CN108830225B - 太赫兹图像中目标物体的检测方法、装置、设备及介质 - Google Patents
太赫兹图像中目标物体的检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN108830225B CN108830225B CN201810628340.7A CN201810628340A CN108830225B CN 108830225 B CN108830225 B CN 108830225B CN 201810628340 A CN201810628340 A CN 201810628340A CN 108830225 B CN108830225 B CN 108830225B
- Authority
- CN
- China
- Prior art keywords
- layer
- terahertz image
- target object
- image
- detecting
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000001514 detection method Methods 0.000 claims abstract description 77
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 41
- 238000011176 pooling Methods 0.000 claims abstract description 34
- 210000002569 neuron Anatomy 0.000 claims abstract description 19
- 238000010586 diagram Methods 0.000 claims abstract description 17
- 238000005457 optimization Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 7
- 238000010276 construction Methods 0.000 abstract description 2
- 238000007689 inspection Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 235000019580 granularity Nutrition 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000919 ceramic Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052755 nonmetal Inorganic materials 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
Abstract
本发明实施例公开了一种太赫兹图像中目标物体的检测方法、装置、设备及计算机可读存储介质。其中，方法包括将待检测的太赫兹图像输入预先构建的优化目标检测层，得到太赫兹图像的特征图，并根据特征图生成建议窗口；利用感兴趣区域卷积层将特征图和包含建议窗口的特征图生成预设尺寸的第二特征图；最后利用边框回归化生成目标检测窗口的坐标，以用于检测太赫兹图像中的目标物体。优化目标检测层的构建过程包括采用层级修改faster‑Rcnn算法模型的网络结构配置文件以裁剪卷积层和池化层的数目，采用神经元级裁剪滤波器数目，并通过修改dropout层参数或者增加dropout层以减少神经元连接。本申请提供的技术方案可有效提高太赫兹图像中目标物体检测的效率和准确率。
Description
技术领域
本发明实施例涉及太赫兹技术领域，特别是涉及一种太赫兹图像中目标物体的检测方法、装置、设备及计算机可读存储介质。
背景技术
太赫兹波为波长在30μm～3mm之间的远红外电磁辐射，可穿透纸张、塑料和布料等物质，利用太赫兹波作为信号源进行成像得到的太赫兹成像视频，可发现隐藏于人体衣物下的物品。由于太赫兹波电离能量很低，对人体不存在任何伤害，且太赫兹成像能检测金属物品以及非金属违禁品(如炸药、陶瓷刀、玻璃刀、毒品等)，使得太赫兹成像广泛应用于人体安检。
但是，基于太赫兹技术的人体成像的分辨率较低、视频帧率信噪比低、对比度差，细节表现不丰富，无法得知目标物体(例如违禁品)在人体图像中的大小、形状、准确位置等信息，无法满足人体安检速度和准确性的现实需求。
