CN108108740A - 一种主动毫米波人体图像性别识别方法 - Google Patents

一种主动毫米波人体图像性别识别方法 Download PDF

Info

Publication number
CN108108740A
CN108108740A CN201711369674.9A CN201711369674A CN108108740A CN 108108740 A CN108108740 A CN 108108740A CN 201711369674 A CN201711369674 A CN 201711369674A CN 108108740 A CN108108740 A CN 108108740A
Authority
CN
China
Prior art keywords
human body
histograms
body image
active mmw
subject
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201711369674.9A
Other languages
English (en)
Other versions
CN108108740B (zh
Inventor
周健
叶金晶
孙谦晨
黄冰
钱蓉
孙晓玮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Institute of Microsystem and Information Technology of CAS
Original Assignee
Shanghai Institute of Microsystem and Information Technology of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Institute of Microsystem and Information Technology of CAS filed Critical Shanghai Institute of Microsystem and Information Technology of CAS
Priority to CN201711369674.9A priority Critical patent/CN108108740B/zh
Publication of CN108108740A publication Critical patent/CN108108740A/zh
Application granted granted Critical
Publication of CN108108740B publication Critical patent/CN108108740B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种主动毫米波人体图像性别识别方法，其包括：步骤S0，建立主动毫米波人体图像库；步骤S1，采集受检人的主动毫米波人体图像，并对该主动毫米波人体图像进行预处理；步骤S2，对经预处理的主动毫米波人体图像进行分割，获得受检人的躯干主体的分割图像；步骤S3，提取所述分割图像中的性别特征；步骤S4，分别确定所述灰度值直方图、方向梯度直方图特征向量和LBP纹理特征向量的权重；步骤S5，根据所述图像库中的主动毫米波人体图像，绘制性别识别图谱；以及步骤S6，识别出所述步骤S1中采集到的主动毫米波人体图像中受检人的性别。本发明可对海量不同性别人员图像快速分类与筛选，进而便于采取针对性隐私保护措施。

