CN109086679A

CN109086679A - 一种毫米波雷达安检仪异物检测方法

Info

Publication number: CN109086679A
Application number: CN201810749762.XA
Authority: CN
Inventors: 张秀锋
Original assignee: Xi'an Hengfan Electronic Technology Co ltd
Current assignee: Xi'an Hengfan Electronic Technology Co ltd
Priority date: 2018-07-10
Filing date: 2018-07-10
Publication date: 2018-12-25

Abstract

本发明属于雷达图像目标检测领域，公开了一种毫米波雷达安检仪目标检测方法，包括：设计基于深度学习的目标检测网络，并采用GPU编程实现；使用毫米波雷达安检仪成像结果对目标检测网络进行标记训练；获取毫米雷达波安检仪多个角度实时成像结果并送入检测网络，获取每个角度实时成像结果中疑似目标的种类、位置和概率；根据多个角度目标检测结果综合判断并输出异物目标的位置和种类。本发明用于毫米波雷达安检仪的人体携带异物检测，达到安检仪准确识别并标记异物的目的。

Description

一种毫米波雷达安检仪异物检测方法

技术领域

本发明属于雷达图像目标检测领域，尤其涉及一种毫米波安检仪异物检测方法。

背景技术

在公共安全领域，人体携带物安检一直是人们关注的重点，由于毫米波具有穿透性好且对人体辐射小等优点被研究用来对人体进行三维成像。基于对SAR成像高分辨率及对人体全向观测和三维成像的要求，旋转门式圆柱扫描三维合成孔径毫米波雷达近场成像和异物检测技术逐步发展起来。

目前，毫米波SAR三维近场成像技术已经成熟，但基于毫米波雷达安检仪的携带异物检测技术还有所欠缺。旋转门式毫米波雷达安检仪是通过雷达天线阵列的圆周旋转实现对人体多个视角的成像。现有的目标检测分类技术是将单个视角成像结果作为检测单元，单独判断每个视角下成像结果中包含的异物。由于人体携带异物在不同视角下呈现出不同的形状和亮度特征，因此上述方式对异物的识别不够准确，同时由于现有的异物检测算法是通过CPU 实现，因此检测效率低下。

发明内容

针对上述现有技术的缺点，本发明的目的在于提供一种准确快速的毫米波雷达安检仪异物检测方法，以解决毫米波安检仪人体携带异物检测准确率不高并且效率低下的问题。

本发明实现的技术思路为：首先针对毫米波雷达成像的特点设计合适的目标检测网络，主要采用深度学***台进行工程实现；然后大量采集含有常见异物的人体多角度毫米波雷达图像样本并进行异物标记；将大量的毫米波雷达人体多角度成像结果样本送入目标检测网络对目标检测网络进行训练；对新的成像结果进行异物检测时同时将多个角度的成像结果送入目标检测网络，利用多个角度成像图像的检测结果综合判断人体携带异物，输出异物种类并标定位置。

为达到上述目的，本发明采用如下技术方案予以实现。

一种毫米波安检仪异物检测方法，包括如下步骤：

步骤1：设计基于深度学***台实现；

步骤2：采集含有异物的毫米波雷达安检仪人体多角度成像结果，并按照 VOC数据格式标记异物名称和位置，制作训练样本数据集；

步骤3：将制作好的训练样本数据集送入目标检测网络进行训练；

步骤4：将多个角度的成像结果送入目标检测网络，根据每个角度成像图像的异物检测结果综合判断异物种类和位置。

步骤1中，基于深度学习的多层卷积神经网络包括输入层、卷积层、池化层、全连接层和分类层；

所述输入层为毫米波雷达的人体三维成像结果经过量化产生的二维灰度图像，

所述分类层采用对异物进行分类，判断异物时，将整个灰度图像划分成 16*16个格子，每个格子负责检测落入该格子的物体。

选取VOC数据集格式作为训练样本集的格式，对采集的样本进行异物标记，每个图像样本根据成像时人体携带异物情况包含一个或多个异物标记单元，每个标记单元包含主要包含异物名称标签C和异物位置两大信息。

训练时采用均方和误差作为Loss函数优化异物检测模型，Loss函数定义如下：

(3a)coordError具体定义如下：

(3b)iouError具体定义如下：

(3c)classError具体定义如下：

训练时，通过不断调整权值来减小标记数据与预测数据的误差值Loss，直到Loss达到设定的精度值时停止训练，并保存检测网络的权值，以供检测测试使用。

读取步骤3保存的异物检测网络的权值，将多个角度的人体成像结果送入异物检测网络，得到多角度成像图像的检测输出，每个角度成像图像的检测输出又包含一个或多个异物预测结果，再根据每个角度成像图像的异物检测结果综合判断异物种类和位置。

