CN106529602A - 一种毫米波图像自动目标识别方法及装置 - Google Patents

Abstract

本发明公开了一种毫米波图像自动目标识别方法，包括以下步骤：(1)获取待目标识别的毫米波图像的子图块；(2)基于经训练的卷积神经网络获取所述子图块包含目标的概率值；(3)基于所述概率值获取待目标识别的毫米波图像的概率累计图；(4)基于所述概率累计图进行目标标注，以完成对待目标识别的毫米波图像的目标识别。相应地，本发明还公开了一种毫米波图像自动目标识别装置。本发明所述的毫米波图像自动目标识别方法和装置适用于毫米波图像的自动目标识别，具有良好的目标识别效果，解决了现有技术中对毫米波图像采用传统的手工设计特征难以取得良好的检测效果的问题，实现目标精确定位，并减少虚警，提高了安检效率，减少了人力成本。

Description

一种毫米波图像自动目标识别方法及装置

技术领域

本发明涉及成像安检领域，尤其涉及一种毫米波图像目标识别方法及装置。

背景技术

在安检领域，常用的安检手段有金属探测器和X光安检。金属探测器只能用于探测金属物品，无法检测陶瓷刀等非金属危险品；X射线可用于检测金属物品，但它和核辐射一样属于电离辐射，容易对人体造成危害，只能用做行李安检。由于以上缺陷，传统的金属探测器和X光安检都不是理想的人体安检手段。毫米波能够穿透衣物，检测出藏匿于衣物下的枪支、陶瓷刀具、不明液体等违禁物品，且毫米波辐射属于非电离辐射，实际使用中功率较小，不会对人体造成危害，因此可以用于人体安检成像。为了提高安检的效率，减少人力成本，应当采取有效的毫米波人体图像自动目标识别方法。

传统的人脸检测、行人检测等自动目标识别算法主要针对可见光图像。可见光图像具有足够高的信噪比，并且纹理丰富，通过Haar、LBP、HOG、SIFT等手工设计特征就能获得良好的检测效果。由于毫米波成像系统的不稳定，毫米波人体图像往往具有很高的噪声，且被扫描人体体态各异，不同违禁物品的纹理差异巨大，采用传统的手工设计特征难以取得良好的检测效果。

发明内容

本发明的目的之一是提供一种毫米波图像自动目标识别方法，该方法可用于毫米波图像的目标识别，并且具有良好的目标识别效果。

根据上述发明目的，本发明提出了一种毫米波图像自动目标识别方法，包括以下步骤：

(1)获取待目标识别的毫米波图像的子图块；

(2)基于经训练的卷积神经网络获取所述子图块包含目标的概率值；

(3)基于所述概率值获取待目标识别的毫米波图像的概率累计图；

(4)基于所述概率累计图进行目标标注，以完成对待目标识别的毫米波图像的目标识别。

本发明所述的毫米波图像自动目标识别方法中：步骤(1)可以通过在待目标识别的毫米波图像中以滑动窗口获取所述子图块，滑动步长小于滑动窗口尺寸。步骤(2)中经训练的卷积神经网络用于提取毫米波图像局部区域特征，并判别局部区域存在目标的概率。步骤(3)利用局部区域存在目标的概率，获取毫米波图像的概率累计图，该概率累计图反映了图像各个像素点存在目标的可能性。步骤(4)中所述目标标注是指标注出目标所在区域。基于所述概率累计图可以提取潜在目标，或者更进一步地通过自适应阈值法和面积阈值去噪，进一步地进行目标精确定位与虚警去除，得到与目标位置高度相关的二值图像的连通区域，以进行目标标注。目标标注通常是用一个包含所述二值图像的连通区域的尽量小的矩形框在待目标识别的毫米波图像上对应的位置进行标注。由于卷积神经网络具有优秀的特征提取能力，且能够实现端到端的识别，对应的算法具有检测速度快、识别准确率高等优良特性，因此本发明方法具有良好的目标识别效果。

