一种基于毫米波安检图像的隐匿物检测方法及系统与流程

本发明涉及毫米波成像领域，特别涉及一种基于毫米波安检图像的隐匿物检测方法及一种基于毫米波安检图像的隐匿物检测系统。

背景技术：

近年来，国际国内反恐形势日趋严峻，安全问题成为各国社会普遍关注的问题，特别是在重要场合的人员安全检查压力巨大，例如车站、机场、港口、各地通关卡口，大型场馆集会也都面临着需要快速通行的人员安检压力。

以往常规的安检都是面向单个合作目标人物的安检，主要是检查随身携带的小物品，如打火机、小刀、液体等，比较典型的就是机场和火车站入口的安检。经过多年的实践运行，这类安检非常重要，有效阻止了个人携带危险物品进入重要场所的事件发生。

采取金属探测、红外线、x射线、人工手摸等传统安检手段已不能适应新安全形势的要求。传统的金属探测器只能对近距离小范围目标进行检测；x光等各种射线会对被测人体造成电离辐射伤害；红外线基于物体表面温度成像，在有织物遮挡的情况下无法清晰成像。而毫米波安检成像系统不仅可检测出织物下隐匿金属物，还可以检测出塑料手枪、陶瓷刀具、炸药等非金属危险品，可以获得可视化的安检图像。

在现有技术的毫米波安检成像系统中，美国l-3，英国smith公司和德国rohde&schwarz主导着国外毫米波安检成像仪市场，代表着毫米波安检成像技术的最高水平，但这三款成像仪都是面对近距离合作目标的安检成像系统。其中，l3毫米波成像仪产品(如图1所示)成像分辨率小于1cm，扫描时间为2s左右，其最大的特点是旋转式机械扫描，其成像算法为基于密布阵的后向散射的全息成像算法，当被检物体静止时，成像图像伪影副瓣低，成像质量高。德国rs毫米波安检成像系统(如图2所示)，采用了无机械扫描的全电子稀疏阵面结构，其成像算法基本原理也是类似于l3公司的基于后向散射的全息成像算法。对于l3和rs的毫米波成像仪，其工作带宽不超过10ghz，因此其纵向距离分辨率不超过1.5cm，在实际应用时，由于纵向分辨率不高，从而当被检旅客穿多件衣服或厚衣服时会严重影响图像分辨率。smithsdetection公司的毫米波成像仪的成像原理与基本算法与前述两个公司相近。

但是与目前现有的近距离静止合作目标人物成像的自动目标识别算法相比，运动状态下的非合作目标人物的自动目标识别算法由于运动带来的图像模糊或畸变，要识别图像中隐匿物的难度更大。如何提高安检成像中对人体携带危险品的识别率是现有技术需要亟待解决的问题。

