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，機(jī)場、車站等公共場所的安全問題日益得到重視，對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到隱匿物品，且對人體無害，有逐步取代傳統(tǒng)安檢手段的趨勢[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成了目前亟待解決的問題。目前毫米波成像系統(tǒng)輸出的圖像分辨率較差，信噪比低，對目標(biāo)檢測性能有負(fù)面影響，容易造成誤檢和漏檢[3]。這些都給隱匿物品檢測帶來了巨大的挑戰(zhàn)。

毫米波圖像中隱匿物品的種類包含手槍、管制刀具等[4]，基于對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。DU 等人[5]提出了一種灰度分離模型，可以檢測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，通過設(shè)置多級閾值區(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)，通過對信息建模，結(jié)合像素點(diǎn)的灰度和結(jié)構(gòu)信息來檢測隱匿物品，在相對復(fù)雜的數(shù)據(jù)下表現(xiàn)良好，但計算復(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)確的問題，因此有必要針對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)檢測算法?，F(xiàn)有的目標(biāo)檢測算法中，顯著性檢測為提升毫米波圖像的檢測性能帶來了契機(jī)。顯著性檢測可以模擬人類視覺優(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)檢測等多個領(lǐng)域投入了使用[9]。從毫米波圖像的特點(diǎn)來看，毫米波圖像檢測與顯著性檢測有較高的契合點(diǎn)。

本文針對毫米波圖像成像質(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算法。首先對圖像預(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，通過連通域標(biāo)記完成檢測。

1 檢測預(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，圖像周圍存在邊緣模糊、偽影等現(xiàn)象，尤其兩腿之間的偽影，影響了檢測的準(zhǔn)確性[10]，因此對圖像作預(yù)處理，消除噪聲和偽影。

預(yù)處理包含兩個模塊，第一個模塊對圖像降噪，消除背景噪聲；第二個模塊提取人體區(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閾值選取算法，選取閾值并分割可以得到二值圖像。經(jīng)過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，因此對它們分割處理。分割的關(guān)鍵在于關(guān)鍵點(diǎn)坐標(biāo)的計算，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)可以通過像素點(diǎn)在人體對稱中心垂直方向下降得到。得到坐標(biāo)后可以計算得到人體高度，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和背景信號。

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，且無法最大限度地利用已知數(shù)據(jù)，會帶來一定的信息損耗。信號的稀疏編碼解決了這一問題，稀疏編碼的目的在于用盡可能少的原子來表示信號，從而更容易地獲取信號中的主要信息。一般而言，圖像在空域是不稀疏的，但經(jīng)過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，符號函數(shù)表達(dá)式為：

計算圖像簽名相當(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圖。頻域中的信號反變換回空間域得到的圖像稱作重構(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)圖像同時具有前景背景之間區(qū)分度較弱，后續(xù)檢測不準(zhǔn)確的問題。為了增大圖像對比度，對圖像做背景抑制處理。首先計算反映圖像均值特性的全局平均像素值Imean。

其中，I(i，j)是原顯著圖中每個像素點(diǎn)的灰度值。歐式距離是圖像在二維空間中兩個像素點(diǎn)間的真實距離，也可以看作是兩個信號間的相似度，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)，計算實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

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

3.1 閾值分割

對顯著圖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)域稱作連通域。標(biāo)記二值圖像中的連通域即可實現(xiàn)隱匿物品標(biāo)記。

4 實驗結(jié)果與分析

4.1 數(shù)據(jù)來源

實驗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，本實驗搜集了人體正面以及人體背面兩個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，對圖像進(jìn)行檢測實驗。

4.2 實驗結(jié)果

在比較最終的檢測結(jié)果之前，對圖像進(jìn)行前景-背景分離實驗，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)識了隱匿物品所在位置，但人體背景冗余像素過多，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結(jié)果，圖中物品的種類和放置位置有所不同，但均能準(zhǔn)確定位。

圖5 檢測結(jié)果

為了進(jìn)一步評估算法的性能，考察目標(biāo)檢測評價指標(biāo)——檢出率RT(正確檢測結(jié)果占目標(biāo)總數(shù)的比重)、誤報率RF（錯誤檢測結(jié)果占所有檢測結(jié)果的比重）。假設(shè)放置隱匿物品的總數(shù)是M，檢測到的目標(biāo)總數(shù)為N，包括正確檢測到的目標(biāo)數(shù)目N1以及錯誤檢測到的目標(biāo)數(shù)目N2。計算公式為：

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，會被誤判為隱匿物品，干擾了正常的檢測，在后續(xù)的識別過程中將解決這一問題。

表1 分區(qū)域檢測結(jié)果

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

表2 檢測對比結(jié)果

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

5 結(jié)論

現(xiàn)有的毫米波檢測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，相比于傳統(tǒng)的檢測算法有著更好的檢測性能。然而在處理結(jié)構(gòu)復(fù)雜的人體區(qū)域時會將人體結(jié)構(gòu)誤檢為隱匿物品，后續(xù)的工作將會從這一角度出發(fā)，結(jié)合人體各部位結(jié)構(gòu)特點(diǎn)排除誤檢，提高檢測性能。