[发明专利]基于集成深度学习的小样本太赫兹图像异物检测方法

说明书

本发明公开了一种基于集成深度学习的小样本太赫兹图像异物检测方法，主要解决现有方法需要人工设计图像特征，训练过程复杂，且不能对某一类样本数目特别少的小样本赫兹图像进行异物检测的问题。本发明的具体要步骤如下：(1)制作小样本太赫兹图像数据集；(2)扩增图像训练集；(3)搭建集成深度学习网络；(4)训练集成深度学习网络；(5)对图像测试集进行检测。本发明能够自动提取图像特征，训练过程简单，考虑了实际样本中某一类样本数目特别少的小样本情况，能够对小样本太赫兹图像进行异物检测，能提高小样本中数目特别少的一类的检测正确率。

技术领域

本发明属于图像处理技术领域，更进一步涉及目标检测图像处理技术领域中的一种基于集成深度学习的小样本太赫兹图像异物检测方法。本发明可用于从太赫兹图像中检测出人体隐藏的刀、炸药、手机等异物目标。

背景技术

因为太赫兹波介于红外和微波之间，具有X射线、光波/红外和微波所不具备的一些特殊性质，使得太赫兹成像非常适合进行人体异物检测。基于深度学习的目标检测网络与传统的方法相比，检测准确率显著提升，且可以自动提取样本特征自动进行检测识别，基于深度学习的网络泛化能力更好、对特征的表征能力更强。

华讯方舟科技有限公司在其申请的专利文献“一种基于毫米波图像的人体异物检测方法”(专利申请号：201610727745.7，公布号：CN106372583A)中提出一种毫米波图像的人体异物检测方法。该方法首先获取人体的毫米波灰度图像；然后提取所述毫米波灰度图像中的人体轮廓图像；再构建所述人体轮廓图像在垂直方向上的垂直空间分布直方图和在水平方向上的水平空间分布直方图；根据所述垂直空间分布直方图、所述水平空间分布直方图和预设人体比例模型，获取人体的肢体位置；根据预设异物特征识别模型，识别所述人体轮廓图像中的异物；根据所述肢体位置，标识所述异物在所述人体轮廓图像上的位置并生成异物检测结果。该方法虽然通过构建空间分布直方图和人体比例模型，可以降低虚警率，提高目标检测的精度，且毫米波图像与太赫兹图像结构相似，该方法可以用于太赫兹图像的异物检测，但是，该方法仍然存在的不足之处是，需要提取人体的轮廓图、构建垂直于水平空间分布直方图、预设人体比例等多个步骤，使得异物检测过程非常繁琐，且没有考虑小样本的分布特征，实际上并没有增加样本数量，且并没有考虑实际样本中某一类样本数目特别少的小样本情况，所以该方法并不能对小样本的太赫兹图像进行异物检测。

杜琨、张璐等人在其发表的论文“基于统计模型的人体隐藏危险物检测”(计算机工程与设计,2017(10))中提出一种基于统计模型的目标检测方法。该方法采用参量模型的建模方法，建立基于广义复合分布和广义K分布的统计模型；在此基础上，基于人体结构的先验知识，利用人体统计模型，采用恒虚警率对图像中人体隐藏危险物进行检测。虽然该方法利用了基于人体结构的先验知识和人体统计模型，研究的对象是太赫兹图像，在检测率上有了部分提升。但是，该方法仍然存在的不足之处是，需要建立基于广义复合分布和广义K分布的统计模型，建模过程计算复杂度高，且并没有考虑实际样本中某一类样本数目特别少的小样本情况，该方法不适合对小样本太赫兹图像进行异物检测。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于集成深度学习的小样本太赫兹图像异物检测方法，对刀、手机和炸药等目标进行检测。本发明与其他现有小样本太赫兹图像异物检测方法相比，扩增了图像训练集，使得训练过程不易发生过拟合，考虑实际样本中某一类样本数目特别少的小样本情况，搭建集成深度学习网络，提高了样本数目特别少的一类的检测正确率，不用人工设计图像的特征，能够自动提取图像特征，训练过程简单，可以得到较高的小样本太赫兹图像异物检测精度。

实现本发明的目的的思路是，该方法是通过随机调整样本亮度和对比度的方法，扩增图像训练数据集，使用少数类过采样技术SMOTE进行怀疑物类别图像的二次扩增；针对有一类极少的小样本搭建集成深度学习网络进行异物检测。

本发明实现的具体步骤包括如下：

(1)制作小样本太赫兹图像数据集：