一种爆炸物分类识别方法及系统与流程

本发明属于爆炸物检测技术领域，尤其涉及一种爆炸物分类识别方法及系统。

背景技术：

世界范围的恐怖主义爆炸活动严重威胁人类社会的安全，在各类爆炸物中，包含三硝基甲苯(trinitrotoluene，tnt)、二硝基甲苯(dinitro-toluen，dnt)在内的硝基芳烃类炸药是恐怖分子的首选。到目前为止，爆炸物检测技术分为两大类：爆炸物的体检测技术和微痕量检测技术(tracedetection)。其中，爆炸物微痕量检测技术的原理是通过对爆炸物挥发的气体分子和粘附于爆炸物接触物表面的残留物的微痕量进行检测，该技术需要应用到各种波谱技术、化学传感器技术、生物传感技术和荧光检测技术等。

荧光爆炸物检测技术被认为是目前微痕量检测技术中最好的技术之一，被广泛应用于公安、军队、政府机关等安全保卫领域。荧光爆炸物检测技术是基于爆炸物与化学传感膜的接触,引起膜表面的荧光强度、光谱形状、以及荧光偏振或荧光各向异性等基本光物理性质发生变化这一原理，实现对爆炸物检测的。许多爆炸物含有的硝基芳烃类化合物具有极低的挥发性，同时受到各种噪声干扰，因此很难对其进行准确检测。

荧光爆炸物检测技术所需要的设备轻便，更是具有检测速度快，灵敏度高选择性强的特点，且荧光爆炸物检测技术对于硝基芳烃类爆炸物具有很好的检测效果。但是，荧光爆炸物检测技术并不具有识别功能，目前市场上也没有对荧光爆炸物进行分类和识别的技术，无法满足社会上在对爆炸物检测的同时，需要对每一类物质进行细致分类和识别的需求。

技术实现要素：

本发明提供了一种爆炸物识别分类方法及系统，旨在解决爆炸物检测中，无法对每一类物质进行分类识别的问题。

为解决上述技术问题，本发明是这样实现的。本发明提供了一种爆炸物分类识别方法，所述方法包括：

对获取的待测爆炸物的荧光信号进行预处理，生成所述待测爆炸物的荧光信号的变化率曲线；

基于所述荧光信号的变化率曲线判断所述待测爆炸物的荧光强度变化率是否达到阈值，若达到阈值，则确定检测到爆炸物；

在检测到爆炸物后，基于所述爆炸物的荧光信号的变化率曲线将所述荧光信号划分为下降阶段和恢复阶段；

对所述下降阶段的荧光信号的变化率进行直线拟合以生成斜率，将所述斜率作为下降阶段荧光信号特征；

基于压缩感知方法对所述恢复阶段的荧光信号进行特征提取，以得到恢复阶段荧光信号特征；

将所述下降阶段荧光信号特征和所述恢复阶段荧光信号特征，与若干个样本特征分类器模型依次进行配对，将匹配的类型作为所述爆炸物的类型，以实现爆炸物的分类识别。

进一步地，所述基于压缩感知方法对所述恢复阶段的荧光信号进行特征提取，以得到恢复阶段荧光信号特征包括：

设所述恢复阶段的荧光信号为一个n×1维的有限长离散信号，由所述恢复阶段的荧光信号构成的向量用x∈r^n×1表示，其中，r表示实域，n表示所述恢复阶段的荧光信号的长度；

