CN112132002B - 用于对三维图像数据进行异物检测的方法及装置 - Google Patents
用于对三维图像数据进行异物检测的方法及装置 Download PDFInfo
- Publication number
- CN112132002B CN112132002B CN202010987823.3A CN202010987823A CN112132002B CN 112132002 B CN112132002 B CN 112132002B CN 202010987823 A CN202010987823 A CN 202010987823A CN 112132002 B CN112132002 B CN 112132002B
- Authority
- CN
- China
- Prior art keywords
- image data
- sub
- dimensional image
- foreign matter
- foreign
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V8/00—Prospecting or detecting by optical means
- G01V8/10—Detecting, e.g. by using light barriers
- G01V8/20—Detecting, e.g. by using light barriers using multiple transmitters or receivers
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Radar Systems Or Details Thereof (AREA)
- Variable-Direction Aerials And Aerial Arrays (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种用于对三维图像数据进行异物检测的方法及装置。在本公开提出的技术方案中,获取三维图像数据并将三维图像数据进行正射投影得到多幅二维图像数据,再根据各幅二维图像数据中的被测对象对各幅二维图像数据进行分割处理,以使每幅二维图像数据被分割成至少一幅针对所述被测对象的子图像数据,再将各幅子图像数据输入经过训练的异物检测模型,得到针对所述被测对象的异物检测结果。通过本公开的技术方案,经过分割处理后的子图像数据相比于整幅二维图像数据来说减少了非被测对象的区域图像数据,从而减少了待处理的数据量,相应地,异物检测模型中所需的检测框数量也会减少。
Description
技术领域
本公开涉及图像识别技术领域,具体地,涉及一种用于对三维图像数据进行异物检测的方法及装置。
背景技术
在雷达成像技术领域中,三维成像的雷达安检系统生成针对被测人体的三维图像,然后对所生成的三维图像数据进行异物检测处理,以检测出藏匿于人体的危险品、违禁品等异物,并将异物检测结果发送给检测人员,以便检测人员对被检测出的异物进行确认。
目前进行异物检测主要采用经过训练的用于目标检测的深度学习模型,经过训练的深度学习模型预设有若干经过训练的预测检测框,这些预先设置的预测检测框大小各不同相同,且分布在不同位置。在雷达安检系统生成三维图像数据时,经过训练的深度学习模型中预设的各个预测框确定图像中的目标异物,然后针对预测框中的目标异物进行识别、检测等。然而,一般来说,目标异物在图像中的区域较小,图像中的非目标异物区域相对较大。因此,在异物检测过程中,大部分的预测框对非目标异物区域的图像数据进行检测,不仅浪费大量的计算资源进行无效计算,而且由于计算量较大导致异物检测效率降低。
发明内容
鉴于上述,本公开提供了一种用于对三维图像数据进行异物检测的方法及装置。在本公开提出的技术方案中,获取三维图像数据并将三维图像数据进行正射投影得到多幅二维图像数据,再根据各幅二维图像数据中的被测对象对各幅二维图像数据进行分割处理,以使每幅二维图像数据被分割成至少一幅针对所述被测对象的子图像数据。经过分割处理后的子图像数据相比于整幅二维图像数据来说减少了非被测对象的区域图像数据,从而减少了待处理的数据量,相应地,异物检测模型中所需的检测框数量也会减少。另外,本公开中的异物检测模型根据输入的各幅子图像数据来生成针对被测对象的检测框,这样有针对性地根据图像数据来生成检测框,减少了检测框的数量,提高了每个检测框的检测效率。
根据本公开的一个方面,提供了一种用于对三维图像数据进行异物检测的方法,包括:获取对被测对象进行扫描得到的三维图像数据;将所述三维图像数据进行正射投影得到多幅二维图像数据;根据各幅二维图像数据中的被测对象对各幅二维图像数据进行分割处理,以使每幅二维图像数据被分割成至少一幅针对所述被测对象的子图像数据;以及将各幅子图像数据输入经过训练的异物检测模型,得到针对所述被测对象的异物检测结果,其中,所述异物检测模型基于输入的各幅子图像数据生成针对该子图像数据包括的所述被测对象的部位的检测框,并基于生成的检测框进行异物检测。
可选地,在上述方面的一个示例中,根据各幅二维图像数据中的被测对象对各幅二维图像数据进行分割处理,以使每幅二维图像数据被分割成至少一幅子图像数据包括:按照指定分割规则根据所述被测对象的各个部位将每幅二维图像数据分割成多幅子图像数据,每幅子图像数据包括所述被测对象的至少一个部位。
可选地,在上述方面的一个示例中,每幅子图像数据包括所述被测对象的一个部位。
可选地,在上述方面的一个示例中,将各幅子图像数据输入经过训练的异物检测模型,得到针对所述被测对象的异物检测结果包括:将分割得到的子图像数据中包括相同部位的子图像数据进行归类作为一个子图像集合,其中,每个子图像集合对应至少一个部位,每个部位对应一个子图像集合;将所得到的子图像集合输入异物检测模型,得到针对各个子图像集合所对应的部位的第一异物检测结果;以及所述异物检测模型根据各个子图像集合的第一异物检测结果得到针对所述被测对象的异物检测结果。
可选地,在上述方面的一个示例中,将所得到的子图像集合输入异物检测模型,得到针对各个子图像集合所对应的部位的第一异物检测结果包括:将所得到的子图像集合输入所述异物检测模型;在所述异物检测模型处,得到各个子图像集合包括的各幅子图像数据的第二异物检测结果;以及在所述异物检测模型处,针对每个子图像集合,根据各幅子图像数据的第二异物检测结果以及对应的第一权重得到针对该子图像集合所对应的部位的第一异物检测结果,其中,所述第一权重是根据子图像数据的正射投影方向与所述被测对象的正对方向之间的角度确定的。
可选地,在上述方面的一个示例中,将所得到的子图像集合输入异物检测模型,得到针对各个子图像集合所对应的部位的第一异物检测结果包括:根据部位的第二权重从所得到的子图像集合中确定待输入的子图像集合;以及将所确定的子图像集合输入异物检测模型,得到所确定的各个子图像集合所对应的部位的第一异物检测结果。
可选地,在上述方面的一个示例中,还包括:将所确定的子图像集合中第二权重小于部位权重阈值的子图像集合中的第一权重小于图像权重阈值的子图像数据删除。
可选地,在上述方面的一个示例中,相邻的两幅二维图像数据对应的方位维角度之间重叠指定角度。
可选地,在上述方面的一个示例中,所述异物检测模型采用无锚点算法。
可选地,在上述方面的一个示例中,采用无锚点算法的所述异物检测模型是包括多层神经网络的神经网络模型,按照以下模型训练方法得到:循环执行下述过程,直到满足循环结束条件:将包括训练目标的训练样本图像输入当前异物检测模型,得到每层神经网络生成的针对所述训练目标的特征向量;根据真实检测框来确定每层神经网络的预测检测框;利用预测检测框对特征向量表征的图像进行划分得到用于表征前景图像区域的前景特征向量;利用分类器对每层神经网络的前景特征向量进行分类预测,以得到各个前景特征向量针对真实分类标签的预测值;利用回归网络将各层神经网络的前景特征向量进行统计回归处理,以得到预测检测框的位置信息;根据预测检测框的位置信息以及预测值来判断是否满足所述循环结束条件;若不满足,根据损失函数调整所述当前异物检测模型的模型参数,并将调整后的异物检测模型作为下一循环过程的当前异物检测模型。
可选地,在上述方面的一个示例中,根据预测检测框的位置信息以及预测值来判断是否满足所述循环结束条件包括:根据预测检测框的位置信息以及预测值来计算各个分类标签的准确率和召回率;以及根据所计算的准确率和召回率来判断是否满足所述循环结束条件。
可选地,在上述方面的一个示例中,还包括:在输入多张针对所述训练目标的训练样本图像,且各张训练样本图像呈现的所述训练目标的角度不同时,确定各张训练样本图像中的各个预测检测框对应的权重;将各个预测检测框的权重分别与该预测框的位置信息和预测值进行加权处理,得到针对所述训练目标的加权位置信息和加权预测值;将所述加权位置信息和加权预测值与置信阈值进行比较;以及当所述加权位置信息和加权预测值小于所述置信阈值时,对所述当前异物检测模型的模型参数进行调整;当所述加权位置信息和加权预测值不小于所述置信阈值时,所述当前异物检测模型输出所述加权位置信息和加权预测值。
根据本公开的另一方面,还提供一种用于对三维图像数据进行异物检测的装置,包括:三维图像数据获取单元,被配置为获取对被测对象进行扫描得到的三维图像数据;三维图像投影单元,被配置为将所述三维图像数据进行正射投影得到多幅二维图像数据;图像分割单元,被配置为根据各幅二维图像数据中的被测对象对各幅二维图像数据进行分割处理,以使每幅二维图像数据被分割成至少一幅针对所述被测对象的子图像数据;以及异物检测单元,被配置为将各幅子图像数据输入经过训练的异物检测模型,得到针对所述被测对象的异物检测结果,其中,所述异物检测模型基于输入的各幅子图像数据生成针对该子图像数据包括的所述被测对象的部位的检测框,并基于生成的检测框进行异物检测。
可选地,在上述方面的一个示例中,所述图像分割单元被配置为:按照指定分割规则根据所述被测对象的各个部位将每幅二维图像数据分割成多幅子图像数据,每幅子图像数据包括所述被测对象的至少一个部位。
可选地,在上述方面的一个示例中,每幅子图像数据包括所述被测对象的一个部位。
