王 葛，朱 艷，沈 韜，劉英莉，曾 凱

(昆明理工大學(xué) 信息工程與自動(dòng)化工程學(xué)院，昆明 650500)

近年來(lái)，安防檢測(cè)設(shè)備被廣泛地運(yùn)用到了日常生活中，為公共社會(huì)安全提供了可靠的保障。傳統(tǒng)的安全檢查方法主要是基于X射線[1]掃描儀、紅外探測(cè)以及金屬探測(cè)器等。但X射線掃描儀這種檢測(cè)方法產(chǎn)生的輻射對(duì)人體傷害特別大，因此無(wú)法廣泛應(yīng)用于人體目標(biāo)，而金屬探測(cè)器又只能局限于探測(cè)出金屬類(lèi)危險(xiǎn)物品，無(wú)法對(duì)非金屬材料制成的危險(xiǎn)物品進(jìn)行檢測(cè)。同時(shí)，安檢工作者對(duì)待檢測(cè)人員的直接接觸檢查使得個(gè)人隱私難以保障，存在著檢測(cè)準(zhǔn)確性和檢測(cè)效率極低的問(wèn)題。

太赫茲波處于電磁波譜中的毫米波段與遠(yuǎn)紅外波段之間的位置，低頻區(qū)與毫米波重疊，高頻區(qū)與紅外波重疊，是一種處于電子學(xué)與光子學(xué)交叉區(qū)域的技術(shù)。太赫茲波具有許多獨(dú)特性，例如光子的低能性、脈寬頻譜性、能對(duì)非極性材料有極強(qiáng)的穿透特性、以及很好的相干性、瞬態(tài)性等優(yōu)點(diǎn)。隨著科技的進(jìn)步，太赫茲這門(mén)新興的學(xué)科前沿技術(shù)得到了飛速的發(fā)展，太赫茲(THz)成像系統(tǒng)[2]也漸漸地被運(yùn)用于各城市的地鐵站、火車(chē)站、汽車(chē)站等公共安全檢測(cè)卡口進(jìn)行人體成像檢測(cè)。

