真实之间的交叉熵损失，/>
Figure SMS_83
是已标记数据的预测概率。
接着基于同样的模式设计环境鉴别器，通过学习不同船舶场景下相同的特征，其目的是最大化环境预测的准确性，通过将全局表示向量和隐藏威胁性携带识别的预测结果通过级联实现。我们构建环境鉴别器的损失函数：
Figure SMS_84
其中
Figure SMS_85
是标记和未标记数据的总数，/>
Figure SMS_86
是场景的数量。因此，我们构建最终的目标损失函数，通过使环境鉴别器的损失/>
Figure SMS_87
最大化来学习与场景无关的特征。最终的损失函数如下：
Figure SMS_88
其中
Figure SMS_89
是损失的权重参数。最终利用最小化的交叉熵损失优化输入样本的预测概率分布，实现对于人员隐藏性威胁的判断。
进一步地，通过在船舶舱室内以视角垂直布设双雷达系统实现对船舱内人员的全方面覆盖，所述的毫米波雷达子系统的发射天线向检测范围内的区域发射线性调频连续波信号，并用接收天线接收由船舱内障碍物反射的雷达回波。将接收到的雷达回波与发射信号进行混频后通过低通滤波，再经过模数转换后得到原始雷达数据，所述的原始雷达数据包含船舱内的各种障碍物信息和多种噪声。
进一步地，在完成静态杂波和直流滤除后，分别对雷达数据的快时间维、慢时间维和天线维做快速傅里叶变换，生成雷达的距离-多普勒-方位角估计（RDA图），通过CFAR方法对RDA图进行初步处理得到对应的目标峰值，并进行峰值搜索得到初步检测结果。
所述的CFAR方法即恒虚警检测技术，指雷达系统在保持虚警概率恒定条件下对接收机输出的信号与噪声作判别以确定目标信号是否存在的技术。
进一步地，将各视角雷达的检测的峰值坐标统一在同一坐标系中，并对双雷达峰值坐标作关联度计算，通过与设定关联阈值对比，得到运动人员在两个雷达坐标系中的映射坐标。
进一步地，将上述检测峰值坐标从统一坐标系转换到原雷达坐标系中，并以各自视角设置裁剪范围。以人员检测方位为中心对每一帧的RA图进行尺度裁剪获得目标特征矩形特征。
将上述的目标特征矩形特征乘距离因子，实现在距离-幅值尺度上的统一。为增加特征鲁棒性，将叠加帧数与目标检测速度相关联，在时间维上进行平均叠加得到最终的目标特征矩形（TFB）；
同时RDA图中以峰值坐标为中心进行聚类，沿着距离维进行积分提取初步微多普勒特征。将信号通过短时分数阶变换滤波，消除船舶舱壁、轮机震动对时频特征的噪声干扰，将两部分特征加权求和，得到较纯净的人员微多普勒特征；所述的短时分数阶傅里叶变换为自适应时变滤波技术，能够提高抑制脉冲杂波干扰的能力；
进一步地，将各视角雷达的TFB特征和对应的微多普勒特征图输入隐藏性物品威胁携带检系统，其包含多视角深度学习网络模型，以多视角TFB和人员运动微多普勒特征作为输入，最终完成对于人员隐藏威胁性物品携带检测和特征判别；通过网络模型的分类和训练对船舶内限制区域的人员隐藏威胁进行检测。
在另一些实施例中，本发明提供的船舶人员隐藏威胁性物品携带检测方法，具体如下：
如图3所示，该方法包括了全方位双毫米波雷达数据采集、雷达数据预处理、来往人员信息裁剪、微多普勒特征提取和隐藏性威胁携带检测。
如图4所示，毫米波雷达子系统1放置于待测对象的正面方向，发射天线发射频率为L1的线性调频连续波信号，接收天线采集作用在船舱中各种障碍物反射的雷达回波；毫米波雷达子系统2放置在待测对象侧面，以发射频率为L2的线性调频连续波信号对雷达信号进行采集。
雷达数据预处理子系统提取出原始雷达信号中的有关船舱中来往人员的R-A坐标值，并通过坐标转换将双雷达坐标系中的人员坐标进行关联，并设定范围裁剪出R-A特征图中的人员坐标模块；微多普勒特征提取子系统通过对多个序列进行STFrFt（短时分数阶傅里叶变换）滤波进而得到船舱中来往人员的微多普勒特征；隐藏性威胁携带检测子系统将双雷达坐标系中裁剪出的R-A（距离-方位角）图和微多普勒特征图作为三输入在多视角网络模型中进行训练，完成对隐藏物品的分类检测，进而有效的对隐藏性威胁携带做出精准判断。
具体地，全方位双毫米波雷达数据采集子系统发射线性调频连续波信号，并采集作用在船舱中各种障碍物表面反射的雷达回波，混频后低通滤波，经过模数转换后得到含有障碍物距离、多普勒与方位角信息与多种噪声的原始雷达数据。
双毫米波雷达数据采集子系统根据应用场景的不同，所需的雷达工作参数也不同，可以根据应用场景的需求调整系统的最大测量距离、最大测量速度、距离分辨率、速度分辨率、帧周期等参数。上述系统参数由以下雷达参数确定：雷达发射线性调频连续波信号的天线数、雷达接收回波信号的天线数、每帧调频周期数、调频斜率、调频周期、模数转换采样率、每调频周期采样点数。
全方位双毫米波雷达数据采集子系统的主要工作过程为：首先将两台雷达放置在正面与侧面位置，具体的需要满足在矩形空间内两台雷达之间的连线和矩形边之间的角度需要大于等于240°，进而才能够实现对于区域内人员的全方位探测。在信号采集过程中，每个毫米波雷达的M个发射天线向检测范围内的区域发射线性调频连续波信号，并用N个接收天线接收由各种障碍物表面反射的雷达回波，将接收到的雷达回波进行混频后低通滤波，经过模数转换得到原始雷达数据。
