CN109799544A - 应用于毫米波安检仪的智能检测方法、装置以及存储装置 - Google Patents
应用于毫米波安检仪的智能检测方法、装置以及存储装置 Download PDFInfo
- Publication number
- CN109799544A CN109799544A CN201811625395.9A CN201811625395A CN109799544A CN 109799544 A CN109799544 A CN 109799544A CN 201811625395 A CN201811625395 A CN 201811625395A CN 109799544 A CN109799544 A CN 109799544A
- Authority
- CN
- China
- Prior art keywords
- image
- human body
- region
- identification
- images
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000001514 detection method Methods 0.000 claims abstract description 47
- 238000012360 testing method Methods 0.000 claims abstract description 35
- 239000000463 material Substances 0.000 claims abstract description 28
- 239000013056 hazardous product Substances 0.000 claims abstract description 13
- 230000004927 fusion Effects 0.000 claims abstract description 8
- 238000003709 image segmentation Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 13
- 239000002360 explosive Substances 0.000 claims description 6
- 239000000843 powder Substances 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 239000002184 metal Substances 0.000 claims description 4
- 229910052751 metal Inorganic materials 0.000 claims description 4
- 235000013399 edible fruits Nutrition 0.000 claims description 3
- 238000004880 explosion Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 2
- 238000010168 coupling process Methods 0.000 claims description 2
- 238000005859 coupling reaction Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims description 2
- 230000001788 irregular Effects 0.000 claims description 2
- 239000007788 liquid Substances 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 claims 1
- 238000013135 deep learning Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 238000003384 imaging method Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000004744 fabric Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 208000019155 Radiation injury Diseases 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000003500 flue dust Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- VIKNJXKGJWUCNN-XGXHKTLJSA-N norethisterone Chemical compound O=C1CC[C@@H]2[C@H]3CC[C@](C)([C@](CC4)(O)C#C)[C@@H]4[C@@H]3CCC2=C1 VIKNJXKGJWUCNN-XGXHKTLJSA-N 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 229920003023 plastic Polymers 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V8/00—Prospecting or detecting by optical means
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本申请公开一种应用于毫米波安检仪的智能检测方法、装置以及存储装置，该方法包括将多张人体图像输入到预设危险品检测模型中进行危险品识别以获得多张携带检测结果的识别图像；将多张人体图像中的人体正面图像输入到预设的身体检测模型进行图像分割成多个区域以获得区域标识图像；对多张识别图像与区域标识图像进行融合处理以获取区域识别图像；对区域识别图像根据区域的检测结果及对应的预设阈值输出识别结果。通过上述方式，一方面通过深度学习的方式可以直接对图像进行识别，而不是采用人工的方式，极大的减少了成本，提高了检测效率。一方面通过将其图像进行区域划分，并根据每个区域不同的阈值来输出结果，使得其识别更为精确，使得在提高检出率的同时也降低误报率。
