一种基于极化散射特性的卷积神经网络目标检测识别方法技术

本发明专利技术公开了一种基于极化散射特性的卷积神经网络目标检测识别方法，其检测步骤主要是：对目标进行照射极化信号，然后从目标身上反馈的回波采用去斜的方式接收目标极化回波；然后对目标极化回波进行采样，采样的每一帧雷达回波数据均包括VV极化通道、VH极化通道、HH极化通道、HV极化通道四路回波数据，对四路回波数据采用卷积神经网络输入，实现通过对目标极化特性对目标身上的危险物品进行检测识别。本发明专利技术无需经过成像处理，检测处理过程简单，检测速度快，检测帧率可达10Hz；采用卷积神经网络识别方法可找到四路不同极化特性回波数据的融合方式，大大提高物品识别率，可对人体背景下的危险物品起到一定的检测与识别作用。

A Convolutional Neural Network Target Detection and Recognition Method Based on Polarization Scattering Characteristics

【技术实现步骤摘要】
一种基于极化散射特性的卷积神经网络目标检测识别方法
本专利技术涉及人体安检的
，尤其是一种在人体背景下基于目标极化散射特性的非成像危险品检测与识别方法。
技术介绍
人体危险品的远程安检和预警是当今世界的反恐难题。毫米波或太赫兹由于其特殊的频段，从而具有穿透衣物等特殊性质，因此在安检领域具有广阔的应用前景。当前站开式人体安检主要采用主动式成像方法来实现危险品检测，其基本原理是依靠机械扫描结构对目标进行二维扫描从而获得目标图像信息。机械扫描方式大大降低了其安检速度，使得其在远距离非合作式的安检中难以应用，总体来说，站开式成像安检仪信号处理过程较为复杂，系统成本较高，探测距离有限，量产难度较大，难以实现商业应用。
技术实现思路
本专利技术提供了一种基于极化散射特性的卷积神经网络目标检测识别方法，不仅可以克服现有站开式安检系统信号处理过程较为复杂的技术缺陷，而且可以有效解决检测速度慢的问题，该方法可以对人体背景下的危险物品起到一定的检测与识别的作用，速度较快，系统结构需求简单。本专利技术解决其技术问题所采用的技术方案是：一种基于极化散射特性的卷积神经网络目标检测识别方法，其特征在于：（1）发射一定脉冲宽度的宽带线性调频连续波信号对目标进行照射，两发射通道分别呈水平极化与垂直极化；（2）采用Dechirp（即去斜）的接收方式对从目标身上反馈的回波进行接收，两接收通道分别呈水平极化与垂直极化，接收到的回波为目标极化回波；（3）对目标极化回波进行采样，采样得到的每一帧目标回波数据均包括有VV极化通道、VH极化通道、HH极化通道、HV极化通道四路回波数据；（4）将所述四路回波数据通过卷积神经网络的输入，采用卷积神经网络算法通过对目标极化特性对目标身上的危险物品进行检测识别。所述宽带线性调频连续波信号经去斜接收以后，对于固定距离的目标回波数据为点频信号，对在一定距离范围内的目标回波数据则为一窄带信号；因此，对固定距离的目标进行探测时，在频域对目标回波数据进行距离维截取，从而达到降低输入数据数量。本专利技术通过测量目标回波的极化散射特性，采用卷积神经网络算法实现隐藏危险品的检测识别。测量体制为全极化体制，采用两发两收分立天线实现极化信号的收发，其中接收通道与发射通道分别成水平极化与垂直极化。本专利技术的有益效果如下：1、本专利技术相比于成像的安检手段，无需经过成像处理过程，其检测处理过程简单，检测速度较快，检测帧率可达10Hz；2、本专利技术相比于传统的检测算法，采用了卷积神经网络识别方法，该方法更能够刻画物体的极化特性，一方面找到了四路不同极化特性回波数据的融合方式，另一方面不仅仅依靠峰值做简单的判定，大大提升了检测的效果，提高物品识别率，甚至有可能起到识别的作用；3、本专利技术对应的系统需求结构简单，成本低廉，易于实现，适合大规模的商业应用。附图说明图1是本专利技术的测试原理示意图。图2是本专利技术采用的目标检测算法的算法原理图。具体实施方式如图1所示，其中：SHM为谐波混频器，LAN为低噪放。通过线性调频源及收发倍频链路产生宽带线性调频连续波，再通过同极化发射天线与交叉极化发射天线分别对目标进行照射，发射时间互不重叠，接收天线采用分时复用的方式，分别对不同极化方式回波进行接收，从而产生四路回波数据，分别为VV极化通道，VH极化通道，HH极化通道，HV极化通道等四路回波数据。系统采用去斜的方式对回波进行接收，数字接收机对目标极化回波进行采样，线性调频信号经去斜接收以后，对于固定距离的目标回波数据为点频信号，对在一定距离范围内的回波数据则为一窄带信号，因此，可在频域对回波信号进行距离维截取。然后如图2所示，首先对各通道的目标回波进行FFT变换，得到频域的目标回波信号，在频域对目标特征进行识别，按回波的距离维分辨率与分布决定其卷积核参数设计，如图2B所示，再根据目标范围进行信号截取，可大大减少数据点数，如图2C所示。方法采用卷积神经网络作为各通道的极化特性融合方法，将截取后的四路回波数据分别采用不同的卷积层对其特征进行提取，最终再采用全连接层对其进行数据融合，达到通过利用不同极化特性对目标进行识别的目的。卷积神经网络结构如图2D所示，主要由四组独立的卷积层（convolutionlayer）、子抽样层（subsamplelayer）分别对各通道的极化特性进行提取，图中每通道仅采用一层卷积网络进行识别，同样可采用多层卷积网络首尾相连，改善识别的效果。四路极化数据经过卷积层与子抽样层进行特征提取以后，再由全连接层进行数据融合，最终得到结果输出。卷积网络的卷积核参数按回波的距离维分辨率进行设计。本文档来自技高网...

【技术保护点】
1.一种基于极化散射特性的卷积神经网络目标检测识别方法，其特征在于其检测步骤如下：（1）发射宽带线性调频连续波信号对目标进行照射，两发射通道分别呈水平极化与垂直极化；（2）采用Dechirp的接收方式对从目标身上反馈的回波进行接收，两接收通道分别呈水平极化与垂直极化，接收到的回波为目标极化回波；（3）对目标极化回波进行采样，采样得到的每一帧目标回波数据均包括有VV极化通道、VH极化通道、HH极化通道、HV极化通道四路回波数据；（4）将所述四路回波数据通过卷积神经网络的输入，采用卷积神经网络算法通过对目标极化特性对目标身上的危险物品进行检测识别。

【技术特征摘要】
1.一种基于极化散射特性的卷积神经网络目标检测识别方法，其特征在于其检测步骤如下：（1）发射宽带线性调频连续波信号对目标进行照射，两发射通道分别呈水平极化与垂直极化；（2）采用Dechirp的接收方式对从目标身上反馈的回波进行接收，两接收通道分别呈水平极化与垂直极化，接收到的回波为目标极化回波；（3）对目标极化回波进行采样，采样得到的每一帧目标回波数据均包括有VV极化通道、VH极化通道、HH极化通道、HV极化通道四路回波数据；（4）将所述四路回波数据通过卷积神经网...

【专利技术属性】
技术研发人员：崔振茂，安健飞，成彬彬，陆彬，岑冀娜，刘杰，
申请(专利权)人：中国工程物理研究院电子工程研究所，
类型：发明
国别省市：四川,51