[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN102629315B - 一种隐匿物品的自动检测和识别装置 - Google Patents

一种隐匿物品的自动检测和识别装置 Download PDF

Info

Publication number
CN102629315B
CN102629315B CN201210050329.XA CN201210050329A CN102629315B CN 102629315 B CN102629315 B CN 102629315B CN 201210050329 A CN201210050329 A CN 201210050329A CN 102629315 B CN102629315 B CN 102629315B
Authority
CN
China
Prior art keywords
human body
module
image
target
original image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201210050329.XA
Other languages
English (en)
Other versions
CN102629315A (zh
Inventor
王凯让
王威
年丰
方维海
温鑫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Radio Metrology and Measurement
Original Assignee
Beijing Institute of Radio Metrology and Measurement
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Radio Metrology and Measurement filed Critical Beijing Institute of Radio Metrology and Measurement
Priority to CN201210050329.XA priority Critical patent/CN102629315B/zh
Publication of CN102629315A publication Critical patent/CN102629315A/zh
Application granted granted Critical
Publication of CN102629315B publication Critical patent/CN102629315B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Image Processing (AREA)

Abstract

本发明公开了一种隐匿物品的自动检测和识别装置,包括:扫描模块、调整模块、分割定位模块、条棒结合模型生成模块、非人体目标初步检测模块、非人体目标分布模块、类别辨识模块。通过本发明的隐匿物品的自动检测和识别的方法,实现了将隐匿物品的检测和识别从人工变为自动,降低了人员的使用要求,减小了人为误差,缩短了检测判读时间。

