主動(dòng)毫米波圖像的人體攜帶危險(xiǎn)物檢測(cè)研究

杜　琨, 王　威, 年　豐,3, 陳　煒, 胡鋒杰

(1. 北京航空航天大學(xué)電子信息工程學(xué)院, 北京 100191; 2. 北京無(wú)線電計(jì)量測(cè)試研究所,北京 100854; 3. 計(jì)量與校準(zhǔn)技術(shù)重點(diǎn)實(shí)驗(yàn)室, 北京 100854)

?

主動(dòng)毫米波圖像的人體攜帶危險(xiǎn)物檢測(cè)研究

杜琨1, 王威2, 年豐2,3, 陳煒1, 胡鋒杰1

(1. 北京航空航天大學(xué)電子信息工程學(xué)院, 北京 100191; 2. 北京無(wú)線電計(jì)量測(cè)試研究所,北京 100854; 3. 計(jì)量與校準(zhǔn)技術(shù)重點(diǎn)實(shí)驗(yàn)室, 北京 100854)

摘要：近距離主動(dòng)毫米波人體成像是檢測(cè)藏匿在人體衣物下危險(xiǎn)品的一種有效手段。針對(duì)主動(dòng)毫米波圖像分辨率高,人體不同部位呈現(xiàn)不同特性,以及人體、其他攜帶物和危險(xiǎn)物特性相互影響和干擾、危險(xiǎn)物檢測(cè)困難的特點(diǎn),提出了一種主動(dòng)毫米波圖像多危險(xiǎn)物檢測(cè)方法;通過(guò)基于人體特征的區(qū)域劃分,采用圖像區(qū)域化的自適應(yīng)閾值圖像分割、結(jié)合數(shù)學(xué)形態(tài)學(xué)的二次提取方法,實(shí)現(xiàn)了主動(dòng)毫米波圖像人體攜帶多危險(xiǎn)物的檢測(cè)和提取。對(duì)實(shí)際獲取的圖像進(jìn)行了多危險(xiǎn)物檢測(cè)實(shí)驗(yàn),檢測(cè)率為84.13%,虛警率為6.61%。仿真實(shí)驗(yàn)結(jié)果表明了所提方法的有效性和實(shí)用性。

關(guān)鍵詞：主動(dòng)毫米波成像; 人體圖像; 圖像分割; 區(qū)域化; 危險(xiǎn)物檢測(cè)

0引言

人體安檢系統(tǒng)分為主動(dòng)式人體安檢系統(tǒng)和被動(dòng)式人體安檢系統(tǒng),被動(dòng)式人體安檢系統(tǒng)[1-13]利用人體的輻射能量進(jìn)行安檢,由于人體自身的輻射能量微弱,所以被動(dòng)式人體安檢系統(tǒng)在數(shù)據(jù)采集和信號(hào)處理方面都是非常復(fù)雜的,這增加了人體安檢系統(tǒng)的難度,降低了人體安檢系統(tǒng)的普遍適用性。近年來(lái),主動(dòng)式安檢系統(tǒng)被廣泛的應(yīng)用,主動(dòng)式安檢系統(tǒng)首先對(duì)人體發(fā)射信號(hào),并接收后向散射信號(hào),其次采用三維重構(gòu)算法成像,最后在一些方向做二維投影,并對(duì)二維圖像進(jìn)行檢測(cè)和識(shí)別來(lái)完成危險(xiǎn)物的檢測(cè)。相對(duì)于被動(dòng)成像系統(tǒng),主動(dòng)成像系統(tǒng)檢測(cè)速度快,不受環(huán)境(溫度和陽(yáng)光)的影響[14]。

對(duì)于主動(dòng)式安檢成像系統(tǒng),在國(guó)外,文獻(xiàn)[15]采用的是波段為14～40 GHz的旋轉(zhuǎn)式掃描成像系統(tǒng),可以檢測(cè)人體攜帶的手機(jī)、鑰匙和手槍,利用神經(jīng)網(wǎng)絡(luò)分類器的方法可以判斷是否存在手槍;文獻(xiàn)[16]使用的是波長(zhǎng)為10～20 GHz的旋轉(zhuǎn)式線陣掃描的主動(dòng)式三維成像系統(tǒng),可以將人體攜帶的手槍和引爆裝置檢測(cè)出來(lái);文獻(xiàn)[17]使用了波段為90～100 GHz的主動(dòng)式旋轉(zhuǎn)線陣掃描的三維成像系統(tǒng),可以檢測(cè)人體攜帶的金屬刀、陶瓷刀和爆竹等危險(xiǎn)物;文獻(xiàn)[18-20]使用高達(dá)600 GHz的太赫茲成像系統(tǒng),通過(guò)一個(gè)旋轉(zhuǎn)的天線陣列獲得二維數(shù)據(jù)后合成三維數(shù)據(jù),可以檢測(cè)在人體以及在模擬人體模型上攜帶的手槍;文獻(xiàn)[21]假設(shè)人體的毫米波圖像服從混合高斯分布,采用期望最大值(expectation-maximization,EM)方法處理圖像。

