(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111631133.5 (22)申请日 2021.12.28 (71)申请人 北京无线电计量测试研究所 地址 100854 北京市海淀区永定路5 0号12 号楼 (72)发明人 王威　熊娣　崔婧　曹凯　王哲　 翁大成　宋金宝　高磊　 (74)专利代理 机构 中国航天科工集团公司专利 中心 11024 代理人 张国虹 (51)Int.Cl. G06V 20/52(2022.01) G06V 40/10(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01)G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于深度学习的毫米波图像检测最优模型 选择方法和装置 (57)摘要 本发明涉及一种基于深度学习的毫米波图 像检测最优模型选择方法和装置， 所述方法包 括： 采集二维毫米波人体图像； 在二维毫米波人 体图像上进行隐匿物品标注； 将二维毫米波人体 图像及对应标注出的隐匿物品信息输入到卷积 神经网络进行训练， 以得到一个模型序列； 对模 型序列中的每个模型选取最优隐匿物品阈值； 对 多个模型进行比较， 确定出最优检测模型及对应 的物品阈值。 本发明通过对毫米波安检图像基于 利用神经网络进行深度学习训练的模型进行选 取， 选取出最优的检测模型以及检测物品的阈 值， 以达到毫米波 图像最优的检测率和虚警率， 减小了人为误差， 提高了毫米波图像人体携带隐 匿物品的检测效率， 提高了毫米波人体安检设备 的有效性。 权利要求书2页 说明书7页 附图2页 CN 114419542 A 2022.04.29 CN 114419542 A 1.一种基于深度学习的毫米波图像 检测最优 模型选择 方法， 其特 征在于， 包括： 采集二维毫米波人体图像； 在所述二维毫米波人体图像上进行隐匿物品标注； 将所述二维毫米波人体图像及对应标注出的隐匿物品信息输入到卷积神经网络进行 训练， 以得到一个模型序列； 对所述模型序列中的每 个模型选取最优隐匿物品阈值； 对多个模型进行比较， 确定出最优检测模型及其对应的物品阈值。 2.根据权利要求1所述的方法， 其特 征在于， 所述采集 二维毫米波人体图像， 包括： 通过毫米波人体安全检查设备采集人体成像结果， 并将所述成像结果以预设固定的角 度投影到二维平面， 得到若干幅二维毫米波人体图像。 3.根据权利要求2所述的方法， 其特 征在于， 对于平面成像系统， 能够直接得到人体正 面和背面两张图像； 对于圆柱成像系统， 根据图像之间的旋转几何关系， 以人体正面和背面的各一幅图像 为标准图， 将一次扫描中得到所有图像的像素进 行坐标转换； 具体的， 将所有正面图像映射 到正面标准图中， 将所有背面图像映射到背面标准图中， 得到正面或背面同一视角下 的若 干幅二维毫米波人体图像。 4.根据权利要求1所述的方法， 其特征在于， 所述在所述二维毫米波人体图像上进行隐 匿物品标注， 包括： 通过多次数据采集， 得到大量的携带各类可疑物品的人体二维图像， 采用矩形框在所 述二维毫米波人体图像的正 面标准图像或背面标准图像中标 出可疑物品的位置和类别。 5.根据权利要求1至3任一项所述的方法， 其特征在于， 所述对所述模型序列中的每个 模型选取最优隐匿物品阈值， 包括： 使用检测模型对选取的特定的检测样本进行检测， 对不同物品的阈值分别从0到1以 0.01为步进进行遍历， 对不同阈值情况下的模型检测率和虚警率进行测试， 并根据测试得 到的检测率和虚警率确定出每 个模型的最优隐匿物品阈值。 6.根据权利要求5所述的方法， 其特征在于， 所述对多个模型进行比较， 确定出最优检 测模型及其对应的物品阈值， 包括： 在不同物品的不同阈值情况 下， 使用模型对检测样本进行检测； 检测结束后计算对应的检测率和虚警率， 并将所述检测率和所述虚警率的加权和作为 测量值； 选取测量值最大时的最优隐匿物品阈值序列An； 针对不同的检测模型1～S1， 生成S1个 最优检测模型及其对应的阈值； 比较S1种情况下的测量值X1～XS1， 选取测量值最大时对应的模型及对应的阈值， 并将 测量值最大时对应的模型确定为最优检测模型， 将测量值最大时对应的阈值确定为最优检 测模型对应的物品阈值。 7.一种基于深度学习的毫米波图像 检测最优 模型选择装置， 其特 征在于， 包括： 采集模块， 用于采集 二维毫米波人体图像； 标注模块， 用于在所述 二维毫米波人体图像上进行隐匿物品标注； 训练模块， 用于将所述二维毫米波人体图像及对应标注出的隐匿物品信 息输入到卷积权　利　要　求　书 1/2 页 2 CN 114419542 A 2神经网络进行训练， 以得到一个模型序列； 选取模块， 用于对所述模型序列中的每 个模型选取最优隐匿物品阈值； 确定模块， 用于对多个模型进行比较， 确定出最优检测模型及其对应的物品阈值。 8.根据权利要求7所述的装置， 其特征在于， 所述对所述模型序列中的每个模型选取最 优隐匿物品阈值， 包括： 使用检测模型对选取的特定的检测样本进行检测， 对不同物品的阈值分别从0到1以 0.01为步进进行遍历， 对不同阈值情况下的模型检测率和虚警率进行测试， 并根据测试得 到的检测率和虚警率确定出每 个模型的最优隐匿物品阈值。 9.根据权利要求7所述的装置， 其特征在于， 所述对多个模型进行比较， 确定出最优检 测模型及其对应的物品阈值， 包括： 在不同物品的不同阈值情况 下， 使用模型对检测样本进行检测； 检测结束后计算对应的检测率和虚警率， 并将所述检测率和所述虚警率的加权和作为 测量值； 选取测量值最大时的最优隐匿物品阈值序列An； 针对不同的检测模型1～S1， 生成S1个 最优检测模型及其对应的阈值； 比较S1种情况下的测量值X1～XS1， 选取测量值最大时对应的模型及对应的阈值， 并将 测量值最大时对应的模型确定为最优检测模型， 将测量值最大时对应的阈值确定为最优检 测模型对应的物品阈值。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质上存储有计算机 程序， 所述计算机程序被处理器执行时实现如权利要求 1至6任一项 所述的基于深度学习的 毫米波图像 检测最优 模型选择 方法。权　利　要　求　书 2/2 页 3 CN 114419542 A 3