[發(fā)明專利]基于前后背景分卷積神經(jīng)網(wǎng)絡(luò)的X光違禁物品檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202110392132.3
• 申請(qǐng)日: 2021-04-13
• 公開(kāi)（公告）號(hào): CN113095404B
• 公開(kāi)（公告）日: 2023-07-04
• 發(fā)明（設(shè)計(jì)）人: 劉靜;邵方濤
• 申請(qǐng)（專利權(quán)）人: 西安電子科技大學(xué)
• 主分類號(hào): G06V10/764
• 分類號(hào): G06V10/764;G06V10/82;G06N3/0464;G06N3/0455;G06N3/084;G06T7/194;G06T7/73;G01N23/04
• 代理公司: 陜西電子工業(yè)專利中心 61205
• 代理人: 陳宏社;王品華

本發(fā)明提出了一種基于前后背景分離卷積神經(jīng)網(wǎng)絡(luò)的X光違禁物品檢測(cè)方法，主要解決現(xiàn)有技術(shù)難以在重疊嚴(yán)重的X光場(chǎng)景下對(duì)違禁物品精確檢測(cè)的問(wèn)題。實(shí)現(xiàn)步驟為：(1)獲取訓(xùn)練樣本集和測(cè)試樣本集；(2)構(gòu)建前后背景分離神經(jīng)網(wǎng)絡(luò)模型；(3)對(duì)前后背景分離卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行迭代訓(xùn)練；(4)獲取X光圖像違禁物品識(shí)別結(jié)果。本發(fā)明在構(gòu)建X光違禁物品檢測(cè)模型結(jié)構(gòu)時(shí)，首先構(gòu)建特征提取網(wǎng)絡(luò)模型的結(jié)構(gòu)，然后用前景解碼器和背景解碼器來(lái)分別重構(gòu)前景和背景，再利用注意力網(wǎng)絡(luò)使高級(jí)特征關(guān)注于前景，解決了現(xiàn)有技術(shù)難以在重疊嚴(yán)重的X光場(chǎng)景下排除無(wú)關(guān)信息對(duì)違禁物品檢測(cè)產(chǎn)生影響的問(wèn)題，從而提高了X光場(chǎng)景下違禁物品的檢測(cè)準(zhǔn)確率。

技術(shù)領(lǐng)域

本發(fā)明屬于計(jì)算機(jī)視覺(jué)技術(shù)領(lǐng)域，涉及一種X光違禁物品檢測(cè)方法，具體涉及一種基于前后背景分離卷積神經(jīng)網(wǎng)絡(luò)的X光圖像違禁物品的檢測(cè)方法。

背景技術(shù)

X光圖像檢測(cè)廣泛應(yīng)用于維持公共交通樞紐以及物流運(yùn)輸，有效降低了危險(xiǎn)事件和犯罪事件的發(fā)生。隨著交通吞吐量的增加和對(duì)安全要求的提高，低效和繁瑣的人工X光圖像檢查越來(lái)越難以滿足要求，一種自動(dòng)精準(zhǔn)識(shí)別X光圖像中的違禁物品的檢查方法變得越來(lái)越重要。目前已經(jīng)有很多目標(biāo)檢測(cè)算法在普通光學(xué)圖像上取得了優(yōu)異的結(jié)果，然而X光圖像的成像特性與普通光學(xué)圖像不同，X光違禁物品圖像中的物體以半透明的形式呈現(xiàn)，物體之間遮擋嚴(yán)重并且失去了紋理和光澤特征，使得現(xiàn)有的目標(biāo)檢測(cè)算法難以在X光違禁物品場(chǎng)景下保持檢測(cè)精度。

目前，對(duì)X光圖像中的違禁物品檢測(cè)主要有兩種方法：一種方法是通過(guò)傳統(tǒng)視覺(jué)方法檢測(cè)違禁物品，一種用深度學(xué)習(xí)方法檢測(cè)違禁物品。傳統(tǒng)視覺(jué)方法首先用滑動(dòng)窗口等策略對(duì)整幅圖像進(jìn)行區(qū)域選擇，然后用特征描述子如HOG，SIFT，Haar等來(lái)對(duì)圖像進(jìn)行特征提取，最后用機(jī)器學(xué)習(xí)的分類器支持向量機(jī)對(duì)圖像進(jìn)行檢測(cè)和識(shí)別。傳統(tǒng)視覺(jué)方法在特定場(chǎng)景下具有優(yōu)勢(shì)，但需人工設(shè)計(jì)規(guī)則，且難以泛化，在復(fù)雜的X光圖像場(chǎng)景下效果精度較低。深度學(xué)習(xí)方法分為兩階段和單階段方法，兩階段方法先利用區(qū)域推薦獲得候選框，將候選框輸入到卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)到特征向量，由支持向量機(jī)對(duì)特征向量分類并完成候選框的框標(biāo)定和回歸，而單階段方法通過(guò)卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)到特征后直接回歸物體的類別和坐標(biāo)值。深度學(xué)習(xí)方法相比傳統(tǒng)方法具有更高的精度，但X光圖像上的物體以半透明的狀態(tài)相互重疊，使得現(xiàn)有深度學(xué)習(xí)方法在X光圖像場(chǎng)景下檢測(cè)精度欠佳。

隨著深度學(xué)習(xí)的發(fā)展，更多的方法使用卷積神經(jīng)網(wǎng)絡(luò)作為主要框架來(lái)檢測(cè)X光圖像中的違禁物品。Yanlu?Wei等人于2020年在其發(fā)表的論文“Occluded?Prohibited?ItemsDetection:An?X-ray?Security?Inspection?Benchmark?and?De-occlusion?AttentionModule”(Proceedings?of?the?28th?ACM?International?Conference?onMultimedia.2020)中，公開(kāi)了一種基于去遮擋注意力模塊的X光違禁物品檢測(cè)方法。該方法使用了一個(gè)去遮擋的注意力模塊來(lái)排除遮擋物品在X光圖像中的干擾，該模型可以嵌入到現(xiàn)有的單階段或雙階段深度學(xué)習(xí)方法中。在訓(xùn)練神經(jīng)網(wǎng)絡(luò)時(shí)，根據(jù)兩個(gè)子模塊“邊緣引導(dǎo)”和“材質(zhì)認(rèn)知”來(lái)生成違禁物品的邊緣信息和材質(zhì)信息，再通過(guò)這兩個(gè)信息計(jì)算出注意力圖，最后使輸入關(guān)注于注意力圖以得到高質(zhì)量的圖像特征，為探測(cè)器提供可靠信息。該方法重點(diǎn)關(guān)注于違禁物品的邊緣和材質(zhì)信息，幫助了檢測(cè)器獲得高質(zhì)量的圖像特征，從而提升檢測(cè)效果。但是，該方法雖然訓(xùn)練時(shí)關(guān)注了邊緣和材質(zhì)信息，但違禁物品和無(wú)關(guān)物品的邊緣和材質(zhì)信息糅雜在一起，仍需要檢測(cè)器從混雜的信息識(shí)別違禁物品，從而降低了違禁物品的檢測(cè)精度。