Description
技术领域
本申请涉及智能安检领域，特别涉及到一种应用于毫米波安检仪的智能检测方法、装置以及存储装置。
背景技术
近年来，安全问题日益得到世界人民的关注，对安检系统的可靠性与智能化也提出了更高的要求。
传统的金属探测器只能对近距离小范围目标进行检测，效率低，已远远不能满足安检的需求。尽管X光等各种射线具有很强的穿透力，但会对被测人体造成辐射伤害，即使当前存在低辐射剂量的X光机，但其依然不容易被公众接受。红外线是靠物体表面温度成像，在有织物遮挡的情况下无法清晰成像。而毫米波成像系统不仅可以检测出隐藏在织物下的金属物体，还可以检测出塑料手枪，炸药等危险品，获得的信息更加详尽、准确，可以大大地降低误警率。因此，近年来毫米波成像技术在人员安检等方面得到了更加广泛的应用。
毫米波成像技术会使用到毫米波雷达。毫米波雷达是指雷达发射信号频率在毫米波频段，毫米波的频率为30GHz到300GHz(波长从1mm到 10mm)，在实际工程应用中，常把毫米波的低端频率降到26GHz。在电磁波谱中，毫米波频率的位置介于微波与红外之间。与微波相比，毫米波的典型特点是波长短、频带宽(具有很广阔的利用空间)以及在大气中的传播特性。与红外相比，毫米波具有全天候工作的能力并且可用于烟尘，云雾等恶劣环境下。在微波频段越来越拥挤的情况下，毫米波兼顾微波的优点，并且还具备低频段微波所不具备的一些优点。
现有技术中，安检装置对于被检对象进行扫描后，一般是在电脑上进行成像，然后工作人员对成像的图片进行观察检测后确认其是否携带危险品，或者仅仅只能对金属等物质进行报警，这样显得不够智能，且由于人眼会存在疲劳等问题，其检测效率较低，检测率也不高。
发明内容
本申请提供一种应用于毫米波安检仪的智能检测方法、装置以及存储装置。以解决现有技术中安检检测效率较低，且准确率较为一般的问题。
为解决上述技术问题，本申请采用的一个技术方案是：提供一种应用于毫米波安检仪的智能检测方法，该方法包括：将多张人体图像输入到预设危险品检测模型中进行危险品识别以获得多张携带检测结果的识别图像；将所述多张人体图像中的人体正面图像输入到预设的身体检测模型进行图像分割成多个区域以获得区域标识图像；对所述多张识别图像与所述区域标识图像进行融合处理以获取区域识别图像；对所述区域识别图像根据区域的检测结果及对应的预设阈值输出识别结果。
为解决上述技术问题，本申请采用的另一个技术方案是：提供一种应用于毫米波安检仪的智能检测装置，其特征在于，所述智能检测装置包括处理器与所述处理器耦接的存储器，
所述存储器存储有用于实现上述中任一项所述的显示方法的程序指令；所述处理器用于将多张人体图像输入到预设危险品检测模型中进行危险品识别以获得多张携带检测结果的识别图像；将所述多张人体图像中的人体正面图像输入到预设的身体检测模型进行图像分割成多个区域以获得区域标识图像；对所述多张识别图像与所述区域标识图像进行融合处理以获取区域识别图像；对所述区域识别图像根据区域的检测结果及对应的预设阈值输出识别结果。
为解决上述技术问题，本申请采用的另一个技术方案是，提供一种存储装置，该存储装置存储有能够实现以上任一项所述方法的程序文件。
本申请的有益效果是：区别于现有技术，本申请提供应用于毫米波安检仪的智能检测方法、装置以及存储装置，通过将多张人体图像输入到预设危险品检测模型进行识别以得到识别图像，并将人体正面图像输入到预设的身体检测模型进行分割获取区域标识图像，并通过将携带了检测结果的识别图像与其区域标识图像进行融合，以获取区域识别图像，以使得其区域识别图像携带了检测结果，随后根据其区域识别图像的每个区域的检测结果及对应的预设阈值来输出识别结果。一方面通过深度学习的方式可以直接对图像进行识别，而不是采用人工的方式，极大的减少了成本，提高了检测效率。一方面通过将其图像进行区域划分，并根据每个区域不同的阈值来输出结果，使得其识别更为精确，使得在提高检出率的同时也降低误报率。
附图说明
图1是本申请应用于毫米波安检仪的智能检测方法的第一实施方式的结构示意图；
图2是本申请第一实施例S12的子流程示意图；
图3是本申请应用于毫米波安检仪的智能检测方法的第二实施方式的结构示意图；
图4是本申请应用于毫米波安检仪的智能检测装置一实施方式的结构示意框图；
图5是本申请存储装置一实施方式的结构示意图。
实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
另外，若本申请实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
请参阅图1，图1是本申请应用于毫米波安检仪的智能检测方法的第一实施例流程示意图，其具体包括如下步骤：
S11，将多张人体图像输入到预设危险品检测模型中进行危险品识别以获得多张携带检测结果的识别图像。
首先将多张人体图像输入到预设的危险品检测模型中进行检测，其多张人体图像具体是可以通过安检仪对被检对象进行多角度采集得到的太赫兹扫描图像。
在具体实施例中，其安检仪具体可以是太赫兹圆柱式安检仪，可以对被检对象进行全方位多角度的扫描，从而得到被检对象不同角度的成像图片，将这些成像图片作为其用于识别的人体图像。
在具体实施例中，其预设的危险品检测模型是通过预先进行训练得到的，其具体可以通过将大量的人体携带危险品的图像为样本数据，并以 VGGNet为特征提取网络进行最优参训练得到的。
在具体实施例中，其人体可以包括不同性别的人，如男女，不同衣着的人，如冬装、夏装、春秋装等等，或者直接以厚度为区别，如短袖、卫衣、羽绒服等等这些，不同人体BMI(体质量指数)值的人，如BMI小于 18.5、BMI介于18.5和24之间以及BMI大于24的不同的人。
其危险品包括有常见的一些危险品，其具体可以是如手枪、金属刀、陶瓷刀、矩形粉末爆炸物、碟形粉末爆炸物、不规则粉末爆炸物、液体爆炸物、打火机以及其他等等一些容易携带，且常见的危险品。
通过对上述不同的人体与不同的危险品进行随机的组合，并通过圆柱式安检仪对其进行多角度采集，从而获取到样本数据库。
在具体实施例中，其多角度可以是以人体头部到脚步为中心轴，围绕该轴进行360度的采集。
