目标识别网络模型的训练方法、电子设备及程序产品技术

本公开实施例公开了一种目标识别网络模型的训练方法、电子设备及程序产品，所述方法包括：获取样本数据集；样本数据集包括样本图像以及样本图像的标注信息；标注信息包括样本图像中样本目标的位置信息；将样本图像进行对比度增强预处理后，输入至目标识别网络模型中，获得预测结果；目标识别网络模型包括附加特征提取模块和分类回归模块；附加特征提取模块包括作为基础网络的ResNet

【技术实现步骤摘要】
目标识别网络模型的训练方法、电子设备及程序产品


[0001]本公开涉及图像处理
，具体涉及一种目标识别网络模型的训练方法、电子设备及程序产品电子设备及程序产品。

技术介绍

[0002]近年来，大量的流动人口为世界各国的经济社会发展做出了巨大贡献，人们的出行变得更加便捷，但与此同时也带来了复杂又严峻的公共安全问题。随着全球反恐形势日益严峻，机场、火车站、大型活动场所、政府要害部门以及一些其他公共场所的安全检查逐渐受到各国广泛重视。为了保证密集公共场所人员的生命和财产安全，除了对随行物品进行安全检测以外，对人员自身进行安全检查以发现人体携带隐匿物品也是十分重要的环节之一，必须严格执行人体安全检查，防止有一些不法分子携带违禁物品乘机、乘车或通关。
[0003]目前我国大部分安检场所采用的均是传统的安全检查手段，包括人工手持金属探测仪和X射线安检等，这些安检技术或多或少具有一些明显的缺点。其中，金属探测仪结构比较简单、使用起来比较方便，且价格相对实惠，但是无法对非金属探测物品产生有效响应，还可能对其他危险品造成漏检；而且金属探测仪需要工作人员手持该仪器对被检人员逐一检查，效率十分低下，非常容易侵犯个人隐私；另外金属探测仪只能够检测出被检人员是否携带金属制品，并不能有效区分该物品是否为违禁物品，从而造成检测结果的误报率过高。X射线检查设备穿透力很强，能够对隐匿物品进行有效探测，但对于人体存在一定的辐射伤害。在人流密集区域，人们对安检排爆的实时性和精确性提出了更高的要求，上述这些安检技术均无法进行高效安全的人体安全检查。因此，在人体安检领域发展快速又精准的安全检查技术具有重大意义。
[0004]基于常见的传统安检设备存在的不足，在以电磁波为技术手段的雷达成像系统中，基于太赫兹技术的安检设备因具有独特的无损检测特性而在安检领域受到广泛关注。太赫兹波是指频率位于0.1THz
‑
10THz，波长位于0.03mm
‑
3mm的电磁波，其兼具有微波与红外光的相似特征，比微波具有更好的成像分辨力，同时又比红外光具有更好的穿透性。此外，太赫兹波具有非电离特性，发射功率不及手机电磁辐射的千分之一，不会对人体造成辐射伤害。太赫兹波可以穿透衣物、塑料、陶瓷等绝缘材料，实现对人员携带的隐匿物品进行穿透衣物探测和成像。太赫兹成像系统分为主动和被动两种工作模式，在探测人体隐匿物体的应用中，被动太赫兹成像系统占据了主要地位。被动太赫兹成像系统不发射电磁波，不会对人体造成伤害。目前太赫兹成像系统的运用仍处于起步阶段，存在很多待完善的地方，太赫兹图像色调单一、不具备光学图像那样好的立体感，并且清晰度和对比度较差，存在大量噪声和畸变的特点。此外，当前太赫兹成像系统所产生的人体安检图像主要采用工作人员肉眼识别的方式，效率较低。研究快速准确的太赫兹雷达成像目标识别算法能够提高安检成像效率，有效促进太赫兹成像技术在人体安检领域的应用与发展。
[0005]目前已有一些学者针对被动太赫兹人体安检图像目标检测算法进行研究。Santiago Lopez Tapia等人提出了一种结合图像处理与统计机器学习技术的方法来解决
太赫兹图像中的目标定位检测问题。NiuYijie等人提出了基于显著性和稀疏编码原理的太赫兹人体图像处理和识别方法，能够实现对人体隐匿物体的自动识别。这种传统的目标检测方式存在一定的缺陷，泛化能力较差，其性能往往受到图像背景的复杂程度影响，图像背景越简单，目标检测的效率也就越高，检测性能自然越好。相反，一旦图像背景变得复杂，目标检测的效率以及性能都会随之下降。为了解决上述缺陷，有学者在深度学习技术的基础上提出了卷积神经网络CNN(Convolutional Neural Network)，CNN不但能够完成特征提取，并且具有较好的鲁棒性以及较强的特征表达能力，在简单和复杂的环境中都能精准定位到检测目标。Yao Jiaxiong等人采用CNN计算滑动窗口中存在危险物品的概率，最终生成概率图进行目标区域的确定与筛选，能够达到93.18％的准确率，但实时性较差。Qi Jingxiong等采用卷积神经网络对太赫兹图像进行目标检测和识别，可识别匕首、手枪、手机等人体携带物品。2018，Hong Xiao提出了R
‑
PCNN算法，在前端加入传统的图像预处理方法，提高了太赫兹图像目标检测与识别的速度和准确率。
[0006]目前基于深度学习模型的目标检测算法主要分为两类：一类是基于R
‑
CNN展开的各种两阶段算法，主要包括Fast R
‑
CNN、Faster R
‑
CNN、Mask R
‑
CNN、RFCN等，这类算法大大提高了检测精度，但使用分段检测算法导致检测速度变慢，不能满足实时性要求；另一类则是以YOLO(You Only Look Once)和SSD(Single Shot MultiBox Detector)算法为代表的一阶段检测算法，YOLO算法利用回归的思想，大大提高了检测速度，但是其识别的目标位置精准性差，召回率低。
[0007]SSD网络模型结构如图1所示，SSD算法不再使用全连接层，因此计算效率得到提高；并且对输入图片的大小没有要求，图片输入后再统一修改尺寸，更加灵活；此外，SSD不再先提取候选框后对候选框进行预测，而是直接利用卷积一步计算出候选框和预测分类，简化流程。但SSD算法也存在以下一些缺点。首先，SSD算法用来预测的特征图Conv4_3、Conv7、Conv8_2、Conv9_2、Conv10_2和Conv11_2中最大尺寸的分辨率是38
×
38，如果输入图像中的小目标尺寸较小，经过池化层后会丢失低层网络中包含的细节信息，如边缘信息和像素信息。此外，由于附加特征提取网络的特征图不断减小，如第一个特征提取层Conv4_3所处深度较浅，特征提取和表达能力有限，而较深的特征输出层又主要负责尺寸较大的目标，这导致SSD对于小目标的检测性能较差。此外，SSD算法特征提取的卷积层不能兼顾相邻不同尺度特征层上的特征，导致在目标特征提取时对于复杂环境下的小目标特征提取能力不够，在复杂环境下进行太赫兹图像隐匿物检测时容易出现误检或漏检的情况。
[0008]本公开专利技术人发现上述现有技术存在如下技术缺陷：
[0009]被动太赫兹成像系统所采集到的图像中的噪声和模糊现象比较严重，分辨率低，不能很好地反应目标场景的特性，图像达不到所要求的质量，藏匿于衣物下的物体形状模糊难以识别；
[0010]太赫兹安检图像中包含的隐匿物种类不同会表现在灰度图像中的灰度值有高有低，亮度有明有暗，会增加检测难度；
[0011]传统的目标检测方式存在一定的缺陷，泛化能力较差，其性能往往受到图像背景的复杂程度影响，图像背景变得复杂时目标检测的效率以及性能都会下降；
[0012]现有针对于被动太赫兹图像的目标检测算法精度和速度均有待提高。