可选地,在上述方面的一个示例中,所述异物检测单元包括:子图像数据归类模块,被配置为将分割得到的子图像数据中包括相同部位的子图像数据进行归类作为一个子图像集合,其中,每个子图像集合对应至少一个部位,每个部位对应一个子图像集合;异物检测模块,被配置为将所得到的子图像集合输入异物检测模型,得到针对各个子图像集合所对应的部位的第一异物检测结果;以及检测结果合成模块,被配置为所述异物检测模型根据各个子图像集合的第一异物检测结果得到针对所述被测对象的异物检测结果。
可选地,在上述方面的一个示例中,所述异物检测模块被配置为:将所得到的子图像集合输入所述异物检测模型;在所述异物检测模型处,得到各个子图像集合包括的各幅子图像数据的第二异物检测结果;以及在所述异物检测模型处,针对每个子图像集合,根据各幅子图像数据的第二异物检测结果以及对应的第一权重得到针对该子图像集合所对应的部位的第一异物检测结果,其中,所述第一权重是根据子图像数据的正射投影方向与所述被测对象的正对方向之间的角度确定的。
可选地,在上述方面的一个示例中,所述异物检测模块被配置为:根据部位的第二权重从所得到的子图像集合中确定待输入的子图像集合;以及将所确定的子图像集合输入异物检测模型,得到所确定的各个子图像集合所对应的部位的第一异物检测结果。
可选地,在上述方面的一个示例中,所述异物检测单元还包括:子图像数据删除模块,被配置为将所确定的子图像集合中第二权重小于部位权重阈值的子图像集合中的第一权重小于图像权重阈值的子图像数据删除。
根据本公开的另一方面,还提供一种用于对无锚点的异物检测模型进行训练的装置,其中,所述异物检测模型是包括多层神经网络的神经网络模型,所述装置包括:样本输入单元,被配置为将包括训练目标的训练样本图像输入当前异物检测模型,得到每层神经网络生成的针对所述训练目标的特征向量;预测检测框确定单元,被配置为根据真实检测框来确定每层神经网络的预测检测框;前景划分单元,被配置为利用预测检测框对特征向量表征的图像进行划分得到用于表征前景图像区域的前景特征向量;分类预测单元,被配置为利用分类器对每层神经网络的前景特征向量进行分类预测,以得到各个前景特征向量针对真实分类标签的预测值;统计回归单元,被配置为利用回归网络将各层神经网络的前景特征向量进行统计回归处理,以得到预测检测框的位置信息;以及模型参数调整单元,被配置为在根据预测检测框的位置信息以及预测值判断出满足所述循环结束条件时,根据损失函数调整所述当前异物检测模型的模型参数,并将调整后的异物检测模型作为下一循环过程的当前异物检测模型。
根据本公开的另一方面,还提供一种电子设备,包括:至少一个处理器;以及存储器,所述存储器存储指令,当所述指令被所述至少一个处理器执行时,使得所述至少一个处理器执行如上所述的用于对三维图像数据进行异物检测的方法。
根据本公开的另一方面,还提供一种机器可读存储介质,其存储有可执行指令,所述指令当被执行时使得所述机器执行如上所述的用于对三维图像数据进行异物检测的方法。
附图说明
通过参照下面的附图,可以实现对于本公开内容的本质和优点的进一步理解。在附图中,类似组件或特征可以具有相同的附图标记。
图1示出了本公开的用于对三维图像数据进行异物检测的方法的一个示例的流程图。
图2示出了三维图像数据正射投影的一个示例的示意图。
图3示出了三维图像数据重叠正射投影的一个示例的示意图。
图4示出了本公开的将一幅二维图像数据分割成一个子图像数据的一个示例的示意图。
图5示出了本公开的异物检测模型的模型训练方法的一个示例的流程图。
图6示出了本公开的根据真实检测框确定预测检测框并得到前景特征向量的一个示例的示意图。
图7示出了本公开的用于对三维图像数据进行异物检测的装置的一个示例的方框图。
图8示出了本公开的用于对无锚点的异物检测模型进行训练的装置的一个示例的方框图。
图9示出了本公开的实施例的实现用于对三维图像数据进行异物检测的方法的电子设备的方框图。
具体实施方式
以下将参考示例实施方式讨论本文描述的主题。应该理解,讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题,并非是对权利要求书中所阐述的保护范围、适用性或者示例的限制。可以在不脱离本公开内容的保护范围的情况下,对所讨论的元素的功能和排列进行改变。各个示例可以根据需要,省略、替代或者添加各种过程或组件。另外,相对一些示例所描述的特征在其它例子中也可以进行组合。
如本文中使用的,术语“包括”及其变型表示开放的术语,含义是“包括但不限于”。术语“基于”表示“至少部分地基于”。术语“一个实施例”和“一实施例”表示“至少一个实施例”。术语“另一个实施例”表示“至少一个其他实施例”。术语“第一”、“第二”等可以指代不同的或相同的对象。下面可以包括其他的定义,无论是明确的还是隐含的。除非上下文中明确地指明,否则一个术语的定义在整个说明书中是一致的。
目前进行异物检测主要采用经过训练的用于目标检测的深度学习模型,经过训练的深度学习模型预设有若干经过训练的预测检测框,这些预先设置的预测检测框大小各不同相同,且分布在不同位置。在雷达安检系统生成三维图像数据时,经过训练的深度学习模型中预设的各个预测框确定图像中的目标异物,然后针对预测框中的目标异物进行识别、检测等。然而,一般来说,目标异物在图像中的区域较小,图像中的非目标异物区域相对较大。因此,在异物检测过程中,大部分的预测框对非目标异物区域的图像数据进行检测,不仅浪费大量的计算资源进行无效计算,而且由于计算量较大导致异物检测效率降低。
鉴于上述,本公开提供了一种用于对三维图像数据进行异物检测的方法及装置。在本公开提出的技术方案中,获取三维图像数据并将三维图像数据进行正射投影得到多幅二维图像数据,再根据各幅二维图像数据中的被测对象对各幅二维图像数据进行分割处理,以使每幅二维图像数据被分割成至少一幅针对所述被测对象的子图像数据,再将各幅子图像数据输入经过训练的异物检测模型,得到针对所述被测对象的异物检测结果。通过本公开的技术方案,经过分割处理后的子图像数据相比于整幅二维图像数据来说减少了非被测对象的区域图像数据,从而减少了待处理的数据量,相应地,异物检测模型中所需的检测框数量也会减少。另外,本公开中的异物检测模型根据输入的各幅子图像数据来生成针对被测对象的检测框,这样有针对性地根据图像数据来生成检测框,减少了检测框的数量,提高了每个检测框的检测效率。
下面将结合附图来详细描述根据本公开的用于对三维图像数据进行异物检测的方法及装置。
图1示出了本公开的用于对三维图像数据进行异物检测的方法的一个示例100的流程图。
如图1所示,在110,获取对被测对象进行扫描得到的三维图像数据。
在本公开中,三维图像数据可以基于直角坐标系,此时三维图像数据中的各个图像点可以用X、Y、Z坐标来表示,X、Y和Z分别表示对应的X轴、Y轴和Z轴上的坐标。三维图像数据还可以基于柱面坐标系,此时三维图像数据中的各个图像点可以用R、Z、θ坐标来表示,R、Z、θ分别表示柱面半径、俯仰维方向上的坐标、方位维方向上的柱面旋转角度。
被测对象可以包括人体、物体等,本公开以人体为例进行说明。
接着,在120,将三维图像数据进行正射投影得到多幅二维图像数据。
在本公开中,可以将三维图像数据进行正射投影得到指定数目幅二维图像数据,各幅二维图像数据对应的方位维方向角度的位置不同,大小可以相同。比如,正射投影得到的两幅二维图像数据对应的方位维方向角度分别是[0°,30°]和[90°,120°],该两个方位维方向角度的大小都是30°,其中一个方位维方向角度是从0°到30°,另一个方位维方向角度是从90°到120°。
三维图像数据对应的方位维方向角度是360°,当需要得到指定数目幅且图像大小相同的二维图像数据时,可以将三维图像数据对应的方位维方向角度360°均匀划分指定数目个的第一方位维方向角度,划分得到每个第一方位维方向角度对应一个二维图像数据。
将第一方位维方向角度对应的三维图像数据中的图像区域进行正射投影,得到该第一方位维方向角度对应的二维图像数据。在本公开中,正射投影可以是向第一方位维方向角度的中心线方向进行投影。
以图2为例,图2示出了三维图像数据正射投影的一个示例200的示意图。图2所示的视图是俯仰维方向上的视图,以圆柱面的方式对三维图像数据进行度量,图2中用圆柱面210来表征三维图像数据。将三维图像数据平均分割成N幅二维图像数据,每幅二维图像数据对应的第一方位维方向角度是θ1。图2示出的是其中一个第一方位维方向角度θ1,该第一方位维方向角度θ1对应的一个图像区域是三维图像数据的一部分,即圆柱面210上A1和A2之间第一方位维方向角度θ1对应的图像区域。再将该图像区域的三维图像数据进行正射投影,可以得到二维图像数据221。
在本公开中,所得到的多幅二维图像数据可以构成三维图像数据所表征的完整图像内容。例如,三维图像数据是针对被测人体的图像数据,则该三维图像数据经过正射投影所得到的各幅二维图像数据是各个不同方位维方向角度对应的一部分被测人体,所有二维图像数据可以构成该被测人体的一个完整体。
经过正射投影得到的每幅二维图像数据包括针对被测对象的图像数据,每幅二维图像数据中针对被测对象的图像数据所表示的区域可以是被测对象的一部分。比如,一幅二维图像数据对应的第一方位维方向角度是被测人体的右侧的一个方位维角度,则该幅二维图像数据中针对被测对象的图像数据可显示的区域包括该被测人体的右上肢、右下肢、头部右侧等右侧的人体区域。
在一个示例中,相邻的两幅二维图像数据对应的方位维角度之间可以重叠,重叠的角度可以是指定角度。不同的相邻两幅二维图像数据对应的重叠角度可以不同,也可以相同。
以图3为例,图3示出了三维图像数据重叠正射投影的一个示例300的示意图。如图3所示,图3所示的视图是俯仰维方向上的视图,以圆柱面的方式对三维图像数据进行度量,图3中用圆柱面310来表征三维图像数据。图3示出的是三维图像数据分区域后的其中两个图像区域:一个图像区域311由A1和A2构成,另一个图像区域312由B1和B2构成。两个图像区域对应的第一方位维方向角度都是θ1,该两个图像区域重叠的角度是θ2,分别将两个图像区域的三维图像数据进行正射投影,图像区域311的三维图像数据经过正射投影可以得到二维图像数据321,图像区域312的三维图像数据经过正射投影可以得到二维图像数据322,其中,二维图像数据321与二维图像数据322存在相同的图像数据。
在该示例中,相邻的两幅二维图像数据对应的方位维角度之间重叠指定角度,则该两幅二维图像数据存在相同的图像数据,这样在对三维图像数据的各个图像区域进行正射投影时避免相邻的两个图像区域的图像交接部分的图像数据丢失而导致图像数据不完整。
