[发明专利]三维全息成像安检雷达图像异物检测方法

权利要求书

1.三维全息成像安检雷达图像异物检测方法，其特征在于，包括以下步骤：

步骤1：获取三维雷达图像目标检测数据；

所述三维雷达图像目标检测数据包括三维雷达图像数据和真实检测框的坐标数据，所述三维雷达图像数据为三维复图像数据或三维幅度图像数据；

所述步骤1包括步骤101和步骤102；

步骤101：获取三维雷达单视复图像数据，并对所述三维雷达单视复图像数据进行相干斑噪声滤除，获得滤波后的三维雷达单视复图像数据；

步骤102：将滤波后的三维雷达单视复图像数据保存为三维复图像数据或三维幅度图像数据；

步骤2：将所述三维雷达图像目标检测数据输入至训练收敛的无锚点神经网络模型，获取所述无锚点神经网络模型输出的三维雷达图像异物检测结果；

所述无锚点神经网络模型的训练收敛包括以下步骤：

步骤S1：将所述三维雷达图像目标检测数据划分为训练集、验证集和测试集，所述训练集包括训练数据，所述验证集包括验证数据，所述测试集包括测试数据；

步骤S2：对所述训练集的训练数据进行数据增强；

步骤S3：分别利用所述数据增强的训练数据和所述验证集的验证数据对初始无锚点神经网络模型进行训练和验证，获取训练收敛的无锚点神经网络模型；

所述无锚点神经网络模型包括主干网络、分类器和回归网络，获取训练收敛的无锚点神经网络模型以一定训练时长内的验证集的精度为指征判断收敛情况，若一定时间内验证集的精度变化小于一定阈值，则表明模型收敛；

步骤S4：获取所述训练收敛的无锚点神经网络模型输出的针对所述测试集的测试数据的处理结果，所述处理结果包括三维雷达图像异物检测结果；

步骤S3中获取训练收敛的无锚点神经网络模型包括以下步骤：

步骤S31：将无锚点神经网络模型共分为k层，每层都对输入的三维雷达图像目标检测数据进行升维编码操作，把原有的三维雷达图像目标检测数据的通道数从C₀逐步升至高维Cj，Cj＞C₀，j=1、2、3...k，在每一层，不同的三维雷达图像目标检测数据得到对应的不同维度的特征向量；

步骤S32：将无锚点神经网络模型中每一层的特征向量划分为前景特征向量和背景特征向量；

步骤S33：对所述前景特征向量进行分类操作，把无锚点神经网络模型中每一层的特征向量通过分类器进行分类，输出每个前景特征向量分别属于各个类别的概率向量；

步骤S34：对每个前景特征向量进行回归操作，把无锚点神经网络模型中每一层的特征向量输入至一个全连接神经网络，输出(x,y,z,w,h,θ)，(x,y,z)为中心点的直角坐标，w为预测的检测框的宽度，h为预测的检测框的长度，θ为在俯视视角下预测的检测框的方向；

步骤S35：通过分类损失函数和回归损失函数对总的损失函数进行调整，通过对该损失函数进行优化，更新无锚点神经网络模型的权重；

步骤S36：每隔一定的训练轮数进行一次验证，把在所述验证集的所有类别的平均精度均值指标最高的模型作为最终训练收敛的无锚点神经网络模型；

所述三维雷达图像目标检测数据中的原始数据位于所述真实检测框的外部，则其特征向量被划分为背景特征向量；所述真实检测框根据外边距定义获得第一检测框，所述三维雷达图像目标检测数据中的原始数据位于所述真实检测框的内部但位于所述第一检测框的外部，则其特征向量被划分为背景特征向量；所述三维雷达图像目标检测数据中的原始数据位于所述第一检测框的内部，则其特征向量被划分为前景特征向量。

2.根据权利要求1所述的三维全息成像安检雷达图像异物检测方法，其特征在于：所述三维雷达图像异物检测结果包括各个金属异物类别的平均精度、所有金属异物类别的平均精度均值和推理时每秒帧率。

3.根据权利要求1所述的三维全息成像安检雷达图像异物检测方法，其特征在于：所述训练集、验证集和测试集的划分比例为Ntrain : Nverif : Ntest, Ntrain， Nverif和Ntest分别表示训练集、验证集和测试集的百分比，Ntrain+Nverif+Ntest=1，且NtrainNverif Ntest。