基于視覺(jué)顯著性的毫米波隱匿物品檢測(cè)算法*

張珂紳，郭文風(fēng)，王鶴澎，葉學(xué)義

(杭州電子科技大學(xué) 通信工程學(xué)院，浙江 杭州 310018)

0 引言

近年來(lái)，機(jī)場(chǎng)、車(chē)站等公共場(chǎng)所的安全問(wèn)題日益得到重視，對(duì)人體攜帶物品的安全檢查必不可少。目前主流的安檢手段如X 射線探測(cè)雖然可以清晰成像，但X射線易電離且具有輻射性，不適合于人體安檢[1]。毫米波輻射在電磁頻譜中介于微波和紅外線之間，屬于非電離輻射，可以穿透人體衣物探測(cè)到隱匿物品，且對(duì)人體無(wú)害，有逐步取代傳統(tǒng)安檢手段的趨勢(shì)[2]。

隨著前端成像技術(shù)的不斷成熟，后端毫米波圖像的隱匿物品檢測(cè)成了目前亟待解決的問(wèn)題。目前毫米波成像系統(tǒng)輸出的圖像分辨率較差，信噪比低，對(duì)目標(biāo)檢測(cè)性能有負(fù)面影響，容易造成誤檢和漏檢[3]。這些都給隱匿物品檢測(cè)帶來(lái)了巨大的挑戰(zhàn)。

毫米波圖像中隱匿物品的種類(lèi)包含手槍、管制刀具等[4]，基于對(duì)毫米波輻射的反射強(qiáng)度不同，不同物品成像存在一定的灰度差異，現(xiàn)有的研究通?；谶@種差異采用圖像分割的方式檢測(cè)。DU 等人[5]提出了一種灰度分離模型，可以檢測(cè)出隱匿物品灰度值高于或低于人體灰度值的情況，但是檢測(cè)效果受噪聲等因素影響較大；Is′iker 等人[6]提出了一種基于多閾值OTSU 的分割算法，通過(guò)設(shè)置多級(jí)閾值區(qū)分目標(biāo)和人體區(qū)域，但如果隱匿物品與人體區(qū)域灰度差異較小則會(huì)導(dǎo)致閾值分割不準(zhǔn)確；Wang 等人[7]提出了一種基于分塊的高斯混合模型方法(patch based MoG-LRMF)，通過(guò)對(duì)信息建模，結(jié)合像素點(diǎn)的灰度和結(jié)構(gòu)信息來(lái)檢測(cè)隱匿物品，在相對(duì)復(fù)雜的數(shù)據(jù)下表現(xiàn)良好，但計(jì)算復(fù)雜度較高。

上述研究中均存在隱匿物品與人體區(qū)域灰度差異小、分割標(biāo)記不準(zhǔn)確的問(wèn)題，因此有必要針對(duì)毫米波圖像的特性進(jìn)行分析，研究出與之適應(yīng)的目標(biāo)檢測(cè)算法。現(xiàn)有的目標(biāo)檢測(cè)算法中，顯著性檢測(cè)為提升毫米波圖像的檢測(cè)性能帶來(lái)了契機(jī)。顯著性檢測(cè)可以模擬人類(lèi)視覺(jué)優(yōu)先關(guān)注前景特殊區(qū)域的特點(diǎn)，提取圖像中的顯著區(qū)域，生成與人類(lèi)注視點(diǎn)有大量重合區(qū)域的顯著圖[8]。目前已經(jīng)在圖像分割、目標(biāo)檢測(cè)等多個(gè)領(lǐng)域投入了使用[9]。從毫米波圖像的特點(diǎn)來(lái)看，毫米波圖像檢測(cè)與顯著性檢測(cè)有較高的契合點(diǎn)。

