一种毫米波雷达安检仪异物检测方法技术

本发明专利技术公开了一种毫米波雷达安检仪异物检测方法，包括：采集数据对卷积姿态机进行训练，通过卷积姿态机对毫米波雷达的人体成像结果进行姿态估计，获得人体主要关节点的精确位置，卷积姿态机网络基于GPU平台实现；然后通过人体关节点的位置获得人体各个部位的区域，对人体扫描图像进行区域分割；再将区域分割后的结果送入由CNN和SVM组成的目标检测网络进行携带异物情况的检测，最终给出是否携带异物的判定。

【技术实现步骤摘要】
一种毫米波雷达安检仪异物检测方法
本专利技术属于雷达图像目标检测领域，特别设计一种毫米波雷达安检仪异物检测方法。
技术介绍
随着时代的发展，公共领域的安检需求也日益增长，传统安检手段，如人工检查、金属探测门、X光安检机等已不能满足对人体携带异物进行检测的需求。由于毫米波具有的穿透性好且对人体辐射小等优点，已经成为下一代安检技术的研究重点，旋转门式圆柱扫描三维毫米波SAR近场成像和异物检测技术已经成功运用于机场、地铁等公共安检场所。目前，毫米波SAR三维近场成像技术已经成熟，基于毫米波雷达成像的安检仪产品也已经问世，但对人体携带异物的检测技术还在不断发展。现有的人体携带异物检测技术主要有基于人体区域分割的图像学方法和基于光学图像目标识别的深度学习网络方法两大类。基于人体区域分割的图像学方法在进行人体成像结果的区域分割时采取按人体区域固定比例分割的方式，在一定程度上不能适应不同人体身材的变化；基于光学图像目标识别的深度学习网络方法，对于小目标的识别有所欠缺，同时不能识别没有训练过的异物类别。
技术实现思路
本专利技术的目的在于提供一种毫米波雷达安检仪异物检测方法，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：一种毫米波雷达安检仪异物检测方法，包括以下步骤：步骤1，采集包含不同站姿的毫米波雷达人体成像结果，对卷积姿态机网络进行训练；步骤2，大量采集含有异物和不含异物的毫米波雷达安检仪成像结果，通过训练好的卷积姿态机网络进行人体重要关节点位置的估计；步骤3，利用人体姿态估计的结果对采集的毫米波雷达人体图像进行区域分割，获得分割后的对应人体不同部位的子区域图像；步骤4，将不同人体部位的子区域图像送入对应的CNN组合SVM的目标检测网络进行训练；步骤5，采集新的毫米波雷达人体图像先进行姿态估计和区域分割，将分割好的子图像送入训练好的目标检测网络进行测试，给出人体各个部位携带异物的情况。进一步的，步骤1具体为：卷积姿态机网络由输入层、卷积层、池化层和输出层构成，训练时分多个训练阶段，其中第一阶段包含7层卷积层和3层池化层，第二阶段包含4层卷积层和3层池化层。网络输入层为毫米波雷达的人体三维成像结果经过量化产生的二维灰度图像，输出层包含14个人体关节点的位置，训练时样本数据采用MPII数据集格式进行标记；网络通过GPU并行编程实现。进一步的，步骤2中：在采集毫米波雷达人体成像结果的样本时，采用多种目标的类别并使目标分散在人体的不同部位；采用人体正面的成像结果用于训练和姿态估计。进一步的，步骤3中：通过步骤2的人体正面姿态估计结果，联合不同角度成像结果的视线角度计算得到其它角度人体成像结果的关节点位置，通过旋转投影尺度变换得到其它角度人体成像结果的关节点位置，包含头顶，脖颈、腕关节、肘关节、肩关节、臀部、膝关节、踝关节14个关节点的位置，通过关节点位置结合人体站姿将人体成像结果按照人体部位划分为多个区域，获得人体不同部位成像结果子图。进一步的，步骤4具体为：目标检测网络包括输入层，3层卷积层，2层池化层以及支持向量机层SVM和输出层；图像输入层为步骤3得到的人体区域分割之后的子图像，卷积层和池化层用于对子图像进行特征提取，SVM用于对提取到的特征进行二分类，判断人体当前部位是否存在异物，输出层为当前人体部位的异物检测结果。与现有技术相比，本专利技术有以下技术效果：本专利技术基于GPU平台实现人体姿态估计和异物检测算法，降低目标检测网络的复杂度同时提升异物检测网络训练和测试的速度，提升异物检测效率；本专利技术利用卷积姿态机估计人体关节点位置相对于按照固定比例划分人体部位更加准确稳定，同时CNN组合SVM的目标检测网络更适用于样本数较少时的网络训练，并且能获得比较好的检测效果。附图说明图1为本专利技术实施例提供的异物检测方法的整体流程图；图2为本专利技术实施例提供的姿态估计网络结构图；图3为本专利技术实施例提供的姿态估计结果；图4为本专利技术实施例提供的人体部位区域分割结果；图5为本专利技术实施例提供的目标检测网络结构图；图6为本专利技术实施例提供的毫米波雷达实测图像异物检测结果。具体实施方式以下结合附图对本专利技术进一步说明：请参阅图1至图6，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毫米波雷达安检仪异物检测方法，如图1所示，所述方法包括如下步骤：步骤1，采集包含不同站姿的毫米波雷达人体成像结果，对卷积姿态机网络进行训练。步骤1具体为：卷积姿态机网络主要由输入层、卷积层、池化层、输出层构成，训练时分多个训练阶段，网络设计细节如图2所示。网络输入层为毫米波雷达的人体三维成像结果经过量化产生的二维灰度图像，输出层包含14个人体关节点的位置，训练时样本数据采用MPII数据集格式进行标记。网络通过GPU并行编程实现，在训练和检测方面都可以获得较大的速度提升。步骤2，大量采集含有异物和不含异物的毫米波雷达安检仪成像结果，通过训练好的卷积姿态机网络进行人体重要关节点位置的估计。步骤2具体为：为了对目标检测网络进行有效训练，在采集毫米波雷达人体成像结果的样本时，应尽量丰富目标的类别并使目标尽可能地在人体的不同部位出现。由于不同人在安检仪内的站姿基本固定，因此对于多角度成像结果，为了提升姿态估计的训练和估计效率，只需要人体正面的成像结果用于训练和姿态估计，便可以计算得到其它视线角度的成像姿态结果。步骤3，利用人体姿态估计的结果对采集的毫米波雷达人体图像进行区域分割，获得分割后的对应人体不同部位的子区域图像。步骤3具体为：通过步骤2的人体正面姿态估计结果，联合不同角度成像结果的视线角度计算得到其它角度人体成像结果的关节点位置，包含头顶，脖颈、腕关节、肘关节、肩关节、臀部、膝关节、踝关节14个关节点的位置，通过关节点位置结合人体站姿将人气成像结果按照人体部位划分为多个区域，获得人体不同部位成像结果子图，人体成像区域划分可以提高待检目标和人体背景的信杂比，提高目标检测网络的性能。步骤4，将不同人体部位的子区域图像送入对应的CNN组合SVM的目标检测网络进行训练。步骤4具体为：如图5所示，目标检测网络主要由输入层，3层卷积层，2层池化层以及支持向量机层(SVM)和输出层组成。图像输入层为步骤3得到的人体区域分割之后的子图像，卷积层和池化层主要用于对子图像进行特征提取，SVM主要用于对提取到的特征进行二分类，判断人体当前部位是否存在异物，输出层为当前人体部位的异物检测结果。步骤5，采集新的毫米波雷达人体图像先进行姿态估计和区域分割，将分割好的子图像送入训练好的目标检测网络进行测试，给出人体各个部位携带异物的情况。步骤5具体为：通过步骤1到步骤4的处理，基于人体姿态估计的区域分割和目标检测网络已经训练完成，实际工程应用中，只需要获取到训练后的网络权值，对新采集的人体成像结果按照姿态估计、区域分割、异物检测的顺序对人体进行携带异物情况进行判断，实现在公共场所对人体安检的目的。本专利技术的效果可以通过以下仿真实验说明：1.仿真内容为了验证本专利技术在CU本文档来自技高网...

