留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

利用偏振成像在复杂现场快速识别金属碎屑(特约)

熊志航 廖然 曾亚光 刘晋 马辉

熊志航, 廖然, 曾亚光, 刘晋, 马辉. 利用偏振成像在复杂现场快速识别金属碎屑(特约)[J]. 红外与激光工程, 2020, 49(6): 20201012. doi: 10.3788/IRLA20201012
引用本文: 熊志航, 廖然, 曾亚光, 刘晋, 马辉. 利用偏振成像在复杂现场快速识别金属碎屑(特约)[J]. 红外与激光工程, 2020, 49(6): 20201012. doi: 10.3788/IRLA20201012
Xiong Zhihang, Liao Ran, Zeng Yaguang, Liu Jin, Ma Hui. Rapid identification of metal debris in complicated scenes by using polarization imaging(Invited)[J]. Infrared and Laser Engineering, 2020, 49(6): 20201012. doi: 10.3788/IRLA20201012
Citation: Xiong Zhihang, Liao Ran, Zeng Yaguang, Liu Jin, Ma Hui. Rapid identification of metal debris in complicated scenes by using polarization imaging(Invited)[J]. Infrared and Laser Engineering, 2020, 49(6): 20201012. doi: 10.3788/IRLA20201012

利用偏振成像在复杂现场快速识别金属碎屑(特约)

doi: 10.3788/IRLA20201012
基金项目: 国家重点研发计划(2018YFC1406600);国家自然科学基金(41527901,61527826);深圳市科创委学科布局项目(JCYJ20160818143050110)
详细信息
    作者简介:

    熊志航(1996-),男,本科生,主要从事偏振光成像与目标识别方面的研究。Email:13078183476@163.com

    廖然(1981-),男,副研究员,博士,主要从事偏振光探测技术方面的研究。Email:liao.ran@sz.tsinghua.edu.cn

    马辉(1959-),男,教授,博士,主要从事偏振光方法方面的研究。Email:mahui@tsinghua.edu.cn

  • 中图分类号: O436.3

Rapid identification of metal debris in complicated scenes by using polarization imaging(Invited)

  • 摘要:

    爆炸犯罪杀伤群众,破坏公私财产,对公共安全造成危害。为快速侦破爆破案件,需要在爆炸现场众多残留物中识别金属,找出爆炸装置碎屑。针对在复杂背景中快速识别金属碎屑的需求,提出了一种基于线偏振成像增强金属对比的方法。基于偏振光成像的原理,搭建了两种多波长偏振图像采集装置。针对多种非金属和金属材料进行实验,发现调整入射光的线偏振角度和入射角,多波长偏振成像方法在复杂现场中可以对金属与非金属快速识别和分类。通过模拟研究了多波长下金属表面反射光的线偏振度和偏振角随入射角度变化的情况,给出识别不同金属的最佳角度和照明偏振光。进一步实验结果显示:多波长线偏振成像方法有区分不同种类金属的潜力。

  • 图  1  (a) 实验装置示意图;(b) 以数码相机为探测器的PSA;(c) 以偏振相机为探测器的PSA

    Figure  1.  (a) Schematic of the experimental setup; (b) PSA equipped by digital camera; (c) PSA equipped by polarization camera

    图  2  样品在不同入射角度、不同入射偏振态下的彩色图像与DOLP图像

    Figure  2.  Color image and DOLP image of the sample under different incident angles and different polarizations

    图  3  铁、铝、铜碎屑、泥沙、橡胶、布料的混合实验

    Figure  3.  Mixture experiment of the iron, aluminum, copper, and sediments, robber, cotton materials

    图  4  铜、铁、铝金属表面反射光线的DOLP和AOP变化随入射角变化的曲线图

    Figure  4.  Changes of reflected DOLP and AOP of light from the surfaces of the copper, iron and aluminum material, versus the incident angle of illuminating light

    图  5  针对铜、铁、铝三种金属的偏振成像。(a) DOLP图像;(b) AOP图像;(c) QU点图

    Figure  5.  Polarization imaging for three medal samples: copper, iron and aluminum. (a) DOLP images; (b) AOP images; (c) Q and U dot map