雷达数据预处理子系统能够对原始信号处理作数字信号处理，提取出各种障碍物的位置距离和方位角信息。
具体步骤如下：
雷达采集到的每一帧原始雷达数据大小为m*n，其中m表示调频周期索引，表示调频周期采样点数，首先将原始雷达数据通过MTI滤波器滤除静态杂波信号。
具体地，由于杂波通常集中在直流分量和雷达重复频率的整数倍处，而 MTI滤波器利用杂波与运动目标的多普勒频率的差异，使得滤波器的频率响应在直流和PRF（脉冲重复频率）的整数倍处具有较深的阻带，而在其他频点的抑制较弱，从而通过较深的“凹口”抑制静止目标和静物杂波。
对某一调频周期的信号作快速傅里叶变换（FFT），可以得到各种障碍物的距离分布，紧接着在慢时间维度沿天线维作快速傅里叶变换，即可得到各种障碍物的方位角信息，并画出R-A（距离-方位角）图。
在得到目标人员距离方位信息后，对所得的距离-方位角频谱图作恒虚警率(CFAR)检测，得到各种障碍物信息在频域中的峰值图。再对峰值进行搜索得到各种障碍物中的人员位置方位，并转换为时域中的位置方位坐标(R,
Figure SMS_90
)。
具体地，对设为f(x)的原始信号进行CFAR（恒虚警率）检测，这里本发明采用CA-CFAR即均值类恒虚警率检测方法，使用当前待检测数据周围一定范围的单元格的平均值来确定被测单元格的阈值，如图一所示。将待测数据输入平方律检测器后，得到输出噪声能量X值为：
Figure SMS_91
再将噪声能量X与阈值因子
Figure SMS_92
做卷积，得到阈值T：
Figure SMS_93
其中阈值因子
Figure SMS_94
的计算公式为：
Figure SMS_95
其中，N为相邻单元的数量，即参考单元数量，
Figure SMS_96
时虚警概率。
再将待测数据与阈值进行比较，当待检测数据大于阈值时置为1，小于阈值时置为0，然后将0值视作噪声进行剔除，对1值进行保留得到峰值图，然后再对峰值进行筛选保留，并返回到原R-A图中得到疑似人员的距离-方位角坐标（
Figure SMS_98
，/>
Figure SMS_99
）、（/>
Figure SMS_101
，/>
Figure SMS_103
）、（/>
Figure SMS_105
，/>
Figure SMS_106
）…和（/>
Figure SMS_107
，/>
Figure SMS_97
）、/>
Figure SMS_100
、（/>
Figure SMS_102
，/>
Figure SMS_104
）…
Figure SMS_108
/>
由于各种噪声对于雷达原始信号的干扰，而且对于船舱内部钢铁舱壁以及各种金属性质的障碍物的特殊环境，检测过程极易出现由于多径效应导致的干扰，在R-A图中经常出现由于多径效应和多阶反射生成的随机虚影干扰，因而无法直接将疑似人员坐标判定为真实的人员坐标。因此本发明提出了人员信息裁剪子系统在疑似人员坐标中滤除多径效应导致的虚影的干扰，并对距离-方位角图中的目标人员坐标区域进行裁剪。利用裁剪出的R-D图的差异性作为人员隐藏威胁性物品携带危险性的判断依据。
具体步骤，因此双雷达之间的距离和角度信息由雷达布设方位获取，将双毫米波雷达的子坐标系中的各种障碍物的坐标统一在其中的一个坐标系中作为公共坐标系。
具体的，毫米波雷达坐标系中毫米波雷达贴合的墙壁为x轴，靠近另一台毫米弄雷达的方向为x轴的指向，在垂直于x轴且与墙壁相反的方向作y轴。由先决的摆放条件可知，双雷达坐标系的x-y平面同处于一个雷达信号发射平面中，且已知两个坐标系之间的距离s。和两台毫米波之间连线与墙壁之间组成的钝角
Figure SMS_109
，其中双雷达坐标系中的量度均相同。
通过下列公式将其中一台毫米波雷达坐标系(x,y,z)转换到另外一台毫米波雷达坐标系（x`,y`,z`）中：
首先由已知条件对坐标系作平移操作，设中间平移后的坐标系（a,b,c）,其中的坐标转换关系如下：
Figure SMS_110
然后得到两个坐标系之间的矩阵关系为：
Figure SMS_111
再对中间坐标系作旋转操作得到最终的坐标（x`,y`,z`），其中的坐标转换关系如下：
Figure SMS_112
其中
Figure SMS_113
为坐标系围绕z轴的旋转角度，根据实际雷达摆放的方位信息可知
Figure SMS_114
，因此可以得到最后的坐标转换矩阵关系：
Figure SMS_115
对于在检测过程中由于多径效应产生的虚影的干扰，本发明通过时频信息的特征差异，利用双雷达坐标系中的坐标，在统一坐标系后对于单雷达坐标系中的每一个坐标与另一坐标系中的坐标进行关联度计算，通过经验设置关联度阈值对目标人员坐标进行筛选。
对于统一坐标系后的坐标中的横纵坐标分别组成数列
Figure SMS_116
和/>
Figure SMS_117
，将原雷达子坐标的每个坐标数列都作为参考数列，转换后的坐标值作为比较数列，将每一个参考数列与所有的比较数列进行关联度计算。
关联系数
Figure SMS_118
可由下列公式算出：
