一种主动毫米波人体成像威胁物检测方法技术

本发明专利技术公开了一种基于Mask‑Rcnn网络的主动毫米波成像威胁物检测的方法，能够准确高效的检测毫米波人体成像上威胁物位置类别：包括Mask‑Rcnn网络的迁移学习；使用毫米波人体成像结果制作COCO格式数据进行网络迁移学习训练；获取毫米波人体成像结果并使用网络进行威胁物位置及类别检测。

A Threat Detection Method for Active Millimeter Wave Human Imaging

【技术实现步骤摘要】
一种主动毫米波人体成像威胁物检测方法
本专利技术属于毫米波成像隐私保护
，特别涉及一种主动毫米波人体成像威胁物检测方法。
技术介绍
目前在各大机场、火车站、汽车站及人流密集的活动现场，对人体安检的主要方法为人工手检。费时费力且容易出现安检人员与被安检人员之间的冲突。最新的毫米波安检成像系统利用毫米波具有无接触、可穿透衣物的特点，实现了高效的人体安检过程。但是对毫米波安检仪系统所得图像上人体所携带威胁物的检测成为了一个有待解决的问题。检测方法主要分为两大类，一是基于神经网络的人工智能算法，包括CNN、RCNN等。另一中是传统的目标检测方法如，图像分割、特征匹配等技术。这些方法对目标检测的准确率仍有待提高。
技术实现思路
本专利技术的目的在于提供一种主动毫米波人体成像威胁物检测方法，以解决上述问题。为实现上述目的，本专利技术采用以下技术方案：一种主动毫米波人体成像威胁物检测方法，包括以下步骤：步骤1，设计掩膜区域推荐网络Mask-Rcnn，并基于GPU平台实现；步骤2，采集毫米波雷达安检仪人体成像结果，并按照语境中的共同对象数据COCO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Mask-Rcnn网络进行训练，将程序在GPU上运行；步骤4，将成像结果送入Mask-Rcnn网络，由网络估计得到威胁物的位置以及类别。进一步的，步骤1具体为：Mask-Rcnn网络中的子网络—目标检测网络主要基于区域推荐网络RPN网络实现；整个网络设计主要由卷积神经网络、RPN网络和掩膜(Mask)网络级联而成，输入图像先经过卷积池化操作，然后将所得特征图像送入RPN网络在RPN网络中进行威胁物检测框出前景与背景，然后利用非极大值抑制法得到威胁物所在的框，然后送入Mask-Rcnn网络中的子网络—Mask网络进一步进行分类、掩膜和对当前框进行精细处理。进一步的，步骤2具体为：在训练网络时利用光学图像训练得到的权重进行初始化，然后，通过迁移学习的方法将光学图像训练的网络整体迁移到雷达图像上，再经过数十个雷达图像训练样本的训练得到正对于毫米波雷达图像的网络；选取比COCO数据集格式作为训练样本集的格式，对采集的样本进行威胁物位置及种类标记；每个图像样本中的每个标记单元主要包含威胁物名称标签C和威胁物位置框两大信息。进一步的，步骤3中，网络训练时损失函数满足以下规则：训练时损失函数Loss函数被定义为RPN网络与Mask网络损失函数之和；Loss函数定义如下：L＝Lcls+Lbox+Lmask其中，Lcls为分类误差，Lbox为检测误差，Lmask为分割误差；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。进一步的，步骤4具体为：读取已经训练好的网络权值，将毫米波雷达人体成像结果送入网络，得到威胁物位置、种类以及预测概率。与现有技术相比，本专利技术有以下技术效果：本专利技术在原有的RPN网络的基础上添加级联一个Mask网络用来对RPN网络所得到的初步结果进行精细化处理，使得目标检测更加准确，区域推荐框更加贴近目标轮廓，因而可准确的检测得到毫米波人体成像结果上的威胁物的位置及类别；本专利技术利用GPU实现威胁物检测算法，GPU相比于CPU可实现多核并行计算，因而在提升网络训练和测试的速度的同时也提升了训练以及检测效率。附图说明图1为本专利技术实施例提供的毫米波人体成像威胁物检测的整体流程图；图2为本专利技术实施例提供的Mask-Rcnn网络的网络设计图；图3为本专利技术实施例提供的毫米波人体成像实测图像威胁物检测结果。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术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，仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。本专利技术实施例，提供一种主动毫米波成像威胁物检测算法，所述方法包括如下步骤：步骤1，设计基于深度学习的MaskRcnn网络，并基于GPU平台实现；步骤1具体为：由于区域推荐网络(RPN)在图像目标检测领域表现比其他网络更为优秀，因此本专利技术中的目标检测网络主要基于RPN网络实现。整个网络设计细节如图2所示，输入图像先经过一系列的卷积池化操作，然后将所得特征图像送入RPN网络在RPN网络中进行威胁物检测框出前景与背景，然后利用非极大值抑制法得到威胁物所在的框，然后送入Mask网络进一步进行分类、掩膜和对当前框进行精细处理。步骤2，大量采集毫米波雷达安检仪人体成像结果，并按照COCO数据格式标记隐私部位名称和位置，制作训练样本数据集；步骤2具体为：毫米波雷达图像不同于光学图像，但是在训练网络时仍然可以利用光学图像训练得到的权重进行初始化然后，通过迁移学习的方法将光学图像训练的网络整体迁移到雷达图像上，再经过数十个雷达图像训练样本的训练便可得到正对于毫米波雷达图像的网络。选取比COCO数据集格式作为训练样本集的格式，对采集的样本进行威胁物位置及种类标记。每个图像样本中的每个标记单元主要包含威胁物名称标签C和威胁物位置框两大信息。步骤3，利用制作好的训练数据集对Mask-Rcnn网络进行训练，加载利用COCO数据集训练好的网络参数作为网络初始化参数并在GPU平台上运行程序以训练速度。步骤3具体为：训练时损失函数被定义为RPN网络与Mask网络损失函数之和。Loss函数定义如下：L＝Lcls+Lbox+Lmask其中，Lcls为分类误差，Lbox为检测误差，Lmask为分割误差。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，将大量成像结果送入Mask-Rcnn网络，得到威胁物位置、种类以及预测概率。步骤4具体为：读取已经训练好网络权值，将毫米波雷达人体成像结果送入网络，得到威胁物位置、种类以及预测概率。本专利技术的效果可通过以下仿真实验作进一步说明：1.实验条件本专利技术在GPU上运行，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CPUIntel(R)i7-7700内存16GBGPUNVIDIAGeForceGTX1070GPU显存8GB计算能力6.1表2软件平台参数操作系统Win1064位编译器VisualStudio2015CUDA版本8.02.仿真结果及分析训练阶段：在输入训练样本后，由于使用了迁移学习的方法使得网络权值很快收敛，达到全域极小值。测试阶段：在加载了训练好的网络权值后，输入大量测试样本，网络均能在很短时间内准确检测出威胁物位置及其类别。其次，每次输出的位置预测准确概率均在90％以上。本文档来自技高网...

