【技术实现步骤摘要】
本专利技术涉及毫米波人体安检，具体涉及一种基于图像增强的毫米波安检仪违禁品自动识别方法。
技术介绍
1、传统的人体安检方法主要有人工搜身和金属安检门，人工搜身的检查方式耗时较长，而金属安检门只能识别金属违禁品，无法检测非金属武器和易燃易爆品等。
2、在这种背景下，可无接触快速扫描人体的毫米波人体安检仪逐步受到市场的青睐。毫米波人体安检仪能够在不直接接触人体的情况下，有效检测出在衣物覆盖下藏匿于人体各部位的物品，特别是能够检测出非金属物品，并可以从图像上获取物品的形状、大小和位置等信息。
3、现有的毫米波图像违禁品自动识别技术主要是基于卷积神经网络的图像识别。通过大量采集不携带任何测试物的毫米波人体扫描背景图像和携带测试物的毫米波人体扫描图像，基于卷积神经网络建模对采集的图像进行训练并提取测试物特征，利用提取的特征继续训练卷积神经网络，最终通过训练后的神经网络检测毫米波图像中的疑似违禁品。
4、然而，相较于自然图像，毫米波图像信噪比较低，并且隐匿物的纹理信息很可能与背景、人体结构等处差异较小，因此采用深度学习进行人体隐匿物检测也可能存在不小的困难。此外，深度学习的训练阶段需要大量的训练样本，数据库样本量过小易造成过拟合，从而使训练得到的网络泛化能力较差。再者，由于毫米波成像系统研发的技术难度和使用成本问题，目前毫米波图像样本较少，因此极有可能造成过拟合。
技术实现思路
1、针对现有技术的不足，本专利技术旨在提供一种基于图像增强的毫米波安检仪违禁品自
2、为了实现上述目的，本专利技术采用如下技术方案：
3、一种基于图像增强的毫米波安检仪违禁品自动识别方法，包括如下步骤：
4、s1、对毫米波原始信号进行预处理：通过对人体进行毫米波扫描得到回波信号，回波信号即为毫米波原始信号；然后对毫米波原始信号进行预处理，所述预处理包括信号正交混频、低通滤波和降频抽取；
5、s2、如图2所示，对步骤s1预处理后所得的毫米波信号，采用基于空间频率域的成像算法在波数域进行图像场景重建；
6、s3、对步骤s2所得的毫米波图像进行图像增强，得到毫米波增强图像；
7、s4、对步骤s3所得的毫米波增强图像进行伪彩色图像处理，得到彩色图像，从而得到最终的毫米波人体扫描图像；
8、s5、采集得到设定数量的毫米波原始信号作为样本后，将其按照步骤s1-s4进行处理得到的毫米波人体扫描图像，然后将毫米波人体扫描图像转换成深度学习框架tensorflow的数据格式tensor，并进行翻转、随机裁剪和扭曲，实现增强数据，扩充数据的多样性；然后利用毫米波人体扫描图像按照预设的参数进行训练，最终得到收敛的深度学习卷积神经网络模型；将训练得到的深度学习卷积神经网络模型部署至计算机，即可实现违禁品自动识别功能。
9、进一步地，步骤s1中，人体站立于毫米波扫描平台上，收发天线阵列整体可沿x轴水平移动，可以移动的范围为[-x,x]，即收发天线阵列在x轴上的机械扫描范围；收发天线阵列沿y轴方向上下排布，收发天线阵列中的各收发天线可沿y轴方向交替切换工作，收发天线切换的范围为[y0，y1]，即收发天线阵列在y轴上的电扫描范围；
10、收发天线阵列进行信号收发的位置为扫描平面，该扫描平面与人体平行；在扫描平面上坐标为(x，y)的位置，射频模块产生的毫米波信号经该位置的收发天线发射后，遇到人体后发生反射，反射回波被收发天线接收。
11、更进一步地，步骤s1中，通过信号采集处理模块向射频模块中的开关网络发送控制指令，以控制毫米波信号的发送时序和控制采集有效中频数据的时序；信号采集处理模块将中频数据转化为电信号，并然后对信号进行预处理。
12、进一步地，步骤s3的具体过程为：
13、s3.1、对于步骤s2所得的毫米波图像，在图像空间域中进行点操作，公式如下：
14、g(x,y)＝f(x,y)×h(x,y)
15、其中，f(x,y)表示步骤s2所得的毫米波图像在坐标(x,y)上的像素值；h(x,y)表示空间转换函数；g(x,y)表示处理后的毫米波图像在坐标(x,y)上的像素值；
16、s3.2、对步骤s3.1处理得到的图像进行预处理操作，包括去噪和平滑处理；
