基于卷积神经网络的毫米波图像人体隐匿物检测

本文提出一种基于卷积神经网络的毫米波图像中人体隐匿物检测算法.首先,通过滑动窗选取局部毫米波图像得到正负训练样本,相较于传统的IoU,利用文中提出的IoG指标,不仅可以解决目前毫米波图像数据量不足的问题,而且尽可能扩大正负样本之间的特征差别使得模型泛化能力得到提高.其次,由人工扩展数据集训练的卷积神经网络模型可自动学习到不同种类的隐匿物信息.最后,叠加所有的局部可疑区域得到可疑目标热度图,从而进一步得到隐匿物的位置.使用本文方法对中科院上海微系统提供的728张毫米波图像进行了隐匿物检测实验,训练阶段在局部图像块的验证集上达到了95.6%的查准率和97.6%的召回率,表明了本文提出的IoG指标的有效性和重要性;测试阶段在全图的测试集上达到了88.5%的检测率和13.5%的虚警率,相较于现有的方法,所提出的算法检测率更高、虚警率更低,表明本文方法的有效性和稳健性.

基于被动毫米波图像与光学图像的人体隐匿物检测

针对单帧PMMW图像空间分辨率低,无法实现人体隐匿物有效检测与精确定位的问题,提出了一种利用序列PMMW图像与光学图像检测人体隐匿物的方法。根据PMMW实时成像仪采集的图像特点和存储方式,首先,采用相关系数法对序列图像进行筛选,将筛选后的图像利用小波融合算法增强隐匿物信息;其次,通过高斯滤波、阈值分割和边缘检测,检测出人体隐匿物;最后,基于YIQ变换、离散小波变换和融合规则,将光学图像与提取的隐匿物进行融合。实验结果表明,该方法可以有效地应用于序列被动毫米波图像中人体隐匿物检测,并且可以全自动融合两种不同类型的图像,解决了被动毫米波图像上人体隐匿物无法精确定位的问题,提高了安检人员的检测效率。

基于轻量级U-Net深度学习的人体安检隐匿违禁物的实时检测

在高端智能安检系统研发中,如何使受检者在无接触正常行进过程中,对其实施人体是否携带隐匿违禁物的快速高效检测是具有挑战性的关键性技术。被动毫米波成像以其安全无害、穿透性强等突出优势而成为安检成像的热门选项。该文利用被动毫米波成像和可见光成像的优势互补,通过轻量级U-Net的深度学习,研究提出人体安检隐匿违禁物的高性能实时检测算法。首先构建和训练轻量级U-Net分割网络,进行被动毫米波图像(PMMWI)和可见光图像(VI)中人体轮廓的快速分割,实现人体与背景的有效分离,以获取疑似隐匿违禁物的轮廓信息。进而,以轻量级U-Net为工具,通过基于相似性测度的无监督学习方法进行被动毫米波人体轮廓图像与可见光人体轮廓图像的配准,以滤除虚警目标,并在可见光图像中进行疑似目标定位,得到单帧图像的检测结果。最后,通过序列多帧图像之检测结果的综合集成与推断,给出最终检测结果。通过在专门构建的数据集上的实验结果表明,该文所提方法的F1指标达到92.3%,展现出良好的性能优势。

多进制小波与自适应PCNN的可见光/毫米波图像融合

以安检中隐匿物品检测为应用背景,提出一种基于多进制小波与自适应脉冲耦合神经网络的可见光/毫米波图像融合算法。首先可见光图与毫米波图经多进制小波分解处理,得到低频分量与高频分量。其次,低频系数采取改进区域方差融合处理,高频系数则是将子带改进拉普拉斯能量和作为PCNN中对应神经元的链接强度β,将子带八方向边缘区域能量作为PCNN的外部激励输入,经点火处理得到点火映射图,通过判决算子选取融合图像的高频系数,然后重构得到融合图。实验仿真结果分析表明,提出的融合方法在主观与客观评价上均优于现有文献中的一些典型融合方法,能获得更好的融合效果。