在國(guó)內(nèi),文獻(xiàn)[22]采用頻率為30～300 GHz的電磁波,研究了人體在三維成像系統(tǒng)下的重構(gòu)算法,并且搭建了高速的主動(dòng)式毫米波近距離圓柱掃描三維成像人體安檢系統(tǒng)。

1毫米波圖像分析

對(duì)毫米波圖像進(jìn)行研究時(shí),人體與物品在毫米波圖像中的特點(diǎn)分析是危險(xiǎn)物檢測(cè)的基礎(chǔ)。

在文獻(xiàn)[23]中,采用頻率為160 GHz和650 GHz的毫米波對(duì)人體不同部位和不同材料進(jìn)行了實(shí)驗(yàn)。實(shí)驗(yàn)對(duì)象為19～56歲的4名男性和1名女性,測(cè)試5個(gè)人的腹部(肚臍上方10 cm處)和背部,實(shí)驗(yàn)材料為AN72吸波材料、牛仔布和羊毛織物,AN72為高碳軸承鋼,屬于金屬材料,牛仔布和羊毛織物屬于普通衣物,從文獻(xiàn)[23]的實(shí)驗(yàn)結(jié)果可以看出,在同一頻率下,人體腹部和背部的后向散射面積(radar cross-section,RCS)與金屬和普通衣物的RCS不在同一范圍內(nèi),分別相差10 dB左右,其中金屬材料的最大,人體居中,普通衣物最小。

圖1為主動(dòng)毫米波近距離圓柱掃描三維成像系統(tǒng)[22]采集的人體毫米波正、背面圖像,為了分析人體和危險(xiǎn)物在毫米波圖像上的不同,方框1、3和4分別標(biāo)識(shí)為金屬材料的危險(xiǎn)物,方框2標(biāo)示為衣物的一部分,從圖像灰度級(jí)上可以看出,人體腹部的灰度級(jí)低于方框1的灰度級(jí),高于方框2內(nèi)的灰度級(jí),人體背部的灰度級(jí)低于方框3和方框4的灰度級(jí)。從而可得,本文實(shí)際獲得的人體攜帶危險(xiǎn)物的毫米波圖像的特點(diǎn)與文獻(xiàn)[23]的結(jié)論相一致。

圖1　人體毫米波圖像

通過(guò)對(duì)實(shí)際獲取的多幅圖像統(tǒng)計(jì)可以得到,圖像灰度值的大小關(guān)系依次為:背景<普通衣物<人體<金屬物品。

2毫米波圖像預(yù)處理

2.1毫米波圖像降噪

本文針對(duì)實(shí)際獲取的人體二維圖像進(jìn)行降噪處理,由于檢測(cè)對(duì)象為人體身上攜帶的危險(xiǎn)物,物品比較小,為了保持物品的結(jié)構(gòu)特征信息,本文采用基于結(jié)構(gòu)檢測(cè)的降噪方法。

結(jié)構(gòu)檢測(cè)的降噪算法[24]是在一個(gè)有限窗內(nèi)對(duì)單點(diǎn)像素進(jìn)行結(jié)構(gòu)檢測(cè)。用對(duì)比度D來(lái)表征結(jié)構(gòu)信息

(1)

式中,T為單點(diǎn)像素的灰度值;var(T)為有限窗內(nèi)該像素的方差;E(T)為有限窗內(nèi)該像素的期望。

本文針對(duì)人體毫米波圖像逐點(diǎn)進(jìn)行降噪處理,圖像中單點(diǎn)像素的降噪方法根據(jù)對(duì)比度D的大小來(lái)確定。當(dāng)D>1時(shí),認(rèn)為該點(diǎn)的RCS在其有限范圍內(nèi)存在明顯的結(jié)構(gòu)特征,為了盡量保持結(jié)構(gòu)特征,維持該點(diǎn)的灰度值不變;當(dāng)D≤1時(shí),采用均值濾波的降噪方法作為該點(diǎn)的RCS估計(jì)值,降噪后的圖像用Ide表示。

原圖像與降噪后圖像像素點(diǎn)灰度值的比值構(gòu)成的圖像稱為比值圖像,可以對(duì)圖像降噪的效果進(jìn)行定量分析[24]。

比值圖像的均值和標(biāo)準(zhǔn)差定義如式(2)和(3)所示。

(2)

(3)

若比值圖像的均值與理想值相差不大時(shí),表明降噪圖像與原圖像的失真程度較小,均值與理想值相差很大時(shí),則降噪圖像與原圖像失真程度較大;比值圖像的標(biāo)準(zhǔn)差比理想值小時(shí),表明降噪圖像與原圖像很接近,標(biāo)準(zhǔn)差比理想值大時(shí),則降噪圖像與原圖像有較大的偏差[24]。

2.2毫米波圖像分割

對(duì)毫米波人體圖像分割時(shí),傳統(tǒng)的圖像分割方法是對(duì)整幅圖像進(jìn)行分割,本文為了增加圖像分割結(jié)果的準(zhǔn)確性,提出了基于區(qū)域的圖像分割算法,區(qū)域是根據(jù)人體特征進(jìn)行劃分的。