Description

一种隐匿物品的自动检测和识别装置
技术领域
本发明涉及安检领域的检测技术,更具体地,本发明涉及基于毫米波成像的一种隐匿物品的自动检测和识别装置。
背景技术
在安检领域中,针对人体及其隐匿物品的检测,有如下多种方式:金属探测器、X光透视、红外检测以及毫米波检测等。金属探测器是通过电磁感应来实现,只能判断金属物的有无,不能成像或确定物体位置。X光透视设备具有很强的穿透性,一般用于针对行李物品的检测,如直接对人体检测会对人危险较大,因此安检中一般很少用于对人体检测。红外检测是利用物体的热辐射特性来进行成像,安检中可用于对人体的检测。红外图像中的物体的亮度主要取决于物体的温度和辐射的热量及物体的表面辐射特性,其特点是没有显著的棱角、边缘信息,其边缘线条圆滑,灰度变化缓慢,对物体的形状细节和微小的姿态变化不敏感。这些特点使得对红外图像中的人体进行检测具有一定的困难。
毫米波(3GHz-300GHz)是一种介于光波和无线电波之间的电磁波。毫米波可以穿透所有衣物布料,且人体辐射的毫米波能量较金属、陶瓷、塑料炸药、粉状炸药及衣物、绝缘材料等要强,利用主/被动毫米波技术能够探测出隐藏在人体表面的各种刀具、枪支、爆炸物等违禁物品。由于比金属探测技术能力更强,比射线技术更安全,近10年来人体毫米波安检技术得到快速发展。被动型的焦平面阵列扫描技术、多波束频率扫描技术和主动型的三维全息毫米波技术相继得到试验和应用。利用主动毫米波安检设备对人体成像后,图像中可以较清晰的显示人体特征以及人体携带的多种物品。
首先,毫米波安检中,人体图像的分析是重要组成环节。人体毫米波成像以后,如何对人体图像进行检测分析,是安检系统实现目标检测自动化的基础,是后续处理中对隐匿物品位置在人体上的标示以及对人体图像隐私保护的基础。
其次,在毫米波成像之后如何对隐匿物品进行检测及在人体上的标示,现有技术中是通过人工分析的方法,其中图像增强技术和多帧比较技术在人工分析中得到应用,但需要通过专业人士的解读分析,方可实现对隐匿物品的辨识和定位。尽管基于灰度多阈值、边界提取、边缘检测、区域分割、小波变换、形态学、模糊数学、遗传算法、神经网络、信息熵等方法的图像分割技术在隐匿物品的自动检测中得到尝试和应用,但是由于与人类视觉机理相脱节,仅利用图像中的灰度和空间信息对图像进行分割,仍会产生和人类视觉不一致的情况。而基于人体先验模型的定位分析方法,在人体的运动跟踪中得到应用,降低了跟踪的复杂程度,其中主要包括如图32所示的条带模型、图33的棒状模型等,但是由于条状模型只包含人体轮廓信息,如结构、形状、姿态等,而棒状模型只包含人体各个关节点,都只能限于人体的检测,尚不能直接解决隐匿物品在人体的自动检测和识别问题。
第三,通过毫米波扫描成像,可以检测人体上的隐匿物品信息,但同时会造成人体隐私(如面部和隐私部位)的暴露和显示,毫米波成像后如何对图像进行分析处理,显示隐匿物品前屏蔽人体的隐私信息也是安检系统中需要解决的一项技术问题。
发明内容
本发明目的在于提供一种基于毫米波成像的人体检测方法和装置,实现在毫米波扫描中对人体各部位的识别和定位。
该方法包括以下步骤:对被检人员进行毫米波扫描获得原始图像;对所述原始图像进行调整获得目标图像;根据所述目标图像进行人体部位的分割和定位;生成人体模型。
进一步地,所述根据所述目标图像进行人体部位的分割和定位还包括以下子步骤:确定人体的竖直中心线;确定所述目标图像人体各关键点的坐标并获得人体各部位之间的水平分割线;确定人体各部位的宽度和斜率。
进一步地,所述生成人体模型包括:根据所述各关键点的坐标、所述人体各部位的宽度和斜率,获得以矩形和/或平行四边形组成的人体模型。
进一步地,所述对所述原始图像进行调整获得目标图像还包括以下子步骤:对所述原始图像进行预处理获得初步去噪图像;对所述初步去噪图像进行二值化获得初步二值图像;对所述初步二值图像进行再处理获得所述目标图像。
进一步地,所述对所述原始图像进行预处理获得初步去噪图像进一步包括以下子步骤:所述原始图像与背景图像灰度值进行差值运算;图像平滑处理;线性灰度变换。
进一步地,所述对所述初步去噪图像进行二值化获得初步二值图像是利用脉冲耦合神经网络算法以熵最大为准则选取二值化的阈值。
进一步地,所述对所述初步二值图像进行再处理获得所述目标图像是通过形态学滤波。
进一步地,所述通过形态学滤波包括:使用边长为5的正方形结构元素进行腐蚀运算消除人体外的明亮噪声点;使用边长为4的正方形结构元素进行开运算保持图像大小的同时消除人体边缘的孤立区域和毛刺;使用边长为4的正方形结构元素进行闭运算保持图像大小的同时填充人体内的细小空洞,并且平滑人体的边缘;使用边长为5的正方形结构元素进行膨胀运算使图像恢复到原大小。
进一步地,所述对所述原始图像进行预处理获得初步去噪图像还包括以下子步骤:对所述原始图像进行图像增强。
相应地,本发明的基于毫米波成像的人体检测装置,包括:扫描模块,用于对被检人员进行毫米波扫描获得原始图像;调整模块,用于对所述原始图像进行调整获得目标图像;分割定位模块,用于根据所述目标图像进行人体部位的分割和定位;人体模型生成模块,用于生成人体模型。
进一步地,所述分割定位模块还包括以下子模块:竖直中心线模块,用于确定人体的竖直中心线;坐标水平线模块,用于确定所述目标图像人体各关键点的坐标并获得人体各部位之间的水平分割线;宽度斜率模块,用于确定人体各部位的宽度和斜率。
进一步地,所述人体模型生成模块进一步用于根据所述各关键点的坐标、所述人体各部位的宽度和斜率,获得以矩形和/或平行四边形组成的人体模型。
进一步地,所述调整模块还包括以下子模块:预处理模块,用于对所述原始图像进行预处理获得初步去噪图像;二值化模块,用于对所述初步去噪图像进行二值化获得初步二值图像;再处理模块,用于对所述初步二值图像进行再处理获得所述目标图像。
进一步地,所述预处理模块进一步包括以下单元:
差值运算单元,用于将所述原始图像与背景图像灰度值进行差值运算;平滑处理单元,用于进行图像平滑处理;线性变化单元,用于进行线性灰度变换。
进一步地,所述二值化模块进一步利用脉冲耦合神经网络算法以熵最大为准则选取二值化的阈值。
进一步地,所述再处理模块进一步通过形态学滤波进行再处理。
进一步地,所述通过形态学滤波包括:使用边长为5的正方形结构元素进行腐蚀运算消除人体外的明亮噪声点;使用边长为4的正方形结构元素进行开运算保持图像大小的同时消除人体边缘的孤立区域和毛刺;使用边长为4的正方形结构元素进行闭运算保持图像大小的同时填充人体内的细小空洞,并且平滑人体的边缘;使用边长为5的正方形结构元素进行膨胀运算使图像恢复到原大小。
进一步地,所述预处理模块还包括:图像增强单元,用于对所述原始图像进行图像增强。
通过本发明的基于毫米波成像的人体检测方法和装置,实现了对毫米波图像中对人体部分的识别和处理,为后续检验隐匿物品及隐私保护提供了基础。
本发明目的还在于提供一种隐匿物品的自动检测和识别方法和装置实现在毫米波扫描中对隐匿物品在人体上分布的定位和识别由人工变为自动,降低人员的使用要求。
所述隐匿物品的自动检测和识别方法,包括以下步骤:对被检人员进行毫米波扫描获得原始图像;对所述原始图像进行调整获得目标图像;根据所述目标图像进行人体部位的分割和定位;生成条棒结合模型;根据所述原始图像对非人体目标进行检测,获得非人体目标分布原始图像;利用所述条棒结合模型获得所述非人体目标分布原始图像相对于人体的位置分布信息;对所述非人体目标进行类别辨识并显示隐匿物品相对于人体的位置分布信息。
进一步地,所述生成条棒结合模型包括以下子步骤:生成提供人体各关键点的棒状模型;生成提供人体轮廓信息的条带模型;结合所述棒状模型和所述条带模型,生成条棒结合模型。