目前针对人体安检太赫兹图像中目标物体的检测方法，多数集中在对图像中可疑物品的定位和分割上，先采用图像分割、轮廓跟踪、区域生长、模糊聚类等方法分离出物体，然后再进行物体的分类和识别。近年来，由于深度学习技术的迅猛发展和应用，目标视觉检测研究取得了很大进展，图像物体检测和识别的速度和准确性都得到了很大提高。但是，直接将深度学习算法应用在太赫兹图像的目标物体的检测中，目标物体检测准确率较低，且检测测速度较慢。
鉴于此，如何提高太赫兹图像中目标物体检测的效率和准确率，是本领域技术人员亟待解决的问题。
发明内容
本发明实施例的目的是提供一种太赫兹图像中目标物体的检测方法、装置、设备及计算机可读存储介质，提高了太赫兹图像目标物体检测的效率和准确率。
为解决上述技术问题，本发明实施例提供以下技术方案：
本发明实施例一方面提供了一种太赫兹图像中目标物体的检测方法，包括：
预先根据接收到的结构裁剪指令对faster-Rcnn算法模型进行优化，生成优化目标检测层；
将待检测的太赫兹图像输入所述优化目标检测层，得到所述太赫兹图像的特征图，并根据所述特征图生成建议窗口；
利用感兴趣区域卷积层将所述特征图和包含建议窗口的特征图生成预设尺寸的第二特征图；
根据第二特征图，利用边框回归化生成目标检测窗口的坐标，以用于检测太赫兹图像中的目标物体；
所述对faster-Rcnn算法模型进行优化包括：
采用层级修改faster-Rcnn算法模型的网络结构配置文件以裁剪卷积层和池化层的数目，采用神经元级裁剪滤波器数目，并通过修改dropout层参数或者增加dropout层以减少神经元连接。
可选的，所述优化目标检测层还包括图像增强层，用于采用指数非线性变化对所述太赫兹图像进行空域图像增强。
可选的，所述优化目标检测层还包括噪声处理层，用于采用非线性滤波算法去除经空域图像增强后的太赫兹图像的噪声。
可选的，所述优化目标检测层包括大小为7*7、步长为2的第一卷积层，与所述第一卷积层相连、大小为3*3、步长为2的第一池化层，与所述第一池化层相连、大小为3*3、步长为1的第二卷积层，与所述第二卷积层相连、大小为2*2、步长为1的第二池化层，与所述第二池化层相连的全连接层。
可选的，所述第一卷积层和所述第一池化层分别具有64个过滤器；所述第二卷积层和所述第二池化层分别具有256个过滤器。
本发明实施例另一方面提供了一种太赫兹图像中目标物体的检测装置，包括：
网络优化模块，用于预先根据接收到的结构裁剪指令对faster-Rcnn算法模型进行优化，生成优化目标检测层，所述对faster-Rcnn算法模型进行优化包括：采用层级修改faster-Rcnn算法模型的网络结构配置文件以裁剪卷积层和池化层的数目，采用神经元级裁剪滤波器数目，并通过修改dropout层参数或者增加dropout层以减少神经元连接；
图像输入模块，用于将待检测的太赫兹图像输入所述优化目标检测层，得到所述太赫兹图像的特征图，并根据所述特征图生成建议窗口；
特征图生成模块，用于利用感兴趣区域卷积层将所述特征图和包含建议窗口的特征图生成预设尺寸的第二特征图；
检测窗口坐标生成模块，用于根据第二特征图，利用边框回归化生成目标检测窗口的坐标，以用于检测太赫兹图像中的目标物体。
可选的，所述网络优化模块还包括设置在所述优化目标检测层的图像增强层；
所述图像增强层用于采用指数非线性变化对所述太赫兹图像进行空域图像增强。
可选的，所述网络优化模块还包括设置在所述优化目标检测层的噪声处理层；
所述噪声处理层用于采用非线性滤波算法去除经空域图像增强后的太赫兹图像的噪声。
本发明实施例还提供了一种太赫兹图像中目标物体的检测设备，包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如前任一项所述太赫兹图像中目标物体的检测方法的步骤。
本发明实施例最后还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有太赫兹图像中目标物体的检测程序，所述太赫兹图像中目标物体的检测程序被处理器执行时实现如前任一项所述太赫兹图像中目标物体的检测方法的步骤。
本发明实施例提供了一种太赫兹图像中目标物体的检测方法，将待检测的太赫兹图像输入预先构建的优化目标检测层，得到太赫兹图像的特征图，并根据特征图生成建议窗口；利用感兴趣区域卷积层将特征图和包含建议窗口的特征图生成预设尺寸的第二特征图；最后利用边框回归化生成目标检测窗口的坐标，以用于检测太赫兹图像中的目标物体。优化目标检测层的构建过程包括采用层级修改faster-Rcnn算法模型的网络结构配置文件以裁剪卷积层和池化层的数目，采用神经元级裁剪滤波器数目，并通过修改dropout层参数或者增加dropout层以减少神经元连接。
