“9-11”恐怖事件以后,世界各国对机场的安全检查日益严格,加上层出不穷的危险物品,机场的安全形势格外严峻;同时随着经济的发展,机场的人流量爆炸性增长,机场的安检工作面临着巨大的压力和挑战。文章为了提高机场安检的效率和质量,提高旅客的安检满意度,减轻机场安检人员的工作量,对机场安检中的人体随身物品安全检查进行了研究。文章主要的工作如下:对机场人体安检中的3D毫米波扫描图像中违禁物品的高效识别进行了研究:毫米波人体成像技术是目前全球安防领域的先进技术,已在美国、英国等国机场用于旅客人体安检。但毫米波图像中违禁物体的高效识别仍然是一个亟待解决的难题,这极大地限制了毫米波成像技术在机场旅客筛选中的应用。文章将深度学习技术应用于3D人体毫米波图像,自动判别毫米波图像中是否藏有违禁物品,以及违禁物品藏在身体哪些部位。利用卷积神经网络(Convolutional Neural Network,CNN)对人体多个视图的毫米波图像提取特征,然后通过长短期记忆网络(Long Short-term Memory,LSTM)融合多视图图像特征,在特征融合过程中引入注意力机制,进一步提升特征融合效果,最后通过多路Sigmoid分类器得到人体17个部位分别藏有违禁物品的概率值。实验中,在测试集上的损失误差为0.03。100个测试样本中,80个藏有违禁物品,剩下的20个没有违禁物品,文章算法识别出76个样本藏有违禁物品,24个没有违禁物品,误报率为0%,漏检率为5%,说明了方法的有效性。针对文章提出的违禁物品识别算法,设计了一个基于Web应用程序的违禁物品识别原型系统:Web客户端通过毫米波成像系统传来的需要识别的图像数据,服务端通过训练好的违禁物品识别模型对图像数据进行预测,并将处理好的预测结果返回给客户端,显示违禁物品识别结果。通过系统对人体毫米波图像中的违禁物品自动识别,在保证安全的同时,也避免了旅客的毫米波扫描图像暴露给其他人,保护了旅客的个人隐私。