    表  1  常见金属的折射率

    Table  1.   Refractive index of several common metals

    Metalλ/nmnk
    Al4650.6435.585
    6601.4887.821
    Fe4652.2763.279
    6603.0003.754
    Cu4651.2272.554
    6600.2143.67
    下载: 导出CSV
  • [1] Ju H J, Liang J, Zhang W F, et al. Simultaneous,real-time,chromatic polarimetric imaging technology with full-polarization-state detection [J]. Journal of Infrared and Millimeter Waves, 2017, 36(6): 744−748.
    [2] Hu F, Cheng Y, Gui L, et al. Polarization-based material classification technique using passive millimeter-wave polarimetric imagery [J]. Appl Opt, 2016, 55(31): 8690−8697. doi:  10.1364/AO.55.008690
    [3] Qi J, He H, Lin J, et al. Assessment of tissue polarimetric properties using Stokes polarimetric imaging with circularly polarized illumination [J]. Journal of Biophotonics, 2018, 11(4): e201700139. doi:  10.1002/jbio.201700139
    [4] Li D, Zeng N, Zeng M M, et al. Identification of soot particles in air based on polarization scattering method [J]. Journal of Infrared and Millimeter Waves, 2017, 36(6): 701−705.
    [5] Wang Y, Liao R, Dai J, et al. Differentiation of suspended particles by polarized light scattering at 120° [J]. Optics Express, 2018, 26(17): 22419. doi:  10.1364/OE.26.022419
    [6] Thilak V, Creusere C D, Voelz D G. Material classification using passive polarimetric imagery [C]//IEEE International Conference on Image Processing. IEEE, 2007.
    [7] Tominaga S, Yamamoto T. Metal-dielectric object classification by polarization degree map [C]//International Conference on Pattern Recognition. IEEE, 2008.
    [8] Tominaga S, Kimachi A. Polarization imaging for material classification [J]. Optical Engineering, 2008, 47(47): 760−760.
    [9] Tominaga S, Hirai K, Horiuchi T. Metal-dielectric object classification by combining polarization property and surface spectral reflectance [C]//Proceedings of SPIE, 2013, 8652(3):221-237.
    [10] Geng L X, Chen Q, Qian W X, et al. A target discrimination method based on the active polarization imaging with the distribution of polarization Fresnel ratio [J]. Spectroscopy and Spectral Analysis, 2016, 36(6): 1916−1920.
    [11] Chipman R A. Metrics for depolarization [C]//Proceedings of the SPIE, 2005, 5888:170-179.
    [12] Swami M K, Manhas S, Patel H, et al. Mueller matrix measurements on absorbing turbid medium [J]. Applied Optics, 2010, 49(18): 3458−3464. doi:  10.1364/AO.49.003458
    [13] You Y, Tonizzo A, Gilerson A A, et al. Measurements and simulations of polarization states of underwater light in clear oceanic waters [J]. Applied Optics, 2011, 50(24): 4873. doi:  10.1364/AO.50.004873
    [14] Ratliff B M, Lacasse C F, Tyo J S. Interpolation strategies for reducing IFOV artifacts in microgrid polarimeter imagery [J]. Optics Express, 2015, 17(11): 9112−9125.
    [15] Adachi S. The handbook on optical constants of metals[C]// International Conference on Information Technology: Research and Education. IEEE, 2012: 307-311.