在经过正射投影得到多幅二维图像数据后,在130,根据各幅二维图像数据中的被测对象对各幅二维图像数据进行分割处理,以使每幅二维图像数据被分割成至少一幅子图像数据。
在本公开中,每幅二维图像数据都包括被测对象,每幅二维图像数据可以按照该幅二维图像数据中的被测对象的轮廓被分割成至少一幅包括被测对象的部位的子图像数据。其中,被测对象可以包括多个部位,以人体为例,被测对象可以包括头部、胸部、背部、左上肢、右上肢、腹部、腰臀部、左下肢、右下肢等部位。
在一个示例中,当每幅二维图像数据仅分割成一个子图像数据时,该子图像数据所包括的被测对象的部位是对应二维图像数据中被测对象的全部部位。在该示例中,在对二维图像数据进行分割处理时,可以按照二维图像数据中的被测对象的轮廓进行分割,将被测对象的轮廓以外的图像区域切除掉,仅保留被测对象所属的图像区域,被保留的图像区域即属于子图像数据的图像区域。
在该示例中,可以利用目标搜索框来确定二维图像数据中的被测对象的轮廓区域,然后按照所确定的目标搜索框来分割,保留目标搜索框中的图像区域作为子图像数据的区域,将目标搜索框以外的图像区域分割掉。目标搜索框的形状可以是方形框、圆形框等,目标搜索框的大小以及形状可以调整。
图4示出了本公开的将一幅二维图像数据分割成一个子图像数据的一个示例的示意图。如图4所示,左图示出的是一幅二维图像数据,该幅二维图像数据中包括一个被测人体,按照被测人体的轮廓确定被测人体在二维图像数据中的图像区域,这里用方框来确定被测人体的图像区域,然后根据所确定的图像区域进行分割,仅保留所确定的被测人体的图像区域,将二维图像数据中所确定的图像区域以外的图像区域去除,得到一个子图像数据如右图所示。
通过上述示例,将每幅二维图像数据按照该幅二维图像数据中的被测对象的轮廓进行分割,将二维图像数据中非被测对象的图像区域切割掉,在子图像数据中仅保留完整的被测对象。这样减少了待输入异物检测模型的图像数据中的非被测对象的图像区域,从而在异物检测模型中减少了检测框的搜索图像区域,进一步地减少检测框的数量。
在另一个示例中,可以根据被测对象的各个部位将每幅二维图像数据分割成多幅子图像数据。针对每幅二维图像数据,对应得到的每幅子图像数据包括被测对象的至少一个部位,所有子图像数据中的部位可以构成该幅二维图像数据中的被测对象的所有部位。
可以按照指定分割规则对每幅二维图像数据进行分割。在一个示例中,指定分割规则可以是根据各个部位在被测对象上的分布位置来分割。例如,可以按照上下分布位置来分割,即将每幅二维图像数据分割成两部分:一部分是包括头部、胸部、腹部、左上肢、右上肢等的上半身部位,另一部分是包括臀部、左下肢、右下肢等的下半身部位。
在另一个示例中,指定分割规则还可以是根据异物所在部位的概率来分割,各个部位对应有异物的概率可以根据历史经验或者历史检测数据得到。一个部位对应的概率高表示该部位更易检测到异物,部位对应的概率低表示该部位处检测到异物的概率低。比如,左下肢和右下肢是检测出异物较多的部位,则可以将左下肢和右下肢确定为概率高的部位;相应地,左上肢和右上肢是检测出异物较少的部位,则可以将左上肢和右上肢确定为概率低的部位。
按照该示例中的指定分割规则,可以将概率高的部位单独分割出来作为一个子图像数据,可以将概率程度较低的多个部位作为一个整体部位分割出来成为一个子图像数据。这样可以将概率程度高的部位分割出来进行更仔细的检测,从而提高异物检测的精确度。
每幅二维图像数据均使用相同的指定分割规则。对于各幅二维图像数据来说,经过分割处理可以得到各幅子图像数据,每幅二维图像数据得到的各幅子图像数据都与其他各幅二维图像数据得到的子图像数据相对应,属于不同二维图像数据的相对应的子图像数据包括的部位可以相同。
例如,二维图像数据A和B是针对同一个被测人体的对应不同的方位维方向角度的图像,按照相同的指定分割规则对二维图像数据A和B进行分割,该指定分割规则是将每幅二维图像数据分割成三个部分:将头部作为一个上部分,将胸部、腹部、左上肢和右上肢作为中间部分,将臀部、左下肢和右下肢作为下部位。则二维图像数据A和B都被分割成3幅子图像数据,二维图像数据A中的第一幅子图像数据与二维图像数据B中的第一幅子图像数据对应,都包括头部;二维图像数据A中的第二幅子图像数据与二维图像数据B中的第二幅子图像数据对应,都包括胸部、腹部、左上肢和右上肢;二维图像数据A中的第三幅子图像数据与二维图像数据B中的第三幅子图像数据对应,都包括臀部、左下肢和右下肢。
需要说明的是,各幅二维图像数据使用相同的指定分割规则,属于不同二维图像数据的相对应的子图像数据包括的部位可以存在差异,这里的差异是指部分的部位相同,另一部分的部位在其中一个或多个子图像数据中存在,在相对应的其他子图像数据中缺失。
例如,二维图像数据A和B是针对同一个被测人体,其中,二维图像数据A是正对该被测人体的图像,二维图像数据B是该被测人体右侧视角的图像。指定分割规则是按照上下分布位置来分割,将每幅二维图像数据分割成两部分:上半身部分和下半身部分。二维图像数据A中的上半身部分的子图像数据与二维图像数据B中的上半身部分的子图像数据相对应,都包括头部、胸部、腹部和右上肢,另外,二维图像数据A中的上半身部分的子图像数据还包括左上肢,而二维图像数据B中的上半身部分的子图像数据不包括左上肢。二维图像数据A中的下半身部分的子图像数据与二维图像数据B中的下半身部分的子图像数据相对应,都包括臀部和右下肢,另外,二维图像数据A中的下半身部分的子图像数据还包括左下肢,而二维图像数据B中的下半身部分的子图像数据不包括左下肢。
在上述示例中,通过将二维图像数据分割成多幅子图像数据,可实现滤除二维图像数据中的部分背景区域,达到降低虚警率,提高异物检测准确率。
在一个示例中,每幅子图像数据可以包括被测对象的一个部位。针对每幅二维图像数据,分割得到的子图像数据的数量与该幅二维图像数据中被测对象的部位的数量一致,子图像数据与部位一一对应。
例如,一幅二维图像数据是针对被测人体的正对角度的图像,该二维图像数据中包括的部位有:头部、胸部、左上肢、右上肢、腹部、腰部、左下肢和右下肢,则对该二维图像数据进行分割,得到8幅子图像数据,每一幅子图像数据对应一个部位。
在该示例中,将各幅二维图像数据分割成以部位为单元的最小单元子图像数据,进一步地减少了非被测对象的图像区域。此外,每幅子图像数据仅包括一个部位,在后续异物检测过程中,针对每幅子图像数据仅需较少的检测框进行检测,甚至仅需一个检测框即可。这样不仅减少了检测框的数量,而且提高检测框的效率,从而提高异物检测效率。
在140,将各幅子图像数据输入经过训练的异物检测模型,得到针对被测对象的异物检测结果,
在本公开中,异物检测模型可以是深度学习模型,比如,异物检测模型可以是用于异物检测的神经网络模型。在一个示例中,异物检测模型是无锚点神经网络模型,异物检测模型采用无锚点算法对输入的图像数据进行异物检测处理并输出异物检测结果。
针对每幅子图像数据,异物检测模型可以基于输入的该幅子图像数据生成针对该子图像数据包括的被测对象的部位的检测框。具体地,异物检测模型可以对输入的子图像数据进行特征提取,并根据所提取的子图像数据的特征向量来匹配生成检测框,根据所生成的检测框可以划分前景特征向量和背景特征向量,并可以提取前景特征向量。这里的前景特征向量可以包括异物、部位等的特征向量。
在一个示例中,所获取的三维图像数据可以是黑白图像数据,也就是说,三维图像数据中的像素点包括像素值0和像素值255的像素点。在该示例中,各幅二维图像数据也是由黑白像素点构成,各幅二维图像中的前景图像区域和背景图像区域根据黑白像素点来区分。在这种情况下,异物检测模型提取前景特征向量时仅需区分黑色像素点和白色像素点即可,为异物检测模型进行前景特征提取提供了便利性。
然后,基于生成的检测框可以进行异物检测,异物检测包括异物类别检测和异物位置检测。针对异物类别检测,可以将检测框中的前景特征向量输入至异物检测模型中的分类器,分类器可以输出该前景特征向量所表征的部位是否存在异物,以及若存在异物,还可以输出异物的类别。针对异物位置检测,将检测框中的前景特征向量输入至异物检测模型中的回归网络,回归网络用于根据前景特征向量输出检测框的位置信息。
所得到的针对被测对象的异物检测结果可以包括定量检测结果和定性检测结果。定量检测结果可以包括异物类别、异物的位置信息等数据信息来描述的检测结果。定性检测结果可以用于直观展示的检测结果,比如,针对被测对象的扫描图像,该扫描图像中显示检测出的异物。根据扫描图像中异物的位置即可以确定所检测出的异物的位置信息。
异物检测模型针对输入的每幅子图像数据可以得到该幅子图像数据对应的异物检测结果,将一副二维图像数据包括的所有的子图像数据对应的异物检测结果进行融合处理,即可以得到该幅二维图像数据的异物检测结果。再将三维图像数据包括的所有二维图像数据对应的异物检测结果再进行融合处理,即可以得到该三维图像数据的异物检测结果。
例如,三维图像数据包括6幅二维图像数据,每幅二维图像数据包括3幅子图像数据。在利用异物检测模型得到各幅子图像数据对应的异物检测结果后,针对每幅二维图像数据,可以将该幅二维图像数据包括的3幅子图像数据对应的异物检测结果融合成一个异物检测结果,融合得到的异物检测结果是该二维图像数据的异物检测结果。再将6幅二维图像数据各自对应的异物检测结果进行融合得到一个异物检测结果,此时得到的异物检测结果是三维图像数据的异物检测结果。
本公开中的异物检测模型无需预先设置检测框,而根据输入的图像数据来匹配并生成检测框,这样有针对性的生成检测框,可以减少检测框的数量,从而减少针对检测框的异物检测计算处理,节省了计算资源,提高了异物检测效率。
在本公开的一个示例中,按照相同的指定分割规则将每幅二维图像数据分割成多幅子图像数据,可以将分割得到的子图像数据中包括相同部位的子图像数据进行归类,作为一个子图像集合。这样所得到的每个子图像集合对应至少一个部位,每个部位对应一个子图像集合。
在各个子图像数据仅包括一个部位时,子图像集合与部位一一对应,即,每个子图像集合中包括的子图像数据都仅包括相同部位。各个子图像集合包括的子图像数据的数量可以相同,也可以不同。
例如,针对头部的子图像集合中包括5幅子图像数据,其中一个子图像集合来源于被测对象的左侧视角的二维图像数据,该二维图像数据不包括右上肢,因此,针对右上肢的子图像集合只包括4子图像数据。