进一步地，本发明所述的毫米波图像自动目标识别方法中，所述步骤(2)中经训练的卷积神经网络通过以下步骤得到：

(2a)获取训练样本，所述训练样本为经图像标注的毫米波图像的子图块样本，该子图块样本被区分为正样本和负样本，其中，正样本表示其包含目标，负样本表示其不包含目标；

(2b)基于所述训练样本训练卷积神经网络。

上述方案中，步骤(2a)中所述包含目标是一种概率上的包含，属于模糊集合概念。步骤(2b)把获得的正样本和负样本，按照一定的比例分成训练集、验证集和测试集。训练集用于训练卷积神经网络，验证集用于在训练的过程中观察卷积神经网络的损失函数是否收敛，以判断是否终止训练，测试集用于测试卷积神经网络对子图块的分类准确率。可以采用随机梯度下降法训练卷积神经网络，直到神经网络的损失函数收敛到最小值。

更进一步地，上述毫米波图像自动目标识别方法中，所述步骤(2a)中，根据所述子图块样本与所述图像标注的重合程度区分正样本和负样本：设定一重合程度阈值，将不小于该重合程度阈值的子图块样本区分为正样本，将小于该重合程度阈值的子图块样本区分为负样本。

更进一步地，上述毫米波图像自动目标识别方法中，设定第一方差阈值，将不大于该第一方差阈值的正样本和负样本排除。

更进一步地，上述毫米波图像自动目标识别方法中，对所述正样本进行样本增强处理。

上述方案中，所述增强处理可以是先做左右翻转，再对原子图块以及左右翻转之后的子图块分别做上下翻转，翻转后的子图块也归类为正样本。

进一步地，本发明所述的毫米波图像自动目标识别方法中，所述步骤(2)中卷积神经网络包括卷积层和逻辑回归层，所述卷积神经网络的输入为步骤(1)中的所述子图块，所述卷积层输出作为所述子图块的特征的特征向量，所述逻辑回归层根据所述特征向量输出步骤(2)中的所述概率值。

更进一步地，上述毫米波图像自动目标识别方法中，设定第二方差阈值，将小于该第二方差阈值的步骤(1)中的所述子图块从所述卷积神经网络的输入中排除，同时相应输出的概率值为零。

上述方案中，所述第二方差阈值的大小通常与所述第一方差阈值相同。

进一步地，本发明所述的毫米波图像自动目标识别方法中，所述步骤(3)中将所述概率值在待目标识别的毫米波图像的对应位置累积叠加，得到概率累计图I_PA(x,y)。

更进一步地，上述毫米波图像自动目标识别方法中，所述步骤(4)中基于所述概率累计图I_PA(x,y)，通过一个硬阈值TH_prob获得对应的二值图像B₁(x,y)，以基于该二值图像B₁(x,y)进行目标标注，其中：

更进一步地，上述毫米波图像自动目标识别方法中，对于二值图像B₁(x,y)的每个连通区域，根据该连通区域的最大概率累计值max_prob和面积S，计算出一个自适应阈值TH_adap：

TH_adap＝min(TH_m,a×max_prob+b×S)，

其中，TH_m为自适应阈值的上限，a和b均为常数；

基于所述概率累计图I_PA(x,y)，对所述二值图像B₁(x,y)进行目标精确定位与虚警去除获得二值图像B₂(x,y)，以基于该二值图像B₂(x,y)进行目标标注，其中：

更进一步地，上述毫米波图像自动目标识别方法中，将所述二值图像B₂(x,y)中面积小于面积阈值TH_area的连通区域删除，得到二值图像B₃(x,y)，以基于该二值图像B₃(x,y)进行目标标注。

更进一步地，上述毫米波图像自动目标识别方法中，在所述二值图像B₃(x,y)的各连通区域对应的待目标识别的毫米波图像的位置上用矩形框进行目标标注。

本发明的另一目的是提供一种毫米波图像自动目标识别装置，该装置可用于毫米波图像的目标识别，并且具有良好的识别效果。

根据上述发明目的，本发明提出了一种毫米波图像自动目标识别装置，其包括：

图像划分模块，其被配置为获取待目标识别的毫米波图像的子图块；

卷积神经网络识别模块，其被配置为基于经训练的卷积神经网络获取所述子图块包含目标的概率值；

概率累计图模块，其被配置为基于所述概率值获取待目标识别的毫米波图像的概率累计图；

目标标注模块，其被配置为基于所述概率累计图进行目标标注，以完成对待目标识别的毫米波图像的目标识别。

进一步地，本发明所述的毫米波图像自动目标识别装置还包括：

训练样本获取模块，其被配置为获取训练样本，所述训练样本为经图像标注的毫米波图像的子图块样本，该子图块样本被区分为正样本和负样本，其中，正样本表示其包含目标，负样本表示其不包含目标；

