一种基于极化小波域的毫米波金属危险品检测方法技术

本发明专利技术公开了一种基于极化小波域的毫米波金属危险品检测方法，具体涉及雷达信号处理技术领域，包括以下步骤：步骤10：获取回波信号；步骤20：构建极化信息

【技术实现步骤摘要】
一种基于极化小波域的毫米波金属危险品检测方法


[0001]本专利技术涉及雷达信号处理
，更具体地说，本专利技术涉及一种基于极化小波域的毫米波金属危险品检测方法。

技术介绍

[0002]电磁波的极化，表明其电场强度的取向和幅度随时间而变化的性质。它反映了电磁波的矢量特性，其所在的极化域是电磁波除时域、频域和空域之外的又一能够反映其特性的重要信息域。通过电磁波的极化特征可以获取目标的极化特征，从而丰富目标全方位信息。
[0003]传统分析与处理雷达回波信号常采用傅里叶变换，但傅里叶变换只能对信号在整个时域内的频谱作分析,难以做到局部的时—频分析，导致采用傅里叶变换处理信号时，难以分离出不同频率下的有用信号。1946年Gabor引入窗口函数对信号作局部化分析，发展成为窗口傅里叶变换(也称短时傅里叶变换Short
‑
time Fourier Transform)，但存在局部化格式固定的缺点，难以自适应地处理奇异信号非平稳信号。小波变换(Wavelet Transform)继承和发展了短时傅立叶变换局部化的思想，同时又克服了窗口大小不随频率变化等缺点，能够提供一个随频率改变的"时间—频率"窗口，克服了上述缺点而具有平移伸缩的特性,在时频域同时具有良好的局部化特点。同时利用极化域和小波域的信息可以全面分析目标特征。
[0004]因此提出一种基于极化小波域的毫米波金属危险品检测方法。
[0005]专利技术新型内容
[0006]为了克服现有技术的上述缺陷，本专利技术的实施例提供一种基于极化小波域的毫米波金属危险品检测方法，通过小波变换克服了窗口大小不随频率变化等缺点具有平移伸缩的特性，同时利用极化域和小波域的信息可以全面分析目标特征，以解决上述
技术介绍
中提出的问题。
[0007]为了实现上述目的，本专利技术采用了如下技术方案：
[0008]一种基于极化小波域的毫米波金属危险品检测方法，具体包括以下步骤：
[0009]步骤10：获取回波信号，利用专业的接收工具在四种极化组态下分别进行信息接收，接收到四种不同的回波信号；四种分别信号为HH、HV、VH和VV。
[0010]步骤20：构建极化信息
‑
时间多维数据体，将步骤10生成的HH、VV、HV、VH和时间作为5个变量，生成极化信息
‑
时间多维数据体的五维空间；对不同时刻、不同极化组态下目标回波，利用极化信息
‑
时间多维数据体，生成不同的极化特征；
[0011]步骤30：小波变换，对步骤20构建的极化信息
‑
时间多维数据体作高维小波变换。对小波变换中的母小波，进行平移、伸缩和旋转进行操作，生成连续小波；
[0012]步骤40：特征提取，对步骤3所得的高维小波域空间进行极化分布特征的提取。利用5DCWT系数的模极大值对回波信号进行处理，生成能量主要频段并进行固定；对四种极化组态进行扫描，生成目标在不同极化组态下的极化分布特征；
[0013]步骤50：搭建模型，搭建由多层交替的卷积+池化结构组成的高维卷积神经网络(CNN)模型。
[0014]步骤60：识别和分类，将步骤40中生成的不同极化组态下的极化分布特征输入步骤50中的训练模型中，生成特定的卷积神经网络；对训练完成后的卷积神经网络进行识别和分类，从而实现对金属危险品的检测与识别。
[0015]在一个优选地实施方式中，所述步骤30中对母小波的操作具体定义如下：
[0016]五维的连续小波变换(5DWCT)定义为：
[0017][0018]其中，f(x)为五维信号，为五维母小波，x＝(x,y,z,p,q)
T
为五维向量，b(b＝(b
x
,b
y
,b
z
,b
p
,b
q
,)
T
)为小波的平移因子，a为小波的尺度因子，为小波变换的旋转因子。
[0019]在一个优选地实施方式中，所述步骤10中的四种不同的回波信号具体如下：HH为水平发射
‑
水平接收信号，HV为水平发射
‑
垂直接收信号，VH为垂直发射
‑
水平接收信号，VV为垂直发射
‑
垂直接收信号。
[0020]在一个优选地实施方式中，所述步骤50中搭建高维卷积神经网络模型的具体操作步骤如下：
[0021]步骤501：对步骤40中生成的极化分布特征进行预处理，生成数据集；
[0022]步骤502：将步骤501中生成的数据集输入卷积神经网络模型进行训练，生成训练模型；
[0023]步骤503：对步骤502生成的训练模型根据识别准确率调整网络结构和参数直至到较高的识别准确率，生成当前训练模型。
[0024]在一个优选地实施方式中，所述步骤20中对不同极化组态下的目标回波提取特征值，生成不同的极化特征。
[0025]在一个优选地实施方式中，所述步骤30中对母小波的操作的平移因子为五维向量，旋转操作里包含四个变量。
[0026]在一个优选地实施方式中，所述存储介质存储有计算机可执行指令，所述计算机可执行指令用于执行权利要求1
‑
6任意一项所述的基于极化小波域的毫米波金属危险品检测方法。
[0027]在一个优选地实施方式中，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1
‑
6任意一项所述的基于极化小波域的毫米波金属危险品检测方法。
[0028]本专利技术的技术效果和优点：
[0029]1、本专利技术提出了一种基于极化小波域的毫米波金属危险品检测方法，通过采集全极化毫米波雷达的回波信号并构建极化信息
‑
时间多维数据体，对其在高维小波域进行时
频分析，获得目标的极化分布特征，再送入卷积神经网络进行分类识别，从而检测并识别行人所携带的金属危险品，在毫米波安检检测系统中可以得到很好的应用；
[0030]2、本专利技术相比现有技术有以下优点：首先构建极化信息
‑
时间多维数据体，充分利用了四种极化组态下的回波信息，丰富了目标的极化信息，全面分析了目标特征。其次，时频分析时采用高维连续小波变换，其具有多尺度及倾角和方位角选择特性，具有良好的空间及波数域局部化性质，可以更好地分析目标的瞬时极化特性。最后，对于提取到的目标极化特征采用卷积神经网络进行识别和分类，实现了目标高准确率的识别和分类。
附图说明
[0031]图1为本专利技术提出的一种基于极化小波域的毫米波金属危险品检测方法流程图。
[0032]图2为本专利技术提出的小波分解的原理示意图。
[0033]图3为本专利技术提出的卷积神经网络基本结构的示意图。
具体实施方式
...