技术实现要素：

本发明技术方案所需解决的技术问题为，如何提高毫米波安检成像中危险隐匿物的识别率。

为了解决上述技术问题，本发明技术方案提供了一种基于毫米波安检图像的隐匿物检测方法，包括：

利用不携带隐匿物和携带隐匿物正负两类样本的图像数据对卷积神经网络中的随机初始化参数进行训练；

利用训练好的卷积神经网络，针对新采样的毫米波安检图形数据进行特征提取，并利用提取后的特征继续训练所述卷积神经网络或分类器；

使待检测毫米波图像通过训练后的卷积神经网络以得到隐匿物检测结果。

可选的，所述利用不携带隐匿物和携带隐匿物正负两类样本的图像数据对卷积神经网络中的随机初始化参数进行训练包括：

基于iou指标使所述图像数据像通过预设滑动窗进行正负样本选择以训练卷积神经网络，所述iou指标适于对所述图像数据筛选及训练所述图像数据间的特征差别。

可选的，所述iou指标指的是测量所述图像数据中检测到隐匿物准确度的标准。

可选的，所述针对新采样的毫米波安检图形数据进行特征提取包括：

使新采样的毫米波安检图形数据通过训练后的卷积神经网络以提取多层次特征；

所述利用提取后的特征继续训练所述卷积神经网络或分类器包括：

对所提取的多层次特征进行自动分类，并根据相似程度标记出可疑区域；

综合所有的可疑区域叠加得到可疑目标热度图，进而确定所述新采样的毫米波安检图形数据中隐匿物的可疑目标位置；

基于所述隐匿物的可疑目标位置继续训练所述卷积神经网络或分类器。

可选的，所述针对新采样的毫米波安检图形数据进行特征提取包括：

提取所述新采样的毫米波安检图形数据的fast特征；

利用提取后的特征继续训练所述卷积神经网络或分类器包括：

基于所提取的毫米波安检图形数据的fast特征对毫米波安检图形数据进行隐匿物区域初步判断；

基于初步判断的隐匿物区域进行聚类，确定搜索区域；

使用预设滑动窗口对搜索区域附近做穷举搜索，并使用所述训练好的卷积神经网络对窗口区域图像进行检测识别，区分有无隐匿物存在；

对所述检测识别的结果进行概率统计，得到最可能存在隐匿物的位置；

基于所述隐匿物的位置继续训练所述卷积神经网络或分类器。

可选的，所述预设滑动窗口大小为60×44。

可选的，所述卷积神经网络为7层，从输入层开始，第一个卷积层大小为5×5，输出40个56×40的特征图，经过第一个池化层后特征图数量不变，大小抽取为28×20；第二个卷积层使用5×5的卷积核，输出30个24×16的特征图，经过第二个池化层后特征图数量不变，大小抽取为12×8；第三个卷积层使用5×5的卷积核，卷积后输出30个8×4的特征图，第三个卷积层输出连接到全连接层，经过softmax输出得到最终判别结果。

为了解决上述技术问题，本发明技术方案提供了另一种基于毫米波安检图像的隐匿物检测系统，包括：

初始训练单元，适于利用不携带隐匿物和携带隐匿物正负两类样本的图像数据对卷积神经网络中的随机初始化参数进行训练；

继续训练单元，适于利用训练好的卷积神经网络，针对新采样的毫米波安检图形数据进行特征提取，并利用提取后的特征继续训练所述卷积神经网络或分类器；

检测单元，适于使待检测毫米波图像通过训练后的卷积神经网络以得到隐匿物检测结果。

可选的，所述继续训练单元包括：

多层次提取子单元，适于使新采样的毫米波安检图形数据通过训练后的卷积神经网络以提取多层次特征；

标记子单元，适于对所提取的多层次特征进行自动分类，并根据相似程度标记出可疑区域；

可疑检测子单元，适于综合所有的可疑区域叠加得到可疑目标热度图，进而确定所述新采样的毫米波安检图形数据中隐匿物的可疑目标位置；

第一训练子单元，适于基于所述隐匿物的可疑目标位置继续训练所述卷积神经网络或分类器。

可选的，所述继续训练单元包括：

fast特征提取子单元，适于提取所述新采样的毫米波安检图形数据的fast特征；

初步判断子单元，适于基于所提取的毫米波安检图形数据的fast特征对毫米波安检图形数据进行隐匿物区域初步判断；

聚类子单元，适于基于初步判断的隐匿物区域进行聚类，确定搜索区域；

识别子单元，适于使用预设滑动窗口对搜索区域附近做穷举搜索，并使用所述训练好的卷积神经网络对窗口区域图像进行检测识别，区分有无隐匿物存在；

统计子单元，适于对所述检测识别的结果进行概率统计，得到最可能存在隐匿物的位置；

第二训练子单元，适于基于所述隐匿物的位置继续训练所述卷积神经网络或分类器。

本发明技术方案的有益效果至少包括：

本发明技术方案能够针对非合作目标人物在行走状态下的安检成像图像，对生成图像进行携带危险品的自动目标识别，并提高隐匿物的识别准确率。本发明技术方案所提供的技术方案能够比传统方法在检测率和虚警率这两个关键指标上有明显提高，符合实效。本发明技术方案基于深度学习神经网络模型，尝试推导出模型中与实际场景中各物理量关系，从而可以提高图像隐匿物目标识别的准确率。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其他特征、目的和优点将会变得更明显：

