一種基于小波特征向量提取的手機檢測方法與流程

本發明涉及到手機檢測領域，尤其涉及到一種基于小波特征向量提取的手機檢測方法。

背景技術：

隨著保密要求的不斷提高，很多場合嚴禁攜帶手機、錄音筆、錄像機等電子產品，亟需一種設備可以檢測出該類電子產品。目前的檢測技術主要有三種，一種是傳統的線圈技術，通過渦流檢測技術檢測手機；一種是磁傳感器技術，通過檢測地磁場的變化來檢測手機等電子產品；一種是基于電子管非線性節檢測技術，通過分析非線性節高次諧波來檢測手機。

非線性節檢測技術門檻高、成本昂貴，目前主流技術是線圈渦流檢測和磁場檢測，線圈渦流檢測技術對于低頻信號響應差，設備體積和重量大，磁場檢測技術在靈敏度、體積、重量、功耗等方面有很好的性能，在手機檢測方面優勢明顯。

在手機檢測系統設計中，發現手機、鑰匙、手表等物品在通過檢測中，存在誤報或漏報的問題，需要在系統改進過程中，采用相關軟件算法實現物品目標識別，從而提高手機檢測儀的檢測的準確率及可靠性。

目前技術的主要壁壘在于很難區分手機和鑰匙等非手機鐵磁類物品，存在較高的誤報率，目前技術只能在漏報率和誤報率準中取一個平衡，很難實現漏報率和誤報率性同時改進。

技術實現要素：

針對上述技術問題，本發明提供了一種基于小波特征向量提取的手機檢測方法。本發明考慮到手機等物品檢測信號不可預知性、非平穩性和瞬時性等特點，可知小波變換非常適合處理這種突發信號，和傳統的處理方法不同，能在時頻兩域同時表現信號特征。考慮到手機等物品的模式識別問題，手機、鑰匙等物品通過時的檢測信號在時域和頻域上應具有差異化的特征，需要利用小波變換的信號的特征提取技術，進行特征向量的提取。提取過程中，采樣提取的特征向量可能存在維數過大的問題，不利于隨后的數據處理和分析，可采用主成分分析法)對提取到的特征向量進行降維處理；最后把處理過的特征向量作為神經網絡的一個輸入向量實現手機物品模式的識別。

本發明是通過以下技術方案實現的：

一種基于小波特征向量提取的手機檢測方法，包括以下步驟：

首先將待測物品通過探測門，通過磁傳感器陣列采集待測物品通過時的信號，對檢測信號進行采樣，設置采樣頻率為30hz，信號的持續時間約為2s，經過a/d轉換后送入計算機；

應用小波分析對采集到的檢測信號進行了db3小波分解，得到8個信號分量，對各個信號進行重構得到不同頻段信號特征量，進而提取各頻段信號特征量；

然后采用主成分分析方法對特征向量進行降維處理，隨后把信號特征量傳輸至應用程序中；

將提取到的特征向量輸入bp網絡，bp網絡自主學習手機信號的主要特征，經過大量的手機特征信號訓練學習，輸出分析結果，識別待測物品為手機或者非手機物品。

進一步地，提取各頻段信號特征量的具體步驟為：

(1)對經a/d轉換的檢測信號進行n層正交小波分解，得到第1層到第n層共n個高頻小波分解系數序列：

{d1，d2，…，dn}

(2)求各層高頻小波分解系數序列的能量，設定ej為第j層高頻小波分解系數序列dj的能量，則有

式中n為中分量dk的個數，j、k為大于等于1的整數。

(3)特征向量的構成，把尺度順序以各層高頻小波分解系數序列的能量歸一化，組成特征向量組，即

f＝(e1,e2,…,en)。

本發明與現有技術相比，具有以下技術效果：

本發明采用小波分析特征向量提取技術可以將手機檢測成功率從80％提高到95％，同時誤報率不增加，大大改進手機檢測系統的關鍵性能。

附圖說明

為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹。顯而易見，下面描述中的附圖僅僅是本發明的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其它附圖。