2.2.1基于人體特征的區(qū)域劃分

分析主動(dòng)毫米波近距離圓柱掃描三維成像系統(tǒng)采集圖像的示意圖,如圖2所示,成像區(qū)域的大小2m×1m,像素為m×n(m=768,n=320),圖像的縱向分辨率為26mm,橫向分辨率為32mm。圖像中人體的足部位于x軸,人體的軸心與y軸重合。

圖2　人體毫米波圖像示意圖

相對(duì)于主動(dòng)毫米波近距離圓柱掃描三維成像系統(tǒng)的收發(fā)機(jī),人體不是一個(gè)平面,存在凹凸不平的現(xiàn)象,并且由于人體組成和結(jié)構(gòu)的不同,導(dǎo)致人體各個(gè)區(qū)域的灰度值相差比較大,所以對(duì)人體的毫米波圖像進(jìn)行區(qū)域處理是有必要的。本文將人體圖像劃分為5個(gè)區(qū)域:頭部、上身(肩膀至腰部)、臀部、大腿和小腿與足部。由于人的身高具有特異性,所以本文以人體各個(gè)區(qū)域所占人體高度的比例進(jìn)行區(qū)域劃分,在圖3中顯示本文所劃分的5個(gè)區(qū)域在縱向方向上占人體高度的比例。

圖3　人體比例圖

基于人體特征的區(qū)域劃分方法如下,步驟(1)、(2)為確定人體各個(gè)部位縱向和橫向的起始位置,步驟(3)、(4)根據(jù)步驟(1)、(2)確定的人體各個(gè)部位的位置,在降噪后的人體圖像上對(duì)暴露在衣物之外區(qū)域進(jìn)行處理:

(1) 在毫米波圖像中,相對(duì)于人體來(lái)說(shuō),背景信息單一,本文對(duì)降噪后的人體圖像進(jìn)行二值化操作,Ibw表示二值化之后的圖像;

(4)

式中，Gbw表示二值化圖像像素點(diǎn)的灰度值;Gde表示降噪后圖像像素點(diǎn)的灰度值。

(2) 在頭部有輕微傾斜的情況下,頭部?jī)A斜的寬度在30cm左右,即橫向像素在115～205之間為頭部所在區(qū)域,手部所在區(qū)域?yàn)闄M向像素在1～115之間與205～320之間。在由步驟(1)所得到的二值化圖像Ibw上,根據(jù)式(5)和式(6)求出頭部和手部在圖像縱向上的起點(diǎn),并由此根據(jù)圖3中人體各個(gè)部位在縱向方向所占的比例,計(jì)算出人體各個(gè)部分在縱向上的起始位置,如式(7)所示。mha_s為手部在縱向方向上的起點(diǎn)，表示為

(5)

mhe_s為頭部在縱向方向上的起點(diǎn)，表示為

(6)

(7)

式中，mhe_f為頭部在縱向方向上的終點(diǎn);mb_s和mb_f為上身在縱向方向上的起點(diǎn)和終點(diǎn);mw_s和mw_f為臀部在縱向方向上的起點(diǎn)和終點(diǎn);mt_s和mt_f為大腿在縱向方向上的起點(diǎn)和終點(diǎn);mc_s和mc_f為小腿在縱向方向上的起點(diǎn)和終點(diǎn)。

同樣,在由步驟(1)所得到的二值化圖像Ibw上,人體各個(gè)部分在橫向方向的起點(diǎn)和終點(diǎn)位置由式(8)～式(11)計(jì)算得出。

(8)

(9)

(10)

(11)

式中,mb_l和mb_r為上身在橫向方向上的起點(diǎn)和終點(diǎn);mw_l和mw_r為臀部在橫向方向上的起點(diǎn)和終點(diǎn);mt_l和mt_r為大腿在橫向方向上的起點(diǎn)和終點(diǎn);mc_l和mc_r為小腿在橫向方向上的起點(diǎn)和終點(diǎn)。

(3) 從實(shí)際獲取的大量圖像數(shù)據(jù)統(tǒng)計(jì)結(jié)果看,手掌在縱向方向上所占像素為80個(gè)像素左右。本文做圖像處理時(shí),由于頭部和手掌是暴露在衣物外的部位,所以本文暫不予以考慮。將降噪后的圖像上的頭部和手掌區(qū)域置零,記為如式(12)和式(13)所示。

(12)

(13)

(4) 在分析人體臀部部位的正面圖像時(shí),由于皮帶扣一般為金屬制品,如圖4(a)方框所示,會(huì)對(duì)金屬危險(xiǎn)物的檢測(cè)產(chǎn)生干擾,所以本文做圖像分割時(shí)該區(qū)域暫不予以考慮。