通过圆柱式安检仪采集大量不同的人体携带至少一种的危险品的多角度的图像作为其样本数据库，并用于输入到VGGNet做最优参训练，从而得到其预设的危险品检测模型。
其中，在2014年，牛津大学计算机视觉组(Visual Geometry Group) 和GoogleDeepMind公司的研究员一起研发出了新的深度卷积神经网络： VGGNe。
VGGNet探索了卷积神经网络的深度与其性能之间的关系，成功地构筑了16～19层深的卷积神经网络，证明了增加网络的深度能够在一定程度上影响网络最终的性能，使错误率大幅下降，同时拓展性又很强，迁移到其它图片数据上的泛化性也非常好。
输入的每一张人体图像均会相应的获取到一张携带检测结果的识别图像，因此，在完成全部识别后，会得到多张携带检测结果的识别图像。
需要知道的是，这里携带检测结果的识别图像可以是指其识别图像一体携带了其检测结果，也可以是识别图像与检测结果是分开的，但是相互映射进行联系。
S12，将所述多张人体图像中的人体正面图像输入到预设的身体检测模型进行图像分割成多个区域以获得区域标识图像。
由于是以人体的头部到脚步为中心轴进行多角度的采集，因此其多张人体图像中包括有人体的正面图像，由于正面图像具有更好的角度性，因此利于提高识别率，进一步的，将其人体正面图像输入到预设的身体检测模型中进行图像分割，以对其不同区域进行标识，从而获取到区域标识图像。
具体的，其预设的身体检测模型也是通过将大量的人体携带危险品的图像作为样本数据库，以ZFNet网络为特征提取网络，然后将其样本数据库输入到其ZFNet网络做最优参训练得到的。
具体的，使用一个多层的反卷积网络来可视化训练过程中特征的演化及发现潜在的问题；同时根据遮挡图像局部对分类结果的影响来探讨对分类任务而言到底那部分输入信息更重要。
在将其正面识别图像输入到预设的身体检测模型进行识别后，可以根据人体的区域将其正面识别图像进行分割，以得到不同的区域，并对不同区域进行标识。
在具体实施例中，其分割后可以得到第一区域、第二区域、第三区域以及第四区域。其具体是依照被检对象的人体区域进行划分的，其第一区域为正面识别图像中的被检对象的头部区域，具体包括脑袋与颈部区域，其第二区域为正面识别图像中的被检对象的肩部至裆部的区域，即整个胸部到腹部的区域，其第三区域为正面识别图像中被检对象的手部区域，其包括左臂区和右臂区，其第四区域为正面识别图像中被检对象的腿部区域，同时也包括左腿区和右腿区。
对这些区域分别进行标识，以获取到区域标识图像。
请参阅图2，图2是本申请应用于毫米波安检仪的智能检测方法图1 步骤中S12的子步骤，其具体包括如下步骤：
S121，判断第二区域是否识别成功。
在输入到身体检测模型后，首先对其正面识别图像进行识别，看是否能够识别出其第二区域，即肩部到裆部位置的区域，从而判断该正面识别图像的可识别性，具体的，如果该第二区域无法完成识别，则证明，该正面识别图像可能是较为模糊的，或者角度并非正面，这样可以会给具体的识别过程带来较大的模糊度，导致危险品识别率较低，识别效果不好。
S122，如果识别成功，则对第一区域、第三区域以及第四区域进行补偿。
如果识别正常，则对其他区域，即第一区域、第三区域以及第四区域进行补偿，具体的，如果其他区域出现了偏移，如第三区域发生了偏移，则可以根据其第二区域获取到身体中线，然后计算其偏移的区域，如第三区域离其身体中线的距离，随后求得其平均值，并根据其平均值平移其第三区域。
如果是第三区域的一侧，如右臂区发生了缺失，则根据其第二区域获取的身体中线，并计算左臂区离身体中线的距离，并生成对称的区域。从而使得其正面图像为完整且清晰的。
S123，如果识别失败；则输出图像识别异常，并重新获取图像。
如果第二区域都识别失败，可能证明其正面识别图像并非正面图像，所以其效果可能较差，则认为其需要重新识别，则提示工作人员图像识别异常，并重新进行图像获取。
S13，对所述多张识别图像与所述区域标识图像进行融合处理以获取区域识别图像。
在获取到其区域标识图像与多种识别图像后，需要将其多张识别图像融合到其区域标识图像中，以使得其区域标识图像携带检测结果。
具体的，将多张识别图像映射到区域标识图像中，以使得多种标识图像与区域标识图像进行融合，即，将其标识图像携带的检测结果融合到其区域标识图像中，从而获取到区域识别图像，其中，所述区域识别图像携带了检测结果。同时，其区域标识图像也完成了对每个区域的标识。
S14，对所述区域识别图像根据区域的检测结果及对应的预设阈值输出识别结果。
在具体实施例中，人体携带危险品的区域可能主要集中在其胸部、跨部等区域，如果全身均采用一个阈值，则可能提高误报率，影响检测结果，因此对于整个人体而言，其需要对人体的不同区域设置不同的预设阈值，且具体的，针对不同的危险品与不同的区域设置不同的预设阈值，比如手枪等这种危险品，一般是放置跨部的比较多，因此相应的，胸部可以对其设置较为低阈值，以提高识别准确率。
对于第一区域，即头部区域而言，其携带危险品的概率较少，因此可以适当的提高其阈值，以防止出现误报。
因此，首先获取其区域识别图像中每个区域的检测结果，根据其各个区域所携带的检测结果与其对应的预设阈值进行比较，如果大于其阈值，则进行警报，并定位到其警报的具体部位。
上述实施例中，通过深度学习的方式对多张人体图像进行识别，提高其识别的准确率，得到其较为准确的检测结果，一方面深度学习的方式对人体正面图像进行处理，从而根据人体的结果进行区域划分，随后将其两次识别分割的结果进行融合，从而获取到人体正面图像上每个区域的检测结果，随后根据其检测结果与其对应的区域的预设阈值进行比较，进一步的提高其准确率，从而减少误报率。
请参阅图3，图3是本申请应用于毫米波安检仪的智能检测方法第二实施例的流程示意图，其具体包括如下步骤：
S21，对图像进行均值化处理。
在具体实施例中，在对其样本数据库进行训练时，需要对其样本数据，即图像进行数据的处理，以使得其训练的方式更有效，从而使得其模型的识别率、精准度越高，误报率越小。
首先采用如下公式对其图像进行均值化处理，从而根据凸优化理论与数据概率分布相关知识，数据中心化符合数据分布规律，更容易取得训练之后的泛化效果。
其中，μ是图像均值，X表示图像矩阵，σ表示标准方差，N表示图像像素数量， Per_image_standardizatio为均值化的后结果。
S22，对图像进行归一化处理。
虽然采用如下公式对图像进行归一化处理，从而保证所有的维度上数据都在一个变化幅度上。