本文針對(duì)毫米波圖像成像質(zhì)量差、隱匿物品與人體灰度差異小、形狀多變的問(wèn)題，結(jié)合頻域顯著性及背景抑制的思路，提出了一種基于頻域顯著性的毫米波圖像隱匿物品檢測(cè)算法。首先對(duì)圖像預(yù)處理，獲取人體區(qū)域掩膜，使后續(xù)的處理范圍僅限于人體區(qū)域；再根據(jù)頻域變換定位前景，經(jīng)背景抑制處理后生成能反映各區(qū)域重要程度的顯著圖；最后，通過(guò)連通域標(biāo)記完成檢測(cè)。

1 檢測(cè)預(yù)處理

毫米波成像系統(tǒng)由于其工作頻帶高，受環(huán)境噪聲影響較大，圖像周?chē)嬖谶吘壞：?、偽影等現(xiàn)象，尤其兩腿之間的偽影，影響了檢測(cè)的準(zhǔn)確性[10]，因此對(duì)圖像作預(yù)處理，消除噪聲和偽影。

預(yù)處理包含兩個(gè)模塊，第一個(gè)模塊對(duì)圖像降噪，消除背景噪聲；第二個(gè)模塊提取人體區(qū)域，縮小圖像的處理范圍，使得后續(xù)的前景-背景分離僅限于人體區(qū)域，避免其他區(qū)域的干擾。

1.1 降噪

圖像灰度化處理后用雙邊濾波算法去噪。與傳統(tǒng)濾波算法相比，雙邊濾波考慮了像素之間的相對(duì)空間位置，利用了圖像的結(jié)構(gòu)信息，這樣有助于在消除噪聲的同時(shí)保持圖像的邊緣效果。

1.2 人體區(qū)域提取

本文結(jié)合OTSU 與形態(tài)學(xué)處理的方式提取人體區(qū)域。OTSU[11]是一種用于圖像分割的自動(dòng)閾值選取算法，選取閾值并分割可以得到二值圖像。經(jīng)過(guò)OTSU 閾值分割后再用形態(tài)學(xué)運(yùn)算方法填充毛刺可以獲取人體區(qū)域掩膜，將掩膜與原始圖像相乘得到人體區(qū)域。

頭部和手掌是暴露在衣物外的區(qū)域，是否有物品可以被人眼清楚地觀察到，不屬于隱匿物品的范疇，因此對(duì)它們分割處理。分割的關(guān)鍵在于關(guān)鍵點(diǎn)坐標(biāo)的計(jì)算，將圖像水平投影，投影峰值即為手部坐標(biāo)，谷值為腳步坐標(biāo)，頭部的坐標(biāo)可以通過(guò)像素點(diǎn)在人體對(duì)稱(chēng)中心垂直方向下降得到。得到坐標(biāo)后可以計(jì)算得到人體高度，再根據(jù)各部位占人體高度的比例確定頭部和手部區(qū)域并設(shè)置掩膜完成預(yù)處理。

圖1 是預(yù)處理效果圖，箭頭指向隱匿物品，橢圓區(qū)域內(nèi)是噪聲和偽影；提取人體區(qū)域后圖像中橢圓區(qū)域內(nèi)的偽影被消除。

圖1 預(yù)處理效果圖

2 前景-背景分離

2.1 基于DCT 的顯著性前景分離

經(jīng)過(guò)預(yù)處理后的毫米波圖像中隱匿物品可視為前景，其余人體區(qū)域可視為背景。因此在空域中可以使用線性模型描述圖像，即假設(shè)圖像可以分解為前景信號(hào)和背景信號(hào)。