圖1為本發明的手機檢測模式識別的示意圖；

圖2為本發明的手機和鑰匙采集的原始信號及對應的小波分解信號示意圖。

具體實施方式

為使本發明實施例的目的、技術方案和優點更加清楚，下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例是本發明一部分實施例，而不是全部的實施例。

圖1為本發明的手機檢測模式識別的示意圖；如圖1所示，本發明的一種基于小波特征向量提取的手機檢測方法，包括以下步驟：

首先將待測物品通過探測門，通過磁傳感器陣列采集待測物品通過時的信號，對檢測信號進行采樣，設置采樣頻率為30hz，信號的持續時間約為2s，經過a/d轉換后送入計算機；其中，有2k字節的數據被儀器記錄下來，但從電容放電波形來看，檢測與采集電路加載的真正過程基本上不超過500ms，而傳感器采集到的信號能持續1s，所以只對前1k的數據進行分析。

應用小波分析對采集到的檢測信號進行了db3小波分解，得到8個信號分量，對各個信號進行重構得到不同頻段信號特征量，進而提取各頻段信號特征量；

然后采用主成分分析方法對特征向量進行降維，隨后把信號特征量傳輸至應用程序中；

將提取到的特征向量輸入bp網絡，bp網絡自主學習手機信號的主要特征，經過大量的手機特征信號訓練學習，輸出分析結果，識別待測物品為手機或者非手機。

其中，daubechie3小波，簡稱db3，是近似對稱、雙正交的，其時域支撐性強，頻段劃分效果和實時性較好。而對負荷序列分解尺度選的太大并不能明顯提高預測精度，反而還會降低計算的效率。選定db3為母小波，采用多分辨分析的mallat算法對負荷進行尺度為3的分解。

從信號濾波的角度來看，正交小波分解將待分解信號通過一個高通濾波器和一個低通濾波器進行濾波，得到一組低頻信號和一組高頻信號，并且對低頻信號一直分解到第n層，每次分解得到的低頻信號和高頻信號長度都是原信號長度的一半，兩者長度之和等于原信號的長度，可以看作是在濾波后進行了隔點采樣，分解結果既不冗余，也不損失原信號的任何信息。因此，本發明以正交小波分解后各尺度空間的高頻信號能量，按尺度順序排列成的向量作為特征向量，具體的，提取各頻段信號特征量的具體步驟為：

(1)對經a/d轉換的檢測信號進行n層正交小波分解，得到第1層到第n層共n個高頻小波分解系數序列：

{d1，d2，…，dn}

(2)求各層高頻小波分解系數序列的能量，設定ej為第j層高頻小波分解系數序列dj的能量，則有

式中n為中分量dk的個數。

(3)特征向量的構成，把尺度順序以各層高頻小波分解系數序列的能量歸一化，組成特征向量組，即

f＝(e1,e2,…,en)。

圖2為本發明的手機和鑰匙采集的原始信號及對應的小波分解信號示意圖。

經測試發現，手機和鑰匙信號的特征向量如下表1和表2所示，表1和表2分別為手機和鑰匙的8個信號分量。

表1

表2

本發明通過db3小波基對手機探測磁陣列采集信號進行處理，提高采集陣列snr，對于手機探測磁陣列數據進行小波分解提取特征向量，進行手機和非手機識別。

將上訴特征向量進行降維以及神經網絡學習，大大提高了手機檢測準確率。

基于本發明中的實施例，本領域普通技術人員在沒有作出創造性勞動前提下所獲得的所有其它實施例，都屬于本發明保護的范圍。盡管本發明就優選實施方式進行了示意和描述，但本領域的技術人員應當理解，只要不超出本發明的權利要求所限定的范圍，可以對本發明進行各種變化和修改。