构造一个m×n的测量矩阵φ∈r^m×n，其中，m表示所述测量矩阵的行数，n表示所述测量矩阵的列数，所述测量矩阵的列数与所述恢复阶段的荧光信号的长度相等；

将所述测量矩阵乘以所述恢复阶段的荧光信号构成的向量，得到一个长度与所述测量矩阵的行数相同的压缩测量向量，将所述压缩测量向量作为所述恢复阶段荧光信号特征。

进一步地，所述方法还包括：

对每种爆炸物样本的若干个样本分别进行荧光信号处理，以获取所述每种爆炸物样本的荧光信号特征集；

利用支持向量机分类器，对若干种爆炸物样本的荧光信号特征集进行特征训练，生成所述若干个样本特征分类器模型。

进一步地，所述对获取的待测爆炸物的荧光信号进行预处理，生成所述待测爆炸物的荧光信号的变化率曲线包括：

对获取的待测爆炸物的荧光信号进行信号零均值化处理；

对信号零均值化处理后的荧光信号进行中值滤波处理；

对中值滤波处理后的荧光信号进行低通滤波处理；

对所述低通滤波处理后的荧光信号进行α-β跟踪滤波处理，以得到α-β跟踪滤波处理后的荧光信号；

基于所述α-β跟踪滤波处理后的荧光信号，生成所述待测爆炸物的荧光信号的变化率曲线。

进一步地，所述基于爆炸物的荧光信号的变化率曲线将所述荧光信号划分为下降阶段和恢复阶段包括：

以所述爆炸物的荧光信号的变化率曲线中的极小值点作为分界点，将所述分界点之前的变化率曲线划分为所述下降阶段，将所述分界点之后的变化率曲线划分为所述恢复阶段。

本发明还提供了一种爆炸物分类识别系统，所述系统包括：

荧光信号预处理模块，用于对获取的待测爆炸物的荧光信号进行预处理，生成所述待测爆炸物的荧光信号的变化率曲线；

爆炸物检测模块，用于基于所述荧光信号的变化率曲线判断所述待测爆炸物的荧光强度变化率是否达到阈值，若达到阈值，则确定检测到爆炸物；

荧光信号划分模块，用于在检测到爆炸物后，基于所述爆炸物的荧光信号的变化率曲线将所述荧光信号划分为下降阶段和恢复阶段；

下降阶段特征提取模块，用于对所述下降阶段的荧光信号的变化率进行直线拟合以生成斜率，将所述斜率作为下降阶段荧光信号特征；

恢复阶段特征提取模块，用于基于压缩感知方法对所述恢复阶段的荧光信号进行特征提取，以得到恢复阶段荧光信号特征；

分类识别模块，用于将所述下降阶段荧光信号特征和所述恢复阶段荧光信号特征，与若干个样本特征分类器模型依次进行配对，将匹配的类型作为所述爆炸物的类型，以实现爆炸物的分类识别。

进一步地，所述恢复阶段特征提取模块具体用于：

设所述恢复阶段的荧光信号为一个n×1维的有限长离散信号，由所述恢复阶段的荧光信号构成的向量用x∈r^n×1表示，其中，r表示实域，n表示所述恢复阶段的荧光信号的长度；