基于可見(jiàn)光的人體圖像中無(wú)法檢測(cè)到隱藏在人體衣物內(nèi)部的物體，而太赫茲成像系統(tǒng)能夠穿透人體服裝等材料并呈現(xiàn)出隱藏物品，包括金屬材料與非金屬材料物體等。目前的太赫茲安檢成像系統(tǒng)成像精度、檢測(cè)效率仍然較低，往往需要人工輔助檢查，因此，對(duì)太赫茲安檢圖像中可疑目標(biāo)的智能識(shí)別檢測(cè)仍需進(jìn)一步加強(qiáng)?，F(xiàn)有目標(biāo)檢測(cè)方法主要分為提取有效特征或基于深度學(xué)習(xí)的方法。通過(guò)提取有效特征并進(jìn)行分類(lèi)的目標(biāo)檢測(cè)方法是傳統(tǒng)的主流方案，其中，最具代表性的方法有尺度不變特征轉(zhuǎn)換(SIFT)[3]、加速魯棒特征(SURF)[4]、方向梯度直方圖(HOG)[5].SIFT提取的是圖像的局部特征，其對(duì)旋轉(zhuǎn)、尺度縮放、噪聲等有著很好的穩(wěn)定性，但也伴隨著實(shí)時(shí)性不高、特征點(diǎn)較少的缺點(diǎn)。HOG具有保持圖像幾何和光學(xué)較好的穩(wěn)定不變性等特點(diǎn)，但仍存在著計(jì)算速度較慢，重疊嚴(yán)重等問(wèn)題。2014年，區(qū)域卷積神經(jīng)網(wǎng)絡(luò)R-CNN[6]的提出推動(dòng)了深度學(xué)習(xí)的發(fā)展，R-CNN網(wǎng)絡(luò)擁有比傳統(tǒng)目標(biāo)檢測(cè)方法更高的識(shí)別準(zhǔn)確性和穩(wěn)定性，它將傳統(tǒng)的手工提取特征變成了特征學(xué)習(xí)的方法。Fast R-CNN[7]針對(duì)R-CNN存在嚴(yán)重的重復(fù)計(jì)算等問(wèn)題做了改進(jìn)，通過(guò)共享卷積層對(duì)整張圖進(jìn)行一次特征提取，提高了計(jì)算速度。Faster R-CNN[8]則進(jìn)一步針對(duì)Fast R-CNN選擇性搜索耗時(shí)的瓶頸，設(shè)計(jì)了提取候選區(qū)域的RPN網(wǎng)絡(luò)來(lái)代替比較費(fèi)時(shí)的選擇性搜索，使得檢測(cè)速度大幅提高。該算法在各類(lèi)公共數(shù)據(jù)集中均表現(xiàn)出了顯著的性能，到目前為止，F(xiàn)aster R-CNN網(wǎng)絡(luò)已經(jīng)成為一種普遍使用的深度學(xué)習(xí)目標(biāo)檢測(cè)模型。然而，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法，需要大量的數(shù)據(jù)樣本作為支撐，從而確保所檢測(cè)目標(biāo)對(duì)象具有良好的準(zhǔn)確性。但目前太赫茲安檢圖像數(shù)據(jù)相對(duì)較少，因此需要對(duì)數(shù)據(jù)集進(jìn)行有效擴(kuò)充以滿足深度學(xué)習(xí)方法的要求。通過(guò)生成對(duì)抗網(wǎng)絡(luò)GAN[9]可以生成更多的數(shù)據(jù)集，而深度生成對(duì)抗網(wǎng)絡(luò)DC-GAN[10]在擴(kuò)充圖像數(shù)據(jù)集中表現(xiàn)出了更好的效果。另外，太赫茲安檢圖像存在著待檢測(cè)的人像、手機(jī)、刀等目標(biāo)不清晰，細(xì)節(jié)紋理特征較模糊、圖像分辨率較差等問(wèn)題。若直接將生成的太赫茲安檢圖像送入深度神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，將無(wú)法得到理想的檢測(cè)效果。因此，對(duì)太赫茲安檢圖像進(jìn)行預(yù)處理則很有必要。對(duì)低質(zhì)量的圖像進(jìn)行超分辨率重構(gòu)是一種有效解決低質(zhì)圖像不清晰的方法。在超分辨算法中，生成對(duì)抗網(wǎng)絡(luò)SRGAN[11]能生成更接近于自然的圖像，但生成圖像的細(xì)節(jié)往往伴隨著偽影。基于增強(qiáng)型超分辨率生成對(duì)抗網(wǎng)絡(luò)ESRGAN[12]則在SRGAN的基礎(chǔ)上進(jìn)一步生成更逼真的紋理。

基于上述問(wèn)題，本文采用了DC-GAN網(wǎng)絡(luò)來(lái)對(duì)太赫茲安檢圖像數(shù)據(jù)集進(jìn)行擴(kuò)充，并采用ESRGAN超分辨重建算法與線性變換和閾值處理相結(jié)合的方法對(duì)擴(kuò)充后得到的太赫茲安檢圖像數(shù)據(jù)與原太赫茲安檢圖像數(shù)據(jù)進(jìn)行預(yù)處理操作，使得太赫茲安檢圖像在清晰度、對(duì)比度等質(zhì)量特征上得到了較大的改善。同時(shí)，本文針對(duì)太赫茲安檢圖像中檢測(cè)目標(biāo)存在較多重疊的情形，對(duì)Faster R-CNN網(wǎng)絡(luò)中非極大值抑制算法存在的不足進(jìn)行了改進(jìn)，解決了圖像中由于目標(biāo)重疊造成漏檢的問(wèn)題。太赫茲安檢圖像檢測(cè)中面臨的挑戰(zhàn)以及本文解決方案具體如圖1所示。

1 基于改進(jìn)的Faster R-CNN網(wǎng)絡(luò)算法對(duì)太赫茲安檢圖像進(jìn)行檢測(cè)

