在电磁波谱中的毫米波段与远红外波段之间,存在一种低频区与毫米波重叠、高频区与红外波重叠的电磁波,即太赫兹波,它是一种穿插在电子学和光子学之间的技术。太赫兹波具备许多特殊的性质,例如脉宽频谱性、光子的低能性、对非极性材料有极强的穿透特性和很好的相干性、瞬时性等优势。随着科技的进步,太赫兹这门核心的学科前端技术得到了非常快速的发展,太赫兹成像系统也渐渐地被运用于各城市的地铁站、火车站、汽车站等公共安全检测卡口进行人体成像检测。基于可见光的人体图像无法检测到隐藏在人体衣物内部的物体,而太赫兹成像系统具有能够穿透人体服装等材料并呈现出隐藏物品(包括金属材料与非金属材料物体等)的优势。但是,太赫兹成像系统生成的太赫兹图像存在色调单一,分辨率、清晰度、对比度差、样本单一、数据量少等特点,而传统的太赫兹图像检测方法主要是通过先验知识结合分类器进行目标检测,存在着检测效率和准确率较低的问题。当前,基于深度学习进行感兴趣对象的检测方法拥有着十分优异的检测效果,但需要大量的数据集作为前提。所以,本文针对太赫兹安检图像中存在的上述问题,进行以下三个方面的工作:(1)本文采用DCGAN生成对抗网络来生成太赫兹安检图像的方法进行太赫兹安检图像数据扩充,解决了由于太赫兹安检图像数据稀少、样本单一、用太赫兹成像系统来扩充太赫兹安检图像数据成本过高的问题,通过DCGAN生成对抗网络能够生成大量的、多样的太赫兹安检图像数据,有效扩充了训练和检测样本的数据量,确保用深度神经网络进行模型训练后得到的模型具有更强的鲁棒性。(2)对扩充后的太赫兹安检图像数据与原太赫兹安检图像数据送入ESRGAN增强超分辨生成对抗网络中对太赫兹安检图像进行超分辨重建,实现将低分辨的太赫兹安检图像转化为高分辨的图像,以获得更高的视觉质量以及更逼真和自然的纹理特征,解决了原太赫兹安检图像分辨率低、清晰度等问题。ESRGAN网络对太赫兹安检图像进行超分辨后得到的太赫兹安检图像中背景噪声仍然存在,以及感兴趣区域与其他的背景之间的对比度还不够明显的问题。本文进一步对超分辨重建后的太赫兹安检图像进行了阈值处理和线性变换,过滤了背景噪声并提升了不同目标之间的区分度,使处理后的太赫兹安检图像质量得到了较大的改善、不同目标之间的区分度得到了进一步提高。(3)采用经典的目标检测网络算法Faster R-CNN网络作为检测处理后的太赫兹安检图像可疑目标的主体架构,考虑到太赫兹安检图像中待检测的可疑目标对象之间存在着大量堆叠的问题,以及原Faster R-CNN网络框架中的NMS非最大值抑制算法在筛选需要的检测框时存在的缺陷(当两个待检测的目标检测对象存在着叠度较高时会删除其中得分较低的另一个目标框而导致漏检的问题),改进了NMS算法。引入Sigmoid加权函数将与目标重叠的另一个检测框的置信度降低,而不是直接删除,保留其他得分较低的目标检测框,解决了因目标重叠造成的漏检问题,提升了对太赫兹安检图像中可疑物体的检测准确性。