构造一个m×n的测量矩阵φ∈r^m×n，其中，m表示所述测量矩阵的行数，n表示所述测量矩阵的列数，所述测量矩阵的列数与所述恢复阶段的荧光信号的长度相等；

将所述测量矩阵乘以所述恢复阶段的荧光信号构成的向量，得到一个长度与所述测量矩阵的行数相同的压缩测量向量，将所述压缩测量向量作为所述恢复阶段荧光信号特征。

进一步地，所述系统还包括样本特征分类器模型确定模块，所述样本特征分类器模型确定模块包括：

样本特征提取模块，用于对每种爆炸物样本的若干个样本分别进行荧光信号处理，以获取所述每种爆炸物样本的荧光信号特征集；

训练模块，用于利用支持向量机分类器，对若干种爆炸物样本的荧光信号特征集进行特征训练，生成所述若干个样本特征分类器模型。

进一步地，所述荧光信号预处理模块包括：

零均值化处理模块，用于对获取的待测爆炸物的荧光信号进行信号零均值化处理；

中值滤波处理模块，用于对信号零均值化处理后的荧光信号进行中值滤波处理；

低通滤波处理模块，用于对中值滤波处理后的荧光信号进行低通滤波处理；

α-β跟踪滤波处理模块，用于对所述低通滤波处理后的荧光信号进行α-β跟踪滤波处理，以得到α-β跟踪滤波处理后的荧光信号；

荧光信号的变化率曲线生成模块，用于基于所述α-β跟踪滤波处理后的荧光信号，生成所述待测爆炸物的荧光信号的变化率曲线。

进一步地，所述荧光信号划分模块具体用于：

以所述爆炸物的荧光信号的变化率曲线中的极小值点作为分界点，将所述分界点之前的变化率曲线划分为所述下降阶段，将所述分界点之后的变化率曲线划分为所述恢复阶段。

本发明与现有技术相比，有益效果在于：

本发明所提供的爆炸物识别分类方法及系统，在确定检测到爆炸物后，将爆炸物的荧光信号的变化率曲线划分为下降阶段和恢复阶段，对下降阶段的荧光信号特征进行提取，同时采用压缩感知方法对恢复阶段的荧光信号特征进行提取，然后将提取的特征与若干个样本特征分类器模型依次进行配对，最终将匹配的类型作为该爆炸物的类型，从而实现了对爆炸物的分类识别。由于采用了压缩感知的方法提取的恢复阶段荧光信号特征的效果最优，且识别性强，从而使得后续进行分类识别时，可以降低对分类器模型的要求，使得分类识别具有更高的灵敏度，分类识别过程更简单。

附图说明

图1是本发明实施例提供的爆炸物识别分类方法流程图；

图2是本发明实施例提供的爆炸物识别分类方法流程图；

图3是本发明实施例提供的某爆炸物荧光信号变化率曲线示意图；

图4是本发明实施例提供的svm分类识别方法流程图；

图5是本发明实施例提供的爆炸物识别分类系统示意图；

图6是本发明实施例提供的爆炸物识别分类系统示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

作为本发明的第一个实施例，如图1所示，本发明提供了一种爆炸物分类识别方法，该方法包括以下步骤：

步骤s101：对获取的待测爆炸物的荧光信号进行预处理，生成该待测爆炸物的荧光信号的变化率曲线。

步骤s102：基于步骤s101得到的荧光信号的变化率曲线判断该待测爆炸物的荧光强度变化率是否达到阈值，若达到阈值，则确定检测到爆炸物。即若达到阈值，则该待测爆炸物确定是爆炸物。

步骤s103：在检测到爆炸物后，基于爆炸物的荧光信号的变化率曲线将荧光信号划分为下降阶段和恢复阶段。

步骤s104：对下降阶段的荧光信号的变化率进行直线拟合以生成斜率，将该斜率作为下降阶段荧光信号特征。

步骤s105：基于压缩感知方法对恢复阶段的荧光信号进行特征提取，以得到恢复阶段荧光信号特征。

步骤s106：将上述下降阶段荧光信号特征和恢复阶段荧光信号特征，与若干个样本特征分类器模型依次进行配对，将匹配的类型作为该爆炸物的类型，以实现爆炸物的分类识别。

综上所述，本发明第一个实施例所提供的方法，在确定检测到爆炸物后，将爆炸物的荧光信号的变化率曲线划分为下降阶段和恢复阶段，对下降阶段的荧光信号特征进行提取，同时采用压缩感知方法对恢复阶段的荧光信号特征进行提取，然后将提取的特征与若干个样本特征分类器模型依次进行配对，最终将匹配的类型作为该爆炸物的类型，从而实现了对爆炸物的分类识别。由于采用了压缩感知的方法提取的恢复阶段荧光信号特征的效果最优，且识别性强，从而使得后续进行分类识别时，可以降低对分类器模型的要求，使得分类识别具有更高的灵敏度，分类识别过程更简单。