其中，xi表示图像像素点值,min(x),max(x)分别表示图像像素的最小与最大值，norm表示其归一化后的结果。
S23，通过设置多种预设面积与预设比例的组合对图像进行优化。
由于在具体的过程中，其危险品可能大小不同，如小的如小刀，如大的如手枪，因此在具体的训练识别过程中，采用同样的大小的图像可能无法精准进行识别，具体的，可以通过根据预设面积与预设比例的组件对其图像进行优化，形成多种组合的图像，具体的，对于某个16*16pt的图像，可以采用3种预设面积的和3种预设比例的组合，一共形成9张图像。
在具体实施例中，其3种预设面积可以是8倍、16倍、32倍，其3种预设比例的可以是1:2、1:1、2:1等等。如采用8倍面积，1:1比例的组合，则可以将其16*16pt的图像形成128*128pt的图像。
这样极大了增加了整个图像的多样性，无论是对于较大的危险品还是较小的危险品，均能进行良好的扫描，以提供识别率与训练度。
S24，对训练模型采用焦点损失函数进行优化训练。
在具体的训练过程中，部分数据较为复杂，处理难度不同，则需要对其训练模型采用焦点损失函数进行优化训练，以减少复杂度，提高识别度。
具体是通过降低了大量简单负样本在训练中所占的权重，也可理解为一种困难样本挖掘。从而使得在保持较高的检测效率与检出水平的同时，可以降低其误报率。其具体采用如下的损失函数进行处理。
FL(pt)＝-αt(1-pt)γlog(pt)，pt是不同类别的分类概率，γ是个大于0 的值，αt是个[0，1]间的小数，γ和αt都是固定值，不参与具体的训练过程。
通过上述方式，可以将样本数据库中的复杂样本进行分离。
上述实施例中，通过对样本数据库中的样本，也就是需要对其训练模型采用焦点损失函数进行优化训练，从而获取其预测的数据与实际数据的差距程度，使得训练模型的损失要收敛，使得其训练结果更为精确，且减少了数据的冗余度。
在具体实施例中，其在识别过程中对人体图像也可以进行该处理。对于其身体检测模型的训练过程也同样可以进行类似的处理，这里不做限定。
请参阅图4，图4是本申请提供的应用于毫米波安检仪的智能检测装置的一实施方式结构示意框图。
本实施例提供的应用于毫米波安检仪的智能检测装置具体包括处理器 10以及与该处理器耦接的存储器11。
其中，处理器10可以是CPU(Central Processing Unit，中央处理单元)。或者GPU(Graphics Processing Unit，图形处理器)，处理器10可能是一种集成电路芯片，具有信号的处理能力。处理器10还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在本实施中，处理器10可以将多张人体图像输入到预设危险品检测模型中进行危险品识别以获得多张携带检测结果的识别图像；将所述多张人体图像中的人体正面图像输入到预设的身体检测模型进行图像分割成多个区域以获得区域标识图像；对所述多张识别图像与所述区域标识图像进行融合处理以获取区域识别图像；对所述区域识别图像根据区域的检测结果及对应的预设阈值输出识别结果。
其存储器11存储有能够实现上述任一实施例的指令文件111。
上述设备的其他模块终端可分别执行上述方法实施例中对应的步骤，故在此不对各模块进行赘述，详细请参阅以上对应步骤的说明。
参阅图5，图5为本申请存储装置一实施方式的结构示意图，有能够实现上述所有方法的指令文件21，该指令文件21可以以软件产品的形式存储在上述存储装置中，同时还是记录各种计算的数据，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，智能机器人，或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。
所述指令文件21还具有一定独立性，可以在运行系统、备份系统发生故障时候继续配合处理器10执行相关指令，在升级、引导程序升级以及修复中不会被替换、损坏以及清空。
而前述的存储装置包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等终端设备。
综上所述，本申请提供一种本申请提供应用于毫米波安检仪的智能检测方法、装置以及存储装置，通过将多张人体图像输入到预设危险品检测模型进行识别以得到识别图像，并将人体正面图像输入到预设的身体检测模型进行分割获取区域标识图像，并通过将携带了检测结果的识别图像与其区域标识图像进行融合，以获取区域识别图像，以使得其区域识别图像携带了检测结果，随后根据其区域识别图像的每个区域的检测结果及对应的预设阈值来输出识别结果。一方面通过深度学习的方式可以直接对图像进行识别，而不是采用人工的方式，极大的减少了成本，提高了检测效率。一方面通过将其图像进行区域划分，并根据每个区域不同的阈值来输出结果，使得其识别更为精确，减少误报率。另一方面，在对模型进行训练时对数据进行了大量的处理，以提高识别率，并降低误报率，且加快了识别速度。
以上仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结果或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
Claims (15)
1.一种应用于毫米波安检仪的智能检测方法，其特征在于，所述方法包括：
将多张人体图像输入到预设危险品检测模型中进行危险品识别以获得多张携带检测结果的识别图像；
将所述多张人体图像中的人体正面图像输入到预设的身体检测模型进行图像分割成多个区域以获得区域标识图像；
对所述多张识别图像与所述区域标识图像进行融合处理以获取区域识别图像；
对所述区域识别图像根据区域的检测结果及对应的预设阈值输出识别结果。
2.根据权利要求1所述的智能检测方法，其特征在于，所述将多张人体图像输入到预设危险品检测模型中进行危险品识别以获得多张携带检测结果的识别图像之前包括：
通过安检仪采集被检对象多方角度的图像以得到所述多张人体图像。
3.根据权利要求1所述的智能检测方法，其特征在于，所述预设神经网络模型是通过以VGGNet为特征提取网络，并将人体携带危险品的图像作为样本数据库进行最优参训练而得到的。
4.根据权利要求3所述的智能检测方法，其特征在于，所述人体携带危险品的图像是安检仪对携带至少一种危险品的人体进行多方角度的采集所获取的图像。
5.根据权利要求4所述的智能检测方法，其特征在于，所述人体包括人体BMI值、性别、衣着。