從太赫茲安檢圖像數(shù)據(jù)的特點(diǎn)以及存在的問(wèn)題出發(fā)，本文主要通過(guò)生成對(duì)抗網(wǎng)絡(luò)來(lái)生成更豐富的太赫茲安檢圖像，對(duì)太赫茲安檢圖像進(jìn)行超分辨重建，改善太赫茲安檢圖像的質(zhì)量。借助可見(jiàn)光圖像與太赫茲安檢圖像之間的相似性，采用遷移學(xué)習(xí)[13]的方法對(duì)太赫茲安檢圖像數(shù)據(jù)進(jìn)行了研究。圖2展示了本文的整體架構(gòu)流程圖。首先，對(duì)太赫茲安檢圖像數(shù)據(jù)采用DC-GAN網(wǎng)絡(luò)生成更多的太赫茲安檢圖像，擴(kuò)充原太赫茲安檢圖像數(shù)據(jù)量；再采用ESRGAN超分辨重構(gòu)算法與線性變換和閾值處理相結(jié)合的方法，對(duì)擴(kuò)充后的太赫茲安檢圖像與原太赫茲安檢圖像的質(zhì)量、對(duì)比度等特征進(jìn)行改善，使得太赫茲安檢圖像在清晰度、對(duì)比度等質(zhì)量特征上得到了較大的改善；然后，選用VGGNet[14]，ResNet[15]等網(wǎng)絡(luò)在公開(kāi)的光學(xué)圖像數(shù)據(jù)集進(jìn)行訓(xùn)練得到的預(yù)訓(xùn)練模型網(wǎng)絡(luò)參數(shù)，傳入到改進(jìn)的Faster R-CNN網(wǎng)絡(luò)進(jìn)行初始化。修改神經(jīng)網(wǎng)絡(luò)中的最后一層為我們標(biāo)注的特定太赫茲安檢圖像數(shù)據(jù)目標(biāo)類(lèi)別，對(duì)改進(jìn)的Faster R-CNN網(wǎng)絡(luò)進(jìn)行二次訓(xùn)練得到訓(xùn)練模型；最后，利用太赫茲安檢圖像的測(cè)試集對(duì)檢測(cè)模型進(jìn)行測(cè)試，得到測(cè)試實(shí)驗(yàn)結(jié)果。

圖1 太赫茲安檢圖像檢測(cè)面臨的挑戰(zhàn)與解決方案

圖2 太赫茲安檢圖像檢測(cè)識(shí)別整體框架圖

1.1 DC-GAN生成太赫茲安檢圖像進(jìn)行數(shù)據(jù)擴(kuò)充

本文采用DC-GAN生成對(duì)抗網(wǎng)絡(luò)生成太赫茲安檢圖像的方法實(shí)現(xiàn)數(shù)據(jù)擴(kuò)充，解決由于太赫茲安檢圖像數(shù)據(jù)稀少，無(wú)法通過(guò)深度神經(jīng)網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練得到較理想的檢測(cè)效果的問(wèn)題。DC-GAN網(wǎng)絡(luò)原理和GAN網(wǎng)絡(luò)類(lèi)似，主要基于GAN的核心博弈的思想，將GAN中的生成網(wǎng)絡(luò)G和鑒別網(wǎng)絡(luò)D替換為深度卷積神經(jīng)網(wǎng)絡(luò)。其中，生成網(wǎng)絡(luò)的作用是生成假的太赫茲安檢圖像使鑒別網(wǎng)絡(luò)無(wú)法鑒別真假，鑒別網(wǎng)絡(luò)的目的是努力分辨出真實(shí)的太赫茲安檢圖像和生成的太赫茲安檢圖像，直到鑒別網(wǎng)絡(luò)分辨不出生成網(wǎng)絡(luò)生成的以假亂真的圖像為止。本文選用了6 000張?zhí)掌澇上裣到y(tǒng)生成的原太赫茲安檢圖像放入DC-GAN網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，學(xué)習(xí)率設(shè)置為0.002，迭代了2 000次，實(shí)驗(yàn)生成了兩萬(wàn)張?zhí)掌澃矙z圖像。剔除部分生成的不可用圖像，共計(jì)挑選了4 000張生成的太赫茲安檢圖像放入原太赫茲數(shù)據(jù)集中。圖3分別展示了太赫茲成像系統(tǒng)所產(chǎn)生的太赫茲安檢圖像數(shù)據(jù)與通過(guò)DC-GAN網(wǎng)絡(luò)生成的部分太赫茲安檢圖像。