当存在子图像数据包括有至少两个部位时,可以将包括相同的至少两个部位的子图像数据归类作为一个子图像集合。例如,将胸部和右上肢划分在一个子图像数据中,则包括胸部和右上肢的子图像数据属于同一类,并作为一个子图像集合。
此外,当一个子图像数据只包括部分部位,另一部分部位在该子图像数据中缺失时,可以将该子图像数据归类到对应至少两个部位的子图像集合中。例如,通过归类得到的一个子图像集合对应的两个部位是胸部和右上肢,其中一个子图像数据来源于被测对象的左侧视角的二维图像数据,该二维图像数据不包括右上肢,相应地该子图像数据仅包括头部,则可以将该子图像数据归类到该子图像集合中。
在将所有子图像数据进行归类后,可以将所得到的子图像集合输入异物检测模型,得到针对各个子图像集合所对应的部位的第一异物检测结果。每个子图像集合对应一个第一异物检测结果。
然后,在异物检测模型处,可以根据各个子图像集合的第一异物检测结果得到针对所述被测对象的异物检测结果。具体地,将各个子图像集合对应的第一异物检测结果合成为一个针对被测对象的异物检测结果,该异物检测结果包括针对被测对象的各个部位的检测结果。
在一个示例中,将所得到的子图像集合输入所述异物检测模型,在异物检测模型处,得到各个子图像集合包括的各幅子图像数据的第二异物检测结果,然后,针对每个子图像集合,根据各幅子图像数据的第二异物检测结果以及对应的第一权重得到针对该子图像集合所对应的部位的第一异物检测结果。具体地,可以利用下述公式计算各个子图像集合对应的第一异物检测结果:
其中,I(k′)表示第k′个子图像集合对应的第一异物检测结果,n表示第k′个子图像集合中子图像数据的数量,i是不大于n的正整数,Ii(k′)表示第k′个子图像集合中第i个子图像数据的第二异物检测结果,ωi表示第k′个子图像集合中第i个子图像数据对应的第一权重。
在该示例中,第一权重可以根据子图像数据的正射投影方向与被测对象的正对方向之间的角度确定。子图像数据的正射投影方向与被测对象的正对方向之间的角度越小,表示该子图像数据越靠近被测对象的正对方向。比如,子图像数据的正射投影方向与被测对象的正对方向之间的角度为0时,表示该子图像数据与被测对象正对。子图像数据的正射投影方向与被测对象的正对方向之间的角度为90°时,表示子图像数据位于被测对象的左侧或右侧方向上。
在一个示例中,子图像数据的正射投影方向与被测对象的正对方向之间的角度越小,第一权重越大。
在该示例中,通过第一权重可以有针对性地调整子图像集合中的各个不同角度的子图像数据的重要程度,将能够发现异物的概率较大的子图像数据的第一权重增加,比如,加强与被测对象正对的子图像数据的重要程度。
在一个示例中,每个部位对应有第二权重,部位的第二权重可以用来表示该部位处发现检测出异物的概率大小,部位的第二权重越高表示该部位处越容易检测出异物,部位的第二权重越低表示该部位处越不容易检测出异物。例如,下肢部位容易检测出异物,则左下肢和右下肢对应的第二权重都较高;手臂和手掌部位检测出异物的概率较小,则左上肢和右上肢对应的第二权重都较低。
可以根据部位的第二权重从所得到的子图像集合中确定待输入的子图像集合。具体地,每个子图像集合对应至少一个部位,每个部位对应有第二权重,可以将部位的第二权重与指定权重阈值进行比较,将大于指定权重阈值的第二权重的部位对应的子图像集合确定为待输入的子图像集合。
当子图像集合对应至少两个部位时,该至少两个部位中存在至少一个部位的第二权重大于指定权重阈值,则可以将该子图像集合确定为待输入的子图像集合。
然后,可以将所确定的子图像集合输入异物检测模型,得到所确定的各个子图像集合所对应的部位的第一异物检测结果。
通过该示例,利用第二权重可以筛选掉部分不太容易检测出异物的部位对应的子图像集合,所确定出的待输入的子图像集合所对应的部位是相对较容易检测出异物的部位,这样在保证异物检测精确度的情况下减少了输入异物检测模型的数据量,从而减少了异物检测模型的计算量,提高异物检测模型的计算效率。
进一步地,在一个示例中,在根据部位的第二权重从所得到的子图像集合中确定出待输入的子图像集合后,可以将所确定的子图像集合中第二权重小于部位权重阈值的子图像集合中的第一权重小于图像权重阈值的子图像数据删除。
在该示例中,部位权重阈值和图像权重阈值都可以是指定的,部位权重阈值可以大于用于确定待输入子图像集合的指定阈值。
通过该示例,可以进一步地从检测出异物的概率较小的部位对应的子图像集合中删除部分子图像数据,所删除的子图像数据的第一权重小于图像权重阈值,表示这些子图像数据在所属的子图像集合中的贡献值较低,因此,在保证针对这些子图像集合的异物检测精确度的情况下,减少了子图像数据的数量,从而减少了异物检测模型的计算量。
在一个示例中,还可以将所得到的异物检测结果与金属探测数据进行融合。金属探测数据可以是金属探测设备用于对被测对象进行探测所得到的探测数据。将异物检测结果与金属探测数据相结合,能够获取更全面地检测信息,从而实现对被测对象的全面检测。
图5示出了本公开的异物检测模型的模型训练方法的一个示例500的流程图。图5示出的模型训练方法所针对的异物检测模型可以是采用无锚点算法的包括多层神经网络的神经网络模型。
如图5所示,在510,可以将包括训练目标的训练样本图像输入当前异物检测模型,得到每层神经网络生成的针对所述训练目标的特征向量。
训练目标可以包括各种类型的异物。当前异物检测模型可以是待训练的初始异物检测模型,还可以是上一轮模型训练中模型参数经过调整后的异物检测模型。
针对训练样本图像,可以进行数据增强,以增加训练样本的数量。数据增强的方式可以包括随机旋转、随机抖动、尺度缩放、随机采样等。
进行模型训练的当前异物检测模型包括有多层神经网络,异物检测模型中的神经网络的层数可以指定。在训练样本图像输入当前异物检测模型后,当前异物检测模型中的每层神经网络可以对训练样本图像进行特征提取。此外,可以按照神经网络在异物检测模型中的排列顺序,各层神经网络依次对训练样本图像进行升维编码操作,训练样本图像每次输入一层神经网络,该层神经网络对该训练样本图像进行特征提取时在上一层神经网络提取的特征维度的基础上增加一个维度。这样,在异物检测模型中,依次经过各层神经网络的特征提取,可以将针对训练样本图像的通道数从C0逐步升至Cj,其中,Cj大于C0,j表示从1到k的值,k表示神经网络层数。
针对不同的训练样本图像,第一层神经网络针对训练样本图像的提取特征向量的维度可以不同,基于此,每一层神经网络针对不同训练样本图像所提取的特征向量的维度可以不同。
例如,输入当前异物检测模型的训练样本图像是100×100的图像,则第一层神经网络提取的特征向量的维度可以是10维,第二层提取的特征向量的维度可以是11维,以此类推。当输入当前异物检测模型的训练样本图像是200×200的图像时,第一层神经网络提取的特征向量的维度可以是20维,第二层提取的特征向量的维度可以是21维,以此类推。
通过每层神经网络对训练样本图像进行升维编码操作,可以提升针对不同训练样本图像的提取以及不同维度的描述,例如,针对不同部位的高频信息、纹理信息、强度信息、几何信息等的描述。
然后,在520,可以根据真实检测框来确定每层神经网络的预测检测框。具体地,确定训练样本图像数据对应的真实检测框,然后在真实检测框的范围内确定与真实检测框的边框距离margin的边界,由所确定的各个边界所构成的框即为预测检测框。
在530,利用预测检测框对生成的特征向量所表征的图像进行划分得到用于表征前景图像区域的前景特征向量,也即,预测检测框的范围内的特征向量即为前景特征向量。
图6示出了本公开的根据真实检测框确定预测检测框并得到前景特征向量的一个示例600的示意图。如图6所示,真实检测框的边框与预测检测框的边框相距margin,且预测检测框在真实检测框范围内。预测检测框范围内的特征向量是前景特征向量,预测检测框以外的特征向量都是背景特征向量,即包括真实检测框范围以外的特征向量以及真实检测框与预测检测框之间的特征向量。
在540,可以将每层神经网络中的前景特征向量输入值分类器,利用分类其对每层神经网络的前景特征向量进行分类预测,以得到各个前景特征向量针对真实分类标签的预测值。预测值可以是概率值。
在550,还可以将每层神经网络中的前景特征向量输入回归网络,利用回归网络将各层神经网络的前景特征向量进行统计回归处理,以得到预测检测框的位置信息。具体地,回归网络根据每层神经网络中的前景特征向量对前景的边界像素点进行统计,即可以确定出每层神经网络中的前景特征点的边界。然后将各层神经网络的前景特征点的边界进行统计回归,即可以确定出预测检测框的位置信息,比如,位置信息可以表示成(x,y,z,w,h,θ),其中,(x,y,z)表示已该点为原点的直角坐标系,w表示预测检测框的宽度,h表示预测检测框的高度,θ表示预测检测框的长相对于水平面的角度,该角度可以用来表示预测检测框的方向。
需要说明的是,上述540和550可以不限定执行顺序。
在560,可以根据预测检测框的位置信息以及预测值来判断是否满足循环结束条件。如果是,则表示模型训练结束,当前异物检测模型是训练好的模型,输出当前异物检测模型。如果否,则执行570的操作。
在一个示例中,可以根据预测检测框的位置信息以及预测值来计算各个分类标签的准确率和召回率。然后,根据所计算的准确率和召回率来判断是否满足循环结束条件。具体地,在直角坐标系上计算准确率和召回率所构成的曲线与X轴、Y轴所围成的面积,该面积可以表示AUC,AUC可以衡量当前异物检测模型的训练好坏,若面积大于指定阈值,则满足循环结束条件;若面积不大于指定阈值,则不满足循环结束条件。
在570,根据损失函数调整当前异物检测模型的模型参数,并将调整后的异物检测模型作为下一循环过程的当前异物检测模型。
损失函数可以包括分类损失函数和回归损失函数。本公开中的分类损失函数可以使用不同的分类损失函数。例如,如下式所示的分类损失函数:
其中,Lcls表示分类损失函数,N为训练样本图像的数量,M为异物的类别数量,yi,m表示第i个训练样本图像对应的真实值所属类别的值,pi,m表示第i个训练样本图像通过模型预测得到的预测值。
回归损失函数可以包括L1损失函数、L2损失函数、Huber损失函数等,以Huber损失函数为例,回归损失函数如下式所示:
其中,Lreg表示回归损失函数,σ为超参数,x为真实值与预测值之间的残差。
根据分类损失函数和回归损失函数可以得到一个总损失函数:
L=Lcls+λLreg