本申请提供的技术方案的优点在于，对现有的faster-Rcnn算法模型从层级、神经元级和神经连接级等多个粒度进行裁剪实现结构优化，可有效的减少了网络参数和计算复杂度。对其卷积层进行裁剪，可减少参数数目和训练时间，从而有效提高图像处理的速度；对池化层进行裁剪，尽量保留高层特征，在提高图像处理速度的基础上保证图像处理的准确度。由于太赫兹图像本身的分辨率较低、视频帧率信噪比低、对比度差，细节表现不丰富等特点，较现有结构复杂的faster-Rcnn算法模型，优化后的模型不仅可快速检测太赫兹图像中的异物，且可在一定程度上提升太赫兹图像异物检测的准确度，可见本申请可有效提高太赫兹图像中目标物体检测的效率和准确率，从而满足安检系统中人物同检场景中检测速度的现实要求。
此外，本发明实施例还针对太赫兹图像中目标物体的检测方法提供了相应的实现装置、设备及计算机可读存储介质，进一步使得所述方法更具有实用性，所述装置、设备及计算机可读存储介质具有相应的优点。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种太赫兹图像中目标物体的检测方法的流程示意图；
图2为本发明实施例提供的优化目标检测层的结构示意图；
图3为本发明实施例提供的太赫兹图像中目标物体的检测装置的一种具体实施方式结构图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等是用于区别不同的对象，而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可包括没有列出的步骤或单元。
经典的Faster RCNN的主要组成部分中：Conv layers(卷积层)作为一种CNN(Convolutional Neural Network，卷积神经网络)网络目标检测方法，使用一组基础的conv(卷积层)+relu(激活层)+pooling(池化层)提取图像的feature maps(特征图)。该feature maps(特征图)被共享用于后续RPN层和全连接层。RPN网络用于生成regionproposals(目标区域)，通过判断anchors Box(锚框)属于foreground(前景)或者background(后景)，再利用bounding box regression(边框回归化)修正检测框获得精确的目标。Roi Pooling(感兴趣区域卷积层)收集输入的feature maps(特征图)和proposals(建议窗口)，综合这些信息后提取proposal feature maps(目标特征图)，送入后续全连接层判定目标类别；Classification(分类)：利用proposal feature maps(目标特征图)计算检测目标的类别，同时再次bounding box regression(边框回归化)获得检测框最终的精确位置。
本申请的发明人经过研究发现，现有的faster-Rcnn算法模型网络参数较多，计算复杂度较高，例如卷积有13层，每个卷积的大小都是3×3，步长为1，池化层有4层，每个池化层的大小为2×2，步长为2。而太赫兹图像本身分辨率较低、对比度不高、细节也不丰富，利用现有的faster-Rcnn算法模型直接检测太赫兹图像中的目标物体，不仅检测准确度不高，检测速度还较低。
鉴于此，本申请通过对faster-Rcnn算法模型进行结构优化，从而提高太赫兹图像目标物体检测的效率和准确率。
在介绍了本发明实施例的技术方案后，下面详细的说明本申请的各种非限制性实施方式。
首先参见图1，图1为本发明实施例提供的一种太赫兹图像中目标物体的检测方法的流程示意图，本发明实施例可包括以下内容：
S101：预先根据接收到的结构裁剪指令对faster-Rcnn算法模型进行优化，生成优化目标检测层。
S102：将待检测的太赫兹图像输入优化目标检测层，得到太赫兹图像的特征图，并根据特征图生成建议窗口。
S103：利用感兴趣区域卷积层将特征图和包含建议窗口的特征图生成预设尺寸的第二特征图。
S104：根据第二特征图，利用边框回归化生成目标检测窗口的坐标，以用于检测太赫兹图像中的目标物体。
针对太赫兹图像的特点(例如图像信噪比低、模糊严重、分辨率差)，对现有的faster-Rcnn算法模型进行优化，以减少网络模型中的网络参数和计算复杂度，可从层级、神经元级和神经连接级等多个粒度进行裁剪，具体可包括：