觀察對(duì)比圖3，可以直觀地看出DC-GAN網(wǎng)絡(luò)生成的太赫茲安檢圖像中，刀、手機(jī)等可疑目標(biāo)具有輪廓清晰，且與原太赫茲安檢圖像極為類(lèi)似的特點(diǎn)，符合所需大量太赫茲數(shù)據(jù)源的要求。同時(shí)，通過(guò)該方法可生成多樣化的太赫茲安檢圖像，有效擴(kuò)充了訓(xùn)練和檢測(cè)樣本的多樣性。

圖3 原太赫茲安檢圖及DC-GAN網(wǎng)絡(luò)生成不同類(lèi)型的太赫茲圖

1.2 超分辨重建與線性變換閾值處理

太赫茲安檢圖像具有色調(diào)單一，分辨率低、清晰度和對(duì)比度差等特點(diǎn)。若直接將太赫茲安檢圖像送入目標(biāo)檢測(cè)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練和測(cè)試，則無(wú)法達(dá)到較理想的檢測(cè)效果。因此，需要對(duì)圖像進(jìn)行預(yù)處理以改善太赫茲安檢圖像中存在的上述問(wèn)題。直接通過(guò)傳統(tǒng)的預(yù)處理方法(如對(duì)圖像進(jìn)行灰度變換、圖像插值、圖像濾波、圖像去噪等)對(duì)太赫茲安檢圖像進(jìn)行處理，則無(wú)法使太赫茲安檢圖像的質(zhì)量得到較大地改善。通過(guò)對(duì)低質(zhì)量的圖像進(jìn)行了超分辨率操作可以將圖像轉(zhuǎn)換為高分辨的圖像，能很好地解決低質(zhì)圖像不清晰的問(wèn)題。

本文結(jié)合增強(qiáng)型超分辨率生成對(duì)抗網(wǎng)絡(luò)ESRGAN和線性變換閾值處理的方法，對(duì)太赫茲安檢圖像進(jìn)行預(yù)處理操作，將低分辨的太赫茲安檢圖像轉(zhuǎn)化為高分辨的圖像，獲得更高的視覺(jué)質(zhì)量以及更逼真和更自然的紋理特征。ESRGAN的網(wǎng)絡(luò)結(jié)構(gòu)分為生成器和判斷器兩個(gè)部分。生成器采用RRDB密集殘存塊作為基本單位，該結(jié)構(gòu)含有一個(gè)“殘差再殘差”結(jié)構(gòu)，使得在不同層級(jí)都能使用到殘差，保證了梯度信息能夠有效地傳遞，從而增強(qiáng)生成對(duì)抗網(wǎng)絡(luò)的魯棒性。同時(shí)使用殘差縮放和更小的初始化有助于訓(xùn)練更深的網(wǎng)絡(luò)，從而提高感知質(zhì)量，進(jìn)一步改善修復(fù)的紋理。但通過(guò)ESRGAN網(wǎng)絡(luò)對(duì)太赫茲安檢圖像進(jìn)行超分辨后，得到的圖像中背景噪聲仍然存在，感興趣區(qū)域與其他背景之間的對(duì)比度還不夠明顯。為了去除噪聲并提高太赫茲安檢圖像的對(duì)比度，本文還對(duì)通過(guò)ESRGAN網(wǎng)絡(luò)進(jìn)行超分辨重建后得到的太赫茲安檢圖像進(jìn)行了閾值處理和線性變換，過(guò)濾了背景噪聲的同時(shí)，提升不同目標(biāo)之間的區(qū)分度，以進(jìn)一步達(dá)到圖像增強(qiáng)的目的。圖4展示了太赫茲安檢圖像經(jīng)過(guò)ESRGAN網(wǎng)絡(luò)進(jìn)行超分辨重建、線性變換閾值處理后的圖像效果。

