基于涡旋电磁波模态扫描的人体快速安检方法与流程

1.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：

2.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。
[0003]
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。
[0004]
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。
[0005]
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。


技术实现要素：

[0006]
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。
[0007]
为了达到上述目的，本发明采用以下技术方案予以实现。
[0008]
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：
[0009]
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；
[0010]
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；
[0011]
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。
[0012]
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。
[0013]
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。
[0014]
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(x
m
,y
m
,z
m
)，将其转换为极坐标形式表示为(r
m
,θ
m
,φ
m
)，每个天线阵元的方位角表示为：
[0015][0016]
其中，n为阵元数量，n表示阵元序号；
[0017]
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：
[0018][0019]
那么，任意一个检测点p(r,θ,φ)处的发射信号表示为：
[0020][0021]
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，f
c
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，j
α
为贝塞尔函数；
[0022]
更进一步地，人体的总的回波数据表示为：
[0023][0024]
式中，m为散射点的数目，每个散射点坐标信息为(r
m
,θ
m
,φ
m
)，μ为调频率，k为波数，σ
m
是每个散射点的散射系数。
[0025]
进一步地，所述获取训练样本集具体为：
[0026]
首先，在距人体检测装置一定距离处划分检测区域；
[0027]
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
[0028]
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；
[0029]
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；
[0030]
其中，每个训练样本为一组脉压后的回波数据。
[0031]
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。
[0032]
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。
[0033]
与现有技术相比，本发明的有益效果为：
[0034]
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
[0035]
下面结合附图和具体实施例对本发明做进一步详细说明。
[0036]
图1为本发明的实现流程图；
[0037]
图2为本发明的基于圆形阵列的人体检测模型示意图；
[0038]
图3为本发明的卷积神经网络结构示意图；
[0039]
图4为不同违禁品位置情况下的人体模型示意图；
[0040]
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；
[0041]
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
[0042]
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。
[0043]
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：
[0044]
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；
[0045]
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(x
m
,y
m
,z
m
)，这里可以用极坐标形式表示(r
m
,θ
m
,φ
m
)。每一个天线阵元的方位角可以表示为：
[0046][0047]
其中n为阵元数量，n表示阵元序号；n＝16。
[0048]
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：
[0049][0050]
那么，任意一个检测点p(r,θ,φ)处的发射信号可以表示为：
[0051][0052]
其中t为脉冲持续周期，μ是线性调频信号的调频率，f
c
为信号载频，k为波数，α为模态数，a为阵列半径。
[0053]
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：
[0054][0055]
式中m为散射点的数目，每个散射点坐标信息为(r
m
,θ
m
,φ
m
)，μ为调频率，k为波数，σ
m
是每个散射点的散射系数。
[0056]
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(r
m
,θ
m
,φ
m
)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；
[0057]
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：
[0058]
s
o
＝s
r
(t,α)*h(t,α)
[0059]
其中，h(t,α)＝s
*
(
‑
t,α)为匹配滤波器的时域脉冲响应。
[0060]
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。
[0061]
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。
[0062]
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；
[0063]
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。
[0064]
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。
[0065]
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。
[0066]
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。
[0067]
仿真实验
[0068]
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。
[0069]
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：
[0070]
表1仿真参数
[0071][0072]
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。
[0073]
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。
[0074]
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。
[0075]
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。