基于太赫兹波的识别方法、装置及存储介质

摘要

本发明公开一种基于太赫兹波的识别方法、装置及存储介质。其中，方法包括获取不同的待测物；分别放置所述待测物在太赫兹波背景下并且获取所述待测物相应的太赫兹频域波形数据；根据所述太赫兹频域波形数据获取不同频率分量的振幅点；根据所述振幅点构建原始数据；选用若干所述原始数据作为一配置的神经网络模型输入，用于获取所述神经网络模型的输出；根据所述神经网络模型的输出，识别所述待测物。本发明能够通过构建神经网络模型，对太赫兹波背景下的物体进行识别。

权利要求

1.一种基于太赫兹波的识别方法，其特征在于，所述方法包括：

获取不同的待测物，

分别放置所述待测物在太赫兹波背景下并且获取所述待测物相应的太赫兹频域波形数据，根据所述太赫兹频域波形数据获取不同频率分量的M个振幅点，M个所述振幅点作为所述待测物的原始数据，N个所述原始数据构建原始特征矩阵X，其中，计算原始特征矩阵X的协方差矩阵C， 为特征均值，

获取所有特征点的特征均值，

根据特征均值对原始特征矩阵X的所有特征点进行零均值化处理，协方差矩阵C为，对协方差矩阵C进行奇异值分解，计算协方差矩阵C的特征值及特征向量，根据所述特征值及所述特征向量构建降维矩阵P，根据所述特征值的大小对所述特征值对应的所述特征向量进行次序排列，排列的所述特征向量建立特征向量矩阵Z，选取所述特征向量矩阵Z的前K行构建降维矩阵P，K小于N且为正整数，计算原始特征矩阵X与降维矩阵P的乘积为原始数据的降维数据，选用所述降维数据作为一神经网络模型输入，用于获取所述神经网络模型的输出，根据所述神经网络模型的输出，识别所述待测物；

其中，配置所述神经网络模型包括：获取不同样本并且标注不同所述样本的标签，分别获取所述样本的太赫兹频域波形数据，根据所述太赫兹频域波形数据获取不同频率分量的样本点，根据所述样本点构建样本数据，

根据若干所述样本数据构建样本特征矩阵，选用主成分分析算法获取所述样本特征矩阵的样本降维矩阵，选用所述样本降矩阵作为所述神经网络模型输入并且选用所述标签作为所述神经网络模型输出，根据所述样本降矩阵及所述标签训练所述神经网络模型。

2.如权利要求1所述的基于太赫兹波的识别方法，其特征在于，获取所述太赫兹频域波形数据配置为；

在一频点的所述太赫兹波背景下获取所述待测物的太赫兹时域波形数据；

对所述太赫兹时域波形数据进行快速傅里叶变换，获取所述太赫兹频率波形数据。

3.如权利要求1所述的基于太赫兹波的识别方法，其特征在于，训练所述神经网络模型，配置为：

配置所述神经网络模型的输入层、隐含层及输出层；

随机配置输入层、隐含层及输出层的权值；

选用所述样本降矩阵作为所述神经网络模型的输入，用于获取所述神经网络模型的实际输出；

选用后向传递算法比较所述实际输出与所述标签，用于更新所述神经网络模型中输入层、隐含层及输出层的权值。

4.如权利要求3所述的基于太赫兹波的识别方法，其特征在于，在比较所述实际输出与标签的偏差小于最小阈值后停止更新所述权值。

5.如权利要求1所述的基于太赫兹波的识别方法，其特征在于，根据所述太赫兹频域波形数据获取吸收率、折射率及透射率；

组合所述原始数据、所述吸收率、所述折射率及所述透射率作为原始数据组合；

选用若干所述原始数据组合作为一配置的神经网络模型输入，用于获取所述神经网络模型的输出；

根据所述网络模型的输出，识别所述待测物。

6.一种存储介质，用于存储计算机指令，其特征在于，所述指令被处理器执行时实现如权利要求1-5任意一项所述方法的步骤。

说明书

基于太赫兹波的识别方法、装置及存储介质

技术领域

[0001] 本发明涉及机械学习领域，具体而言，涉及一种基于太赫兹波的识别方法、装置及存储介质。

背景技术

[0002] 在CN104965233A的公开文献中提及多频太赫兹检测系统。

[0003] 由于不同频率的太赫兹波经被测物体的透射和/或散射和/或吸收后，其强度变化是不同的；那么该系统通过不同频率的探测器分别在不同频率下获取强度变化的太赫兹光后产生电信号，再通过该电信号进行成像。系统的成像能够用于实现对被测物体的识别；