技术实现思路

[0013]本公开实施例提供一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标识别网络模型的训练方法，其特征在于，包括：获取样本数据集；所述样本数据集包括样本图像以及所述样本图像的标注信息；所述标注信息包括所述样本图像中样本目标的位置信息；将所述样本图像进行对比度增强预处理后，输入至目标识别网络模型中，获得预测结果；所述目标识别网络模型包括附加特征提取模块和分类回归模块；所述附加特征提取模块包括作为基础网络的ResNet
‑
50残差网络和多个第一卷积层，所述多个第一卷积层用于从所述基础网络提取的特征图获得不同尺度的特征图；所述分类回归模块用于从所述不同尺度的特征图中识别所述样本目标，并得到所述预测结果；基于所述预测结果以及所述样本图像的标注信息对所述目标识别网络模型进行训练。2.根据权利要求1所述的方法，其特征在于，所述对比度增强预处理采用如下公式实现：其中，H和W是样本图像的长和宽，hist(k)是第k级灰度值的像素个数，P是所述样本图像中原始像素点的灰度值，q是对比度增强预处理后的灰度值。3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：对所述多个目标卷积层和所述前一卷积层的输出分别进行批量归一化处理。4.根据权利要求1或2所述的方法，其特征在于，所述目标识别网络还包括位于所述附加特征提取模块和分类回归模块之间的双重注意力机制模块；所述方法还包括：将所述多个第一卷积层输出的结果分别输入至双重注意力机制模块，获得经过注意力机制处理的所述多个不同尺度的特征图。5.根据权利要求1或2所述的方法，其特征在于，所述双重注意力机制模块包括空间注意力子模块和通道间注意力子模块；将所述多个第一卷积层输出的结果分别输入至双重注意力机制模块，获得经过注意力机制处理的所述多个不同尺度的特征图，包括：所述多个第一卷积层输出的结果先输入至所述通道间注意力子模块，所述通道间注意力子模块输出的结果输入至所述空间注意力子模块；所述空间注意力子模块的输出为所述多个不同尺度的特征图；基于所述预测结果以及所述样本图像的标注信息对所述目标识别网络模型进行训练，包括：利用所述预测结果以及所述标注信息构建损失函数；所述损失函数包括分类任务的损失函数和回归任务的损失函数；基于损失函数对所述目标识别网络模型的参数进行更新；其中...

【专利技术属性】
技术研发人员：纪奕才，程璐，李超，刘小军，方广有，
申请(专利权)人：中国科学院空天信息创新研究院，
类型：发明
国别省市：