图1为现有技术中一种毫米波安检成像系统的应用情况示意图；

图2为现有技术中另一种毫米波安检成像系统的应用情况示意图；

图3为一种用于合作式人体安检的主动毫米波成像安检仪结构示意图；

图4为一种三维密布阵成像系统结构示意图；

图5为本发明技术方案所涉及的隐匿物在毫米波图像中的存在情况示意图；

图6为本发明技术方案所涉及的隐匿物在毫米波图像中的检测方法的框图示意图；

图7为本发明技术方案对毫米波图像使用fast特征进行异物区域初步判断的结果示意图；

图8为本发明技术方案所使用的一种cnn网络结构示意图；

图9为本发明技术方案对5种隐匿物进行测试的结果示意图；

图10为本发明技术方案对100张图片进行统计后的检测结果示意图；

图11为本发明技术方案提供的一种基于毫米波安检图像的隐匿物检测方法流程示意图；

图12为本发明技术方案提供的一种基于毫米波安检图像的隐匿物检测系统的结构示意图；

图13为本发明技术方案提供的另一种基于毫米波安检图像的隐匿物检测系统的结构示意图。

具体实施方式

为了更好的使本发明的技术方案清晰的表示出来，下面结合附图对本发明作进一步说明。

毫米波安检成像系统，即一种用于合作式人体安检的主动毫米波成像安检仪的主要结构如图3所示，该系统采用电子阵列扫描与机械扫描相结合，核心为2×80阵元的毫米波收发成像前端线阵，水平方向依靠成像前端线阵通过开关切换进行扫描，垂直方向通过成像前端线阵的垂直机械运动扫描，再结合每行水平扫描都进行多频点扫描，从而获得成像目标区域的空-频三维电磁回波数据。从成像算法来看，该成像系统可理解为如图4所示的三维密布阵成像系统。

结合图4，假设目标(“target”)为一个体目标(“targetpoint”)，该体目标上的一个强反射点坐标为(x,y,z)，通过电子开关切换和垂直机械扫描实现的布满收发机的扫描平面(“scannedaperture”)仍然位于在z＝z1的平面上，该扫描平面上的一个收发机的位置(“transceiverposition”)为(x’,y’,z1)。

当系统工作在一个宽的频带而非一个频点时，对于目标的反射特性函数f(x,y,z)进行积分可得到某个收发机在频点ω＝kc的接收响应，k为波函数。

通过变换可以得到该系统的基本算法原理公式为：

由算法公式可见，主动毫米波安检成像需要采集到每个扫描点的回波复信号，即回波的幅度和相位，即可恢复成像场景图像。

基于上述毫米波安检成像系统及其成像原理，针对非合作目标人物在行走状态下的安检成像，还需研究对生成图像进行携带危险品的自动目标识别算法研究。与目前现有的近距离静止合作目标人物成像的自动目标识别算法相比，运动状态下的非合作目标人物的自动目标识别算法由于运动带来的图像模糊或畸变，其难度更大。在本发明技术方案的研究中，需要提高对人体携带危险品的识别率并尽可能降低虚警率。

与合作型毫米波太赫兹人体安检系统主要以静态图像为目标自动检测的数据源相比，非合作型安检系统因被检者的姿势、运动、位置不受限制，会导致所成图像在大小、位置、形态、灰度信息上出现极大的差异，还可能出现多个人体和物品且其相互之间还会出现遮挡，因此目标自动检测的数据源将采用毫米波视频流和同步录制的光学视频流，这两个数据源提供了被测对象不同的信息，合理利用这些信息可以弥补非合作型安检系统工作模式，克服上述目标检测的困难。

本发明技术方案考虑采用多模态信息融合模型来实现目标的自动检测，同时这两个视频流反映了被测目标在随被测者运动过程中时空特性变化，采用时空统一深度学习神经网络模型进行处理以充分利用被测目标的时空相关性。

由于目标自动检测的数据源由单幅图像变成了两个视频流，数据量大大增加，对采用的深度学习神经网络训练提出了更高的要求，本发明技术方案将研究小数据样本条件下的网络训练和网络的半监督训练，以降低对网络学习的各种开销和对实际使用的要求。

在本发明技术方案中将按以上的系统设计研制可重构毫米波安检成像系统，然后利用该系统进行成像算法实验以及自动危险品目标识别算法验证。在进行实验验证时，将安排不同的性别、不同体型的人作为实验对象。实验时将通过静止和行走、携带危险品和不携带危险品等条件对成像算法和自动目标识别算法进行调试和完善。

在获得非合作行人目标的毫米波图像和视频图像后，将利用视频图像对毫米波图像进行相应的图像增强，然后再进行降噪，去除背景噪声，最大限度地保持人体图像的完整，之后提取图像特征，通过分类器对不同的成像情形进行深度学习和识别。