作为本发明的第二个实施例，如图2所示，本发明提供了一种爆炸物分类识别方法，该方法包括以下步骤：

步骤s201：对多种爆炸物样本进行训练以得到若干个样本特征分类器模型。步骤s201包括以下步骤：

步骤s2011：对每种爆炸物样本的若干个样本分别进行荧光信号处理，以获取所述每种爆炸物样本的荧光信号特征集；

步骤s2012：利用支持向量机(supportvectormachine，svm)分类器，对若干种爆炸物样本的荧光信号特征集进行特征训练，生成所述若干个样本特征分类器模型。假设现有四种样本爆炸物分别为dnt、硫磺、tnt、硝基甲烷，将dnt、硫磺、tnt、硝基甲烷依次编号为编号1至编号4。首先，将编号1和编号2划分为正类，编号3和编号4划分为负类，进行特征训练生成样本特征分类器1；然后，将编号1分为正类，编号2划分为负类，进行特征训练生成样本特征分类器2；同时，将编号3分为正类，编号4划分为负类，进行特征训练生成样本特征分类器3。由于svm分类器只能对两类物质进行分类，因此，当需要对多种物质进行分类时，就需要构造若干个svm分类器模型。

步骤s202：对获取的待测爆炸物的荧光信号进行预处理，生成该待测爆炸物的荧光信号的变化率曲线。步骤s202具体包括以下步骤：

步骤s2021：对获取的待测爆炸物的荧光信号进行信号零均值化处理。

步骤s2022：对信号零均值化处理后的荧光信号进行中值滤波处理。

步骤s2023：对中值滤波处理后的荧光信号进行低通滤波处理。

步骤s2024：对低通滤波处理后的荧光信号进行α-β跟踪滤波处理，以得到α-β跟踪滤波处理后的荧光信号。

步骤s2025：基于所述α-β跟踪滤波处理后的荧光信号，生成该待测爆炸物的荧光信号的变化率曲线。

需要说明的是，步骤s202对待测爆炸物的荧光信号进行预处理的目的是为了平滑获取的荧光信号，从而减少系统噪声对待测爆炸物的荧光信号的影响，从而避免系统噪声对待测爆炸物的检测以及分类识别结果造成影响。在步骤s2021中，对荧光信号进行信号零均值化处理，从而减少了系统脉冲噪声对荧光信号的影响；在步骤s2023中，对中值滤波处理后的荧光信号进行低通滤波处理，从而除掉了高频段的噪声干扰；在步骤s2024中，对荧光信号进行α-β跟踪滤波处理，从而提高了信噪比，能够输出去噪后的滤波信号。最后根据去噪后的滤波信号生成爆炸物的荧光信号的变化率曲线。

步骤s203：根据步骤s202中得到的待测爆炸物的荧光信号的变化率曲线，判断该待测爆炸物的荧光强度变化率是否达到阈值，若达到阈值，则确定检测到爆炸物，确定该待测爆炸物是爆炸物。当确定检测到爆炸物时，可以通过系统告警提示工作人员检测到爆炸物。需要说明的是，现有的荧光爆炸物检测技术只是通过简单的物理量，如荧光强度的改变值是否达到阈值来判断被检测的物质是否为爆炸物，而本实施例通过判断荧光强度的变化率是否达到阈值来判断被检测的物质是否为爆炸物。由于荧光强度的变化率曲线反映了外界物质与荧光薄膜反应的剧烈程度，而荧光薄膜具有灵敏度高，对微痕量爆炸物的选择性强的特性，因此当微痕量爆炸物与荧光薄膜反应达到一定程度时，使得荧光信号的荧光强度变化率达到阈值。因此，通过判断荧光强度的变化率是否达到阈值来判断被检测的物质是否为爆炸物，提高了爆炸物检测的灵敏度和正确率。

步骤s204：在检测到爆炸物后，基于爆炸物的荧光信号的变化率曲线将荧光信号划分为下降阶段和恢复阶段。具体的划分方法为：以爆炸物的荧光信号的变化率曲线中的极小值点作为分界点，将该分界点之前的变化率曲线划分为下降阶段，将该分界点之后的变化率曲线划分为恢复阶段。如图3所示，图中的a点为某爆炸物的荧光信号的变化率曲线中的极小值点，则a点之前的变化率曲线划分为下降阶段，将a点之后的变化率曲线划分为恢复阶段。极小值点即是下降阶段的最后一个点，也是恢复阶段的起始点。此时，爆炸物的荧光信号的变化率曲线即为上述步骤s203中已确定是爆炸物的待测爆炸物的荧光信号的变化率曲线。