圖4(a)為原太赫茲安檢圖像，圖4(b)為通過(guò)ESRGAN網(wǎng)絡(luò)進(jìn)行超分辨處理后得到的太赫茲安檢圖像，圖4(c)為線性變換閾值處理后的結(jié)果圖。其中，圖4(a)、(b)中紅色框標(biāo)出的刀分別對(duì)應(yīng)下方的局部放大圖。觀察圖4(a)、(b)兩幅圖中刀所對(duì)應(yīng)的局部放大圖的細(xì)節(jié)紋理，可以直觀地看出，通過(guò)ESRGAN對(duì)原太赫茲安檢圖像以及DC-GAN生成的太赫茲安檢圖像進(jìn)行超分辨處理后得到的圖像，在細(xì)節(jié)紋理上變得更加清晰，圖像質(zhì)量得到了顯著提高。觀察圖4(c)能夠直觀地看出，超分辨后的太赫茲安檢圖像通過(guò)線性變換和閾值處理后，圖像的背景噪聲以及感興趣目標(biāo)與背景之間的對(duì)比度都得到了進(jìn)一步改善。

圖4 經(jīng)過(guò)ESRGAN網(wǎng)絡(luò)進(jìn)行超分辨重建、線性變換閾值處理后的圖像效果

1.3 Faster R-CNN網(wǎng)絡(luò)

本文引入了經(jīng)典的Faster R-CNN目標(biāo)檢測(cè)網(wǎng)絡(luò)作為太赫茲安檢圖像識(shí)別的基礎(chǔ)框架。太赫茲安檢圖像中，待檢測(cè)的目標(biāo)對(duì)象存在大量重疊的情況。傳統(tǒng)Faster R-CNN框架中的非極大值抑制算法針對(duì)重疊較多的檢測(cè)框，首先刪除得分較低的目標(biāo)框，導(dǎo)致重疊目標(biāo)難以檢測(cè)出來(lái)。本文提出了FasterR-CNN改進(jìn)算法，通過(guò)引入sigmoid加權(quán)函數(shù)，降低重疊檢測(cè)框的置信度而非直接刪除，進(jìn)而保留了相關(guān)目標(biāo)檢測(cè)框，解決了目標(biāo)漏檢的問(wèn)題，提升了太赫茲安檢圖像中對(duì)可疑物體的檢測(cè)準(zhǔn)確性。

1.3.1整體架構(gòu)

改進(jìn)的Faster R-CNN算法整體架構(gòu)圖如圖5中所示，其原理可簡(jiǎn)要概述為：首先，利用深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)太赫茲安檢圖像進(jìn)行特征提取(文中選用VGG16網(wǎng)絡(luò)對(duì)太赫茲安檢圖像進(jìn)行特征提取，每個(gè)卷積層利用前面網(wǎng)絡(luò)信息來(lái)生成抽象描述，第一層主要學(xué)習(xí)太赫茲安檢圖像的邊緣信息，第二層學(xué)習(xí)太赫茲安檢圖像邊緣中的圖案，層數(shù)越深則學(xué)習(xí)越復(fù)雜的形狀等信息。最終得到太赫茲安檢圖像的卷積特征圖，然后通過(guò)共享卷積層將特征圖分別送入Fast R-CNN網(wǎng)絡(luò)和區(qū)域建議網(wǎng)絡(luò)(region proposal network，RPN)中。RPN網(wǎng)絡(luò)通過(guò)滑動(dòng)窗口對(duì)送入的特征圖產(chǎn)生出特征向量，并輸入到全連接層中進(jìn)行分類(lèi)和回歸生成區(qū)域建議；同時(shí)，將RPN網(wǎng)絡(luò)產(chǎn)生的區(qū)域建議和卷積神經(jīng)網(wǎng)絡(luò)提取的特征圖輸入到固定尺寸的感興趣區(qū)域池化層；最后，通過(guò)兩個(gè)損失函數(shù)對(duì)其進(jìn)行分類(lèi)和回歸損失計(jì)算，生成預(yù)測(cè)坐標(biāo)值從而得到檢測(cè)目標(biāo)框。

圖5 改進(jìn)的Faster R-CNN算法結(jié)構(gòu)圖

1.3.2損失函數(shù)