【技术保护点】

【技术特征摘要】
1.一种基于极化小波域的毫米波金属危险品检测方法，其特征在于：具体包括以下步骤：步骤10：获取回波信号，利用专业的接收工具在四种极化组态下分别进行信息接收，接收到四种不同的回波信号；四种分别信号为HH、HV、VH和VV。步骤20：构建极化信息
‑
时间多维数据体，将步骤10生成的HH、VV、HV、VH和时间作为5个变量，生成极化信息
‑
时间多维数据体的五维空间；对不同时刻、不同极化组态下目标回波，利用极化信息
‑
时间多维数据体，生成不同的极化特征；步骤30：小波变换，对步骤20构建的极化信息
‑
时间多维数据体作高维小波变换。对小波变换中的母小波，进行平移、伸缩和旋转进行操作，生成连续小波；步骤40：特征提取，对步骤3所得的高维小波域空间进行极化分布特征的提取。利用5DCWT系数的模极大值对回波信号进行处理，生成能量主要频段并进行固定；对四种极化组态进行扫描，生成目标在不同极化组态下的极化分布特征；步骤50：搭建模型，搭建由多层交替的卷积+池化结构组成的高维卷积神经网络(CNN)模型。步骤60：识别和分类，将步骤40中生成的不同极化组态下的极化分布特征输入步骤50中的训练模型中，生成特定的卷积神经网络；对训练完成后的卷积神经网络进行识别和分类，从而实现对金属危险品的检测与识别。2.根据权利要求1所述的一种基于极化小波域的毫米波金属危险品检测方法，其特征在于：所述步骤30中对母小波的操作具体定义如下：五维的连续小波变换(5DWCT)定义为：其中，f(x)为五维信号，为五维母小波，x＝(x,y,z,p,q)
T
为五维向量，b(b＝(b
x
,b
y
,b
z
,b
p
,b
q
,)
T

【专利技术属性】
技术研发人员：胡文，张弓，吕汝金，张逸雯，王原正，
申请(专利权)人：江苏云禾峰智能科技有限公司，
类型：发明
国别省市：