步骤s205：对下降阶段的荧光信号的变化率进行直线拟合以生成斜率，将该斜率作为下降阶段荧光信号特征。直线拟合生成斜率有很多种方法，在本实施例中，采用的是最小二乘直线拟合的方法生成斜率。

步骤s206：基于压缩感知方法对恢复阶段的荧光信号进行特征提取，以得到恢复阶段荧光信号特征。采用压缩感知的方法提取的恢复阶段荧光信号特征的效果最优，且识别性强，从而使得后续进行分类识别时，可以降低对分类器模型的要求，使得分类识别具有更高的灵敏度，分类识别过程更简单。下面对基于压缩感知的方法提取恢复阶段荧光信号特征进行简单的说明：

设恢复阶段的荧光信号为一个n×1维的有限长离散信号，由该恢复阶段的荧光信号构成的向量用x∈r^n×1表示，其中，r表示实域，n表示该恢复阶段的荧光信号的长度；

构造一个m×n的测量矩阵φ∈r^m×n，其中，m表示测量矩阵的行数，n表示测量矩阵的列数，该测量矩阵的列数与上述恢复阶段的荧光信号的长度相等，因此，都用n表示；

将上述测量矩阵乘以上述恢复阶段的荧光信号构成的向量，得到一个长度与该测量矩阵的行数相同的压缩测量向量，将该压缩测量向量作为恢复阶段荧光信号特征。

在本实施例中，步骤s206具体实现过程如下：

构造一个测量矩阵φ＝[φ1,φ2,...,φk]^t，其中k＝10，φn表示第n个基向量，n＝1,2,...,k，每个基向量φn由一组均值为零的随机数构成，每个基向量φn的长度为300，与恢复阶段的荧光信号长度相同，即恢复阶段的荧光信号长度也是300。将测量矩阵与恢复阶段的荧光信号相乘，得到一个十维的压缩测量向量，如下述公式所示：

y＝φ·x

其中，x表示恢复阶段的荧光信号，φ表示测量矩阵，y表示压缩测量向量，即恢复阶段的荧光信号x在测量矩阵φ上的投影，其长度与测量矩阵φ的行数相同。压缩测量向量y是恢复阶段的荧光信号x的另一种表示，因此可以作为恢复阶段的荧光信号特征。

步骤s207：将上述下降阶段荧光信号特征和恢复阶段荧光信号特征，与若干个样本特征分类器模型依次进行配对，将匹配的类型作为该爆炸物的类型，以实现爆炸物的分类识别。

例如图4所示，在执行步骤s207时，将爆炸物的下降阶段荧光信号特征和恢复阶段荧光信号特征，首先与生成好的分类器1进行匹配，判断该爆炸物属于分类器1中的正类，还是属于分类器1中的负类；若判断该爆炸物属于分类器1中的正类，再将该爆炸物的下降阶段荧光信号特征和恢复阶段荧光信号特征，与生成好的分类器2进行匹配，判断该爆炸物属于分类器2中的正类，还是属于分类器1中的负类，若判断属于正类，则识别出该爆炸物为dnt。总之，爆炸物的荧光信号特征通过与多个分类器进行分类识别，最后输出结果具体为哪一类爆炸物样本。

由上述可知，分类识别的前提是待识别的爆炸物的类型是在已经分类训练得到的样本特征分类器模型库中的一种类型。

本实施例所提供的方法在便携式爆炸物探测仪平台下进行了多次测试。首先，将荧光信号进行预处理，通过判断α-β跟踪滤波生成的变化率是否达到阈值决定系统告警。将告警后的有效荧光信号分为下降阶段和恢复阶段两个过程进行特征提取。下降阶段通过荧光信号的变化率直线拟合生成斜率提取一维特征，再通过压缩感知的方法对荧光信号进行特征提取生成了十维特征。最终提取的特征总维数为十一维。通过实验，对四种爆炸物进行了检测识别与分类，每种物质做了500次测试，得到了以下结果如表1所示：