[0004] 对如上述成像中被测物体的识别一般是人工判断或在高对比度的成像下通过图像技术实现。

发明内容

[0005] 本发明实施例至少提供一种基于太赫兹波的识别方法，能够通过构建神经网络模型，对太赫兹波背景下的物体进行识别。

[0006] 上述实施例的具体实现，如下所述。

[0007] 所述方法包括：

[0008] 获取不同的待测物，

[0009] 分别放置所述待测物在太赫兹波背景下并且获取所述待测物相应的太赫兹频域波形数据，

[0010] 根据所述太赫兹频域波形数据获取不同频率分量的M个振幅点，

[0011] M个所述振幅点作为所述待测物的原始数据，N个所述原始数据构建原始特征矩阵X，

[0012] 其中，

[0013] 计算原始特征矩阵X的协方差矩阵C， 为特征均值，

[0014] 获取所有特征点的特征均值，

[0015] 根据特征均值对原始特征矩阵X的所有特征点进行零均值化处理，协方差矩阵C为，

[0016] 对协方差矩阵C进行奇异值分解，计算协方差矩阵C的特征值及特征向量，[0017] 根据所述特征值及所述特征向量构建降维矩阵P，

[0018] 根据所述特征值的大小对所述特征值对应的所述特征向量进行次序排列，[0019] 排列的所述特征向量建立特征向量矩阵Z，

[0020] 选取所述特征向量矩阵Z的前K行构建降维矩阵P，K小于N且为正整数，[0021] 计算原始特征矩阵X与降维矩阵P的乘积为原始数据的降维数据，[0022] 选用所述降维数据作为一神经网络模型输入，用于获取所述神经网络模型的输出，

