[发明专利]基于候选区域提取网络的毫米波人体图像检测方法

权利要求书

1.一种基于候选区域提取网络的毫米波人体图像检测方法，其特征在于，包括：

S1：收集安检中不同类型的目标图像，并标记所述目标图像，组成毫米波图像数据集；

S2：采用卷积神经网络，对所述毫米波图像数据集进行模型训练，以形成目标分类网络并得到目标分类网络的参数；

S3：利用阈值分割方法检测并标记输入的毫米波图像的人体位置，得到毫米波人体图像；

S4：根据所述目标分类网络的参数，利用Faster R-CNN算法对所述毫米波人体图像进行处理，得到特征图和目标候选框；

S5：利用兴趣区域池化算法对所述特征图进行处理，输出固定尺寸的处理图像；

S6：利用softmax回归计算所述目标候选框的目标分类结果的置信概率，同时获取所述目标候选框在所述处理图像的位置，输出图像检测结果。

2.根据权利要求1所述的方法，其特征在于，所述步骤S2包括：

采用ZFnet作为所述目标图像分类的卷积神经网络，采用非线性函数gx＝max0,x作为所述ZFnet卷积神经网络的激活函数，对所述毫米波图像数据集进行模型训练，形成ZFNet目标分类网络，得到ZFNet目标分类网络的参数，所述ZFnet卷积神经网络的损失函数为，

其中，r表示目标的种类，t表示单次训练的图像数量，γ表示正则化系数，θ表示ZFnet卷积神经网络中需要进行训练优化的网络权值，1·表示指示函数，当输入参数为正确值时，1·输出1，反之输出0。

3.根据权利要求2所述的方法，其特征在于，所述步骤S3包括：

设置决策线和阈值条件，使所述决策线分别沿着从左到右、从右到左、从上到下和从下到上四个方向扫描输入的所述毫米波图像，当所述决策线上幅度最大的像素点满足阈值条件时，此时的决策线作为边界线，所述边界线上幅度最大的像素点作为边界点，根据所述边界线和所述边界点标记所述毫米波图像的人体位置。

4.根据权利要求3所述的方法，其特征在于，所述步骤S4包括：

S41：将所述ZFNet目标分类网络的参数作为毫米波人体图像检测网络的初始值，采用所述毫米波人体图像检测网络对所述毫米波人体图像进行目标特征提取，生成特征图；

S42：利用Faster R-CNN算法对所述特征图进行候选区域提取和目标分类，得到目标候选框，同时利用边界框回归对所述目标候选框的位置进行修正。