根据每个角度成像图像的异物检测结果综合判断异物种类和位置的具体方法如下：

(4a)若在人体同一个位置，多个角度成像检测输出中异物预测结果为相同类别，则判定人体该位置携带类别为的异物；

(4b)若在人体同一个位置，多个角度成像检测输出中异物预测结果为不同类别，假设为、、，则取其中概率最大的类别作为最终的预测类别，判定人体该位置携带类别为的异物；

(4c)若在人体某一位置，只有某个角度成像检测输出中预测为包含异物，判断预测为异物的概率是否大于置信门限。若是则判定人体该位置携带类别为的异物，反之则判定预测结果为虚警。

包含16个卷积层，4个池化层和2个全连接层。

本发明与现有技术相比具有如下优点：1)综合利用多角度人体成像图像的异物检测检测结果判定异物种类和位置，提升异物检测的准确率；2)基于GPU平台实现异物检测算法，同时提升异物检测网络训练和测试的速度，提升异物检测效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的异物检测方法的整体流程图；

图2为本发明实施例提供的异物检测网络的网络设计图；

图3为本发明实施例提供的毫米波雷达实测图像异物检测结果。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供一种毫米波雷达安检仪异物检测方法，如图1所示，所述方法包括如下步骤：

步骤1，设计基于深度学***台实现；

步骤1具体为：

由于卷积神经网络(CNN)在图像识别领域具有较为优秀的表现，因此本发明中的目标检测网络主要基于CNN实现，主要包括输入层、卷积层、池化层、全连接层和分类层。网络设计细节如图2所示，包含16个卷积层，4个池化层和2个全连接层。网络的输入层为毫米波雷达的人体三维成像结果经过量化产生的二维灰度图像，分类层采用softmax对异物进行分类。判断异物时，将整个灰度图像划分成8*8个格子，每个格子负责检测落入该格子的物体。

检测网络的每一层可通过下式简单表述：

y＝Wx+b

式中x是神经网络的输入，y是神经网络的输出，W为神经网络输入的权值，b为偏置值。分类层softmax定义如下：

式中下标k表示当前输入对应类别k的输出值，n为总类别数，e为自然指数。网络通过GPU并行编程实现，在训练和检测方面都可以获得较大的速度提升。

步骤2，大量采集含有异物的毫米波雷达安检仪人体多角度成像结果，并按照VOC数据格式标记异物名称和位置，制作训练样本数据集；

步骤2具体为：

由于毫米波雷达图像具有不同于光学图像的特性，因此在训练网络时不能采用现有的数据集进行训练，负责会带来训练好的网络对实测毫米波雷达图像的兼容性问题，因此为了保证异物检测网络对异物识别的准确性，需要大量采集毫米波雷达人体成像数据并进行样本标记来制作训练样本集。

选取应用比较广泛的VOC数据集格式作为训练样本集的格式，对采集的样本进行异物标记。每个图像样本根据成像时人体携带异物情况包含一个或多个异物标记单元，每个标记单元包含主要包含异物名称标签C和异物位置 (x_min,x_max,y_min,y_max)两大信息，x_min为标记单元横向最小位置坐标，x_max为标记单元横向最大位置坐标，y_min为标记单元纵向最小位置坐标，y_max为标记单元纵向最大位置坐标。

步骤3，将制作好的训练样本数据集送入目标检测网络进行训练，依托 GPU平台强大的并行计算能力提升网络的训练速度。

步骤3具体为：

其中S为整幅图像划分的格子数，如步骤1所述S＝8，i为子块索引； coordError为每个格子的预测数据与标记数据之间的坐标误差；iouError为每个格子的预测数据与标记数据之间的IOU误差；classError为每个格子的预测数据与标记数据之间的分类误差；

(3a)coordError具体定义如下：

式中，λ_coord为坐标误差修正系数；为标记单元的中心位置横向坐标，为其估计值；为标记单元的中心位置纵向坐标，为其估计值；w＝x_max-x_min，为标记单元的宽度，为其估计值；h＝y_max-y_min，为标记单元的高度，为其估计值。

(3b)iouError具体定义如下：

式中，C为异物名称标签值，为其估计值；下标obj表明为包含物体的格子， noobj标明为不包含物体的格子；λ_noobj为IOU误差修正系数。

(3c)classError具体定义如下：

式中，p(C)为每个格子中的物体属于某个类别C的概率，为其估计值。

训练时，通过不断调整权值W来减小标记数据与预测数据的误差值Loss，直到Loss达到设定的精度值时停止训练，并保存检测网络的权值，以供检测测试使用。

步骤4，将多个角度的成像结果送入异物检测网络，根据每个角度成像图像的异物检测结果综合判断异物种类和位置。

步骤4具体为：

读取步骤3保存的异物检测网络的权值，将多个角度的人体成像结果送入异物检测网络，得到多角度成像图像的检测输出，每个角度成像图像的检测输出又包含一个或多个异物预测结果，再根据每个角度成像图像的异物检测结果综合判断异物种类和位置，具体如下：