(a)多模态信息融合

与合作型毫米波太赫兹人体安检系统的主要以静态图像为目标自动检测的数据源相比，非合作型安检系统因被检者的姿势、运动、位置不受限制，会导致所成图像在大小、位置、形态、灰度信息上出现极大的差异，还可能出现多个人体和物品且其相互之间还会出现遮挡。因此，目标自动检测的数据源将采用毫米波视频流和光学视频流，这两个数据源提供了被测对象不同的信息，合理利用这些信息可以弥补非合作型安检系统工作模式改变带来的上述目标检测困难。本发明考虑采用多模态信息融合的策略来实现目标的自动检测，一种方法是采用两个深度学习网络(卷积神经网络或针对视频信息处理的递归神经网络)分别处理毫米波视频流和光学视频流，然后用常规数据融合方法在空间对应和时间对应的约束条件下进行信息融合，再根据融合后的信息进行目标识别；另一种则彻底采用统一的一个深度学习网络框架，毫米波视频流和光学视频流分别作为多源输入的两大部分，然后在高层抽象的部分统一抽取高级特征进行分类识别。

(b)深度强化学习

本发明技术方案若采用卷积神经网络进行危险品自动检测除了是否有足够的海量训练数据集之外，还存在这些数据是否已标记的问题，这在非合作型毫米波太赫兹安检系统中将会显得尤为突出，因为用于训练的数据将从图像变为视频，很难对视频中的每一帧图像都人工进行标记(位置和类型)，并且由于位置角度的原因造成的遮挡会让目标并非始终出现在整个被检测时间段内。本发明计划采用部分已标记数据加部分无标记数据的组合形式来解决这一问题，即将监督训练改成半监督训练。具体实现这一设想的一种方案是将卷积神经网络和强化学习相结合，充分利用前者的感知能力和后者的决策能力。在视频流中选择若干包含位置明确的目标的视频帧进行标记，用于卷积神经网络的有监督训练；而在其相邻的这些视频帧根据目标被检测到的可能性和前述的相应位置和大小制定强化学习的奖惩规则，用于卷积神经网络的强化学习，这将有助于提高目标检测的识别率。

(c)深度迁移学习

迁移学习是指运用已学好的知识对不同但相关领域的问题进行求解的一种机器学习方法。在本发明技术方案存在一个问题，即可能没有足够的时间采集标记足够多的合作型毫米波太赫兹安检系统的数据形成海量数据的训练库，或者所采集的数据尚不能覆盖危险品隐匿的各种情形，从而造成所开发的实验系统因训练不够充分而导致危险品的自动检测效果不佳。若将卷积神经网络和迁移学习相结合，则可能解决这一问题，形成卷积神经网络的迁移学习，其流程将是：

1)利用已有合作型毫米波太赫兹安检系统在指定的近场位置已不同的姿势内拍摄下不携带隐匿物和携带隐匿物正负两类样本的图像数据，隐匿物按非合作型毫米波太赫兹安检系统所要检测的目标设计，加上已付诸实用的合作型毫米波太赫兹安检系统的实检标准姿势的图像数据，对卷积神经网络中的随机初始化参数进行训练；

2)利用训练好的卷积神经网络，针对试制的非合作型毫米波太赫兹安检系统的新采样数据进行特征提取；

3)利用提取后的特征，针对试制的非合作型毫米波太赫兹安检系统的数据进一步训练卷积神经网络或分类器。

这种卷积神经网络结合迁移学习的研究可能具有如下意义：1)解决卷积神经网络在小数据集条件下训练样本不够的问题；2)充分利用合作型毫米波太赫兹安检系统的已有成果，大幅减少重新训练非合作型毫米波太赫兹安检系统配套网络时所需的开销以及后续系统硬件升级时相应的软件升级开销；3)针对新出现的危险品或危险品隐匿的新方式，可以采用类似递进的方式提高卷积神经网络的检测性能。

(d)时空目标检测

由于非合作型安检系统最终提供用于目标自动检测的数据源是毫米波视频流和同步拍摄的光学视频流，而人体的运动可能赋予目标很强的时空变化特性，增大自动检测的难度。本发明考虑利用以往在视频流进行注意力选择信息处理中研究的经验和成果，除了将视频流解耦成图像集再将抽取的目标信息组成时间序列进行检测分析的常规方法，还考虑统一地把两个视频流构成高维数据空间，将原来两维的卷积深度神经网络推广诚高维卷积神经网络，构建新的高维卷积核，充分利用目标时空信息的高度相关性，提高目标检测的识别率。

卷积神经网络(cnn)需要海量带标签的数据用于参数训练，而毫米波/太赫兹人体安检图像成像因需要专用设备数据保有量有限以及不同隐匿物因成分差异导致可能和人体骨骼的灰阶很难区分等问题，本发明技术方案提出了基于cnn网络的人体隐匿物自动检测方法，分为三个步骤：

