【技术实现步骤摘要】
一种基于毫米波图像人体上下文信息的危险物体检测方法
本专利技术属于图像处理
,具体涉及一种人体携带危险物检测方法。
技术介绍
随着恐怖活动的升级,在机场、海关、人群密集区的安防系统的设计已经提上日程。传统安检安防系统主要包括针对人体的金属探测器和针对人体携带物的X射线系统。这种人、物分离的安检系统已经普遍地应用在各种安检场景,并且有效地提高了机场、海关、人群密集区等重要场所的安防能力。然而上述传统安检安防系统仍然存在一些缺陷。一方面,针对人体的金属探测器只能检测金属违禁物,例如,枪、刀;然而对于非金属类的危险物体,例如爆炸物、危险液体、陶瓷刀等较难检测[1]。另一方面,人、物分离的安检系统要求分别对人体和人体携带物采用不同的成像原理进行检查,在机场对人体的检查耗时要高于对人体携带物的检查耗时,因此,人、物分离的安检系统会受到其中一个子系统的耗时影响。毫米波成像系统[2]可以有效地解决上述问题。其能够穿透衣物和绝缘体的遮挡,并且是非电离辐射的,因此对人体是无害的。毫米波近距离成像系统按照工作方式可以分为被动式毫米波成像(PMMW)和主动式毫米波成像(AMMW)。前者利用毫米波辐射计,采集被测目标的热辐射或者散射分布特性后生成图像。而后者利用发射一定功率的不同波段的毫米波信号来照射被测对象,并且利用接收机采集被测对象返回的信号来重构被测对象的空间散射强度[3]。对比这两种方式,AMMW系统可以实现实时成像,成像质量也优于被动式系统。基于主动式毫米波成像系统的违禁物体自动化检测算法近年来已经被广泛研究。2017年底,美国国家安全局在Kaggle挑战赛中公开 ...
【技术保护点】
1.一种基于毫米波图像人体上下文信息的危险物体检测方法,其特征在于,利用卷积神经网络下采样毫米波图像来获得抽象特征,通过自顶而下(top‑down)过程来恢复人体上下文信息,通过显著性融合模块的将人体携带物的特征与人体上下文的特征进行融合,最后利用辅助监督函数来修正初始化候选框发生的偏移;具体步骤如下:步骤1、自下而上:对毫米波图像进行下采样,并选择三个层级的特征图进行预测;1.1:将毫米波图像输入到卷积神经网络(CNN)中,提取特征,并进行下采样操作;所述卷积神经网络一共有10个卷积层,用于提取特征;这10个卷积层分别是:Conv1_1,Conv1_2,Conv2_1,Conv2_2,Conv3_1,Conv3_2,Conv3_3,Conv4_1,Conv4_2,Conv4_3;其中卷积核大小设置为3×3,卷积核移动步长大小为1,卷积边界处补0处理;由Conv1_2,Conv2_2,Conv3_3,Conv4_3的卷积核提取到的特征图,仍记为Conv1_2,Conv2_2,Conv3_3,Conv4_3;Conv1_2,Conv2_2,Conv3_3卷积核之后都采用最大池化操作来实现 ...
【技术特征摘要】
1.一种基于毫米波图像人体上下文信息的危险物体检测方法,其特征在于,利用卷积神经网络下采样毫米波图像来获得抽象特征,通过自顶而下(top-down)过程来恢复人体上下文信息,通过显著性融合模块的将人体携带物的特征与人体上下文的特征进行融合,最后利用辅助监督函数来修正初始化候选框发生的偏移;具体步骤如下:步骤1、自下而上:对毫米波图像进行下采样,并选择三个层级的特征图进行预测;1.1:将毫米波图像输入到卷积神经网络(CNN)中,提取特征,并进行下采样操作;所述卷积神经网络一共有10个卷积层,用于提取特征;这10个卷积层分别是:Conv1_1,Conv1_2,Conv2_1,Conv2_2,Conv3_1,Conv3_2,Conv3_3,Conv4_1,Conv4_2,Conv4_3;其中卷积核大小设置为3×3,卷积核移动步长大小为1,卷积边界处补0处理;由Conv1_2,Conv2_2,Conv3_3,Conv4_3的卷积核提取到的特征图,仍记为Conv1_2,Conv2_2,Conv3_3,Conv4_3;Conv1_2,Conv2_2,Conv3_3卷积核之后都采用最大池化操作来实现降采样操作,每个最大池化操作降采样图像大小两倍;1.2:对Conv4_3采用步骤1.1介绍的最大池化进行两次下采样操作,每次下采样两倍,下采样后得到的特征图命名为fc7,conv6_2;1.3:选取conv4_3、fc7、conv6_2这三个层级的特征图进行预测;特征图conv4_3对原始图像下采样8倍,特征图fc7对原始图像下采样16倍,特征图conv6_2对原始图像下采样32倍;这三个不同层级的特征图分别代表了不同尺度的危险物体;步骤2、自下而上:根据特征图,在毫米波图像中初始化候选框,并挑选出正负样本;2.1:针对conv4_3,fc7,conv6_2这三个层级的特征图中的每一个特征点,分别在原始图像中初始化第i个候选框其中,cx表示候选框中心点的横坐标,cy表示候选框中心点的纵坐标,w表示候选框的宽,h表示候选框的高;候选框的初始化方法按照公式(7)-公式(9)进行:上述公式中,sk∈{conv4_3,fc7,conv6_2},表示参与预测的层级特征图初始化候选框的比例因子,即针对毫米波图像的宽高比例;n表示参与预测的层级特征图的个数,取n=3;smin表示全局最小比例;smax表示全局最大比例,rj代表不同宽高比的集合,W代表毫米波图像的宽度,H代表毫米波图像的高度;2.2:步骤2.1结束后,候选框已经可以覆盖原始图像,此时按照公式(1),将每个由步骤2.1产生的候选框标定为正样本或负样本:其中,θ1和θ2分别为决策正负样本的阈值,IOU采用下述公式(2)计算,P表示候选框,G表示地面真实,Area(X)表示求解X包围盒的面积:步骤3、自顶而下:对步骤1得到的特征图conv6_2进行上采样,恢复人体上下文信息;3.1:步骤1将原始图像通过CNN下采样32倍,得到特征图conv6_2;将conv6_2通过显著性融合模块,得到特征图E6;在自下而上过程中,由conv4_3,fc7,conv6_2提取到前景特征;基于conv4_3,fc7,conv6_2所提取的前景特征,显著性融合模块从这些有效前景特征中选择一部分更加具有代表性的前景特征与人体上下文信息融合,对自下而上过程中的特征进行筛选;这里显著性融合模块采用S-E架构;3.2:利用步骤3.1得到的特征图E6来恢复人体上下文信息;通过反卷积操作上采样得到E6’;3.3:将步骤1.1得到的特征图fc7通过显著性融合模块,将本次显著性融合模块的输出特征图与...
【专利技术属性】
技术研发人员:张铂,王斌,吴晓峰,张立明,
申请(专利权)人:复旦大学,
类型:发明
国别省市:上海,31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。