[0023] 根据所述神经网络模型的输出，识别所述待测物；

[0024] 其中，配置所述神经网络模型包括：

[0025] 获取不同样本并且标注不同所述样本的标签，

[0026] 分别获取所述样本的太赫兹频域波形数据，

[0027] 根据所述太赫兹频域波形数据获取不同频率分量的样本点，

[0028] 根据所述样本点构建样本数据，

[0029] 根据若干所述样本数据构建样本特征矩阵，

[0030] 选用主成分分析算法获取所述样本特征矩阵的样本降维矩阵，

[0031] 选用所述样本降矩阵作为所述神经网络模型输入并且选用所述标签作为所述神经网络模型输出，

[0032] 根据所述样本降矩阵及所述标签训练所述神经网络模型。

[0033] 在本发明公开的一些实施例中，获取所述太赫兹频域波形数据配置为；

[0034] 在一频点的所述太赫兹波背景下获取所述待测物的太赫兹时域波形数据；

[0035] 对所述太赫兹时域波形数据进行快速傅里叶变换，获取所述太赫兹频率波形数据。

[0036] 在本发明公开的一些实施例中，训练所述神经网络模型，配置为：

[0037] 配置所述神经网络模型的输入层、隐含层及输出层；

[0038] 随机配置输入层、隐含层及输出层的权值；

[0039] 选用所述样本降矩阵作为所述神经网络模型的输入，用于获取所述神经网络模型的实际输出；

[0040] 选用后向传递算法比较所述实际输出与所述标签，用于更新所述神经网络模型中输入层、隐含层及输出层的权值。

[0041] 在本发明公开的一些实施例中，在比较所述实际输出与标签的偏差小于最小阈值后停止更新所述权值。

[0042] 在本发明公开的一些实施例中，根据所述太赫兹频域波形数据获取吸收率、折射率及透射率；

[0043] 组合所述原始数据、所述吸收率、所述折射率及所述透射率作为原始数据组合；

[0044] 选用若干所述原始数据组合作为一配置的神经网络模型输入，用于获取所述神经网络模型的输出；

[0045] 根据所述神经网络模型的输出，识别所述待测物。

[0046] 本发明实施例至少公开一种存储介质，用于存储计算机指令，其特征在于，所述指令被处理器执行时实现如上述方法的步骤。

[0047] 针对上述方案，本发明通过以下参照附图对公开的示例性实施例作详细描述，亦使本发明实施例的其它特征及其优点清楚。

附图说明

[0048] 为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

[0049] 图1为实施例一的流程图；

[0050] 图2为实施例二的流程图；

[0051] 图3为实施例二应用场景的示意图。

具体实施方式

[0052] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

[0053] 因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0054] 实施例1

[0055] 本实施例提供一种基于太赫兹波的识别方法。通过本实施例的方法能够根据构建的卷积神经网络模型对太赫兹波背景下不同的待测物进行识别。

[0056] 请参考图1，本实施例对待测物的识别方法如下。

[0057] Step100、获取若干不同的待测物。

[0058] Step210、将待测物分别放置在一频点的太赫兹波背景的测试环境下；并且在测试环境下获取相应的太赫兹时域波形数据。

[0059] Step220、对获取的太赫兹时域波形数据进行快速傅里叶变换，获取太赫兹频率波形数据。

[0060] Step310、获取太赫兹频域波形数据的所有频率分量。

[0061] Step320、考虑到太赫兹波的频率范围在100Ghz到10Thz；频率分量在频谱坐标系中的△X近似为0。那么获取的所有频率分量本质是振幅点。

[0062] Step400、本实施例设定获取的振幅点有M个，如果根据待测物获取的振幅点不足M个，则用0补足。M个振幅点作为一原始数据的特征点。N个原始数据构建原始特征矩阵X；其中，

[0063]

[0064] Step511、计算原始特征矩阵X的协方差矩阵C。

[0065] 一般协方差公式为， 为特征均值。

[0066] X、Y样本且在协方差公式为正时，说明X和Y是正相关关系；协方差公式为负时，说明X和Y是负相关关系，协方差为0时X和Y相互独立。

[0067] 考虑到原始数据矩阵X的数据特征，本实施例对协方差进行简化，具体如下。

[0068] Step512、获取所有特征点的特征均值。

[0069] Step513、根据特征均值对原始特征矩阵X的所有特征点进行零均值化处理，即使及 均为0。

[0070] 那么简化后的协方差公式为，

[0071] Step514、由于原始特征矩阵X，其协方差是对称方阵。则协方差矩阵C为，[0072] Step520、本实施例对协方差矩C进行奇异值分解，计算协方差矩阵C的特征值及特征向量。

[0073] Step530、根据特征值及特征向量构建降维矩阵P；

[0074] Step540、根据特征值的大小对特征值对应的特征向量进行次序排列；

[0075] Step550、根据排列的特征向量建立特征向量矩阵Z；

[0076] Step560、选取特征向量矩阵Z的前K行构建降维矩阵P，K小于N且为正整数。

[0077] Step570、计算原始特征矩阵X与降维矩阵P的乘积，即PX作为原始数据降维后的数据集T，本实施例获得的数据集T即是原始数据的降维数据。

[0078] Step600、根据数据集T作为预先创建的卷积神经网络输入，用于识别待测物。

[0079] 本实施例卷积神经网络的构建配置如下。

[0080] Step110、获取不同的样本并且对不同的样本进行标签。

[0081] Step120、如本实施例的步骤，获取样本的数据集Tx。

[0082] Step130、基于MATLAB平台构建卷积神经网络模型；选用数据集Tx作为卷积神经网络模型的标准输入；选用标签作为卷积神经网络模型的标准输出。

[0083] Step140、配置卷积神经网络模型的输入层、隐含层及输出层等节点。

[0084] Step150、随机的配置任意节点的权值。

[0085] Step160、根据标准输入及标准输出对卷积神经网络模型训练；并且选用后向传递算法根据的实际输出与配置的输出比较，反复更新卷积神经网络内所有节点的权值。

