CN110826450A - 一种基于毫米波图像的可疑物品自动检测方法 - Google Patents
一种基于毫米波图像的可疑物品自动检测方法 Download PDFInfo
- Publication number
- CN110826450A CN110826450A CN201911042345.2A CN201911042345A CN110826450A CN 110826450 A CN110826450 A CN 110826450A CN 201911042345 A CN201911042345 A CN 201911042345A CN 110826450 A CN110826450 A CN 110826450A
- Authority
- CN
- China
- Prior art keywords
- suspicious
- detected
- dimensional imaging
- imaging picture
- candidate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V8/00—Prospecting or detecting by optical means
- G01V8/10—Detecting, e.g. by using light barriers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/05—Recognition of patterns representing particular kinds of hidden objects, e.g. weapons, explosives, drugs
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种基于毫米波图像的可疑物品自动检测方法,包括:S1:利用毫米波圆柱扫描***对可疑物品进行扫描从而生成二维成像图片;S2:对所述二维成像图片进行处理;S3:基于处理后的二维成像图片,生成目标检测网络模型;S4;基于目标检测网络模型,多视角下检测待测可疑物品。本发明采用圆柱扫描阵列,得到多个角度下的人体成像结果,通过连续角度的观测,可以进一步对纹理或噪声进行分辨,有效抑制虚警;对各角度下的检测结果进行联合判别,因此具有较高的检测精度。
Description
技术领域
本发明涉及毫米波图像领域,具体涉及一种基于毫米波图像的可疑物品自动检测方法。
背景技术
毫米波能够穿透衣物,对人体表面进行成像,且对人体无害,可以有效检测出藏匿在人体表层的可疑物品如***、***物、液体等,因此毫米波成像技术成为近年来安检领域的研究热点。其中主动式人体安检***因其受环境因素影响小、图像信噪比高等优点而被广泛应用。
深度神经网络在图像目标检测领域发挥着重要作用,具有端对端的特性,经过合适的训练,深度神经网络能够学习到可疑物品的深层次特征并给出输入图像中的可疑物品位置和属性。目标检测主要有One-stage(one-shot object detectors)和Two-stage(two-shot object detectors)两类方法,One-stage方法的检测速度快,但精度较低,Two-stage方法的检测时间相对较长,但精度更高。更快速区域卷积神经网(FasterRCNN)作为Two-stage类方法的代表,有着优异的检测性能。
尽管如此,基于毫米波图像的可疑物品探测仍然存在问题。毫米波成像容易受到噪声的干扰,使得图像中出现不可消除的纹理、杂波等污染,给可疑物品探测增加困难,难以满足检测率和虚警率的高要求。现有的毫米波图像藏匿可疑物品检测方法,通常是基于单张毫米波图像,检测性能容易受到遮挡、噪声等问题影响,检测精度低。
因此,本发明提出一种基于毫米波图像的可疑物品自动检测方法来解决以上一个或多个问题。
发明内容
本发明的目的在于提供一种基于毫米波图像的可疑物品自动检测方法,以解决现有技术中基于毫米波图像的可疑物品探测方法检测精度低的问题。
本发明的第二个目的在于提供一种毫米波图像可疑物品自动检测***;
为达到上述目的,本发明采用下述技术方案:
一种基于毫米波图像的可疑物品自动检测方法,包括:
S1:利用毫米波圆柱扫描***对可疑物品进行扫描从而生成二维成像图片;
S2:对所述二维成像图片进行处理;
S3:基于处理后的二维成像图片,生成目标检测网络模型;
S4;基于目标检测网络模型,多视角下检测待测可疑物品。
优选地,所述二维成像图片由多次试验后,毫米波圆柱扫描***生成的携带可疑物品的二维成像图片。
优选地,对所述二维成像图片进行处理包括对二维成像图片中的可疑物品进行标注、分类、危险等级划分。
优选地,S3:生成目标检测网络模型包括:
S31:对处理后的二维成像图片进行特征提取,得到二维成像图片的特征图像;
S32:根据特征图像,在二维成像图片上生成候选区域;
S33:将候选区域转换为分辨率相同的特征图像;