进一步地,所述根据所述原始图像对非人体目标进行检测,获得非人体目标分布原始图像包括以下子步骤:对所述原始图像进行边缘检测,初步识别非人体目标;通过数学形态学运算突出显示非人体目标分布区域;根据所述非人体目标分布区域的边界选取最小外切矩形获得非人体目标规则区域分布图;融合所述非人体目标规则区域分布图和所述原始图像,获得所述非人体目标原始图像。
进一步地,所述利用所述条棒结合模型获得所述非人体目标分布原始图像相对于人体的位置分布信息是通过将所述非人体目标分布原始图像输入到所述条棒结合模型上。
进一步地,所述对所述非人体目标进行类别辨识并显示隐匿物品相对于人体的位置分布信息包括以下子步骤:对人体裸露部位进行定位;将分布在人体裸露部位上的非人体目标确定为非隐匿物品,将分布在人体裸露部位之外的非人体目标确定为隐匿物品;剔除所述非隐匿物品的原始图像并显示隐匿物品原始图像在所述条棒结合模型上的分布信息。
相应地,本发明的隐匿物品的自动检测和识别装置,包括:扫描模块,用于对被检人员进行毫米波扫描获得原始图像;调整模块,用于对所述原始图像进行调整获得目标图像;分割定位模块,用于根据所述目标图像进行人体部位的分割和定位;条棒结合模型生成模块,用于生成条棒结合模型;非人体目标初步检测模块,用于根据所述原始图像对非人体目标进行检测,获得非人体目标分布原始图像;非人体目标分布模块,用于利用所述条棒结合模型获得所述非人体目标分布原始图像相对于人体的位置分布信息;类别辨识模块,用于对所述非人体目标进行类别辨识并显示隐匿物品相对于人体的位置分布信息。
进一步地,所述条棒结合模型生成模块包括以下子模块:棒状模型生成模块,用于生成提供人体各关键点的棒状模型;条带模型生成模块,用于生成提供人体轮廓信息的条带模型;结合模块,用于结合所述棒状模型和所述条带模型。
进一步地,所述非人体目标初步检测模块包括以下子模块:边缘检测模块,用于对所述原始图像进行边缘检测,初步识别非人体目标;突出显示模块,用于通过数学形态学运算突出显示非人体目标分布区域;规则化模块,用于根据所述非人体目标分布区域的边界选取最小外切矩形获得非人体目标规则区域分布图;融合模块,用于融合所述非人体目标规则区域分布图和所述原始图像,获得所述非人体目标原始图像。
进一步地,所述非人体目标分布模块是通过将所述非人体目标分布原始图像输入到所述条棒结合模型上。
进一步地,所述类别辨识模块包括以下子模块:裸露部位定位模块,用于对人体裸露部位进行定位;分类模块,用于将分布在人体裸露部位上的非人体目标确定为非隐匿物品,将分布在人体裸露部位之外的非人体目标确定为隐匿物品;显示模块,用于剔除所述非隐匿物品的原始图像并显示隐匿物品原始图像在所述条棒结合模型上的分布信息。
通过本发明的隐匿物品的自动检测和识别的方法和装置,实现了将隐匿物品的检测和识别从人工变为自动,降低了人员的使用要求,减小了人为误差,缩短了检测判读时间。
本发明目的还在于提供一种基于毫米波成像的隐私保护方法和装置,实现了毫米波扫描中对被检人员的隐私保护。
本发明的基于毫米波成像的隐私保护方法,包括以下步骤:对被检人员进行毫米波扫描获得原始图像;根据所述原始图像进行人体检测和隐匿物品检测;确定人体的隐私部位;对人体的隐私部位进行屏蔽并标示出人体上的隐匿物品信息。
进一步地,所述确定人体的隐私部位包括:判断被检人员的性别,当被检人员为男性时,头部区域和人体腰部向下躯干宽度1/2的区域确定为隐私部位,当被检人员为女性时,人体头部区域、人体腰部向下躯干宽度1/2的区域以及人体躯干从躯干上端向下至躯干高度1/2的区域为隐私部位。
进一步地,所述对人体的隐私部位进行屏蔽并标示出人体上的隐匿物品信息包括:在所述原始图像上对隐私部位进行模糊化处理形成部分模糊化原始图像;在所述部分模糊化原始图像上将所述隐匿物品用标示框划出。
进一步地,所述对人体的隐私部位进行屏蔽并标示出人体上的隐匿物品信息包括:选择所述人体检测中的目的图像;判断隐匿物品是否处于人体的隐私部位,如果是,则使用与人体颜色不同的色彩块表示隐匿物品并在所述目的图像上标示;如果否,则将隐匿物品的原始图像显示在所述目的图像上。
进一步地,所述对人体的隐私部位进行屏蔽并标示出人体上的隐匿物品信息包括:在所述原始图像上对人体进行全部模糊化处理形成全部模糊化原始图像;判断隐匿物品是否处于人体的隐私部位,如果是,则使用与人体颜色不同的色彩块表示隐匿物品并在所述全部模糊化原始图像上标示;如果否,则将隐匿物品的原始图像显示在所述全部模糊化原始图像上。
进一步地,所述对人体的隐私部位进行屏蔽并标示出人体上的隐匿物品信息包括:选择所述人体检测中的人体模型;使用与人体模型颜色不同的色彩块表示隐匿物品并在所述人体模型上标示。
相应地,本发明的基于毫米波成像的隐私保护装置包括:扫描模块,用于对被检人员进行毫米波扫描获得原始图像;检测装置,用于根据所述原始图像进行人体检测和隐匿物品检测;隐私部位确定模块,用于确定人体的隐私部位;隐私屏蔽模块,用于对人体的隐私部位进行屏蔽并标示出人体上的隐匿物品信息。
进一步地,所述隐私部位确定模块进一步用于:判断被检人员的性别,当被检人员为男性时,头部区域和人体腰部向下躯干宽度1/2的区域确定为隐私部位,当被检人员为女性时,人体头部区域、人体腰部向下躯干宽度1/2的区域以及人体躯干从躯干上端向下至躯干高度1/2的区域为隐私部位。
进一步地,所述隐私屏蔽模块进一步包括以下子模块:部分模糊化模块,用于在所述原始图像上对隐私部位进行模糊化处理形成部分模糊化原始图像;第一标示模块,用于在所述部分模糊化原始图像上将所述隐匿物品用标示框划出。
进一步地,所述隐私屏蔽模块进一步包括:选择目的图像模块,用于选择所述人体检测中的目的图像;第二标示模块,用于判断隐匿物品是否处于人体的隐私部位,如果是,则使用与人体颜色不同的色彩块表示隐匿物品并在所述目的图像上标示;如果否,则将隐匿物品的原始图像显示在所述目的图像上。
进一步地,所述隐私屏蔽模块进一步包括:全部模糊化模块,用于在所述原始图像上对人体进行全部模糊化处理形成全部模糊化原始图像;第三标示模块,用于判断隐匿物品是否处于人体的隐私部位,如果是,则使用与人体颜色不同的色彩块表示隐匿物品并在所述全部模糊化原始图像上标示;如果否,则将隐匿物品的原始图像显示在所述全部模糊化原始图像上。
进一步地,所述隐私屏蔽模块进一步包括:选择模型模块,用于选择所述人体检测中的人体模型;第四标示模块,用于使用与人体模型颜色不同的色彩块表示隐匿物品并在所述人体模型上标示。
通过本发明的基于毫米波成像的隐私保护方法和装置,避免了检测隐匿物品时对人体隐私的暴露,实现了对人体隐私部位的有效保护。
附图说明
下面将参照附图并结合实施例对本发明进行具体说明。
图1为基于毫米波成像的人体检测方法基本流程图;
图2为基于毫米波成像的人体检测装置基本结构图;
图3为原始图像;
图4为初步去噪图像;
图5为初步二值图像;
图6为基于毫米波成像的人体检测方法中步骤S2的流程图;
图7为基于毫米波成像的人体检测装置中调整模块的结构示意图;
图8为目的图像;
图9为人体骨干图;
图10为人体分割效果图;
图11为基于毫米波成像的人体检测方法中步骤S3的流程图;
图12为基于毫米波成像的人体检测装置中分割定位模块的结构示意图;
图13为基于毫米波成像的人体检测方法和装置中获得的人体模型图;
图14为人体模型图与原始图像的对应效果图;
图15为隐匿物品的自动检测和识别方法的基本流程图;
图16为隐匿物品的自动检测和识别方法中步骤S5的流程图;
图17为条棒结合模型图;
图18为隐匿物品的自动检测和识别方法中步骤S6的流程图;
图19为初步识别非人体目标图像;
图20为非人体目标分布区域图;
图21为非人体目标规则区域分布图;
图22为非人体目标原始图像;
图23为非人体目标原始图像在条棒结合模型上的分布图;
图24为隐匿物品原始图像在条棒结合模型上的分布图;
图25为隐匿物品的自动检测和识别方法中步骤S8的流程图;
