[发明专利]可疑物品自动检测方法、终端设备、计算机设备及介质

说明书

本发明公开了一种可疑物品自动检测方法、终端设备、计算机设备及介质，该检测方法包括：将多张待测图像输入目标检测网络模型，得到可疑物品的候选框及置信度c；融合所述待测图像中的可疑物品候选框，以确定对应于同一可疑物品的候选框个数；累加所述待测图像中每个可疑物品分别对应的候选框置信度以计算每个可疑物品分别对应的加权置信度c’；将每个可疑物品的加权置信度c’与预设门限阈值T进行比较，并在c’≥T时输出可疑物品对应的候选框。本发明所述技术方案通过利用目标检测网络模型进行待测图像的可疑物品检测，具有较高的检测精度以及有效抑制虚警。

技术领域

本发明涉及可疑物品自动检测领域，具体涉及一种可疑物品自动检测方法、终端设备、计算机设备及介质。

背景技术

近年来，深度神经网络在图像目标检测领域发挥越来越重要的作用，具有端对端的特性，经过合适的训练，深度神经网络能够学习到可疑物品的深层次特征并给出输入图像中的可疑物品位置和属性。FasterRCNN作为目标检测方法的代表，对人体藏匿可疑物品有着优异的检测性能。深度神经网络的性能依赖于海量的训练数据。训练数据越多，覆盖范围越广，越能训练出性能优异的检测模型。然而，实际场景中，训练数据的采集需要大量的时间及人力成本，对物品的标注也需要高昂的费用。

目前安检领域的研究热点是基于毫米波进行检查，由于毫米波成像能够穿透衣物，且对人体无害，可以有效检测出藏匿在人体表层的可疑物品，如手枪、爆炸物、液体等。其中基于毫米波的主动式人体安检系统因其受环境因素影响小、图像信噪比高等优点而被广泛应用。

尽管如此，基于毫米波图像的可疑物品探测仍然存在问题。毫米波成像本身容易受到噪声的干扰，使得图像中出现明显的纹理、杂波等污染，给可疑物品探测增加困难，难以满足检测率和虚警率的高要求。同时，由于扫描硬件系统的原因，各安检系统之间，以及单个安检系统在不同环境下的成像风格(如明暗、对比度等)均会存在差异，从而引起检测性能的下降。

因此，需要提出一种新的可疑物品自动检测方法、终端设备、计算机设备及介质来解决以上一个或多个问题。

发明内容

本发明的目的在于提供一种可疑物品自动检测方法、终端设备、计算机设备及介质，以解决现有技术中存在的问题中的至少一个；

为达到上述目的，本发明采用下述技术方案：

本发明第一方面提供一种可疑物品自动检测方法，包括：

将多张待测图像输入目标检测网络模型，得到可疑物品的候选框及置信度c；

融合所述待测图像中的可疑物品候选框，以确定对应于同一可疑物品的候选框个数；

累加所述待测图像中每个可疑物品分别对应的候选框置信度以计算每个可疑物品分别对应的加权置信度c’；

将每个可疑物品的加权置信度c’与预设门限阈值T进行比较，并在c’≥T时输出可疑物品对应的候选框。

可选地，在所述将待检测图像输入目标检测网络模型之前，该方法还包括：

获取毫米波圆柱扫描系统基于测试人员携带可疑物品生成的多张试验图像；

标注处理所述试验图像；

数据增强所述标注处理后的试验图像以生成多类训练图片；

基于所述多类训练图片生成目标检测网络模型。

可选地，所述数据增强所述标注处理后的试验图像以生成多类训练图片，进一步包括：

调节所述标注处理后的试验图像的对比度以生成多个不同对比度的第一类训练图片；

翻转所述标注处理后的试验图像以生成第二类训练图片；