    [16] Deibler L L, Smith M H. Measurement of the complex refractive index of isotropic materials with Mueller matrix polarimetry [J]. Applied Optics, 2001, 40(22): 3659−3667. doi:  10.1364/AO.40.003659
    [17] Mishchenko M I, Liu L, Hovenier J W. Effects of absorption on multiple scattering by random particulate media: exact results [J]. Optics Express, 2007, 15(20): 13182. doi:  10.1364/OE.15.013182
  • [1] 胡玮娜, 吕勇, 耿蕊, 李宇海, 牛春晖.  光电探测器表面损伤状态偏振成像式探测系统 . 红外与激光工程, 2022, 51(6): 20210629-1-20210629-9. doi: 10.3788/IRLA20210629
    [2] 罗海波, 张俊超, 盖兴琴, 刘燕.  偏振成像技术的发展现状与展望(特邀) . 红外与激光工程, 2022, 51(1): 20210987-1-20210987-10. doi: 10.3788/IRLA20210987
    [3] 刘星洋, 翟尚礼, 李靖, 汪洋, 苗锋, 杜瀚宇, 邹超凡.  制冷型中波红外偏振成像光学系统设计 . 红外与激光工程, 2021, 50(2): 20200208-1-20200208-9. doi: 10.3788/IRLA20200208
    [4] 耿蕊, 赵康, 陈青山.  红外量子点材料的远距离识别 . 红外与激光工程, 2021, 50(7): 20200436-1-20200436-8. doi: 10.3788/IRLA20200436
    [5] 赵永强, 戴慧敏, 申凌皓, 张景程.  水下偏振清晰成像方法综述 . 红外与激光工程, 2020, 49(6): 20190574-1-20190574-11. doi: 10.3788/IRLA20190574
    [6] 曹杰, 郝群, 张芳华, 徐辰宇, 程阳, 张佳利, 陶禹, 周栋, 张开宇.  APD三维成像激光雷达研究进展 . 红外与激光工程, 2020, 49(9): 20190549-1-20190549-10. doi: 10.3788/IRLA20190549
    [7] 王辉, 王进, 李校博, 胡浩丰, 刘铁根.  一种基于圆偏光的偏振去雾成像优化方法 . 红外与激光工程, 2019, 48(11): 1126001-1126001(5). doi: 10.3788/IRLA201948.1126001
    [8] 侯治锦, 傅莉, 鲁正雄, 司俊杰, 王巍, 吕衍秋.  用于识别面阵探测器相连缺陷元的新型光学滤光片 . 红外与激光工程, 2018, 47(7): 720003-0720003(7). doi: 10.3788/IRLA201847.0720003
    [9] 周木春, 赵琦, 陈延如, 邵艳明.  基于FSVM的转炉终点光辐射状态识别 . 红外与激光工程, 2018, 47(7): 726004-0726004(6). doi: 10.3788/IRLA201847.0726004
    [10] 刘震, 洪津, 龚冠源, 郑小兵, 杨伟锋, 袁银麟.  空间调制型全偏振成像系统的角度误差优化 . 红外与激光工程, 2017, 46(1): 117003-0117003(7). doi: 10.3788/IRLA201746.0117003
    [11] 徐超, 何利民, 王霞, 金伟其.  红外偏振成像系统高速处理模块设计 . 红外与激光工程, 2017, 46(2): 204002-0204002(8). doi: 10.3788/IRLA201746.0204002
    [12] 柏财勋, 李建欣, 周建强, 刘勤, 徐文辉.  基于微偏振阵列的干涉型高光谱偏振成像方法 . 红外与激光工程, 2017, 46(1): 136003-0136003(6). doi: 10.3788/IRLA201746.0138003
    [13] 侯治锦, 傅莉, 王巍, 吕衍秋, 鲁正雄, 王锦春.  用响应和串音识别焦平面探测器相连缺陷元研究 . 红外与激光工程, 2017, 46(4): 420002-0420002(5). doi: 10.3788/IRLA201746.0420002
    [14] 严世博, 娄淑琴, 赵彤彤, 张俊楠.  金属修饰的微结构光纤偏振分束器 . 红外与激光工程, 2017, 46(5): 522001-0522001(5). doi: 10.3788/IRLA201746.0522001
    [15] 庄绪霞, 阮宁娟, 赵思思.  基于点目标测量的空间目标特性识别技术 . 红外与激光工程, 2016, 45(S1): 194-199. doi: 10.3788/IRLA201645.S126001
    [16] 赵永强, 张宇辰, 刘吾腾, 张艳, 李琳, 潘泉.  基于微偏振片阵列的偏振成像技术研究 . 红外与激光工程, 2015, 44(10): 3117-3123.
    [17] 陈青山, 牛春晖, 吕勇, 徐岱, 魏元.  对镱铒共掺硫氧化钇红外上转换材料的远场探测与识别 . 红外与激光工程, 2015, 44(9): 2603-2608.
    [18] 王中任, 路清彦, 刘海生.  基于CAD模型的随机工件视觉识别和定位方法 . 红外与激光工程, 2015, 44(S1): 230-235.
    [19] 李杰, 朱京平, 齐春, 郑传林, 高博, 张云尧, 侯洵.  大孔径静态超光谱全偏振成像技术 . 红外与激光工程, 2014, 43(2): 574-578.
    [20] 王霞, 张明阳, 陈振跃, 拜晓锋, 金伟其.  主动偏振成像的系统结构概述 . 红外与激光工程, 2013, 42(8): 2244-2251.
  • 加载中
图(5) / 表(1)
计量
  • 文章访问数:  504
  • HTML全文浏览量:  141
  • PDF下载量:  87
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-02-06
  • 修回日期:  2020-03-05
  • 刊出日期:  2020-07-01

