摘要
近年来，随着全球经济文化活动日益频繁，一种安全高效的人体安检设备在重要公共场合中必不可少。毫米波是一种具有高空间分辨率的电磁波，它可以穿透绝缘布料显示人体身上的隐匿危险物品，是安检场所的理想检测方法。由于安检场所的特殊性，先使用毫米波对人体进行成像，再使用目标检测算法自动对人体身上的隐匿物进行检测是一个优选方法。毫米波图像目标检测算法作为安检系统中的重要组成部分，直接影响最终的检测结果，其可靠性和高效性十分关键。 因此，本课题旨在以安检应用为背景，设计适用于毫米波图像的精确、快速的隐匿物检测与识别算法。具体工作如下： 1.基于毫米波图像的特性和安检环境的背景，本文选择YOLOV3-Tiny模型作为基础网络实现毫米波图像隐匿物检测的任务。毫米波成像图不清晰、小目标多、噪声多，本文针对这些问题改进了YOLOV3-Tiny的网络结构。首先，对于特征提取网络，通过增加多个3?3和1?1的卷积层改善了网络的性能。然后，将CBAM注意力机制和FPN特征金字塔进行结合，设计了能自适应主次特征的特征融合网络，同时增加一个包含更多小目标信息的浅层特征融合。在毫米波人体成像数据集上验证，改进网络结构的YOLOV3-Tiny模型有更好的检测效果，其检测精度为93.4%，GPU上的单帧检测速度为15ms/帧，模型参数量大小为38.7M。 2.为进一步提高毫米波图像隐匿物的检测效果，对YOLOV3-Tiny模型的损失函数进行改进。针对损失函数中边框回归不能很好表现边框相对位置的问题，使用了CIOU函数作为边界框损失，考虑多个尺度参数，更利于边框回归。针对毫米波图像背景占比较大，隐匿物与背景相比较少，训练中出现的负样本远大于正样本的问题，使用了Fcoalloss焦点损失函数，通过参数调节训练中的正负样本和难分样本权重。将损失函数和网络结构的改进结合进行实验，结果表明：本文改进算法的检测精度为95.2%，GPU上的单帧检测速度为15ms/帧，CPU上能达到285ms/帧的检测速度，综合性能优于主流目标检测模型。
NETL