【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 ...
【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:
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。