圖4　人體毫米波圖像局部放大圖

在分析人體臀部部位的背面圖像時(shí),由于人體的身體結(jié)構(gòu)特點(diǎn),并且對(duì)多幅圖像進(jìn)行統(tǒng)計(jì),圖4(b)方框所示部位是不平坦的,RCS值較大,這會(huì)對(duì)圖像分割和目標(biāo)提取造成干擾,所以本文做圖像分割時(shí)該區(qū)域也暫不予以考慮。

通過(guò)對(duì)圖4(a)和(b)的分析,無(wú)論是臀部的正面圖像還是背面圖像,方框內(nèi)的區(qū)域都位于圖像的橫向中心位置。經(jīng)過(guò)對(duì)多幅實(shí)際獲取圖像的統(tǒng)計(jì),方框內(nèi)區(qū)域在橫向方向上占 30個(gè)像素,根據(jù)式(14)確定臀部圖像的橫向中心位置,并將方框內(nèi)的區(qū)域置零。

(14)

式中,mw_m為臀部橫向中心點(diǎn)的位置。

通過(guò)對(duì)人體圖像各個(gè)區(qū)域的劃分,可以對(duì)人體的上身、臀部、大腿和小腿4個(gè)區(qū)域分別進(jìn)行圖像分割,這樣可以消除不同區(qū)域之間的相互干擾,提高圖像分割的準(zhǔn)確性。

2.2.2基于區(qū)域的圖像分割算法

本文計(jì)算圖像的像素點(diǎn)在有限窗內(nèi)的灰度值的最大差值,如式(15)所示,不僅方便了閾值的選取,而且提高了圖像的對(duì)比度。

Inew=max(I)-min(I)

(15)

式中,Inew為對(duì)比度提高之后的圖像;max(I)為有限窗內(nèi)灰度值的最大值;min(I)為有限窗內(nèi)灰度值的最小值。有限窗的選擇以小窗口為宜,窗口越小,對(duì)比度提高之后,圖像保留的結(jié)構(gòu)特征越準(zhǔn)確,如3×3的窗口。

本文分別對(duì)人體圖像的上身、臀部、大腿和小腿4個(gè)區(qū)域提高其對(duì)比度。圖5為圖1(a)正面圖像上身區(qū)域做對(duì)比度增強(qiáng)的仿真實(shí)驗(yàn)結(jié)果圖,圖5(a)為對(duì)比度增強(qiáng)前的灰度直方圖,圖5(b)為對(duì)比度增強(qiáng)后的灰度直方圖,從而可知,對(duì)比度增強(qiáng)之后圖像的灰度直方圖基本符合雙峰特性,可作為圖像分割閾值選取的基礎(chǔ)。

圖5　對(duì)比度增強(qiáng)前后圖像直方圖

如何確定最佳閾值是圖像分割的一個(gè)關(guān)鍵。如果閾值選取太小,則會(huì)把一些背景的像素當(dāng)作目標(biāo);如果閾值選取得太大,則會(huì)把一些目標(biāo)的像素當(dāng)作背景。當(dāng)圖像的灰度直方圖符合雙峰特性時(shí),最大類間方差法[25]比較適用,此方法為一種自適應(yīng)求取閾值的方法,算法描述為:

(1) 求出圖像中的最小和最大灰度值X1和X2之間波谷相對(duì)應(yīng)的灰度值,作為初始閾值：

(16)

(17)

(18)

式中，X(i,j)為像素點(diǎn)的灰度值；N(i,j)為像素點(diǎn)的個(gè)數(shù)。

(3) 求出新的閾值

(19)

(4) 如果TK+1=TK或者達(dá)到最大的迭代次數(shù),則迭代結(jié)束;否則k=k+1轉(zhuǎn)步驟(2)。本文根據(jù)TK+1=TK作為迭代結(jié)束的條件。

在人體上身、臀部、大腿和小腿四個(gè)區(qū)域?qū)Ρ榷忍岣咧?本文采用自適應(yīng)閾值的圖像分割方法對(duì)不同的區(qū)域進(jìn)行圖像分割,得到了人體的二值化圖像,記為Iseg,在下面的危險(xiǎn)物提取中,危險(xiǎn)物的二次提取算法是對(duì)分割后的圖像Iseg進(jìn)行操作。

3危險(xiǎn)物提取

由于人體可能攜帶多個(gè)危險(xiǎn)物,所以在實(shí)際情況下對(duì)危險(xiǎn)物提取時(shí),要面臨多危險(xiǎn)物提取是否完整和個(gè)數(shù)是否準(zhǔn)確的問(wèn)題。從實(shí)際獲取的毫米波圖像可以看出,多個(gè)危險(xiǎn)物會(huì)出現(xiàn)離得比較近的情況,這會(huì)導(dǎo)致在圖像分割時(shí),把多個(gè)危險(xiǎn)物作為一個(gè)整體分割出來(lái),最終導(dǎo)致危險(xiǎn)物的提取出現(xiàn)錯(cuò)誤。對(duì)于此類情況,本文提出了危險(xiǎn)物二次提取方法。步驟如下:

