[发明专利]基于候选区域提取网络的毫米波人体图像检测方法

说明书

本发明涉及一种基于候选区域提取网络的毫米波人体图像检测方法，包括：收集安检中不同类型的目标图像，并标记所述目标图像，组成毫米波图像数据集；采用卷积神经网络，对所述毫米波图像数据集进行模型训练，以形成目标分类网络并得到目标分类网络的参数；采用阈值分割方法检测并标记人体位置；根据所述目标分类网络的参数，采用Faster R‑CNN算法检测毫米波图像的隐藏目标；采用兴趣区域池化算法对提取的特征图进行预处理；采用目标分类网络利用候选区域特征图的高维特征对目标进行分类。本发明的方法能够有效解决传统检测算法不适用于安检场合下的人体检测的问题，并且显著提高目标检测的准确度。

技术领域

本发明属于图像检测技术领域，具体涉及一种基于候选区域提取网络的毫米波人体图像检测方法。

背景技术

随着安全形势越来越严峻，安全检查也越来越重要，目前，常用的安检检测系统有金属探测器和X射线系统。然而，金属探测器只能探测金属目标并且不能区分类似的物品，而X射线系统因其高辐射对人体非常有害，因此，金属探测器用于探测人体，X射线系统用于探测手提物品。但是对于人体内隐藏的如非金属的刀、手枪、瓶子和手机等，金属探测器无法快速准确地检测出。

随着科技的发展，毫米波系统也成为了人员监视的典型成像系统，毫米波系统工作在30-300GHz频段，具有非电离特性，在中等功率水平下不会产生健康危害，而且毫米波成像系统可以获得人体和人体隐藏物体的清晰图像，因此研究相应的目标检测算法以自动检测这些隐藏目标非常有意义。但是，目前毫米波图像检测对于如何快速有效的在安检过程中检测人体和其他隐藏目标的问题，没有很好的解决方法。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种基于候选区域提取网络的毫米波人体图像检测方法。本发明要解决的技术问题通过以下技术方案实现：

本发明提供了一种基于候选区域提取网络的毫米波人体图像检测方法，包括：

S1：收集安检中不同类型的目标图像，并标记所述目标图像，组成毫米波图像数据集；

S2：采用卷积神经网络，对所述毫米波图像数据集进行模型训练，以形成目标分类网络并得到目标分类网络的参数；

S3：利用阈值分割方法检测并标记输入的毫米波图像的人体位置，得到毫米波人体图像；

S4：根据所述目标分类网络的参数，利用Faster R-CNN算法对所述毫米波人体图像进行处理，得到特征图和目标候选框；

S5：利用兴趣区域池化算法对所述特征图进行处理，输出固定尺寸的处理图像；

S6：利用softmax回归计算所述目标候选框的目标分类结果的置信概率，同时获取所述目标候选框在所述处理图像的位置，输出图像检测结果。

在本发明的一个实施例中，所述步骤S2包括：

采用ZFnet作为所述目标图像分类的卷积神经网络，采用非线性函数g x＝max 0,x作为所述ZFnet卷积神经网络的激活函数，对所述毫米波图像数据集进行模型训练，形成ZFNet目标分类网络，得到ZFNet目标分类网络的参数，所述ZFnet卷积神经网络的损失函数为，

其中，r表示目标的种类，t表示单次训练的图像数量，γ表示正则化系数，θ表示ZFnet卷积神经网络中需要进行训练优化的网络权值，1·表示指示函数，当输入参数为正确值时，1·输出1，反之输出0。

在本发明的一个实施例中，所述步骤S3包括：