6.根据权利要求4所述的智能检测方法，其特征在于，所述危险品至少包括手枪、金属刀、陶瓷刀、矩形粉末爆炸物、碟形粉末爆炸物、不规则粉末爆炸物、液体爆炸物、打火机。
7.根据权利要求3所述的智能检测方法，其特征在于，所述将人体携带危险品的图像作为样本数据库进行最优参训练包括：
对所述图像进行均值化处理；
对所述图像进行归一化处理；
8.根据权利要求7所述的智能检测方法，其特征在于，所述方法还包括：
通过设置多种预设面积与预设比例的组合对所述图像进行优化；
对训练模型采用焦点损失函数进行优化训练。
9.根据权利要求1所述的智能检测方法，其特征在于，所述对所述预设的身体检测模型是通过以ZFNet为特征提取网络，并将被人体携带危险品的图像作为样本数据库进行最优参训练而得到的。
10.根据权利要求1所述的智能检测方法，其特征在于，所述将所述多张人体图像中的人体正面图像输入到预设的身体检测模型进行图像分割成多个区域以获得区域标识图像包括：
对所述人体正面图像进行识别，以对所述人体正面图像的第一区域、第二区域、第三区域、第四区域进行标识；
其中，所述第一区域所述正面识别图像中人体的头部区域；
所述第二区域为所述正面识别图像中人体的肩部至裆部区域；
所述第三区域为所述正面识别图像中人体的手部区域；
所述第四区域为所述正面识别图像中人体的腿部区域。
11.根据权利要求10所述的智能检测方法，其特征在于，所述方法还包括：
判断所述第二区域是否识别成功，
如果识别成功，则对所述第一区域、第三区域以及第四区域进行补偿后输出所述区域标识图像；
如果识别失败；则输出图像识别异常，并重新获取图像。
12.根据权利要求1所述的智能检测方法，其特征在于，所述对所述多张识别图像与所述区域标识图像进行融合处理以获取区域识别图像包括：
将所述多张识别图像映射到所述区域标识图像中，以使得所述标识图像与所述区域标识图像进行融合，从而获取到所述区域识别图像，其中，所述区域识别图像携带了检测结果。
13.根据权利要求1所述的智能检测方法，其特征在于，所述对所述区域识别图像根据区域的检测结果及对应的预设阈值输出识别结果包括：
获取所述区域识别图像中每个区域的检测结果；
将所述检测结果与对应区域中所述预设阈值进行比较；
根据比较结果输出识别结果。
14.一种应用于毫米波安检仪的智能检测装置，其特征在于，所述智能检测装置包括处理器与所述处理器耦接的存储器，
所述存储器存储有用于实现如权利要求1-13中任一项所述的显示方法的程序指令；
所述处理器用于将多张人体图像输入到预设危险品检测模型中进行危险品识别以获得多张携带检测结果的识别图像；将所述多张人体图像中的人体正面图像输入到预设的身体检测模型进行图像分割成多个区域以获得区域标识图像；对所述多张识别图像与所述区域标识图像进行融合处理以获取区域识别图像；对所述区域识别图像根据区域的检测结果及对应的预设阈值输出识别结果。
15.一种存储装置，其特征在于，存储有能够实现如权利要求1-13中任一项所述方法的程序文件。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811625395.9A CN109799544B (zh) | 2018-12-28 | 2018-12-28 | 应用于毫米波安检仪的智能检测方法、装置以及存储装置 |
| PCT/CN2019/121764 WO2020134848A1 (zh) | 2018-12-28 | 2019-11-28 | 应用于毫米波安检仪的智能检测方法、装置以及存储装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811625395.9A CN109799544B (zh) | 2018-12-28 | 2018-12-28 | 应用于毫米波安检仪的智能检测方法、装置以及存储装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109799544A true CN109799544A (zh) | 2019-05-24 |
| CN109799544B CN109799544B (zh) | 2021-03-19 |
Family
ID=66558106
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811625395.9A Active CN109799544B (zh) | 2018-12-28 | 2018-12-28 | 应用于毫米波安检仪的智能检测方法、装置以及存储装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN109799544B (zh) |
| WO (1) | WO2020134848A1 (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110443158A (zh) * | 2019-07-18 | 2019-11-12 | 华中科技大学 | 一种基于毫米波图像的人体隐匿物体检测方法 |
| CN110974250A (zh) * | 2019-12-27 | 2020-04-10 | 深圳市太赫兹科技创新研究院有限公司 | 基于太赫兹光谱的血糖检测方法、装置及计算机存储介质 |
| WO2020134848A1 (zh) * | 2018-12-28 | 2020-07-02 | 深圳市华讯方舟太赫兹科技有限公司 | 应用于毫米波安检仪的智能检测方法、装置以及存储装置 |
| CN112016387A (zh) * | 2019-07-08 | 2020-12-01 | 杭州芯影科技有限公司 | 适用于毫米波安检仪的违禁品识别方法和装置 |
| CN113743276A (zh) * | 2021-08-30 | 2021-12-03 | 上海亨临光电科技有限公司 | 一种人体灰度图像中目标物体所在人体部位判定的方法 |
| CN114049733A (zh) * | 2021-11-10 | 2022-02-15 | 通号通信信息集团有限公司 | 入侵检测方法、监控平台、入侵检测系统和可读存储介质 |
| WO2022083023A1 (zh) * | 2020-10-23 | 2022-04-28 | 公安部第三研究所 | 一种用于人体安全检查设备探测性能检测的检测系统及检测方法 |