表1：爆炸物检测及分类识别结果

dnt的告警率为99.6％，识别率为97.6％；硫磺的告警率为99.2％，识别率为92.4％；tnt的告警率为99.8％，识别率为95.4％；硝基甲烷的告警率为98.8％，识别率为93.6％。可以得出，本发明对系统的噪声干扰具有很强的抑制能力，具有很高的告警率。同时，本发明具有良好的识别功能，可以将dnt、硫磺、tnt和硝基甲烷这四种物质有效的识别并进行分类，正确率都在百分之九十以上。

综上所述，由于爆炸物的种类繁多，且包装、隐藏情况复杂，因此这些因素使得对隐藏爆炸物的准确探测十分困难，而本发明第二个实施例所提供的方法，在确定检测到爆炸物后，将爆炸物的荧光信号的变化率曲线划分为下降阶段和恢复阶段，对下降阶段的荧光信号特征进行提取，同时采用压缩感知方法对恢复阶段的荧光信号特征进行提取，然后将提取的特征与若干个样本特征分类器模型依次进行配对，最终将匹配的类型作为该爆炸物的类型，从而实现了对爆炸物的分类识别。由于采用了压缩感知的方法提取的恢复阶段荧光信号特征的效果最优，且识别性强，从而使得后续进行分类识别时，可以降低对分类器模型的要求，使得分类识别具有更高的灵敏度，分类识别过程更简单。

作为本发明的第三个实施例，如图5所示，本发明提供了一种爆炸物分类识别系统，该系统包括：

荧光信号预处理模块101，用于对获取的待测爆炸物的荧光信号进行预处理，生成该待测爆炸物的荧光信号的变化率曲线。

爆炸物检测模块102，用于基于上述荧光信号的变化率曲线判断该待测爆炸物的荧光强度变化率是否达到阈值，若达到阈值，则确定检测到爆炸物。

荧光信号划分模块103，用于在检测到爆炸物后，基于爆炸物的荧光信号的变化率曲线将所述荧光信号划分为下降阶段和恢复阶段。

下降阶段特征提取模块104，用于对下降阶段的荧光信号的变化率进行直线拟合以生成斜率，将该斜率作为下降阶段荧光信号特征。

恢复阶段特征提取模块105，用于按基于压缩感知方法对所述恢复阶段的荧光信号进行特征提取，以得到恢复阶段荧光信号特征。

分类识别模块106，用于将下降阶段荧光信号特征和恢复阶段荧光信号特征，与若干个样本特征分类器模型依次进行配对，将匹配的类型作为该爆炸物的类型，以实现爆炸物的分类识别。

综上所述，本发明第三个实施例所提供的爆炸物分类识别系统，荧光信号划分模块103在检测到爆炸物后，将爆炸物的荧光信号的变化率曲线划分为下降阶段和恢复阶段；下降阶段特征提取模块102和恢复阶段特征提取模块103分别对下降阶段的荧光信号特征和恢复阶段的荧光信号特征进行提取，然后分类识别模块104将提取的特征与若干个样本特征分类器模型依次进行配对，最终将匹配的类型作为该爆炸物的类型，从而实现了对爆炸物的分类识别。恢复阶段特征提取模块103采用了压缩感知的方法提取的恢复阶段荧光信号特征的效果最优，且识别性强，从而使得后续进行分类识别时，可以降低对分类器模型的要求，使得分类识别具有更高的灵敏度，分类识别过程更简单。

作为本发明的第四个实施例，如图6所示，本发明提供了一种爆炸物分类识别系统，该系统包括样本特征分类器模型确定模块201、荧光信号预处理模块202、爆炸物检测模块203、荧光信号划分模块204、下降阶段特征提取模块205、恢复阶段特征提取模块206以及分类识别模块207。