步驟 1由于人體相對(duì)于主動(dòng)毫米波近距離圓柱掃描三維成像系統(tǒng)的收發(fā)機(jī)不是一個(gè)平面,在人體二值化圖像Iseg上會(huì)出現(xiàn)突出的亮點(diǎn),可以通過(guò)判斷圖像中是否存在孤立的像素點(diǎn)來(lái)消除,如式(20)所示。Idelete為孤立亮點(diǎn)消除后的圖像。

(20)

式中,Gseg表示圖像Iseg上每個(gè)像素點(diǎn)的灰度值;Gdelete表示圖像Idelete上每個(gè)像素點(diǎn)的灰度值。

步驟 2在人體二值化圖像Idelete上,危險(xiǎn)物所在的區(qū)域會(huì)出現(xiàn)分割后危險(xiǎn)物形狀不完整的現(xiàn)象,對(duì)于這種情況,可以采用數(shù)學(xué)形態(tài)學(xué)中的閉運(yùn)算來(lái)彌補(bǔ)狹窄的間斷,填充小的孔洞。通過(guò)大量的仿真實(shí)驗(yàn)得出,選取15×15的方形結(jié)構(gòu)元素進(jìn)行閉運(yùn)算。閉運(yùn)算之后的圖像記為Iclose。

步驟 3對(duì)經(jīng)過(guò)閉運(yùn)算處理后的二值化圖像Iclose,提取圖像中的連通分量,并對(duì)各個(gè)連通分量進(jìn)行目標(biāo)物體的標(biāo)記,記為r(r=1,2,…),r同時(shí)作為該區(qū)域的灰度值,標(biāo)記后的圖像記為Ik,連通分量的提取算法如下:

初始化:B0=連通分量中的某個(gè)點(diǎn);

循環(huán):DoBi+1=(Bi⊕S)∩Iclose；

UntilBi+1==Bi；

S為3×3的方形結(jié)構(gòu)元素。

步驟 4求r個(gè)連通域所在區(qū)域的邊界框的坐標(biāo)mu、md、ml和mr,如式(21)所示,此步為初次提取的結(jié)果。

(21)

步驟 5分別對(duì)各個(gè)邊界框內(nèi)的灰度圖像采用自適應(yīng)閾值的圖像分割方法,再次進(jìn)行步驟1、2和3的操作,最終得到人體攜帶危險(xiǎn)物的二值化圖像的標(biāo)記圖像,記為Imark,圖像中的標(biāo)記號(hào)為c(c=1,2,…), c同時(shí)作為該區(qū)域的灰度值,灰度值用Gm表示,Gm=c(c=1,2,…)。

步驟 6對(duì)步驟5得到的標(biāo)記圖像,通過(guò)步驟4找到各個(gè)連通域所在區(qū)域的邊界框,按照式(22)計(jì)算邊界框的中心位置mo(x,y),即為危險(xiǎn)物在人體毫米波圖像中所在的位置。

(22)

為了方便后續(xù)危險(xiǎn)物的識(shí)別,根據(jù)式(23)將各個(gè)危險(xiǎn)物的灰度圖像和二值化圖像提取出來(lái),提取之后的圖像分別記為Ic和Ibw_c。

(23)

式中,Gc和Gbw分別為圖像Ic和Ibw_c的灰度值。

通過(guò)上述對(duì)多危險(xiǎn)物提取方法的研究,確定了多個(gè)危險(xiǎn)物在人體毫米波圖像中的位置,并且將各個(gè)危險(xiǎn)物提取出來(lái)。

人體攜帶危險(xiǎn)物的毫米波圖像上危險(xiǎn)物檢測(cè)算法的原理圖如圖6所示。

圖6　圖像處理原理示意圖

4仿真實(shí)驗(yàn)及分析

本文利用主動(dòng)毫米波近距離圓柱掃描三維成像系統(tǒng)中獲得的人體攜帶多個(gè)危險(xiǎn)物的毫米波圖像,對(duì)圖像進(jìn)行了圖像降噪、圖像分割和多危險(xiǎn)物提取的仿真實(shí)驗(yàn)。

4.1圖像降噪算法仿真

采用大小不同的窗口對(duì)圖像降噪會(huì)得到不同的平滑效果,本文分別使用3×3、5×5和7×7方形窗口對(duì)圖7(a)所示的圖像進(jìn)行了基于結(jié)構(gòu)檢測(cè)的圖像降噪算法仿真實(shí)驗(yàn),結(jié)果如圖7所示。

圖7　結(jié)構(gòu)檢測(cè)降噪方法

根據(jù)式(2)和式(3)計(jì)算比值圖像的均值和標(biāo)準(zhǔn)差,對(duì)大量數(shù)據(jù)進(jìn)行計(jì)算統(tǒng)計(jì)后,窗口大小為3×3時(shí),比值圖像均值為1.002 9,窗口大小為5×5時(shí),比值圖像均值為1.003 7,窗口大小為7×7時(shí),比值圖像均值為1.003 7,可以看出,采用3個(gè)不同大小的窗口進(jìn)行降噪,比值圖像的均值與理想值均相差不大,說(shuō)明降噪圖像和原圖像的失真不大,在窗口大小為3×3時(shí),與理想值最相近;窗口大小為3×3時(shí)的標(biāo)準(zhǔn)差為0.041 7,同時(shí)也小于標(biāo)準(zhǔn)差的理想值,說(shuō)明降噪圖像與原圖像很接近。從而可以確定采用3×3的窗口,圖像的降噪效果較好。這是由于在窗口較小的情況下,圖像灰度值比較均勻區(qū)域的像素點(diǎn)與非均勻區(qū)域像素點(diǎn)的相互影響比較小,所以本文采用3×3的窗口對(duì)圖像進(jìn)行降噪處理。