利用偏振成像在复杂现场快速识别金属碎屑(特约)

doi: 10.3788/IRLA20201012
    作者简介:

    熊志航(1996-),男,本科生,主要从事偏振光成像与目标识别方面的研究。Email:13078183476@163.com

    廖然(1981-),男,副研究员,博士,主要从事偏振光探测技术方面的研究。Email:liao.ran@sz.tsinghua.edu.cn

    马辉(1959-),男,教授,博士,主要从事偏振光方法方面的研究。Email:mahui@tsinghua.edu.cn

基金项目:  国家重点研发计划(2018YFC1406600);国家自然科学基金(41527901,61527826);深圳市科创委学科布局项目(JCYJ20160818143050110)
  • 中图分类号: O436.3

摘要: 

爆炸犯罪杀伤群众,破坏公私财产,对公共安全造成危害。为快速侦破爆破案件,需要在爆炸现场众多残留物中识别金属,找出爆炸装置碎屑。针对在复杂背景中快速识别金属碎屑的需求,提出了一种基于线偏振成像增强金属对比的方法。基于偏振光成像的原理,搭建了两种多波长偏振图像采集装置。针对多种非金属和金属材料进行实验,发现调整入射光的线偏振角度和入射角,多波长偏振成像方法在复杂现场中可以对金属与非金属快速识别和分类。通过模拟研究了多波长下金属表面反射光的线偏振度和偏振角随入射角度变化的情况,给出识别不同金属的最佳角度和照明偏振光。进一步实验结果显示:多波长线偏振成像方法有区分不同种类金属的潜力。

English Abstract

    • 近年来,恐怖袭击、刑事犯罪等爆炸事件频繁发生,爆炸犯罪杀伤群众,破坏公私财产,对公共安全造成危害。检测爆炸装置碎屑并复原爆炸装置,对于侦破爆炸案件、严打爆炸犯罪活动有着重要的意义。爆炸装置中的关键部件和杀伤部件都含有金属成分,如电源、电子定时器、发火装置、爆炸填充物等。因此,在爆炸现场残留物中识别金属,对爆炸装置碎屑的检测起着至关重要的作用。由于爆炸后现场杂乱,靠人工收集现场物品,逐一查找耗费人力财力。

      偏振是光的固有属性。在光波与目标物质相互作用时,由于不同物质的几何形状、表面粗糙度、结构和材质等不同,反射光的偏振特性会存在差别。利用偏振信息可以分析目标的物理特性,可对目标进行有效的探测和识别,或在复杂环境中有效检测和识别常规成像技术无法识别的目标[1]。如今偏振探测技术已应用于材料分类[2]、生物医学[3]、大气光学[4]、海洋探测[5]等领域,引起国内外广泛关注。在金属与非金属分类应用中,Thilak等利用相位延迟的方法提取目标的折射率,将铝片从绿色油漆和铜片中识别出来[6]。Tominaga等研究了物体表面镜面反射光的偏振度空间分布,发现该特性在金属和非金属方面有显著的不同[7-9]。国内研究人员在这方面也有一些研究。比如,耿利祥等提出了一种利用探测物体表面的偏振菲涅尔反射比的主动线偏振成像方法,通过反演目标的折射率进行材料分类,该方法能对合金铝和涂料有效地分类[10]。胡飞等研究了物体表面反射光的线偏振比随入射角度变化的关系,探讨了材料分类中最佳入射角度范围,提出了偏振成像在室外进行金属目标检测的可能性[2]。根据材料表面反射光偏振特性,常见物体中如树木、泥沙、橡胶、布料等物体因表面粗糙发生多次散射而退偏[11],金属由于强吸收,吸收会抑制退偏效应[12],可用线偏振度分辨金属与非金属。

