基于迁移学习的Faster R-CNN物品检测方法技术

本发明专利技术属于物品识别领域，具体涉及一种基于迁移学习的Faster R‑CNN物品检测方法，该方法包括：获取待检测的毫米波图像，并通过图像的信息熵确定图像的分割阈值，通过分割阈值对图像进行分割填充，得到目标分割结果图；将目标分割结果图输入到Faster R‑CNN模型中；Faster R‑CNN模型中的特征提取网络为ResNet50，在进行映射时采用聚类算法K‑Means算法优化锚设置；根据Faster R‑CNN模型输出的结果判断物品的类别和物品所处的位置；本发明专利技术在进行特征提取时，采用了迁移学习的方法，同时也采用了K‑Means算法优化锚设置，使得分类的结果更精确。

Fast r-cnn goods detection method based on migration learning

【技术实现步骤摘要】
基于迁移学习的FasterR-CNN物品检测方法
本专利技术属于三维毫米波安检成像系统中物品识别领域，具体涉及一种基于迁移学习的FasterR-CNN物品检测方法。
技术介绍
随着社会经济的发展，在大量流动的人口为世界各国的经济建设做出巨大的贡献，公共场所人员的安全检查也变得尤为重要。因此，各国开始广泛研究和应用检测快速且对人体无害的毫米波安检设备，而图像目标检测和识别分类是安检系统中必不可缺的组成部分。一种高效快速的物品识别方法可以更快，更加精准的识别危险物品，节约成本，防止漏检带来的意外。现有技术中，毫米波图像的目标检测与识别技术就是从图像中检测出特定目标，形式：基于静态图像的目标检测。其难点在于背景多变，以及待测目标形状、大小各异。例如专利申请号为201910065349.6的《一种基于FasterR-CNN的坦克装甲目标检测方法》这篇专利公开了根据研究对象的相关复杂特性，选取基于深度卷积神将网络的目标检测模型FasterR-CNN作为目标检测模型，并从输入特征图的路径来改进FasterR-CNN模型，从而提高了检测的准确本文档来自技高网...

【技术保护点】
1.一种基于迁移学习的Faster R-CNN物品检测方法，其特征在于，所述方法步骤包括：/nS1：获取待检测的毫米波图像，并根据图像的信息熵确定图像的分割阈值，通过分割阈值对图像进行分割填充，得到目标分割结果图；/nS2：将目标分割结果图输入到Faster R-CNN模型中进行检测；/nS3：根据Faster R-CNN模型检测到的各类别的置信度和修正参数判断物品的类别和物品所处的位置；/nS4：对物品所处的位置进行标记，并将物品类别和所处位置在电脑上显示出来；/n步骤S2中进行检测的过程包括：/nS21：将深度卷积神经网络ResNet50作为特征提取的主干网络，并结合迁移学习对目标分割结果...

【技术特征摘要】
1.一种基于迁移学习的FasterR-CNN物品检测方法，其特征在于，所述方法步骤包括：
S1：获取待检测的毫米波图像，并根据图像的信息熵确定图像的分割阈值，通过分割阈值对图像进行分割填充，得到目标分割结果图；
S2：将目标分割结果图输入到FasterR-CNN模型中进行检测；
S3：根据FasterR-CNN模型检测到的各类别的置信度和修正参数判断物品的类别和物品所处的位置；
S4：对物品所处的位置进行标记，并将物品类别和所处位置在电脑上显示出来；
步骤S2中进行检测的过程包括：
S21：将深度卷积神经网络ResNet50作为特征提取的主干网络，并结合迁移学习对目标分割结果图进行提取特征，得到特征图；
S22：在候选区域提取网络中选取候选框，并将候选框映射到特征图中，得到候选区域映射图；在进行映射时采用K-Means算法优化锚设置；
S23：将特征图和候选区域映射图传递给分类回归网络,输出候选区域对应各类别的置信度和修正参数；
其中，FasterR-CNN表示基于深度卷积神将网络的目标检测模型，K-Means表示聚类算法，RPN表示候选区域提取网络。


2.根据权利要求1所述的一种基于迁移学习的FasterR-CNN物品检测方法，其特征在于，带有目标的分割结果图的获取包括：
S11：确定毫米波图像的灰度值，灰度值的范围为0～K；
S12：求取每一个灰度值出现的概率p(i)，其出现的概率等于该灰度值的像素个数除以全部的像素点个数；
S13：设定一个阈值q，阈值q将图像分为前景P0和背景P1；并求取前景P0的信息熵H0(q)，背景P1的信息熵H1(q)；
S14：根据前景信息熵H0(q)和背景信息熵H1(q)，对图像信息熵进行调整，得到调整后的目标函数H，则H计算公式为：
S15：采用最大熵分割算法对目标函数进行计算，得到阈值T，即T＝arg0≤t≤L-1max(H)；利用阈值T对毫米波图像进行分割，得到分割图像；
S16：对毫米波图像进行目标区域提取，即对步骤S15的分割图像进行空洞填充，其填充的区域为目标区域中包含空白区域的图像，得到目标区域分割填充图；
S17：将目标区域分割填充图进行取反操作，得到图像1，并将图像1与目标区域分割填充图进行相乘操作，即两个图像对应的坐标像素相乘，得到分割出的目标区域；
S18：设定一个表示连通区域大小的阈值，若目标区域中的连通区域面积小于设定阈值，则对该区域进行填充处理，若目标区域中的连通区域面积大于等于设定阈值，则不做处理；最终得到目标分割结果图；
其中，表示前景的方差，表示背景的方差，H0表示前景信息熵，H1表示背景信息熵，H表示目标函数，arg表示0～L-1灰度级的均值，t表示假定的灰度阈值，L表示图像灰度级总像素点。


3.根据权利要求1所述的一种基于迁移学习的FasterR-CNN物品检测方法，其特征在于，深度卷积神经网络ResNet50包括一个单独的卷积层和四组block，四组block中分别包含了3个block、4个block、6个block以及3个block，每个block里面有三个卷积层，即该网络结构共包含49个卷积层和1个全连接层；
在进行特征提取时，采用迁移学习对主干网络的...

【专利技术属性】
技术研发人员：陈国平，程秋菊，王璐，管春，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆;50