卷积神经网络训练模块，其被配置为基于所述训练样本训练卷积神经网络，得到所述经训练的卷积神经网络。

更进一步地，上述毫米波图像自动目标识别装置中，所述训练样本获取模块进一步被配置为根据所述子图块样本与所述图像标注的重合程度区分正样本和负样本：设定一重合程度阈值，将不小于该重合程度阈值的子图块样本区分为正样本，将小于该重合程度阈值的子图块样本区分为负样本。

更进一步地，上述毫米波图像自动目标识别装置中，所述训练样本获取模块进一步被配置为设定第一方差阈值，将不大于该第一方差阈值的正样本和负样本排除。

更进一步地，上述毫米波图像自动目标识别装置中，所述训练样本获取模块进一步被配置为对所述正样本进行样本增强处理。

进一步地，本发明所述的毫米波图像自动目标识别装置中，所述卷积神经网络识别模块进一步被配置为所述卷积神经网络包括卷积层和逻辑回归层，所述卷积神经网络的输入为所述子图块，所述卷积层输出作为所述子图块的特征的特征向量，所述逻辑回归层根据所述特征向量输出所述概率值。

更进一步地，上述毫米波图像自动目标识别装置中，所述卷积神经网络识别模块进一步被配置为设定第二方差阈值，将小于该第二方差阈值的所述子图块从所述卷积神经网络的输入中排除，同时相应输出的概率值为零。

进一步地，本发明所述的毫米波图像自动目标识别装置中，所述概率累计图模块进一步被配置为将所述概率值在待目标识别的毫米波图像的对应位置累积叠加，得到概率累计图I_PA(x,y)。

更进一步地，上述毫米波图像自动目标识别装置还包括潜在目标提取模块，其被配置为基于所述概率累计图I_PA(x,y)，通过一个硬阈值TH_prob获得对应的二值图像B₁(x,y)，以基于该二值图像B₁(x,y)进行目标标注，其中：

更进一步地，上述毫米波图像自动目标识别装置还包括目标精确定位与虚警去除模块，其被配置为：对于二值图像B₁(x,y)的每个连通区域，根据该连通区域的最大概率累计值max_prob和面积S，计算出一个自适应阈值TH_adap：

TH_adap＝min(TH_m,a×max_prob+b×S)，

其中，TH_m为自适应阈值的上限，a和b均为常数；

基于所述概率累计图I_PA(x,y)，对所述二值图像B₁(x,y)进行目标精确定位与虚警去除获得二值图像B₂(x,y)，以基于该二值图像B₂(x,y)进行目标标注，其中：

更进一步地，上述毫米波图像自动目标识别装置还包括面积阈值去噪模块，其被配置为：将所述二值图像B₂(x,y)中面积小于面积阈值TH_area的连通区域删除，得到二值图像B₃(x,y)，以基于该二值图像B₃(x,y)进行目标标注。

更进一步地，上述毫米波图像自动目标识别装置中，所述目标标注模块进一步被配置为在所述二值图像B₃(x,y)的各连通区域对应的待目标识别的毫米波图像的位置上用矩形框进行目标标注。