S34:对候选区域的特征图像进行处理,确定二维成像图片中的可疑物品类别及位置信息。
优选地,所述S4包括:
S41:将一次扫描待测可疑物品后得到的多个待测图像输入目标检测网络模型,得到对应的多个待测可疑物品位置信息,并通过候选框对可疑物品进行标注;
S42:根据多个待测图像之间的旋转几何关系,将待测图像中的候选框映射到同一图片中生成重叠图片-;
S43:根据重叠图片中的候选框的重叠区域,聚类候选框;
S44:根据候选框的聚类结果,确定可疑物品的置信度c,计算重叠图片中每个待测可疑物品的加权置信度c’;
S45:将加权置信度c’被与预先设定的门限T对比,若c’>=T,则认为该位置处存在可疑物品,输出待测可疑物品对应的检测框;
若c’<T,则认为该位置处不存在可疑物品。
优选地,所述位置信息包括:可疑物品坐标(x,y,w,h),其中x表示候选框中心点的横坐标,y表示候选框中心点的纵坐标,w表示候选框的宽度,h表示候选框的高度。
为达上述第二个目的,采用技术方案如下:
一种毫米波图像可疑物品自动检测***,所述***包括:
导入模块,用于利用毫米波圆柱扫描***对可疑物品进行扫描从而生成二维成像图片;
处理模块,用于对导入的二维成像图片进行可疑物品的位置-标注、分类;
模型训练模块,用于基于处理后的二维成像图片,并生成目标检测网络模型;
多视角检测模块,用于基于目标检测网络模型,通过多视角检测可疑物品位置;多视角检测模块进一步包括:
标注单元,用于将一次扫描待测可疑物品后得到的多个待测图像输入目标检测网络模型,得到对应的多个待测可疑物品位置信息,并通过候选框对待测可疑物品进行标注;
映射单元,用于根据多个待测图像之间的旋转几何关系,将待测图像中的候选框映射到同一图片中生成重叠图片;
聚类单元,用于根据重叠图片中的候选框的重叠区域,聚类候选框,确认对应于同一个可疑物品的候选框个数;
加权置信度计算单元,用于根据候选框的聚类结果,确定待测可疑物品的置信度c,计算重叠图片中每个待测可疑物品的加权置信度c’;
对比判断单元,用于将加权置信度c’被与预先设定的门限T对比,若c’>=T,则认为该位置处存在可疑物品,输出可疑物品对应的检测框;若c’<T,则认为该位置处不存在可疑物品。
优选地,一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现第一个目的中任一项所述的方法。
优选地,一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如实现第一个目的中任一所述的方法。
本发明的有益效果如下:
本发明采用圆柱扫描阵列,得到多个角度下的人体成像结果,通过连续角度的观测,可以进一步对纹理或噪声进行分辨,有效抑制虚警;对各角度下的检测结果进行联合判别,因此具有较高的检测精度。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明。
图1示出毫米波图像可疑物品自动检测方法流程图;
图2示出毫米波圆柱扫描***:
图3示出一次扫描不同角度下的二维成像图片;
图4示出单张图片可疑物品检测结果;
图5示出更快速区域卷积神经网络结构示意图;
图6示出可疑物品联合检测方法流程图;
图7示出多角度下可疑物品候选框映射示意图;
图8示出毫米波图像可疑物品自动检测***结构图;
图9示出计算机设备的结构示意图;
附图标记:计算机设备12;外部设备14;处理单元16;总线18;网络适配器20;输出(I/O)接口22;***存储器28;随机存取存储器(RAM)30;高速缓存存储器32;存储***34;实用工具40;程序模块42。
具体实施方式
为了更清楚地说明本发明,下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解,下面所具体描述的内容是说明性的而非限制性的,不应以此限制本发明的保护范围。
本发明实施例公开了一种基于毫米波图像的可疑物品自动检测方法,包括:
S1:利用毫米波圆柱扫描***对可疑物品进行扫描从而生成二维成像图片;
毫米波圆柱扫描***如图2所示,人站立于***内并保持静止,通过旋转的雷达扫描阵列发射宽带信号,接收人体反射回来的信号,进行一系列信号处理运算,可以合成人体三维成像结果。将三维成像结果投影到二维平面,这里选取若干个不同角度下的人体二维成像图片,如图3所示。
为保证人体二维成像图片的形成的数据库信息充足,因此,需通过多次试验,得到大量的携带各类可疑物品的人体二维图像;建立数据库以便进行导入和下载。
S2:对所述二维成像图片进行处理;
利用毫米波圆柱扫描***对可疑物品进行扫描从而生成二维成像图片,可通过建立数据自动共享,或者人工导入的方式导入进行处理,对二维成像图片中的可疑物品进行标注、分类和危险等级划分。对图片进行处理,其他处理功能可以自定义,比如尺寸、形状等其他可疑物品的属性,方便不同场合用户有不同的需要。
