[发明专利]一种基于深度学习的安检物品识别方法和系统

说明书

本发明提出了一种基于深度学习的安检物品识别方法，包括如下步骤：S1，采集多角度安检图像，并进行分割，获取目标物品区域；S2，采集并统计目标物品区域及其周围环境区域的像素值，生成对应的像素分布特征直方图，并计算对应的像素分布特征直方图的方差；S3，利用方差确定独立物品，并逐一为各幅安检图像中独立物品的目标物品区域设定权重；S4，逐一对各幅安检图像中独立物品的目标物品区域进行特征提取，获取特征，并对特征与权重进行处理，生成融合特征；S5，利用融合特征，进行独立物品的物品类别的识别。有利于获取物品内部结构信息，避免依据物体的外部轮廓进行判断而产生的误差，提高了违禁物品识别的准确度和识别效率。

技术领域

本发明涉及安检技术领域，更具体地说是涉及一种基于深度学习的安检物品识别方法和系统。

背景技术

目前，利用X光透射包裹物品的安检方式广泛应用于机场、车站、博物馆、办公楼等场所的安检过程中，该技术以X射线照射被检测物体，根据探测器接收到的信号，再经过计算机的处理得到被检测物体的射线图像，安检员通过观察X光图像，根据常见的违禁品的形状以及色带辨别图像中是否有可以违禁物品，这种人工判读的方式效率低、漏检率高，并且会产生较高的人工成本。

针对上述情况，现有技术采用了基于机器识别实现对违禁品的自动识别检测，提高了安检效率、准确度，也极大地降低了安检的人工成本；但是，机器识别在实际安检检测应用中，需要对安检图像中的物品进行分割，获得独立的物品，进而提取物品的特征，并与物品类型模板进行特征匹配，才能最终确定物品的类型；由于安检图像中各类物品混杂结合，空间关系交错，导致分割独立物品错误率高，且物品的细节在安检图像上展现不充分，部分物品由于自身形变或者在包裹中的摆放方式，导致形态多样，不易提取物品的特征，影响与模板的特征匹配。

因此，如何避免现有技术的缺陷，提升独立物品分割的准确度，进而依据深度学习模型提取物品特征，进行违禁品识别，是本领域技术人员亟待解决的问题。

发明内容

有鉴于此，本发明提供了一种基于深度学习的安检物品识别方法和系统，通过统计安检图像中目标物品区域及其周围一定范围的环境区域的像素分布特征直方图并计算对应的方差，确定安检图像中目标物品区域的独立物品，依据独立物品的目标物品区域与环境区域的像素分布特征直方图的方差为独立物品的目标物品区域设定权重，利用深度学习模型获取独立物品的目标物品区域的特征，并与权重进行特征融合，最终将融合后的特征输入SVM分类机，以期准确、高效的识别违禁物品。

为了实现上述目的，本发明采用如下技术方案：

一种基于深度学习的安检物品识别方法，包括如下步骤：

S1，采集X光透射的多角度安检图像，并逐一对安检图像进行分割，获取目标物品区域；

S2，逐一采集并统计各幅安检图像中的目标物品区域以及其周围环境区域的像素值，生成各幅安检图像中的目标物品区域的像素分布特征直方图，同时逐一生成各幅安检图像的目标物品区域与环境区域的像素分布特征直方图，并计算各幅安检图像中的目标物品区域的像素分布特征直方图的方差以及各幅安检图像中目标物品区域与环境区域的像素分布特征直方图的方差；

S3，利用方差确定独立物品，并逐一为各幅安检图像中独立物品的目标物品区域设定权重；

S4，逐一对各幅安检图像中独立物品的目标物品区域进行特征提取，获取特征，并对特征与权重进行处理，生成融合特征；

S5，利用融合特征，进行独立物品的物品类别的识别。

具体的，针对同一个待检测包裹，需要采集至少6个角度的安检图像，以便后续进行独立物品的确认。

具体的，对采集的各个角度的安检图像，采用边缘分割的方式进行安检图像的分割，即利用边缘检测算子提取出待分割的包裹安检图像中不同目标物品的边界，然后对分割边界内的像素进行连通和标注，从而构成目标物品区域。