图26为基于毫米波成像的隐私保护方法的基本流程图;
图27为基于毫米波成像的隐私保护装置的结构示意图;
图28为隐私屏蔽的第一种实施方式的效果图;
图29为隐私屏蔽的第二种实施方式的效果图;
图30为隐私屏蔽的第三种实施方式的效果图;
图31为隐私屏蔽的第四种实施方式的效果图;
图32为背景技术中的条带模型示意图;
图33为背景技术中的棒状模型示意图。
具体实施方式
下面参照附图并借助本发明的实施例,对本发明的技术方案做详细描述。
本发明中的一种基于毫米波成像的人体检测方法,包括以下步骤:S1、对被检人员进行毫米波扫描获得原始图像;S2、对所述原始图像进行调整获得目标图像;S3、根据所述目标图像进行人体部位的分割和定位;S4、生成人体模型。如图1所示。
相应地,如图2所示,本发明还提供一种基于毫米波成像的人体检测装置,包括:
扫描模块1,用于执行步骤S1,对被检人员进行毫米波扫描获得原始图像;
调整模块2,用于执行步骤S2,对所述原始图像进行调整获得目标图像;
分割定位模块3,用于执行步骤S3,根据所述目标图像进行人体部位的分割和定位;
人体模型生成模块4,用于执行步骤S4,生成人体模型。
在步骤S1中,要求被检人员进入毫米波扫描检测区,通过扫描模块1毫米波主动/被动的方式进行扫描检测后得到原始图像如图3所示。扫描后的原始图像一般具有如下特点:图像整体不够清晰,包含大量噪声。
因此需要调整模块2进行步骤S2,对原始图像进行调整从而获得适于进行图像运算和分割的目标图像,如图6,步骤S2包括以下子步骤:S21、对原始图像进行预处理获得初步去噪图像;S22、对初步去噪图像进行二值化获得初步二值图像;S23、对初步二值图像进行再处理获得所述目标图像。
相应地,如图7,调整模块2还包括以下子模块:
预处理模块21,用于执行步骤S21,对所述原始图像进行预处理获得初步去噪图像;
二值化模块22,用于执行步骤S22,对所述初步去噪图像进行二值化获得初步二值图像;
再处理模块23,用于执行步骤S23,对所述初步二值图像进行再处理获得所述目标图像。
进一步地,预处理模块21还包括图像增强单元、差值运算单元、平滑处理单元、线性变化单元。预处理模块21执行步骤S21需要进行以下几个子步骤:
图像增强单元用于对原始图像进行图像增强使原始图像中人体区域与背景区域的对比度增加,改善图像视觉效果。
差值运算单元用于通过原始图像与空背景图像的灰度值进行差值运算或者说原始图像与空背景图像的灰度值相减,从而消除系统噪声。空背景图像就是毫米波扫描检测区内没有被检人员时进行扫描所形成的图像。
平滑处理单元用于进行图像的平滑处理来去除图像中的随机噪声,本单元中通过使用 1 10 1 1 1 1 2 1 1 1 1 算子对图像进行低通滤波实现平滑操作。
线性变化单元用于对图像进行灰度拉伸或称分区线性变换,对图像中不感兴趣的背景区域的灰度范围进行压缩,人体区域灰度范围进行扩展,从而突出人体部分,使人体部分整体清晰,最终获得了初步去噪图像,如图4所示。
进一步地,二值化模块22所执行的步骤S22、对初步去噪图像进行二值化获得初步二值图像是利用脉冲耦合神经网络(PCNN)算法以熵最大为准则选取二值化的阈值,利用该阈值将初步去噪图像的灰度图转换为二值化的图像,从而实现图像中人体区域与背景区域的分割。
如何准确的通过选取阈值来将人体与背景较完整的进行分割是问题的关键,这里使用较为成熟的脉冲耦合神经网络(PCNN)技术,PCNN是90年代Eckhorn等基于猫等哺乳动物的视觉特性研究提出的基于脉冲耦合神经网络模型,该模型用于图像的阈值选取的迭代过程,迭代公式如下:
F i , j ( n ) = e - α F F i , j ( n - 1 ) + V F Σ k , l M i , j , k , l Y k , l ( n - 1 ) + I i , j
L i , j ( n ) = e - α L L i , j ( n - 1 ) + V L Σ k , l W i , j , k , l Y k , l ( n - 1 )
U i , j ( n ) = F i , j ( n ) ( 1 + β L i , j ( n ) )
T i , j ( n ) = e - α T T i , j ( n - 1 ) + V T Y i , j ( n )
Y i , j ( n ) = 1 ( U i , j ( n ) > T i , j ( n ) ) 0 ( U i , j ( n ) ≤ T i , j ( n ) )
F就是第i、j个神经元的n次反馈输入Fi,j[n],Ii,j[n]为输入刺激信号(这里为图像像素构成的矩阵中第i、j个像素的灰度值)、β为连接系数、Li,j[n]是连接项、Ti,j[n]为动态门限,即本发明中所要求解的阈值、Yi,j[n]是PCNN脉冲输出值、Ui,j[n]为内部活动项。其中内部连接矩阵M、W(一般W=M)的Mi,j,k,l、Wi,j,k,l分别为Fi,j[n]、Li,j[n]中Yi,j[n]的加权系数,αF、αL、αT分别为Fi,j[n]、Li,j[n]、Ti,j[n]的衰减时间常数,VF、VL、VT分别为Fi,j[n]、Li,j[n]、Ti,j[n]中的固有电势。
熵是图像统计特性的一种表现形式,反映了图像包含信息量的大小。对于图像来说,一般分割后图像熵值越大,说明分割后从原图得到信息量越大,分割图像细节越丰富,因而总体分割效果也应越好。本专利使用熵最大为准则作为PCNN迭代结束的准则。熵的计算公式为:
H1(P)=-P1×log2P1-P0×log2P0
其中,P1、P0分别表示脉冲输出值Y[n]为1、为0的概率。本发明通过设定一个很大的迭代次数n,如n=100,使用PCNN算法进行迭代运算,每次运算结束后求出对应的熵H1(P),然后比较n次运算得到的熵值,取得其中熵最大的值H1max(P)时的迭代次数Nmax。迭代次数为Nmax时获得了阈值T[Nmax],此时PCNN输出的Y[Nmax]构成了在PCNN其他各项参数一定情况下,总体分割效果最佳的二值图像。其中Y[Nmax]为1的部分为背景部分,Y[Nmax]为0的部分为人体部分。
适应于上述计算过程的PCNN公式中各参数的取值范围为:
αF αL αT VF VL VT β
0.1~0.6 1~10 0.1~0.6 0.1~0.5 0.1~0.5 2~10 0.1~0.6
W、M两个算子可使用1/r或1/r2的元素形式构成的矩阵,r表示算子的矩阵边长。
优选地,本发明可以取以下参数值:αF=0.2,αL=2,αT=0.1,VF=0.1,VL=0.5,VT=20,β=0.5, W = M = 1 / 8 1 / 5 1 / 4 1 / 5 1 / 8 1 / 5 1 / 2 1 1 / 2 1 / 5 1 / 4 1 1 1 1 / 4 1 / 5 1 / 2 1 1 / 2 1 / 5 1 / 8 1 / 5 1 / 4 1 / 5 1 / 8 , 进行计算,获得的最佳效果的初步二值图像如图5所示。
进一步地,再处理模块23所执行的步骤S23、对所述初步二值图像进行再处理获得所述目标图像,是通过形态学滤波。由于阈值分割会造成图像噪声,该噪声主要是人体部分外的孤立明亮噪声点或是人体内的孤立暗噪声点。为了去除这些噪声,本发明用到的方法是对初步二值图像应用数学形态学运算方法进行滤波和变换,得到一个具有清晰平滑轮廓的二值化的图像即所述目标图像,如图8所示,从而利于后续的处理。
数学形态学运算方法主要包括腐蚀运算、膨胀运算、开运算和闭运算。
腐蚀运算可以减弱甚至消除小于结构元素明亮区域,从而可以用来有效地去除孤立噪声点边界上不平滑的凸出部分。
膨胀运算是将与目标物体接触的所有背景点合到物体中的过程,可填补空洞和形成连同域以及平图像边界上不平滑的凹陷部分。
