CN112966700A - 一种毫米波图像目标检测方法 - Google Patents
一种毫米波图像目标检测方法 Download PDFInfo
- Publication number
- CN112966700A CN112966700A CN202110335529.9A CN202110335529A CN112966700A CN 112966700 A CN112966700 A CN 112966700A CN 202110335529 A CN202110335529 A CN 202110335529A CN 112966700 A CN112966700 A CN 112966700A
- Authority
- CN
- China
- Prior art keywords
- data
- millimeter wave
- deep learning
- wave image
- learning model
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000013136 deep learning model Methods 0.000 claims abstract description 26
- 238000012360 testing method Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000000547 structure data Methods 0.000 claims abstract description 6
- 238000011156 evaluation Methods 0.000 claims abstract 2
- 238000004590 computer program Methods 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 238000007689 inspection Methods 0.000 abstract description 6
- 238000004519 manufacturing process Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 13
- 238000000605 extraction Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052755 nonmetal Inorganic materials 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002250 progressing effect Effects 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
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。
Description
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***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:
其中,A是降噪之前的毫米波图像的像素值,A'是降噪后的像素值,λmax代表高门限阈值,λmin代表低门限阈值,乘以255的目的是将降噪后的像素值放缩到[0,255]之间,从而将降噪后的图像转化成为灰度图像。
可选地,在本申请实施例的,所述对降噪后的数据进行标准化处理包括,统计并计算所述灰度图像的均值和标准差,其中,所述标准化处理的公式为:
其中,A'是标准化之前的像素值,A”是标准化之后的像素值,mean是所有灰度图像的均值,std是所有灰度图像的标准差。
可选地,在本申请实施例的,所述步骤S40中,
将所述将标准化后的数据制作成COCO格式的毫米波数据集;
进一步地,用所述的毫米波数据集对选取的深度学习模型进行训练和测试。
可选地,在本申请实施例的,其特征在于所述深度学习模型为二阶段检测网络,其中,为了完善所述二阶段检测网络的功能,还引入了特征金字塔网络;
进一步地,对所述深度学习模型的改进优化具体包括:特征提取的骨架网络为ResNeXt-101;预测框的回归损失函数为GIoU Loss。
为达上述目的,本申请的第二方面实施例提出了一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现本申请的第一方面实施例所述的方法。
本申请的第三方面实施例一种非临时性计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现本申请的第一方面实施例所述的方法。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请实施例一所提供的一种毫米波图像目标检测方法的流程示意图;
图2为本申请实施例的毫米波图像三维立体结构的示意图;
图3为本申请实施例的Faster R-CNN+FPN模型的网络结构图;
图4为本申请实施例的数据集中目标框的尺寸分布示意图;
图5a、5b和5c均为本申请实施例的模型的测试结果示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的毫米波图像目标检测方法。
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。
图1为本申请实施例一所提供的一种毫米波图像目标检测方法的流程示意图
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数据,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;
其中,图5a、5b和5c均为本申请实施例的模型的测试结果示意图。
可选地,在本申请实施例中,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,在本申请实施例中,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:
其中,A是降噪之前的毫米波图像的像素值,A'是降噪后的像素值,λmax代表高门限阈值,λmin代表低门限阈值,乘以255的目的是将降噪后的像素值放缩到[0,255]之间,从而将降噪后的图像转化成为灰度图像。
可选地,在本申请实施例中,所述对降噪后的数据进行标准化处理包括,统计并计算所述灰度图像的均值和标准差,其中,所述标准化处理的公式为:
其中,A'是标准化之前的像素值,A”是标准化之后的像素值,mean是所有灰度图像的均值,std是所有灰度图像的标准差。
可选地,在本申请实施例中,所述步骤S40中,
将所述标准化后的数据制作成COCO格式的毫米波数据集;
进一步地,用所述的毫米波数据集对选取的深度学习模型进行训练和测试。
可选地,在本申请实施例中,其特征在于所述深度学习模型为二阶段检测网络,其中,为了完善所述二阶段检测网络的功能,还引入了特征金字塔网络;