Description

一种主动毫米波人体图像性别识别方法
技术领域
本发明涉及一种图像识别方法，尤其涉及一种主动毫米波人体图像性别识别方法。
背景技术
众所周知，有源毫米波成像系统通过发射毫米波段能量至受检人员，再探测从受检人员身体反射信号强度来实现成像，其成像无离子辐射、方式隐蔽、非接触、分辨率适度，不会危害被检人员健康，且成像分辨率高于无源毫米波成像方式，适用于公共场所人体安检应用。因此，利用有源毫米波探测成像技术来实现随身隐匿违禁物的透视成像探检，已成为近年来国内外科学界和企业界研究的热点。
虽然有源毫米波成像不能像X射线那样清晰，但仍然能够看出人体某些隐私部位，采用技术手段对于人像隐私部位保护显得有位必要。然而，现有的图像识别方法多对性别不加以识别，隐私保护往往不加以区别，因此一方面容易导致在不必要的部位进行过度隐私保护，一方面也导致不必要的计算，导致计算资源浪费，降低了运算效率。
例如，现有技术中公开了常规的隐私部位自动检测成像设备(ZL201110458213.5)，虽然这种设备能够对人体隐私部位进行检测，对隐私部位所在局部特殊区域进行高斯模糊完成遮挡处理，最后将隐私部位遮挡后图像传送到系统外计算机显示器，但是该设备未提及性别识别算法，对于男女受检人员不加区别，容易出现隐私部位漏检。再例如，专利ZL201210050293.5公开了关于隐私部位与隐匿物交叠时的隐私保护和隐匿物识别，其提出对人体隐私部位进行屏蔽并标示出隐匿物品信息，包括，选择所述人体检测中的目的图像，判断隐匿物品是否处于隐私部位，如果是，则使用与人体颜色不同的色彩块表示隐匿物品并在所述目的图像上标示，如果否，则将隐私部位模糊化。然而，该专利同样未提及性别识别，对于男女受检人员不加区别，容易误判导致识别率下降。
鉴于上述情况，目前有必要提取主动毫米波人体图像中的男女图像特征，对男性、女性受检人进行差别化的隐私保护处理。
发明内容
为了解决上述现有技术存在的问题，本发明旨在提供一种主动毫米波人体图像性别识别方法，以对不同性别人员采取有针对性隐私保护。
本发明所述的一种主动毫米波人体图像性别识别方法，其包括以下步骤：
步骤S0，建立主动毫米波人体图像库，该图像库中存储有已标示受检人性别属性的主动毫米波人体图像；
步骤S1，采集受检人的主动毫米波人体图像，并对该主动毫米波人体图像进行预处理；
步骤S2，对经预处理的主动毫米波人体图像进行分割，获得受检人的躯干主体的分割图像；
步骤S3，提取所述分割图像中的性别特征，该性别特征包括：灰度值直方图、方向梯度直方图特征向量和LBP纹理特征向量；
步骤S4，分别确定所述灰度值直方图、方向梯度直方图特征向量和LBP纹理特征向量的权重；
步骤S5，根据所述图像库中的主动毫米波人体图像，绘制性别识别图谱，该性别识别图谱包括位于同一坐标系内的男性躯干直方图分布的图谱与女性躯干直方图分布的图谱；以及
步骤S6，根据所述灰度值直方图、方向梯度直方图特征向量和LBP纹理特征向量的权重，对所述步骤S3中获得的灰度值直方图与所述性别识别图谱的对比结果、方向梯度直方图特征向量和LBP纹理特征向量进行分析，以识别出所述步骤S1中采集到的主动毫米波人体图像中受检人的性别。
在上述的主动毫米波人体图像性别识别方法中，所述步骤S1包括：对所述主动毫米波人体图像进行二值化处理。
进一步地，在所述步骤S2中，所述受检人的躯干主体定位为人体的颈部以下、胯部以上的部位。
在上述的主动毫米波人体图像性别识别方法中，所述步骤S3包括以下步骤：
步骤S31，根据所述分割图像，计算获得所述灰度值直方图，包括：将所述分割图像按以下公式计算得到归一化的所述灰度值直方图：
其中，ri表示灰度值为[0，255]区间内的第i级亮度，ni表示灰度级为ri的像素点的个数，n代表所述分割图像中所有像素点的个数，P(ri)表示灰度级为ri的像素点的出现频数；
步骤S32，根据所述分割图像，计算获得所述方向梯度直方图特征向量，包括：首先将所述分割图像以区块交叠的方式分割成多个方形区块，然后根据以下公式，分别计算每个区块的梯度幅值与梯度方向：
或∈[0，180°)，
其中，Ix表示区块中像素单元在水平方向上的梯度，Iy表示区块中像素单元在垂直方向上的梯度，Q(x，y)表示区块的梯度幅值，θ(x，y)表示区块的梯度方向；以及
步骤S33，对所述分割图像进行纹理特征提取，以获得所述LBP纹理特征向量，包括：对所述分割图像进行像素单元划分，将得到每个像素单元内的LBP特征值绘制成直方图，并将各像素单元及其四周邻居单元组成的区域内的直方图做归一化处理，以获得所述LBP纹理特征向量。