开运算是先对图像进行腐蚀运算再进行膨胀运算,能去除掉图像中的孤立区域和毛刺,利用可以消除形状小于结构元素的噪声点,根据目标噪声的特点,选择合适的结构元素,就能剔除目标噪声,而将背景保留下来。
闭运算是先对图像进行膨胀运算再进行腐蚀运算,可以填充物体内的细小空洞,连接邻近物和平滑物体边界。
其中,结构元素是数学形态学运算的基本算子,选择使用的结构元素主要在于结构元素的形状和尺寸。
优选地,本方法所使用的形态学运算可以是以下处理过程:(1)使用边长为5的正方形结构元素对图像进行腐蚀运算消除图像中人体外的明亮噪声点;(2)使用边长为4的正方形结构元素对图像进行开运算,保持图像大小同时消除人体边缘的孤立区域和毛刺;(3)使用边长为4的正方形结构元素对图像进行闭运算,保持图像大小的同时填充人体内的细小空洞,并且平滑人体的边界;(4)使用边长为5的正方形结构元素对图像进行膨胀操作使图像恢复到原大小。通过该过程可以去除长和宽均小于5的噪声,填补人体上长和宽均小于5的空洞,处理完成后形成的目标图像中包含一个近似完整的人体部分,使人体特征更加明显。
另外,如果图像中还有面积较大没有被消除的白色干扰区域,可以通过计算图像中各连通区域的面积,去掉面积较小的区域。
进一步地,如图11,步骤S3、根据所述目标图像进行人体部位的分割和定位还包括以下子步骤:S31、确定人体的竖直中心线;S32、确定所述目标图像人体各关键点的坐标并获得人体各部位之间的水平分割线;S33、确定人体各部位的宽度和斜率。
相应地,如图12所示,分割定位模块3还包括以下子模块:
竖直中心线模块31,用于执行步骤31、确定人体的竖直中心线;
坐标水平线模块32,用于执行步骤32、确定所述目标图像人体各关键点的坐标并获得人体各部位之间的水平分割线;
宽度斜率模块33,用于执行步骤33、确定人体各部位的宽度和斜率。
在竖直中心线模块31执行步骤S31中确定人的竖直中心线的位置时,由于目标图像中的人体区域具有左右对称性,因此计算该人体区域的图像总的像素和,如用S0表示,然后从人体区域左侧边缘开始按图像的列从左向右计算人体部分图像的像素和,如用S1表示,当S1为S0的1/2时,当前列即为人体的竖直中心线。
在坐标水平线模块32执行步骤S32中,人体各关键点的坐标就是人体各部位的位置坐标,如边缘端点坐标、中心点的坐标等,人体部位包括:头顶、脚底、脖子、躯干上端、躯干下端(腰部)、裆部、膝盖、手指尖以及肘部。人体各关键点的坐标以及各部位之间的水平分割线是相互推算的过程,具体如下:
沿人体的竖直中心线从图像顶部向下,找到的第一个人体区域边界点,判断从该点继续向下若具有连续且长度不小于图像高度的1/10同灰度值,则确定该点为人体的头顶中心点,该点所处的水平线为人体的头顶水平线H2。
而人体脚的位置在图像中是固定的位置,因此可以确定脚底坐标以及所处的水平线为H9。因为成像时人所站的位置是固定的,用头顶的纵坐标减去脚底的纵坐标可以得到人的身高H。
根据人体解剖学判断,人头部约占身高的15%,可以确定脖子上端的坐标以及所处的水平线H4。脖子的高度约占头部高度的45%,故可以确定躯干上端的边缘端点的坐标以及所处的水平线H5。
对图8的所表示目标图像进行细化还可以得到人体骨干图,如图9所示。
在图9人体骨干图中,躯干与两腿的交叉点作为人体躯干下端的位置,其所在水平线作为腰线H6,沿这条线到脚水平线的距离定义为腿长Hleg
根据人体解剖学判断,人体小腿与大腿的比例约为1:1.2,故可以确定膝盖的水平位置为从脚向上Hleg×5/11的位置,因此获得膝盖水平线H8。
在图8所示的目标图像上,从图像底部沿竖直中心线向上,与人体图像的第一个交点位置作为裆部,从而获得人体裆部水平线H7。
以竖直中心线为分割线将人体区域的图像分为左右两半,左半边的最高点即左手指尖的位置,右侧图像上人体的最高点就是右手指尖的位置,从而获得手指尖水平线H0。本发明中对两个手指尖之间的高度差忽略不计。
由于在对被检人员进行扫描前,要求其两臂向外张开,因此目标图像上两肘间的宽度是人体最宽的位置,因此找到人体区域最左侧的位置就是身体的左肘,最右侧就是身体的右肘,从而获得肘水平线H3。本发明中对两个肘之间的高度差忽略不计。
根据人体解剖学理论,一般人体手与上臂的长度比为7:9,故根据手尖与肘的位置可以确定手腕的位置,从而也获得了手腕水平线H1。
人体分割效果图如图10所示。
宽度斜率模块33所执行的步骤S33中,根据图8的目标图像中人体各部位与各水平分割线相交确定人体各部位的宽度,再利用人体各部位的关键点(如某部位的上下两端的两个中心点)坐标计算得到该部位的斜率。
进一步地,人体模型生成模块4所执行的步骤S4生成人体模型包括分别根据各部位关键点的坐标、宽度和斜率,用矩形或平行四边形表示各部位,将所有的部位连结在一起,即获得一个用矩形和/或平行四边形组成的人体模型,如图13所示。该人体可以与原始图像中的人体区域进行成比例对应,效果如图14所示。
需要注意的是,本方法的描述中所生成的人体模型是以条带模型为例进行的说明。根据目标图像进行人体部位的分割和定位后还可以生成棒状模型。并且,条带模型和棒状模型都会在下述的一种隐匿物品的自动检测和识别方法中得到应用。
另一方面,本发明还提供一种隐匿物品的自动检测和识别方法和一种隐匿物品的自动检测和识别装置,一是对人体特征进行提取和定位,二是对非人体目标进行识别。其中对人体特征进行提取和定位的过程主要以前述的于毫米波成像的人体检测方法和装置为基础但不限于该人体检测方法和装置。
因此,如图15,一种隐匿物品的自动检测和识别方法包括以下步骤:S1、对被检人员进行毫米波扫描获得原始图像;S2、对所述原始图像进行调整获得目标图像;S3、根据所述目标图像进行人体部位的分割和定位;S5、生成条棒结合模型;S6、根据所述原始图像对非人体目标进行检测,获得非人体目标分布原始图像;S7、利用所述条棒结合模型获得所述非人体目标分布原始图像相对于人体的位置分布信息;S8、对所述非人体目标进行类别辨识并显示隐匿物品相对于人体的位置分布信息。
相应地,一种隐匿物品的自动检测和识别装置,包括:
扫描模块1,用于执行步骤S1,对被检人员进行毫米波扫描获得原始图像;
调整模块2,用于执行步骤S2,对所述原始图像进行调整获得目标图像;
分割定位模块3,用于执行步骤S3,根据所述目标图像进行人体部位的分割和定位;
条棒结合模型生成模块,用于执行步骤S5,生成条棒结合模型;
非人体目标初步检测模块,用于执行步骤S6,根据所述原始图像对非人体目标进行检测,获得非人体目标分布原始图像;
非人体目标分布模块,用于执行步骤S7,利用所述条棒结合模型获得所述非人体目标分布原始图像相对于人体的位置分布信息;
类别辨识模块,用于执行步骤S8,对所述非人体目标进行类别辨识并显示隐匿物品相对于人体的位置分布信息。
其中步骤S1、S2和S3在一种基于毫米波成像的人体检测方法中,扫描装置1、调整模块2、分割定位模块3在一种基于毫米波成像的人体检测装置中已经进行说明,此处不再赘述。
根据图16,步骤S5进一步包括以下子步骤:S51、生成提供人体各关键点的棒状模型;S52、生成提供人体轮廓信息的条带模型;S53、结合所述棒状模型和所述条带模型,从而生成条棒结合模型。
相应地,执行步骤S5的条棒结合模型生成模块包括以下子模块:
棒状模型生成模块,用于执行步骤S51,生成提供人体各关键点的棒状模型;
条带模型生成模块,用于执行步骤S52,生成提供人体轮廓信息的条带模型;
结合模块,用于执行步骤S53,结合所述棒状模型和所述条带模型。
其中,棒状模型生成模块所执行的步骤S51是通过一种基于毫米波成像的人体检测方法的步骤S32、确定所述目标图像人体各关键点的坐标并获得人体各部位之间的水平分割线的步骤,利用其中的人体各关键点获得构建棒状模型的各关节点,再用直线连接各关节点就可以生成棒状模型。