Figure SMS_119
其中ρ为分辨系数，ρ>0，ρ越小，分辨力越大，一般ρ的取值区间为（0，1），具体取值可视情况而定。根据经验模型通常取值为0.5。
将各视角雷达目标检测的结果进行冗余点去除和初步的目标方位获取,基于我们定义的点相似度指标目标集合相似度实现检测点关联度计算，目标相似关联度指标定义如下:
Figure SMS_120
其中
Figure SMS_121
为单个视角雷达每帧检测点集中两两点间的空间距离，/>
Figure SMS_122
和/>
Figure SMS_123
分别为两点的检测坐标，/>
Figure SMS_124
为由点集大小所确定的控制参数。通过判断TSC值与设定阈值实现冗与点去除，若大于设定阈值则判定为非同一目标的检测点。
将筛选过后的坐标返回到各自的雷达子坐标系，得到各视角人员目标坐标集
Figure SMS_126
和
Figure SMS_128
后，以坐标集/>
Figure SMS_129
和/>
Figure SMS_130
中目标方位/>
Figure SMS_131
和/>
Figure SMS_132
为中心，并针对不同视角设定其裁剪范围/>
Figure SMS_133
和/>
Figure SMS_125
，裁剪出人员目标特征矩形/>
Figure SMS_127
。以A视角为例，具体公式如下：
Figure SMS_134
其中，
Figure SMS_135
、/>
Figure SMS_136
分别为双雷达坐标系距离/>
Figure SMS_137
维度和角度/>
Figure SMS_138
维度的裁剪尺度参数，视角A雷达的裁剪尺度参数为/>
Figure SMS_139
，/>
Figure SMS_140
为第j帧的距离-角度估计图。
对裁剪后的N帧目标特征矩形进行距离因素消除后处理，具体公式如下：
Figure SMS_141
其中，
Figure SMS_142
为基于目标检测结果裁剪后的目标特征块，/>
Figure SMS_143
为获取的毫米波雷达与目标人员之间的距离，/>
Figure SMS_144
为距离尺度同步参数。/>
基于时间维度利用平均帧叠加的方式获取稳定的目标特征矩形特征TFB，以减少运动带来的特征形变，增加其鲁棒性，得到最终的TFB特征：
Figure SMS_145
其中，
Figure SMS_146
为由雷达检测的目标径向速度/>
Figure SMS_147
确定的叠加帧数,/>
Figure SMS_148
为速度尺度因子，根据常见的行人运动速度和帧时间确定，具体地：
Figure SMS_149
人员微多普勒特征反应运动过程中的步态和姿态，如果人员携带了隐藏的金属物品，金属随着人员行走沿轴心进行摆动，这种摆动状态会映射到微多普勒特征中。通过微多普勒特征提取子系统对微多普勒特征进行提取，进一步提高对于人员携带隐藏危险物品的检测准确率。
初始的时频特征提取步骤如下：
在正朝向的毫米波雷达子系统中，通过聚类得到目标簇
Figure SMS_150
,沿距离维进行积分，得到具有目标对象微多普勒特征的信号
Figure SMS_151
。针对在数据采集过程中船体震动带来的频移干扰，采用短时分数阶傅里叶变换（STFrFD）算法消除船舶震动导致的快变频移，通过加权相减实现对于微多普勒特征的分离操作。
具体步骤如下：
1)获取各视角雷达的原始信号
Figure SMS_152
；2)通过滤波、直流（DC）消除对原始数据
Figure SMS_153
进行预处理，然后获得预处理的信号/>
Figure SMS_154
；3)执行STFrFD滤波以提取快变多普勒信号/>
Figure SMS_155
。
具体地,计算预处理回波信号的L阶STFrFT，
Figure SMS_156
，其中L是船舶震动噪声中多普勒频移确定阶数。其次，设计函数如下
Figure SMS_157
其中
Figure SMS_158
为短时分数阶傅里叶逆变换，/>
Figure SMS_159
是由震动特征值确定阈值，
Figure SMS_160
是原始信号的短时分数阶傅里叶变换处理，得到来自船舶震动的快变信号
Figure SMS_161
。
对于输出的
Figure SMS_162
进行短时傅里叶变换得到时频域信号/>
Figure SMS_163
，代表船舶震动的时频特征，然后我们基于得到其平均的时频特征:/>
Figure SMS_164
=/>
Figure SMS_165
其中，
Figure SMS_166
是/>
Figure SMS_167
的STFT，N短时傅里叶变换过程中的时刻数目。
快变多普勒信号的增益估计为原始信号频谱投影到慢变多普勒频谱上的归一化长度，可表示为：
Figure SMS_168
其中
Figure SMS_169
是/>
Figure SMS_170
欧式范数，具体表示为
Figure SMS_171
其中，
Figure SMS_172
为短时傅里叶变换的频率数。为了去除船舶震动噪声，保留人员运动的多普勒特征，将增益/>