标注可以通过候选框的方式将可疑物品框出来;也可以通过绘图沿可疑物品外部轮廓自动生成可疑物品轮廓图像,将这些轮廓导入数据库以便进行匹配;
而分类根据其自身的材料、形态进行分类,例如金属、液体;危险等级有多种划分方式,可以***内部自动的指数进行评级,例如☆或☆☆为低危,而☆☆☆为中度危险,而☆☆☆☆、或☆☆☆☆☆则已经达到了必须对可疑物品具体检查的情况;也可以根据指数设定危险等级;
以***为例,标注其在二维成像图片的位置;类别为金属;安全等级划分为极度危险。
通过对所述二维成像图片进行上述的处理,有效对二维成像图片中的可疑物品进行记录,以便后续步骤的应用。
S3:基于处理后的二维成像图片,生成目标检测网络模型;
这里采用典型网络更快速区域卷积神经网络(FasterRCNN)进行训练,
图5是根据实施例示出目标检测网络模型的示意图;如图5所示,该目标检测网络模型可以包括四个基本模块:特征提取网络31、区域选择网络32(Region ProposalNetwork,RPN)、兴趣区域池化层33(ROI Pooling)以及分类及位置检测网络34;该网络模型可利用训练好的目标检测网络准确、有效、快速地确定待检测图像中的可疑物品类别及位置信息,根据这些信息以便进行可疑物品的监测与查找。
S31:该目标检测网络模型的特征提取网络31通过其多个卷积层对待检测的二维成像图片进行特征提取,得到待检测二维成像图片的特征图像(feature map)。
S32:该目标检测网络模型的区域生成网络32根据特征图像,生成多个候选区域。
S33:兴趣区域池化层33将多个候选区域转换为分辨率相同的特征图像。
S34:分类及位置检测网络34通过其多个全连接层(Fully connection,FC)对多个候选区域的特征图像进行处理,确定人体二维图像中的可疑目标类别及位置信息。
S4;基于目标检测网络模型,多视角下检测可疑物品;
图6是示出的一种可疑物品联合检测方法的流程图;具体包括:
S41:将一次扫描待测可疑物品后得到的多个待测图像输入目标检测网络模型,得到对应的多个待测可疑物品位置信息,并通过候选框对可疑物品进行标注;其中,
位置信息包括:可疑物品坐标(x,y,w,h),其中x表示候选框中心点的横坐标,y表示候选框中心点的纵坐标,w表示候选框的宽度,h表示候选框的高度;通过候选框对可疑物品进行标注,准确快速地确定可疑物品的位置,以便进行映射与寻找。
S42:根据多个待测图像之间的旋转几何关系,将待测图像中的候选框映射到同一图片中生成重叠图片;其中,作为映射到同一图片中的图片为多个待测图像中随机选择的一张;
例如,图像2与图像1的扫描角度相差30°,则将图像2中可疑物品候选框坐标(x,y,w,h)水平旋转30°,得到旋转后的坐标(x’,y’,w’,h’),由于旋转前后候选框的宽度和高度不变,因此w’=w,h’=h,即只有中心点坐标发生了变换化。新坐标(x’,y’,w,h)即为候选框在图像1中的对应坐标。同样方法,将一次扫描中所有图像中的候选框映射到图像1当中。
S43:根据重叠图片中的候选框的重叠区域,聚类候选框;
图7是示出待测可疑物品候选框映射到同一图中的示意图,根据所有映射到图像1的候选框的重叠区域(Intersection of Union,IoU)对候选框进行聚类,确认对应于同一可疑物品的候选框个数。
S44:根据候选框的聚类结果,确定待测可疑物品的置信度c,计算重叠图片中每个待测可疑物品的加权置信度c’;
S45:将加权置信度c’被与预先设定的门限T对比,若c’>=T,则认为该位置处存在可疑物品,输出待测可疑物品对应的检测框;
若c’<T,则认为该位置处不存在可疑物品。
通过判断加权置信度c’与预设门限T的关系,有效判断待测可疑物品的准确性。
本发明的另一个实施例,一种毫米波图像可疑物品自动检测***,该***包括:
导入模块,利用毫米波圆柱扫描***对可疑物品进行扫描从而生成二维成像图片。
二维成像图片由毫米波圆柱扫描***生成,如图2所示,人站立于***内并保持静止,通过旋转的雷达扫描阵列发射宽带信号,接收人体反射回来的信号,进行一系列信号处理运算,可以合成人体三维成像结果。将三维成像结果投影到二维平面,这里选取若干个不同角度下的人体二维成像图片,如图3所示。
为保证人体二维成像图片-形成的数据库信息充足,因此,需通过多次试验,得到大量的携带各类可疑物品的人体二维图像;在导入模块导入二维成像图片后建立数据库以便自动检测***进行导入和下载。导入模块可以与毫米波圆柱扫描***建立连接自动导入,也可以通过人工点击导入功能进行导入。
处理模块,用于对导入的二维成像图片进行可疑物品的位置进行标注、分类。处理包括对二维成像图片中的可疑物品进行标注、分类、危险等级划分。通过点击标注、分类、危险等级划分的显示图标,对图片进行处理,处理模块可以自定义,方便不同场合用户有不同的需要。
标注可以通过候选框的方式将可疑物品框出来;也可以通过绘图沿可疑物品外部轮廓自动生成可疑物品轮廓图像,将这些轮廓导入数据库以便进行匹配;