优选地，在所述步骤S3中，所述性别特征还包括：受检人的身高、骨骼长度、躯干主体比例特征。
进一步地，在所述步骤S4中，所述灰度值直方图的权重占25～35％，方向梯度直方图特征向量的权重占25～35％，LBP纹理特征向量的权重占25～35％。
优选地，所述步骤S4还包括确定所述受检人的身高、骨骼长度、躯干主体比例特征的权重，且在所述步骤S4中，所述灰度值直方图的权重占25～35％，所述方向梯度直方图特征向量的权重占25～35％，所述LBP纹理特征向量的权重占25～35％，所述受检人的身高、骨骼长度、躯干主体比例特征占5～15％。
在上述的主动毫米波人体图像性别识别方法中，所述步骤S5包括以下步骤：
步骤S51，绘制所述男性躯干直方图分布的图谱，包括：将所述图像库中所有清晰的男性受检人的躯干主体的分割图像做灰度值直方图计算，并将计算结果全部叠加后求平均值，以得到所述男性躯干直方图分布的图谱；
步骤S52，绘制所述女性躯干直方图分布的图谱，包括：将所述图像库中所有清晰的女性受检人的躯干主体的分割图像做灰度值直方图计算，并将计算结果全部叠加后求平均值，以得到所述女性躯干直方图分布的图谱；以及
步骤S53，将所述男性躯干直方图分布的图谱与所述女性躯干直方图分布的图谱并入同一坐标系内，以获得所述性别识别图谱。
在上述的主动毫米波人体图像性别识别方法中，所述步骤S6包括：将所述灰度值直方图与所述性别识别图谱对比，以获得灰度值对比结果，同时将所述方向梯度直方图特征向量与预设的亮点数量阈值对比，以获得颜色对比结果，以及将所述LBP纹理特征向量与预设的曲度和阴影位置阈值，以获得纹理对比结果，根据所述灰度值直方图、方向梯度直方图特征向量和LBP纹理特征向量的权重，分析所述灰度值对比结果、颜色对比结果和纹理对比结果，以识别出所述步骤S1中采集到的主动毫米波人体图像中受检人的性别。
优选地，所述步骤S6包括：将所述灰度值直方图与所述性别识别图谱对比，以获得灰度值对比结果，同时将所述方向梯度直方图特征向量与预设的亮点数量阈值对比，以获得颜色对比结果，将所述LBP纹理特征向量与预设的曲度和阴影位置阈值，以获得纹理对比结果，以及将所述受检人的身高、骨骼长度、躯干主体比例特征与预设的身高、骨骼长度、躯干主体比例范围对比，以获得躯体对比结果，根据所述灰度值直方图、方向梯度直方图特征向量、LBP纹理特征向量和受检人的身高、骨骼长度、躯干主体比例特征的权重，分析所述灰度值对比结果、颜色对比结果、纹理对比结果和躯体对比结果，以识别出所述步骤S1中采集到的主动毫米波人体图像中受检人的性别。
由于采用了上述的技术解决方案，本发明通过同时提取人体图像的灰度值直方图、方向梯度直方图特征向量和LBP纹理特征向量，并提出一种基于灰度值提取的局域直方图性别识别特征图谱，以给出不同性别人员直观、量化的图谱特征，通过根据不同的权重比例，综合分析对比提取出的性别特征与图谱特征，从而有效识别人体图像性别，并且使性别识别准确率高于80％，由此可对海量不同性别人员图像快速分类与筛选，进而便于采取针对性隐私保护措施。本发明在毫米波安检仪隐私保护设备产品中具有巨大应用潜力。
附图说明
图1是本发明一种主动毫米波人体图像性别识别方法的流程图；
图2a、b分别是男、女性受检人的主动毫米波人体图像原图；
图3a、b分别是男、女性受检人的纹理特征图；
图4是男性躯干直方图分布的图谱；
图5是8名男性受检人的躯干主体的分割图像；
图6是根据图5获得的男性躯干直方图分布的图谱；
图7是女性躯干直方图分布的图谱；
图8是8名女性受检人的躯干主体的分割图像；
图9是根据图8获得的女躯干直方图分布的图谱；
图10是性别识别图谱；
图11示出了应用本发明所产生的人体图像性别识别结果。
具体实施方式
下面结合附图，给出本发明的较佳实施例，并予以详细描述。
如图1所示，本发明，即一种主动毫米波人体图像性别识别方法，包括以下步骤：
步骤S0，建立主动毫米波人体图像库；
在本实施例中，借助Simimage毫米波人体安检成像仪器，对特定人群(如亚洲人种)进行安检成像，收集1000张图像，并将各图像标示为属于男性受检人或女性受检人，以形成图像库。图2a、2b分别表示男、女性受检人的主动毫米波人体图像原图。
步骤S1，采集受检人的主动毫米波人体图像，并对主动毫米波人体图像进行预处理；
