[发明专利]一种基于双流特征融合网络的纠缠光量子图像目标识别方法

说明书

本发明提出了一种基于双流特征融合网络(Two‑Stream Feature Fusion ConvolutionalNetwork,TSFFCNet)的纠缠光量子图像目标识别方法。首先，将氩原子激光器产生的连续泵浦光照射至周期极化磷酸氧钛钾(Periodically Poled KTP,PPKTP)晶体，进行共线的Ⅱ型自发参量下转换过程，产生具有纠缠特性的闲置光和信号光；其次，闲置光和信号光通过偏振分束器被分离在两条光路上传输，信号光束经过成像透镜照射在待成像目标上后被单光子探测器收集，闲置光束经数字微镜装置(Digital Micromirror Device,DMD)扫描后被另一单光子探测器收集；再次，两条光路探测器收集到的光子通过光纤送入符合计数器进行测量得到量子图像；然后，建立双流特征融合网络，将量子图像输入到网络中进行训练；最后，根据深度学习网络提取的特征进行目标识别。

技术领域

本发明属于目标识别技术领域，特别涉及纠缠光量子成像方法下的目标识别，具体是一种基于纠缠光量子成像的深度学习目标识别方法。

背景技术

目标识别是视频图像处理的主要研究课题之一，已广泛应用在在交通监测、医学诊断、军事等领域。目前，目标识别技术主要通过无线雷达成像和光学成像两种技术途径获取图像信息。基于雷达图像的目标识别技术通过分析并提取目标反射回的电磁波中的特征进行识别。经典光学成像通过光场的一阶关联运算处理获得物体的信息实现成像。

但是基于雷达成像和传统光学成像的目标识别技术很难在恶劣环境下发挥作用。雷达成像技术不能有效探测到干扰强、发射信号微弱条件下的目标。瑞利衍射限制了经典光学成像的成像分辨率无法突破。随着量子信息技术的发展，量子理论可以解释经典物理不能解释的现象，例如量子成像。纠缠光量子成像利用信号光束和闲置光束的符合测量结果重构目标的成像图，可克服传统光学成像方法分辨率受光学衍射极限限制的缺陷，可有效抑制大气湍流、烟雾等因素对成像质量的影响。图像的特征提取是实现目标识别的关键环节。深度学习方法能够自动提取到具有丰富语义信息的深层特征，可以用于提取和分类量子图像。然而，纠缠光量子成像图往往缺失局部图像细节信息和颜色信息，使得现有深度学习方法的识别精度和鲁棒性欠佳。

为了解决上述问题且为了对纠缠光量子成像目标实现精确的分类，本发明提出了一种新的基于双流特征融合网络的纠缠光量子图像目标识别方法。

发明内容

本发明的目的是提供一种基于纠缠光量子成像和深度学习的目标识别方法。与基于雷达成像和传统光学成像的目标识别方法相比，基于纠缠光量子成像的目标识别方案能有效解决传统识别适应环境性能差的问题，且能实现量子成像目标的精确分类。

本发明所采用的技术方案为：一种基于双流特征融合网络的纠缠光量子图像目标识别方法，具体包括以下步骤：

步骤一、利用波长为405nm的半导体激光器产生高质量的连续泵浦光，利用半波片和四分之一波片将激光调制为线偏振光；

步骤二、利用焦距分别为100mm的透镜1和50mm的透镜2组成望远镜系统，对泵浦光进行缩束，使缩束压缩后的泵浦光能量更加集中；

步骤三、将泵浦光照射周期极化磷酸氧钛钾(Periodically Poled KTP,PPKTP)晶体进行自发参量下转换产生波长为810nm的纠缠双光子对，双光子纠缠态的波函数表示为：

其中，函数描述纠缠光子对的空间位置分布信息，态|0,0表示纠缠双光子对的初始态，和为信号光子和闲置光子的产生算符；

步骤四、利用透镜3和透镜4对纠缠光束进行扩束，通过波长为810nm的偏振分束器(Polarization Beam Splitter,PBS)将纠缠光子对分离，得到信号光束和闲置光束，它们的频幅函数F(Ω)为：