Imágenes milimétricas pasivas: procesamiento y mejora para la detección de amenazas

Abstract

La detección y localización de amenazas resulta una tarea de vital importancia en la seguridad de instalaciones públicas o privadas tales como, por ejemplo, aeropuertos, instalaciones gubernamentales, estadios o almacenes de grandes empresas de distribución. Las ondas milimétricas son emitidas de forma natural por todos los cuerpos debido a su temperatura; esta radiación es capaz de atravesar tejidos como la ropa mostrando objetos ocultos bajo esta de distintos materiales: metales, líquidos, plásticos, etc. Las cámaras milimétricas pasivas son dispositivos que captan estas ondas formando una imagen sin la emisión artificial de ningún tipo de radiación, por lo que resultan inocuas. No obstante, la calidad de las imágenes generadas es típicamente muy limitada debido a su baja resolución, escasa relación señal a ruido y otras posibles degradaciones inherentes a los sistemas de captación. Esta tesis doctoral está dedicada al procesamiento y mejora de las imágenes captadas con el objetivo final de hacer más precisos los sistemas de detección. Se proponen soluciones a los problemas de inpainting, eliminación de ruido y deconvolución ciega desde una misma perspectiva probabilística en un marco bayesiano haciendo uso de la inferencia variacional. La aproximación utilizada permite la estimación automática de los parámetros del modelo conjuntamente con la de las propias imágenes subyacentes. Los dos primeros problemas se resuelven mediante el aprendizaje basado en diccionarios, desarrollando un nuevo método para la estimación de los diccionarios y los vectores de coordenadas que representas a las señales en estas ((bases)). La deconvolución ciega elimina el emborronamiento desconocido presente en las imágenes; se propone un método de estimación de este emborronamiento para la estimación de la imagen nítida latente. Ambos trabajos presentan un denominador común, las distribuciones a priori sparseque se utiliza para modelizar nuestro conocimiento sobre la señal subyacente. La presente tesis aborda la inferencia variacional con el uso de estas distribuciones, garantizando soluciones analíticas que aproximan las distribuciones a posteriori de las imágenes latentes, lo que constituye una novedosa contribución a la literatura. Finalmente, se aplican los métodos de mejora de imágenes desarrollados sobre una base de datos de imágenes propia y se estudia el efecto sobre dos métodos de detección con filosofías totalmente distintas: un primer método clásico basado en extracción de características y detección por bloque; y un segundo basado en una red neuronal convolucional con estructura de autoencoder. En ambos casos se observarán mejoras significativas en la detección.

Threat detection and localization is a vital task in security and surveillance applications in private, public or government facilities such as airports, stadiums, warehouses of large logistics companies or embassies. All bodies at a temperurate higher than absolute zero naturally emit millimeter wave radiation which is capable of travelling through layers of clothing revealing hidden objects of different materials: metals, liquids, pastics, etc. Passive millimeter wave cameras/scanners receive the radiation in this band of the spectrum generating an image without the need of artifficial emission of waves, thus not posing a health hazard. However, passive millimeter wave images display very limited quality due to their low signal-to-noise ratio and resolution, as well as other degradations caused by the acquisition systems. This doctoral thesis is devoted to the processing and enhancement of the acquired images with the ultimate goal of improving the accuracy of the detection systems. We propose comprehensive solutions to the inpainting, denoising and blind deconvolution problems from a probabilistic perspective within a Bayesian framework using variational inference. This approach allows for the automatic estimation of all model parameters along with the latent images simultaneously. The first two problems are solved with dictionary learning: we develop an efficient technique for the estimation of the dictionaries and sparse coordinate vectors which represent the observed signals in these \bases". Blind deconvolution supresses the unknown blur in images; a method for the estimation of this blur is proposed to estimate the underlying sharp images. Both works share a common denominator: the use of sparse priors to model the a priori knwledge on the latent signals. This thesis tackles variational inference with the use of these priors, ensuring tractable solutions that closely approximate the posterior distribution of the latent images, constituing a novel contribution to the literature. Finally, we apply the developed image enhancement techniques on an image database and study the impact on two detection methods with radically different philosophies: a classical approach based on feature extraction and per-block classification and a second one which uses an autoencoder-like convolutional neural network. In both cases substantial improvement in detection performance will be observed.