其中,λ表示一个调节系数,用于调整分类损失函数与回归损失函数的占比。λ可以指定。
此外,在一个示例中,在560,还可以根据预测检测框的位置信息、预测值以及上述损失函数来判断是否满足循环结束条件。具体地,可以根据预测检测框的位置信息、预测值以及上述的分类损失函数、回归损失函数分别计算当前的总损失函数的值,若当前的总损失函数的值小于指定阈值,则训练停止;若当前的总损失函数的值不小于指定阈值,则继续执行下一循环。
在一个示例中,在输入多张针对训练目标的训练样本图像,且各张训练样本图像呈现的训练目标的角度不同时,可以确定各张训练样本图像中的各个预测检测框对应的权重。预测检测框的权重可以根据成像传感器与目标的相对角度来确定,成像传感器与目标的相对角度不同所生成的图像中目标所呈现的角度不同,比如,成像传感器正对目标拍摄的图像中,目标在图像中可以是正面呈现。成像传感器与目标的相对角度不同,所生成的图像中的预测检测框对应的权重可以不同。例如,与人体正对的成像传感器生成的图像中的预测检测框的权重比较大,成像传感器与目标的角度越大,则对应的预测检测框的权重越小。
将各个预测检测框的权重分别与该预测框的位置信息和预测值进行加权处理,得到针对训练目标的加权位置信息和加权预测值。将加权位置信息和加权预测值分别与置信阈值进行比较,当加权位置信息和加权预测值小于置信阈值时,表示当前的预测检测框针对异物的检测不可信,此时可以对当前异物检测模型的模型参数进行调整。当加权位置信息和加权预测值不小于置信阈值时,表示当前的预测检测框针对异物的检测可信,当前异物检测模型可以输出加权位置信息和加权预测值。
图7示出了本公开的用于对三维图像数据进行异物检测的装置(以下称为异物检测装置700)的一个示例的方框图。如图7所示,异物检测装置700可以包括三维图像数据获取单元710、三维图像投影单元720、图像分割单元730和异物检测单元740。
三维图像数据获取单元710被配置为获取对被测对象进行扫描得到的三维图像数据。三维图像数据获取单元710的操作可以参考上述图1描述的110的操作。
三维图像投影单元720被配置为将三维图像数据进行正射投影得到多幅二维图像数据。三维图像投影单元720的操作可以参考上述图1描述的120的操作。
图像分割单元730被配置为根据各幅二维图像数据中的被测对象对各幅二维图像数据进行分割处理,以使每幅二维图像数据被分割成至少一幅针对所述被测对象的子图像数据。图像分割单元730的操作可以参考上述图1描述的130的操作。
异物检测单元740被配置为将各幅子图像数据输入经过训练的异物检测模型,得到针对所述被测对象的异物检测结果,其中,异物检测模型基于输入的各幅子图像数据生成针对该子图像数据包括的所述被测对象的部位的检测框,并基于生成的检测框进行异物检测。异物检测单元740的操作可以参考上述图1描述的130的操作。
在一个示例中,图像分割单元730被配置为:按照指定分割规则根据被测对象的各个部位将每幅二维图像数据分割成多幅子图像数据,每幅子图像数据包括被测对象的至少一个部位。在一个示例中,每幅子图像数据包括被测对象的一个部位。
在一个示例中,异物检测单元740包括:子图像数据归类模块被配置为将分割得到的子图像数据中包括相同部位的子图像数据进行归类作为一个子图像集合,其中,每个子图像集合对应至少一个部位,每个部位对应一个子图像集合;异物检测模块,被配置为将所得到的子图像集合输入异物检测模型,得到针对各个子图像集合所对应的部位的第一异物检测结果;以及检测结果合成模块,被配置为异物检测模型根据各个子图像集合的第一异物检测结果得到针对被测对象的异物检测结果。
在一个示例中,异物检测模块被配置为:将所得到的子图像集合输入异物检测模型;在异物检测模型处,得到各个子图像集合包括的各幅子图像数据的第二异物检测结果;以及在异物检测模型处,针对每个子图像集合,根据各幅子图像数据的第二异物检测结果以及对应的第一权重得到针对该子图像集合所对应的部位的第一异物检测结果,其中,第一权重是根据子图像数据的正射投影方向与被测对象的正对方向之间的角度确定的。
在一个示例中,异物检测模块被配置为:根据部位的第二权重从所得到的子图像集合中确定待输入的子图像集合;以及将所确定的子图像集合输入异物检测模型,得到所确定的各个子图像集合所对应的部位的第一异物检测结果。
在一个示例中,异物检测单元还包括:子图像数据删除模块被配置为将所确定的子图像集合中第二权重小于部位权重阈值的子图像集合中的第一权重小于图像权重阈值的子图像数据删除。
图8示出了本公开的用于对无锚点的异物检测模型进行训练的装置(以下称为模型训练装置800)的一个示例的方框图。如图8所示,模型训练装置800可以包括样本输入单元810、预测检测框确定单元820、前景划分单元830、分类预测单元840、统计回归单元850和模型参数调整单元860。
模型训练装置800用于训练的异物检测模型是包括多层神经网络的神经网络模型。
样本输入单元810被配置为将包括训练目标的训练样本图像输入当前异物检测模型,得到每层神经网络生成的针对所述训练目标的特征向量。样本输入单元810的操作可以参考上述图5描述的510的操作。
预测检测框确定单元820被配置为根据真实检测框来确定每层神经网络的预测检测框。预测检测框确定单元820的操作可以参考上述图5描述的520的操作。
前景划分单元830被配置为利用预测检测框对特征向量表征的图像进行划分得到用于表征前景图像区域的前景特征向量。前景划分单元830的操作可以参考上述图5描述的530的操作。
分类预测单元840被配置为利用分类器对每层神经网络的前景特征向量进行分类预测,以得到各个前景特征向量针对真实分类标签的预测值。分类预测单元840的操作可以参考上述图5描述的540的操作。
统计回归单元850被配置为利用回归网络将各层神经网络的前景特征向量进行统计回归处理,以得到预测检测框的位置信息。统计回归单元850的操作可以参考上述图5描述的550的操作。
模型参数调整单元860被配置为在根据预测检测框的位置信息以及预测值判断出满足所述循环结束条件时,根据损失函数调整所述当前异物检测模型的模型参数,并将调整后的异物检测模型作为下一循环过程的当前异物检测模型。模型参数调整单元860的操作可以参考上述图5描述的560和570的操作。
以上参照图1到图8,对根据本公开实施例的用于对三维图像数据进行异物检测的方法及装置的实施例进行了描述。
本公开的用于对三维图像数据进行异物检测的装置可以采用硬件实现,也可以采用软件或者硬件和软件的组合来实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在设备的处理器将存储器中对应的计算机程序指令读取到内存中运行形成的。在本公开中,用于对三维图像数据进行异物检测的装置例如可以利用电子设备实现。
图9示出了本公开的实施例的实现用于对三维图像数据进行异物检测的方法的电子设备900的方框图。
如图9所示,电子设备900可以包括至少一个处理器910、存储器(例如,非易失性存储器)920、内存930和通信接口940,并且至少一个处理器910、存储器920、内存930和通信接口940经由总线950连接在一起。至少一个处理器910执行在存储器中存储或编码的至少一个计算机可读指令(即,上述以软件形式实现的元素)。
在一个实施例中,在存储器中存储计算机可执行指令,其当执行时使得至少一个处理器910:获取对被测对象进行扫描得到的三维图像数据;将三维图像数据进行正射投影得到多幅二维图像数据;根据各幅二维图像数据中的被测对象对各幅二维图像数据进行分割处理,以使每幅二维图像数据被分割成至少一幅针对被测对象的子图像数据;以及将各幅子图像数据输入经过训练的异物检测模型,得到针对被测对象的异物检测结果,其中,异物检测模型基于输入的各幅子图像数据生成针对该子图像数据包括的被测对象的部位的检测框,并基于生成的检测框进行异物检测。
应该理解,在存储器中存储的计算机可执行指令当执行时使得至少一个处理器910进行本公开的各个实施例中以上结合图1-8描述的各种操作和功能。
根据一个实施例,提供了一种例如机器可读介质的程序产品。机器可读介质可以具有指令(即,上述以软件形式实现的元素),该指令当被机器执行时,使得机器执行本公开的各个实施例中以上结合图1-8描述的各种操作和功能。
具体地,可以提供配有可读存储介质的系统或者装置,在该可读存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码,且使该系统或者装置的计算机或处理器读出并执行存储在该可读存储介质中的指令。
在这种情况下,从可读介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能,因此机器可读代码和存储机器可读代码的可读存储介质构成了本发明的一部分。
本说明书各部分操作所需的计算机程序代码可以用任意一种或多种程序语言编写,包括面向对象编程语言,如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB、NET以及Python等,常规程序化编程语言如C语言、Visual Basic 2003、Perl、COBOL 2002、PHP以及ABAP,动态编程语言如Python、Ruby和Groovy,或者其他编程语言等。该程序编码可以在用户计算机上运行,或者作为独立的软件包在用户计算机上运行,或者部分在用户计算机上运行另一部分在远程计算机运行,或者全部在远程计算机或服务器上运行。在后一种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或者在云计算环境中,或者作为服务使用,比如软件即服务(SaaS)。
可读存储介质的实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD-RW)、磁带、非易失性存储卡和ROM。可选择地,可以由通信网络从服务器计算机上或云上下载程序代码。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
上述各流程和各系统结构图中不是所有的步骤和单元都是必须的,可以根据实际的需要忽略某些步骤或单元。各步骤的执行顺序不是固定的,可以根据需要进行确定。上述各实施例中描述的装置结构可以是物理结构,也可以是逻辑结构,即,有些单元可能由同一物理实体实现,或者,有些单元可能分由多个物理实体实现,或者,可以由多个独立设备中的某些部件共同实现。