Figure SMS_173
与衰减因子相乘。最终得到来自目标人员运动的特征信号，
Figure SMS_174
表示为：
Figure SMS_175
其中
Figure SMS_176
为短时傅里叶逆变换，/>
Figure SMS_177
为雷达慢时间维输入信号的短时傅里叶变换，即可得到滤除船舶震动频移干扰的特征信号/>
Figure SMS_178
。随后，为了增加多普勒特征的鲁棒性，我们将RAD图中初步积分获得的微多普勒特征/>
Figure SMS_179
，与/>
Figure SMS_180
的短时傅里叶变换加权相加，得到最终运动目标/>
Figure SMS_181
的微多普勒特征/>
Figure SMS_182
，具体表示为：
Figure SMS_183
其中
Figure SMS_184
和/>
Figure SMS_185
为加权因子，根据不同船舶场景的噪声干扰程度决定。
最后利用隐藏性威胁携带检测子系统对来往人员的危险携带进行检测。
通过将两个雷达视角的特征矩形块和目标微多普勒特征分别作为多视角网络模型的输入，在模型中对人员携带物品与否和人员携带物品种类进行检测并判断其危险性。具体的网络图结构如图4所示，该网络包括三个模块，分别为视图表示模块、分层加权组合模块和分类模块。为了获得有区别的特征，首先利用多视图特征提取器学习信道级矢量表示，其中隐藏层的表示
Figure SMS_186
由以下公式进行计算：
Figure SMS_187
/>
其中
Figure SMS_189
表示视图数量，分别表示输入的A视角雷达的/>
Figure SMS_190
特征、B视角雷达的/>
Figure SMS_193
特征以及径向的人员微多普勒特征/>
Figure SMS_194
，三个视角的输入；/>
Figure SMS_196
表示每个视角的通道数量，/>
Figure SMS_197
表示输入视角数据第/>
Figure SMS_198
个视图的第/>
Figure SMS_188
个通道，/>
Figure SMS_191
表示应用于第/>
Figure SMS_192
个视图的多层CNN块，/>
Figure SMS_195
为每个CNN块对应的参数。
然后再以分层方式将不同视图的表示选择性地集成到潜在矢量（即全局表示矢量）中。同时，集成的特征向量由活动识别器和环境鉴别器使用，将特定于环境的特征进行删除，保留了与环境无关的常见特征。最后使用完全连接的前馈神经网络将全局表示向量映射到人类活动的潜在空间，我们将包含Softmax层的全连接前馈神经网络表示如下：
Figure SMS_199
其中
Figure SMS_200
是神经网络中参数集，/>
Figure SMS_201
是对应样本的预测概率分布，/>
Figure SMS_202
是被映射的全局表示向量,/>
Figure SMS_203
表示映射函数。然后通过最小化标记数据的预测与其真实值之间的交叉熵损失来最大化活动预测的准确性；/>
Figure SMS_204
其中
Figure SMS_205
是带标签的数据样本数，/>
Figure SMS_206
为输入的样本数量，/>
Figure SMS_207
为标记数据的预测与其真实之间的交叉熵损失。最终利用最小化的交叉熵损失优化输入样本的预测概率分布，最终实现对于人员隐藏性威胁的判断。
接着基于同样的模式设计环境鉴别器，通过学习不同船舶场景下相同的特征，其目的是最大化环境预测的准确性，通过将全局表示向量和隐藏威胁性携带识别的预测结果级联实现。我们构建环境鉴别器的损失函数：
Figure SMS_208
其中
Figure SMS_209
是标记和未标记数据的总数，/>
Figure SMS_210
是场景的数量。因此，我们构建最终的目标损失函数，通过使环境鉴别器的损失/>
Figure SMS_211
最大化来学习与场景无关的特征。最终的损失函数如下：
Figure SMS_212
其中
Figure SMS_213
是损失的权重参数。最终利用最小化的交叉熵损失优化输入样本的预测概率分布，最终实现对于人员隐藏性威胁的判断。
综上所述，本发明提供的方法，通过获取多个视角的毫米波雷达返回的雷达数据，并滤除雷达数据中的静态物体信息，得到第一数据，并基于第一数据对毫米波雷达的距离、方位角和多普勒特征进行联合估计，得到距离角度多普勒图；从距离角度多普勒图中提取人员特征，得到雷达射频特征，对雷达射频特征进行虚影消除后并基于人员的目标位置进行特征裁剪，得到目标特征矩形特征；滤除雷达数据中的船舶震动噪声，得到第二数据，并基于第二数据提取目标人员运动过程中的微多普勒特征；对目标特征矩形特征和微多普勒特征进行识别，得到人员隐藏威胁性物品携带的检测结果，从而自动地识别来往人员身上的携带的管制金属和金属爆炸物等危险物品，适用于船舶舱室和限制区域的广泛部署。
如图5所示，本发明还提供一种船舶人员隐藏威胁性物品携带检测装置500，包括：
获取模块510，用于获取多个视角的毫米波雷达返回的雷达数据；