4.2圖像分割算法仿真

在進(jìn)行毫米波圖像分割算法仿真實(shí)驗(yàn)時(shí),首先進(jìn)行圖像對(duì)比度提高的仿真實(shí)驗(yàn),然后進(jìn)行基于區(qū)域劃分的圖像分割的仿真實(shí)驗(yàn)。

4.2.1圖像對(duì)比度提高算法仿真

對(duì)于圖像中邊緣結(jié)構(gòu)明顯的區(qū)域,提高圖像的對(duì)比度可以增加圖像中的邊緣結(jié)構(gòu)的灰度差值。本文采用3×3、5×5和7×7窗口對(duì)第4.1節(jié)降噪后的人體圖像進(jìn)行圖像對(duì)比度提高的仿真實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果如圖8所示。

圖8　圖像對(duì)比度提高方法比較(人體上身放大圖)

從圖8的結(jié)果來(lái)看,窗口選取越小,圖像邊緣越清晰,對(duì)比度越高。這是由于非邊緣處像素點(diǎn)與邊緣處像素點(diǎn)在小窗口下產(chǎn)生相互影響的幾率很小。所以本文采用3×3的窗口對(duì)人體各個(gè)部分的圖像提高其對(duì)比度。

4.2.2基于區(qū)域的圖像分割算法仿真

對(duì)于對(duì)比度提高之后的人體圖像,本文分別做了基于區(qū)域劃分的自適應(yīng)圖像分割方法和整體圖像分割方法的仿真實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果如圖9所示。

圖9　圖像分割算法效果圖

從圖9可以看出,整體圖像分割方法將沒(méi)有危險(xiǎn)物存在的臀部部位分割出來(lái),圖像分割結(jié)果不準(zhǔn)確;基于區(qū)域劃分的自適應(yīng)圖像分割算法對(duì)危險(xiǎn)物信息的提取相對(duì)完整,背景信息相對(duì)較少,圖像分割結(jié)果準(zhǔn)確。所以本文對(duì)降噪后的人體毫米波圖像采用基于區(qū)域劃分的自適應(yīng)圖像分割方法。

4.3多危險(xiǎn)物提取算法仿真

本文對(duì)經(jīng)4.2圖像分割得到的人體二值化圖像采用二次提取危險(xiǎn)物的提取方法進(jìn)行仿真實(shí)驗(yàn),提取出的危險(xiǎn)物在人體的灰度圖像上用方框標(biāo)識(shí)出來(lái),結(jié)果如圖10所示。

圖10　人體攜帶危險(xiǎn)物提取結(jié)果

從圖10(b)可以看出,人體攜帶的危險(xiǎn)物如方框標(biāo)識(shí)所示,與圖10(a)初次提取的結(jié)果相比,圖10(b)正確標(biāo)識(shí)了危險(xiǎn)物的位置和個(gè)數(shù),由此可見,本文提出的二次提取的危險(xiǎn)物檢測(cè)方法是正確的。

本文對(duì)多幅實(shí)際獲取的圖像數(shù)據(jù)進(jìn)行了仿真實(shí)驗(yàn),包含正面和背面圖像,如圖11所示。多個(gè)危險(xiǎn)物提取的實(shí)驗(yàn)結(jié)果如圖12所示。

圖11　人體的毫米波圖像

通過(guò)對(duì)人體攜帶危險(xiǎn)物的檢測(cè)率和虛警率統(tǒng)計(jì)(檢測(cè)率=正確標(biāo)記的危險(xiǎn)物個(gè)數(shù)/人體攜帶的危險(xiǎn)物個(gè)數(shù),虛警率=錯(cuò)誤標(biāo)記的危險(xiǎn)物個(gè)數(shù)/標(biāo)記的危險(xiǎn)物個(gè)數(shù)),圖像中危險(xiǎn)物位于人體上身時(shí)的檢測(cè)率為92.72%,虛警率為8.08%;危險(xiǎn)物位于人體下身(包括臀部、大腿、小腿和足部)時(shí)的檢測(cè)率為82.19%,虛警率為2.22%。危險(xiǎn)物在相對(duì)平坦的區(qū)域即上身時(shí)的檢測(cè)率比較高,危險(xiǎn)物在下身時(shí),由于膝蓋等處的結(jié)構(gòu)復(fù)雜,所以檢測(cè)率相對(duì)上身較低。表1和表2分別列出了不同種類的危險(xiǎn)物位于上身和下身的檢測(cè)率統(tǒng)計(jì)結(jié)果。人體攜帶危險(xiǎn)物的總檢測(cè)率為84.13%,虛警率為6.61%。由此可以得出,本文所提基于圖像區(qū)域化的分割方法和二次提取危險(xiǎn)物方法是可行的。