采用层级修改faster-Rcnn算法模型的网络结构配置文件以裁剪卷积层和池化层的数目，采用神经元级裁剪滤波器数目，并通过修改dropout层参数或者增加dropout层以减少神经元连接。
其中，faster-Rcnn算法模型的网络结构可为任何一种网络，例如VGG16，本申请对此不作任何限定。
在一种具体的实施方式中，请参阅图2，优化目标检测层可包括大小(kernel)为7*7、步长(stride)为2的第一卷积层(conv1)，与第一卷积层相连、大小为3*3、步长为2的第一池化层(pool1)，与第一池化层相连、大小为3*3、步长为1的第二卷积层(conv2)，与第二卷积层相连、大小为2*2、步长为1的第二池化层(pool2)，与第二池化层相连的Fully-Connected全连接层(fc1-fc2-fc3)。其中，第一卷积层和第一池化层分别具有64个过滤器(filters)；第二卷积层和第二池化层分别具有256个过滤器。
Dropout为在深度学习网络的训练过程中，对于神经网络单元，按照Dropout参数设置的概率将其暂时从网络中丢弃，对于随机梯度下降来说，由于是随机丢弃，故而每一个mini-batch都在训练不同的网络。Dropout层是CNN中防止过拟合提高效果的一个大杀器。
利用优化目标检测层获取得到输入的太赫兹图像的feature maps(特征图片)后，将生成的feature maps(特征图片)生成proposals(建议窗口)，将原本的feature maps(特征图片)和带有proposals(建议窗口)的feature maps(特征图片)通过RoI pooling(感兴趣区域卷积层)生成固定尺寸的feature maps(特征图片)，再用Bounding Box regression(边框回归化)生成检测窗口的坐标，根据生成的坐标在太赫兹图像中确定目标物体，进而对目标物体进行检测。
太赫兹图像中的目标物体为用户想要检测的物体，例如应用在太赫兹人体安检系统中，目标物体即为违禁品，例如枪支、弹药等危险品。
在本发明实施例提供的技术方案中，对现有的faster-Rcnn算法模型从层级、神经元级和神经连接级等多个粒度进行裁剪实现结构优化，可有效的减少了网络参数和计算复杂度。对其卷积层进行裁剪，可减少参数数目和训练时间，从而有效提高图像处理的速度；对池化层进行裁剪，尽量保留高层特征，在提高图像处理速度的基础上保证图像处理的准确度。由于太赫兹图像本身的分辨率较低、视频帧率信噪比低、对比度差，细节表现不丰富等特点，较现有结构复杂的faster-Rcnn算法模型，优化后的模型不仅可快速检测太赫兹图像中的异物，且可在一定程度上提升太赫兹图像异物检测的准确度，可见本申请可有效提高太赫兹图像中目标物体检测的效率和准确率，从而满足安检系统中人物同检场景中检测速度的现实要求。
为了进一步的提升太赫兹图像中目标物体检测的效率和准确率，本申请还提供了另外一个实施例，基于上述实施例，具体可包括：
优化目标检测层可包括图像增强层，用于采用指数非线性变化对太赫兹图像进行空域图像增强。优化目标检测层还可包括噪声处理层，用于采用非线性滤波算法去除经空域图像增强后的太赫兹图像的噪声。
在太赫兹图像进行目标检测之前，为了提升后续数据的检查准确性，对太赫兹图像进行预处理，即采用指数非线性变化空域图像增强，非线性滤波算法去噪。非线性滤波算法为一种能改善图像边缘保护能力的同时提高图像分辨率的空域去噪方法，如中值滤波对一定类型的随机噪声具有优秀的去噪能力，并且在相同尺寸下，它对图像的模糊程度要低于线性平滑滤波。
将图像预处理算法融合在优化目标检测层，相比现有的faster-Rcnn算法模型，有效的提高了太赫兹图像中目标物体检测的效率和准确率，从而满足安检系统中人物同检场景中检测速度的现实要求。
本发明实施例还针对太赫兹图像中目标物体的检测方法提供了相应的实现装置，进一步使得所述方法更具有实用性。下面对本发明实施例提供的太赫兹图像中目标物体的检测装置进行介绍，下文描述的太赫兹图像中目标物体的检测装置与上文描述的太赫兹图像中目标物体的检测方法可相互对应参照。
参见图3，图3为本发明实施例提供的太赫兹图像中目标物体的检测装置在一种具体实施方式下的结构图，该装置可包括：
网络优化模块301，用于预先根据接收到的结构裁剪指令对faster-Rcnn算法模型进行优化，生成优化目标检测层，对faster-Rcnn算法模型进行优化包括：采用层级修改faster-Rcnn算法模型的网络结构配置文件以裁剪卷积层和池化层的数目，采用神经元级裁剪滤波器数目，并通过修改dropout层参数或者增加dropout层以减少神经元连接。