在整个本说明书中使用的术语“示例性”意味着“用作示例、实例或例示”,并不意味着比其它实施例“优选”或“具有优势”。出于提供对所描述技术的理解的目的,具体实施方式包括具体细节。然而,可以在没有这些具体细节的情况下实施这些技术。在一些实例中,为了避免对所描述的实施例的概念造成难以理解,公知的结构和装置以框图形式示出。
以上结合附图详细描述了本公开的实施例的可选实施方式,但是,本公开的实施例并不限于上述实施方式中的具体细节,在本公开的实施例的技术构思范围内,可以对本公开的实施例的技术方案进行多种简单变型,这些简单变型均属于本公开的实施例的保护范围。
本公开内容的上述描述被提供来使得本领域任何普通技术人员能够实现或者使用本公开内容。对于本领域普通技术人员来说,对本公开内容进行的各种修改是显而易见的,并且,也可以在不脱离本公开内容的保护范围的情况下,将本文所定义的一般性原理应用于其它变型。因此,本公开内容并不限于本文所描述的示例和设计,而是与符合本文公开的原理和新颖性特征的最广范围相一致。
Claims (19)
1.一种用于对三维图像数据进行异物检测的方法,包括:
获取对被测对象进行扫描得到的三维图像数据,所述三维图像数据是针对所述被测对象的图像数据,所述三维图像数据用柱面半径、俯仰维方向上的坐标以及方位维方向上的柱面旋转角度来表示;
将所述三维图像数据进行正射投影得到多幅二维图像数据,各幅二维图像数据表征各个不同方位维方向角度对应的一部分被测人体,所有二维图像数据构成所述被测人体的完整体;
根据各幅二维图像数据中的被测对象对各幅二维图像数据进行分割处理,以使每幅二维图像数据被分割成至少一幅针对所述被测对象的子图像数据;
将分割得到的子图像数据中包括相同部位的子图像数据进行归类作为一个子图像集合,其中,每个子图像集合对应至少一个部位,每个部位对应一个子图像集合;
将所得到的子图像集合输入异物检测模型,得到针对各个子图像集合所对应的部位的第一异物检测结果;以及
所述异物检测模型根据各个子图像集合的第一异物检测结果得到针对所述被测对象的异物检测结果,
其中,所述异物检测模型基于输入的各幅子图像数据生成针对该子图像数据包括的所述被测对象的部位的检测框,并基于生成的检测框进行异物检测。
2.如权利要求1所述的方法,其中,根据各幅二维图像数据中的被测对象对各幅二维图像数据进行分割处理,以使每幅二维图像数据被分割成至少一幅子图像数据包括:
按照指定分割规则根据所述被测对象的各个部位将每幅二维图像数据分割成多幅子图像数据,每幅子图像数据包括所述被测对象的至少一个部位。
3.如权利要求2所述的方法,其中,每幅子图像数据包括所述被测对象的一个部位。
4.如权利要求2或3所述的方法,其中,将所得到的子图像集合输入异物检测模型,得到针对各个子图像集合所对应的部位的第一异物检测结果包括:
将所得到的子图像集合输入所述异物检测模型;
在所述异物检测模型处,得到各个子图像集合包括的各幅子图像数据的第二异物检测结果;以及
在所述异物检测模型处,针对每个子图像集合,根据各幅子图像数据的第二异物检测结果以及对应的第一权重得到针对该子图像集合所对应的部位的第一异物检测结果,其中,所述第一权重是根据子图像数据的正射投影方向与所述被测对象的正对方向之间的角度确定的。
5.如权利要求2或3所述的方法,其中,将所得到的子图像集合输入异物检测模型,得到针对各个子图像集合所对应的部位的第一异物检测结果包括:
根据部位的第二权重从所得到的子图像集合中确定待输入的子图像集合;以及
将所确定的子图像集合输入异物检测模型,得到所确定的各个子图像集合所对应的部位的第一异物检测结果。
6.如权利要求5所述的方法,还包括:
将所确定的子图像集合中第二权重小于部位权重阈值的子图像集合中的第一权重小于图像权重阈值的子图像数据删除。
7.如权利要求1所述的方法,其中,相邻的两幅二维图像数据对应的方位维角度之间重叠指定角度。
8.如权利要求1所述的方法,其中,所述异物检测模型采用无锚点算法。
9.如权利要求8所述的方法,其中,采用无锚点算法的所述异物检测模型是包括多层神经网络的神经网络模型,按照以下模型训练方法得到:
循环执行下述过程,直到满足循环结束条件:
将包括训练目标的训练样本图像输入当前异物检测模型,得到每层神经网络生成的针对所述训练目标的特征向量;
根据真实检测框来确定每层神经网络的预测检测框;
利用预测检测框对特征向量表征的图像进行划分得到用于表征前景图像区域的前景特征向量;
利用分类器对每层神经网络的前景特征向量进行分类预测,以得到各个前景特征向量针对真实分类标签的预测值;
利用回归网络将各层神经网络的前景特征向量进行统计回归处理,以得到预测检测框的位置信息;
根据预测检测框的位置信息以及预测值来判断是否满足所述循环结束条件;
若不满足,根据损失函数调整所述当前异物检测模型的模型参数,并将调整后的异物检测模型作为下一循环过程的当前异物检测模型。
10.如权利要求9所述的方法,其中,根据预测检测框的位置信息以及预测值来判断是否满足所述循环结束条件包括:
根据预测检测框的位置信息以及预测值来计算各个分类标签的准确率和召回率;以及
根据所计算的准确率和召回率来判断是否满足所述循环结束条件。
11.如权利要求9所述的方法,还包括:
在输入多张针对所述训练目标的训练样本图像,且各张训练样本图像呈现的所述训练目标的角度不同时,确定各张训练样本图像中的各个预测检测框对应的权重;
将各个预测检测框的权重分别与该预测框的位置信息和预测值进行加权处理,得到针对所述训练目标的加权位置信息和加权预测值;
将所述加权位置信息和加权预测值与置信阈值进行比较;以及
当所述加权位置信息和加权预测值小于所述置信阈值时,对所述当前异物检测模型的模型参数进行调整;当所述加权位置信息和加权预测值不小于所述置信阈值时,所述当前异物检测模型输出所述加权位置信息和加权预测值。
12.一种用于对三维图像数据进行异物检测的装置,包括:
三维图像数据获取单元,被配置为获取对被测对象进行扫描得到的三维图像数据,所述三维图像数据是针对所述被测对象的图像数据,所述三维图像数据用柱面半径、俯仰维方向上的坐标以及方位维方向上的柱面旋转角度来表示;
三维图像投影单元,被配置为将所述三维图像数据进行正射投影得到多幅二维图像数据,各幅二维图像数据表征各个不同方位维方向角度对应的一部分被测人体,所有二维图像数据构成所述被测人体的完整体;
图像分割单元,被配置为根据各幅二维图像数据中的被测对象对各幅二维图像数据进行分割处理,以使每幅二维图像数据被分割成至少一幅针对所述被测对象的子图像数据;以及
异物检测单元,被配置为将各幅子图像数据输入经过训练的异物检测模型,得到针对所述被测对象的异物检测结果,
其中,所述异物检测模型基于输入的各幅子图像数据生成针对该子图像数据包括的所述被测对象的部位的检测框,并基于生成的检测框进行异物检测,
所述异物检测单元包括:
子图像数据归类模块,被配置为将分割得到的子图像数据中包括相同部位的子图像数据进行归类作为一个子图像集合,其中,每个子图像集合对应至少一个部位,每个部位对应一个子图像集合;
异物检测模块,被配置为将所得到的子图像集合输入异物检测模型,得到针对各个子图像集合所对应的部位的第一异物检测结果;以及
检测结果合成模块,被配置为所述异物检测模型根据各个子图像集合的第一异物检测结果得到针对所述被测对象的异物检测结果。
13.如权利要求12所述的装置,其中,所述图像分割单元被配置为:
按照指定分割规则根据所述被测对象的各个部位将每幅二维图像数据分割成多幅子图像数据,每幅子图像数据包括所述被测对象的至少一个部位。
14.如权利要求13所述的装置,其中,每幅子图像数据包括所述被测对象的一个部位。
15.如权利要求13或14所述的装置,其中,所述异物检测模块被配置为:
将所得到的子图像集合输入所述异物检测模型;
在所述异物检测模型处,得到各个子图像集合包括的各幅子图像数据的第二异物检测结果;以及
在所述异物检测模型处,针对每个子图像集合,根据各幅子图像数据的第二异物检测结果以及对应的第一权重得到针对该子图像集合所对应的部位的第一异物检测结果,其中,所述第一权重是根据子图像数据的正射投影方向与所述被测对象的正对方向之间的角度确定的。
16.如权利要求13或14所述的装置,其中,所述异物检测模块被配置为:
根据部位的第二权重从所得到的子图像集合中确定待输入的子图像集合;以及
将所确定的子图像集合输入异物检测模型,得到所确定的各个子图像集合所对应的部位的第一异物检测结果。
17.如权利要求16所述的装置,所述异物检测单元还包括:
子图像数据删除模块,被配置为将所确定的子图像集合中第二权重小于部位权重阈值的子图像集合中的第一权重小于图像权重阈值的子图像数据删除。
18.一种电子设备,包括:
至少一个处理器,以及
与所述至少一个处理器耦合的存储器,所述存储器存储指令,当所述指令被所述至少一个处理器执行时,使得所述至少一个处理器执行如权利要求1到11中任一所述的方法。
19.一种机器可读存储介质,其存储有可执行指令,所述指令当被执行时使得所述机器执行如权利要求1到11中任一所述的方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2020108320499 | 2020-08-18 | ||
CN202010832049 | 2020-08-18 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112132002A CN112132002A (zh) | 2020-12-25 |
CN112132002B true CN112132002B (zh) | 2021-07-06 |
Family
ID=73841401
Family Applications (9)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010987547.0A Active CN112162327B (zh) | 2020-08-18 | 2020-09-18 | 全息成像安检设备 |
CN202010987699.0A Active CN112162328B (zh) | 2020-08-18 | 2020-09-18 | 用于柱面孔径的三维成像方法及装置 |