本发明所述的毫米波图像自动目标识别方法和装置具有以下优点和有益效果：

(1)适用于毫米波图像的自动目标识别，具有良好的目标识别效果，解决了现有技术中对毫米波图像采用传统的手工设计特征难以取得良好的检测效果的问题。

(2)卷积神经网络具有优秀的特征提取能力，且能够实现端到端的识别，对应的算法检测速度快、识别准确率高。

(3)实现目标精确定位，并减少虚警。

(4)提高安检效率，减少人力成本。

附图说明

图1本发明所述的毫米波图像自动目标识别装置在一种实施方式下的用于得到经训练的卷积神经网络的模块结构框图。

图2本发明所述的毫米波图像自动目标识别方法在一种实施方式下的得到经训练的卷积神经网络的流程图。

图3本发明所述的毫米波图像自动目标识别装置在一种实施方式下的模块结构框图。

图4本发明所述的毫米波图像自动目标识别方法在一种实施方式下的流程图。

图5为本实施例的待目标识别的毫米波图像。

图6为本实施例的待目标识别的毫米波图像的概率累计图。

图7为本实施例的待目标识别的毫米波图像的二值图像B₁(x,y)。

图8为本实施例的待目标识别的毫米波图像的二值图像B₂(x,y)。

图9为本实施例的待目标识别的毫米波图像的二值图像B₃(x,y)。

图10为本实施例的待目标识别的毫米波图像的识别结果。

具体实施方式

下面将结合说明书附图和具体的实施例对本发明所述的毫米波图像自动目标识别方法和装置做进一步的详细说明。

本实施例装置为运行在计算机中的软件模块。本实施例中，待目标识别的毫米波图像为人体毫米波图像。

图1显示了本发明所述的毫米波图像自动目标识别装置在一种实施方式下的用于得到经训练的卷积神经网络的模块结构。图2显示了本发明所述的毫米波图像自动目标识别方法在一种实施方式下的得到经训练的卷积神经网络的流程。图3显示了本发明所述的毫米波图像自动目标识别装置在一种实施方式下的模块结构。图4显示了本发明所述的毫米波图像自动目标识别方法在一种实施方式下的流程。图5显示了本实施例的待目标识别的毫米波图像。图6-图10分别显示了本实施例的识别过程中产生的待目标识别的毫米波图像的概率累计图、二值图像B₁(x,y)、二值图像B₂(x,y)、二值图像B₃(x,y)以及识别结果。

如图1所示，本实施例的毫米波图像自动目标识别装置包括用于得到经训练的卷积神经网络的依次连接的训练样本获取模块8、卷积神经网络训练模块9。其中各模块被配置为具有实现以下相应流程的功能。

如图2所示，结合参考图1，本实施例的毫米波图像自动目标识别方法中用于得到经训练的卷积神经网络的方法通过上述装置中相应的模块实现，其流程包括：

步骤210：通过训练样本获取模块8获取训练样本，该训练样本为经图像标注的毫米波图像的子图块样本，该子图块样本被区分为正样本和负样本，其中，正样本表示其包含目标，负样本表示其不包含目标。

该步骤中，对于采集到的毫米波图像，用图像标注标出每个目标的位置。每个图像标注是一个矩形框，用一个四维向量表示，四维向量分别为目标最上端所在行号、目标最下端所在行号、目标最左端所在列号、目标最右端所在列号。对于所采集的毫米波图像，利用滑动窗口在毫米波图像中滑动。滑动窗口尺寸为28×28像素，滑动步长为2像素。对于滑动窗口获得的子图块，计算它与图像标注的IoU，用于表明子图块与图像标注的重合程度。IoU值较大的子图块被判为正样本，表明子图块包含目标；IoU值较小的子图块被判为负样本，表明子图块不包含目标。对于滑动窗口获得的子图块，其被判为正样本和负样本的准则如下：

正样本：方差大于TH_var，与图像标注的IoU≥TH_iou；

负样本：方差大于TH_var，与图像标注的IoU＜TH_iou。

其中TH_var为方差阈值，TH_iou为IoU阈值。本实施例中，TH_var取为200，TH_iou取为0.05。对于每一个正样本，做样本增强：先做左右翻转，再对原子图块以及左右翻转之后的子图块分别做上下翻转。翻转后的子图块也归类为正样本。对于数量较多的一类样本，做随机下采样，使得用于训练的正样本和负样本的数量保持一致。

步骤220：通过卷积神经网络训练模块9基于上述训练样本训练卷积神经网络，得到经训练的卷积神经网络。

该步骤中，对于获得的正样本和负样本，按照8:1:1的比例分成训练集、验证集和测试集。训练集用于训练卷积神经网络，验证集用于在训练的过程中观察卷积神经网络的损失函数是否收敛，以判断是否终止训练，测试集用于测试卷积神经网络对子图块的分类准确率。采用随机梯度下降法训练卷积神经网络，直到神经网络的损失函数收敛到最小值。

如图3所示，本实施例的毫米波图像自动目标识别装置还包括依次连接的图像划分模块1、卷积神经网络识别模块2、概率累计图模块3、潜在目标提取模块4、目标精确定位与虚警去除模块5、面积阈值去噪模块6以及目标标注模块7。其中各模块被配置为具有实现以下相应流程的功能。