其中，x 代表輸入圖像；f 代表前景，認(rèn)為是隱匿物品信息；b 代表背景，認(rèn)為是人體區(qū)域信息。如何借助顯著性思想準(zhǔn)確分離出前景f 的圖像信息是目前面臨的挑戰(zhàn)。在空域直接分離前景是十分困難的，且無(wú)法最大限度地利用已知數(shù)據(jù)，會(huì)帶來(lái)一定的信息損耗。信號(hào)的稀疏編碼解決了這一問(wèn)題，稀疏編碼的目的在于用盡可能少的原子來(lái)表示信號(hào)，從而更容易地獲取信號(hào)中的主要信息。一般而言，圖像在空域是不稀疏的，但經(jīng)過(guò)稀疏變換后變換系數(shù)大多接近于零或等于零，即在頻域下是稀疏的。離散余弦變換具有能量集中的能力，有利于集中前景能量并區(qū)分于背景。于是將離散余弦變換作為稀疏分析模型，將圖像變換到頻域處理。

其中，符號(hào)函數(shù)表達(dá)式為：

計(jì)算圖像簽名相當(dāng)于丟棄了頻譜中的幅度信息，將矩陣值置為1，即壓縮了數(shù)值高的低頻部分，放大了數(shù)值低的高頻部分，前景信息得到增強(qiáng)。

在信號(hào)稀疏表示的基礎(chǔ)上，稀疏重構(gòu)可以快速恢復(fù)圖像信息得到前景檢測(cè)圖。頻域中的信號(hào)反變換回空間域得到的圖像稱(chēng)作重構(gòu)圖像。記圖像簽名的重構(gòu)圖像為前景重構(gòu)圖像為背景重構(gòu)圖像為

Candes 等人[12]提出的均勻不確定性原理(Uniform Uncertainty Principle，UUP)指出當(dāng)背景足夠稀疏時(shí)有：

其中，?代表的是Hadamard 乘積。

前景-背景分離模型如圖2 所示。

圖2 前景-背景分離模型

2.2 基于歐式距離的背景抑制

對(duì)于平方重構(gòu)圖像I，前景像素雖已突出，但鑒于毫米波圖像中隱匿物品與人體灰度差異小，平方重構(gòu)圖像同時(shí)具有前景背景之間區(qū)分度較弱，后續(xù)檢測(cè)不準(zhǔn)確的問(wèn)題。為了增大圖像對(duì)比度，對(duì)圖像做背景抑制處理。首先計(jì)算反映圖像均值特性的全局平均像素值Imean。

其中，I(i，j)是原顯著圖中每個(gè)像素點(diǎn)的灰度值。歐式距離是圖像在二維空間中兩個(gè)像素點(diǎn)間的真實(shí)距離，也可以看作是兩個(gè)信號(hào)間的相似度，距離越近則越相似。如果將前景、背景看作是兩組相似性像素分組，可以將歐式距離作為度量參數(shù)，計(jì)算實(shí)際像素值與全局平均像素值之間的歐式距離，相似性像素組之間的差異增大，灰度差異更明顯，可以作為顯著值。

最終得到顯著圖：

其中，g 是高斯核，用來(lái)高斯平滑，可以消除一些紋理細(xì)節(jié)和噪聲，使隱匿物品提取更完整。

3 目標(biāo)檢測(cè)

顯著圖已明確突出隱匿物品，因此對(duì)顯著圖閾值分割得到二值圖像，再利用連通域檢測(cè)算法標(biāo)記隱匿物品。

3.1 閾值分割

對(duì)顯著圖S 設(shè)置閾值λ=0.5 劃分為二值圖像，然后用形態(tài)學(xué)方法解決前景像素不連續(xù)的問(wèn)題，最后設(shè)置面積閾值去噪，將面積小于閾值的連通區(qū)域去除，得到最終的二值圖像。

3.2 檢測(cè)標(biāo)記

位置相鄰且像素值相同的前景像素點(diǎn)組成的圖像區(qū)域稱(chēng)作連通域。標(biāo)記二值圖像中的連通域即可實(shí)現(xiàn)隱匿物品標(biāo)記。

