[发明专利]基于Fast R-CNN的毫米波图像目标检测与识别方法

说明书

本发明公开了一种基于Fast R‑CNN的毫米波图像目标检测与识别方法，包括下列步骤；S1：有条件的深度卷积生成对抗网络(C‑DCGAN)模型；S2：将条件加入深度卷积生成对抗网络中的生成器，利用卷积网络提取特征的能力加上条件辅以训练；S3：将训练好的C‑DCGAN中的判别器部分抽取出来，添加Softinax后形成用于图像识别的新网络结构；利用该方法提取特征用于图像识别，条件深度卷积对抗网络不仅可以在条件的限制下生成预期的样本，而且利用卷积层提取特征的能力较为高。

技术领域

本发明涉及检测识别技术领域，尤其涉及一种基于Fast R-CNN的毫米波图像目标检测和识别方法。

背景技术

毫米波是指波长为1-10mm的电磁波，其位于微波与远红外波相交叠的波长范围，兼具有微波和远红外波两种波谱特性的同时还具有自己独特的特性。与红外相比，毫米波大气衰减小，区别金属目标和周围环境的能力强，与微波相比，毫米波的指向性好、抗干扰能力强、探测性能好，由于毫米波具有的独特特性，使毫米波辐射器具有可在云、雾、烟尘等恶劣环境状态下实现全天时全天候的工作的能力。由于毫米波具有较好的穿透性和较高的空间分辨率，可以采用毫米波辐射器对隐藏在衣物下的违禁物品进行成像，从而达到探测识别的目的。

CNN(卷积神经网络)是近年发展起来的一种高效识别方法，为一种前馈神经网络，其人工神经元可以响应一部分覆盖范围内的周围单元，可直接输入原始图像进行识别，避免了对图像的复杂前期预处理。R-CNN为CNN的升级模型，为基于区域的卷积神经网络模型，其根据Selective Search或者Edge boxes 生成候选区域，再用卷积神经网络对生成的候选区域进行特征提取，Fast R-CNN 在R-CNN的基础上进行了进一步改进，提出了ROI池化层，进一步提高了识别的精确性和候选区域计算效率。

发明内容

本发明的目的在于提供一种基于Fast R-CNN的毫米波图像目标检测和识别方法，通过毫米波成像技术和Fast R-CNN技术的有机结合实现目标物的检测识别，所述方法具有探测性能好、抗干扰能力强、指向性强、识别准确度高、响应快速等特点。

为了实现上述目标，本发明的技术方案为：

一种基于Fast R-CNN的毫米波图像目标检测和识别方法，包括如下步骤：

S1、获取目标物的毫米波图像样本，进行标签处理制作成样本集；

S2、将训练集输入到Fast R-CNN网络，利用Fast R-CNN中的卷积核提取出目标物毫米波图像的特征作为特征向量进行多任务训练；

S3、通过毫米波数据采集设备采集获取待识别物的毫米波图像；

S4、将采集获取的待识别物的毫米波图像输入训练好的Fast R-CNN网络，利用Fast R-CNN网络进行目标物识别。

进一步的，所述步骤S1中的样本进行了增强处理。

进一步的，所述步骤S1中的样本增强处理方式为，先对原图块进行左右翻转，再对原图块以及左右翻转之后的图块分别做上下翻转，翻转后的图块全部归类为样本。

进一步的，所述步骤S1中，所述样本集分为训练集、验证集和测试集；训练集用于训练Fast R-CNN网络，验证集用于在训练过程中观察Fast R-CNN网络的损失函数是否收敛，以判断是否终止训练，测试集用于测试Fast R-CNN 网络的分类准确率。

进一步的，所述Fast R-CNN网络包括13个卷积层，4个池化层，1个ROI 池化层，2个全连接层和2个平级层。

进一步的，所述多任务训练Fast R-CNN网络的全连接输出包cls_score 层和bbox_pred层，所述cls_score层用于分类，所述bbox_pred层用于调整候选框位置。