CN202022056937.4U Active CN212872946U (zh) | 2020-08-18 | 2020-09-18 | 全息成像安检系统 |
CN202010987823.3A Active CN112132002B (zh) | 2020-08-18 | 2020-09-18 | 用于对三维图像数据进行异物检测的方法及装置 |
CN202022054200.9U Active CN213692346U (zh) | 2020-08-18 | 2020-09-18 | 收发天线阵列设备 |
CN202010985412.0A Active CN112131525B (zh) | 2020-08-18 | 2020-09-18 | 用于对子带回波信号进行合成处理的方法及装置 |
CN202010988014.4A Active CN112134031B (zh) | 2020-08-18 | 2020-09-18 | 收发天线阵列设备及其设计方法 |
CN202022053634.7U Active CN212965469U (zh) | 2020-08-18 | 2020-09-18 | 全息成像安检设备 |
CN202010985339.7A Active CN112162326B (zh) | 2020-08-18 | 2020-09-18 | 全息成像安检系统以及安检方法 |
Family Applications Before (3)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010987547.0A Active CN112162327B (zh) | 2020-08-18 | 2020-09-18 | 全息成像安检设备 |
CN202010987699.0A Active CN112162328B (zh) | 2020-08-18 | 2020-09-18 | 用于柱面孔径的三维成像方法及装置 |
CN202022056937.4U Active CN212872946U (zh) | 2020-08-18 | 2020-09-18 | 全息成像安检系统 |
Family Applications After (5)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202022054200.9U Active CN213692346U (zh) | 2020-08-18 | 2020-09-18 | 收发天线阵列设备 |
CN202010985412.0A Active CN112131525B (zh) | 2020-08-18 | 2020-09-18 | 用于对子带回波信号进行合成处理的方法及装置 |
CN202010988014.4A Active CN112134031B (zh) | 2020-08-18 | 2020-09-18 | 收发天线阵列设备及其设计方法 |
CN202022053634.7U Active CN212965469U (zh) | 2020-08-18 | 2020-09-18 | 全息成像安检设备 |
CN202010985339.7A Active CN112162326B (zh) | 2020-08-18 | 2020-09-18 | 全息成像安检系统以及安检方法 |
Country Status (1)
Country | Link |
---|---|
CN (9) | CN112162327B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113011364B (zh) * | 2021-03-30 | 2022-04-01 | 北京市商汤科技开发有限公司 | 神经网络训练、目标对象检测、行驶控制方法及装置 |
CN114784504B (zh) * | 2022-03-31 | 2023-09-26 | 中国电子科技集团公司第二十九研究所 | 一种提高天线阵列间隔离度的方法及天线阵列 |
US12057630B2 (en) | 2022-11-11 | 2024-08-06 | Hohai University | Antenna arrays based on three-dimensional special-shaped wave-absorbing structures |
CN115693088B (zh) * | 2022-11-11 | 2023-12-22 | 长沙理工大学 | 基于三维异形吸波结构的天线阵列 |
CN115953418B (zh) * | 2023-02-01 | 2023-11-07 | 公安部第一研究所 | 安检ct三维图像中笔记本区域剥离方法、存储介质及设备 |
CN116386016B (zh) * | 2023-05-22 | 2023-10-10 | 杭州睿影科技有限公司 | 一种异物处理方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109711331A (zh) * | 2018-12-25 | 2019-05-03 | 山东雷诚电子科技有限公司 | 一种毫米波雷达安检仪异物检测方法 |
CN109975335A (zh) * | 2019-03-07 | 2019-07-05 | 北京航星机器制造有限公司 | 一种ct检测方法及装置 |
Family Cites Families (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100538394C (zh) * | 2007-04-06 | 2009-09-09 | 清华大学 | 一种采用多发多收频分信号的宽带雷达及其成像方法 |
CN101383449A (zh) * | 2008-09-04 | 2009-03-11 | 北京航空航天大学 | 一种提高天线隔离度的方法 |
CN102540183B (zh) * | 2010-12-14 | 2013-10-09 | 中国科学院电子学研究所 | 基于柱面几何的三维微波成像方法 |
FR2971655A1 (fr) * | 2011-02-10 | 2012-08-17 | Thomson Licensing | Terminal bi-bande a acces concurrents operant dans deux bandes adjacentes |
WO2012140285A1 (es) * | 2011-04-15 | 2012-10-18 | Albiasa Collector Trough, S.L. | Procedimiento para comprobar la geometría de captadores solares cilíndro-parabólicos y sistema para llevar a cabo dicho procedimiento |
CN102520402B (zh) * | 2011-12-30 | 2014-05-07 | 北京华航无线电测量研究所 | 一种圆柱阵面三维成像系统的多角度快速成像显示方法 |
US9647863B2 (en) * | 2012-02-27 | 2017-05-09 | Intel Corporation | Techniques to manage dwell times for pilot rotation |
CN103323842A (zh) * | 2012-09-03 | 2013-09-25 | 中国科学院电子学研究所 | 一种调频连续波合成孔径雷达中的成像方法及装置 |
CN102914766A (zh) * | 2012-10-16 | 2013-02-06 | 中国科学院深圳先进技术研究院 | 应用于毫米波成像系统的天线装置 |
CN104377450B (zh) * | 2013-08-15 | 2016-12-28 | 清华大学 | 波导喇叭阵列及其方法和天线系统 |
CN103454630B (zh) * | 2013-08-31 | 2015-05-27 | 西北工业大学 | 一种基于多阵元发射技术的超宽带三维成像方法 |
CN203617426U (zh) * | 2013-12-17 | 2014-05-28 | 北京无线电计量测试研究所 | 一种用于近距离主动式毫米波成像系统的天线阵列 |
CN103728618B (zh) * | 2014-01-16 | 2015-12-30 | 中国科学院电子学研究所 | 一种高分辨率、宽测绘带的星载sar体制实现方法 |
CN103744068B (zh) * | 2014-01-21 | 2016-08-31 | 西安电子科技大学 | 双通道调频连续波sar系统的动目标检测成像方法 |
CN106842198A (zh) * | 2015-12-04 | 2017-06-13 | 北京航空航天大学 | 一种基于凸优化理论的子带融合成像算法 |
CN106896359A (zh) * | 2015-12-17 | 2017-06-27 | 上海铭剑电子科技有限公司 | 主动式毫米波三维全息成像系统及安检系统 |
CN205280934U (zh) * | 2015-12-23 | 2016-06-01 | 同方威视技术股份有限公司 | 毫米波三维全息扫描成像设备 |
CN205608180U (zh) * | 2016-04-25 | 2016-09-28 | 华讯方舟科技有限公司 | 三维全息成像的安检系统 |
CN106054181B (zh) * | 2016-05-18 | 2018-07-20 | 中国电子科技集团公司第四十一研究所 | 一种用于太赫兹实时成像的一维稀疏阵列布置方法 |
BR102016015226B1 (pt) * | 2016-06-28 | 2022-11-01 | Universidade Federal De Minas Gerais | Método para geração de representações vetoriais de movimento baseado em visão computacional e uso |