而分类根据其自身的材料、形态进行分类,例如金属、液体;危险等级有多种划分方式,可以***内部自动的指数进行评级,例如☆或☆☆为低危,而☆☆☆为中度危险,而☆☆☆☆、或☆☆☆☆☆则已经达到了必须对可疑物品具体检查的情况;也可以根据指数设定危险等级;
以***为例,标注其在二维成像图片的位置;类别为金属;安全等级划分为极度危险。
模型训练模块,用于基于处理后的二维成像图片,并生成目标检测网络模型。采用典型网络更快速区域卷积神经网络(FasterRCNN)进行训练,生成目标检测网络模型;通过训练后的目标检测网络模型,有利于后续检测步骤的快速进行。
多视角检测模块,用于基于目标检测网络模型,通过多视角检测可疑物品位置;多视角检测模块进一步包括:
标注单元,用于将一次扫描待测可疑物品后得到的多个待测图像输入目标检测网络模型,得到对应的多个待测可疑物品位置信息,并通过候选框对待测可疑物品进行标注;
映射单元,用于根据多个待测图像之间的旋转几何关系,将待测图像中的候选框映射到同一图片中生成重叠图片;
聚类单元,用于根据重叠图片中的候选框的重叠区域,聚类候选框,确认对应于同一个可疑物品的候选框个数;
加权置信度计算单元,用于根据候选框的聚类结果,确定待测可疑物品对应的所有候选框的置信度c,计算重叠图片中每个待测可疑物品的加权置信度c’;
对比判断单元,用于将加权置信度c’被与预先设定的门限T对比,若c’>=T,则认为该位置处存在可疑物品,输出可疑物品对应的检测框;若c’<T,则认为该位置处不存在可疑物品。
多视角检测模块基于目标检测网络模型,进行多视角的检测、计算、判断后,能快速有效地确定可疑物品位置和类别,提高检验精度;基于多张毫米波图像,提高检测性能,降低由遮挡、噪声等问题造成的检验效果的影响;进而有效降低虚警率。
本发明的另一个实施例,提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现:S1:利用毫米波圆柱扫描***对可疑物品进行扫描从而生成二维成像图片;S2:对所述二维成像图片进行处理;S3:基于处理后的二维成像图片,生成目标检测网络模型;S4;基于目标检测网络模型,多视角下检测可疑物品。
在实际应用中,计算机可读存储介质可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
如图9所示,本发明的另一个实施例,提供的一种计算机设备的结构示意图。图9显示的计算机设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图9所示,计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,***存储器28,连接不同***组件(包括***存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,***总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及***组件互连(PCI)总线。
计算机设备12典型地包括多种计算机***可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
***存储器28可以包括易失性存储器形式的计算机***可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例,存储***34可以用于读写不可移动的、非易失性磁介质(图9未显示,通常称为“硬盘驱动器”)。尽管图9中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图2所示,网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白,尽管图9中未示出,可以结合计算机设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
处理器单元16通过运行存储在***存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的一种基于毫米波图像的可疑物品自动检测方法。
本发明采用圆柱扫描阵列,得到多个角度下的人体成像结果,通过连续角度的观测,可以进一步对纹理或噪声进行分辨,有效抑制虚警;对各角度下的检测结果进行联合判别,因此具有较高的检测精度。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定,对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无法对所有的实施方式予以穷举,凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (9)
1.一种基于毫米波图像的可疑物品自动检测方法,其特征在于,包括:
S1:利用毫米波圆柱扫描***对可疑物品进行扫描从而生成二维成像图片;