进一步地,对所述深度学习模型的改进优化具体包括:特征提取的骨架网络为ResNeXt-101;预测框的回归损失函数为GIoU Loss。
为了使本领域技术人员更好的理解本申请,现以为一种典型的毫米波图像目标检测方法为例
下面参考附图描述本发明实施例的方法和装置。
如图1中的流程图所示,本发明中的毫米波图像目标检测方法,主要包括:
首先通过主动式毫米波设备进行数据的采集,然后将采集得到的原始数据根据数据格式恢复出毫米波图像的三维结构。毫米波图像的三维结构如图2所示;
将三维的毫米波图像沿Z方向进行最大值投影,从而将三维的数据压缩成二维的图像数据。
压缩之后,再进行门限降噪,去除二维平面数据中的噪声,其公式为:
其中,A是降噪之前的毫米波图像的像素值,A'是降噪后的像素值,λmax代表高门限阈值,λmin代表低门限阈值,乘以255的目的是将降噪后的像素值放缩到[0,255]之间,从而将降噪后的图像转化成为灰度图像。
转化成为灰度图像之后,还要对数据进行标准化处理。为此,我们需要统计并计算所有灰度图像的均值和标准差,其公式为:
其中,A'是标准化之前的像素值,A”是标准化之后的像素值,mean是所有灰度图像的均值,std是所有灰度图像的标准差。
将标准化后的毫米波数据制作成COCO格式的数据集,我们将85%的数据用做训练集,将剩余15%的数据用做测试集。训练集用于对模型进行训练,测试集用于评测模型的训练结果。
接着要对数据集中的数据进行分析,分别统计数据集中大目标、中目标和小目标所占的比例。
按照COCO数据集官方的定义标准,面积大于96×96的目标为大目标,面积小于32×32的目标为小目标,面积在32×32和96×96之间的目标为中目标。由于人体携带的危险物品通常较小,因此在毫米波数据中,通常是小目标居多。
其中,在我们自己制作的毫米波数据集中,所有的目标都是小目标。
根据数据集中数据的特点选取合适的深度学习模型。
由于在我们自己制作的毫米波数据集中,统计得到的数据集中所有的目标都是小目标,因此在模型选取时,优先选取对小目标检测能力更强的二阶段检测网络。
同时,为了进一步提升模型对小目标的检测能力,我们将骨架网络换成了特征提取能力更强的ResNet-50,同时引入了特征金字塔网络(Feature Pyramid Network,FPN),并将可能会引起位置偏差的RoI Pooling换成了RoI Align。
用毫米波数据集对选取的深度学***均得到的。
在得到初步的测试结果之后,需要对模型进行进一步地优化。具体的优化措施包括:
1)使用特征提取能力更强的骨架网络,如ResNeXt-101网络,从而进一步提升对小目标的特征提取能力;
2)使用对尺度变化更鲁棒的坐标框回归损失函数,如GIoU Loss;
3)对anchor的尺度进行更加准确的设置,使特征金字塔网络中大部分anchor的尺寸能够尽量接近数据集中目标框的尺寸,从而降低模型学习的难度,提升模型对小目标的检测能力。
在对模型进行优化后,我们要保存最优的模型,以便于在实际的毫米波安检设备中进行部署。
在本申请实施例中,本申请的优化方案包括3个:
1)使用特征提取能力更强的骨架网络,如ResNeXt-101网络,从而进一步提升对小目标的特征提取能力;
进一步地,整个检测模型包括这样几个组件:骨架网络、特征金字塔网络、RPN、R-CNN。
其中,骨架网络的目的是从输入数据中提取特征,供后续的其他组件使用;
其中,图3为本申请实施例的Faster R-CNN+FPN模型的网络结构图;
骨架网络的特征提取能力越强,最终的检测结果就越精确;
模型使用的原始的骨架网络是ResNet-50,为了增强骨架网络的特征提取能力,本申请将其优化为ResNeXt-101;
2)使用对尺度变化更鲁棒的坐标框回归损失函数,如GIoU Loss:
进一步地,模型原始的损失函数是L1 loss,为了使模型的检测效果更好,本申请将其优化为GIoU Loss;
3)对anchor的尺度进行进一步精细地设置,使特征金字塔网络中大部分anchor的尺寸能够尽量接近数据集中目标框的尺寸,从而降低模型学习的难度,提升模型对小目标的检测能力;
其中,图4为本申请实施例的数据集中目标框的尺寸分布示意图。
进一步地,anchor的尺度对最终的检测结果有非常大的影响,原始的anchor设置没有考虑数据集中目标的尺寸分布,因而优化方案就是考虑数据集中目标框的尺寸分布,对anchor的尺度进行更加准确地设计,使特征金字塔网络中大部分anchor的尺寸能够尽量接近数据集中目标框的尺寸,从而降低模型学习的难度,提升模型对小目标的检测能力。
本申请的第二方面实施例提出了一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现本申请的第一方面实施例所述的方法。
本申请的第三方面实施例一种非临时性计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现本申请的第一方面实施例所述的方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用,或结合这些指令执行***、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (8)
1.一种毫米波图像目标检测方法,其特征在于,该方法包括如下步骤:
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数据,将恢复出的三维毫米波图像数据压缩成二维平面数据;
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,对所述毫米波数据集中的数据的特点进行分析,并根据所述数据的特点选取深度学习模型;
步骤S50,用所述的毫米波数据集对选取的所述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,根据所述测试结果与评价指标对所述深度学习模型进行优化,以得到最优模型。
2.如权利要求1所述的方法,其特征在于,所述步骤S20包括,将所述恢复出的三维毫米波图像数据沿Z轴方向进行最大值投影。
5.如权利要求1所述的方法,其特征在于,所述步骤S40中,
将所述将标准化后的数据制作成COCO格式的毫米波数据集;
用所述的毫米波数据集对选取的深度学习模型进行训练和测试。
6.如权利要求1所述的方法,其特征在于,所述深度学习模型为二阶段检测网络,在所述二阶段检测网络中引入了特征金字塔网络。
7.一种计算机设备,其特征在于,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如权利要求1-6中任一所述的方法。
8.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110335529.9A CN112966700A (zh) | 2021-03-29 | 2021-03-29 | 一种毫米波图像目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110335529.9A CN112966700A (zh) | 2021-03-29 | 2021-03-29 | 一种毫米波图像目标检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112966700A true CN112966700A (zh) | 2021-06-15 |