圖12　多危險(xiǎn)物提取結(jié)果

人體上身危險(xiǎn)物種類金屬類塑料類電池優(yōu)盤檢測(cè)率/%91.8081.8288.8985.71

表2　人體下身危險(xiǎn)物檢測(cè)率

5結(jié)論

本文在分析毫米波圖像特點(diǎn)的基礎(chǔ)上,提出了基于區(qū)域劃分的圖像分割方法和危險(xiǎn)物二次提取的人體毫米波圖像危險(xiǎn)物檢測(cè)和提取方法,通過(guò)對(duì)實(shí)際獲取的人體毫米波圖像實(shí)驗(yàn),仿真結(jié)果驗(yàn)證了本文所提方法的正確性,上述研究工作為進(jìn)一步研究人體毫米波圖像危險(xiǎn)物的識(shí)別奠定了基礎(chǔ)。

參考文獻(xiàn)：

[1] Kolinko V G, Lin S H, Shek A, et al. A passive millimeter-wave imaging system for concealed weapons and explosives detection[C]∥Proc.oftheDefenseandSecurity.InternationalSocietyforOpticsandPhotonics, 2005: 85-92.

[2] Kemp M C. Millimetre wave and terahertz technology for the detection of concealed threats: a review[C]∥Proc.oftheInternationalSocietyforOpticalEngineering, 2006:64020D-1-64020D-19.

[3] Stanko S, N?tel D, Huck J, et al. Millimeter wave imaging for concealed weapon detection and surveillance at up to 220 GHz[C]∥Proc.oftheSPIEDefenseandSecurity,Symposium,InternationalSocietyforOpticsandPhotonics,2008:69480 N-1-69480N-7.

[4] Sato H, Sawaya K, Mizuno K, et al. Passive millimeter-wave imaging for security and safety applications[C]∥Proc.oftheSPIEDefense,Security,andSensing, 2010:76710V-1-76710V-11.

[5] Lee D S, Yeom S, Son J Y, et al. Image segmentation of concealed objects detected by passive millimeter wave imaging[C]∥Proc.ofthe34thIEEEInternationalConferenceonInfrared,Millimeter,andTerahertzWaves, 2009:1-2.

[6] Lee H, Yeom S, Son J Y, et al. Image registration and fusion of MMW and visual images for concealed object detection[C]∥Proc.oftheSPIEDefense,Security,andSensing, 2010:76700H-1-76700H-7.

[7] Yeom S, Lee D S, Son J Y. Multi-level segmentation of passive millimeter wave images with Gaussian mixture modeling[C]∥Proc.oftheSPIEDefense,Security,andSensing, 2011:80230D-1-80230D-6.

[8] Lee D S, Yeom S, Son J Y, et al. Multi-channel millimeter wave image registration and segmentation for concealed object detection[C]∥Proc.oftheSPIEDefense,Security,andSensingInternationalSocietyforOpticsandPhotonics, 2010:76662U-1-76662U-6.

[9] Lee D S, Yeom S, Son J Y, et al. Automatic image segmentation for concealed object detection using the expectation-maximization algorithm[J].OpticsExpress, 2010, 18(10): 10659-10667.

[10] Yeom S, Lee D S, Son J Y, et al. Concealed object detection using passive millimeter wave imaging[C]∥Proc.ofthe4thInternationalIEEEUniversalCommunicationSymposium, 2010: 383-386.

[11] Lee H, Yeom S, Son J Y, et al. Image registration and fusion of MMW and visual images for concealed object detection[C]∥Proc.oftheSPIEDefense,Security,andSensing, 2010:76700H-1-76700H-7.

[12] Yeom S, Lee D S, Lee H, et al. Three-dimensional passive millimeter-wave imaging and depth estimation[C]∥Proc.oftheThree-DimensionalImaging,Visualization,andDisplayandDisplayTechnologiesandApplicationsforDefense,Security,andAvionicsIV, 2010:76900W-1-76900W-6.

[13] Yeom S, Lee D S, Son J Y, et al. Real-time outdoor concealed-object detection with passive millimeter wave imaging[J].OpticsExpress, 2011,19(3):2530-2536.

[14] Sang W, Yue S L. Millimeter-wave imaging technology in the human security[J].ChinaSecurity,2013,4:83-87.(桑偉,岳勝利.毫米波成像技術(shù)在人體安全檢查領(lǐng)域的應(yīng)用[J].中國(guó)安防,2013,4:83-87.)

[15] Andrews D A, Bowring N, Rezgui N D, et al. A multifaceted active swept millimetre-wave approach to the detection of concealed weapons[C]∥Proc.oftheSPIEEuropeSecurityandDefenceInternationalSocietyforOpticsandPhotonics, 2008:711707-1-711707-10.

