全局通道注意力增强的毫米波图像目标检测

针对主动毫米波图像中目标与背景纹理区分度较低导致隐匿目标漏检问题,并根据安检实时性要求,提出一种基于全局通道注意力增强的主动毫米波图像目标检测方法。该方法以YOLOv5s为载体,在坐标注意力位置方向上引入全局通道注意模块,增强对隐匿目标全局通道信息的关注,从而提升在隐匿目标与背景纹理区分度较低时的检测能力;再利用K-means++聚类算法重新生成适合毫米波图像目标检测的锚框。实验结果表明,无论是阵列图像数据集还是线扫图像数据集,该方法增强了对隐匿目标的特征注意,提高了召回率,在满足安检实时性的前提下,提升了检测性能。通过增加少量参数,在阵列图像数据集上,精度、召回率和mAP@.5达到了92.0%、90.93%和95.32%;在线扫图像数据集上,精度、召回率和mAP@.5达到了94.65%、92.67%和97.73%。平均单张图像推理时间在两个数据集上均达到1 ms,满足实时性要求。

光斑密度峰值的毫米波雷达目标检测

毫米波雷达目标检测任务是车辆环境感知的重要组成部分,对恶劣天气条件下的智能驾驶具有重要意义.虽然现有雷达目标检测方法已取得不错的研究成果,但雷达数据仍存在手工设计的特征信息量不足、特征提取不充分以及时序特征未充分利用的问题.为解决这些问题,本文提出光斑密度峰值与神经网络相融合的两阶段目标检测方法.第一个阶段光斑密度峰值聚类算法,对射频图像中的目标进行粗略估计,并生成聚类簇对应的目标候选.将聚类生成的候选目标特征融合到原始射频图像.第二阶段基于通道融合的3D自编码器目标检测网络进一步提取目标多普勒速度和时序特征并分类.实验表明,所提出的两阶段方法与基准实验RODNet(CDC)相比,平均精度指标提升4.3%,平均召回率提升2.3%.

基于注意力机制的毫米波图像隐匿目标自主识别方法

在人体安检中,毫米波成像是一种对人体安全的检测方法。目前,使用平面毫米波扫描人体图像中存在被检测物体较小、边缘模糊等问题,导致传统的目标检测方法实现高准确率的检测变得困难。本文提出应用注意力机制及图像增强方法,提高目标检测方法对人体毫米波图像隐匿物体检测的精确度和召回率。研究结果表明,注意力机制与图像增强方法可提高毫米波图像目标检测的准确率和召回率。

车载毫米波雷达目标检测综述

目标检测技术作为主动刹车系统的重要组成部分,对测距传感器的检测精度要求极高,毫米波雷达传感器是目标检测的最优选择。综述了毫米波雷达的发展状况、国内外现状、毫米波雷达目标检测算法,介绍了国内外多个重点实验室对毫米波雷达目标检测算法的研究情况,重点放在多传感器融合检测和毫米波雷达多目标检测上。阐述了车载毫米波雷达目标检测的技术难点,对未来毫米波雷达的发展方向提出了建议,以期为后续的研究开发做准备。

主动毫米波图像的人体携带危险物检测研究

近距离主动毫米波人体成像是检测藏匿在人体衣物下危险品的一种有效手段。针对主动毫米波图像分辨率高,人体不同部位呈现不同特性,以及人体、其他携带物和危险物特性相互影响和干扰、危险物检测困难的特点,提出了一种主动毫米波图像多危险物检测方法;通过基于人体特征的区域划分,采用图像区域化的自适应阈值图像分割、结合数学形态学的二次提取方法,实现了主动毫米波图像人体携带多危险物的检测和提取。对实际获取的图像进行了多危险物检测实验,检测率为84.13%,虚警率为6.61%。仿真实验结果表明了所提方法的有效性和实用性。

基于轻量化YOLOv5的雷达图像道路目标检测方法

针对现有车载毫米波雷达目标检测信号处理流程中未滤除静止杂波干扰和网络参数量及浮点数运算量多的问题,文中提出一种车载毫米波雷达目标检测信号处理链,并基于Ghost卷积和空间深度(Space-to-depth,SPD)卷积,设计了一种车载雷达轻量化YOLOv5目标检测模型。首先,使用平均相消算法对雷达原始AD采样数据进行静止杂波干扰抑制;然后,进行二维快速傅里叶变换(Fast Fourier Transform,FFT)得到目标的距离-多普勒(Range-Doppler,RD)图像;最后,使用轻量化目标检测网络模型对RD图像进行检测。实测数据验证了本文所提方法能够滤除静止杂波,有效减少了目标检测模型的浮点运算量,进而降低了模型的参数量,且具有较高的检测精度。

