一种用于主动式毫米波图像的低复杂度隐匿物品检测方法（英文）

主动式毫米波成像(AMWI)技术是检测隐藏在衣服下的危险物体的有效方法.但AMWI获取的图像通常很模糊,而且一些隐匿物体的尺寸较小,因此隐匿物品的自动检测和定位仍然是一个具有挑战性的问题.姚家雄等[1]首先使用卷积神经网络(CNNs)结合穷举滑动窗口方法来检测隐藏物体.做了两点改进:(1)使用上下文(背景)信息抑制干扰,(2)使用两步搜索方法代替穷举搜索来降低计算复杂度.首先在垂直方向上使用一个CNN来过滤干扰,得到隐藏物体的垂直位置,然后用另一个CNN来确定水平位置.为了充分利用上下文信息,使用IoG(交集和真值的比)代替IoU(交并比)来定义训练和测试过程中的正负样本.实验结果表明,该方法将计算时间减小到约30%,同时实现更好的检测性能.

高定位精度的毫米波全息图像三维目标检测

投影角度不同导致目标的形状及尺寸变化限制了基于主动式毫米波(AMMW)全息图像投影视图的隐匿物品二维检测方法对小目标检测性能的提升,为此,提出了基于点云的隐匿物品三维检测方法。通过阈值化处理将AMMW全息图像转换为点云输入经空洞卷积及多分支结构改进的SECOND三维目标检测器,提取对目标的三维几何理解及其多尺度上下文信息以提高对小目标的检测能力。实验结果表明,较基于投影的二维检测方法,该方法平均召回率(AR)提升了3.33%,有效提升了定位精度;在交并比(IOU)阈值为0.5时的检出率提升了8.75%,虚警率降低了1.78%,平均精度(AP)提升了7.11%,不同IOU阈值下的平均AP提升了4.30%,有效提升了检测精度;检测速度为17.3 FPS,达实时水平。

深度学习网络的毫米波全息成像图像重建

以提升毫米波全息图像分辨率为目的,提出基于深度学习网络的毫米波全息成像图像重建方法。设计毫米波全息成像系统,通过信号划分与混频滤波放大处理等过程计算目标对像回波信号的相位和幅度,将获取的数据传输至全息图像成像程序,得到毫米波全息图像。利用基于深度学习网络的图像重建算法对毫米波全息图像实施重建:处理毫米波全息图像数据,构建外部图像库;构建深度学习网络中的卷积神经网络模型,通过训练获取低分辨率图像与高分辨率图像间的映射关系;基于输入卷积神经网络模型的毫米波全息图像低分辨率图像块,获取高分辨率毫米波全息图像。采用残差结构优化卷积神经网络模型解决梯度弥散现象。测试结果显示该方法重建图像分辨率的两个评价参数图像重建精度与重建图像清晰度分别为97.5%和97.1%。

一种毫米波全息成像系统方案及其仿真

提出了一种双频毫米波全息成像系统方案。该方案不仅可以准确地测定目标与成像雷达天线口径的距离,而且可以对一定距离但事先未知的目标进行全息成像。相比于需要放置在预知位置的美国太平洋西北国家实验室研究的单频和宽带毫米波全息成像系统,该方案具有更为广泛应用的潜力,不仅可以用于个人携带的藏匿武器或者违禁物品的检查,还可以作为毫米波成像雷达用于军事目的。文中根据该成像系统确定了毫米波全息成像方法,建立了相应算法,给出了成像仿真结果。该方案可对实际系统设计提供一定参考。

基于全变分正则化的毫米波正交阵列近场成像重建算法

基于多发多收模式的毫米波正交阵列能够以少量收发天线实现快速的全电子扫描。然而由于采用稀疏阵列设计,成像会受到严重的旁栅伪影干扰。本文提出了基于全变分正则化的毫米波正交阵列图像重建算法,通过引入先验全变分约束,能够在保证分辨率的前提下消除近场成像中的旁栅伪影。FEKO电磁仿真实验结果表明,对于正交阵列近场成像,采用全变分正则化方法可以以总数为单站模式1%的收发天线单元获得与单站成像相当的成像效果,旁栅伪影得到明显抑制。

毫米波全息成像快速反向传播算法研究

为了在保证图像质量的前提下进一步加快毫米波全息成像的图像重建速度,提出了基于降维策略的快速反向传播重建(DR-BP)算法。基于亚毫米波单站式成像实验(280~320 GHz)以及多发多收正交阵列成像FEKO电磁仿真实验(70~80 GHz)对DR-BP算法进行验证。实验结果表明,DR-BP算法相比仅适用于单站式成像的快速傅里叶变换算法,重建图像边缘干扰少,相比传统的反向传播算法,重建速度大幅提升,本文实验中获得的图像质量相同时,重建速度可提升60倍。