[发明专利]一种面向违禁物安检的被动毫米波图像人体目标分割方法

权利要求书

1.一种面向违禁物安检的被动毫米波图像人体目标分割方法，其特征在于，包括以下步骤：

第一步，利用被动毫米波成像设备，获取人体目标的被动毫米波图像；

第二步，建立离线训练集和测试集，利用标注工具，对所述被动毫米波图像中的人体目标区域进行手工标注，得到手工标注的离线训练集和测试集；

第三步，根据被动毫米波图像的尺寸，构建面向违禁物安检的被动毫米波图像人体目标区域分割深度卷积神经网络；

第四步，在离线训练阶段，利用手工标注的离线训练集，对面向违禁物安检的被动毫米波图像人体目标区域分割深度卷积神经网络进行离线训练；

第五步，在测试阶段，将被动毫米波成像设备获取的人体目标的被动毫米波图像输入到已经训练完毕的所述面向违禁物安检的被动毫米波图像人体目标区域分割深度卷积神经网络中，直接获取最终的人体目标区域分割结果；

所述第三步，构建的面向违禁物安检的被动毫米波图像人体目标区域分割深度卷积神经网络包括两个部分，即主干网络和侧边跳接网络；所述主干网络作为网络的主体结构，完成两个任务，一个是从原始图像中进行特征图的提取，另一个对提取到的特征图进行分辨率提升，从而获得最终的图像分割结果；所述侧边跳接网络是主干网络的辅助结构，侧边跳接网络将主干网络提取的浅层特征图直接通过跳接的方式与深层特征图进行连接，达到多个尺度特征的相互融合目的，相比单纯的主干网络，由于加入了多尺度特征的相互融合，从而在目标分割的精度上相比单纯的主干网络有显著提升；

所述主干网络采用编码-解码型网络结构设计，即主干网络包括编码段和解码段两个对称的部分，在编码段，采用带有ImageNet预训练的Resnet50网络结构，在解码段则采用没有经过预训练的，随机权重初始化的Resnet50网络结构；所述主干网络包括：输入层模块，残差模块1，残差模块2，残差模块3，残差模块4，残差模块5，残差模块6，残差模块7，残差模块8以及输出层模块；其中，输入层模块的网络结构包括一个卷积层，一个批归一化层，以及一个非线性激活层，输入层输入图像的大小为224×224×3，输出特征图的大小为112×112×64；残差模块1的网络结构包括一个最大池化层，以及三个残差卷积层，残差模块1的输入特征图的大小为112×112×64，输出特征图的大小为56×56×256；残差模块2的网络结构设计包括一个非线性激活层，以及4个残差卷积层，残差模块2的输入特征图的大小为56×56×256，输出特征图的大小为28×28×512；残差模块3的网络结构包括一个非线性激活层，以及6个残差卷积层，残差模块3的输入特征图的大小为28×28×512，输出特征图的大小为14×14×1024；残差模块4的网络结构包括一个非线性激活层，以及3个残差卷积层，残差模块4的输入特征图的大小为14×14×1024，输出特征图的大小为7×7×2048；残差模块5的网络结构包括一个非线性激活层，以及3个残差卷积层，残差模块5的输入特征图的大小为7×7×2048，输出特征图的大小为14×14×1024；残差模块6的网络结构包括一个非线性激活层，以及6个残差卷积层，残差模块6的输入特征图的大小为14×14×1024，输出特征图的大小为28×28×512；残差模块7的网络结构包括一个非线性激活层，以及4个残差卷积层，残差模块7的输入特征图的大小为28×28×512，输出特征图的大小为56×56×256，残差模块8的网络结构包括一个非线性激活层，以及3个残差卷积层，残差模块8的输入特征图的大小为56×56×256，输出特征图的大小为112×112×128，输出层的网络结构包括一个卷积层，一个非线性激活层，一个转置卷积层，一个非线性激活层以及一个特征整形层，输出层模块的输入特征图的大小为112×112×128，输出图像的大小为224×224；

所述侧边跳接网络的结构为：连接残差模块1与残差模块8，连接残差模块2与残差模块7，连接残差模块3与残差模块6，以及连接残差模块4与残差模块5的4条网络，侧边跳接网络结构将输入层模块中的激活层即Actication_1层的输出直接引向输出层模块中的卷积层即Conv2d_1层的输出并将二者进行相加融合；输入层模块中的激活层即Actication_1层的输出特征图大小为112×112×64，输出层模块中的卷积层即Conv2d_1层的输出特征图大小为112×112×64，将输入层模块中的激活层即Actication_1层的输出特征图与输出层模块中的卷积层即Conv2d_1层的输出特征图进行相加融合，融合后的特征图大小为112×112×64；侧边跳接网络结构将残差模块2的加和层即Add_3层的输出直接引向残差模块7的残差网络层即Res8a_branch2a层，并将残差模块2的加和层即Add_3层输出与残差模块7的残差网络层即Res8a_branch2a层的输出进行相加融合；残差模块2的加和层即Add_3层输出特征图大小为56×56×256，残差模块7的残差网络层即Res8a_branch2a层的输出特征图大小为56×56×256，融合后的特征图大小为56×56×256；侧边跳接网络结构将残差模块3的Add_7层输出直接引向残差模块6的残差网络层即Res7a_branch2a层，并将残差模块3的加和层即Add_7层的输出与残差模块6的残差网络层即Res7a_branch2a层输出进行相加融合；残差模块3的加和层即Add_7层的输出特征图大小为28×28×512，残差模块6的残差网络层即Res7a_branch2a层输出特征图大小为28×28×512，融合后的特征图大小为28×28×512，侧边跳接网络结构将残差模块4的加和层即Add_13层输出直接引向残差模块5的残差网络层即Res6a_branch2a层输出并将残差模块4的加和层即Add_13层输出与残差模块5的残差网络层即Res6a_branch2a层输出进行相加融合；残差模块4的加和层即Add_13层输出特征图大小为14×14×1024，残差模块5的残差网络层即Res6a_branch2a层输出特征图大小为14×14×1024，将残差模块4的加和层即Add_13层输出与残差模块5的残差网络层即Res6a_branch2a层输出进行相加融合，融合后的特征图大小为14×14×1024。