基于改进YOLOv3-Tiny的毫米波图像目标检测

毫米波是一种不具有电离辐射的电磁波,其能够穿透绝缘衣物布料和对人体无害的特性使得毫米波在人体安检领域有着巨大的发展前景。将深度学习方法运用至毫米波图像目标检测领域,提出一种基于改进YOLOv3-Tiny的毫米波图像目标检测方法。首先,在特征提取网络中增加卷积层提升网络深度,并增加至3个不同尺度的预测层加强对毫米波图像目标的检测能力;然后,在特征金字塔(FPN)中引入注意力机制(CBAM),使网络更关注毫米波图像中待测目标的特征,忽略背景噪声冗余的特征。结果表明,改进后的网络平均准确率可达93.4%,单帧检测速度为15 ms,模型参数仅为38.7M,为毫米波安检系统高精度、小型化的研究提供了参考价值。

基于卷积神经网络的毫米波图像目标检测

在公共安全检查领域中,研究毫米波图像目标检测的快速性和精准性的方法具有非常重要的实际应用价值。提出了基于Faster R-CNN深度学习的方法检测隐藏在人体上的危险物品。该方法将区域建议网络(region proposal network,RPN)和VGG16训练卷积神经网络模型相结合,接着通过在线难例挖掘(online hard example mining,OHEM)技术优化训练所提出的网络模型,从而构建了面向毫米波图像目标检测的深度卷积神经网络。实验结果证明所提的方法能高效地检测毫米波图像中的危险物品,并且目标检测的平均精度高达约94.66%,检测速度约为6帧/s,同时对毫米波安检系统的智能化发展有着极其重要的参考价值。

一种用于主动式毫米波图像的低复杂度隐匿物品检测方法（英文）

主动式毫米波成像(AMWI)技术是检测隐藏在衣服下的危险物体的有效方法.但AMWI获取的图像通常很模糊,而且一些隐匿物体的尺寸较小,因此隐匿物品的自动检测和定位仍然是一个具有挑战性的问题.姚家雄等[1]首先使用卷积神经网络(CNNs)结合穷举滑动窗口方法来检测隐藏物体.做了两点改进:(1)使用上下文(背景)信息抑制干扰,(2)使用两步搜索方法代替穷举搜索来降低计算复杂度.首先在垂直方向上使用一个CNN来过滤干扰,得到隐藏物体的垂直位置,然后用另一个CNN来确定水平位置.为了充分利用上下文信息,使用IoG(交集和真值的比)代替IoU(交并比)来定义训练和测试过程中的正负样本.实验结果表明,该方法将计算时间减小到约30%,同时实现更好的检测性能.

高定位精度的毫米波全息图像三维目标检测

投影角度不同导致目标的形状及尺寸变化限制了基于主动式毫米波(AMMW)全息图像投影视图的隐匿物品二维检测方法对小目标检测性能的提升,为此,提出了基于点云的隐匿物品三维检测方法。通过阈值化处理将AMMW全息图像转换为点云输入经空洞卷积及多分支结构改进的SECOND三维目标检测器,提取对目标的三维几何理解及其多尺度上下文信息以提高对小目标的检测能力。实验结果表明,较基于投影的二维检测方法,该方法平均召回率(AR)提升了3.33%,有效提升了定位精度;在交并比(IOU)阈值为0.5时的检出率提升了8.75%,虚警率降低了1.78%,平均精度(AP)提升了7.11%,不同IOU阈值下的平均AP提升了4.30%,有效提升了检测精度;检测速度为17.3 FPS,达实时水平。

基于去模糊空间变换RCNN的毫米波图像目标检测（英文）

提出一种包含去模糊的空间变换区域卷积神经网络的目标检测算法.首先,基于主动毫米波圆柱扫描成像原理对人体进行三维成像(频率24~30 GHz),建立毫米波图像数据集.然后,估计毫米波图像的模糊核,通过卷积去噪网络获得图像先验知识,将其集成到半二次分裂的优化方法中,以实现非盲目去模糊.最后,由定位网络、网格生成器和采样网络三部分组成空间变换网络,将它融入到特征提取网络中,在去模糊后实现目标检测.通过该非盲目去模糊算法得到的图像的峰值信噪比可达27.49 dB,目标检测算法的平均精度可达80.9%.实验结果表明,与现有的先进方法相比,该方法可以有效地提高图像质量和检测精度,为毫米波图像中隐藏危险品的目标检测提供了新的技术支持.

基于YOLOv5的毫米波图像目标检测方法研究

毫米波成像技术是安全检查领域中的新兴方向,研究符合此应用场景的目标检测算法并提升相应的检测速度与检测准确率,具有很高的应用意义和价值。本文提出了一种基于YOLOv5深度学习模型的实时目标检测算法,用来检测安检人员身上隐匿的违禁品,该方法采用GIOU_Loss损失函数,提升了衡量检测框相交的能力。此外,对网络结构进行了一定的优化和改进,同时增加了毫米波数据增强预处理功能,用以加速函数收敛,从而形成了针对毫米波图像进行物品检测的深度神经网络[1],以提高目标检测效果。实验结果表明,该方法能够有效地检测毫米波图像中的危险品,具备自动识别和实时检测的优势。