對(duì)RPN網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí)，需要對(duì)每一個(gè)錨點(diǎn)分配一個(gè)對(duì)應(yīng)的是否為目標(biāo)的標(biāo)簽。將具有與實(shí)際邊界框的重疊最高交并比(intersection over union，IoU)的錨點(diǎn)分配一個(gè)正標(biāo)簽，負(fù)樣本為與實(shí)際邊框的IoU小于0.3的樣本定義為負(fù)樣本。Faster R-CNN中RPN的損失函數(shù)定義為：

(1)

(2)

1.3.3非極大值抑制算法的改進(jìn)

非極大值抑制算法在目標(biāo)檢測(cè)、邊緣檢測(cè)中表現(xiàn)出了良好的效果，能夠?qū)⒋罅恐丿B的候選框進(jìn)行刪除，并篩選出需要的目標(biāo)框。其工作原理為：

1) 從所有候選框中選出得分最高的候選框。

2) 移出得分最高的候選框，在剩余的框中選出得分最高的框，并依次與得分低的框進(jìn)行對(duì)比。將得分最高且重疊度高于設(shè)定閾值的框進(jìn)行刪除。

3) 重復(fù)上述操作，最后只選出最優(yōu)框中的目標(biāo)。

目標(biāo)檢測(cè)中非極大值抑制算法對(duì)邊界框進(jìn)行評(píng)分的過(guò)程：

(3)

式中：si為第i個(gè)預(yù)測(cè)框?qū)?yīng)的IoU分類(lèi)得分，Nt為抑制閾值，M為當(dāng)前得分最大的邊界框。其中，IoU函數(shù)作為該算法計(jì)算重疊面積的主要依據(jù)，用于計(jì)算候選框與真實(shí)目標(biāo)框面積之間的交疊率，具體公式如下：

(4)

式中：D和E分別表示為是預(yù)測(cè)邊界框面積與實(shí)際邊界框面積。

從上述算法的步驟中可知，當(dāng)對(duì)同一類(lèi)物體檢測(cè)時(shí)，物體之間在重疊區(qū)域較大的情況下，會(huì)將原本的預(yù)測(cè)框刪除，具體如圖6所示。

圖6 非極大值抑制算法存在的問(wèn)題

圖6中，真實(shí)檢測(cè)應(yīng)該輸出兩個(gè)框，但是非極大值抑制算法下紅色虛線框與紅色實(shí)線框的IoU大于設(shè)定的閾值時(shí),則此時(shí)虛線框的得分較低會(huì)被過(guò)濾掉，導(dǎo)致只檢測(cè)出一個(gè)目標(biāo)，造成漏檢的問(wèn)題。為了解決這個(gè)問(wèn)題，本文在非極大值抑制算法中引入了Sigmoid加權(quán)函數(shù)，該算法的優(yōu)勢(shì)在于可以根據(jù)當(dāng)前得分遞歸地重新評(píng)分，而不是直接抑制分?jǐn)?shù)較低的相鄰方框，這樣就不會(huì)在同一類(lèi)物體存在高度重疊時(shí)，對(duì)預(yù)測(cè)框進(jìn)行誤刪。改進(jìn)的非極大值抑制算法具體步驟如下。

1) 分類(lèi)標(biāo)簽，并預(yù)測(cè)出對(duì)應(yīng)的所有候選區(qū)域框；

2) 用A、B分別表示不同類(lèi)別所對(duì)應(yīng)的框以及篩選后的框，繼續(xù)如下操作：

a.提取最高得分的框F，送入B中；

b.將剩余的框與F進(jìn)行重疊面積計(jì)算，若比設(shè)定閾值Nt大，則舍棄，反之保留；

c.當(dāng)步驟b中得到的所有框?yàn)榭?，則執(zhí)行步驟2)，反之執(zhí)行a；

3) 上述步驟處理之后，不同類(lèi)別的有效框?qū)⒈Ａ粼诩蟽?nèi)。

在非極大值抑制算法中，本文引入了Sigmoid加權(quán)：

(5)

