一种滤波增强深度学习的被动式太赫兹图像目标检测方法技术

本发明专利技术公开了一种滤波增强深度学习的被动式太赫兹图像目标检测方法，涉及被动式太赫兹图像目标检测领域，其技术要点是：采用多尺度滤波去除样本噪声，采用多方位空间几何变换，联合生成多尺度滤波增强样本；采用卷积神经网络提取特征，训练模型参数，进行深度学习训练；对去噪样本进行多通道特征预测，对多通道的预测结果进行融合，得到最终的目标检测结果，该方法针对噪声严重、目标大小不一、细节模糊的被动式太赫兹图像，通过多尺度滤波模型改良YOLO深度学习网络，不仅可以滤除严重的条纹噪声，又可避免过度去噪导致的图像细节丢失，从而实现被动式太赫兹图像的高精度目标检测。从而实现被动式太赫兹图像的高精度目标检测。从而实现被动式太赫兹图像的高精度目标检测。

【技术实现步骤摘要】
一种滤波增强深度学习的被动式太赫兹图像目标检测方法


[0001]本专利技术属于被动式太赫兹图像目标检测领域，特别是涉及一种滤波增强深度 学习的被动式太赫兹图像目标检测方法。

技术介绍

[0002]太赫兹波是指频率在0.1～10THz范围内的电磁波。太赫兹波的波段能够覆 盖半导体、等离子体，有机体和生物大分子等物质的特征谱，具有良好的穿透性。 其次，太赫兹能量小，几乎不会对人体产生影响。太赫兹技术可广泛应用于雷达、 遥感、国土安全与反恐、高保密的数据通讯与传输、大气与环境监测、实时生物 信息提取以及医学诊断等领域。
[0003]被动式太赫兹成像技术，相比于主动式太赫兹成像技术，无需主动太赫兹辐 射源，通过被动接受人体自身发出的太赫兹波完成成像，具有成本较低、安全无 辐射、无接触隐蔽等优点，在安防安检领域有更加良好的应用前景。在传统的安 防安检中，对于目标的检测通常是人工完成，十分考验检查人员的耐心和毅力。 随着深度学习的蓬勃发展，目前的算法已经能在光学图像上进行有效的目标检 测，但是在太赫兹图像尤其是被动式太赫兹图像中，相关方法还有待完善，目前 主要存在以下几类问题：
[0004]1.由于被动式太赫兹扫描系统没有使用辐射源，目标物自身辐射的太赫兹 波功率低，且成像过程中引入各类噪声干扰，使得被动太赫兹图像样本信噪比很 低、图像很模糊，影响对图像内容的有效识别；
[0005]2.传统深度学习算法未针对含噪的太赫兹样本识别问题进行改进，太赫兹 样本因为噪声差异、目标形态差异等问题，难以通过简单固定的图像滤波预处理 达到对所有样本目标的高精度识别。
[0006]基于上述客观问题，被动式探测的样本质量低，对人工标注和模型训练造成 很大影响，通过传统深度学习方法无法针对噪声严重的图像样本产生显著识别效 果，而采用固定的图像滤波方法进行预处理，依然难以保证输出的去噪样本均适 合深度学习算法获得高精度的识别效果。
[0007]基于上述市场需求与技术问题，亟需一种基于多尺度滤波增强的被动式太赫 兹图像目标检测方法，以深度学习算法为基础改进创新，通过多尺度滤波完成深 度学习对不同噪声程度的增强学习，再通过空间几何变换完成深度学习对不同转 向形态的增强学习，从而大幅度提升对不同噪声程度、不同转向形态的太赫兹目 标的识别检测率。