首先，基于iou(intersectionoverunion)指标对毫米波图像通过由先验知识确定大小的滑动窗进行正负样本选择，用于克服目前毫米波图像数据库训练样本集不足的问题，基本满足了所设计的cnn网络深度学习对训练数据集大小的要求；

同时，新提出了iog(intersectionoverground-truth)指标并以此对候选正负样本进一步筛选，扩大训练用正负样本间的特征差别，增强训练得到的cnn模型泛的化能力。

然后，对待检测毫米波图像，让每一个滑动窗截取的图像块通过训练后的cnn提取多层次特征，并以此进行自动分类，并根据相似程度标记出可疑区域。

最后，综合所有的可疑区域叠加得到可疑目标热度图，进而确定可疑目标的位置。

本发明技术方案所涉及的隐匿物在毫米波图像中的存在情况可参考图5。

本发明技术方案所涉及的隐匿物在毫米波图像中的检测方法的框图可参考图6。

使用上述检测方法在毫米波/太赫兹人体安检成像系统提供的数据集上的初步测试结果表明比传统方法在检测率和虚警率这两个关键指标上有明显提高，检测率由不超过50％提高到88％，虚警率则由传统方法中的最大的85％降为13.5％，基本符合实用的要求。

本发明技术方案还根据外部提供的700张simimage系统毫米波静态安检图像进行了分析和研究，提出了一种毫米波图像中异物检测与定位的算方法。该方法的基本思想与流程如下：

1)考虑到异物和身体部位连接处会一般有纹理上的变化，而图像fast(featuresfromacceleratedsegmenttest)特征对这种变化区域比较敏感，因此检测这种图像特征可对异物进行定位和识别。对毫米波图像使用fast特征进行异物区域初步判断的结果如图7所示，图7中“+”点标注的位置为可能存在异物的区域。

2)对可能存在异物的区域进行聚类，确定搜索区域。

3)使用滑动窗口对特征区域附近做穷举搜索，搜索窗口大小为60×44，使用卷积神经网络cnn(convolutionalneuralnetwork)对窗口区域图像进行检测和识别，区分有无异物存在。cnn网络结构如图8所示。即：

使用的卷积神经网络为7层，从输入层开始，第一个卷积层大小为5×5，输出40个56×40的特征图，经过第一个池化层后特征图数量不变，大小抽取为28×20；第二个卷积层使用5×5的卷积核，输出30个24×16的特征图，经过第二个池化层后特征图数量不变，大小抽取为12×8；第三个卷积层使用5×5的卷积核，卷积后输出30个8×4的特征图，第三个卷积层输出连接到全连接层，经过softmax输出得到最终判别结果。

4)对cnn识别结果进行概率统计，得到最可能的异物位置。外部所提供的700张图像包含的异物包括刀、枪、手机、榔头、扳手，共5种。对其中600张图像(572张包含单个异物、28张不含异物)进行分割并使用它们对以上cnn进行训练。训练完成后，用100张图像进行测试，其中包含单个异物的图像88张，不含异物的图像12张。对5种异物测试的结果如图9所示，包括：a)锤子(hammer)，b)扳手(wrench)，c)手机(mobilphone)，d)刀(knife)，5)手枪(gun)。图中虚线框部分为groundtruth，实线框为定位的结果。对100张图片进行统计后的结果如图10所示检测统计数据表所示，本测试集中总体识别率可达到95％。

传统采用深度神经网络进行图像目标识别，大多都是进行纯图像频谱方面的黑盒子式操作，而忽视了实际系统各个物理参量与神经网络输入元间的关系，从而无法将神经网络模型与实际成像系统和成像目标相联系，无法给出物理参量模型。在本发明技术方案中，对于运动目标，与现有静止目标相比，还会有人行走时不同部位的散射模型和丰富的多普勒信息，因此需要经过大量的理论研究和实验验证，研究用于行人非合作目标的图像目标识别的深度学习神经网络模型，尝试推导出模型中与实际场景中各物理量关系，从而可以提高图像中隐匿物目标识别的准确率。

本发明技术方案基于上述内容，提供了一种基于毫米波安检图像的隐匿物检测方法，如图11所示，包括：

步骤s100，利用不携带隐匿物和携带隐匿物正负两类样本的图像数据对卷积神经网络中的随机初始化参数进行训练；

步骤s101，利用训练好的卷积神经网络，针对新采样的毫米波安检图形数据进行特征提取，并利用提取后的特征继续训练所述卷积神经网络或分类器；

步骤s102，使待检测毫米波图像通过训练后的卷积神经网络以得到隐匿物检测结果。

根据步骤s100，上述利用不携带隐匿物和携带隐匿物正负两类样本的图像数据对卷积神经网络中的随机初始化参数进行训练包括：

基于iou指标使所述图像数据像通过预设滑动窗进行正负样本选择以训练卷积神经网络，所述iou指标适于对所述图像数据筛选及训练所述图像数据间的特征差别。所述iou指标指的是测量所述图像数据中检测到隐匿物准确度的标准。