第一处理模块520，用于滤除所述雷达数据中的静态物体信息，得到第一数据，并基于所述第一数据对所述毫米波雷达的距离、方位角和多普勒特征进行联合估计，得到距离角度多普勒图；
第二处理模块530，用于对所述距离角度多普勒图进行目标检测，得到检测目标的雷达射频特征，对所述雷达射频特征进行多径虚影消除，基于人员的目标位置进行特征裁剪，得到目标特征矩形特征；
第三处理模块540，用于滤除所述雷达数据中的船舶震动噪声，得到第二数据，并基于所述第二数据提取目标人员运动过程中的微多普勒特征；
识别模块550，用于构建多视角环境对抗学习模型，基于所述多视角环境对抗学习模型对所述多个视角的目标特征矩形特征和微多普勒特征进行识别，得到人员隐藏威胁性物品携带的检测结果。
上述实施例提供的船舶人员隐藏威胁性物品携带检测装置可实现上述船舶人员隐藏威胁性物品携带检测方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述船舶人员隐藏威胁性物品携带检测方法实施例中的相应内容，此处不再赘述。
如图6所示，本发明还相应提供了一种电子设备600。该电子设备600包括处理器601、存储器602及显示器603。图6仅示出了电子设备600的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
存储器602在一些实施例中可以是电子设备600的内部存储单元，例如电子设备600的硬盘或内存。存储器602在另一些实施例中也可以是电子设备600的外部存储设备，例如电子设备600上配备的插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）等。
进一步地，存储器602还可既包括电子设备600的内部储存单元也包括外部存储设备。存储器602用于存储安装电子设备600的应用软件及各类数据。
处理器601在一些实施例中可以是一中央处理器（Central Processing Unit，CPU），微处理器或其他数据处理芯片，用于运行存储器602中存储的程序代码或处理数据，例如本发明中的船舶人员隐藏威胁性物品携带检测方法。
显示器603在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-EmittingDiode，有机发光二极管）触摸器等。显示器603用于显示在电子设备600的信息以及用于显示可视化的用户界面。电子设备600的部件601-603通过系统总线相互通信。
在本发明的一些实施例中，当处理器601执行存储器602中的船舶人员隐藏威胁性物品携带检测程序时，可实现以下步骤：
获取多个视角的毫米波雷达返回的雷达数据；
滤除所述雷达数据中的静态物体信息，得到第一数据，并基于所述第一数据对所述毫米波雷达的距离、方位角和多普勒特征进行联合估计，得到距离角度多普勒图；
对所述距离角度多普勒图进行目标检测，得到检测目标的雷达射频特征，对所述雷达射频特征进行多径虚影消除，基于人员的目标位置进行特征裁剪，得到目标特征矩形特征；
滤除所述雷达数据中的船舶震动噪声，得到第二数据，并基于所述第二数据提取目标人员运动过程中的微多普勒特征；
构建多视角环境对抗学习模型，基于所述多视角环境对抗学习模型对所述多个视角的目标特征矩形特征和微多普勒特征进行识别，得到人员隐藏威胁性物品携带的检测结果。
应当理解的是：处理器601在执行存储器602中的船舶人员隐藏威胁性物品携带检测程序时，除了上面的功能之外，还可实现其它功能，具体可参见前面相应方法实施例的描述。
进一步地，本发明实施例对提及的电子设备600的类型不做具体限定，电子设备600可以为手机、平板电脑、个人数字助理(personal digitalassistant，PDA)、可穿戴设备、膝上型计算机(laptop)等便携式电子设备。便携式电子设备的示例性实施例包括但不限于搭载IOS、android、microsoft或者其他操作系统的便携式电子设备。上述便携式电子设备也可以是其他便携式电子设备，诸如具有触敏表面(例如触控面板)的膝上型计算机(laptop)等。还应当理解的是，在本发明其他一些实施例中，电子设备600也可以不是便携式电子设备，而是具有触敏表面(例如触控面板)的台式计算机。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的船舶人员隐藏威胁性物品携带检测方法，该方法包括：
获取多个视角的毫米波雷达返回的雷达数据；
滤除所述雷达数据中的静态物体信息，得到第一数据，并基于所述第一数据对所述毫米波雷达的距离、方位角和多普勒特征进行联合估计，得到距离角度多普勒图；
对所述距离角度多普勒图进行目标检测，得到检测目标的雷达射频特征，对所述雷达射频特征进行多径虚影消除，基于人员的目标位置进行特征裁剪，得到目标特征矩形特征；
滤除所述雷达数据中的船舶震动噪声，得到第二数据，并基于所述第二数据提取目标人员运动过程中的微多普勒特征；
构建多视角环境对抗学习模型，基于所述多视角环境对抗学习模型对所述多个视角的目标特征矩形特征和微多普勒特征进行识别，得到人员隐藏威胁性物品携带的检测结果。