17、s3.3、对s3.2处理所得的图像进行图像特征分析，从图像中提取出有用的特征，并对提取出的特征进行分析，实现人体目标检测；
18、s3.4、对步骤s3.3处理所得的图像进行灰度拉伸，增强目标的对比度；
19、s3.5、对步骤s3.4所得的图像进行锐化处理，得到最终的毫米波增强图像。
20、进一步地，步骤s5的具体过程为：
21、s5.1、图像数据采集：选择不同年龄、性别、身高、体重的测试人，并选择不同种类测试物，分别在各个测试人的身体的各个区域按照不同的摆放姿态摆放各个种类的测试物，然后按照步骤s1-s4采集和处理得到对应的毫米波人体扫描图像；
22、s5.2、对毫米波人体扫描图像中的测试物进行标记，并输出标记信息，包含测试物种类、位置、大小；
23、s5.3、按设定比例从采集的毫米波人体扫描图像数据中随机选取一部分转成tensorflow的数据格式tensor作为训练集，利用bp算法进行学习训练，最终得到收敛的深度学习卷积神经网络模型；
24、s5.4、模型验证：将余下的毫米波人体扫描图像作为测试集，对步骤s5.3得到的深度学习卷积神经网络模型进行验证，得到该深度学习卷积神经网络模型对各种测试物的识别率。
25、进一步地，上述方法还包括如下步骤：
26、将深度学习卷积神经网络模型部署至服务器，构建智能分析平台；智能分析平台初始化阶段，读取深度学习卷积神经网络模型文件及相关的配置并建立待探测图像队列；智能分析平台以收到探测图像-分派探测任务-反馈并记录探测结果-等待新的探测图像作为循环过程，采用串行队列和并行计算相结合的方式高效利用不同硬件资源，完成不同场景下的探测任务。
27、本专利技术的有益效果在于：
28、1、本专利技术首先对采集的毫米波原始数据进行预处理，提高信噪比，提升图像质量；然后对图像进行进一步增强，去除背景噪声，有助于提升清晰度，提升后续用于训练的样本质量，通过提升图像质量来提升深度学习样本的质量，从而提高学习效果，进而提高违禁品的自动识别率。
29、2、本专利技术中，使用伪彩色处理可以提升用户体验：由于人眼对彩色的分辨能力远远高于对灰度的分辨能力，所以将灰度图像转化成彩色表示，就可以提高对图像细节的辨别力。
本文档来自技高网...【技术保护点】
1.一种基于图像增强的毫米波安检仪违禁品自动识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的方法，其特征在于，步骤S1中，人体站立于毫米波扫描平台上，收发天线阵列整体可沿x轴水平移动，可以移动的范围为[-x,x]，即收发天线阵列在x轴上的机械扫描范围；收发天线阵列沿y轴方向上下排布，收发天线阵列中的各收发天线可沿y轴方向交替切换工作，收发天线切换的范围为[y0，y1]，即收发天线阵列在y轴上的电扫描范围；
3.根据权利要求2所述的方法，其特征在于，步骤S1中，通过信号采集处理模块向射频模块中的开关网络发送控制指令，以控制毫米波信号的发送时序和控制采集有效中频数据的时序；信号采集处理模块将中频数据转化为电信号，并然后对信号进行预处理。
4.根据权利要求1所述的方法，其特征在于，步骤S3的具体过程为：
5.根据权利要求1所述的方法，其特征在于，步骤S5的具体过程为：
6.根据权利要求1所述的方法，其特征在于，还包括如下步骤：
【技术特征摘要】
1.一种基于图像增强的毫米波安检仪违禁品自动识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的方法，其特征在于，步骤s1中，人体站立于毫米波扫描平台上，收发天线阵列整体可沿x轴水平移动，可以移动的范围为[-x,x]，即收发天线阵列在x轴上的机械扫描范围；收发天线阵列沿y轴方向上下排布，收发天线阵列中的各收发天线可沿y轴方向交替切换工作，收发天线切换的范围为[y0，y1]，即收发天线阵列在y轴上的电扫描范围；
3.根...
【专利技术属性】
技术研发人员：史运锋，查艳丽，姜济群，李明，王晓侃，裴轩，金川，桑伟，谷蔷，崔晓熙，田丰硕，
申请(专利权)人：公安部第一研究所，
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。