| CN115311684A (zh) * | 2022-08-05 | 2022-11-08 | 杭州电子科技大学 | 一种毫米波图像多角度检出结果的整合方法 |
| CN115564320A (zh) * | 2022-12-06 | 2023-01-03 | 成都智元汇信息技术股份有限公司 | 一种面向多智能算法的调度管理方法及装置及介质 |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112327268A (zh) * | 2020-11-12 | 2021-02-05 | 奥谱毫芯(深圳)科技有限公司 | 基于毫米波信号的危险目标识别方法、装置、系统及介质 |
| CN113537343A (zh) * | 2021-07-14 | 2021-10-22 | 厦门熵基科技有限公司 | 一种金属分类方法、装置、设备及存储介质 |
| CN116189083B (zh) * | 2023-01-11 | 2024-01-09 | 广东汇通信息科技股份有限公司 | 一种用于社区安检辅助的危险品识别方法 |
| CN116071347B (zh) * | 2023-03-01 | 2023-07-28 | 山西戴德测控技术股份有限公司 | 一种磨损度确定方法、装置、系统及存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050022252A1 (en) * | 2002-06-04 | 2005-01-27 | Tong Shen | System for multimedia recognition, analysis, and indexing, using text, audio, and digital video |
| US20090041292A1 (en) * | 2007-08-08 | 2009-02-12 | Robert Daly | Multi channel radiometer imaging method and system |
| CN102542570A (zh) * | 2011-12-30 | 2012-07-04 | 北京华航无线电测量研究所 | 一种微波图像中人体隐藏危险物体自动检测方法 |
| CN102629315A (zh) * | 2012-02-29 | 2012-08-08 | 北京无线电计量测试研究所 | 一种隐匿物品的自动检测和识别装置 |
| CN107238866A (zh) * | 2017-05-26 | 2017-10-10 | 西安电子科技大学 | 基于合成孔径技术的毫米波视频成像系统及方法 |
| CN108520260A (zh) * | 2018-04-11 | 2018-09-11 | 中南大学 | 瓶装口服液中可见异物的识别方法 |
| CN108629319A (zh) * | 2018-05-09 | 2018-10-09 | 北京嘀嘀无限科技发展有限公司 | 图像检测方法及系统 |
| CN108764328A (zh) * | 2018-05-24 | 2018-11-06 | 广东工业大学 | 太赫兹图像危险品识别方法、装置、设备及可读存储介质 |
| CN109086679A (zh) * | 2018-07-10 | 2018-12-25 | 西安恒帆电子科技有限公司 | 一种毫米波雷达安检仪异物检测方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009078957A1 (en) * | 2007-12-14 | 2009-06-25 | Flashfoto, Inc. | Systems and methods for rule-based segmentation for objects with full or partial frontal view in color images |
| CN102708560B (zh) * | 2012-02-29 | 2015-11-18 | 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 |
| CN106485268B (zh) * | 2016-09-27 | 2020-01-21 | 东软集团股份有限公司 | 一种图像识别方法及装置 |
| CN108182663B (zh) * | 2017-12-26 | 2021-11-30 | 北京无线电计量测试研究所 | 一种毫米波图像效果增强方法、设备和可读存储介质 |
| CN108665509A (zh) * | 2018-05-10 | 2018-10-16 | 广东工业大学 | 一种超分辨率重构方法、装置、设备及可读存储介质 |
| CN108802840B (zh) * | 2018-05-31 | 2020-01-24 | 北京迈格斯智能科技有限公司 | 基于人工智能深度学习的自动识别物体的方法及其装置 |
| CN109799544B (zh) * | 2018-12-28 | 2021-03-19 | 深圳市重投华讯太赫兹科技有限公司 | 应用于毫米波安检仪的智能检测方法、装置以及存储装置 |
-
2018
- 2018-12-28 CN CN201811625395.9A patent/CN109799544B/zh active Active
-
2019
- 2019-11-28 WO PCT/CN2019/121764 patent/WO2020134848A1/zh active Application Filing
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050022252A1 (en) * | 2002-06-04 | 2005-01-27 | Tong Shen | System for multimedia recognition, analysis, and indexing, using text, audio, and digital video |