在对爆炸物进行分类识别之前，样本特征分类器模型确定模块201先对多种爆炸物样本进行训练以得到若干个样本特征分类器模型。样本特征分类器模型确定模块201包括：

样本特征提取模块2011，用于对每种爆炸物样本的若干个样本分别进行荧光信号处理，以获取所述每种爆炸物样本的荧光信号特征集。

训练模块2012，用于利用支持向量机分类器，对若干种爆炸物样本的荧光信号特征集进行特征训练，生成所述若干个样本特征分类器模型。假设现有四种样本爆炸物分别为dnt、硫磺、tnt、硝基甲烷，将dnt、硫磺、tnt、硝基甲烷依次编号为编号1至编号4。首先，将编号1和编号2划分为正类，编号3和编号4划分为负类，进行特征训练生成样本特征分类器1；然后，将编号1分为正类，编号2划分为负类，进行特征训练生成样本特征分类器2；同时，将编号3分为正类，编号4划分为负类，进行特征训练生成样本特征分类器3。由于svm分类器只能对两类物质进行分类。因此当需要对多种物质进行分类时，就需要构造若干个svm分类器模型。

荧光信号预处理模块202对待测爆炸物的荧光信号进行预处理，以得到待测爆炸物的荧光信号的变化率曲线，荧光信号预处理模块202包括：

零均值化处理模块2021，用于对获取的待测爆炸物的荧光信号进行信号零均值化处理。

中值滤波处理模块2022，用于对信号零均值化处理后的荧光信号进行中值滤波处理。

低通滤波处理模块2023，用于对中值滤波处理后的荧光信号进行低通滤波处理。

α-β跟踪滤波处理模块2024，用于对所述低通滤波处理后的荧光信号进行α-β跟踪滤波处理，以得到α-β跟踪滤波处理后的荧光信号。

荧光信号的变化率曲线生成模块2025，用于基于α-β跟踪滤波处理后的荧光信号，生成待测爆炸物的荧光信号的变化率曲线。

需要说明的是，荧光信号预处理模块202对待测爆炸物的荧光信号进行预处理的目的是为了平滑获取的荧光信号，从而减少系统噪声对待测爆炸物的荧光信号的影响，从而避免系统噪声对待测爆炸物的检测以及分类识别结果造成影响。零均值化处理模块2021对荧光信号进行信号零均值化处理，从而减少了系统脉冲噪声对荧光信号的影响；低通滤波处理模块2023对中值滤波处理后的荧光信号进行低通滤波处理，从而除掉了高频段的噪声干扰；α-β跟踪滤波处理模块2024对荧光信号进行α-β跟踪滤波处理，从而提高了信噪比，能够输出去噪后的滤波信号，最终2025根据该去噪后的滤波信号生成待测爆炸物的荧光信号的变化率曲线。

爆炸物检测模块203，用于根据待测爆炸物的荧光信号的变化率曲线，判断该待测爆炸物的荧光强度变化率是否达到阈值，若达到阈值，则确定检测到爆炸物，即确定该待测爆炸物是爆炸物。当确定检测到爆炸物时，可以通过系统告警提示工作人员检测到爆炸物。需要说明的是，现有的荧光爆炸物检测技术只是通过简单的物理量，如荧光强度的改变值是否达到阈值来判断被检测的物质是否为爆炸物，而本实施例通过判断荧光强度的变化率是否达到阈值来判断被检测的物质是否为爆炸物。由于荧光强度的变化率曲线反映了外界物质与荧光薄膜反应的剧烈程度，而荧光薄膜具有灵敏度高，对微痕量爆炸物的选择性强的特性，因此当微痕量爆炸物与荧光薄膜反应达到一定程度时，使得荧光信号的荧光强度变化率达到阈值。因此，通过判断荧光强度的变化率是否达到阈值来判断被检测的物质是否为爆炸物，提高了爆炸物检测的灵敏度和正确率。

荧光信号划分模块204，用于在检测到爆炸物后，基于爆炸物的荧光信号的变化率曲线将所述荧光信号划分为下降阶段和恢复阶段。荧光信号划分模块204以爆炸物的荧光信号的变化率曲线中的极小值点作为分界点，将分界点之前的变化率曲线划分为下降阶段，将分界点之后的变化率曲线划分为恢复阶段。此时，爆炸物的荧光信号的变化率曲线即为上述203中已确定是爆炸物的待测爆炸物的荧光信号的变化率曲线。