      针对在复杂现场中识别金属的需求,文中研究了主动照明下线偏振成像用于金属与非金属分类的方法和条件,提出了利用多波长线偏振成像快速识别金属碎屑的方法。通过实验和理论模拟,证明了多波长线偏振成像方法能够在复杂现场快速识别金属碎屑,同时还进行了金属分类的实验,表明了该方法在金属分类方面具有一定的发展潜力。

    • 斯托克斯矢量模型是描述偏振光的一种常用方法,斯托克斯矢量S有4个分量,S=(IQUV)T包含了光波的所有偏振信息,其中,I为总光强,QU为线偏振成分的信息,V为圆偏振成分的信息。由于全偏振态的测量比线偏振成分的测量要复杂,文中主要分析斯托克斯矢量的线偏振成分。斯托克斯矢量的线偏振成分可表示为:

      $$ {{S}'}=\left( {\begin{aligned} I \\ Q \\ U \end{aligned}} \right)=\left( {\begin{array}{*{20}{c}} {{I_0} + {I_{90}}} \\ {{I_0} - {I_{90}}} \\ {{I_{{\rm{45}}}} - {I_{{\rm{135}}}}} \end{array}} \right) $$ (1)

      斯托克斯矢量能够直接和光强测量值联系起来,公式(1)中,I0I45I90I135分别表示光在线偏振0°、45°、90°、135°的分量。定义线偏振度DOLP和偏振角AOP描述光波偏振态的特性[13]

      $$DOLP{\rm{ = }}\frac{{\sqrt {{Q^2} + {U^2}} }}{I}$$ (1)
      $$AOP{\rm{ = }}\frac{1}{2}{\rm{arctan}}\left( {\frac{U}{Q}} \right)$$ (2)

      线偏振度DOLP表示线偏振分量的强度和光波总强度的比值,偏振角AOP描述了光的偏振方向。总光强可以分解为0°和90°光强之和,也可分解成45°和135°光强之和,至少需要三幅图像才能获得入射光的线偏振信息。

    • 实验装置如图1(a)所示,主要有四部分组成:光源、起偏器(Polarization State Generator, PSG)、样品台、检偏器(Polarization State Analyzer, PSA)。LED光源能发出白色非偏振光,光源的前面可以加上一个旋转的线偏振片P1构成起偏器,旋转P1至α,使光源产生偏振角α的线偏振光。光照射在样品表面上发生反射,入射角为θ,反射光被检偏器PSA接收,得到样品的偏振图像。

      图  1  (a) 实验装置示意图;(b) 以数码相机为探测器的PSA;(c) 以偏振相机为探测器的PSA

      Figure 1.  (a) Schematic of the experimental setup; (b) PSA equipped by digital camera; (c) PSA equipped by polarization camera

      文中采用的检偏器有两类,一类是以数码相机(佳能EOS M2)作为探测器,如图1(b)所示,在数码相机前面装上一个可旋转的线偏振片P2,分别旋转线偏振片至0°、45°、90°、135°对入射光进行检偏,各采集一张图像,根据公式(1)定义获得入射光的线偏振信息。数码相机的感光元器件上有彩色滤光片,如图1(b)所示,每次测量同时得到RGB(红绿蓝)三个通道下的偏振图像。该方法操作简单,装置成本低,还能记录彩色图像,但由于需要旋转P2的方向,所以只适合静态(或变化很慢的)场景偏振信息的探测。