CN106291548B (zh) * | 2016-07-26 | 2018-01-19 | 王辉 | 基于惯导信息和回波数据的Ka调频连续波SAR运动补偿方法 |
CN106338731B (zh) * | 2016-08-22 | 2019-08-02 | 西安电子科技大学 | 一种多子带并发的mimo-sar雷达成像方法 |
CN207114791U (zh) * | 2017-09-07 | 2018-03-16 | 北京华安智云科技发展有限公司 | 毫米波天线阵列移动保护装置及人体安全检查设备 |
CN108427114B (zh) * | 2018-01-24 | 2023-06-02 | 吉林大学 | 一种损耗补偿的频分复用毫米波三维成像装置及方法 |
CN108923120A (zh) * | 2018-08-06 | 2018-11-30 | 西安恒帆电子科技有限公司 | 一种用于主动式毫米波成像系统的收发开关天线阵模块 |
CN109085657A (zh) * | 2018-08-14 | 2018-12-25 | 西安恒帆电子科技有限公司 | 一种无盲区毫米波主动安检系统 |
CN109633630A (zh) * | 2018-10-31 | 2019-04-16 | 上海无线电设备研究所 | 一种e波段毫米波成像安检雷达系统 |
CN109471193B (zh) * | 2018-11-19 | 2020-05-15 | 博微太赫兹信息科技有限公司 | 一种微波毫米波三维全息成像系统信号处理成像方法 |
CN209119355U (zh) * | 2018-11-21 | 2019-07-16 | 深圳国人通信技术服务有限公司 | 一种高增益窄波束电梯天线 |
CN110444905B (zh) * | 2019-08-16 | 2020-11-06 | 之江实验室 | 一种二维mimo天线阵 |
CN110988875A (zh) * | 2019-11-14 | 2020-04-10 | 西安空间无线电技术研究所 | 一种超高分辨率星载sar系统多子带频谱拼接合成方法 |
CN111177745B (zh) * | 2019-12-12 | 2023-06-27 | 湖南科技大学 | 一种非线性相位截断的双图像加密及解密方法 |
CN111624672A (zh) * | 2020-04-24 | 2020-09-04 | 博微太赫兹信息科技有限公司 | 一种基于频分复用技术的人体安检系统 |
CN111487628B (zh) * | 2020-05-19 | 2022-05-03 | 中国科学院声学研究所 | 一种下视多波束合成孔径成像声纳“零度”干扰抑制方法 |
-
2020
- 2020-09-18 CN CN202010987547.0A patent/CN112162327B/zh active Active
- 2020-09-18 CN CN202010987699.0A patent/CN112162328B/zh active Active
- 2020-09-18 CN CN202022056937.4U patent/CN212872946U/zh active Active
- 2020-09-18 CN CN202010987823.3A patent/CN112132002B/zh active Active
- 2020-09-18 CN CN202022054200.9U patent/CN213692346U/zh active Active
- 2020-09-18 CN CN202010985412.0A patent/CN112131525B/zh active Active
- 2020-09-18 CN CN202010988014.4A patent/CN112134031B/zh active Active
- 2020-09-18 CN CN202022053634.7U patent/CN212965469U/zh active Active
- 2020-09-18 CN CN202010985339.7A patent/CN112162326B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109711331A (zh) * | 2018-12-25 | 2019-05-03 | 山东雷诚电子科技有限公司 | 一种毫米波雷达安检仪异物检测方法 |
CN109975335A (zh) * | 2019-03-07 | 2019-07-05 | 北京航星机器制造有限公司 | 一种ct检测方法及装置 |
Non-Patent Citations (2)
Title |
---|
师君 等.近场毫米波三维成像与异物检测方法.《雷达学报》.2019,第8卷(第5期),第578-588页. * |
近场毫米波三维成像与异物检测方法;师君 等;《雷达学报》;20191031;第8卷(第5期);第578-588页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112162326A (zh) | 2021-01-01 |
CN112162328A (zh) | 2021-01-01 |
CN112132002A (zh) | 2020-12-25 |
CN112162327A (zh) | 2021-01-01 |
CN112162326B (zh) | 2021-09-28 |
CN212965469U (zh) | 2021-04-13 |
CN112131525B (zh) | 2021-06-22 |
CN112131525A (zh) | 2020-12-25 |
CN112134031B (zh) | 2021-09-21 |
CN112162327B (zh) | 2021-12-28 |
CN112134031A (zh) | 2020-12-25 |
CN213692346U (zh) | 2021-07-13 |
CN212872946U (zh) | 2021-04-02 |
CN112162328B (zh) | 2021-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112132002B (zh) | 用于对三维图像数据进行异物检测的方法及装置 | |
Liu et al. | Change detection in heterogenous remote sensing images via homogeneous pixel transformation | |
CN106874894B (zh) | 一种基于区域全卷积神经网络的人体目标检测方法 | |
CN109815770B (zh) | 二维码检测方法、装置及系统 | |
US8406470B2 (en) | Object detection in depth images | |
CN107909027B (zh) | 一种具有遮挡处理的快速人体目标检测方法 | |
CN108846826A (zh) | 物体检测方法、装置、图像处理设备及存储介质 | |
CN108305260B (zh) | 一种图像中角点的检测方法、装置及设备 | |
Chen et al. | Automated bridge deck evaluation through UAV derived point cloud | |
Jing et al. | Island road centerline extraction based on a multiscale united feature | |
JP5155250B2 (ja) | 対象物検出装置 | |
Mi et al. | Research on a Fast Human‐Detection Algorithm for Unmanned Surveillance Area in Bulk Ports | |
CN117853942A (zh) | 用于云雾的识别方法、云雾识别装置及云雾识别系统 | |
KR102158967B1 (ko) | 영상 분석 장치, 영상 분석 방법 및 기록 매체 | |
CN117274740A (zh) | 一种红外目标检测方法及装置 | |
CN110084203B (zh) | 基于上下文关联的全卷积网络飞机层级检测方法 | |
Wang et al. | Improved SSD Framework for Automatic Subsurface Object Indentification for GPR Data Processing | |
CN114663711B (zh) | 一种面向x光安检场景的危险品检测方法及装置 | |
CN116343143A (zh) | 目标检测方法、存储介质、路侧设备及自动驾驶系统 | |
Mukherjee et al. | Omega model for human detection and counting for application in smart surveillance system | |
Hoogs et al. | An integrated boundary and region approach to perceptual grouping | |
Li et al. | SAR object detection with a saliency method based on PCA and global contrast | |
CN114758202B (zh) | 基于语义感知特征增强的短波红外舰船检测方法及系统 | |
WO2024092484A1 (en) | Computer-implemented object detection method, object detection apparatus, and computer-readable medium | |
CN118486015A (zh) | 基于NeRF和深度学习的多视角图像违禁品检测方法 |
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 |