Family
ID=76278827
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110335529.9A Pending CN112966700A (zh) | 2021-03-29 | 2021-03-29 | 一种毫米波图像目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112966700A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116434289A (zh) * | 2021-12-30 | 2023-07-14 | 同方威视技术股份有限公司 | 毫米波或太赫兹波身份验证方法及装置、毫米波或太赫兹波安检设备和电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109447071A (zh) * | 2018-11-01 | 2019-03-08 | 博微太赫兹信息科技有限公司 | 一种基于fpga和深度学习的毫米波成像危险物品检测方法 |
CN111160120A (zh) * | 2019-12-11 | 2020-05-15 | 重庆邮电大学 | 基于迁移学习的Faster R-CNN物品检测方法 |
CN111539489A (zh) * | 2020-05-28 | 2020-08-14 | 中国电子科技集团公司第十四研究所 | 一种毫米波图像目标检测识别方法 |
-
2021
- 2021-03-29 CN CN202110335529.9A patent/CN112966700A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109447071A (zh) * | 2018-11-01 | 2019-03-08 | 博微太赫兹信息科技有限公司 | 一种基于fpga和深度学习的毫米波成像危险物品检测方法 |
CN111160120A (zh) * | 2019-12-11 | 2020-05-15 | 重庆邮电大学 | 基于迁移学习的Faster R-CNN物品检测方法 |
CN111539489A (zh) * | 2020-05-28 | 2020-08-14 | 中国电子科技集团公司第十四研究所 | 一种毫米波图像目标检测识别方法 |
Non-Patent Citations (1)
Title |
---|
程秋菊等: "基于卷积神经网络的毫米波图像目标检测", 《科学技术与工程》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116434289A (zh) * | 2021-12-30 | 2023-07-14 | 同方威视技术股份有限公司 | 毫米波或太赫兹波身份验证方法及装置、毫米波或太赫兹波安检设备和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5281826B2 (ja) | 画像処理装置、画像処理プログラムおよび画像処理方法 | |
US20140037159A1 (en) | Apparatus and method for analyzing lesions in medical image | |
US20090279772A1 (en) | Method and System for Identifying Defects in NDT Image Data | |
US20110182495A1 (en) | System and method for automatic defect recognition of an inspection image | |
US7949162B2 (en) | System and method for solid component evaluation in mixed ground glass nodules | |
WO2013187206A1 (ja) | 画像処理装置、画像処理方法、及び画像処理プログラム | |
US20150123970A1 (en) | Method for processing image data representing a three-dimensional volume | |
WO2014084083A1 (ja) | 画像処理装置、画像処理方法、及び画像処理プログラム | |
CN111507426B (zh) | 基于视觉融合特征的无参考图像质量分级评价方法及装置 | |
US10621722B2 (en) | Iterative analyzing method for a medical image | |
TWI765442B (zh) | 瑕疵等級判定的方法及存儲介質 | |
CN110070537B (zh) | 静态图像颗粒的粒度与球形度的智能识别方法和装置 | |
CN114119436A (zh) | 红外图像与可见光图像融合方法、装置、电子设备及介质 | |
US20220245780A1 (en) | Inspection method and system | |
US20210192184A1 (en) | Face image quality evaluating method and apparatus and computer readable storage medium using the same | |
CN105718931A (zh) | 用于确定采集图像中的杂斑的***和方法 | |
Huang et al. | Blind noisy image quality assessment using block homogeneity | |
CN112966700A (zh) | 一种毫米波图像目标检测方法 | |
Materka et al. | On the effect of image brightness and contrast nonuniformity on statistical texture parameters | |
CN111415365A (zh) | 图像检测方法及装置 | |
Ortiz-Jaramillo et al. | Computing contrast ratio in images using local content information | |
CN115082819A (zh) | 食品异物检测方法、装置、计算机设备及存储介质 | |
CN113834447A (zh) | 一种户外复杂环境下高动态激光光条自适应成像处理方法 | |
CN111985423A (zh) | 活体检测方法、装置、设备及可读存储介质 | |
CN117115926B (zh) | 一种基于实时图像处理的人体动作标准判定方法及装置 |
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: 20210615 |