式中：λ為可調(diào)參數(shù)，si為第i個(gè)預(yù)測(cè)框?qū)?yīng)的分類(lèi)得分，Nt為抑制閾值，M為當(dāng)前得分最大的邊界框，bi表示待過(guò)濾的第i個(gè)預(yù)測(cè)框。實(shí)驗(yàn)對(duì)比了原Faster R-CNN網(wǎng)絡(luò)與改進(jìn)的Faster R-CNN對(duì)太赫茲安檢圖像的檢測(cè)效果，驗(yàn)證了改進(jìn)的Faster R-CNN網(wǎng)絡(luò)對(duì)存在大量重疊目標(biāo)的太赫茲安檢圖像中擁有更好的檢測(cè)效果。

2 實(shí)驗(yàn)結(jié)果與分析

本文所有實(shí)驗(yàn)均在Ubuntu16.04系統(tǒng)下進(jìn)行，采用深度學(xué)習(xí)框架tensorflow進(jìn)行實(shí)驗(yàn)，硬件環(huán)境：Intel Corei7-7800X 3.50GHz CPU，Tesla K80，顯存為24 GB，在訓(xùn)練中通過(guò)GPU進(jìn)行加速。共有10 000張?zhí)掌澃矙z圖像作為總數(shù)據(jù)集,太赫茲安檢圖像數(shù)據(jù)集格式為JPG格式，每張圖像的大小固定為760×500像素。在實(shí)驗(yàn)過(guò)程中，使用了交叉驗(yàn)證的方法來(lái)確保模型的魯棒性，多次隨機(jī)選取原始圖像的70%作為訓(xùn)練集、20%作為驗(yàn)證集、10%作為測(cè)試集進(jìn)行實(shí)驗(yàn)，確保所有數(shù)據(jù)至少接受一次訓(xùn)練。

實(shí)驗(yàn)分別用太赫茲安檢圖像數(shù)據(jù)進(jìn)行原Faster R-CNN算法與改進(jìn)的Faster R-CNN算法框架的對(duì)比研究。實(shí)驗(yàn)使用開(kāi)源標(biāo)注工具labelImg來(lái)標(biāo)注圖像，生成了.xml格式的標(biāo)注數(shù)據(jù)，.xml格式的數(shù)據(jù)包括了目標(biāo)名稱、左上角坐標(biāo)、右下角坐標(biāo)等信息。分別對(duì)人、刀、手機(jī)等3個(gè)類(lèi)別的數(shù)據(jù)集標(biāo)注，并制作成VOC2007格式的數(shù)據(jù)集。同時(shí)還采用了COCO數(shù)據(jù)集上訓(xùn)練好的VGG16權(quán)重參數(shù)作為預(yù)訓(xùn)練模型。表1為本實(shí)驗(yàn)采用的Faster R-CNN算法訓(xùn)練太赫茲安檢圖像得到的不同目標(biāo)對(duì)應(yīng)的平均準(zhǔn)確性實(shí)驗(yàn)結(jié)果(mean average precision，MAP).

表1 不同網(wǎng)絡(luò)所對(duì)應(yīng)的MAP檢測(cè)結(jié)果

從表1可以看出，改進(jìn)的Faster R-CNN算法在VGG16網(wǎng)絡(luò)中表現(xiàn)出了比原網(wǎng)絡(luò)更好的識(shí)別檢測(cè)效果。在實(shí)際生產(chǎn)應(yīng)用中，大于80%的精度是可以被接受的[16]，本文中改進(jìn)的Faster R-CNN網(wǎng)絡(luò)準(zhǔn)確率達(dá)到了94.17%，遠(yuǎn)遠(yuǎn)超過(guò)了傳統(tǒng)檢測(cè)方法以及人眼的檢測(cè)準(zhǔn)確率。另外，本文引入了改進(jìn)的非極大值抑制算法，解決重疊目標(biāo)的漏檢問(wèn)題，實(shí)現(xiàn)太赫茲安檢圖像中對(duì)可疑物體更快速、更準(zhǔn)確的檢測(cè)效果，證明了該方法的有效性。

為了驗(yàn)證改進(jìn)的網(wǎng)絡(luò)算法性能，實(shí)驗(yàn)還對(duì)比驗(yàn)證了與原網(wǎng)絡(luò)以及YOLOv3網(wǎng)絡(luò)識(shí)別太赫茲安檢圖像的檢測(cè)效果，實(shí)驗(yàn)結(jié)果如表2所示。