| US20090041292A1 (en) * | 2007-08-08 | 2009-02-12 | Robert Daly | Multi channel radiometer imaging method and system |
| CN102542570A (zh) * | 2011-12-30 | 2012-07-04 | 北京华航无线电测量研究所 | 一种微波图像中人体隐藏危险物体自动检测方法 |
| CN102629315A (zh) * | 2012-02-29 | 2012-08-08 | 北京无线电计量测试研究所 | 一种隐匿物品的自动检测和识别装置 |
| CN107238866A (zh) * | 2017-05-26 | 2017-10-10 | 西安电子科技大学 | 基于合成孔径技术的毫米波视频成像系统及方法 |
| CN108520260A (zh) * | 2018-04-11 | 2018-09-11 | 中南大学 | 瓶装口服液中可见异物的识别方法 |
| CN108629319A (zh) * | 2018-05-09 | 2018-10-09 | 北京嘀嘀无限科技发展有限公司 | 图像检测方法及系统 |
| CN108764328A (zh) * | 2018-05-24 | 2018-11-06 | 广东工业大学 | 太赫兹图像危险品识别方法、装置、设备及可读存储介质 |
| CN109086679A (zh) * | 2018-07-10 | 2018-12-25 | 西安恒帆电子科技有限公司 | 一种毫米波雷达安检仪异物检测方法 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020134848A1 (zh) * | 2018-12-28 | 2020-07-02 | 深圳市华讯方舟太赫兹科技有限公司 | 应用于毫米波安检仪的智能检测方法、装置以及存储装置 |
| CN112016387A (zh) * | 2019-07-08 | 2020-12-01 | 杭州芯影科技有限公司 | 适用于毫米波安检仪的违禁品识别方法和装置 |
| CN110443158A (zh) * | 2019-07-18 | 2019-11-12 | 华中科技大学 | 一种基于毫米波图像的人体隐匿物体检测方法 |
| CN110443158B (zh) * | 2019-07-18 | 2021-10-08 | 华中科技大学 | 一种基于毫米波图像的人体隐匿物体检测方法 |
| CN110974250A (zh) * | 2019-12-27 | 2020-04-10 | 深圳市太赫兹科技创新研究院有限公司 | 基于太赫兹光谱的血糖检测方法、装置及计算机存储介质 |
| CN110974250B (zh) * | 2019-12-27 | 2024-01-16 | 深圳市华讯方舟光电技术有限公司 | 基于太赫兹光谱的血糖检测方法、装置及计算机存储介质 |
| WO2022083023A1 (zh) * | 2020-10-23 | 2022-04-28 | 公安部第三研究所 | 一种用于人体安全检查设备探测性能检测的检测系统及检测方法 |
| CN113743276A (zh) * | 2021-08-30 | 2021-12-03 | 上海亨临光电科技有限公司 | 一种人体灰度图像中目标物体所在人体部位判定的方法 |
| CN114049733A (zh) * | 2021-11-10 | 2022-02-15 | 通号通信信息集团有限公司 | 入侵检测方法、监控平台、入侵检测系统和可读存储介质 |
| CN115311684A (zh) * | 2022-08-05 | 2022-11-08 | 杭州电子科技大学 | 一种毫米波图像多角度检出结果的整合方法 |
| CN115564320A (zh) * | 2022-12-06 | 2023-01-03 | 成都智元汇信息技术股份有限公司 | 一种面向多智能算法的调度管理方法及装置及介质 |
| CN115564320B (zh) * | 2022-12-06 | 2023-04-07 | 成都智元汇信息技术股份有限公司 | 一种面向多智能算法的调度管理方法及装置及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109799544B (zh) | 2021-03-19 |
| WO2020134848A1 (zh) | 2020-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109799544A (zh) | 应用于毫米波安检仪的智能检测方法、装置以及存储装置 | |
| EP3349050B1 (en) | Inspection devices and methods for detecting a firearm | |
| Tipaldi et al. | Flirt-interest regions for 2d range data | |
| CA2858616C (en) | Surface data acquisition, storage, and assessment system | |
| CN109447071A (zh) | 一种基于fpga和深度学习的毫米波成像危险物品检测方法 | |
| US20070172129A1 (en) | Method of registration in a contraband detection system | |
| CN110031909A (zh) | 安检系统及安检方法 | |
| CN109978892B (zh) | 一种基于太赫兹成像的智能安检方法 | |
| CN111046877A (zh) | 一种毫米波图像可疑物品检测方法和系统 | |
| CN108108740B (zh) | 一种主动毫米波人体图像性别识别方法 | |
| Yang et al. | Insulator identification and self-shattering detection based on mask region with convolutional neural network | |
| US10445591B2 (en) | Automated target recognition based body scanner using database scans | |