条带模型生成模块所执行的步骤S52中生成条带模型的过程与在一种基于毫米波成像的人体检测方法中S4生成人体模型的过程相同。
结合模块所执行的步骤S53结合所述棒状模型和所述条带模型,生成如图17所示的条棒结合模型,从而完成了本方法中人体特征的提取和定位,图17中的圆形节点表示人体特征提取时的关节点,还可以在这些关节点中添加数字代表了各个关节点的提取顺序。
进一步地,执行的步骤S6的非人体目标初步检测模块还包括:边缘检测模块、突出显示模块、规则化模块和融合模块。相应地,如图18所示,步骤S6、根据所述原始图像对非人体目标进行检测,获得非人体目标分布原始图像还包括以下子步骤:
S61、边缘检测模块对所述原始图像进行边缘检测,例如利用了索贝尔(Sobel)算子进行边缘检测,初步识别出非人体目标,如图19所示;
S62、突出显示模块通过数学形态学运算突出显示非人体目标分布区域,比如,对图19首先进行腐蚀运算,然后进行膨胀运算。其中腐蚀、膨胀运算分别使用边长为2和4的方形结构元素,从而突出显示的非人体目标分布区域图,如图20;
S63、规则化模块根据所述非人体目标分布区域的边界选取最小外切矩形,使图20中的不规则的区域转化为图21中的非人体目标规则区域分布图;
S64、模块融合图21融合非人体目标规则区域分布图和所述原始图像图3,获得图22的非人体目标原始图像,当然该图像也显示出了非人体目标所在位置的人体部分。
由于条状模型只包含人体轮廓信息,没有具体的关节点信息,棒状模型只包含关节点信息,掩盖了非人体目标在人体轮廓上的位置,所以进一步地,非人体目标分布模块所执行的步骤S7是通过将所述非人体目标分布原始图像输入到所述条棒结合模型上,这样既可以利用条棒结合模型中条带模型给出的人体轮廓信息获得非人体目标在人体轮廓边缘内的分布,更进一步地利用条棒结合模型中棒状模型给出的人体关节点位置信息获得非人体目标与关节点之间的相对位置关系,因此利用条棒结合模型,使非人体目标在人体这一参照物上具有了更加精确的定位,如图23非人体目标原始图像在条棒结合模型上的分布图。
进一步地,类别辨识模块包括以下子模块:裸露部位定位模块、分类模块和显示模块。分别用于执行步骤S8对所述非人体目标进行危险类别辨识并显示隐匿物品相对于人体的位置分布信息中的各个子步骤,如图25:
S81、裸露部位定位模块对人体裸露部位进行定位,如头部、腕部、手掌等,可以在前述的人体部位的分割和定位中进行这样更有针对性的部位定位;
S82、分类模块对非人体目标进行分类,将分布在人体裸露部位上的非人体目标确定为非隐匿物品,如眼镜、纽扣、手表、戒指等;由于有衣物遮盖,人体裸露部位之外的非人体目标通过安检人员无法直接查看,将分布在人体裸露部位之外的非人体目标确定为隐匿物品,因此需要重点关注;
S83、显示模块剔除所述非隐匿物品的原始图像并显示隐匿物品原始图像在所述条棒结合模型上的分布信息,如图24是剔除了图23中腕部的手表的原始图像后再显示的效果图。
通过本发明的隐匿物品的自动检测和识别方法和装置,可以降低人员的使用要求,减小人为误差,缩短人体隐匿危险品检查的判读时间。
另一方面,人体毫米波成像以后,由于原始图像比较清晰,通过前述的基于毫米波成像的人体检测方法及隐匿物品的自动检测和识别方法,可以识别并显示人体和/或人体上的隐匿物品,但会同时造成人体隐私部位的暴露。
为了保护隐私,本发明还提供一种基于毫米波成像的隐私保护方法,如图26,包括:S1、对被检人员进行毫米波扫描获得原始图像;A、根据所述原始图像进行人体检测和隐匿物品检测;B、确定人体的隐私部位;C、对人体的隐私部位进行屏蔽并标示出人体上的隐匿物品信息。
相应地,如图27所示,本发明还提供一种基于毫米波成像的隐私保护装置,包括:
扫描模块1,用于对被检人员进行毫米波扫描获得原始图像;
检测装置,用于执行步骤A,根据所述原始图像进行人体检测和隐匿物品检测;
隐私部位确定模块,用于执行步骤B,确定人体的隐私部位;
隐私屏蔽模块,用于执行步骤C,对人体的隐私部位进行屏蔽并标示出人体上的隐匿物品信息。
其中步骤A可以通过前述的基于毫米波成像的人体检测方法及隐匿物品的自动检测和识别方法进行,相应地,检测装置可以包括基于毫米波成像的人体检测装置和隐匿物品的自动检测和识别装置。
执行步骤B的隐私部位确定模块确定人体的隐私部位同样根据前述人体部位的分割和定位以及人体解剖学对隐私部位进行确定和定位,包括判断被检人员的性别,当被检人员为男性时,将人体头部区域和人体腰部中心向下躯干宽度1/2的区域确定为隐私部位,当被检人员为女性时,将人体头部区域和人体腰部中心向下躯干宽度1/2的区域以及人体躯干从躯干上端向下至躯干高度1/2的区域为隐私部位。本发明中将以男性被检人员的毫米波成像为例进行说明。
执行步骤C、对人体的隐私部位进行屏蔽并标示出人体上的隐匿物品信息的隐私屏蔽模块可以采用以下几种具体实施方式进行隐私的保护:
(1)隐私屏蔽模块包括部分模糊化模块和第一标示模块,部分模糊化模块在所述原始图像上对隐私部位进行模糊化处理形成部分模糊化原始图像,模糊化可以使用形态学运算,使用边长一定的马赛克区域,或者可以直接使用单一颜色的矩形块对隐私部位进行覆盖;第一标示模块在所述部分模糊化原始图像上将所述隐匿物品用标示框划出,比如高亮颜色的边框,如图28所示。这种方式适应于隐匿物品自动检测和人工检测相结合的情况。或者,
(2)隐私屏蔽模块包括选择目的图像模块和第二标示模块,因为清晰完整的二值化的图像可以掩盖掉被检人员的隐私部位的像素信息,所以本实施方式利用选择目的图像模块选择目的图像表示人体部分,该目的图像通过所述的基于毫米波成像的人体检测方法获得,如图8;在该目的图像上显示隐匿物品信息之前,第二标示模块先判断隐匿物品是否处于人体的隐私部位,如果是,则使用与人体颜色不同的色彩块表示隐匿物品并在所述目的图像上标示,如使用一定灰度值,如128的灰色矩形块来标示;如果否,则直接将隐匿物品的原始图像显示在所述目的图像上。这样完全屏蔽了原始图像中人体的完整信息,又达到隐私保护的目的,效果如图29所示。这种方法仅适用于隐匿物品自动检测方式下,不需要显示完整人体图像的情况。或者,
(3)隐私屏蔽模块包括全部模糊化模块和第三标示模块。全部模糊化模块在所述原始图像上对人体进行全部模糊化处理形成全部模糊化原始图像,模糊化的方法可以与具体实施方式(1)相同,本实施方式中模糊化使用了算子 0.2 0.4 0.6 0.4 0.2 0.4 0.6 0.8 0.6 0.4 0.6 0.8 1 0.8 0.6 0.4 0.6 0.8 0.6 0.4 0.2 0.4 0.6 0.4 0.2 ; 该全部模糊化原始图像上显示隐匿物品信息之前,第三标示模块判断隐匿物品是否处于人体的隐私部位,如果是,则使用与人体颜色不同的色彩块表示隐匿物品并在所述全部模糊化原始图像上标示,如使用一定灰度值,如128的灰色矩形块来标示;如果否,则将隐匿物品的原始图像显示在所述全部模糊化原始图像上,效果图如图30。这种方法仅适用于隐匿物品自动检测方式下,不需要显示完整人体图像的情况。或者,
(4)隐私屏蔽模块包括选择模型模块和第四标示模块。选择模型模块选择所述人体检测中的人体模型,这里的人体模型可以是条带模型,也可以是条棒结合模型;第四标示模块使用与人体模型颜色不同的色彩块,如红色,表示隐匿物品并在所述人体模型上标示。这样也可以完全屏蔽人体的隐私信息。在条带模型上显示的效果如图31所示。这种方法仅适用于不显示隐匿物品的完整信息也不需要显示完整人体图像的情况。
应当理解,以上借助优选实施例对本发明的技术方案进行的详细说明是示意性的而非限制性的。本领域的普通技术人员在阅读本发明说明书的基础上可以对各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。本发明的保护范围仅由随附权利要求书限定。