S2:对所述二维成像图片进行处理;
S3:基于处理后的二维成像图片,生成目标检测网络模型;
S4;基于目标检测网络模型,多视角下检测待测可疑物品。
2.根据权利要求1所述的方法,其特征在于,所述二维成像图片由多次试验后,毫米波圆柱扫描***生成的携带可疑物品的二维成像图片。
3.根据权利要求1所述的方法,其特征在于,对所述二维成像图片进行处理包括对二维成像图片中的可疑物品进行标注、分类、危险等级划分。
4.根据权利要求1所述的方法,其特征在于,S3:生成目标检测网络模型包括:
S31:对处理后的二维成像图片进行特征提取,得到二维成像图片的特征图像;
S32:根据特征图像,在二维成像图片上生成候选区域;
S33:将候选区域转换为分辨率相同的特征图像;
S34:对候选区域的特征图像进行处理,确定二维成像图片中的可疑物品类别及位置信息。
5.根据权利要求1所述的方法,其特征在于,所述S4包括:
S41:将一次扫描待测可疑物品后得到的多个待测图像输入目标检测网络模型,得到对应的多个待测可疑物品位置信息,并通过候选框对可疑物品进行标注;
S42:根据多个待测图像之间的旋转几何关系,将待测图像中的候选框映射到同一图片中生成重叠图片;
S43:根据重叠图片中的候选框的重叠区域,聚类候选框;
S44:根据候选框的聚类结果,确定可疑物品的置信度c,计算重叠图片中每个待测可疑物品的加权置信度c’;
S45:将加权置信度c’被与预先设定的门限T对比,若c’>=T,则认为该位置处存在可疑物品,输出待测可疑物品对应的检测框;
若c’<T,则认为该位置处不存在可疑物品。
6.根据权利要求1所述的方法,其特征在于,所述位置信息包括:可疑物品坐标(x,y,w,h),其中x表示候选框中心点的横坐标,y表示候选框中心点的纵坐标,w表示候选框的宽度,h表示候选框的高度。
7.一种毫米波图像可疑物品自动检测***,其特征在于,所述***包括:
导入模块,用于利用毫米波圆柱扫描***对可疑物品进行扫描从而生成二维成像图片;
处理模块,用于对导入的二维成像图片进行可疑物品的位置标注、分类;
模型训练模块,用于基于处理后的二维成像图片,并生成目标检测网络模型;
多视角检测模块,用于基于目标检测网络模型,通过多视角检测可疑物品位置;多视角检测模块进一步包括:
标注单元,用于将一次扫描待测可疑物品后得到的多个待测图像输入目标检测网络模型,得到对应的多个待测可疑物品位置信息,并通过候选框对待测可疑物品进行标注;
映射单元,用于根据多个待测图像之间的旋转几何关系,将待测图像中的候选框映射到同一图片中生成重叠图片;
聚类单元,用于根据重叠图片中的候选框的重叠区域,聚类候选框,确认对应于同一个可疑物品的候选框个数;
加权置信度计算单元,用于根据候选框的聚类结果,确定待测可疑物品的置信度c,计算重叠图片中每个待测可疑物品的加权置信度c’;
对比判断单元,用于将加权置信度c’被与预先设定的门限T对比,若c’>=T,则认为该位置处存在可疑物品,输出可疑物品对应的检测框;若c’<T,则认为该位置处不存在可疑物品。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-6中任一项所述的方法。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911042345.2A CN110826450A (zh) | 2019-10-30 | 2019-10-30 | 一种基于毫米波图像的可疑物品自动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911042345.2A CN110826450A (zh) | 2019-10-30 | 2019-10-30 | 一种基于毫米波图像的可疑物品自动检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110826450A true CN110826450A (zh) | 2020-02-21 |
Family
ID=69551163
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911042345.2A Pending CN110826450A (zh) | 2019-10-30 | 2019-10-30 | 一种基于毫米波图像的可疑物品自动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110826450A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111260607A (zh) * | 2019-12-23 | 2020-06-09 | 北京无线电计量测试研究所 | 可疑物品自动检测方法、终端设备、计算机设备及介质 |