如图4所示，结合参考图3，本实施例的毫米波图像自动目标识别方法通过上述装置中相应的模块实现，其流程包括：

步骤110：通过图像划分模块1获取待目标识别的毫米波图像的子图块。

该步骤中，对于输入的毫米波图像(如图5所示)，利用滑动窗口在毫米波图像中滑动。滑动窗口尺寸为28×28像素，滑动步长为2像素。

步骤120：通过卷积神经网络识别模块2基于经训练的卷积神经网络获取子图块包含目标的概率值。

该步骤中，对于上述滑动窗口获得的子图块，如果其方差小于方差阈值TH_var，则不需要将其输入所述卷积神经网络，而是直接将该子图块存在目标的概率置为0。如果其方差不小于方差阈值TH_var，则将其输入卷积神经网络。卷积神经网络卷积层之后输出一个特征向量，该向量为子图块的特征。卷积神经网络的最后一层为逻辑回归层，将特征向量输入逻辑回归层，可以获得该子图块存在目标的概率值。

步骤130：通过概率累计图模块3基于概率值获取待目标识别的毫米波图像的概率累计图。

该步骤中，对于各子图块，将其概率值在毫米波图像对应位置累积叠加，得到概率累计图I_PA(x,y)，如图6所示。

步骤140：通过潜在目标提取模块4基于所述概率累计图I_PA(x,y)，通过一个硬阈值TH_prob获得对应的二值图像B₁(x,y)。

该步骤中，对于所得到的概率累积图I_PA(x,y)，通过一个硬阈值TH_prob获得对应的二值图像B₁(x,y)：

B₁(x,y)如图7所示，每个连通区域代表一个潜在目标。本实施例中，TH_prob取为98。

步骤150：通过目标精确定位与虚警去除模块5基于所述概率累计图I_PA(x,y)，对所述二值图像B₁(x,y)进行目标精确定位与虚警去除获得二值图像B₂(x,y)。

该步骤中，对于二值图像B₁(x,y)的每个连通区域，根据该连通区域的最大概率累积值max_prob和面积S，计算出一个自适应阈值TH_adap：

TH_adap＝min(TH_m,a×max_prob+b×S)

其中，TH_m为自适应阈值的上限，a和b均为常数。在实施过程中，TH_m取为150，a取为1，b取为-0.02。对于二值图像B₁(x,y)，通过如下操作进行目标精确定位与虚警去除，获得二值图像B₂(x,y)：

B₂(x,y)如图8所示。

步骤160：通过面积阈值去噪模块6将所述二值图像B₂(x,y)中面积小于面积阈值TH_area的连通区域删除，得到二值图像B₃(x,y)。

该步骤中，对于二值图像B₂(x,y)，采用面积阈值去噪法，将面积小于阈值TH_area的连通区域从B₂(x,y)中删除，得到二值图像B₃(x,y)，如图9所示。本实施例中，TH_area取为40。

步骤170：通过目标标注模块7在所述二值图像B₃(x,y)的各连通区域对应的待目标识别的毫米波图像的位置上用矩形框进行目标标注。

该步骤中，对于二值图像B₃(x,y)，在各连通区域对应的毫米波图像位置上，用一个尽量小的矩形框将目标标注出来，如图10所示。矩形框的上边界为B₃(x,y)连通区域最上端所在行，下边界为B₃(x,y)连通区域最下端所在行，左边界为B₃(x,y)连通区域最左端所在列，右边界为B₃(x,y)连通区域最右端所在列。

要注意的是，以上列举的仅为本发明的具体实施例，显然本发明不限于以上实施例，随之有着许多的类似变化。本领域的技术人员如果从本发明公开的内容直接导出或联想到的所有变形，均应属于本发明的保护范围。

Claims (24)