Claims (2)

1.一种隐匿物品的自动检测和识别装置,其特征在于,包括:
扫描装置,用于对被检人员进行毫米波扫描获得原始图像;
调整模块,用于对所述原始图像进行调整获得目标图像;
分割定位模块,用于根据所述目标图像进行人体部位的分割和定位,所述人体部位定位分割的步骤包括:
沿人体的竖直中心线从图像顶部向下,找到的第一个人体区域边界点,判断从该点继续向下若具有连续且长度不小于图像高度的1/10同灰度值,则确定该点为人体的头顶中心点,该点所处的水平线为人体的头顶水平线H2;
人体脚的位置在图像中是固定的位置,因此可以确定脚底坐标以及所处的水平线为H9,由于成像时人所站的位置是固定的,用头顶的纵坐标减去脚底的纵坐标可以得到人的身高H;
根据人体解剖学判断,人头部约占身高的15%,可以确定脖子上端的坐标以及所处的水平线H4,脖子的高度约占头部高度的45%,故可以确定躯干上端的边缘端点的坐标以及所处的水平线H5;
对所述目标图像进行细化得到人体骨干图,在人体骨干图中,躯干与两腿的交叉点作为人体躯干下端的位置,其所在水平线作为腰线H6,沿这条线到脚水平线的距离定义为腿长Hleg;
根据人体解剖学判断,人体小腿与大腿的比例约为1:1.2,确定膝盖的水平位置为从脚向上Hleg×5/11的位置,因此获得膝盖水平线H8;
在所述目标图像上,从图像底部沿竖直中心线向上,与人体图像的第一个交点位置作为裆部,从而获得人体裆部水平线H7;
以竖直中心线为分割线将人体区域的图像分为左右两半,左半边的最高点即左手指尖的位置,右侧图像上人体的最高点就是右手指尖的位置,从而获得手指尖水平线H0;
由于在对被检人员进行扫描前,要求其两臂向外张开,因此目标图像上两肘间的宽度是人体最宽的位置,因此找到人体区域最左侧的位置就是身体的左肘,最右侧就是身体的右肘,从而获得肘水平线H3;
对两个手指尖之间的高度差忽略不计,对两个肘之间的高度差忽略不计;
根据人体解剖学理论,一般人体手与上臂的长度比为7:9,故根据手尖与肘的位置可以确定手腕的位置,从而也获得了手腕水平线H1;
条棒结合模型生成模块,用于生成条棒结合模型;所述条棒结合模型生成模块包括以下子模块:
棒状模型生成模块,用于生成提供人体各关键点的棒状模型;
条带模型生成模块,用于生成提供人体轮廓信息的条带模型;
结合模块,用于结合所述棒状模型和所述条带模型;
非人体目标初步检测模块,用于根据所述原始图像对非人体目标进行检测,获得非人体目标分布原始图像;该非人体目标初步检测模块包括
边缘检测模块,用于对所述原始图像进行边缘检测,初步识别非人体目标;
突出显示模块,用于通过数学形态学运算突出显示非人体目标分布区域;
规则化模块,用于根据所述非人体目标分布区域的边界选取最小外切矩形获得非人体目标规则区域分布图;
融合模块,用于融合所述非人体目标规则区域分布图和所述原始图像,获得所述非人体目标原始图像 ;
非人体目标分布模块,用于利用所述条棒结合模型获得所述非人体目标分布原始图像相对于人体的位置分布信息;所述非人体目标分布模块是通过将所述非人体目标分布原始图像输入到所述条棒结合模型上;
类别辨识模块,用于对所述非人体目标进行类别辨识并显示隐匿物品相对于人体的位置分布信息。
2.根据权利要求1所述的隐匿物品的自动检测和识别装置,其特征在于,所述类别辨识模块包括以下子模块:
裸露部位定位模块,用于对人体裸露部位进行定位;
分类模块,用于将分布在人体裸露部位上的非人体目标确定为非隐匿物品,将分布在人体裸露部位之外的非人体目标确定为隐匿物品;
显示模块,用于剔除所述非隐匿物品的原始图像并显示隐匿物品原始图像在所述条棒结合模型上的分布信息。
CN201210050329.XA 2012-02-29 2012-02-29 一种隐匿物品的自动检测和识别装置 Expired - Fee Related CN102629315B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210050329.XA CN102629315B (zh) 2012-02-29 2012-02-29 一种隐匿物品的自动检测和识别装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210050329.XA CN102629315B (zh) 2012-02-29 2012-02-29 一种隐匿物品的自动检测和识别装置

