利用深度机器学习检测机场三维人体上的区域与威胁用于安检
计算机视觉与模式识别
2018-06-04 v2
摘要
在本研究中，使用了一种分割与分类方法来识别机场安检人体扫描图像中的威胁。美国国土安全部（DHS）因其当前机场扫描仪所用算法产生了较高的误报率。为修正该问题，他们在 Kaggle 网站发起了一项新竞赛，邀请科学界用新算法改进其检测。本研究使用的数据集来自 DHS：https://www.kaggle.com/c/passenger-screening-algorithm-challenge/data 据 DHS 称：“该数据集包含由称为高清晰度先进成像技术（HD-AIT）系统的新一代毫米波扫描仪获取的大量人体扫描。其由穿着不同服装类型（从轻薄夏装到厚重冬装）、不同体重指数、不同性别、不同威胁数量及不同威胁类型的志愿者组成。”以 Python 为主要语言，对数据集图像进行预处理，利用强度、强度差和局部邻域从 200 个人体中提取特征以进行检测，生成分割区域并标记这些区域用作训练与测试数据集中的真值。随后将这些区域送入 CNN 深度学习分类器以预测 17 个类别（代表人体区域）：zone1、zone2、…、zone17，以及含威胁区域共 34 个区域。分析显示分类器结果为准确率 98.2863%、损失 0.091319，以及召回率和精确率均值均为 100%。
引用
@article{arxiv.1802.00565,
title = {Detecting Zones and Threat on 3D Body for Security in Airports using Deep Machine Learning},
author = {Abel Ag Rb Guimaraes and Ghassem Tofighi},
journal= {arXiv preprint arXiv:1802.00565},
year = {2018}
}
备注
7 pages, 17 figures, This article was accepted from the Star Conference, Data Science and Big Data Analyses MAY 24-25, 2018 | Toronto, Canada