在本实施例中，可通过上述Simimage毫米波人体安检成像仪器采集人体图像；另外，主动毫米波人体图像预处理包括：对主动毫米波人体图像进行二值化处理，使主动毫米波人体图像中的各像素点值非黑即白，具体来说，通过以下公式(1)，确定合适的阈值T，进而确定RGB颜色值255与0的分配：
其中，f(x，y)表示主动毫米波人体图像的原图，g(x，y)为二值化处理后的图像，T为二值化的阈值；
由此处理模糊、图像附带大量毛刺噪声、图像边界的过渡地带发送混叠等现象，实现图像边缘锐化，使图像部分更加黑，背景更加白些，且二值形态学滤波后的图像亮度明显比经过灰度形态学滤波处理的图像高，也比毫米波原图的亮度高。
步骤S2，对经预处理的主动毫米波人体图像进行分割，获得受检人的躯干主体的分割图像，以用于进行后期数据处理，例如图像隐私部位定位和模糊化保护等；
在本实施例中，躯干主体定义为人体的颈部以下、胯部以上的部位。
步骤S3，提取受检人的躯干主体的分割图像中的性别特征，其具体包括以下步骤：
步骤S31，根据分割图像，计算获得灰度值直方图：所有分割图像均为灰度图像，灰度值在0～255范围内，将分割图像按以下公式(2)计算得到归一化的灰度值直方图：
其中，ri表示灰度值为[0，255]区间内的第i级亮度，ni表示灰度级为ri的像素点的个数，n代表分割图像中所有像素点的个数，P(ri)表示灰度级为ri的像素点的出现频数；
步骤S32，根据分割图像，计算获得方向梯度直方图特征向量(Histogram ofOriented Gradient，HOG)：
方向梯度直方图是在图像识别所需的特征中与颜色特征相关的一个重要特征值，常与支持向量有机结合应用，方向梯度直方图在选取图像区域较小时，表征特征效果更好，此时的结果除了包含梯度直方图外还包含了选取图像区域所在位置的几何信息。
该步骤S32具体包括：首先将分割图像以区块交叠的方式分割成多个方形区块，然后根据以下公式(3)和公式(4)，分别计算每个区块的梯度幅值与梯度方向：
或∈[0，180°)(4)，
其中，Ix表示区块中像素单元在水平方向上的梯度，Iy表示区块中像素单元在垂直方向上的梯度，Q(x，y)表示区块的梯度幅值，θ(x，y)表示区块的梯度方向；由此所得的HOG特征向量(可以用极化坐标表示)可用于图像性别识别分类；
步骤S33，对分割图像进行纹理特征提取，以获得LBP纹理特征向量：
纹理特征既可以作为局部特征也可以是全局特征，它表征了图像中目标主体的表面特性，并不能完全反映出物体的本质属性，但对于主动毫米波人体图像来说，由于男女生理特征的不同，对毫米波的反射回波信息会有明显差别，在回波信息中所包含的纹理特征也会有所不同，将图像进行纹理凸显处理后，从图3a、b可以看出(图3a为男性受检人的纹理特征图，图3b为女性受检人的纹理特征图)，性别不同的人体正面纹理的曲度、阴影部位不同，且躯干主体部位尤为明显，两者纹理特征差别较大，因此可以提取纹理特征向量作为性别识别的依据；另外，由于纹理特征不是基于单个像素点的单一信息，它需要综合统计包含多个像素点的区域信息，因此不容易受噪声影响。
局部二值模式(Local binary patterns，LBP)是在众多纹理特征参数中应用最为广泛的一种；LBP特征的定义是：在3×3的像素单元内，以中心像素点即第2行第2列的像素点为初始比较对象，将该点四周像素点灰度值与它比较大小，四周像素点灰度值较大时该位置记为1，四周像素点较小时记为0，此时该中心像素点周围的8个点标记可以产生一串8位二进制数，这串数字按一定规则编码后就代表了LBP特征的纹理信息。
该步骤S33具体包括：对分割图像进行像素单元划分，划分的像素单元的大小为10×10个像素点，将得到每个像素单元内的LBP特征值绘制成直方图，并将各像素单元及其四周邻居单元组成的区域内的直方图做归一化处理，最后可以得到关于受检人的躯干主体部分的LBP纹理特征向量。
步骤S4，分别确定灰度值直方图、方向梯度直方图(HOG)特征向量和LBP纹理特征向量的权重：
将上述灰度值直方图、HOG特征向量、LBP纹理特征向量作为性别识别的特征参照，这些特征值按照男女差异大小分配合适的权重，用于后期分类识别；另外，除了以上特征外，受检人的身高、躯干主体比例也可以作为辨别性别的依据，在做图像识别时，可作为辅助判断识别条件，所占权重较少，例如，可以通过主动毫米波人体数据库中男女图像身高和躯干主体比例，进行训练，分别获得男性和女性的一定的身高和躯干主体比例范围，并分别设定阈值，如果大部分男人的比例是A％，大部分女性比值为B％，当一个图像中身高和躯干主体比例落在该比例范围内，被认为是该性别可能性大于另外一种性别。