(4a)若在人体同一个位置，多个角度成像检测输出中异物预测结果为相同类别C_a，则判定人体该位置携带类别为C_a的异物；

(4b)若在人体同一个位置，多个角度成像检测输出中异物预测结果为不同类别，假设为C_b1、C_b2、C_b3，则取其中概率最大的类别作为最终的预测类别C_b，判定人体该位置携带类别为C_b的异物；

(4c)若在人体某一位置，只有某个角度成像检测输出中预测为包含异物C_c，判断预测为异物C_c的概率是否大于置信门限。若是则判定人体该位置携带类别为C_c的异物，反之则判定预测结果为虚警；

通过上述判断法则，既可以减小由于不同角度观测带来的虚警；又可以将不同观测角度的成像结果关联起来，从不同观测角度佐证异物预测结果，增加异物检测分类的准确性和可信度。

本发明的效果可以通过以下仿真实验说明：

1.仿真内容

为了验证本发明在CUDA架构下并行计算的优越性，通过一组仿真实验对本发明所需的时间与CPU串行所需的时间定量分析，仿真测试硬件平台参数如表1所示，软件平台参数如表2所示：

表1硬件平台参数

CPU	Intel(R)i7-7700K
		内存	16GB
GPU	NVIDIA GeForce GTX1070
		GPU显存	8GB
计算能力	6.1

表2软件平台参数

操作***	Win10 64位
		编译器	Visual Studio 2015
CUDA版本	8.0

2.仿真结果及分析

为了测试本发明中人体携带异物检测的效率和准确性，通过一组实测数据的多角度成像结果，对比单个角度成像结果在CPU和GPU下的检测时间来验证本发明所述方法的效率，通过实测成像结果的异物位置标定来说明本发明所述方法的准确性。单个角度成像结果图像大小为384*240，图像为单通道灰度图，表3说明了单个角度成像结果检测所需时间对比：

表3异物检测花费时间

从表3、表4可看出，本发明采用的方法人体携带异物检测效率有明显提升，检测算法在GPU平台下实现，耗时在毫秒量级，完全满足安检仪的高实时性要求。异物检测标记结果如图3所示，检测网络准确标记了异物种类和位置，满足安检仪对人体携带异物检测的需求。

综上，本发明能带来的有益效果是：

1.基于GPU平台实现异物检测算法，同时提升异物检测网络训练和测试的速度，提升异物检测效率；

2.综合利用多角度人体成像图像的异物检测检测结果判定异物种类和位置，提升异物检测的准确率。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims

1.一种毫米波安检仪异物检测方法，其特征在于，包括如下步骤：

步骤1：设计基于深度学***台实现；

步骤2：采集含有异物的毫米波雷达安检仪人体多角度成像结果，并按照VOC数据格式标记异物名称和位置，制作训练样本数据集；

2.根据权利要求1所述的方法，其特征在于，步骤1中，基于深度学习的多层卷积神经网络包括输入层、卷积层、池化层、全连接层和分类层；

所述分类层采用softmax对异物进行分类，判断异物时，将整个灰度图像划分成16*16个格子，每个格子负责检测落入该格子的物体。

3.根据权利要求1所述的方法，其特征在于，步骤2中：选取VOC数据集格式作为训练样本集的格式，对采集的样本进行异物标记，每个图像样本根据成像时人体携带异物情况包含一个或多个异物标记单元，每个标记单元包含主要包含异物名称标签C和异物位置(x_min,x_max,y_min,y_max)两大信息。

4.根据权利要求1所述的方法，其特征在于，步骤3中：训练时采用均方和误差作为Loss函数优化异物检测模型，Loss函数定义如下：

(3a)coordError具体定义如下：

(3b)iouError具体定义如下：

(3c)classError具体定义如下：

5.根据权利要求1所述的方法，其特征在于，步骤4具体为：

6.根据权利要求5所述的方法，其特征在于，根据每个角度成像图像的异物检测结果综合判断异物种类和位置的具体方法如下：

(4c)若在人体某一位置，只有某个角度成像检测输出中预测为包含异物C_c，判断预测为异物C_c的概率是否大于置信门限。若是则判定人体该位置携带类别为C_c的异物，反之则判定预测结果为虚警。

7.根据权利要求2所述的方法，其特征在于，包含16个卷积层，4个池化层和2个全连接层。