[0086] Step170、获取卷积神经网络根据标准输入获取的实际输出；比较实际输出与标准输出的偏差，并且在偏差小于最小阈值，即卷积神经网络结构参数收敛后，完成卷积神经网络模型的构建，即停止更新权值。

[0087] 优选的，本实施例基于MATLAB平台构建卷积神经网络模型如下。

[0088] 配置卷积层的个数以及所有卷积层应用的特征图个数和尺寸；卷积层A共有16去个特征向量，每个特征向量使用一个11×1的卷积核去卷积，移动步长设为2，该层输出32个93×1大小的特征向量；卷积层B采用9×1的卷积核，输出32个85×1大小的特征向量；池化层a采用3×1的池化核，移动步长为2，产生32个42×1大小的特征向量；卷积层C采用7×1的卷积核，移动步长为2，输出32个18×1大小的卷积核；卷积层D采用5×1的卷积核，输出32个
14×1大小的特征向量；池化层b采用3×1的池化核，移动步长为2，产生32个6×1大小的特征向量；卷积层E采用6×1的卷积核，输出32个1×1大小的特征向量。

[0089] 本实施例另公开一种存储介质，为了便于说明，仅示出了与本发明实施例相关的部分。存储介质用于存储至少一个计算机指令，至少一个计算机指令被处理器执行时实现上述方法的全部或部分步骤。

[0090] 本实施例另公开一种基于太赫兹波的识别装置，为了便于说明，仅示出了与本发明实施例相关的部分。装置包括数据采集模块及神经网络模块。

[0091] 本实施例的数据采集模块配置为获取放置在太赫兹波背景下待测物相应的太赫兹频域波形数据，根据太赫兹频域波形数据获取不同频率分量的振幅点，根据振幅点构建原始数据；

[0092] 本实施例的神经网络模块配置为根据若干原始数据，识别待测物。

[0093] 实施例二

[0094] 请参考图2，本实施例将实施例一的方法应用以人体作为太赫兹波背景的场景，如图3对人体隐藏在衣服下的物品进行检测。

[0095] 本实施例的方法包括：

[0096] Step100、获取待测物及不同阻隔物的组合；

[0097] Step200、分别放置组合在模拟人体辐射的太赫兹波环境下，即与人体辐射的太赫兹波频点相近；再获取组合相应的太赫兹频域波形数据。

[0098] Step300、根据太赫兹频域波形数据获取不同频率分量的振幅点。

[0099] Step400、根据振幅点作为特征点构建原始数据。

[0100] Step500、选用若干原始数据作为一配置的神经网络模型输入，用于获取神经网络模型的输出；神经网络模型的构建可以选用实施例一是模型构建实施。

[0101] Step600、根据神经网络模型的输出，识别不同的组合。

[0102] 通过上述方案，本实施例能够对不同阻隔物与待测物的组合进行识别，协助安检人员对检测对象是否携带违禁品进行检查。

[0103] 实施例三

[0104] 本实施例根据太赫兹频域波形数据获取的吸收率、折射率及透射率作构建作为特征点，构建简单的原始数据，用于快速识别待测物。

[0105] 本实施例具体配置为根据太赫兹频域波形数据获取吸收率、折射率及透射率。本实施例选用若干吸收率、折射率及透射率组合作为一配置的神经网络模型输入，用于获取神经网络模型的输出。

[0106] 实施例四

[0107] 本实施例相对实施例一根据太赫兹频域波形数据获取的吸收率、折射率及透射率作构建相对复杂的原始数据组合，用于更精准的识别待测物。本实施例选用若干原始数据组合作为一配置的神经网络模型输入，用于获取神经网络模型的输出；根据神经网络模型的输出，识别待测物。

[0108] 以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。