下降阶段特征提取模块205，用于对下降阶段的荧光信号的变化率进行直线拟合以生成斜率，将该斜率作为下降阶段荧光信号特征。

恢复阶段特征提取模块206，用于基于压缩感知方法对所述恢复阶段的荧光信号进行特征提取，以得到恢复阶段荧光信号特征。

在本实施例中，恢复阶段特征提取模块206具体用于：

设恢复阶段的荧光信号为一个n×1维的有限长离散信号，由该恢复阶段的荧光信号构成的向量用x∈r^n×1表示，其中，r表示实域，n表示该恢复阶段的荧光信号的长度；

构造一个m×n的测量矩阵φ∈r^m×n，其中，m表示测量矩阵的行数，n表示测量矩阵的列数，该测量矩阵的列数与上述恢复阶段的荧光信号的长度相等，因此，都用n表示；

将上述测量矩阵乘以上述恢复阶段的荧光信号构成的向量，得到一个长度与该测量矩阵的行数相同的压缩测量向量，将该压缩测量向量作为恢复阶段荧光信号特征。

例如，本实施例中，构造一个测量矩阵φ＝[φ1,φ2,...,φk]^t，其中k＝10，φn表示第n个基向量，n＝1,2,...,k，每个基向量φn由一组均值为零的随机数构成，每个基向量φn的长度为300，与恢复阶段的荧光信号长度相同，即恢复阶段的荧光信号长度也是300。将测量矩阵与恢复阶段的荧光信号相乘，得到一个十维的压缩测量向量，如下述公式所示：

y＝φ·x

其中，x表示恢复阶段的荧光信号，φ表示测量矩阵，y表示压缩测量向量，即恢复阶段的荧光信号x在测量矩阵φ上的投影，其长度与测量矩阵φ的行数相同。压缩测量向量y是恢复阶段的荧光信号x的另一种表示，因此可以作为恢复阶段的荧光信号特征。

分类识别模块207，用于将下降阶段荧光信号特征和恢复阶段荧光信号特征，与若干个样本特征分类器模型依次进行配对，将匹配的类型作为该爆炸物的类型，以实现爆炸物的分类识别。例如图4所示，按照上述样本特征分类器模型确定模块201所举的例子，分类识别模块207在进行识别时，将爆炸物的下降阶段荧光信号特征和恢复阶段荧光信号特征，首先与生成好的分类器1进行匹配，判断该爆炸物属于分类器1中的正类，还是属于分类器1中的负类；若判断该爆炸物属于分类器1中的正类，则再将该爆炸物的下降阶段荧光信号特征和恢复阶段荧光信号特征，与生成好的分类器2进行匹配，判断该爆炸物属于分类器2中的正类，还是属于分类器1中的负类，若判断属于正类，则识别出该爆炸物为dnt。总之，爆炸物的荧光信号特征通过与若干个分类器进行分类识别，最后输出结果具体为哪一类爆炸物样本。

综上所述，本发明第四个实施例所提供的爆炸物分类识别系统，荧光信号划分模块在检测到爆炸物后，将爆炸物的荧光信号的变化率曲线划分为下降阶段和恢复阶段；下降阶段特征提取模块和恢复阶段特征提取模块分别对下降阶段的荧光信号特征和恢复阶段的荧光信号特征进行提取，然后分类识别模块将提取的特征与若干个样本特征分类器模型依次进行配对，最终将匹配的类型作为该爆炸物的类型，从而实现了对爆炸物的分类识别。恢复阶段特征提取模块采用了压缩感知的方法提取的恢复阶段荧光信号特征的效果最优，且识别性强，从而使得后续进行分类识别时，可以降低对分类器模型的要求，使得分类识别具有更高的灵敏度，分类识别过程更简单。

以上所述仅为本发明的较佳实施例而已，并不用以限制发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。