【技术保护点】
1.一种毫米波雷达安检仪异物检测方法，其特征在于，包括以下步骤：步骤1，采集包含不同站姿的毫米波雷达人体成像结果，对卷积姿态机网络进行训练；步骤2，大量采集含有异物和不含异物的毫米波雷达安检仪成像结果，通过训练好的卷积姿态机网络进行人体重要关节点位置的估计；步骤3，利用人体姿态估计的结果对采集的毫米波雷达人体图像进行区域分割，获得分割后的对应人体不同部位的子区域图像；步骤4，将不同人体部位的子区域图像送入对应的CNN组合SVM的目标检测网络进行训练；步骤5，采集新的毫米波雷达人体图像先进行姿态估计和区域分割，将分割好的子图像送入训练好的目标检测网络进行测试，给出人体各个部位携带异物的情况。

【技术特征摘要】
1.一种毫米波雷达安检仪异物检测方法，其特征在于，包括以下步骤：步骤1，采集包含不同站姿的毫米波雷达人体成像结果，对卷积姿态机网络进行训练；步骤2，大量采集含有异物和不含异物的毫米波雷达安检仪成像结果，通过训练好的卷积姿态机网络进行人体重要关节点位置的估计；步骤3，利用人体姿态估计的结果对采集的毫米波雷达人体图像进行区域分割，获得分割后的对应人体不同部位的子区域图像；步骤4，将不同人体部位的子区域图像送入对应的CNN组合SVM的目标检测网络进行训练；步骤5，采集新的毫米波雷达人体图像先进行姿态估计和区域分割，将分割好的子图像送入训练好的目标检测网络进行测试，给出人体各个部位携带异物的情况。2.根据权利要求1所述的一种毫米波雷达安检仪异物检测方法，其特征在于，步骤1具体为：卷积姿态机网络由输入层、卷积层、池化层和输出层构成，训练时分多个训练阶段，其中第一阶段包含7层卷积层和3层池化层，第二阶段包含4层卷积层和3层池化层；网络输入层为毫米波雷达的人体三维成像结果经过量化产生的二维灰度图像，输出层包含14个人体关节点的位置，训练时样本数据采用MPII数据集格式进行标记；网络通过GPU并...

【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