一种安检门参数智能调定方法技术领域
本发明属于物品特征识别技术领域，具体涉及一种安检门参数智能调定
方法，其应用于具有区分被测物类型功能的安检门。
背景技术
金属探测门，是一种以检测金属对电磁分布影响为基本原理，探测通行
人员有无携带金属的安检设备，又称安检门。主要用于车站、机场及其它人
员聚集场所，探测由金属制成的枪支、管制刀具、爆炸物等危险品。
旧式安检门可调节的参数非常有限，主要包括主动发射电磁场强度和报
警阈值两项，而这两项参数与被测物尺寸和金属的磁导率耦合相关，要检测
出手机就必然会对手表皮带等产生大量误报，要检测出水果刀就必然会对金
属壳手机产生大量误报，无法实现有针对性的报警功能。随着技术的快速发
展和研究的不断深入，在对检测信号时域频域分析、对多点探测信号特征综
合分析、以及利用知识库进行信号特征比对的技术基础上，部分高性能安检
门已经具备了对被测物进行归类的功能。但由于这些安检门分析内容复杂，
需要根据使用要求进行复杂的参数调定，需要专业人员经过长时间的经验积
累才能掌握其调定方法，造成使用不便。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是：针对上述现有技术的问题，如何提供一种
安检门参数智能调定方法。
(二)技术方案
为解决上述技术问题，本发明提供一种安检门参数智能调定方法，其包
括如下步骤：
步骤1：根据每一种典型被测物的可能性大小，确定一系列参数设置的关
联度系数；
步骤2：针对每一类典型被测物预先设置典型被测物敏感度；
步骤3：安检门对被测物实时采集探测分析值；
步骤4：根据所述步骤1中确定的一系列参数设置的关联度系数、步骤2
中预设的典型被测物敏感度以及步骤3中实时采集的探测分析值，获得检测
结果可疑度。
其中，所述典型被测物敏感度，是指技术人员预设的，或一般使用者调
定的，安检门针对一种典型被测物设定一个敏感度数值；该敏感度取值范围
包括正数，0和负数；
负的敏感度表示针对该典型被测物类别采取避免误报的策略，负值的绝
对值越大表示避免对该典型被测物误报的愿望越强烈；敏感度为0，则表示
针对该典型被测物采取忽视的策略；敏感度为正数时，数值越大针对典型被
测物的检出率越高。
其中，所述探测分析值包括：由安检门探测器直接测得的数据以及经过
一系列分析获得的衍生数据；
所述衍生数据包括：同一探测点的衍生数据以及一组探测点的衍生数据；
所述同一探测点的衍生数据包括最大值，最小值，平均值，中值，导数
最大值，导数平均值，频域最大值，最大值频率；
所述一组探测点的衍生数据包括：临近探测点的差值，临近探测点差值
最大值，时域重合度，频域重合度，导数重合度。
其中，所述一系列参数设置的关联度系数，是指对应每一种典型被测物
的可能性；该关联度系数通过经验，统计，人工智能计算方法，实验修正获
得。
其中，所述探测分析值，一系列参数设置的关联度系数和典型被测物敏
感度均由矩阵表示；
当探测门存在m个探测分析值和n种典型被测物时，探测分析值矩阵A
为1行m列，关联度系数矩阵C为m行n列，典型被测物敏感度矩阵S为n
行1列，可疑度Q则为：
Q＝A×C×S(1)
为使Q值具有更好的可比性，将上述公式中的Q值进行归一化处理：
Q × Q m a x - 1 = A × C × S × ( A m a x × C × S ) - 1 - - - ( 2 ) ]]>
其中，因一个探测分析值对应一种典型被测物存在非线性的情况；在该
情况下，上述公式(2)中探测分析值矩阵A，关联度系数矩阵C和典型被测
物敏感度矩阵S的关系为非线性关系；利用人工智能方法使关联度系数矩阵
C中的参数为随探测分析值矩阵A数值变化的因变参数，通过样本训练的方
法形成矩阵f(A,C)，即非线性公式为：
Q＝A×f(A,C)×S(3)。
(三)有益效果
在普通安检门的基础上，应用本方法实现了对多个特征的分别分析，与
特定类别的被测物对应产生一组关联度系数，便于对数据进一步分类分析。
使参数调定过程简化，直观化，不需专业训练也可设置安检门参数，有利于
安检门在一般应用中提高准确率。
与现有技术相比较，本发明技术方案以安检门的探测分析值作为输入，
以一系列关联度系数作为参数设置的中间层，以针对每一类典型被测物的敏
感度设置数值作为向普通用户开放的参数系列。使安检门的一般使用者调节
安检门参数时只需针对具体常见被测物设定敏感度和报警阈值，实现对被测
物分类报警的功能。
进一步的，通过对已知被测物的检测过程数据的智能分析，自动校正参
数设置。在简化设置过程的同时，通过进一步的对被测物分类分析，提高了
检测准确率。
进一步的，本方法的应用包括而不限于使安检门具备专门探测手机等通
讯录音设备的功能，专门探测刀具等危险物品而排除手机、手表、皮带扣等
常见佩戴物的功能，及专门针对其他个别物品的功能。
附图说明
图1为本发明技术方案安检门参数调定方法的原理图。
具体实施方式
为使本发明的目的、内容、和优点更加清楚，下面结合附图和实施例，
对本发明的具体实施方式作进一步详细描述。
为解决现有技术的问题，本发明提供一种安检门参数智能调定方法，如
图1所示，其包括如下步骤：
步骤1：根据每一种典型被测物的可能性大小，确定一系列参数设置的关
联度系数；
