[发明专利]一种毫米波图像目标检测方法

说明书

本申请提出了一种毫米波图像目标检测方法，涉及计算机视觉技术领域，其中，该方法包括：获取原始毫米波图像数据；根据原始毫米波图像数据的数据格式恢复出毫米波图像的三维空间结构数据，并压缩成二维平面数据；对二维平面数据进行降噪，并对降噪后的数据进行标准化处理；并制作成毫米波数据集，对毫米波数据集中的数据的特点进行分析，并根据数据的特点选取深度学习模型；用毫米波数据集对选取的深度学习模型进行训练和测试，得到深度学习模型的测试结果；根据测试结果与评价指标对深度学习模型进行优化，以得到最优模型。采用上述方案的本发明解决了主动式毫米波图像中危险物品的定位和识别的技术问题，从而能够提高公共场所人体安检的效率。

技术领域

本申请涉及计算机视觉技术领域，尤其涉及一种毫米波图像目标检测方法。

背景技术

毫米波是指波长为1～10mm的电磁波，它穿透能力强，能够有效地检测出藏匿于人体衣物下面的危险物品。同时，毫米波具有非电离特性，不会对人体造成伤害。目前大部分公共场所的安全检查采用的都是传统的探测技术：X射线成像系统以及金属探测仪。但是X射线对人体有很大的辐射，只能用来检查行李物品。而金属探测仪则只能探测金属物品，对非金属物品没有检查能力。由于传统安检技术存在的这些弊端，将毫米波应用于人体安检领域正逐渐成为这一领域的研究热点。

近年来，随着深度学习技术的发展，基于卷积神经网络(CNN)的检测和识别技术已经成为计算机视觉领域的主流。当前，目标检测技术已经在自然光图片中取得了重大的进展，但由于毫米波图像公开数据少、图像质量比光学图片差等原因，基于毫米波图像的目标检测技术一直进展缓慢。毫米波图像中小目标众多的问题也一直制约着目标检测技术在毫米波图像中的应用。目前主流的目标检测算法包括一阶段检测算法和二阶段检测算法。一阶段检测算法速度更快，但在准确率等方面不如二阶段检测算法。二阶段检测算法对小目标的检测效果要优于一阶段检测算法，因此在本发明中，主体框架采用的是二阶段检测算法。特征金字塔网络通过一个自上而下的网络结构，将网络的顶层特征和底层特征相结合，既利用了顶层特征丰富的语义信息，又结合了底层特征精确的细节信息，从而能够有效地提升对小目标的检测能力。

发明内容

本申请旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本申请的第一个目的在于提出一种毫米波图像目标检测方法，解决了现有方法中的毫米波图像中危险物品的检测识别技术问题，实现了毫米波图像目标检测。

本申请的第二个目的在于提出一种计算机设备。

本申请的第三个目的在于提出一种非临时性计算机可读存储介质。

为达上述目的，本申请第一方面实施例提出了一种毫米波图像目标检测方法，包括：

步骤S10，获取原始毫米波图像数据；

步骤S20，根据所述原始毫米波图像数据的数据格式恢复出毫米波图像的三维空间结构，将所述的毫米波图像数据压缩成毫米波图像的二维平面数据；

步骤S30，对所述二维平面数据进行降噪，并对降噪后的数据进行标准化处理；

步骤S40，将标准化后的数据制作成毫米波数据集，对所述数据集中的数据进行分析，得到数据的特点；

步骤S50，根据所述数据的特点选取深度学习模型，用所述的数据集对所述选取深度学习模型进行训练和测试，得到所述深度学习模型的测试结果；

步骤S60，对得到的所述测试结果进行分析，根据测试结果对所述深度学习模型进行优化，得到最优模型。

可选地，在本申请实施例的，所述步骤S20包括，将所述三维空间结构数据沿Z轴方向进行最大值投影。

可选地，在本申请实施例的，采用门限降噪的方式对所述二维平面数据进行降噪，降噪后得到灰度图像，对所述二维平面数据进行降噪的公式为：