[发明专利]基于深度学习和RPCA的太赫兹图像目标识别方法

说明书

一种基于深度学习和RPCA太赫兹图像的目标识别方法。其步骤为：(1)使用稳健主成分分析RPCA方法去除背景噪声；(2)使用形状先验知识缩小兴趣目标区域；(3)生成太赫兹图像数据集；(4)训练深度学习网络Faster‑RCNN；(5)使用深度学习网络Faster‑RCNN进行目标识别。本发明使用稳健主成分分析RPCA方法去除太赫兹图像背景噪声干扰，利用形状先验知识缩小兴趣区域，使用深度学习网络Faster‑RCNN对兴趣区域进行目标识别。本发明使用了稳健主成分分析RPCA和形状先验知识，克服了背景噪声的影响，能极快的准确的检测到太赫兹图像中的目标。

技术领域

本发明属于图像处理技术领域，更进一步涉及图像识别技术领域中的一种基于深度学习和稳健主成分分析RPCA(Robust Principle Component Analysis)的太赫兹图像目标识别方法。本发明可用于公共安全领域中的对太赫兹安检图像进行目标检测和识别。

背景技术

太赫兹波(THz波)包含了频率为0.1到10THz的电磁波。该术语适用于从电磁辐射的毫米波波段的高频边缘(300GHz)和低频率的远红外光谱带边缘(3000GHz)之间的频率，对应的波长的辐射在该频带范围从0.03mm到3mm。简单的说，太赫兹波是一种非接触的、非破坏性的检测手段，而且能穿透许多成像技术(如超声波和热成像技术)穿透不了的高密度分子结构。在公共安全领域中，太赫兹波作为一种有效的检测手段已经开始进入大众视野，太赫兹安检仪也已经开始大规模商用。

由于太赫兹安检仪设备的图像采集技术尚未成熟，太赫兹图像的像素比较低。太赫兹图像角度仅限于几个固定角度，因此同一角度获得的太赫兹图像具有相似的背景。目前还没有针对太赫兹图像的目标识别算法，对太赫兹图像目标的识别方式仍停留在人眼辨别，不仅需要耗费大量的人力资源，而且由于人眼的疲劳性，会导致误检率上升，降低检测效率。如果不结合太赫兹图像的特点，直接采用经典的目标识别算法，识别效果很差。

Felzenszwalb等人在其发表的论文“A Discriminatively Trained,Multiscale,Deformable Part Model”(IEEE Conference on Computer Vision and PatternRecognition(CVPR),2008) 中提出可变形部件模型DPM(Deformable Part Model)中公开了一种基于组件的目标识别方法。该方法先计算梯度方向直方图，然后利用支持向量机SVM(Surpport Vector Machine) 训练得到物体的梯度模型，使用得到的模型和目标进行匹配。可变形部件模型DPM将传统目标检测方法中对目标整体的检测问题拆分并转化为对模型各个部件的检测问题，但是该方法仍然存在的不足之处在于，模型和目标的匹配计算量很大，导致识别时间大大增加，不能用于太赫兹图像的实时检测。

Shaoqing Ren等人在其发表的论文“Faster R-CNN:Towards Real-Time ObjectDetection with Region Proposal Networks”(IEEE Transactions on PatternAnalysisMachine Intelligence,2015)中公开了一种基于深度学习的目标识别方法。该方法主要思路是：利用区域建议网络RPN(Region Proposal Network)，快速生成候选区域，通过候选区域生成建议框，对建议框进行分类和回归得到识别结果。但是该方法存在的不足之处在于，没有利用太赫兹图像背景相似性的特点去除大量背景噪声，区域建议网络RPN直接对整张太赫兹图像生成候选区域，在实时检测的应用上准确率不高、检测时间较长，不能用于太赫兹图像的实时检测。

发明内容

本发明的目的是针对现有技术存在的不足，提供一种基于深度学习和RPCA太赫兹图像的目标识别方法。