一种用于人体隐藏危险品检测仪的机器学习目标检测方法与流程

技术特征：
1.一种用于人体隐藏危险品检测仪的机器学习目标检测方法，其特征在于步骤如下：一，从人体隐藏危险品检测仪中获取波形数据，并对波形数据进行处理，得到数据样本；二，将步骤一中得到的数据样本训练出机器学习模型；三，利用步骤二训练出的机器学习模型，进行未知标签的样本检测，最后得出检测结果。2.根据权利要求1所述的用于人体隐藏危险品检测仪的机器学习目标检测方法，其特征在于：步骤一中，从远距离危险品检测仪中获取的波形数据为回波波形数据，所述回波波形数据至少包括同极化波形数据和交叉极化波形数据。3.根据权利要求2所述的用于人体隐藏危险品检测仪的机器学习目标检测方法，其特征在于：步骤一中，对回波波形数据进行处理的过程为：首先将同极化波形数据和交叉极化波形数据分别进行傅里叶变换，然后分别提取得到同极化数据特征和交叉极化数据特征，将同极化波形数据和交叉极化波形数据的特征合并后成为数据特征；每一次检测得到的数据特征与该次检测的数据标签共同构成一组数据样本，多组数据样本形成数据样本集。4.根据权利要求2所述的用于人体隐藏危险品检测仪的机器学习目标检测方法，其特征在于：对于人体隐藏危险品检测仪采集到的回波波形数据具有高于两个种类的波形数据时，对回波波形数据进行处理的过程为：将n个种类的波形数据分别进行傅里叶变换，再分别提取得到对应的数据特征，然后将n个种类波形数据的特征合并为数据特征；再将每一次检测得到的数据特征与该次检测的数据标签共同构成一组数据样本，多组数据样本形成数据样本集；其中，n＞2。5.根据权利要求3或4所述的用于人体隐藏危险品检测仪的机器学习目标检测方法，其特征在于：步骤二中，所述数据样本集划分成训练样本集和测试样本集。6.根据权利要求5所述的用于人体隐藏危险品检测仪的机器学习目标检测方法，其特征在于：对于数据样本集，首先根据机器学习算法目的进行数据特征分析，确定相应的机器学习模型，再对机器学习模型设置参数，然后将所述训练样本集输入到机器学习模型中进行训练，训练后得到训练后模型。7.根据权利要求6所述的用于人体隐藏危险品检测仪的机器学习目标检测方法，其特征在于：将所述测试样本集输入到训练后模型中进行测试，得到测试结果，再根据测试结果调整机器学习模型和参数，再次把训练样本集输入机械学习模型进行再一轮训练，训练后，再次将测试样本集输入到训练后模型，直到训练后模型的测试效果达标为止。8.根据权利要求1所述的用于人体隐藏危险品检测仪的机器学习目标检测方法，其特征在于：所述机械学习模型用于数据分类，用于数据分类的分类模型包括有：最邻近节点模型、逻辑分类模型、随机森林分类模型、决策树分类模型、梯度提升分类模型、高斯朴素贝叶斯模型、线性判别分析模型、二次判别分析模型、支持向量机模型、多项式分布朴素贝叶斯模型；步骤二中所述的机械学习模型选择所述分类模型中任意一种。9.根据权利要求7所述的用于人体隐藏危险品检测仪的机器学习目标检测方法，其特征在于：步骤三中，将从人体隐藏危险品检测仪采集到的未知标签的回波数据，按照步骤一的处理得到对应的数据特征，将得到的数据特征输入到训练后模型，获得预测结果，所述预测结果即为使用机器学习目标检测方法获得的结果。
10.根据权利要求1所述的用于人体隐藏危险品检测仪的机器学习目标检测方法，其特征在于：所述人体隐藏危险品检测仪所使用的电磁波是毫米波、太赫兹波或其他频段的电磁波。

技术总结
本发明公开了一种用于人体隐藏危险品检测仪的机器学习目标检测方法，其检测步骤为：首先，从人体隐藏危险品检测仪中获取波形数据，并对波形数据进行处理，得到数据样本；然后，将步骤一中得到的数据样本训练出机器学习模型；最后，利用步骤二训练出的机器学习模型，进行未知标签的样本检测，最后得出检测结果。本发明提供的检测方法适用于处理携带危险品和未携带危险品的二分类问题，也适用于处理多种不同种类危险品的多分类问题，检测结果明显比传统检测仪所使用的阈值检测方法得到的检测结果更准确。测结果更准确。测结果更准确。


技术研发人员：尹格 安健飞 崔振茂 成彬彬
受保护的技术使用者：中国工程物理研究院电子工程研究所
技术研发日：2021.10.15
技术公布日：2022/3/14