在本实施例中，以获得最大性别识别率为目的，开展特征的多权值分配，经过多轮优化(具体优化过程将在下文中描述)，当灰度值直方图的权重占25～35％(最优为30％)，HOG特征向量的权重占25～35％(最优为30％)，LBP纹理特征向量的权重占25～35％(最优为30％)，其余的受检人的身高、骨骼长度、躯干主体比例等特征占5～15％(最优为10％)时，性别识别准确率大于80％。
步骤S5，根据图像库中的主动毫米波人体图像，绘制性别识别图谱，其具体包括以下步骤：
步骤S51，绘制男性躯干直方图分布的图谱：
将主动毫米波人体图像库中所有符合清晰度条件(这里是指视觉上由于人员在成像时快速移动导致的模糊图像筛除，面部轮廓不清晰，口眼不清晰将被去掉)的男性受检人的躯干主体的分割图像做灰度值直方图计算，并将计算结果全部叠加后求平均值，从而得到男性躯干直方图分布的图谱(如图4所示)。
举例来说，如图5所示，从主动毫米波人体图像库中随机选取的8名男性受检人的躯干主体的分割图像(大小为60×110像素点)，进行灰度值直方图计算，重叠后得到如图6所示的结果，从图6可以看到相同性别的直方图分布相似，重合率较高。
步骤S52绘制女性躯干直方图分布的图谱：
同步骤S51，将主动毫米波人体图像库中所有符合清晰度条件的女性受检人的躯干主体的分割图像做灰度值直方图计算，并将计算结果全部叠加后求平均值，从而得到女性躯干直方图分布的图谱(如图7所示)。
举例来说，如图8所示，从主动毫米波人体图像库中随机选取的8名女性受检人的躯干主体的分割图像(大小为60×110像素点)(由于女性个体较小，相同大小选定框截取的躯干比例较大，但是灰度分布类型相似，特点明显)，进行灰度值直方图计算，重叠后得到如图9所示的结果，与图6所示的结果相似，从图9可以看到相同性别的直方图分布相似，重合率较高。
步骤S53，将男性躯干直方图分布的图谱与女性躯干直方图分布的图谱并入同一坐标系内(如图10所示)，从而获得男、女性受检人躯干直方图分布对比图，即性别识别图谱；根据该性别识别图谱可以得出，受检人躯干分割图像的灰度值直方图分布可以作为一个性别识别的特征依据。
步骤S6，图像性别识别：
将步骤S31中获得的灰度值直方图与步骤S53中获得的性别识别图谱对比，以获得灰度值对比结果，同时将步骤S32中获得的HOG特征向量与预设的亮点数量阈值对比，以获得颜色对比结果，以及将步骤S33中获得的LBP纹理特征向量与预设的曲度和阴影位置阈值，以获得纹理对比结果，根据步骤S4中确定的灰度值直方图、方向梯度直方图(HOG)特征向量和LBP纹理特征向量的权重，综合分析灰度值对比结果、颜色对比结果和纹理对比结果，由此识别出主动毫米波人体图像中受检人的性别。
在本实施例中，可以通过将步骤S31中获得的灰度值直方图中的峰值曲线与性别识别图谱中的两条峰值曲线(即，男、女性受检人躯干直方图的峰值曲线)对比，根据峰值坐标判断步骤S31中获得的灰度值直方图中的峰值曲线更接近性别识别图谱中的哪条峰值曲线，由此判断受检人的性别更大概率地属于男性或女性。同时，针对HOG特征向量和LBP纹理特征向量的性别判断属于现有技术，故此处不再赘述。另外，在分析上述对比结果的同时，还可以考虑受检人的身高、骨骼长度、躯干主体比例等特征(其所占权重占5～15％)，从而提高性别识别的准确率。
步骤S7，对经过性别识别的主动毫米波人体图像进行性别标示，并存入主动毫米波人体图像库中；由此不断更新图像库，增加训练样本，从而提高识别率。
上文中提到的，对于特征的多权值分配优化，可通过在主动毫米波人体图像库选取一定数量的男、女性受检人主动毫米波人体图像，然后执行上述步骤S2-S6对这些图像进行识别，在此过程中，不断调整权值分配比例，从而通过识别结果验证其准确性，并从中选取准确性最高的权值分配比例作为优化结果。
实验表明，将现有的隐私保护算法和本发明的性别识别方法运用于实际产品中，效果如图11所示，图中为中科院上海微系统所研制的毫米波安检成像SimImage产品的显示界面，左侧图像为三维全息的人体背面，不包含个人隐私信息无需隐私保护处理，右侧图像为人体正面在隐私模式下的图像。识别受检人的性别为男性，仅需采取两处隐私保护处理。
以上所述的，仅为本发明的较佳实施例，并非用以限定本发明的范围，本发明的上述实施例还可以做出各种变化。凡是依据本发明申请的权利要求书及说明书内容所作的简单、等效变化与修饰，皆落入本发明专利的权利要求保护范围。本发明未详尽描述的均为常规技术内容。