      另一类是以偏振相机[14](4D Technology)作为探测器,如图1(c)所示,类似于彩色相机的设计,将四个不同偏振方向(即0°、45°、90°、135°)的线偏振片集成在一起,置于感光元器件之前,一次曝光便可获取四个偏振分量图像,用公式(1)~(3)计算偏振参数图像。由于可以同时获取偏振分量图像,所以该方法适用于现场动态偏振信息的快速探测。光源发出的光是白光。由于折射率是波长的函数,偏振相机前需要加一个滤光片F来获得不同波长的偏振图像;该滤光片可以是电控快速调节的滤光片。

    • 将金属铝板、布料、橡胶、陶瓷、泥沙和纸片放置在平整的样品台上,以数码相机为检偏器采集样品的偏振图像。选取非偏振光、60°线偏振光作为入射光,在入射角度为30°和60°的情况下采集样品的偏振图像。实验的结果如图2所示。

      图  2  样品在不同入射角度、不同入射偏振态下的彩色图像与DOLP图像

      Figure 2.  Color image and DOLP image of the sample under different incident angles and different polarizations

      图2(a)是入射角度为30°时彩色图片,图2(b)图2(c)是60°线偏振光和非偏振光照射下的DOLP图像。图2(d)是入射角度为60°下的彩色图片,图2(e)图2(f)是60°线偏振光和非偏振光照射下的DOLP图像。图2中的偏振图像均用的是红色通道下的数据。当入射光为60°线偏振光时,金属的DOLP大,并且与其他样品对比度大,易于从背景中分离出金属,且30°入射角比60°入射角的效果好。若入射光为非偏振光,金属的DOLP低,难以从场景中区分金属。

      为了模拟复杂爆炸现场的情况,将铁、铝、铜碎屑、泥沙、橡胶、布料等混在一块,用30°线偏振光照射,采集到DOLP图像。图3(a)为彩色图像,图3(b)~(d)分别对应的是红、绿、蓝通道下的DOLP图像,共用一个色标。从图3(b)~(d)中可看出金属的DOLP明显大于背景值。选取不同的颜色通道,金属的DOLP值会变化,同时背景的DOLP也会变化。总体而言,金属与背景的DOLP有明显不同,并且选取红色通道下的DOLP与背景差异最大,选择红色通道的图像可以更好地识别金属。图3(b)~(d)显示了适当选择接收光波长、线偏振角度和入射角度时,线偏振成像可在复杂环境中有效检测和识别金属。

      图  3  铁、铝、铜碎屑、泥沙、橡胶、布料的混合实验

      Figure 3.  Mixture experiment of the iron, aluminum, copper, and sediments, robber, cotton materials

    • 光在介质表面发生反射,反射光偏振态发生改变,反射光的振幅和相位的变化遵循菲涅尔定律。对铜、铁、铝三种金属表面反射偏振变化进行了模拟。金属的折射率如表1所示[15]

      表 1  常见金属的折射率

      Table 1.  Refractive index of several common metals

      Metalλ/nmnk
      Al4650.6435.585
      6601.4887.821
      Fe4652.2763.279
      6603.0003.754
      Cu4651.2272.554
      6600.2143.67

      根据参考文献[16]理论,模拟了反射光的DOLP和AOP随入射角度变化。在模拟中,入射光为单色平行光,在金属表面发生镜面反射,反射光的DOLP和AOP随入射角度的变化,如图4所示。实际情景中大多数物质的表面粗糙并非发生镜面反射,使得偏振光在表面发生散射而退偏。金属与非金属相比,吸收效应强,吸收效应的增强会抑制甚至完全减弱退偏效应,因此,主要考虑金属表面反射的情况[17]

      图  4  铜、铁、铝金属表面反射光线的DOLP和AOP变化随入射角变化的曲线图

      Figure 4.  Changes of reflected DOLP and AOP of light from the surfaces of the copper, iron and aluminum material, versus the incident angle of illuminating light

