基于深度学习和图像补全的毫米波人体图像异物检测与定位

发布时间：2021-08-01 09:38

　　毫米波具有能够穿透人体衣物探测到隐匿物,又对人体无辐射危害的特点,因此将毫米波人体成像用于安检已成为近年来国内外安检领域的发展趋势。本论文主要研究基于深度学习和图像补全的毫米波人体图像异物检测和定位方法。因为国际上没有公开的毫米波安检图像数据集,本硕士论文的工作全部基于中科院上海微系统所提供的主动毫米波人体安检图像数据集。本论文的主要研究工作有:1)基于深度卷积生成对抗网络的图像补全:应用深度卷积生成对抗网络（Deep Convolutional Generative Adversarial Networks）学习训练集图像特征并生成与训练集图像非常接近的新图像,用以实现图像区域补全;应用穷举法,即将人体图像中可能存在异物的大区域划分成小区域,将小区域依次挖掉并补全。补全完成后,得到一张未携带异物的毫米波人体图像。经过数据预处理,构建DCGAN网络结构,调节参数,使用TensorFlow框架成功训练了针对毫米波人体图像的DCGAN网络,并利用这个网络和穷举法实现了图像补全。2)通过对比补全前后的两张图像实现异物检测与定位。在实现对比的过程中,我们应用SAR图像变化检测方法和图像相似度检... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：90 页

【学位级别】：硕士

【部分图文】：

单个神经元的构造[27]

第二章 毫米波人体图像异物检测与定位方法11图2.3 全连接神经网络与局部连接神经网络的对比在图 2.3 中，可以看到全连接和局部连接的区别。左图中一个神经元与上层输出的每一个值都产生连接，此时的参数集合(W,b)包含的参数数量非常大，这也会导致在使用反向传播算法时训练参数过多的问题。而在右图中，一个神经元与上层的部分输出值产生连接，这时的参数集合(W,b)明显变小，训练也变得容易。权值共享：在图 2.3 所示的局部连接中，不同颜色的神经元分别连接着上层输出图像的局部值

用来生成非常接近训练集的新图像。图 2.4 简单的描述了对抗网络的框架以及训练的动态过程。图2.4 对抗网络框架[20]公式（2-13）是对生成对抗网络原理的数学描述：

【参考文献】：
期刊论文
[1]利用卷积神经网络进行毫米波图像违禁物体定位[J]. 姚家雄,杨明辉,朱玉琨,吴亮,孙晓玮.  红外与毫米波学报. 2017(03)
[2]主动毫米波图像的人体携带危险物检测研究[J]. 杜琨,王威,年丰,陈炜,胡锋杰.  系统工程与电子技术. 2016(06)
[3]二值图像膨胀腐蚀的快速算法[J]. 邓仕超,黄寅.  计算机工程与应用. 2017(05)
[4]基于相对熵的多属性决策排序方法[J]. 赵萌,邱菀华,刘北上.  控制与决策. 2010(07)
[5]数字图像修复技术综述[J]. 张红英,彭启琮.  中国图象图形学报. 2007(01)

博士论文
[1]SAR图像配准及变化检测技术研究[D]. 熊博莅.国防科学技术大学 2012

硕士论文
[1]毫米波隐匿危险品成像的图像识别算法研究[D]. 戴玲.哈尔滨工业大学 2017
[2]毫米波主动成像在人体隐匿违禁物品检查中的应用[D]. 张燕洪.南京理工大学 2015
[3]基于深度卷积神经网络的毫米波图像目标检测方法研究[D]. 施荣.哈尔滨工业大学 2015
[4]基于卷积神经网络的联机手写汉字识别系统[D]. 刘欣.哈尔滨工业大学 2015
[5]被动毫米波图像中人体隐匿违禁物品识别研究[D]. 严江江.南京理工大学 2013



本文编号：3315284