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，程序可存储于计算机可读存储介质中。其中，计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上对本发明所提供的船舶人员隐藏威胁性物品携带检测方法、装置及电子设备进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (9)

1.一种船舶人员隐藏威胁性物品携带检测方法，其特征在于，包括：
获取多个视角的毫米波雷达返回的雷达数据；
滤除所述雷达数据中的静态物体信息，得到第一数据，并基于所述第一数据对所述毫米波雷达的距离、方位角和多普勒特征进行联合估计，得到距离角度多普勒图；
对所述距离角度多普勒图进行目标检测，得到检测目标的雷达射频特征，对所述多个视角对应的雷达射频特征进行冗余点去除，并消除多径虚影，得到所述多个视角的目标检测点，确定所述多个视角的目标检测点之间的关联度，基于所述关联度确定所述多个视角对应的人员目标坐标集，基于所述多个视角对应的人员目标坐标集，对所述多个视角的目标检测点进行特征裁剪，得到目标特征矩形特征；
滤除所述雷达数据中的船舶震动噪声，得到第二数据，并基于所述第二数据提取目标人员运动过程中的微多普勒特征；
构建多视角环境对抗学习模型，基于所述多视角环境对抗学习模型对所述多个视角的目标特征矩形特征和微多普勒特征进行识别，得到人员隐藏性物品携带的检测结果。
2.根据权利要求1所述的船舶人员隐藏威胁性物品携带检测方法，其特征在于，所述多个视角的毫米波雷达之间的视角相对垂直，且所述毫米波雷达用于发射和接收线性调频连续波信号。
3.根据权利要求1所述的船舶人员隐藏威胁性物品携带检测方法，其特征在于，所述基于所述多个视角对应的人员目标坐标集，对所述多个视角的目标检测点进行特征裁剪，得到所述目标特征矩形特征，包括：
以所述多个视角对应的人员目标坐标集中的目标方位为中心，并结合预设的裁剪范围，对所述多个视角的目标检测点进行特征裁剪，得到目标特征矩形特征。
4.根据权利要求3所述的船舶人员隐藏威胁性物品携带检测方法，其特征在于，所述以所述多个视角对应的人员目标坐标集中的目标方位为中心，并结合预设的裁剪范围，对所述多个视角的目标检测点进行特征裁剪，得到目标特征矩形特征，包括：
以所述多个视角对应的人员目标坐标集中的目标方位为中心，并结合预设的裁剪范围，对所述多个视角的目标检测点进行特征裁剪，得到多帧原始目标特征矩形；
对所述多帧原始目标特征矩形进行距离因素消除，得到所述目标特征矩形特征。
5.根据权利要求1所述的船舶人员隐藏威胁性物品携带检测方法，其特征在于，所述确定所述多个视角的目标检测点之间的关联度，基于所述关联度确定所述多个视角对应的人员目标坐标集，包括：
将所述多个视角的目标检测点转换到统一坐标系下；
确定所述统一坐标系下的多个所述目标检测点之间的关联度；
将所述关联度与预设的关联阈值进行对比，确定人员在所述多个视角的毫米波雷达对应的映射坐标，基于所述映射坐标确定多个视角对应的人员目标坐标集。
6.根据权利要求1-5任一项所述的船舶人员隐藏威胁性物品携带检测方法，其特征在于，所述构建多视角环境对抗学习模型，基于所述多视角环境对抗学习模型对所述多个视角的目标特征矩形特征和微多普勒特征进行识别，得到人员隐藏性物品携带的检测结果，包括：
将所述目标特征矩形特征输入至多视图特征提取器，得到所述多个视角对应的矢量表示；
以分层方式将所述多个视角对应的矢量表示集成到全局表征矢量；
将所述全局表征矢量输入至威胁性识别器和环境鉴别器，并通过梯度反转消除所述全局表征矢量中的环境特征，得到威胁性物品识别结果和环境识别结果对应的目标特征；
将所述目标特征输入至全连接前馈神经网络，得到隐藏威胁性物品携带识别的预测结果。
7.一种船舶人员隐藏威胁性物品携带检测装置，其特征在于，包括：
获取模块，用于获取多个视角的毫米波雷达返回的雷达数据；
第一处理模块，用于滤除所述雷达数据中的静态物体信息，得到第一数据，并基于所述第一数据对所述毫米波雷达的距离、方位角和多普勒特征进行联合估计，得到距离角度多普勒图；
第二处理模块，用于对所述距离角度多普勒图进行目标检测，得到检测目标的雷达射频特征，对所述多个视角对应的雷达射频特征进行冗余点去除，并消除多径虚影，得到所述多个视角的目标检测点，确定所述多个视角的目标检测点之间的关联度，基于所述关联度确定所述多个视角对应的人员目标坐标集，基于所述多个视角对应的人员目标坐标集，对所述多个视角的目标检测点进行特征裁剪，得到目标特征矩形特征；
第三处理模块，用于滤除所述雷达数据中的船舶震动噪声，得到第二数据，并基于所述第二数据提取目标人员运动过程中的微多普勒特征；
识别模块，用于构建多视角环境对抗学习模型，基于所述多视角环境对抗学习模型对所述多个视角的目标特征矩形特征和微多普勒特征进行识别，得到人员隐藏威胁性物品携带的检测结果。
8.一种电子设备，其特征在于，包括存储器和处理器，其中，