CN113009587A (zh) * | 2021-02-02 | 2021-06-22 | 深圳市天鼎微波科技有限公司 | 一种毫米波人体扫描仪转盘的调节方法与装置 |
CN114677573A (zh) * | 2022-05-30 | 2022-06-28 | 上海捷勃特机器人有限公司 | 视觉分类方法、***、装置及计算机可读介质 |
CN115586506A (zh) * | 2022-12-13 | 2023-01-10 | 南京慧尔视智能科技有限公司 | 一种抗干扰目标分类方法及装置 |
CN116386016A (zh) * | 2023-05-22 | 2023-07-04 | 杭州睿影科技有限公司 | 一种异物处理方法、装置、电子设备及存储介质 |
WO2024061101A1 (zh) * | 2022-09-20 | 2024-03-28 | 顺丰科技有限公司 | 非常规件识别方法、装置、计算机设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108182663A (zh) * | 2017-12-26 | 2018-06-19 | 北京无线电计量测试研究所 | 一种毫米波图像效果增强方法、设备和可读存储介质 |
CN109165540A (zh) * | 2018-06-13 | 2019-01-08 | 深圳市感动智能科技有限公司 | 一种基于先验候选框选择策略的行人搜索方法和装置 |
CN109597067A (zh) * | 2018-12-21 | 2019-04-09 | 济南爱我本克网络科技有限公司 | 毫米波辐射计线列扫描低识别度目标的分析方法和*** |
CN109870736A (zh) * | 2018-12-29 | 2019-06-11 | 同方威视技术股份有限公司 | 毫米波/太赫兹安检设备及人体或物品检查方法 |
-
2019
- 2019-10-30 CN CN201911042345.2A patent/CN110826450A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108182663A (zh) * | 2017-12-26 | 2018-06-19 | 北京无线电计量测试研究所 | 一种毫米波图像效果增强方法、设备和可读存储介质 |
CN109165540A (zh) * | 2018-06-13 | 2019-01-08 | 深圳市感动智能科技有限公司 | 一种基于先验候选框选择策略的行人搜索方法和装置 |
CN109597067A (zh) * | 2018-12-21 | 2019-04-09 | 济南爱我本克网络科技有限公司 | 毫米波辐射计线列扫描低识别度目标的分析方法和*** |
CN109870736A (zh) * | 2018-12-29 | 2019-06-11 | 同方威视技术股份有限公司 | 毫米波/太赫兹安检设备及人体或物品检查方法 |
Non-Patent Citations (3)
Title |
---|
TING LIU等: "Concealed Object Detection for Activate Millimeter Wave Image", 《HTTP://IEEEXPLORE.IEEE.ORG》 * |
中国电子学会无线电定位技术分会: "《第十届全国雷达学术年会论文集》", 2 November 2008 * |
张茹等: "《数字内容安全》", 1 October 2017, 北京邮电大学出版社 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111260607A (zh) * | 2019-12-23 | 2020-06-09 | 北京无线电计量测试研究所 | 可疑物品自动检测方法、终端设备、计算机设备及介质 |
CN111260607B (zh) * | 2019-12-23 | 2024-03-22 | 北京无线电计量测试研究所 | 可疑物品自动检测方法、终端设备、计算机设备及介质 |
CN113009587A (zh) * | 2021-02-02 | 2021-06-22 | 深圳市天鼎微波科技有限公司 | 一种毫米波人体扫描仪转盘的调节方法与装置 |
CN114677573A (zh) * | 2022-05-30 | 2022-06-28 | 上海捷勃特机器人有限公司 | 视觉分类方法、***、装置及计算机可读介质 |
CN114677573B (zh) * | 2022-05-30 | 2022-08-26 | 上海捷勃特机器人有限公司 | 视觉分类方法、***、装置及计算机可读介质 |
WO2024061101A1 (zh) * | 2022-09-20 | 2024-03-28 | 顺丰科技有限公司 | 非常规件识别方法、装置、计算机设备及存储介质 |
