论文部分内容阅读
随着安检以及安防监控技术需求的迅速增长,毫米波/太赫兹安检仪已经开始部署在机场、地铁等公共安全场所。由于需要处理海量的毫米波/太赫兹安检图像数据,人工安检的效率已经无法满足要求。因此利用人工智能检测识别毫米波图像中违禁品,已成为研究的热点。本文将Faster R-CNN算法应用到被动毫米波图像的检测识别中,在Faster R-CNN模型基础上,设计一种基于Faster R-CNN目标检测改进算法。本文的主要研究工作如下:(1)首先介绍了深度学习的基本理论。选取了基于深度学习的目标检测算法Faster R-CNN算法检测被动毫米波图像中的目标,并对该算法进行分析。针对被动毫米波图像低分辨率、目标面积小等问题,在Faster R-CNN算法的基础上,利用带FPN网络的RPN(Region Proposal Network)网络替换FasterR-CNN算法中的RPN网络,进行高、低层特征融合,为预测的特征图增加更多的细节与位置信息以及语义信息。最终带FPN网络的RPN网络算法在仿真毫米波辐射图像测试集的平均准确率达到83.7%,较Faster R-CNN算法提高了2.6%。(2)被动毫米波图像中存在正负样本极不均衡和难区分难/易样本的问题,尽管Faster R-CNN有策略处理样本不均衡问题,但对于正负样本超过1:1000的情况,Faster R-CNN预测会偏向样本数量更多的一方,导致检测准确率下降。针对这种情况,本文在不改变原始Faster R-CNN算法处理正负样本不均衡的策略下,在损失函数设计上引入焦损失函数(Focal Loss)。该损失函数通过和两个参数分别协调控制正、负样本和难、易样本的损失权重,保证正负样本和难/易样本的损失平衡。最终改进的损失函数算法在仿真毫米波辐射图像测试集的平均准确率达到83.0%,较Faster R-CNN算法提高了0.9%。(3)安检过程中,目标违禁品物因遮挡、形变等因素而未被检测到。针对这个问题,通过旋转毫米波/太赫兹安检仪对隐匿物目标进行360°拍摄形成隐匿物成像视频(帧序列),对视频进行实时检测识别,综合各帧检测结果防止漏检,误检。视频的检测速度达到20fps,从视频检测的效果图可以看出有效的防止了安检违禁品的误检和漏检。最终本文提出的改进算法在仿真被动毫米波辐射图像测试集的平均准确率达到84.3%,较Faster R-CNN算法提高了2.2%;