步骤2：针对每一类典型被测物预先设置典型被测物敏感度；
步骤3：安检门对被测物实时采集探测分析值；
步骤4：根据所述步骤1中确定的一系列参数设置的关联度系数、步骤2
中预设的典型被测物敏感度以及步骤3中实时采集的探测分析值，获得检测
结果可疑度。
其中，所述典型被测物敏感度，是指技术人员预设的，或一般使用者调
定的，安检门针对一种典型被测物设定一个敏感度数值；该敏感度取值范围
包括正数，0和负数；
负的敏感度表示针对该典型被测物类别采取避免误报的策略，负值的绝
对值越大表示避免对该典型被测物误报的愿望越强烈；敏感度为0，则表示
针对该典型被测物采取忽视的策略；敏感度为正数时，数值越大针对典型被
测物的检出率越高。
其中，所述探测分析值包括：由安检门探测器直接测得的数据以及经过
一系列分析获得的衍生数据；
所述衍生数据包括：同一探测点的衍生数据以及一组探测点的衍生数据；
所述同一探测点的衍生数据包括最大值，最小值，平均值，中值，导数
最大值，导数平均值，频域最大值，最大值频率；
所述一组探测点的衍生数据包括：临近探测点的差值，临近探测点差值
最大值，时域重合度，频域重合度，导数重合度。
其中，所述一系列参数设置的关联度系数，是指对应每一种典型被测物
的可能性；该关联度系数通过经验，统计，人工智能计算方法，实验修正获
得。
其中，所述探测分析值，一系列参数设置的关联度系数和典型被测物敏
感度均由矩阵表示；但应注意矩阵仅仅是表现形式，使用其他数学形式应用
本方法应当视为对本发明的直接应用；
当探测门存在m个探测分析值和n种典型被测物时，探测分析值矩阵A
为1行m列，关联度系数矩阵C为m行n列，典型被测物敏感度矩阵S为n
行1列，可疑度Q则为：
Q＝A×C×S(1)
为使Q值具有更好的可比性，将上述公式中的Q值进行归一化处理：
Q × Q m a x - 1 = A × C × S × ( A m a x × C × S ) - 1 - - - ( 2 ) ]]>
其中，因一个探测分析值对应一种典型被测物存在非线性的情况；在该
情况下，上述公式(2)中探测分析值矩阵A，关联度系数矩阵C和典型被测
物敏感度矩阵S的关系为非线性关系；比如，利用人工智能方法使关联度系
数矩阵C中的参数为随探测分析值矩阵A数值变化的因变参数，通过样本训
练的方法形成矩阵f(A,C)，即非线性公式为：
Q＝A×f(A,C)×S(3)。
应当注意的是，所述的人工智能方法只是计算非线性矩阵C的一种具体方
法，使用其他方法计算非线性矩阵C也应视为对本发明的直接应用。
下面结合具体实施例来详细描述本发明。
实施例
本实施例涉及一种安检门参数智能调定方法，仅以基于磁传感器的通讯
录音设备检测门为例来说明本发明的技术思想。
如上所述，本实施例提供一种基于磁传感器的通讯录音设备检测门的参
数智能调定方法，其以通讯录音设备检测门的探测分析值作为输入，包括由
磁传感器直接测得各个检测点的磁场强度，也包括磁场强度的最大值，最小
值，平均值，中值，导数最大值，导数平均值，频域最大值，最大值频率等
等。对于若干检测点而言，还包括临近探测点的差值，临近探测点差值最大
值，时域重合度，频域重合度，导数重合度等。
假设基于磁传感器的探测门有12个磁探头，直接测得12个检测点的磁场
强度，那么就存在12个探测分析值作为输入，探测分析值矩阵A为1行12列。
A＝[a1a2…a12]
该参数智能调定方法以一系列关联度系数作为参数设置的中间层，关联
度系数是指每一探测分析值a对应每一种典型被测物s的可能性大小。关联度
系数可以通过经验，统计，人工智能计算方法，实验修正获得。
当探测门存在12个探测分析值和6种典型被测物时，关联度系数矩阵C为
12行6列。
该参数智能调定方法以每一类典型被测物的敏感度设置数值作为对用户
开放的可调参数。所谓可调参数，是技术人员预设的，或一般使用者调定的。
安检门针对一种典型被测物设定一个敏感度数值。该敏感度取值范围包括正
数，0和负数。负的敏感度表示针对该典型被测物类别采取避免误报的策略，
负值的绝对值越大表示避免对该典型被测物误报的愿望越强烈；敏感度为0，
则表示针对该典型被测物采取忽视的策略；敏感度为正数，数值越大针对典
型被测物的检出率越高。
当探测门有6种典型被测物的敏感度参数时，敏感度矩阵S为6行1列，
S＝[s1s2…s6]-1
那么最终检测结果可疑度Q矩阵为
Q＝A×C×S
为使Q值具有更好的可比性，将上述公式中的Q值进行归一化。
Q × Q m a x - 1 = A × C × S × ( A m a x × C × S ) - 1 ]]>
特殊情况下，一个探测分析值对应一种典型被测物存在非线性的情况。
这种情况下，上述公式中矩阵A，矩阵C和矩阵S的关系为非线性关系。利用
人工智能方法使矩阵C中的参数为随矩阵A数值变化的因变参数，通过样本训
练的方法形成矩阵f(A,C)，即非线性公式为
Q＝A×f(A,C)×S
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普
通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进
和变形，这些改进和变形也应视为本发明的保护范围。