      图4中(a)~(c)为样品在非偏振光、30°线偏振光、60°线偏振光入射时,红光(R)、蓝光(B)波长的反射光DOLP随入射角度变化的曲线图,图4(d)~(f)对应AOP的变化。红、蓝曲线分别表示λ=660 nm和λ=465 nm入射光。由曲线图4(a)看出,无偏振光入射时,反射光在入射角度在60~70°时,线偏振度高,其余入射条件下,DOLP低,不利于区分金属和非金属。若用30°和60°线偏振光照射,当入射角度小于30°时,线偏振度接近1;当入射角度在60~70°时,达到极小值;同时,当入射角度在60~70°时,不同金属的DOLP和AOP产生差异,差异的大小与光的波长有关。所以,只要选择适当的接收光波长、入射光线偏振角度和入射角度,就可以利用线偏振成像方法有效地区分金属和非金属,以及不同金属。

      根据模拟结果分析,入射角度小于30°时,用30°或60°线偏振光照射在金属表面,反射光的DOLP接近1。图3中给出的金属碎屑位置杂乱,反射面不统一,反射面粗糙导致DOLP小于1,但从图3可看出金属的DOLP明显大于背景值。背景是尺寸远小于金属碎屑的土壤颗粒,表面漫反射导致严重退偏,DOLP很小;对比图3(b)~(d)发现,背景在蓝光下DOLP较大,红光下DOLP最小。同时,在入射角小于30°时,金属表面的DOLP对波长不敏感。在图3中,即便是某些金属碎屑,它的反射角大于30°,DOLP不是很大且随着波长变化,但此时仍然与背景DOLP差别很大而被突显出来。所以,选取红色通道下的DOLP图像更好识别金属。综合图3图4可知,在适当选择接收光波长、线偏振角度和入射角度时,线偏振成像可在复杂环境中有效检测和识别金属。

      同时从图4中注意到,在入射角在60~70°时,不同金属的DOLP和AOP产生差异,可利用这一特性对金属分类。接下来用图1(c)的偏振相机对铜铁铝三类金属进行测试。

      为了使金属在同一个入射面内,将平整的金属放在同一平面上,第一列是铜,第二列是铁,第三列是铝。入射角度为60°,偏振相机前装有中心波长为660 nm的滤光片(福州浩蓝光电有限公司,AZURE-BP660)。实验发现:在60°线偏振光入射时,三类金属的偏振图像差异很大,如图5所示。

      图5(a)是DOLP图像,图5(b)是AOP图像。选择图5(a)中黑色边框区域来做定量分析,铜、铁、铝各取一块区域。从图5(a)(b)分别所示的DOLP和AOP中,很明显看出差异。考虑到DOLP和AOP的量纲不一样,为了简单起见,直接采用公式(1)中的QU值,图5(c)显示了图5(a)中所选区域像素点的QU分布图。从图5(c)可以看出,在同一条件下,三类金属反射光的偏振存在明显差异,展示出线偏振成像区分不同材料金属的潜力。

      图  5  针对铜、铁、铝三种金属的偏振成像。(a) DOLP图像;(b) AOP图像;(c) QU点图

      Figure 5.  Polarization imaging for three medal samples: copper, iron and aluminum. (a) DOLP images; (b) AOP images; (c) Q and U dot map

    • 文中提出了主动照明下线偏振成像对常见爆炸现场金属碎屑快速识别方法。通过对金属铝板、布料、橡胶、陶瓷、泥沙和纸片的线偏振成像实验以及混合实验,在适当接收光波长、线偏振角度和入射角度下,金属的DOLP明显大于其他物体,从而把金属碎屑从复杂现场快速识别出来。经过模拟发现,在不同波长和入射线偏振光照明下,金属材料表面反射光DOLP和AOP随入射角度变化;当入射角小于30°时,DOLP几乎为1;而当入射角在60~70°时,不同金属之间差异较大。随后的实验表明,在入射角度60~70°时,铜、铁、铝三类金属的偏振图像有显著区别,展示了线偏振成像区分不同金属的潜力。

参考文献 (17)

目录

    /

    返回文章
    返回