摘要: 基于毫米波的反射特性和对织物的高穿透性，开展非接触式自动识别的毫米波探测技术的研究对公共安全领域具有重要的意义。毫米波图像是安全检查领域中检测隐匿危险品的重要信息载体。在实际复杂的环境中,由于成像硬件的限制，毫米波图像具有低分辨率、... 展开 基于毫米波的反射特性和对织物的高穿透性，开展非接触式自动识别的毫米波探测技术的研究对公共安全领域具有重要的意义。毫米波图像是安全检查领域中检测隐匿危险品的重要信息载体。在实际复杂的环境中,由于成像硬件的限制，毫米波图像具有低分辨率、低信噪比等特点，这阻碍了毫米波图像的应用。同时危险品会呈现出不同角度、尺寸等各种姿态，毫米波图像目标检测算法依然存在挑战。针对上述问题，本文基于深度学习方法研究了毫米波图像的超分辨率重建与目标检测算法，研究内容主要包括以下三点： (1)为了提高毫米波图像的分辨率，本文以残差网络为基础，结合注意力机制和任意比例放大模块，提出了一种面向毫米波图像超分辨率重建的多尺度通道注意力残差网络MS-CARN。残差网络的恒等映射以及注意力机制，有利于网络专注对毫米波图像高频细节的恢复。任意比例因子的尺度放大模块有助于网络对毫米波图像进行任意比例放大的超分辨率重建。 (2)为了增强网络对危险品不同姿态特征的鲁棒性，提高对多尺度目标特别是小目标检测的能力，本文提出了一种空间变换特征融合SSD网络STFF-SSD的目标检测算法。以SSD网络为基础，ResNet50结合空间变换网络作为其特征提取网络，同时进行了多尺度特征融合，实现了对毫米波安检图像中隐匿危险品的目标检测。 (3)考虑到目标检测一般只能得到大致定位框和不同类别的分类信息，为了提取物体更加精细的轮廓特征，同时能够对同一目标类的不同实例加以区分，本文基于MaskR-CNN实现对毫米波图像目标检测的同时进行实例分割。将一个场景分解为单独的实例是理解图像的关键，有助于复杂的毫米波安检场景的理解和分析。 本文在毫米波物检图像和毫米波人体安检图像上分别进行了超分辨率和目标检测实验。实验结果表明，在超分辨率重建方面，多尺度通道注意力残差网络能够有效地实现对毫米波图像的超分辨率重建，对整数或非整数比例因子的重建均可得到较好的效果。对于目标检测，空间变换特征融合SSD算法提高了目标检测性能，进行高精度地自动识别隐匿危险品。本文基于MaskR-CNN实现对毫米波图像的目标检测和实例分割，正确地检测目标的同时精确地分割每个实例，在目标定位和目标轮廓上有了更丰富的表达，使得毫米波安检技术更加智能化和便捷化。 收起