4 實(shí)驗(yàn)結(jié)果與分析

4.1 數(shù)據(jù)來(lái)源

實(shí)驗(yàn)中的毫米波圖像由新一代高清晰成像系統(tǒng)(High Definition-Advance Imaging Technology，HD-AIT)[14]生成，本實(shí)驗(yàn)搜集了人體正面以及人體背面兩個(gè)視圖且攜帶有人眼可辨隱匿物品的200 張圖像，圖像大小為660×512×3，對(duì)圖像進(jìn)行檢測(cè)實(shí)驗(yàn)。

4.2 實(shí)驗(yàn)結(jié)果

在比較最終的檢測(cè)結(jié)果之前，對(duì)圖像進(jìn)行前景-背景分離實(shí)驗(yàn)，圖3 是毫米波圖像隱匿物品定位流程。

圖3 前景-背景分離流程

前景-背景分離模型圖雖標(biāo)識(shí)了隱匿物品所在位置，但人體背景冗余像素過(guò)多，干擾了后續(xù)物品的定位，經(jīng)背景抑制處理后背景冗余部分受到抑制。

圖4 展示了圖3 對(duì)應(yīng)的灰度分布圖。隨著前景-背景分離流程的進(jìn)行，圖像灰度分布的雜亂程度逐漸降低，前景背景之間區(qū)分度加強(qiáng)，最后均勻突出前景目標(biāo)。

圖4 灰度分布圖

圖5 是人體正面及背面部分毫米波圖像的最終檢測(cè)結(jié)果，圖中物品的種類(lèi)和放置位置有所不同，但均能準(zhǔn)確定位。

圖5 檢測(cè)結(jié)果

為了進(jìn)一步評(píng)估算法的性能，考察目標(biāo)檢測(cè)評(píng)價(jià)指標(biāo)——檢出率RT(正確檢測(cè)結(jié)果占目標(biāo)總數(shù)的比重)、誤報(bào)率RF（錯(cuò)誤檢測(cè)結(jié)果占所有檢測(cè)結(jié)果的比重）。假設(shè)放置隱匿物品的總數(shù)是M，檢測(cè)到的目標(biāo)總數(shù)為N，包括正確檢測(cè)到的目標(biāo)數(shù)目N1以及錯(cuò)誤檢測(cè)到的目標(biāo)數(shù)目N2。計(jì)算公式為：

表1 中的數(shù)據(jù)表明，隱匿物品在人體正面和背面的檢出率基本相同，但人體正面的誤報(bào)率要高于人體背面，原因在于人體正面膝蓋或隱私部位等處結(jié)構(gòu)復(fù)雜，會(huì)被誤判為隱匿物品，干擾了正常的檢測(cè)，在后續(xù)的識(shí)別過(guò)程中將解決這一問(wèn)題。

表1 分區(qū)域檢測(cè)結(jié)果

文獻(xiàn)[4]和文獻(xiàn)[5]中使用的圖像與本文圖像類(lèi)型相同，相似度較高，于是與本文算法進(jìn)行對(duì)比分析。如表2所示，本文方法的綜合檢出率為90%，誤報(bào)率為6.5%，檢測(cè)效果顯著。

表2 檢測(cè)對(duì)比結(jié)果

由此可以得出結(jié)論，本文提出的基于視覺(jué)顯著性的毫米波隱匿物品檢測(cè)算法是可行的。

5 結(jié)論

現(xiàn)有的毫米波檢測(cè)算法受圖像中隱匿物品與人體之間的灰度差異影響較大，檢測(cè)效果不夠明顯。因此，本文根據(jù)毫米波圖像的特點(diǎn)，結(jié)合頻域顯著性及背景抑制的思路檢測(cè)，相比于傳統(tǒng)的檢測(cè)算法有著更好的檢測(cè)性能。然而在處理結(jié)構(gòu)復(fù)雜的人體區(qū)域時(shí)會(huì)將人體結(jié)構(gòu)誤檢為隱匿物品，后續(xù)的工作將會(huì)從這一角度出發(fā)，結(jié)合人體各部位結(jié)構(gòu)特點(diǎn)排除誤檢，提高檢測(cè)性能。