Publications (2)

Publication Number Publication Date
CN102629315A CN102629315A (zh) 2012-08-08
CN102629315B true CN102629315B (zh) 2016-07-06

Family

ID=46587573

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210050329.XA Expired - Fee Related CN102629315B (zh) 2012-02-29 2012-02-29 一种隐匿物品的自动检测和识别装置

Country Status (1)

Country Link
CN (1) CN102629315B (zh)

Families Citing this family (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103942556B (zh) * 2014-04-22 2017-11-21 天津重方科技有限公司 基于x射线背散射图像的人体隐私识别与处理方法
WO2017119760A1 (ko) 2016-01-07 2017-07-13 엘지이노텍 주식회사 렌즈 구동 장치, 카메라 모듈 및 광학기기
EP3506148A4 (en) * 2016-08-25 2019-07-24 China Communication Technology Co., Ltd. METHOD AND SYSTEM FOR DETECTING FOREIGN MATERIALS OF THE HUMAN BODY ON A MILLIMETER WAVE IMAGE BASIS
CN106372583B (zh) * 2016-08-25 2018-09-14 华讯方舟科技有限公司 一种基于毫米波图像的人体异物检测方法及系统
CN106446819B (zh) * 2016-09-20 2019-04-16 上海理工大学 人体安检成像中人体轮廓边缘物体的识别方法
CN106371148B (zh) 2016-09-27 2019-05-03 华讯方舟科技有限公司 一种基于毫米波图像的人体异物检测方法及系统
CN106448007A (zh) * 2016-10-11 2017-02-22 深圳万发创新进出口贸易有限公司 超市检测一体机
CN106485077B (zh) * 2016-10-11 2018-12-14 徐州玖胜医疗器械有限公司 一种监管场所医疗监控系统
CN106373242A (zh) * 2016-10-11 2017-02-01 深圳万发创新进出口贸易有限公司 一种变电站安全门禁系统
CN106454238A (zh) * 2016-10-11 2017-02-22 深圳万发创新进出口贸易有限公司 一种基于物联网的社区防盗系统
CN109117694A (zh) * 2017-06-26 2019-01-01 刘风华 非接触识别人、动物和植物
CN107589725B (zh) * 2017-08-29 2020-03-24 深圳市盛路物联通讯技术有限公司 一种基于内置天线的智能家居设备控制方法及控制设备
CN108937869A (zh) * 2018-07-12 2018-12-07 芜湖博高光电科技股份有限公司 一种手持式透视骨骼的毫米波急救装置及操作方法
CN108986023A (zh) 2018-08-03 2018-12-11 北京字节跳动网络技术有限公司 用于处理图像的方法和装置
CN109146883A (zh) * 2018-10-31 2019-01-04 中控智慧科技股份有限公司 一种图像处理方法及安检机
CN109543582A (zh) * 2018-11-15 2019-03-29 杭州芯影科技有限公司 基于毫米波图像的人体异物检测方法
CN109597069A (zh) * 2018-12-25 2019-04-09 山东雷诚电子科技有限公司 一种主动毫米波成像隐私保护方法
CN109799544B (zh) * 2018-12-28 2021-03-19 深圳市重投华讯太赫兹科技有限公司 应用于毫米波安检仪的智能检测方法、装置以及存储装置
CN111209793A (zh) * 2019-12-05 2020-05-29 重庆特斯联智慧科技股份有限公司 一种基于人工智能的区域屏蔽人体安检方法及系统
CN111623878A (zh) * 2020-04-27 2020-09-04 深圳市国脉科技有限公司 体温测量方法、装置、计算机可读介质及电子设备
US11231498B1 (en) 2020-07-21 2022-01-25 International Business Machines Corporation Concealed object detection
CN112597989B (zh) * 2020-12-18 2021-09-14 中国科学院上海微系统与信息技术研究所 毫米波三维全息图像隐匿物品检测方法及系统
CN113657497B (zh) * 2021-08-17 2024-03-08 上海亨临光电科技有限公司 一种低信噪比图像增强处理与人体图像分割融合实现方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101614722A (zh) * 2008-06-27 2009-12-30 同方威视技术股份有限公司 一种人员安全检查系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7123185B2 (en) * 2004-04-14 2006-10-17 Safeview, Inc. Enhanced surveilled subject imaging
CN102028482B (zh) * 2009-09-30 2012-11-14 同方威视技术股份有限公司 人体检查图像处理方法和人体检查设备
CN101996317B (zh) * 2010-11-01 2012-11-21 中国科学院深圳先进技术研究院 人体上标记物的识别方法及装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101614722A (zh) * 2008-06-27 2009-12-30 同方威视技术股份有限公司 一种人员安全检查系统

Also Published As

Publication number Publication date
CN102629315A (zh) 2012-08-08

Similar Documents

Publication Publication Date Title
CN102629315B (zh) 一种隐匿物品的自动检测和识别装置
CN102697503B (zh) 一种基于毫米波成像的人体检测方法
CN102708372B (zh) 一种隐匿物品的自动检测和识别方法
CN102708560B (zh) 一种基于毫米波成像的隐私保护方法
CN102708561B (zh) 一种基于毫米波成像的隐私保护装置
CN102707322A (zh) 一种基于毫米波成像的人体检测装置
Oliveira et al. Failure detection in row crops from UAV images using morphological operators
Duarte et al. Segmentation algorithms for thermal images
CN113240626B (zh) 一种基于神经网络的玻璃盖板凹凸型瑕疵检测与分类方法
CN108573276A (zh) 一种基于高分辨率遥感影像的变化检测方法
CN104599273B (zh) 基于小波多尺度交叉运算的海空背景红外小目标检测方法
CN108665487A (zh) 基于红外和可见光融合的变电站作业对象和目标定位方法
Panigrahy et al. Parameter adaptive unit-linking dual-channel PCNN based infrared and visible image fusion
CN109738137A (zh) 基于图像对比的土石坝渗漏实时监测与快速诊断方法
CN104680508A (zh) 卷积神经网络和基于卷积神经网络的目标物体检测方法
Xia et al. In situ detection of small-size insect pests sampled on traps using multifractal analysis
CN110060273B (zh) 基于深度神经网络的遥感影像滑坡测图方法
CN106991417A (zh) 一种基于模式识别的视觉投影交互系统及交互方法
CN102609684A (zh) 人体姿势检测方法及装置
EP3506148A1 (en) Millimetre wave image-based human body foreign matter detection method and system
Jana et al. A De novo approach for automatic volume and mass estimation of fruits and vegetables
Rani et al. Detection of edges using mathematical morphological operators
CN109165658A (zh) 一种基于Faster-RCNN的强负样本水下目标检测方法
Trongtirakul et al. Unsupervised and optimized thermal image quality enhancement and visual surveillance applications
CN108108740B (zh) 一种主动毫米波人体图像性别识别方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20160706

CF01 Termination of patent right due to non-payment of annual fee