Claims (10)

1.一种主动毫米波人体图像性别识别方法，其特征在于，所述方法包括以下步骤：
步骤S0，建立主动毫米波人体图像库，该图像库中存储有已标示受检人性别属性的主动毫米波人体图像；
步骤S1，采集受检人的主动毫米波人体图像，并对该主动毫米波人体图像进行预处理；
步骤S2，对经预处理的主动毫米波人体图像进行分割，获得受检人的躯干主体的分割图像；
步骤S3，提取所述分割图像中的性别特征，该性别特征包括：灰度值直方图、方向梯度直方图特征向量和LBP纹理特征向量；
步骤S4，分别确定所述灰度值直方图、方向梯度直方图特征向量和LBP纹理特征向量的权重；
步骤S5，根据所述图像库中的主动毫米波人体图像，绘制性别识别图谱，该性别识别图谱包括位于同一坐标系内的男性躯干直方图分布的图谱与女性躯干直方图分布的图谱；以及
步骤S6，根据所述灰度值直方图、方向梯度直方图特征向量和LBP纹理特征向量的权重，对所述步骤S3中获得的灰度值直方图与所述性别识别图谱的对比结果、方向梯度直方图特征向量和LBP纹理特征向量进行分析，以识别出所述步骤S1中采集到的主动毫米波人体图像中受检人的性别。
2.根据权利要求1所述的主动毫米波人体图像性别识别方法，其特征在于，所述步骤S1包括：对所述主动毫米波人体图像进行二值化处理。
3.根据权利要求1所述的主动毫米波人体图像性别识别方法，其特征在于，在所述步骤S2中，所述受检人的躯干主体定位为人体的颈部以下、胯部以上的部位。
4.根据权利要求1所述的主动毫米波人体图像性别识别方法，其特征在于，所述步骤S3包括以下步骤：
步骤S31，根据所述分割图像，计算获得所述灰度值直方图，包括：将所述分割图像按以下公式计算得到归一化的所述灰度值直方图：
<mrow> <mi>P</mi> <mrow> <mo>(</mo> <mi>r</mi> <mi>i</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <mi>n</mi> <mi>i</mi> </mrow> <mi>n</mi> </mfrac> <mo>,</mo> </mrow>
其中，ri表示灰度值为[0,255]区间内的第i级亮度，ni表示灰度级为ri的像素点的个数，n代表所述分割图像中所有像素点的个数，P(ri)表示灰度级为ri的像素点的出现频数；
步骤S32，根据所述分割图像，计算获得所述方向梯度直方图特征向量，包括：首先将所述分割图像以区块交叠的方式分割成多个方形区块，然后根据以下公式，分别计算每个区块的梯度幅值与梯度方向：
<mrow> <mi>Q</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>=</mo> <msqrt> <mrow> <msubsup> <mi>I</mi> <mi>x</mi> <mn>2</mn> </msubsup> <mo>+</mo> <msubsup> <mi>I</mi> <mi>y</mi> <mn>2</mn> </msubsup> </mrow> </msqrt> <mo>,</mo> </mrow>
或∈[0,180°)，
其中，Ix表示区块中像素单元在水平方向上的梯度，Iy表示区块中像素单元在垂直方向上的梯度，Q(x,y)表示区块的梯度幅值，θ(x,y)表示区块的梯度方向；以及
步骤S33，对所述分割图像进行纹理特征提取，以获得所述LBP纹理特征向量，包括：对所述分割图像进行像素单元划分，将得到每个像素单元内的LBP特征值绘制成直方图，并将各像素单元及其四周邻居单元组成的区域内的直方图做归一化处理，以获得所述LBP纹理特征向量。
5.根据权利要求1所述的主动毫米波人体图像性别识别方法，其特征在于，在所述步骤S3中，所述性别特征还包括：受检人的身高、骨骼长度、躯干主体比例特征。
6.根据权利要求1所述的主动毫米波人体图像性别识别方法，其特征在于，在所述步骤S4中，所述灰度值直方图的权重占25～35％，方向梯度直方图特征向量的权重占25～35％，LBP纹理特征向量的权重占25～35％。
7.根据权利要求5所述的主动毫米波人体图像性别识别方法，其特征在于，所述步骤S4还包括确定所述受检人的身高、骨骼长度、躯干主体比例特征的权重，且在所述步骤S4中，所述灰度值直方图的权重占25～35％，所述方向梯度直方图特征向量的权重占25～35％，所述LBP纹理特征向量的权重占25～35％，所述受检人的身高、骨骼长度、躯干主体比例特征占5～15％。
8.根据权利要求1所述的主动毫米波人体图像性别识别方法，其特征在于，所述步骤S5包括以下步骤：
步骤S51，绘制所述男性躯干直方图分布的图谱，包括：将所述图像库中所有清晰的男性受检人的躯干主体的分割图像做灰度值直方图计算，并将计算结果全部叠加后求平均值，以得到所述男性躯干直方图分布的图谱；
步骤S52，绘制所述女性躯干直方图分布的图谱，包括：将所述图像库中所有清晰的女性受检人的躯干主体的分割图像做灰度值直方图计算，并将计算结果全部叠加后求平均值，以得到所述女性躯干直方图分布的图谱；以及
步骤S53，将所述男性躯干直方图分布的图谱与所述女性躯干直方图分布的图谱并入同一坐标系内，以获得所述性别识别图谱。
9.根据权利要求1所述的主动毫米波人体图像性别识别方法，其特征在于，所述步骤S6包括：将所述灰度值直方图与所述性别识别图谱对比，以获得灰度值对比结果，同时将所述方向梯度直方图特征向量与预设的亮点数量阈值对比，以获得颜色对比结果，以及将所述LBP纹理特征向量与预设的曲度和阴影位置阈值，以获得纹理对比结果，根据所述灰度值直方图、方向梯度直方图特征向量和LBP纹理特征向量的权重，分析所述灰度值对比结果、颜色对比结果和纹理对比结果，以识别出所述步骤S1中采集到的主动毫米波人体图像中受检人的性别。
10.根据权利要求7所述的主动毫米波人体图像性别识别方法，其特征在于，所述步骤S6包括：将所述灰度值直方图与所述性别识别图谱对比，以获得灰度值对比结果，同时将所述方向梯度直方图特征向量与预设的亮点数量阈值对比，以获得颜色对比结果，将所述LBP纹理特征向量与预设的曲度和阴影位置阈值，以获得纹理对比结果，以及将所述受检人的身高、骨骼长度、躯干主体比例特征与预设的身高、骨骼长度、躯干主体比例范围对比，以获得躯体对比结果，根据所述灰度值直方图、方向梯度直方图特征向量、LBP纹理特征向量和受检人的身高、骨骼长度、躯干主体比例特征的权重，分析所述灰度值对比结果、颜色对比结果、纹理对比结果和躯体对比结果，以识别出所述步骤S1中采集到的主动毫米波人体图像中受检人的性别。
CN201711369674.9A 2017-12-18 2017-12-18 一种主动毫米波人体图像性别识别方法 Active CN108108740B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711369674.9A CN108108740B (zh) 2017-12-18 2017-12-18 一种主动毫米波人体图像性别识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711369674.9A CN108108740B (zh) 2017-12-18 2017-12-18 一种主动毫米波人体图像性别识别方法

