[发明专利]基于条件分支和专家系统的对象快速检测方法

权利要求书

1.基于条件分支和专家系统的对象快速检测方法，其特征在于，包括以下步骤：

1)采集传输送带上检测对象的X光图像；

2)将X光图像输入三个条件分支分别获得RGB、HSV以及梯度的图像特征图；

3)将RGB图像特征图输入区域建议网络，获得ROI区域；

4)将ROI区域利用分支特征对齐，得到对应RGB、HSV、梯度三种特征图的ROI特征图；

5)针对于ROI区域，计算三种ROI特征图对于检测的可贡献度，根据可贡献度为三个条件分支分配相应的权重向量并根据各自的权重向量进行特征串联，其中，每一种ROI特征图都要计算出一个贡献向量，并和贡献向量做点乘，得到三个经过加权融合的特征向量；

6)将三个经过加权融合的特征向量输入对应的三个专家系统网络，得到对象类别和位置；

7)根据贡献向量对三个专家系统网络的预测结果进行加权融合，识别出检测对象的类别和位置并标注。

2.根据权利要求1所述的基于条件分支和专家系统的对象快速检测方法，其特征在于，在步骤1)中，将检测对象置于传送带，传送带将检测对象运至检测区时，X光射线仪通过准直器发射出扇形射线束对检测对象进行扫描，扇形射线束穿过检测对象内部并投射在接收屏上，通过计算机渲染技术得到检测对象的X光图像。

3.根据权利要求1所述的基于条件分支和专家系统的对象快速检测方法，其特征在于，在步骤2)中，每个分支设置一个特征提取网络，将X光图像经过颜色空间变换后分别送入三个条件分支，运算后得到RGB、HSV和梯度的图像特征图；

所述特征提取网络为深层网络，由卷积层、池化层与非线性映射层组成；

其卷积过程如下：

式中，f₁[x,y]为图像在(x,y)区域的数据，w[x,y]为卷积核，f₂[x,y]为在(x,y)区域卷积后所得特征，n_i、n_j为距离卷积中心的偏移距离，n₁、n₂分别为卷积垂直方向最大偏移距离和水平方向最大偏移距离，f[x+n_i,y+n_j]为图像在(x+n_i,y+n_j)的数值，w[n_i,n_j]为卷积核在(n_i,n_j)位置的权重；

其非线性映射过程：

f₃[x,y]＝max(0,f₂[x,y])

式中，f₃[x,y]为做非线性映射后得到的特征图。

4.根据权利要求1所述的基于条件分支和专家系统的对象快速检测方法，其特征在于：在步骤3)中，RGB图像特征图中的每一个点定义为锚点，每个锚点以自身为中心定义9个锚框，除去超出图像区域的锚框，对剩下的锚框特征图进行二分类和边框回归：

a、二分类：y＝f[f₄(x,y)]

式中，y为前景边框的分类预测，f₄(x,y)为锚框特征图，f为分类器，分类器人为设定一个阈值，大于此阈值的预测为前景，并加入后续步骤计算，小于此阈值的预测为背景并被抛弃；

b、边框回归：r＝[Δx,Δy,Δh,Δw]＝g(f₄[x,y])

式中，r为前景边框的偏移量，g为线性回归函数；Δx,Δy为锚框的中心偏移预测；Δh,Δw为锚框尺度缩放因子；根据前景回归对锚框进行位置及尺度调整；然后对锚框使用非极大值抑制进行筛选，剔除重叠的锚框；再取置信度最高的前n个锚框，作为ROI区域，进入后续步骤处理。

5.根据权利要求1所述的基于基于条件分支和专家系统的对象快速检测方法，其特征在于：在步骤4)中，得到区域建议网络提取的ROI区域后，将ROI区域进行尺度适应，按原图与特征图大小的比例进行缩放，然后将缩放后的区域对齐至RGB、HSV以及梯度特征图，得到三种不同的ROI特征图。