【技术保护点】
1.一种主动毫米波人体成像威胁物检测方法，其特征在于，包括以下步骤：步骤1，设计掩膜区域推荐网络Mask‑Rcnn，并基于GPU平台实现；步骤2，采集毫米波雷达安检仪人体成像结果，并按照语境中的共同对象数据COCO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Mask‑Rcnn网络进行训练，将程序在GPU上运行；步骤4，将成像结果送入Mask‑Rcnn网络，由网络估计得到威胁物的位置以及类别。

【技术特征摘要】
1.一种主动毫米波人体成像威胁物检测方法，其特征在于，包括以下步骤：步骤1，设计掩膜区域推荐网络Mask-Rcnn，并基于GPU平台实现；步骤2，采集毫米波雷达安检仪人体成像结果，并按照语境中的共同对象数据COCO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Mask-Rcnn网络进行训练，将程序在GPU上运行；步骤4，将成像结果送入Mask-Rcnn网络，由网络估计得到威胁物的位置以及类别。2.根据权利要求1所述的一种主动毫米波人体成像威胁物检测方法，其特征在于，步骤1具体为：Mask-Rcnn网络中的子网络—目标检测网络主要基于区域推荐网络RPN网络实现；整个网络设计主要由卷积神经网络、RPN网络和掩膜(Mask)网络级联而成，输入图像先经过卷积池化操作，然后将所得特征图像送入RPN网络在RPN网络中进行威胁物检测框出前景与背景，然后利用非极大值抑制法得到威胁物所在的框，然后送入Mask-Rcnn网络中的子网络—Mask网络进一步进行分类、掩膜和对当前框进行精细处理。3.根据权利要求1所述的一种主动毫米波人体成像威胁物检测方法，其特...

【专利技术属性】
技术研发人员：张秀锋，
申请(专利权)人：山东雷诚电子科技有限公司，
类型：发明
国别省市：山东,37