技术领域
[0001] 本
发明涉及
人工智能领域，具体涉及一种毫米波雷达的成像技术与模式识别技术。
背景技术
[0002]
机器视觉系统通过采用感光元件模拟人眼的视觉系统，采用
图像处理技术模拟人脑对图片的处理，从而实现
感知现实空间信息，具有获取信息量大，该技术发展较为迅速、探测范围广等优点，而且近年来对计算机学科对人工智能的深入研究，无疑极大地推动了机器视觉对目标智能化识别的发展。针对于视觉系统，最为重要的是实时性与鲁棒性，同时保证视觉系统正常工作，降低其误报率，这不但取决于各类机器视觉
传感器本身的性能，还涉及到多传感器的融合以及
传感器数据修正等等多方面的问题。
[0003] 在现有的多种机器视觉传感器中，毫米波雷达由于其优异的性能以及较低的成本，广泛地应用于自动驾驶、智能识别检测等多个领域。毫米波雷达是工作在毫末波波段(millimeter wave)探测的雷达。通常毫米波是指30-300GHz频域(
波长1-10nm)的波段。毫米波的波长介于
微波和厘米波之间，因此毫米波雷达兼有微波雷达和光电雷达的优点。但是毫米波雷达目前还存在：1)在雨、雾和湿
雪等高潮湿环境中的
信号衰减以及2)测量信号受到
温度变化影响比较大的问题。
[0004] 综上所述，需要提出一种实时性与鲁棒性好，误报率低、受环境影响小的基于毫米波雷达的成像技术。
发明内容
[0005] 本发明所要解决的技术问题是：提出一种实时性与鲁棒性好，误报率低、受环境影响小的基于毫米波雷达的成像技术。
[0006] 本发明解决其技术问题所采取的技术方案是：
[0007] 一种毫米波雷达成像方法，通过获得标准湿度和温度下的数据以及毫米波雷达在不同湿度和温度下的实际检测数据，通过训练系统分析湿度参数对于毫米波雷达成像的影响因子，根据该影响因子反馈修正该毫米波雷达成像的结果数据，将该修正后的毫米波雷达成像结果与高分辨热成像设备进行融合获得最终成像结果。
[0008] 优选地，标准湿度/温度为某一地区的常规湿度/温度。
[0009] 优选地，该标准湿度为25％至40％之间，标准温度在20-30摄氏度之间。
[0010] 优选地，实际检测数据包括：湿度、温度、毫米波雷达发射
频率和接收频率信号数据。
[0011] 优选地，毫米波雷达信号数据包括信号发射-返回时间、发射信号强度、发射信号频率，反射信号强度、反射信号频率。数据检测步骤还包括使用高分辨热成像设备对测试距离和/或产品类型和表面的测试。
[0012] 优选的，通过训练系统分析湿度参数对于毫米波雷达成像的影响因子包括获得湿度-发射信号-测试距离-测试表面-接受信号的关系的步骤。
[0013] 优选的，该方法还包括将毫米波雷达的修正数据和高分辨热成像设备的数据进行融合处理获得最终的探测结果。
[0014] 优选的，毫米波雷达成像系统包括毫米波雷达1、湿度测量装置2、温度测量装置3、高分辨热成像设备4、训练学习系统5、处理器6、模式识别设备7。，该毫米波雷达成像系统用于执行如
权利要求1所述的毫米波雷达成像方法。
[0015] 优选的，湿度和温度测量装置可以毫米波雷达的
外壳外壁或者外壳内壁上。
[0016] 优选的，该毫米波雷达包括信号发射器和信号接收器。
[0017] 本发明提供的毫米波雷达成像与模式识别能够实现实时性与鲁棒性好，误报率低、受环境影响小的技术效果。
附图说明
[0018] 图1为本发明提供的毫米波雷达主体的前端壳体示意图。
[0019] 图2为本发明提供的毫米波雷达去掉前端壳体后的内部结构图。
[0020] 图3为本发明提供的毫米波雷达成像系统。
具体实施方式
[0021] 以下将对本发明的一种毫米波雷达成像系统及方法作进一步的详细描述。
[0022] 下面将参照附图对本发明进行更详细的描述，其中表示了本发明的优选
实施例，应该理解本领域技术人员可以
修改在此描述的本发明而仍然实现本发明的有益效果。因此，下列描述应当被理解为对于本领域技术人员的广泛知道，而并不作为对本发明的限制。
[0023] 为了清楚，不描述实际实施例的全部特征。在下列描述中，不详细描述公知的功能和结构，因为它们会使本发明由于不必要的细节而混乱。应当认为在任何实际实施例的开发中，必须作出大量实施细节以实现开发者的特定目标。
[0024] 为使本发明的目的、特征更明显易懂，下面结合附图对本发明的具体实施方式作进一步的说明。需要说明的是，附图均采用非常简化的形式且均使用非精准的比率，仅用一方便、清晰地辅助说明本发明实施例的目的。
[0025] 图1所示是本发明提供的毫米波雷达发射器的结构示意图，包括前端壳体110和雷达毫米波信号发射器120、两个毫米波雷达信号接收器130、红外热成像设备140、上端外壳体150和下端外壳体160，其中，两个毫米波雷达信号接收器130中间的是光学引导装置。
[0026] 外壳，其材料为