| CN105181623B (zh) | 一种邮件检测装置和方法 | |
| Reichman et al. | Learning improved pooling regions for the histogram of oriented gradient (HOG) feature for Buried Threat Detection in Ground Penetrating Radar | |
| CN106707362A (zh) | 一种人体安检监督系统 | |
| Kowalski et al. | Improvement of passive THz camera images | |
| Smith et al. | Aggregation of Choquet integrals in GPR and EMI for handheld platform-based explosive hazard detection | |
| Sun et al. | A vision system based on TOF 3D imaging technology applied to robotic citrus harvesting | |
| Slamani et al. | Image processing tools for the enhancement of concealed weapon detection | |
| Li et al. | Fast and accurate concealed dangerous object detection for millimeter-wave images | |
| CN110045371A (zh) | 一种鉴定方法、装置、设备及存储介质 | |
| CN112415624A (zh) | 一种安防检测系统及检测方法 | |
| Buck et al. | Target detection in high-resolution 3D radar imagery | |
| Li et al. | SAR object detection with a saliency method based on PCA and global contrast | |
| US6915010B2 (en) | Real time object localization and recognition from silhouette images |
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 | ||
| CB02 | Change of applicant information |
Address after: 518102 room 430, building 37, chentian Industrial Zone, Baotian 1st Road, Xixiang street, Bao'an District, Shenzhen City, Guangdong Province Applicant after: Shenzhen Zhongtou Huaxun Terahertz Technology Co.,Ltd. Applicant after: CHINA COMMUNICATION TECHNOLOGY Co.,Ltd. Address before: 518102 room 430, building 37, chentian Industrial Zone, Baotian 1st Road, Xixiang street, Bao'an District, Shenzhen City, Guangdong Province Applicant before: SHENZHEN CCT THZ TECHNOLOGY Co.,Ltd. Applicant before: CHINA COMMUNICATION TECHNOLOGY Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| PP01 | Preservation of patent right |
Effective date of registration: 20210630 Granted publication date: 20210319 |
|
| PP01 | Preservation of patent right | ||
| PD01 | Discharge of preservation of patent |
Date of cancellation: 20230421 Granted publication date: 20210319 |
|
| PD01 | Discharge of preservation of patent | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230609 Address after: 518000 Shenzhen, Baoan District, Xixiang, Guangdong Xixiang street, thirty-seventh fields, 430 estate. Patentee after: Shenzhen Zhongtou Huaxun Terahertz Technology Co.,Ltd. Address before: 518102 room 430, building 37, chentian Industrial Zone, Baotian 1st Road, Xixiang street, Bao'an District, Shenzhen City, Guangdong Province Patentee before: Shenzhen Zhongtou Huaxun Terahertz Technology Co.,Ltd. Patentee before: CHINA COMMUNICATION TECHNOLOGY Co.,Ltd. |
|
| TR01 | Transfer of patent right |