[发明专利]一种基于极化小波域的毫米波金属危险品检测方法

说明书

本发明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‑时间多维数据体；步骤30：小波变换；步骤40：特征提取；步骤50：搭建模型；步骤60：识别和分类。本发明通过构建极化信息‑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，并且在时频分析时采用高维连续小波变换，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。

技术领域

本发明涉及雷达信号处理技术领域，更具体地说，本发明涉及一种基于极化小波域的毫米波金属危险品检测方法。

背景技术

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。

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。

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。

发明新型内容

为了克服现有技术的上述缺陷，本发明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，以解决上述背景技术中提出的问题。

为了实现上述目的，本发明采用了如下技术方案：

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：

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。

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：