[发明专利]一种基于卷积神经网络的毫米波图像人体隐私保护方法

权利要求书

1.一种基于卷积神经网络的毫米波图像人体隐私保护方法，其特征在于，将人体划分为十个区域并且构建人体结构数据集，利用卷积神经网络预测十个人体区域及其坐标信息，利用这些信息来遮挡人体隐私部位，并且利用这些信息来投影违禁物体预测框至卡通图片中的对应位置；具体步骤如下：

步骤1、检测人体区域：构建人体结构数据集；

1.1：划分人体：将人体分割为10个区域，分别是：左小臂，右小臂，左大臂，右大臂，胸部或背部，裆部或臀部，左小腿，右小腿，左大腿，右大腿；

1.2：对数据集进行标注：选择来自不同地区、不同身高、不同体型的受检人员的毫米波安检仪的扫描结果作为数据集；共计5788张扫描图片，其中2894张正面扫描结果，2894张背面扫描结果；标注方式按照步骤1.1的划分方式进行；

步骤2、检测人体区域：检测模型的设计；

2.1：聚类前景目标的面积分布；对步骤1.2的标注结果进行统计，得出前景目标的区域面积的分布范围，采用K-means算法，取K-means算法的聚类种类数K＝3，来获得初始候选框的规模因子s_min和s_max；

2.2：对毫米波图像进行下采样操作；本发明采用VGG模型来获得毫米波图像的抽象特征；采用fc7、conv6_2、conv7_2三个层级的特征图来预测人体的十个部位；其中，fc7、conv6_2、conv7_2分别对原始毫米波图像下采样16倍，32倍，64倍；

2.3：初始化候选框；基于步骤2.2选出的fc7、conv6_2、conv7_2三个层级特征图，在原图中初始化候选框；这三个层级特征图中的第i个特征点，分别在原始图像中初始化第i个候选框cx是中心点坐标横坐标，cy是中心点纵坐标，w是候选框的宽，h是候选框的高；候选框的初始化方法按照公式(7)-公式(9)：

其中，s_k∈{fc7，conv6_2，conv7_2}，表示的含义是参与预测人体区域的候选框的比例因子，即针对毫米波图像的宽高比例；n表示参与预测人体区域的层级特征图的个数；选用fc7、conv6_2、conv7_2三层参与预测，n＝3；r_j代表不同宽高比的集合，W代表毫米波图像的宽度，H代表毫米波图像的高度；

2.4：针对候选框，进一步选择出可供训练的正负样本：步骤2.3对fc7、conv6_2、conv7_2这三层特征图中的每一个特征点，都在原图中产生了候选框；此时按照候选框与地面真实的重合度挑选正负样本：若重合度大于阈值θ，则为正样本候选框，反之为负样本候选框；通过OHEM算法来挑选出难以学习的负样本候选框，保持正负样本比例均衡；

步骤3、检测人体区域：训练检测器，并且预测人体区域；

3.1：通过步骤1.2得到有监督的训练样本5788张；为了验证模型训练的性能，随机选择3859张图片，包括正面和背面的图片，作为训练样本，选择1929张图片作为验证样本；针对每一张训练样本，采用公式(3)训练检测器：

其中，N是挑选出的正样本的个数；L_cls(I,C)表示类别预测，L_loc(I,P,G))表示位置回归预测，α表示惩罚因子，C是训练集中的类别个数，I是示性项，当且仅当第i个候选框和第j个Ground Truth匹配时，I＝1；

3.2：在有监督的人体区域数据集中完成训练后，将检测器投入实际应用场景，即DHF架构中，DHF架构针对每一张测试图片，识别出人体的十个区域的类别以及区域中心点坐标；

步骤4、遮挡人体隐私部位：对步骤3得到的人体区域进一步处理，遮挡人体隐私部位；

4.1：在步骤3.2检测到人体的十个区域后，分别对特定的区域添加遮挡；其中，对裆部或臀部区域添加遮挡；通过胸部或背部区域的中心点横坐标来确定面部区域的中心点横坐标，并且参照标准人体比例因子来确定面部区域的中心点纵坐标；

4.2：步骤4.1获得了隐私部位的中心点坐标，基于提供的中心点坐标，添加遮挡物来保护隐私。