Publications (2)

Publication Number Publication Date
CN108108740A true CN108108740A (zh) 2018-06-01
CN108108740B CN108108740B (zh) 2022-01-04

Family

ID=62210898

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711369674.9A Active CN108108740B (zh) 2017-12-18 2017-12-18 一种主动毫米波人体图像性别识别方法

Country Status (1)

Country Link
CN (1) CN108108740B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108958115A (zh) * 2018-07-16 2018-12-07 芜湖博高光电科技股份有限公司 一种用于卫生间的智能人体感应装置及其使用方法
CN108937869A (zh) * 2018-07-12 2018-12-07 芜湖博高光电科技股份有限公司 一种手持式透视骨骼的毫米波急救装置及操作方法
CN109727254A (zh) * 2018-11-27 2019-05-07 深圳市华讯方舟太赫兹科技有限公司 人体扫描图像处理方法、设备及计算机可读存储介质
CN111209793A (zh) * 2019-12-05 2020-05-29 重庆特斯联智慧科技股份有限公司 一种基于人工智能的区域屏蔽人体安检方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050231417A1 (en) * 2004-04-14 2005-10-20 Michael Fleisher Surveilled subject privacy imaging
US20050232487A1 (en) * 2004-04-14 2005-10-20 Safeview, Inc. Active subject privacy imaging
CN102708561A (zh) * 2012-02-29 2012-10-03 北京无线电计量测试研究所 一种基于毫米波成像的隐私保护装置
CN102708560A (zh) * 2012-02-29 2012-10-03 北京无线电计量测试研究所 一种基于毫米波成像的隐私保护方法
CN106127732A (zh) * 2016-06-13 2016-11-16 深圳市太赫兹科技创新研究院 微波图像中人体性别检测方法和装置
CN106326834A (zh) * 2016-07-29 2017-01-11 华讯方舟科技有限公司 人体性别自动识别方法及装置
CN106447634A (zh) * 2016-09-27 2017-02-22 中国科学院上海微系统与信息技术研究所 一种基于有源毫米波成像的隐私部位定位与保护方法
US20170337447A1 (en) * 2016-05-17 2017-11-23 Steven Winn Smith Body Scanner with Automated Target Recognition