技术实现思路

[0008]本专利技术公开了一种滤波增强深度学习的被动式太赫兹图像目标检测方法，通 过多尺度去噪和空间几何变换增强扩增深度学习样本集，得到不同去噪强度、目 标形态的样本，大幅度滤除条纹噪声的同时更好地保留图像细节同时具有目标旋 转不变性，提升深度学习对于不同噪声程度、不同转向形态的目标识别的鲁棒性。 为了解决上述技术问题，本专利技术旨在提供一种滤波增强深度学习的被动式太赫兹 图像目标检测方式，包括以下步骤：
[0009]采用多尺度滤波去除样本噪声，采用多方位空间几何变换，联合生成多尺度 滤波增强样本；
[0010]采用卷积神经网络提取特征，训练模型参数，进行深度学习训练；
[0011]对去噪样本进行多通道特征预测，对多通道的预测结果进行融合，得到最终 的目标检测结果。
[0012]作为优选，所述采用多尺度滤波去除样本噪声，其中，邻域像素值为f(k,l)， 输出图像的像素值为g(i,j)，g(i,j)为邻域像素值f(k,l)的加权值组合， 其中(i,j)和(k,l)代表像素点的坐标，w(i,j,k,l)为 等于空域核ws和值域核wr的乘积，其中σ
s
和σ
r
分别为空域和值域的滤波平滑参数，不同去噪阈值样本l
x
与空间空域和 值域的滤波平滑参数σ
s
与σ
r
的关系是l
x
＝l0·
w(σ
s
,σ
r
)，其中σ
s
＝x， σ
r
＝13x，分别取不同的x,x∈(0,2]，获取多尺度去噪样本，进行多尺度滤波增 强。
[0013]作为优选，采用多方位空间几何变换，联合生成多尺度滤波增强样本，包括 对样本图像进行旋转和翻转处理，滤波增强后图像的原始像素值坐标为(x0,y0), 图像中心旋转后得到的坐标为(x1,y1)，其中θ为逆时针旋转的角度，图像以y轴翻转后的坐标为(x2,y2)， (x2,y2)＝(2w-x0,y0)，其中w是图像的宽度。
[0014]作为优选，所述采用卷积神经网络提取特征，其中，网络由N-1个卷积层和 1个全连接层组成，首先是1个32个过滤器的卷积核，然后是n组重复的残差 单元，每个单元由1个单独的卷积层与一组重复执行的卷积层构成，重复执行的 卷积层分别重复g1次、g2次、...、g
n
次；单独的卷积层使用步长为2的卷积作 降采样处理，在每个重复执行的卷积层中，先执行1x1的卷积操作，再执行3x3 的卷积操作，过滤器数量先减半，再恢复，共计N-1层。
[0015]作为优选，所述训练模型参数，进行深度学习训练，包括通过损失函数对参 数模型进行训练优化，训练前先将图片分解成为S
×
S个网格，每个网格含有A 个预选框和B个预测框，损失函数由坐标预测损失函数，置信度损失函数和类别 损失函数组成，如下式所示：
[0016][0017]其中i、j表示第i个网格第j个预测框， b
x
,b
y
,b
w
,b
h
分别表示直接预测的预测框的中心点坐标和长宽，g
x
,g
y
,g
w
,g
h
分别 表示真实框的中心点坐标和长宽，c
x
,c
y
,a
w
,a
h
分别表示当前网格左上角到图像左 上角的距离和锚点框的长宽，t
x
,t
y
,t
w
,t
h
为需要学习的参数；
[0018]当网格内的预测框负责预测真实框时，否则
[0019]当预测框负责预测该网格内的目标时，否则
[0020]当某个预测框不负责对应网格中真实框的预测，但是又与该真实框的重叠率大于 设定的阈值时，G
ij
＝0，否则G
ij
＝1；
[0021]其中，第i个网格第j个预测框的置信度Pr(object)表示 当前预测框是否有对象的概率，表示真实框和预测框的重叠率，和 分别为预测种类c时的类别概率和真实概率。
[0022]作为优选，所述对去噪样本进行多通道特征预测，包括将去噪样本l输入到 卷积神经网络分别在2
n
倍、2
n-1
倍、
…2n-M
倍进行多通道下采样和特征预测，其 中M为通道数；将2
n-i
倍的特征图作上采样处理，和2
n-本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种滤波增强深度学习的被动式太赫兹图像目标检测方式，包括以下步骤：采用多尺度滤波去除样本噪声，采用多方位空间几何变换，联合生成多尺度滤波增强样本；采用卷积神经网络提取特征，训练模型参数，进行深度学习训练；对去噪样本进行多通道特征预测，对多通道的预测结果进行融合，得到最终的目标检测结果。2.根据权利要求1所述的一种滤波增强深度学习的被动式太赫兹图像目标检测方法，其特征在于：所述采用多尺度滤波去除样本噪声，其中，邻域像素值为f(k,l)，输出图像的像素值为g(i,j)，g(i,j)为邻域像素值f(k,l)的加权值组合，其中(i,j)和(k,l)代表像素点的坐标，w(i,j,k,l)为等于空域核ws和值域核wr的乘积，其中域核ws和值域核wr的乘积，其中σ
s
和σ
r
分别为空域和值域的滤波平滑参数，不同去噪阈值样本l
x
与空间空域和值域的滤波平滑参数σ
s
与σ
r
的关系是l
x
＝l0·
w(σ
s
,σ
r
)，其中σ
s
＝x，σ
r
＝13x，分别取不同的x,x∈(0,2]，获取多尺度去噪样本，进行多尺度滤波增强。3.根据权利要求2所述的一种滤波增强深度学习的被动式太赫兹图像目标检测方法，其特征在于：采用多方位空间几何变换，联合生成多尺度滤波增强样本，包括对样本图像进行旋转和翻转处理，滤波增强后图像的原始像素值坐标为(x0,y0),图像中心旋转后得到的坐标为(x1,y1)，其中θ为逆时针旋转的角度，图像以y轴翻转后的坐标为(x2,y2)，(x2,y2)＝(2w-x0,y0)，其中w是图像的宽度。4.根据权利要求1所述的一种滤波增强深度学习的被动式太赫兹图像目标检测方法，其特征在于：所述采用卷积神经网络提取特征，其中，网络由N-1个卷积层和1个全连接层组成，首先是1个32个过滤器的卷积核，然后是n组重复的残差单元，每个单元由1个单独的卷积层与一组重复执行的卷积层构成，重复执行的卷积层分别重复g1次、g2次、...、g
n
次；单独的卷积层使用步长为2的卷积作降采样处理，在每个重复执行的卷积层中，先执行1x1的卷积操作，再...

【专利技术属性】
技术研发人员：徐帆，黄旭扬，吴启晖，陈朝晖，宋朋，
申请(专利权)人：海华电子企业中国有限公司，
类型：发明
国别省市：