采用深度卷积神经网络方法的毫米波图像目标检测

通过收集大量的毫米波图像并建立相应的人体数据集进行检测,提出基于Faster R-CNN深度学习的方法检测隐藏于人体上的危险物品。该方法将区域建议网络和VGG19训练卷积神经网络模型相结合,构建了面向毫米波图像目标检测的深度卷积神经网络。为了提高毫米波图像的处理能力,采用Caffe深度学习框架在图形处理单元上进行训练和测试。实验结果证明了基于Faster R-CNN深度卷积神经网络的目标检测方法能有效检测毫米波图像中的危险物品,并且目标检测的平均准确率约94%,检测速度约为6 frame/s,对毫米波安检系统的智能化发展有着极其重要的参考价值。

利用截面序列多级特征全局关联性的毫米波图像隐匿物检测

基于毫米波图像的隐匿物检测技术在无接触式人体安检中具有重要意义。目前,毫米波设备已实现三维成像,但隐匿物检测算法通常将其简单压缩为二维图像进行目标检测,未能充分利用图像深度方向的信息。针对这一问题,提出一种毫米波图像隐匿物检测框架,将三维图像视为截面序列并充分利用其截面内特征沿序列(即深度方向)的内在逻辑关系。该框架由卷积神经网络与长短时记忆网络构成,前者用于提取截面的粗细粒度特征,后者用于提取上述特征沿深度方向的全局关联性,实现特征级信息融合,从而提高隐匿物二维定位准确率。实验结果表明,与现有主流毫米波图像隐匿物检测方法相比,所提模型能大幅提高检测精度。

基于谱残差法的主动声呐疑似目标自动拾取

针对主动声呐干扰遍布的B显画面上目标亮点难以拾取的问题,本文提出一种基于谱残差法视觉显著性处理的疑似目标自动拾取方法。在主动声呐图像的概念之下,研讨了自然图像中视觉显著体的发现与主动声呐图像中疑似目标拾取的相似机理,依此进而说明了本文方法的机理、核心框架以及关键处理环节,包括预处理声呐图像、生成显著图、估算拾取阈值以及标定疑似目标等。海试数据处理结果表明:相较于基于局部相对能量分析的对照方法,本文方法对已知目标具有更低的漏报率,同时亮点拾取数量减少约40%,且处理耗时减少约37%。

基于毫米波焦平面成像系统的隐匿武器检测

为了加强安检领域中对隐匿武器的检测,引入了一种主动式毫米波焦平面成像系统的实验样机.介绍了其原理和结构,并以机场和海关等场合的安检为应用背景,对该系统采集到的图像,应用自动阈值分割、数字形态学的算法进行了目标和背景分离并提取出目标图像的实验.结果表明,该系统能够获得隐匿武器的外形图像,从处理后的图像中能够清晰地识别出目标的性质.

视觉图像与三维点云融合的障碍物主动识别与距离感知研究

针对无人机配电线自动巡检及绝缘层涂覆维护过程中障碍物主动识别和距离感知的问题,提出视觉图像与三维点云相结合的障碍物识别方法。对图像进行增广预处理来丰富数据集,引入基于特征提取的深度学习进行模型训练,获取障碍物目标的类别和方位,结合三维点云信息得到目标的距离信息。实验结果表明:三维点云与视觉图像融合的障碍物主动识别与距离感知算法可以兼顾实时与精准测距的需求,提高了系统预警的精确度,最大识别误差为2.356%,有助于提高无人机及线缆涂覆机器人的障碍感知能力,保障作业安全。

水下无人航行器主动目标自动检测方法研究

水下主动目标自动检测是反映水下无人航行器目标探测能力的一项重要指标,混响背景下的主动目标自动检测是其中的难点之一。该文将主动目标自动检测转换为图像分割问题,先用形态学重建或低通滤波算法预处理声图,再用分水岭算法从梯度图像中分割出目标。在此基础上提出了一种自适应阈值选取方法。经过海试数据的检验,文中方法具有较强的稳定性,与传统的恒虚警算法相比,可以有效降低虚警率。

基于主动学习的遥感图像地块目标分类

在传统的机器学习中,模型的准确度往往由已标记的数据样本规模所决定。但是在实际情况中,海量数据中往往只有极小部分获得了准确标记,而大部分数据未经标记,如果通过专业人员对数据逐个进行标记,将耗费大量的时间成本和经济成本。主动学习是从大量未标记的数据集中检索出最有用的未标记数据,交由专业人员进行标记,然后用该类样本来训练模型以期提高模型的准确率。本文设计一种对遥感图像的目标检测的方法,首先构建一个深度学习网络模型,通过使用已标注数据对该模型进行预训练,然后使用度量学习的技术,筛选出未标注数据集中的最有标注价值的图像数据进行标注,对此过程反复迭代,直至准确率达到设置的阈值。实验分别由已标注数据占总数据量的14.2%、21.4%、28.6%这3种数据标记量对该方法进行测试,结果表明,通过主动学习结合U-Net网络的方法,可以有效地减少数据的标记量而达到模型的预期效果。

亚毫米波成像制导关键技术分析

亚毫米波成像制导技术正处于研究起步阶段,因其独特的优点,在军事民用中有着巨大的开发前景。对目标检测技术进行了介绍,给出目标的辐射传递方程及亚毫米波辐射计的探测距离,介绍了对图像的预处理技术,包括图像滤波和目标分割。最后指出了成像制导技术未来的发展方向和重点。