表2 不同框架的MAP檢測(cè)結(jié)果

如表2所示，與各類(lèi)算法相比，在識(shí)別太赫茲案件圖像中，改進(jìn)的Faster R-CNN擁有著更高的識(shí)別檢測(cè)精度，同時(shí)也解決了重疊目標(biāo)存在漏檢的問(wèn)題。本文還分別從太赫茲安檢圖像中人體的不同角度(正面、側(cè)面)多目標(biāo)有重疊的情況下，對(duì)比了原Faster R-CNN網(wǎng)絡(luò)和改進(jìn)的Faster R-CNN網(wǎng)絡(luò)的檢測(cè)效果，如圖7所示。

圖7 原網(wǎng)絡(luò)與改進(jìn)后的網(wǎng)絡(luò)檢測(cè)太赫茲安檢圖像實(shí)驗(yàn)效果對(duì)比圖

圖7分別展示了原Faster R-CNN網(wǎng)絡(luò)和改進(jìn)的Faster R-CNN網(wǎng)絡(luò)檢測(cè)人體在不同角度(正面、側(cè)面)多目標(biāo)存在重疊的情況下的實(shí)驗(yàn)效果對(duì)比。對(duì)比上圖7中(a)、(b)兩組圖能夠明顯得出改進(jìn)的Faster R-CNN網(wǎng)絡(luò)在檢測(cè)刀、手機(jī)等可疑目標(biāo)時(shí)擁有更高的檢測(cè)精度。同時(shí)，當(dāng)檢測(cè)對(duì)象有遮擋目標(biāo)時(shí)，原網(wǎng)絡(luò)除了檢測(cè)準(zhǔn)確性較低外，還存在漏檢的情況。而改進(jìn)后的Faster R-CNN網(wǎng)絡(luò)對(duì)有遮擋情況的可疑目標(biāo)進(jìn)行檢測(cè)時(shí)，擁有更高的檢測(cè)精度同時(shí)也解決了漏檢的問(wèn)題。進(jìn)一步驗(yàn)證了改進(jìn)的Faster R-CNN網(wǎng)絡(luò)比原網(wǎng)絡(luò)具備更好的識(shí)別檢測(cè)效果。

3 結(jié)論

基于深度學(xué)習(xí)的目標(biāo)檢測(cè)與識(shí)別方法已成為圖像處理、計(jì)算機(jī)視覺(jué)領(lǐng)域的重要研究方向，在人臉識(shí)別、自動(dòng)駕駛、故障檢測(cè)等多個(gè)領(lǐng)域廣泛應(yīng)用。針對(duì)太赫茲安檢圖像訓(xùn)練樣本少、分辨率低導(dǎo) 致檢測(cè)識(shí)別率低的問(wèn)題，本文提出了一種基于改進(jìn)的Faster R-CNN網(wǎng)絡(luò)實(shí)現(xiàn)太赫茲安檢圖像識(shí)別檢測(cè)方法。首先通過(guò)DC-GAN網(wǎng)絡(luò)生成更多的太赫茲安檢圖像，對(duì)原太赫茲安檢圖像數(shù)據(jù)進(jìn)行了有效擴(kuò)充；再將擴(kuò)充后的太赫茲安檢圖像與原太赫茲安檢圖像一起送入ESRGAN網(wǎng)絡(luò)進(jìn)行超分辨、線性變化和閾值處理，使得圖像質(zhì)量以及不同目標(biāo)的區(qū)分度等特征得到了較好的改善；最后針對(duì)傳統(tǒng)Faster-RCNN對(duì)重疊目標(biāo)檢測(cè)能力不足的問(wèn)題，引入了基于加權(quán)函數(shù)的非極大值抑制方法，有效解決了重疊目標(biāo)漏檢的問(wèn)題。實(shí)驗(yàn)證明，改進(jìn)后的Faster R-CNN在對(duì)太赫茲人體安檢圖像進(jìn)行檢測(cè)時(shí)，擁有更高的檢測(cè)準(zhǔn)確性，可適用于機(jī)場(chǎng)、火車(chē)站、大型場(chǎng)館等安檢需求量大、檢測(cè)準(zhǔn)確率要求較高的太赫茲安檢系統(tǒng)中。