1.一种毫米波图像自动目标识别方法，包括以下步骤：

(1)获取待目标识别的毫米波图像的子图块；

(2)基于经训练的卷积神经网络获取所述子图块包含目标的概率值；

(3)基于所述概率值获取待目标识别的毫米波图像的概率累计图；

(4)基于所述概率累计图进行目标标注，以完成对待目标识别的毫米波图像的目标识别。

2.如权利要求1所述的毫米波图像自动目标识别方法，其特征在于，所述步骤(2)中经训练的卷积神经网络通过以下步骤得到：

(2a)获取训练样本，所述训练样本为经图像标注的毫米波图像的子图块样本，该子图块样本被区分为正样本和负样本，其中，正样本表示其包含目标，负样本表示其不包含目标；

(2b)基于所述训练样本训练卷积神经网络。

3.如权利要求2所述的毫米波图像自动目标识别方法，其特征在于，所述步骤(2a)中，根据所述子图块样本与所述图像标注的重合程度区分正样本和负样本：设定一重合程度阈值，将不小于该重合程度阈值的子图块样本区分为正样本，将小于该重合程度阈值的子图块样本区分为负样本。

4.如权利要求3所述的毫米波图像自动目标识别方法，其特征在于，设定第一方差阈值，将不大于该第一方差阈值的正样本和负样本排除。

5.如权利要求3所述的毫米波图像自动目标识别方法，其特征在于，对所述正样本进行样本增强处理。

6.如权利要求1所述的毫米波图像自动目标识别方法，其特征在于，所述步骤(2)中卷积神经网络包括卷积层和逻辑回归层，所述卷积神经网络的输入为步骤(1)中的所述子图块，所述卷积层输出作为所述子图块的特征的特征向量，所述逻辑回归层根据所述特征向量输出步骤(2)中的所述概率值。

7.如权利要求6所述的毫米波图像自动目标识别方法，其特征在于，设定第二方差阈值，将小于该第二方差阈值的步骤(1)中的所述子图块从所述卷积神经网络的输入中排除，同时相应输出的概率值为零。

8.如权利要求1所述的毫米波图像自动目标识别方法，其特征在于，所述步骤(3)中将所述概率值在待目标识别的毫米波图像的对应位置累积叠加，得到概率累计图I_PA(x,y)。

9.如权利要求8所述的毫米波图像自动目标识别方法，其特征在于，所述步骤(4)中基于所述概率累计图I_PA(x,y)，通过一个硬阈值TH_prob获得对应的二值图像B₁(x,y)，以基于该二值图像B₁(x,y)进行目标标注，其中：

$B_1(x,y)=\left\{\begin{array}{cc}1& I_{PA}(x,y)\&GreaterEqual;{\mathrm{TH}}_{prob}\\ 0& I_{PA}(x,y)<{\mathrm{TH}}_{prob}\end{array}\right..$

10.如权利要求9所述的毫米波图像自动目标识别方法，其特征在于，对于二值图像B₁(x,y)的每个连通区域，根据该连通区域的最大概率累计值max_prob和面积S，计算出一个自适应阈值TH_adap：

TH_adap＝min(TH_m,a×max_prob+b×S)，

其中，TH_m为自适应阈值的上限，a和b均为常数；

基于所述概率累计图I_PA(x,y)，对所述二值图像B₁(x,y)进行目标精确定位与虚警去除获得二值图像B₂(x,y)，以基于该二值图像B₂(x,y)进行目标标注，其中：

$B_2(x,y)=\{\begin{array}{cc}1& I_{PA}(x,y)\&GreaterEqual;{\mathrm{TH}}_{adap},B_1(x,y)=1\\ 0& I_{PA}(x,y)<{\mathrm{TH}}_{adap},B_1(x,y)=1\end{array}.$

11.如权利要求10所述的毫米波图像自动目标识别方法，其特征在于，将所述二值图像B₂(x,y)中面积小于面积阈值TH_area的连通区域删除，得到二值图像B₃(x,y)，以基于该二值图像B₃(x,y)进行目标标注。

12.如权利要求11所述的毫米波图像自动目标识别方法，其特征在于，在所述二值图像B₃(x,y)的各连通区域对应的待目标识别的毫米波图像的位置上用矩形框进行目标标注。

13.一种毫米波图像自动目标识别装置，其包括：

图像划分模块，其被配置为获取待目标识别的毫米波图像的子图块；

卷积神经网络识别模块，其被配置为基于经训练的卷积神经网络获取所述子图块包含目标的概率值；

概率累计图模块，其被配置为基于所述概率值获取待目标识别的毫米波图像的概率累计图；

目标标注模块，其被配置为基于所述概率累计图进行目标标注，以完成对待目标识别的毫米波图像的目标识别。

14.如权利要求13所述的毫米波图像自动目标识别装置，其特征在于，还包括：

训练样本获取模块，其被配置为获取训练样本，所述训练样本为经图像标注的毫米波图像的子图块样本，该子图块样本被区分为正样本和负样本，其中，正样本表示其包含目标，负样本表示其不包含目标；