CN115586506A (zh) * | 2022-12-13 | 2023-01-10 | 南京慧尔视智能科技有限公司 | 一种抗干扰目标分类方法及装置 |
CN116386016A (zh) * | 2023-05-22 | 2023-07-04 | 杭州睿影科技有限公司 | 一种异物处理方法、装置、电子设备及存储介质 |
CN116386016B (zh) * | 2023-05-22 | 2023-10-10 | 杭州睿影科技有限公司 | 一种异物处理方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110826450A (zh) | 一种基于毫米波图像的可疑物品自动检测方法 | |
EP3349050B1 (en) | Inspection devices and methods for detecting a firearm | |
CN109059902A (zh) | 相对位姿确定方法、装置、设备和介质 | |
CN109271944A (zh) | 障碍物检测方法、装置、电子设备、车辆及存储介质 | |
US20120033083A1 (en) | Verfahren zur videoanalyse | |
JP2008504591A (ja) | 画像内の物体を認識するための方法および装置 | |
Han et al. | CAD-based 3D objects recognition in monocular images for mobile augmented reality | |
US5424823A (en) | System for identifying flat orthogonal objects using reflected energy signals | |
CN113743385A (zh) | 一种无人船水面目标检测方法、装置及无人船 | |
CN110428442A (zh) | 目标确定方法、目标确定***和监控安防*** | |
Yu et al. | SAR ship detection based on improved YOLOv5 and BiFPN | |
CN111260607B (zh) | 可疑物品自动检测方法、终端设备、计算机设备及介质 | |
CN109961028A (zh) | 基于三维块匹配和全连接条件随机场的sar检测方法 | |
Coiras et al. | Supervised target detection and classification by training on augmented reality data | |
Jiao et al. | A novel and fast corner detection method for sar imagery | |
Wang et al. | Target recognition and localization of mobile robot with monocular PTZ camera | |
Simion et al. | Finger detection based on hand contour and colour information | |
CN116843633A (zh) | 图像检测方法、装置、电子设备和存储介质 | |
Al-Temeemy et al. | Laser radar invariant spatial chromatic image descriptor | |
Wu et al. | A novel positioning approach for an intelligent vessel based on an improved simultaneous localization and mapping algorithm and marine radar | |
Quadros | Representing 3D shape in sparse range images for urban object classification | |
CN112598738A (zh) | 一种基于深度学习的人物定位方法 | |
Ni et al. | Directional feature: a novel feature for group target detection in high resolution SAR images | |
Lühr et al. | Feature detection with a constant FAR in sparse 3-D point cloud data | |
Krakhmal et al. | Research of edge detection methods for objects in images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200221 |