铝合金的曲面外形，前端壳体110、上端外壳体150和下端外壳体160通过机械契合构成发射器的外壳，所述外壳整体成半椭圆形，用以对雷达发射器进行防护，发射器的外壳用于采集被探测目标发射和反射的毫米波信息；
[0027] 如图2所示，毫米波发射和接收天线，其位于所述外壳的前部，用于发射和接收被探测目标的毫米波雷达信号；核心处理器及
主板，其设置于所述外壳内部。
[0028] 训练学习系统，其设置于所述外壳内部，所述训练学习系统通过数据线与核心处理器及主板的数据
接口连接，通过RJ45网络传输线与控制终端相连接，通过赋予设备学习规则。
[0029] 模式识别设备，所述模式识别设备设置在核心处理器及主板和训练学习系统之间，将雷达接收器获取成像数据与训练学习数据进行比对。
[0030] 光学引导设备，其位于两个毫米波雷达信号接收器130中间，所述光学引导设备是用于为用户和操作者提供光学
跟踪目标导引，便于快速选择和跟踪目标；
[0031] 高分辨热成像设备140为雷达成像设备，其固定在下端外壳体160的内表面上，进一步的是，所述高分辨热成像设备140设置在外壳内部，其能够光学成像，光学成像提供人工判定数据。
[0032] 在另一实施例中，毫米波雷达隐藏危险物品探测设备还包括毫米波雷达发射和接收装置，具有1个主要接收和发射装置，即雷达毫米波信号发射器120，2个辅助发射和接收装置，即毫米波雷达信号接收器130，1个光学引导装置，1个热成像装置，分别设置于所述外壳的前部。雷达毫米波信号发射器120用于发射被探测目标的毫米波雷达信号，两个毫米波雷达信号接收器130用于接收被探测目标的毫米波雷达信号。
[0033] 优选的，该毫米波雷达还包括湿度测量装置和温度测量装置(图中未示出)，该湿度测量装置可以毫米波雷达的外壳外壁或者外壳内壁上。在毫米波雷达测量过程中温度和湿度测量装置同步测量该毫米波雷达所处的环境中的温度和湿度数据。
[0034] 本发明提供了一种毫米波雷达的成像系统，参见图3。该毫米波雷达成像系统包括毫米波雷达1、湿度测量装置2、温度测量装置3、高分辨热成像设备4、训练学习系统5、处理器6、模式识别设备7。其中毫米波雷达1实时测量毫米波反射信号(Rmw)，湿度测量装置2实时测量环境湿度条件(W)，温度测量装置3实时测量
环境温度条件(T)。毫米波雷达1、湿度测量装置2、温度测量装置3分别通过数据传输装置与训练学习系统5连接，毫米波反射信号(Rmw)、环境湿度条件(W)、环境温度条件(T)数据实时传送到训练学习系统中。高分辨热成像设备4采集探测物体的成像数据，并通过数据传输装置与训练学习系统5连接。
[0035] 训练学习系统5包括
存储器以及运算部件，存储器包括标准
数据库和实时数据库。标准数据库中存储有大量出厂时设置的标准数据，包括：标准温度和湿度下的各类毫米波信号、各类测试的递变的温度和湿度条件下的各类毫米波信号数据或者在标准湿度/温度下对于不同距离，不同表面探测物等不同测试条件的
数据采集。实时数据库中的数据，包括实时实际测量过程中温度、湿度、信号发射-返回的时间、发射信号强度、反射信号强度等等。
[0036] 该标准化湿度/温度通常为某一地区的常规湿度/温度，例如25％、25摄氏度或者该地区湿度/温度的中位数或平均数。该标准化湿度可以在出厂时设置，也可以在使用过程中通过程序进行修改或设定。
[0037] 毫米波信号数据包括在探测已知预设距离的参考物的条件下，信号发射-返回的时间、发射信号强度、反射信号强度等。
[0038] 运算部件通过提取存储器中的标准库数据和实时数据库中的数据，进行PCA数据分析，从而确定温度和湿度的影响因子分析。具体运算过程如下：
[0039] 在实时测量中测量一系列(n个测量周期中获取的n组)数据，该数据包括：实时温度、湿度、毫米波信号数据。将实时测量数据与标准数据库中的数据进行比对和拟合，获得温度、湿度对于毫米波信号数据的影响因子。
[0040] 例如，对于信号发射-返回的时间(t)，由于温度和湿度的影响，存在漂移值(Δt)，Δt＝at+βt。通过n组数据分别于标准数据中相同温度和湿度的数据进行比较后，可以得到n组a和β值。例如下：
[0041] a β2.5 2.4
0.5 0.7
2.2 2.9
1.9 2.2
3.1 3.0
2.3 2.7
2 1.6
1 1.1
1.5 1.6
1.1 0.9
[0042] 第一步，分别求a和β的平均值，然后对于所有的样例，都减去对应的均值。这里a的均值是1.81，β的均值是1.91，那么一个样例减去均值后即为(0.69，0.49)，得到[0043] a β0.69 0.49
-1.31 -1.21
0.39 0.99
0.09 0.29
1.29 1.09
0.49 0.79
0.19 -0.31
-0.81 -0.81