卷积神经网络训练模块，其被配置为基于所述训练样本训练卷积神经网络，得到所述经训练的卷积神经网络。

15.如权利要求14所述的毫米波图像自动目标识别装置，其特征在于，所述训练样本获取模块进一步被配置为根据所述子图块样本与所述图像标注的重合程度区分正样本和负样本：设定一重合程度阈值，将不小于该重合程度阈值的子图块样本区分为正样本，将小于该重合程度阈值的子图块样本区分为负样本。

16.如权利要求15所述的毫米波图像自动目标识别装置，其特征在于，所述训练样本获取模块进一步被配置为设定第一方差阈值，将不大于该第一方差阈值的正样本和负样本排除。

17.如权利要求15所述的毫米波图像自动目标识别装置，其特征在于，所述训练样本获取模块进一步被配置为对所述正样本进行样本增强处理。

18.如权利要求13所述的毫米波图像自动目标识别装置，其特征在于，所述卷积神经网络识别模块进一步被配置为所述卷积神经网络包括卷积层和逻辑回归层，所述卷积神经网络的输入为所述子图块，所述卷积层输出作为所述子图块的特征的特征向量，所述逻辑回归层根据所述特征向量输出所述概率值。

19.如权利要求18所述的毫米波图像自动目标识别装置，其特征在于，所述卷积神经网络识别模块进一步被配置为设定第二方差阈值，将小于该第二方差阈值的所述子图块从所述卷积神经网络的输入中排除，同时相应输出的概率值为零。

20.如权利要求13所述的毫米波图像自动目标识别装置，其特征在于，所述概率累计图模块进一步被配置为将所述概率值在待目标识别的毫米波图像的对应位置累积叠加，得到概率累计图I_PA(x,y)。

21.如权利要求20所述的毫米波图像自动目标识别装置，其特征在于，还包括潜在目标提取模块，其被配置为基于所述概率累计图I_PA(x,y)，通过一个硬阈值TH_prob获得对应的二值图像B₁(x,y)，以基于该二值图像B₁(x,y)进行目标标注，其中：

$B_1(x,y)=\left\{\begin{array}{cc}1& I_{PA}(x,y)\&GreaterEqual;{\mathrm{TH}}_{prob}\\ 0& I_{PA}(x,y)<{\mathrm{TH}}_{prob}\end{array}\right..$

22.如权利要求21所述的毫米波图像自动目标识别装置，其特征在于，还包括目标精确定位与虚警去除模块，其被配置为：对于二值图像B₁(x,y)的每个连通区域，根据该连通区域的最大概率累计值max_prob和面积S，计算出一个自适应阈值TH_adap：

TH_adap＝min(TH_m,a×max_prob+b×S)，

其中，TH_m为自适应阈值的上限，a和b均为常数；

基于所述概率累计图I_PA(x,y)，对所述二值图像B₁(x,y)进行目标精确定位与虚警去除获得二值图像B₂(x,y)，以基于该二值图像B₂(x,y)进行目标标注，其中：

$B_2(x,y)=\{\begin{array}{cc}1& I_{PA}(x,y)\&GreaterEqual;{\mathrm{TH}}_{adap},B_1(x,y)=1\\ 0& I_{PA}(x,y)<{\mathrm{TH}}_{adap},B_1(x,y)=1\end{array}.$

23.如权利要求22所述的毫米波图像自动目标识别装置，其特征在于，还包括面积阈值去噪模块，其被配置为：将所述二值图像B₂(x,y)中面积小于面积阈值TH_area的连通区域删除，得到二值图像B₃(x,y)，以基于该二值图像B₃(x,y)进行目标标注。

24.如权利要求23所述的毫米波图像自动目标识别装置，其特征在于，所述目标标注模块进一步被配置为在所述二值图像B₃(x,y)的各连通区域对应的待目标识别的毫米波图像的位置上用矩形框进行目标标注。