图像输入模块302，用于将待检测的太赫兹图像输入优化目标检测层，得到太赫兹图像的特征图，并根据特征图生成建议窗口。
特征图生成模块303，用于利用感兴趣区域卷积层将特征图和包含建议窗口的特征图生成预设尺寸的第二特征图。
检测窗口坐标生成模块304，用于根据第二特征图，利用边框回归化生成目标检测窗口的坐标，以用于检测太赫兹图像中的目标物体。
可选的，在本实施例的一些实施方式中，所述网络优化模块301还可包括设置在优化目标检测层的图像增强层；图像增强层用于采用指数非线性变化对太赫兹图像进行空域图像增强。
进一步的，所述网络优化模块301例如还可包括设置在优化目标检测层的噪声处理层；噪声处理层用于采用非线性滤波算法去除经空域图像增强后的太赫兹图像的噪声。
本发明实施例所述太赫兹图像中目标物体的检测装置的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
由上可知，本发明实施例提高了太赫兹图像目标物体检测的效率和准确率。
本发明实施例还提供了一种太赫兹图像中目标物体的检测设备，具体可包括：
存储器，用于存储计算机程序；
处理器，用于执行计算机程序以实现如上任意一实施例所述太赫兹图像中目标物体的检测方法的步骤。
本发明实施例所述太赫兹图像中目标物体的检测设备的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
由上可知，本发明实施例提高了太赫兹图像目标物体检测的效率和准确率。
本发明实施例还提供了一种计算机可读存储介质，存储有太赫兹图像中目标物体的检测程序，所述太赫兹图像中目标物体的检测程序被处理器执行时如上任意一实施例所述太赫兹图像中目标物体的检测方法的步骤。
本发明实施例所述计算机可读存储介质的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
由上可知，本发明实施例提高了太赫兹图像目标物体检测的效率和准确率。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的一种太赫兹图像中目标物体的检测方法、装置、设备及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种太赫兹图像中目标物体的检测方法，其特征在于，包括：
预先根据接收到的结构裁剪指令，对faster-Rcnn算法模型进行优化，生成优化目标检测层；
将待检测的太赫兹图像输入所述优化目标检测层，得到所述太赫兹图像的特征图，并根据所述特征图生成建议窗口；
利用感兴趣区域池化层将所述特征图和包含建议窗口的特征图生成预设尺寸的第二特征图；
根据第二特征图，利用边框回归化生成目标检测窗口的坐标，以用于检测太赫兹图像中的目标物体；
所述对faster-Rcnn算法模型进行优化包括：
采用层级修改faster-Rcnn算法模型的网络结构配置文件以裁剪卷积层和池化层的数目，采用神经元级裁剪滤波器数目，并通过修改dropout层参数或者增加dropout层以减少神经元连接。
2.根据权利要求1所述的太赫兹图像中目标物体的检测方法，其特征在于，所述优化目标检测层还包括图像增强层，用于采用指数非线性变化对所述太赫兹图像进行空域图像增强。
3.根据权利要求2的太赫兹图像中目标物体的检测方法，其特征在于，所述优化目标检测层还包括噪声处理层，用于采用非线性滤波算法去除经空域图像增强后的太赫兹图像的噪声。
4.根据权利要求1至3任意一项所述的太赫兹图像中目标物体的检测方法，其特征在于，所述优化目标检测层包括大小为7*7、步长为2的第一卷积层，与所述第一卷积层相连、大小为3*3、步长为2的第一池化层，与所述第一池化层相连、大小为3*3、步长为1的第二卷积层，与所述第二卷积层相连、大小为2*2、步长为1的第二池化层，与所述第二池化层相连的全连接层。
5.根据权利要求4所述的太赫兹图像中目标物体的检测方法，其特征在于，所述第一卷积层和所述第一池化层分别具有64个过滤器；所述第二卷积层和所述第二池化层分别具有256个过滤器。
6.一种太赫兹图像中目标物体的检测装置，其特征在于，包括：
网络优化模块，用于预先根据接收到的结构裁剪指令对faster-Rcnn算法模型进行优化，生成优化目标检测层，所述对faster-Rcnn算法模型进行优化包括：采用层级修改faster-Rcnn算法模型的网络结构配置文件以裁剪卷积层和池化层的数目，采用神经元级裁剪滤波器数目，并通过修改dropout层参数或者增加dropout层以减少神经元连接；