-0.31 -0.31
-0.71 -1.01
[0044] 第二步，求特征协方差矩阵，根据数据维度(例如三维)，确定协方差矩阵是[0045]
[0046] 这里只有a和β，求解得
[0047]
[0048] 对
角线上分别是a和β的方差，非对角线上是协方差。协方差是衡量两个变量同时变化的变化程度。协方差大于0表示a和β若一个增，另一个也增；小于0表示一个增，一个减。如果a和β是统计独立的，那么二者之间的协方差就是0；但是协方差是0，并不能说明a和β是独立的。协方差绝对值越大，两者对彼此的影响越大，反之越小。协方差是没有单位的量，因此，如果同样的两个变量所采用的量纲发生变化，它们的协方差也会产生树枝上的变化。
[0049] 第三步，求协方差的特征值和
特征向量，得到
[0050]
[0051] 上面是两个特征值，下面是对应的a和β特征影响因子。运算系统根据该特征影响因子求出相应的漂移值并进行数据的修正。另一方面，训练学习系统同时赋予设备高分辨热成像设备测量结果以学习规则，让设备不断具有更加适应隐藏危险物品探测的能
力。
[0052] 训练学习系统5连接到经由处理器6，处理器6将修正后的毫米波雷达和高分辨热成像设备
训练数据进行融合。
[0053] 处理器6连接到模式识别装置，通过模式识别装置实现毫米波雷达、高分辨热成像设备成像的模式识别。
[0054] 下面详细对根据上述系统对应的成像方法进行详细的介绍，该方法包括以下步骤：
[0055] S1将标准数据预存到标准数据库中，标准数据，包括：标准温度和湿度下的各类毫米波信号、各类测试的递变的温度和湿度条件下的各类毫米波信号数据。
[0056] 具体而言，该标准湿度/温度下的数据测量可以是在毫米波雷达在原始出场状态时进行的数据采集，包括在标准湿度/温度下对于不同距离，不同表面探测物等不同测试条件的数据采集。
[0057] 该标准化湿度/温度通常为某一地区的常规湿度/温度，例如25％、25摄氏度或者该地区湿度/温度的中位数或平均数。该标准化湿度可以在出厂时设置，也可以在使用过程中通过程序进行修改或设定。
[0058] 通过该数据采集在训练系统中建立标准湿度数据库，用于对该毫米波雷达成像控制调节的人工智能训练。
[0059] S2在该毫米波雷达工作期间，当工作湿度达到预设的标准湿度下时，对于实际测量数据的实时收集。在实时测量中测量一系列(n个测量周期中获取的n组)数据，该数据包括：实时温度、湿度、毫米波信号数据。建立标准湿度数据库与数据函数关系，将实时测量数据与标准数据库中的数据进行比对和拟合，并经过训练学习系统的PCA
算法训练，获得温度、湿度对于毫米波信号数据的影响因子。具体分析方法参见前文，此处不再赘述。
[0060] 具体而言，在工作条件下测量毫米波信号发射器120发射的信号功率和毫米波雷达信号接收器130所接受的信号功率，并通过高分辨热成像设备140同时收集被探测物体的距离、产品表面或者产品类型；同时通过湿度测量装置测量工作的实时湿度情况。
[0061] S3根据该特征影响因子求出相应的漂移值并进行数据的修正，获得修正后的毫米波雷达测量数据。根据训练系统提供的湿度/温度影响因子，通过处理器中的反馈控制系统对于接受信号的结果进行补偿，从而获得更加准确的测量结果。
[0062] S4通过训练学习系统同时赋予设备高分辨热成像设备测量结果以学习规则，让设备不断具有更加适应隐藏危险物品探测的能力。通过处理器将修正后的毫米波雷达和高分辨热成像设备训练数据进行融合。
[0063] S5通过模式识别装置实现毫米波雷达、高分辨热成像设备成像的模式识别。
[0064] 具体的该产品类型和表面的识别可以通过模式识别设备，除了本实施例给出的连接方式，所述模式识别设备7还可以设置在核心处理器及训练学习系统之间，将雷达接收器获取成像数据与训练学习系统进行比对，判定被测量物品的产品类型和表面状态。该产品类型和表面的识别可以通过模式识别设备，所述模式识别设备设置在核心处理器及主板和神经网络学习系统之间，将雷达接收器获取成像数据与神经网络学习数据进行比对，判定被测量物品的产品类型和表面状态。
[0065] 本发明提供的毫米波雷达成像方法及系统，提高了实时性与鲁棒性，误报率低、受环境影响小。
[0066] 以上显示和描述了本发明的基本原理、主要特征和优点，因此以上所述仅为本发明的实施例。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和
说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下，本发明还包括各种等效变化和改进，这些变化和改进都将落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其效物界定。