根据步骤s101，在一种实例中，所述针对新采样的毫米波安检图形数据进行特征提取包括：使新采样的毫米波安检图形数据通过训练后的卷积神经网络以提取多层次特征；

所述利用提取后的特征继续训练所述卷积神经网络或分类器包括：对所提取的多层次特征进行自动分类，并根据相似程度标记出可疑区域；以及，综合所有的可疑区域叠加得到可疑目标热度图，进而确定所述新采样的毫米波安检图形数据中隐匿物的可疑目标位置；基于所述隐匿物的可疑目标位置继续训练所述卷积神经网络或分类器。

根据步骤s101，在另一种实例中，所述针对新采样的毫米波安检图形数据进行特征提取包括：提取所述新采样的毫米波安检图形数据的fast特征；

所述利用提取后的特征继续训练所述卷积神经网络或分类器包括：

基于所提取的毫米波安检图形数据的fast特征对毫米波安检图形数据进行隐匿物区域初步判断；

基于初步判断的隐匿物区域进行聚类，确定搜索区域；

使用预设滑动窗口对搜索区域附近做穷举搜索，并使用所述训练好的卷积神经网络对窗口区域图像进行检测识别，区分有无隐匿物存在；

对所述检测识别的结果进行概率统计，得到最可能存在隐匿物的位置；

基于所述隐匿物的位置继续训练所述卷积神经网络或分类器。

所述预设滑动窗口大小及卷积神经网络的结构可以参考上述内容。

根据步骤s102，实际上步骤s102的具体实施过程可以参考步骤s101的实施过程，步骤s102与s101可以并行执行，或者在其他实施例中所述步骤s101及s102可以兼做同一个步骤。在其他实施例中，所述待检测毫米波图像可以理解为一种新采样的毫米波安检图形数据，因此所述步骤s102的执行过程可以参考步骤s101执行。

在所述训练好的卷积神经网络足够精确时，则可以直接根据已经训练后的卷积神经网络根据一般图像特征提取原则进行提取后得到检测结果。

在一种步骤s102的执行过程中，包括：

使新采样的毫米波安检图形数据通过训练后的卷积神经网络以提取多层次特征；

对所提取的多层次特征进行自动分类，并根据相似程度标记出可疑区域；以及，

综合所有的可疑区域叠加得到可疑目标热度图，进而确定所述新采样的毫米波安检图形数据中隐匿物的可疑目标位置。

在另一种步骤s102的执行过程中，包括：

提取所述新采样的毫米波安检图形数据的fast特征；

基于所提取的毫米波安检图形数据的fast特征对毫米波安检图形数据进行隐匿物区域初步判断；

基于初步判断的隐匿物区域进行聚类，确定搜索区域；

使用预设滑动窗口对搜索区域附近做穷举搜索，并使用所述训练好的卷积神经网络对窗口区域图像进行检测识别，区分有无隐匿物存在；

对所述检测识别的结果进行概率统计，得到最可能存在隐匿物的位置。

本发明技术方案基于上述隐匿物检测方法，还提供了一种基于毫米波安检图像的隐匿物检测系统，如图12所示，包括：

初始训练单元1，适于利用不携带隐匿物和携带隐匿物正负两类样本的图像数据对卷积神经网络中的随机初始化参数进行训练；

继续训练单元2，适于利用训练好的卷积神经网络，针对新采样的毫米波安检图形数据进行特征提取，并利用提取后的特征继续训练所述卷积神经网络或分类器；

检测单元3，适于使待检测毫米波图像通过训练后的卷积神经网络以得到隐匿物检测结果。

在另一种变化例中，一种基于毫米波安检图像的隐匿物检测系统，如图13所示，包括：

初始训练单元1’，适于利用不携带隐匿物和携带隐匿物正负两类样本的图像数据对卷积神经网络中的随机初始化参数进行训练；

检测单元2’，适于利用训练好的卷积神经网络，使待检测毫米波图像通过训练后的卷积神经网络进行特征提取，以得到隐匿物检测结果，并利用提取后的特征继续训练所述卷积神经网络或分类器。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。