图像输入模块，用于将待检测的太赫兹图像输入所述优化目标检测层，得到所述太赫兹图像的特征图，并根据所述特征图生成建议窗口；
特征图生成模块，用于利用感兴趣区域池化层将所述特征图和包含建议窗口的特征图生成预设尺寸的第二特征图；
检测窗口坐标生成模块，用于根据第二特征图，利用边框回归化生成目标检测窗口的坐标，以用于检测太赫兹图像中的目标物体。
7.根据权利要求6所述的太赫兹图像中目标物体的检测装置，其特征在于，所述网络优化模块还包括设置在所述优化目标检测层的图像增强层；
所述图像增强层用于采用指数非线性变化对所述太赫兹图像进行空域图像增强。
8.根据权利要求7所述的太赫兹图像中目标物体的检测装置，其特征在于，所述网络优化模块还包括设置在所述优化目标检测层的噪声处理层；
所述噪声处理层用于采用非线性滤波算法去除经空域图像增强后的太赫兹图像的噪声。
9.一种太赫兹图像中目标物体的检测设备，其特征在于，包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至5任一项所述太赫兹图像中目标物体的检测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有太赫兹图像中目标物体的检测程序，所述太赫兹图像中目标物体的检测程序被处理器执行时实现如权利要求1至5任一项所述太赫兹图像中目标物体的检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810628340.7A CN108830225B (zh) | 2018-06-13 | 2018-06-13 | 太赫兹图像中目标物体的检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810628340.7A CN108830225B (zh) | 2018-06-13 | 2018-06-13 | 太赫兹图像中目标物体的检测方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108830225A CN108830225A (zh) | 2018-11-16 |
| CN108830225B true CN108830225B (zh) | 2021-07-06 |
Family
ID=64142792
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810628340.7A Active CN108830225B (zh) | 2018-06-13 | 2018-06-13 | 太赫兹图像中目标物体的检测方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108830225B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109410209B (zh) * | 2018-11-19 | 2022-04-12 | 浙江大学 | 一种基于深度学习分类的坚果外源性异物检测方法 |
| CN109522969A (zh) * | 2018-11-29 | 2019-03-26 | 南京云思创智信息科技有限公司 | 基于深度学习的特定物品发现方法 |
| CN109740688B (zh) * | 2019-01-09 | 2023-04-18 | 广东工业大学 | 一种太赫兹图像信息解译方法、网络及存储介质 |
| CN109886970B (zh) * | 2019-01-18 | 2023-06-09 | 南京航空航天大学 | 太赫兹图像中目标物体的检测分割方法及计算机存储介质 |
| CN109815931B (zh) * | 2019-02-01 | 2024-02-23 | 广东工业大学 | 一种视频物体识别的方法、装置、设备以及存储介质 |
| CN111621495B (zh) * | 2019-02-28 | 2022-08-09 | 中国人民解放军军事科学院军事医学研究院 | 用于提升神经元活力的太赫兹波辐射参数组合 |
| CN109978892B (zh) * | 2019-03-21 | 2021-03-16 | 浙江啄云智能科技有限公司 | 一种基于太赫兹成像的智能安检方法 |
| CN110068544B (zh) * | 2019-05-08 | 2021-09-17 | 广东工业大学 | 物质识别网络模型训练方法及太赫兹光谱物质识别方法 |