所述存储器，用于存储程序；
所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以实现如上述权利要求1至6中任意一项所述的船舶人员隐藏威胁性物品携带检测方法中的步骤。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的船舶人员隐藏威胁性物品携带检测方法。
CN202310188426.3A 2023-03-02 2023-03-02 船舶人员隐藏威胁性物品携带检测方法、装置及电子设备 Active CN116125466B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310188426.3A CN116125466B (zh) 2023-03-02 2023-03-02 船舶人员隐藏威胁性物品携带检测方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310188426.3A CN116125466B (zh) 2023-03-02 2023-03-02 船舶人员隐藏威胁性物品携带检测方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN116125466A CN116125466A (zh) 2023-05-16
CN116125466B true CN116125466B (zh) 2023-07-04

Family

ID=86311803

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310188426.3A Active CN116125466B (zh) 2023-03-02 2023-03-02 船舶人员隐藏威胁性物品携带检测方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN116125466B (zh)

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN206224001U (zh) * 2016-08-18 2017-06-06 华讯方舟科技有限公司 基于毫米波成像的全方位安检系统
DE102018124503A1 (de) * 2018-10-04 2020-04-09 HELLA GmbH & Co. KGaA Radarsystem für ein Fahrzeug
CN109447071A (zh) * 2018-11-01 2019-03-08 博微太赫兹信息科技有限公司 一种基于fpga和深度学习的毫米波成像危险物品检测方法
US11563481B2 (en) * 2019-11-13 2023-01-24 Electronics And Telecommunications Research Institute Method and apparatus for relay based on multiple beams in vehicle-to-everything communication system
CN112946623B (zh) * 2019-12-11 2024-03-19 长沙莫之比智能科技有限公司 基于车辆上安装77g毫米波雷达的测速方法和装置
CN111046877A (zh) * 2019-12-20 2020-04-21 北京无线电计量测试研究所 一种毫米波图像可疑物品检测方法和系统
CN114022830A (zh) * 2020-07-17 2022-02-08 华为技术有限公司 一种目标确定方法以及目标确定装置
CN112327268A (zh) * 2020-11-12 2021-02-05 奥谱毫芯(深圳)科技有限公司 基于毫米波信号的危险目标识别方法、装置、系统及介质
CN114647009A (zh) * 2020-12-17 2022-06-21 南京理工大学 基于fmcw雷达的多人定位及生命体征探测方法及系统
CN114994656A (zh) * 2021-11-16 2022-09-02 上海昉恩智能科技有限公司 一种基于毫米波雷达的室内人员跟踪方法
CN114355462A (zh) * 2021-12-28 2022-04-15 重庆邮电大学 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
CN114627493A (zh) * 2022-02-10 2022-06-14 郑州大学 一种基于步态特征的身份识别方法及系统
CN114580535B (zh) * 2022-03-04 2023-05-23 中国人民解放军空军军医大学 多基雷达人体行为融合识别方法、装置及介质
CN114563784B (zh) * 2022-04-27 2022-08-09 武汉理工大学 一种基于双毫米波雷达的船载环境入侵检测方法及系统