[16] Sheen D M, Hall T E. Calibration, reconstruction, and rendering of cylindrical millimeter-wave image data[C]∥Proc.oftheSPIEDefense,Security,andSensingInternationalSocietyforOpticsandPhotonics, 2011:80220H-1-80220H-12.

[17] Bertl S, Detlefsen J. Effects of a reflecting background on the results of active MMW SAR imaging of concealed objects[J].IEEETrans.onGeoscienceandRemoteSensing,2011,49(10):3745-3752.

[18] Cooper K B, Dengler R J, Llombart N, et al. Concealed object contrast enhancement using radar methods in a submillimeter-wave active imager[C]∥Proc.ofthe33rdIEEEInternationalConferenceonInfrared,MillimeterandTerahertzWaves, 2008: 1-2.

[19] Cooper K B, Dengler R J, Llombart N, et al. An approach for sub-second imaging of concealed objects using terahertz (THz) radar[J].JournalofInfrared,Millimeter,andTerahertzWaves, 2009, 30(12): 1297-1307.

[20] Bryllert T, Cooper K B, Dengler R J, et al. A 600 GHz imaging radar for concealed objects detection[C]∥Proc.oftheIEEERadarConference, 2009: 1-3.

[21] Haworth C D, De Saint-Pern Y, Clark D, et al. Detection and tracking of multiple metallic objects in millimetre-wave images[J].InternationalJournalofComputerVision,2007,71(2):183-196.

[22] Wen X, Huang P K, Nian F, et al. Active millimeter-wave near-field cylindrical scanning three-dimensional imaging system[J].SystemsEngineeringandElectronics, 2013,35(6):1044-1049. (溫鑫,黃培康,年豐,等.主動(dòng)式毫米波近距離圓柱掃描三維成像系統(tǒng)[J].系統(tǒng)工程與電子技術(shù),2013,35(6):1044-1049.)

[23] Chamberlin R A, Mujica-Schwahn N, Grossman E N. 650 GHz bistatic scattering measurements on human skin[C]∥Proc.oftheSPIEDefenseSecurity, 2014:90780B-1-90780B-14.

[24] Oliver C, Quegan S.Understandingsyntheticapertureradarimages[M].Beijing: Publishing House of Electrcnics Industry,2009:54-62.(Oliver C,Quegan S.合成孔徑雷達(dá)圖像理解[M].北京:電子工業(yè)出版社,2009.)

[25] Otsu N.A threshold selection method from gray-level histograms[J].IEEETrans.onSystems,ManandCybernetics, 1979, 9(1):62-66.

杜琨(1983-),女,博士研究生,主要研究方向?yàn)槔走_(dá)信號(hào)處理。

E-mail:by0902103@buaa.edu.cn

王威(1984-),男,工程師,碩士研究生,主要研究方向?yàn)閳D像處理、系統(tǒng)集成。

E-mail:buaaeeww@163.com

年豐(1974-),男,研究員,博士,主要研究方向?yàn)殡姶艌?chǎng)與微波技術(shù)。

E-mail:13146677988@wo.com.cn

陳煒(1963-),男,副教授,博士,主要研究方向?yàn)榘ㄐ盘?hào)與信息處理、多傳感器信息融合、數(shù)字圖像處理、智能信息處理。

E-mail:chenw203@sina.com

胡鋒杰(1989-),男,碩士,主要研究方向?yàn)镾AR圖像處理。

E-mail:hufengjie@hikvision.com

Concealed objects detection in active millimeter-wave images

DU Kun1, WANG Wei2, NIAN Feng2,3, CHEN Wei1, HU Feng-jie1

(1.SchoolofElectronicsandInformationEngineering,BeihangUniversity,Beijing100191,China;2.BeijingInstituteofRadioMetrologyandMeasurement,Beijing100854,China;3.ScienceandTechnologyonMetrologyandCalibrationLaboratory,Beijing100854,China)

Abstract:Active millimeter-wave near-filed human imaging is a means for concealed objects detection. A method of concealed objects detection in the usage of active millimeter-wave images is presented as a result of image characteristics which include high resolution, characteristics varying in different parts of the human, imaging influenced among human, concealed objects and other objects, and difficulties in concealed objects detection. By dividing images according to human regional characteristics, this method applies image adaptive threshold segmentation and re-extraction with the mathematical morphology to detect concealed objects. The experiments of concealed objects on images of actual acquisition are conducted with a result of accurate rate 84.13% and false alarm rate 6.61%, illustrating the effectiveness and practicality of the proposed method.

Keywords:active millimeter-wave imaging; human images; image segmentation; regionalization; concealed objects detection

收稿日期：2015-05-29；修回日期：2015-12-30；網(wǎng)絡(luò)優(yōu)先出版日期：2016-03-03。

中圖分類號(hào)：TP 391.9

文獻(xiàn)標(biāo)志碼：A

DOI:10.3969/j.issn.1001-506X.2016.06.37

作者簡(jiǎn)介：

網(wǎng)絡(luò)優(yōu)先出版地址：http://www.cnki.net/kcms/detail/11.2422.TN.20160303.1709.012.html