[发明专利]一种基于Mask RCNN识别太赫兹安检图像可疑物体的检测方法

说明书

本发明公开了一种基于Mask RCNN识别太赫兹安检图像可疑物体的检测方法，本发明采用了多张太赫兹安检图片构成的训练数据集、验证数据集和测试数据集与标注，构建基于Mask‑RCNN的图像识别模型并利用所述训练数据集训练该模型，以及利用所述验证数据集验证该模型的图像识别结果，该模型可以对太赫兹安检图像中人体携带的可疑物体进行良好的目标识别与检测。综上，本发明结合深度学习卷积神经网络思想，利用卷积特征替代传统手工特征，避免了传统的人工检测问题导致的检测速度慢准确性不高成本昂贵的问题，深层卷积特征具有更好的表达能力，同时为解决太赫兹人体可疑物体检测问题提供了更加泛化和简洁的思路。

技术领域

本发明涉及一种基于Mask RCNN识别太赫兹安检图像可疑物体的检测方法，属于目标检测和计算机视觉领域。

背景技术

随着科技的不断发展，安防检测设备被广泛的运用到了我们的日常生活中，为我们的公共社会环境提供了可靠的保障。传统的安全检查方法包括主要是基于x射线扫描仪[1]或金属探测器等，但x射线扫描仪这种检测方法产生的辐射对人体伤害特别大，因此并未得到广泛的运用。而金属探测器又只能局限于探测出金属类危险物品，无法对液体等危险物品进行检测。同时，在安检工作者对待检测人员的直接接触检查也容易让人觉得很不适应，在检测准确性和检测效率等方面仍然亟待解决。

最年来，太赫兹这门新兴的学科前沿技术得到了飞速的发展，通过太赫兹成像系统得到的图像能对可疑物体进行大致定位，但而更加详细的识别检测工作还需要交给安检人员进行检查，这仍然带来了与传统金属探测器需要人工检测以及检测准确性和效率低的问题。通过引入深度学习目标检测Mask RCNN网络的方法能够更好的解决现目前存在的问题，提高了检测可疑物体的准确性和速度问题，并降低了所需成本。

发明内容

本发明涉及一种基于Mask RCNN识别太赫兹安检图像可疑物体的检测方法，以用于通过该方法实现对太赫兹图像可以物体的检测。

本发明的技术方案是：一种基于Mask RCNN识别太赫兹安检图像可疑物体的检测方法，所述方法步骤如下：

Step1、获取太赫兹安检图片集，将太赫兹安检图片集分成训练数据集、验证数据集和测试数据集并设定标签；

Step2、对输入图像进行特征提取，将图像输入到卷积神经网络ResNet101，作为特征提取器。底层检测的是低级特征(边缘和角等)，较高层检测的是更高级的特征 (人、枪、刀)，经过主干网络的前向传播，图像从1024×1024×3的张量被转换成形状为32x32x2048的特征图。该特征图将作为下一个阶段的输入。

Step4、输入RPN神经网络，并通过滑动窗口来扫描主干特征图，寻找存在目标的区域，RPN为每个anchor生成两个输出(anchor类别、边框精调)；

Step5、输入ROI池化层对不同尺寸的输入进行处理，在RoI Align层处理后得到各个候选窗口的特征矩阵，对其进行多次卷积操作后对其进行反卷积操作，并对每一类别单独产生图像分割的二值图，二值化的过程通过sigmoid函数完成，最终该感兴趣区域采用哪个类别的二值图由目标检测分支输出的目标类别来决定；

Step6、计算Mask RCNN网络的损失函数设计，包括目标检测分类损失、目标检测坐标回归损失、目标分割结果的损失、区域推荐、网络损失、权重正则化误差。

Step7、利用所述验证数据集验证该模型的太赫兹安检图像可疑物体识别结果；

所述训练数据集、验证数据集和测试数据集的数量比为7:1:2。

所述训练数据集、验证数据集和测试数据集中将太赫兹安检图像共分为三类标签别分别为人、枪、刀。

所述Msk RCNN网络的预训练权重选用COCO数据集训练好的权重，在通过迁移学习进行微调。