CN114994684B (zh) * 2022-06-01 2023-05-12 湖南大学无锡智能控制研究院 多雷达数据融合的扬尘场景下障碍物检测方法与系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于微多普勒特征的人体目标雷达回波信号分析;张翼;朱玉鹏;程永强;黎湘;;信号处理;25(10);1616-1623 *

Also Published As

Publication number Publication date
CN116125466A (zh) 2023-05-16

Similar Documents

Publication Publication Date Title
Wang et al. Deep learning-based UAV detection in pulse-Doppler radar
Granström et al. Gamma Gaussian inverse Wishart probability hypothesis density for extended target tracking using X-band marine radar data
CN107728115B (zh) 一种雷达目标成像后基于svm的背景干扰抑制方法
US9057783B2 (en) Change detection method and system for use in detecting moving targets behind walls, barriers or otherwise visually obscured
CN109116352B (zh) 一种圆扫isar模式船只超分辨率成像方法
KR20040091699A (ko) 레이더 검출에서의 적응적 검출 시스템 및 적응적 검출 방법
CN106707247B (zh) 一种基于紧凑天线阵的高频海洋雷达目标检测方法
Leung et al. Signal detection using the radial basis function coupled map lattice
KR102275960B1 (ko) 딥러닝 기반의 레이다 표적 탐지 시스템 및 그 방법
CN109765529A (zh) 一种基于数字波束形成的毫米波雷达抗干扰方法及系统
Magraner et al. Detection in gamma-distributed nonhomogeneous backgrounds
CN115061113A (zh) 用于雷达的目标检测模型训练方法、装置及存储介质
Lee et al. Efficient generation of artificial training DB for ship detection using satellite SAR images
Xiangwei et al. A fast ship detection algorithm in SAR imagery for wide area ocean surveillance
Stagliano et al. Ship detection from SAR images based on CFAR and wavelet transform
EP1515160B1 (en) A target shadow detector for synthetic aperture radar
CN116125466B (zh) 船舶人员隐藏威胁性物品携带检测方法、装置及电子设备
CN106908782B (zh) 基于水面状态连续成像系统的波浪传播方向的提取方法
Lee et al. Reduction of false alarm rate in SAR-MTI based on weighted kurtosis
KR101813357B1 (ko) 수중 고정표적과 클러터 식별을 위한 가변 데이터 맵 및 가변 통계적 특징정보를 적용하는 클러터 제거 방법 및 장치
CN112835006A (zh) 一种基于帧间积累的跟踪雷达海上小目标检测方法及系统
CN112698295A (zh) 一种知识辅助的雷达检测跟踪一体化方法及系统
Ahmed et al. Robust ground moving target detection for airborne radar using a novel feature-based machine learning approach
Lu et al. A switching constant false alarm rate technique for high frequency surface wave radar
Zhang et al. Marine target detection for PPI images based on YOLO-SWFormer

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