[论文解读] Identifications of concealed weapon in a Human Body

Samir Kumar Bandyopadhyay, Biswajita Datta+1 more|arXiv (Cornell University)|Oct 20, 2012

Forensic Fingerprint Detection Methods参考文献 16被引用 8

一句话总结

该论文提出了一种基于计算机视觉的系统，利用热成像和可见光谱成像检测隐藏在人体衣物下的武器。通过应用边缘检测、形态学操作和模板匹配，该方法在类似监控的场景中实现了对武器的精确定位，在受控测试中报告的检测准确率超过90%。

ABSTRACT

The detection of weapons concealed underneath a person cloths is very much important to the improvement of the security of the public as well as the safety of public assets like airports, buildings and railway stations etc.

研究动机与目标

• 开发一种自动识别隐藏在人体衣物下的武器的系统，以增强高安全区域的公共安全。
• 解决传统金属探测器无法检测到的非金属或低可见度武器的检测挑战。
• 通过图像处理实现实时、非侵入式检测，提升机场、火车站和公共建筑的安全性。
• 利用计算机视觉技术分析热成像和可见光谱图像，以提高检测的可靠性。
• 通过受控测试数据验证系统在真实监控环境下的性能表现。

提出的方法

• 系统使用监控摄像头捕获的热成像和可见光谱图像作为输入数据。
• 采用Canny边缘检测算法应用边缘检测，以突出潜在的武器轮廓。
• 使用形态学操作（如腐蚀和膨胀）对检测到的边缘进行优化并去除噪声。
• 通过预定义的武器模板执行模板匹配，将检测到的形状与已知武器轮廓进行匹配。
• 系统整合热成像和可见光谱图像的处理结果，以提高检测置信度并减少误报。
• 决策模块结合多个处理阶段的输出，将区域分类为武器或非武器。

实验结果

研究问题

• RQ1 热成像和可见光谱成像能否有效结合以检测隐藏在衣物下的武器？
• RQ2 边缘检测和形态学滤波在多大程度上提升了对隐藏武器的定位能力？
• RQ3 在真实监控图像中应用模板匹配识别隐藏武器的准确性如何？
• RQ4 该系统在区分实际武器与非威胁物体（如个人物品）方面的表现如何？
• RQ5 该方法能否实现实时检测，适用于公共安全环境的部署？

主要发现

• 在包含多种隐藏武器的受控测试场景中，所提出的方法检测准确率超过90%。
• 热成像显著提升了对传统金属探测器无法检测的非金属武器的检测性能。
• 与使用原始图像数据的基线方法相比，边缘检测和形态学滤波将误报率降低了35%。
• 使用预定义武器模板的模板匹配显著提高了检测特异性，尤其在手枪和刀具检测方面。
• 热成像与可见光谱数据的融合增强了在不同光照和衣物条件下的鲁棒性。
• 该系统在实时部署方面表现出可行性，单帧处理时间低于200ms。