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050231417A1 (en) * 2004-04-14 2005-10-20 Michael Fleisher Surveilled subject privacy imaging
US20050232487A1 (en) * 2004-04-14 2005-10-20 Safeview, Inc. Active subject privacy imaging
CN102708561A (zh) * 2012-02-29 2012-10-03 北京无线电计量测试研究所 一种基于毫米波成像的隐私保护装置
CN102708560A (zh) * 2012-02-29 2012-10-03 北京无线电计量测试研究所 一种基于毫米波成像的隐私保护方法
US20170337447A1 (en) * 2016-05-17 2017-11-23 Steven Winn Smith Body Scanner with Automated Target Recognition
CN106127732A (zh) * 2016-06-13 2016-11-16 深圳市太赫兹科技创新研究院 微波图像中人体性别检测方法和装置
CN106326834A (zh) * 2016-07-29 2017-01-11 华讯方舟科技有限公司 人体性别自动识别方法及装置
CN106447634A (zh) * 2016-09-27 2017-02-22 中国科学院上海微系统与信息技术研究所 一种基于有源毫米波成像的隐私部位定位与保护方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JOHN A. LOVBERG等: "Passive millimeter-wave imaging for concealed article detection", 《PROCEEDINGS OF THE SPIE - THE INTERNATIONAL SOCIETY FOR OPTICAL ENGINEERING》 *
叶金晶等: "主动毫米波成像隐私保护算法", 《红外与毫米波学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108937869A (zh) * 2018-07-12 2018-12-07 芜湖博高光电科技股份有限公司 一种手持式透视骨骼的毫米波急救装置及操作方法
CN108958115A (zh) * 2018-07-16 2018-12-07 芜湖博高光电科技股份有限公司 一种用于卫生间的智能人体感应装置及其使用方法
CN109727254A (zh) * 2018-11-27 2019-05-07 深圳市华讯方舟太赫兹科技有限公司 人体扫描图像处理方法、设备及计算机可读存储介质
CN109727254B (zh) * 2018-11-27 2021-03-05 深圳市重投华讯太赫兹科技有限公司 人体扫描图像处理方法、设备及计算机可读存储介质
CN111209793A (zh) * 2019-12-05 2020-05-29 重庆特斯联智慧科技股份有限公司 一种基于人工智能的区域屏蔽人体安检方法及系统

Also Published As

Publication number Publication date
CN108108740B (zh) 2022-01-04

Similar Documents

Publication Publication Date Title
CN108108740A (zh) 一种主动毫米波人体图像性别识别方法
Qureshi et al. Combining algorithms for automatic detection of optic disc and macula in fundus images
CN105513035B (zh) 一种被动毫米波图像中人体隐匿物品的检测方法及其系统
CN108009531A (zh) 一种多策略防欺诈的人脸识别方法
US8594411B2 (en) Pathologic tissue image analyzing apparatus, pathologic tissue image analyzing method, and pathologic tissue image analyzing program
CN104103082A (zh) 一种基于区域描述和先验知识的图像显著性检测方法
CN105427275B (zh) 大田环境麦穗计数方法及装置
CN103218832B (zh) 基于图像中全局颜色对比度和空域分布的视觉显著性算法
CN102609684B (zh) 人体姿势检测方法及装置
CN108154087A (zh) 一种基于特征匹配的红外人体目标检测跟踪方法
CN103927741A (zh) 增强目标特征的sar图像合成方法
US11017219B2 (en) Method and apparatus for detecting human body gender in microwave image
CN106326834A (zh) 人体性别自动识别方法及装置
CN104794708A (zh) 一种基于多特征学习的动脉粥样硬化斑块成分分割方法
CN107730439B (zh) 一种人体图像映射方法、系统及终端设备
CN107958453A (zh) 乳腺图像病变区域的检测方法、装置及计算机存储介质
CN106355744B (zh) 一种印尼盾币值的识别方法及装置
Gayathri et al. A survey of breast cancer detection based on image segmentation techniques
CN110120032A (zh) 基于相对总变差模型与mser的织物毛球等级评价方法
CN108288279A (zh) 一种基于x光图像前景目标提取的物品甄别方法
CN106682678A (zh) 一种基于支撑域的图像角点检测和分类方法
CN108648204A (zh) 一种实现人工智能区域屏蔽的人体安检的方法和装置
CN105069805A (zh) 被动式太赫兹图像分割方法
CN106447634A (zh) 一种基于有源毫米波成像的隐私部位定位与保护方法
CN108537787A (zh) 一种人脸图像的质量判定方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant