一种滤波增强深度学习的被动式太赫兹图像目标检测方法.pdf

(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CN113850725A(43)申请公布日2021.12.28(21)申请号202010684465.9(22)申请日2020.07.15(71)申请人南京航空航天大学地址210016江苏省南京市御道街29号申请人海华电子企业（中国）有限公司(72)发明人徐帆黄旭扬吴启晖陈朝晖宋朋(74)专利代理机构南京经纬专利商标代理有限公司32200代理人阚梦诗(51)Int.Cl.G06T5/00(2006.01)G06K9/46(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书6页附图6页(54)发明名称一种滤波增强深度学习的被动式太赫兹图像目标检测方法(57)摘要本发明公开了一种滤波增强深度学习的被动式太赫兹图像目标检测方法，涉及被动式太赫兹图像目标检测领域，其技术要点是：采用多尺度滤波去除样本噪声，采用多方位空间几何变换，联合生成多尺度滤波增强样本；采用卷积神经网络提取特征，训练模型参数，进行深度学习训练；对去噪样本进行多通道特征预测，对多通道的预测结果进行融合，得到最终的目标检测结果，该方法针对噪声严重、目标大小不一、细节模糊的被动式太赫兹图像，通过多尺度滤波模型改良YOLO深度学习网络，不仅可以滤除严重的条纹噪声，又可避免过度去噪导致的图像细节丢失，从而实现被动式太赫兹图像的高精度目标检测。CN113850725ACN113850725A权利要求书1/2页1.一种滤波增强深度学习的被动式太赫兹图像目标检测方式，包括以下步骤：采用多尺度滤波去除样本噪声，采用多方位空间几何变换，联合生成多尺度滤波增强样本；采用卷积神经网络提取特征，训练模型参数，进行深度学习训练；对去噪样本进行多通道特征预测，对多通道的预测结果进行融合，得到最终的目标检测结果。2.根据权利要求1所述的一种滤波增强深度学习的被动式太赫兹图像目标检测方法，其特征在于：所述采用多尺度滤波去除样本噪声，其中，邻域像素值为f(k,l)，输出图像的像素值为g(i,j)，g(i,j)为邻域像素值f(k,l)的加权值组合，其中(i,j)和(k,l)代表像素点的坐标，w(i,j,k,l)为等于空域核ws和值域核wr的乘积，其中σs和σr分别为空域和值域的滤波平滑参数，不同去噪阈值样本lx与空间空域和值域的滤波平滑参数σs与σr的关系是lx＝l0·w(σs,σr)，其中σs＝x，σr＝13x，分别取不同的x,x∈(0,2]，获取多尺度去噪样本，进行多尺度滤波增强。3.根据权利要求2所述的一种滤波增强深度学习的被动式太赫兹图像目标检测方法，其特征在于：采用多方位空间几何变换，联合生成多尺度滤波增强样本，包括对样本图像进行旋转和翻转处理，滤波增强后图像的原始像素值坐标为(x0,y0),图像中心旋转后得到的坐标为(x1,y1)，其中θ为逆时针旋转的角度，图像以y轴翻转后的坐标为(x2,y2)，(x2,y2)＝(2w-x0,y0)，其中w是图像的宽度。4.根据权利要求1所述的一种滤波增强深度学习的被动式太赫兹图像目标检测方法，其特征在于：所述采用卷积神经网络提取特征，其中，网络由N-1个卷积层和1个全连接层组成，首先是1个32个过滤器的卷积核，然后是n组重复的残差单元，每个单元由1个单独的卷积层与一组重复执行的卷积层构成，重复执行的卷积层分别重复g1次、g2次、...、gn次；单独的卷积层使用步长为2的卷积作降采样处理，在每个重复执行的卷积层中，先执行1x1的卷积操作，再执行3x3的卷积操作，过滤器数量先减半，再恢复，共计N-1层。5.根据权利要求1所述的一种滤波增强深度学习的被动式太赫兹图像目标检测方法，其特征在于：所述训练模型参数，进行深度学习训练，包括通过损失函数对参数模型进行训练优化，训练前先将图片分解成为S×S个网格，每个网格含有A个预选框和B个预测框，损失函数由坐标预测损失函数，置信度损失函数和类别损失函数组成，如下式所示：2CN113850725A权利要求书2/2页其中i、j表示第i个网格第j个预测框，bx,by,bw,bh分别表示直接预测的预测框的中心点坐标和长宽，gx,gy,gw,gh分别表示真实框的中心点坐标和长宽，cx,cy,aw,ah分别表示当前网格左上角到图像左上角的距离和锚点框的长宽，tx,ty,tw,th为需要学习的参数；当网格内的预测框负责预测真实框时，否则当预测框负责预测该网格内的目标时，否则当某个预测框不负责对应网格中真实框的预测，但是又与该真实框的重叠率大于设定的阈值时，Gij＝0，否则Gij＝1；其中，第i个网格第j个预测框的置信度Pr(object)表示当前预测框是否有对象的概率，表示真实框和预测框的重叠率，和分别为预测种