| CN110458166A (zh) * | 2019-08-19 | 2019-11-15 | 广东工业大学 | 一种基于可变形卷积的危险品检测方法、装置及设备 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106504233B (zh) * | 2016-10-18 | 2019-04-09 | 国网山东省电力公司电力科学研究院 | 基于Faster R-CNN的无人机巡检图像电力小部件识别方法及系统 |
| CN107944442B (zh) * | 2017-11-09 | 2019-08-13 | 北京智芯原动科技有限公司 | 基于改进卷积神经网络的对象检测装置及方法 |
-
2018
- 2018-06-13 CN CN201810628340.7A patent/CN108830225B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN108830225A (zh) | 2018-11-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108830225B (zh) | 太赫兹图像中目标物体的检测方法、装置、设备及介质 | |
| CN110533084B (zh) | 一种基于自注意力机制的多尺度目标检测方法 | |
| CN109255352B (zh) | 目标检测方法、装置及系统 | |
| Chen et al. | Visual depth guided color image rain streaks removal using sparse coding | |
| CN111046880B (zh) | 一种红外目标图像分割方法、系统、电子设备及存储介质 | |
| CN112800964B (zh) | 基于多模块融合的遥感影像目标检测方法及系统 | |
| CN104408482B (zh) | 一种高分辨率sar图像目标检测方法 | |
| WO2020220663A1 (zh) | 目标检测方法及装置、设备及存储介质 | |
| CN106600625A (zh) | 检测小型生物的图像处理方法及装置 | |
| WO2013148566A1 (en) | Image blur detection | |
| Wang et al. | Clutter-adaptive infrared small target detection in infrared maritime scenarios | |
| CN115797872B (zh) | 基于机器视觉的包装缺陷识别方法、系统、设备及介质 | |
| CN109508636A (zh) | 车辆属性识别方法、装置、存储介质及电子设备 | |
| Zhao et al. | Automatic blur region segmentation approach using image matting | |
| CN111951283A (zh) | 一种基于深度学习的医学图像识别方法及系统 | |
| CN108614998B (zh) | 一种单像素红外目标检测方法 | |
| US11367206B2 (en) | Edge-guided ranking loss for monocular depth prediction | |
| CN113269770A (zh) | 一种视觉缺陷检测用图像增强方法、系统及设备 | |
| CN112288727A (zh) | 磁环表面缺陷检测方法、装置、电子设备及存储介质 | |
| CN110751670B (zh) | 一种基于融合的目标跟踪方法 | |
| CN107403192B (zh) | 一种基于多分类器的快速目标检测方法及系统 | |
| CN115908802A (zh) | 摄像头遮挡检测方法、装置、电子设备及可读存储介质 | |
| CN112037243B (zh) | 被动式太赫兹安检方法、系统及介质 | |
| CN114842235A (zh) | 一种基于形状先验分割和多尺度特征聚合的红外弱小目标识别方法 | |
| CN111191575B (zh) | 一种基于火苗跳动建模的明火检测方法及系统 |
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 |